基于多頻超聲波原理的變壓器故障檢測方法探究

饒銳，程樂峰，宋浩永，李正佳，陳于晴（.　廣州供電局有限公司電力試驗研究院，廣東　廣州　50000；.　蘇州華天國科電力科技有限公司，江蘇　蘇州　5000）

基于多頻超聲波原理的變壓器故障檢測方法探究

饒銳1，程樂峰2，宋浩永1，李正佳2，陳于晴1
（1.廣州供電局有限公司電力試驗研究院，廣東廣州510000；2.蘇州華天國科電力科技有限公司，江蘇蘇州215000）

摘要：變壓器的運行狀態直接影響到整個電網的運行安全，如何實現對變壓器多種故障實時監測、保障電網的正常運行至關重要。本文提出基于多頻超聲波的變壓器故障檢測技術，即同時利用上百個頻率不同的超聲波對變壓器油不間斷掃描檢測，并對接收到的超聲波的各項參數采用多元統計分析技術和復數人工神經元網絡數據分析技術進行處理，得到不同超聲波的特征值，經過與變壓器故障特征值比對可得到變壓器的運行工況和故障名稱，從而實現高效、準確、同時檢測出多種故障。本文受中國南方電網科技項目資助（項目編號：GZGD20150301240091）。

關鍵詞：多頻超聲波；變壓器；故障檢測；多元統計分析；復數人工神經元網絡數據分析

本文引用格式：饒銳，程樂峰，宋浩永，等．基于多頻超聲波原理的變壓器故障檢測方法探究[J]．新型工業化，2015，5（7）：57-63

Citation:RAORui,CHENGLe-feng,SONGHao-yong,etal.ResearchonTransformerFaultDetectionMethod basedonthePrincipleofMulti-frequencyUltrasonicWaves[J].TheJournalofNewIndustrialization,2015,5（7）:57-63.

0　引言

電力設備是構成智能電網的核心部分，它的正常運行是電網安全的根本保證。其中變壓器是核心設備，也是電力系統事故相對較多的設備之一。其運行可靠性直接影響電力工業的正常生產。隨時檢查變壓器狀態，及早發現并排除其可能發生的故障，已成為保障供電可靠性的重要手段[1-3]。

傳統的檢測方法只是單一的抽取樣本后在室溫下進行測量，這樣不能反應變壓器油在變壓器運行過程中的正確狀態。因為溫度的變化會使變壓器絕緣紙中的水分遷移到油中，造成擊穿電壓值的極大變化。為了能更好的觀察這個變化過程，需要在實驗室建立一個同比例的變壓器模型及溫度計算模型，通過系統軟件對模型的分析計算，以此準確測量在不同溫度下，水的動態遷徙過程對絕緣油參數的影響。

目前應用于變壓器檢測的技術主要是油色譜分析、紅外測溫和局部放電在線檢測等技術。例如，通過油色譜分析技術對變壓器中存在的故障進行分析，但是利用氣相色譜法檢測油中溶解氣體，從取油樣到油氣分離再到色譜分析的全過程存在著環節多、操作手續繁瑣、試驗周期長等弊病，不可避免地引進較大的試驗誤差[1，4]，這種方法對于發展較快的故障檢測則感到不夠及時，難以充分發揮它的作用。

文獻[5，6]提出紅外測溫技術對變壓器檢測，其具有非接觸式測量，測量范圍廣，測溫速度快等優點，但它易受環境因素影響較大，對于光亮或者拋光的金屬表面測溫讀數影響較大，只能測量變壓器外部溫度，不能測量變壓器內部和存在障礙物時的溫度，而且溫度只是變壓器其中的一個參數，不能根據其溫度而準確反映變壓器的運行狀態。

文獻[7-9]采用局部放電實驗檢測變壓器故障，這種檢測方法由于局放信號很弱，現場的干擾性很強，有時干擾信號甚至比局放信號強2到3個數量級，不能準確識別局放信號和有效抑制干擾，測量出來的結果具有較大的誤差，這是局部放電在線檢測技術一個較大的局限。

