變壓器故障診斷技術研究

張 健

遼河油田電力集團公司，遼寧盤錦 124010

0 引言

隨著國民經濟的快速發展，各行各業對電力的需求不斷增加，促使我國電力系統向大容量、超高壓和自動化的方向發展。變壓器作為電力系統中的關鍵設備，擔負著電壓的轉換、電能的分配及傳輸，因此它的運行影響著電力系統的可靠、穩定。電力變壓器發生故障的原因和類型很復雜，再加上電力變壓器絕緣老化的漸進性給變壓器的故障診斷帶來很大的挑戰。因此有必須對變壓器進行故障診斷研究，準確而及時地檢測出變壓器的早期潛伏性故障，然后制定出合理的檢測維修計劃，從而提高變壓器的可靠性。

變壓器故障診斷是指在變壓器沒有發生故障之前，對變壓器的運行狀態進行預報和預測。在變壓器發生故障后，對故障的部位、原因、程度和類型等做出判斷，并制定維修方案。變壓器的故障診斷可按兩個步驟進行:判斷有無故障和判斷變壓器的故障類型。

1 變壓器故障診斷的傳統方法

根據變壓器故障診斷技術的發展歷程，變壓器故障診斷的方法又分為傳統方法和智能方法。傳統方法主要有: 特征氣體判別法、變壓器預防性電氣試驗，現分別介紹：

1）特征氣體判別法。特征氣體法現在已經成為判斷變壓器故障類型的重要方法，當變壓器產生故障時會產生和某種故障相關的氣體，例如CH4、CZH6、COZ、CO、CZH4等，這些氣體會部分或全部溶解在油中，然后可根據變壓器油中氣體的類型和含量來判斷故障的類型。該方法具有直觀、方便和針對性強的特點，主要用于發現變壓器的早期潛伏性故障；2）變壓器預防性電氣試驗。預防性試驗可以發現運行中設備的隱患，預防事故的發生或設備的損壞，該方法是保證電力系統安全運行的有效手段之一，是電力設備運行和維護工作中的一個重要環節。預防性試驗主要包括對設備進行檢查、取氣樣或油樣，實驗項目主要包括油中溶解氣體的色譜分析、繞組絕緣電阻及吸收比、繞組直流電阻檢測、絕緣油檢測、鐵芯絕緣電阻檢測和交流耐壓檢測等。

2 變壓器故障診斷的智能方法

隨著人工智能及計算機技術的發展和應用，變壓器故障診斷技術己進入了智能化階段。智能故障診斷以人類思維的信息加工和認識過程為推理基礎，通過獲取診斷信息及診斷方法，模擬人類專家，以靈活的診斷策略對變壓器的運行狀態和故障做出正確判斷和決策。該方法主要體現在診斷過程中人工智能和領域專家知識的運用上。目前變壓器智能診斷方法主要有神經網絡、支持向量機、模糊理論、專家系統和遺傳算法等。

當變壓器發生故障時，變壓器故障類型和故障所產生的特征氣體之間的映射是一個非線性映射，二者的對應關系無法用精確的數學模型進行描述，而人工神經網絡具有非線性映射、并行處理、學習和記憶、魯棒性和自適應能力強等特點，因此人工神經網絡能夠廣泛應用于變壓器故障診斷中。為了準確診斷變壓器的故障類型，本文使用的是基于L-M算法的BP神經網絡診斷方法。

2.1 基于L-M算法的BP神經網絡介紹

L-M算法是傳統BP算法的改進算法，在標準的BP算法中，學習速率是一個定常數，然而在實際應用中，很難確定一個從始至終都合適的最佳學習速率。因此在實際應用中一般先設定初始學習速率，若經過一批次權值調整后使系統的總誤差增加，則本次調整無效。

輸入輸出間的映射關系越復雜，樣本中蘊含的噪聲就越大，為保證診斷的精確性，本文選擇正常、低能放電、電弧放電、中溫過熱、高溫過熱等共25組數據作為訓練樣本。由于網絡的輸入數據通常具有不同的物理意義，在訓練時會導致所起的作用不同，因此需要對輸入數據進行歸一化，本文將網絡的輸入、輸出數據限定在[0，l]區間內。

2.2 基于L-M算法的BP神經網絡的診斷實現

1）輸入層設計。輸入層神經元數為5，分別對應著輸入樣本中低能放電、電弧放電、正常、中溫過熱、高溫過熱，即C2H2、C2H6、H2、CH4、C2H4所對應的特征氣體濃度值；2）隱含層設計。在BP網絡中，隱含層節點數的設計對網絡的性能有很大的影響，它的選擇是一個非常復雜的問題，通常靠經驗和試驗來確定隱含層節點數，針對同一樣本集，從中選擇最小誤差所對對應的節點數為最佳隱含層節點數。在保證網絡性能的基礎上，為了減小網絡的復雜性和規模，本文將隱含層數設為1，隱含層節點數設為11；3）輸出層設計。由于變壓器的典型故障有5種，因此輸出層節點數為5。0～l之間的數表示故障發生的概率和嚴重程度。例如：O表示無此類故障，1表示此類故障發生的概率和嚴重程度最大。即低能放電表示為（0，0，0，l，0），電弧放電表示為（0，0，0，0，l），正常狀態表示為（l，0，0，0，0），中溫過熱表示為（0，1，0，0，0），高溫過熱表示為（0，0，l，0，0）；4）訓練算法的選擇。訓練算法對網絡的性能有著重要的影響，比如網絡的推廣能力、收斂速度等。本文采用L-M算法進行仿真，從仿真結果可以看出經過27次的訓練，誤差達到了0.00015014，該算法具有梯度下降法的全局特性和牛頓法的局部收斂性，它利用了近似的二階導數信息，收斂速度較快；5）性能測試。為了檢驗網絡是否具有良好的泛化能力，需要用到測試樣本。本文選用另外收集到的18組數據作為測試樣本。從診斷結果得出該神經網絡診斷方法的正確率為75.2%。通過實例測試，本文所提方法能夠較好地對變壓器的故障進行分類。

3 結論

由于神經網絡在非線性逼近方面的能力突出，因此，該方法在變壓器故障診斷領域得到了普遍的應用。但是由于初始權值存在隨機性，神經網絡的仿真結果存在差異性，這說明神經網絡存在容易陷入局部極小的問題。為了使方法在變壓器的故障診斷中能取得更好的效果，今后還需要結合其它算法對神經網絡進行進一步優化。

[1]謝可夫，鄧建國.變壓器故障模糊診斷系統[J].湖南師范大學：自然科學學報，2004(27).

[2]王霞，王濤.基于BP神經網絡的變壓器故障診斷[J].華東電力，2008(36).