本文對基于多頻超聲波原理的變壓器檢測方法進行探究，利用多頻超聲波技術可將幾百個超聲參數可以在一秒鐘內聚集在一個測量掃描頻率。之后經過超聲波接收裝置對反射的超聲波信號進行檢測和接收，這些超聲波信號中帶有關于變壓器油中的不同物質的具體特點的信息。對大量的試驗數據進行分析，得到多種變壓器油參數包括微水分含量、擊穿電壓、介電損耗因子、油導電性以及油表面張力等；并開發基于多元統計分析技術、復數人工神經元網絡的數據分析軟件，建立一個各種類型油樣本的數據庫。通過一系列智能算法將這些特征值（超聲波參數）和油樣本參數建立關聯。對變壓器油參數的分析推斷變壓器真實的運行狀態。

因此，本文主要進行了如下研究工作：

1）提出運用多頻超聲波技術進行變壓器油檢測；

2）開發可以測量多種變壓器油參數的單臺設備，變壓器油參數包括微水分含量、擊穿電壓，介電損耗因子，油導電性以及油表面張力；

3）實現在不停電、不加壓條件下測量變壓器的擊穿電壓，介電損耗因子等參數；

4）簡化傳統的變壓器檢測操作方法，及時全面的了解變壓器的運行狀況信息。

1　算法研究

開發基于多元統計分析[10]和復數人工神經元網絡的數據分析軟件對采集到的多個頻率的超聲波參數，包括超聲波幅值、相位、頻率以及飛行時間進行分析處理，進而判斷變壓器具體故障名稱。

1.1多元統計分析數學模型

多元統計分析可以有效地處理多維或多變量數據，剔除一些冗余、無效的數據，達到降維的目的[11，12]，繼而根據有限的線性不相關數據可以準確有效的統計信息的特征。本文主要采用多元統計分析中的主分量分析（PrincipalComponentAnalysis，PCA）的改進方法——相對主元算法[12，13]，根據相關文獻[13-16]可知其基本算法步驟為：

1）將接收的多頻超聲波按頻率分為N（N>100）個樣本數據，每個樣本數據中含有M個數據，包含每次接收超聲波的幅值、相位、頻率以及飛行時間。首先利用公式（1）對這些數據進行標準化，標準化后數據均值為0，方差為1。

其中，XR為X經變換矩陣Q計算后的矩陣，Q變換矩陣，Qi為權重系數，其值根據文獻[18，19]計算得到。

2）計算相對化矩陣XR的協方差矩陣RXR

3）求解協方差矩陣RXR的特征值λi與相對應的特征值pi，λi是RXR

的第i個特征值，滿足

式中I為單位矩陣。

4）由累計貢獻率求出相對主元個數j，具體公式如下：

1

1

5）計算矩陣T

式中，矩陣T中包含的數據即為將超聲波主要參數經相對主元算法轉換后的數據，這些數據將進一步由復數人工神經元網絡算法進行處理。

1.2復數人工神經元網絡數據分析原理

復數人工神經元網絡[15，16]不僅具備傳統人工神經元網絡的良好自主學習功能，自適應的調節自身權值而且能夠克服傳統人工神經元在相位處理上的缺陷，實現節點和權值的范圍從傳統的實數域擴展到復數域，并針對高階統計量算法數據量需求大，以及二階統計量算法不能處理含公零點信道的缺陷進行了優化。復數人工神經元主要思想是對神經元權值取復數，其主要結構如下圖1所示，主要由輸入層、隱藏層及輸出層構成。

圖1中，wi為神經元之間的連接強度，稱為復數加權值1。首先將數據庫數據樣本（與多元統計分析得到的數據一致）和對應故障的特征值作為給定作為給定信號，利用人工神經網絡自主學習，訓練出對應輸入的復數加權值

其激活函數定義為[20，21]：

當

其中j∈{0,k?1}，i為虛數單位，üü=ü11+22...+nn，arg(z)為復數z的幅角。

根據式（6）和（7），計算出輸入量xi對應的輸出量yi，即*

圖1　人工神經元網絡結構Fig.1　Artificial　neural　network　architecture

2　基于多元統計和復數人工神經元網絡的變壓器故障檢測

2.1基于人工神經元網絡的變壓器故障自主學習

人工神經網絡中的各項參數是根據學習樣本[18]，本文采用的學習樣本是變壓器各項故障特征值。由于變壓器各項故障所變現出的特征值是

不同的，根據對常見變壓器故障，比如低壓相間短路放電、絕緣結構體絕緣過熱以及分接開關飛弧或者火花放電等等各種變壓器故障。數據庫中的樣本數，即變壓器故障特征值，共計有1200組數據作為學習樣本。因此，本文中所選用的復數人工神經元網絡的輸入節點數為20，輸出節點為23，所使用的隱藏層中的節點數具體由網絡自主學習不斷調整得出。

經多元統計分析得到的數據，作為人工神經網絡輸入矩陣X（1200×20），目標輸出矩陣Y （1200×23），學習速率η=0.1，誤差系數[14，15]為0.0001。初始化時候將各個神經元支路加權值統一設為1，開始根據變壓器故障特征值和接收到的多頻超聲波特征值進行自主學習，訓練出各個故障特征對應的復數加權值wi。

人工神經網絡自主學習流程圖如圖2所示。

自主學習流程詳述如下：

Step1：復數加權值、誤差系數及學習次數初始化，本文中將wi賦值為常數1，誤差系數為0.0001，學習次數設置為10000。

Step2：計算輸出值yi，利用，計算出輸入量xi對應的輸出量yi，

其中激活函數的定義方法如下

當

為復數z的幅角。

圖2　人工神經網絡自主學習流程圖Fig.2　Flow　Chart　of　Artificial　Neural　Networks　Self-study

Step4：根據Step3計算得到的偏差值Δyi判斷是否滿足誤差要求，本文中設置的誤差系數為0.0001，若 Δ yi>0.0001，則執行Step5，若Δyi<0.0001則執本次自主學習結束。

Step5：判斷是否達到預設的學習次數。本文中預設的學習循環次數n為10000，若n>10000，則此次學習結束；若n<10000，則執行Step6。

Step6：調整復數加權值。根據公式（6）～（7）計算出加權值變化量，并疊加到之前的復數權值，即其中，η稱為學習速率輸入矢量的共軛復數，為當前權值，表示學習后的權值。

Step7：重復Step1至Step6，直至學習結束，即可得到學習后的復數加權值。

2.2求解變壓器故障問題

最后，根據1.1節中多元統計分析得到的數據矩陣T和1.2節中訓練出的復數權值，對1.1節的變壓器油參數進行計算，并將最后計算得到的特征值和數據庫中的特征值進行比對，進而得到故障名稱。

3　多頻超聲波變壓器檢測系統設計

3.1總系統結構設計

如下圖3所示，多頻超聲波變壓器檢測系統設計結構包括：超聲波發射接收控制單元、多頻超聲波傳感器和數據分析軟件。

圖3　多頻檢測系統框圖Fig.3　Multi-frequency　Detection　System　Diagram

其中，超聲波發射接收控制單元上安裝有電源接口、電源開關、Internet網絡接口、超聲波信號輸出接口及接收接口。各主要功能部分簡要介紹如下。

超聲波發射接收控制單元：安裝有電源接口、電源開關、Internet網絡接口、超聲波信號輸出接口及接收接口，該模塊主要用于控制多頻超聲波的發射及多頻超聲波信號的接收。內設有多頻超聲波發生裝置，多頻超聲波發生裝置內部連接至超聲波發射接收控制單元的超聲波信號輸出接口，輸出接口經導線連接到多頻超聲波傳感器，多頻傳感器的輸出信號經導線連接至超聲波發射接收控制單元的超聲波信號接收接口，超聲波信號接收接口將信號傳輸至超聲波發射接收控制單元的信號處理電路，基于DSP技術的控制電路可以準確地完成超聲波原始信號到振幅、相位以及超聲波速度等超聲波參數的計算。然后通過網絡端口將超聲波各項參數傳輸給上位機軟件。

多頻超聲波傳感器：為了確保檢測精度，需要保持所有傳感器表面是一致的，因此，需要采用電子方式保證傳感器的統一校正。

上位機數據分析軟件：主要用來對采集出的多頻超聲波特征值進行分析，從而建立特征值與油參數之間的關聯。這里的上位機數據分析軟件是基于多元統計分析技術（如PCA、LDA）來實現的。

根據圖3，總的來說，發射控制模塊根據頻率控制模塊和功率控制模塊的輸出信號，產生換能器發射需要的載波脈沖信號，送到發射驅動模塊，頻率控制決定載波頻率，功率控制決定脈沖寬度和幅度，從而達到控制換能器發射功率的作用。發射驅動模塊將發射控制模塊送來的脈沖信號經升壓處理后產生大功率的輸出信號，推動換能器發射合適的多頻超聲波。該部分可以依據變壓器容量的大小，設置合適的頻率及功率，大大地提高了檢測的效率。

在上位機中包含有多元統計分析和復數人工神經元網絡分析算法，通過相關算法從超聲波參數中提取出變壓器油的水分含量、擊穿電壓、介損、體積電阻率、油界面張力等參數，將這些變壓器油參數與數據庫中的變壓器故障特征值進行對比，從而判斷變壓器的運行工況以及發現變壓器故障。

3.2超聲波發射接收控制單元的發射部分和接收部分設計

3.2.1發射部分設計

如下圖4為超聲波發射接收控制單元的發射部分示意圖，該部分主要包括：功率控制模塊、發射控制模塊、頻率控制模塊及發射驅動模塊。

其中，功率控制模塊：根據變壓器的類型和變壓器容量的大小選擇合適的功率信號指令，送發射控制模塊處理；發射控制模塊：根據頻率控制模塊和功率控制模塊的輸出信號，產生換能器發射需要的載波脈沖信號，送到發射驅動模塊，頻率控制決定載波頻率，功率控制決定脈沖寬度和幅度，從而達到控制換能器發射功率的作用；發射驅動模塊：將發射控制模塊送來的脈沖信號經升壓處理后產生大功率的輸出信號，推動換能器發射合適的多頻超聲波。

圖4　發射部分結構原理圖Fig.4　Structure　principle　diagram　of　transmitting　part

該部分原理描述為：功率控制模塊根據變壓器的類型和變壓器容量的大小選擇合適的功率信號指令，送發射控制模塊處理。發射控制模塊根據頻率控制模塊和功率控制模塊的輸出信號，產生換能器發射需要的載波脈沖信號，送到發射驅動模塊，頻率控制決定載波頻率，功率控制決定脈沖寬度和幅度，從而達到控制換能器發射功率的作用。發射驅動模塊將發射控制模塊送來的脈沖信號經升壓處理后產生大功率的輸出信號，推動換能器發射合適的多頻超聲波。該部分可以依據變壓器容量的大小，設置合適的頻率及功率，大大地提高了檢測的效率。

3.2.2接收部分設計

圖5是超聲波發射接收控制單元的接收部分示意圖，該部分包括：信號放大模塊、選頻模塊及數模轉換模塊（A/D）。

圖5　發射部分結構原理圖Fig.5　Structure　principle　diagram　of　receiving　part

根據圖5，其中，信號放大模塊將超聲波傳感器傳輸回來的信號進行放大，然后送至選頻模塊，對信號頻率進行篩選，確定合適的頻率范圍，濾除干擾信號，從而得到準確的多頻超聲波信號模擬量。選頻模塊將多頻超聲波信號模擬量送到數模轉換模塊，數模轉換模塊將多頻超聲波信號模擬量轉換為數字信號傳輸給微處理器。

4　總結

本文基于多頻超聲波技術，采用多元統計和復數人工神經元網絡數據分析算法，對變壓器油進行檢測，判斷變壓器故障類型。主要針對多元統計分析中的相對主元分析和復數人工神經元網絡進行理論分析，詳細介紹算法的理論推導和自主學習的實現過程。并開發基于多元統計分析技術、復數人工神經元網絡的數據分析軟件，建立一個各種類型油樣本的數據庫。通過復數人工神經元網絡智能算法可以將這些特征值和油樣本參數建立關聯。

最后，設計了多頻超聲波變壓器檢測系統，利用多頻超聲波技術對變壓器油參數進行在線檢測，上位機軟件基于多元統計分析算法對檢測到的變壓器油參數進行分析，提取特征量，建立變壓器油的狀態與超聲波特征量之間的關聯，進而判斷變壓器的運行狀態。

通過本文設計可以有效地提高電力企業對變壓器的檢測能力，有助于及時全面了解變壓器的運行狀況信息，檢測數據可以真實準確的反映變壓器的運行狀況，可以有效地保障變壓器的安全穩定運行，有效解決了傳統檢測裝置檢測步驟繁瑣、不能在線檢測等問題，提高檢測靈敏性，降低檢測成本。

參考文獻

[1]余瓊.變壓器油色譜在線監測專家系統研究[D].上海交通大學，2007.

YuQiong.Onlinemonitoringexpertsystemoftransformeroilchromatography[D].ShanghaiJiaoTongUniversity，2007.

[2]來金鋼，周洪.基于多維型逆變器的并網實驗研究[J].新型工業化，2014，4（5）:60-68，76.

LAIJingang，ZHOUHong.Experimentalresearchonparalleloperationformultiplemicro-inverters[J].TheJournalofNew Industrialization，2014，4（5）：60-68，76.

[3]黃世敢，朱曉青，彭賽莊，等.向孤立無源負荷供電的VSC-HVDC系統控制策略[J]，新型工業化，2015，5（3）：54-60.

SGHuang，XQZhu，SZPeng，etal.ControlstrategyofVSC-HVDCsystemsupplyingpowerforisolatedpassiveload[J]，TheJournalof NewIndustrialization，2015，5（3）：54-60.

[4]陳曉暉，夏瓊.利用油色譜分析判斷變壓器故障及處理思路構建[J].中國高新技術企業，2014，36:76-77.

ChenXiaohui，XiaQiong.Usingchromatographicanalysisoftransformerfailuresandtheirideasjudgeconstruction[J].ChineseHigh-tech Enterprises，2014，36:76-77.

[5]李文芳.基于紅外圖像的電力變壓器故障的在線檢測[D].安徽理工大學，2014.

LiWenfang.Powertransformerfaultlinedetectionbasedoninfraredimages[D].AnhuiUniversityOfScience&Technology，2014.

[6]任云明.運用紅外測溫技術進行電力變壓器故障診斷[J].中小企業管理與科技（中旬刊），2015，02:205-206.

RenYunming.Theuseofinfraredtemperaturemeasurementtechnologyforpowertransformerfaultdiagnosis[J].Managementandtechnology ofsmallandmediumsizedenterprises.2015，02:205-206.

[7]尹海晶.基于紅外測溫技術的電力變壓器過熱故障在線監測系統的設計與開發[D].南京理工大學，2010.

YinHaijing.Thedesignanddevelopmentofonlinemonitoringsystemforpowertransformerbasedoninfraredtemperaturemeasurement technology[D].NanjingUniversityofScience&Technology，2010.

[8]張慶磊.基于油中氣體分析和局部放電檢測的變壓器故障診斷技術研究[D].南京理工大學，2014.

ZhangQinglei.Faultdiagnosistechnologyoftransformerbasedongasanalysisandpartialdischargedetectioninoil[D].NanjingUniversity ofScience&Technology，2014.

[9]邢偉娜.電力變壓器局部放電檢測技術的研究與設計[D].河北農業大學，2014.

XingWeina.ResearchanddesignofpartialDischargedetectioninpowertransformers[D].AgriculturalUniversityofHebeiProvince，2014.

[10]孟程程.基于多元統計分析的故障檢測與應用研究[D].中國計量學院，2013.

MengChengcheng.Researchonfaultdetectionandapplicationbasedonmulti-variatestatisticalanalysis[D].ChinaJilingUniversity，2013.

[11]劉美玲.基于多元統計分析的過程系統故障診斷方法研究[D].南京理工大學，2013.

LiuMeiling.Faultdiagnosisdethodbasedonmulti-variatestatisticalanalysis[D].NanjingUniversityofScience&Technology，2013.

[12]席磊，張孝順，程樂峰，等.基于JADE多智能體動態博弈的自動發電控制仿真平臺研究[J].新型工業化，2014，4（11）：5-17.

XILei，ZHANGXiaoshun，CHENGLefeng，etal..Researchonmulti-agentsimulationplatformforAGCbasedonJADE[J].TheJournal ofNewIndustrialization，2014，4（11）：5-17.

[13]武中利.電力變壓器故障診斷方法研究[D].華北電力大學，2013.

WuZhongli.Faultdiagnosismethodofpowertransformer[D].NorthChinaElectricPowerUniversity，2013.

[14]CherryG，QinSJ.Multiblockprincipalcomponentanalysisbasedonacombinedindexforsemiconductorfaultdetectionanddiagnosis[J]. InstituteforElectricalandElectronicEngineersTransactionsonSemiconductorManufacturing，2006，19（2）：159-172.

[15]錢政等.用可靠性數據分析及BP網絡診斷變壓器故障[J].高電壓技術，1999，25（1）:13-15.

QianZhengetc.ApplicationofdatareliabilityanalysisandBPneuralnetworkfortransformerfaultdiagnosis[J].HighVoltage Engineering，1999，25（1）:13-15.

[16]周菲菲.基于神經網絡和證據理論的電力變壓器故障診斷研究[D].西華大學，2009.

ZhouFeifei.Faultdiagnosisofpowertransformerbasedonneuralnetworkandnvidencetheory[D].XihuaUniversity，2009.

[17]XuW，etal.Faultdiagnosisofpowertransformersapplicationoffuzzysettheoryexpertsystemsandartificialneuralnetworks[J].IEE Proc.Sci.Meas.Technol，1997，144（1）：39-44.

[18]YongshengQi，PuWang，XunjinGao，etal.On-linemonitoringoffed-batchpenicillincultivationusingtime-varyingandmultivariate statisticalanalysis[C].In：20104thInternationalConferenceonBioinformaticsandBiomedicalEngineering（ICBBE），2010，1-6.

[19]VanegasO，etal.Diagnosisofoil-insulatedpowerapparatusbyusingneuralnetworksimulation[J].IEEETrans.Diele.andElect.Insul，1997，4（3）：290-299.

[20]胡靜.相對主元分析理論及其應用研究[D].開封:河南大學，2008.

HuJing.RelativePrincipalComponentAnalysistheoryandItsApplication[D].Kaifeng：HenanUniversity，2008.

[21]呂偉鋒，林彌，華柏興.基于復數權值神經元的數字邏輯最穩健設計[J].電路與系統學報，2008，04：77-80.

LvWeifeng，LinMi，HuaBoxing.TheMostRobustDesignofDigitalLogicBasedonthePluralArtificialNeuralNetwork[J].Journalof CircuitsandSystems，2008，04:77-80.

DOI：10.3969/j.issn.2095-6649.2015.07.009

基金項目：＊中國南方電網科技項目資助（GZGD20150301240091）。

作者簡介：饒銳（1981-），男，工程師，碩士，主要從事于電力化學監督管理工作；程樂峰（1990-），男，通信作者，碩士，主要研究領域為配網自動化、電能質量分析與控制；宋浩永（1985-），男，工程師，碩士，主要從事電氣化學試驗及電力新技術研究工作；李正佳（1972-），男，高級工程師，碩士，主要工作領域：電力通信、電力系統行業等；陳于晴（1991-），女，漢族，廣東廣州，主要從事電氣化學試驗及電力新技術研究工作。

Research on Transformer Fault Detection Method based on the Principle of Multifrequency Ultrasonic Waves

RAORui1,CHENGLe-feng2,SONGHao-yong1,LIZheng-jia2,CHENYu-qing1
(1. Electric Power Research Institute of Guangzhou Power Supply Bureau Co.,Ltd, Guangzhou 510000; 2. Suzhou Huatian Power Technology Co., Ltd,, Suzhou 215000)

Abstract:Thispaperproposesaneffective,acuteandsynchronoustransformerfaultdetectionmethodbasedonthe principleofmulti-frequencyultrasonicwaves.Thismethodutilizeshundredsofultrasonicwaveswithdifferentfrequencies tocontinuouslydetectthetransformeroilandhandlesthewaves’parameterswithmultivariatestatisticalanalysistechnology andpluralartificialneuralnetworkdataanalysistechnology.Inthisway,wecangettheoperationalstatusandnamesofthe faultsbycomparingtheeigenvaluesofthefaults.Theoperationalstatusoftransformersmaydirectlyaffectthesafetyofthe entirepowergrid.Therefore,itisessentialtomonitoravarietyoftransformerfaultsandensuretheregularworkingofthe powergrid.ThispaperissupportedbyScienceandTechnologyProjectsofChinaSouthernPowerGrid(ProjectNumber: GZGD20150301240091).

Keywords:Multi-frequencyultrasonicwaves;Transformer;Faultdetection;Multivariatestatisticalanalysis;Dataanalysis ofcomplexartificialneuralnetwork