油浸式變壓器故障診斷方法研究

曹淑睿 李 目 耿召里

（湖南科技大學 信息與電氣工程學院，湘潭 411100）

作為電力系統中不可或缺的一部分，變壓器承擔著升降壓變換和區域電網間的互聯任務。它是否能夠健康穩定運行，對電力系統影響重大，一旦出現故障，將會導致區域范圍大面積停電，嚴重時甚至危害人們的生命安全。目前，油浸式變壓器在電力變壓器中占據主要地位。本文重點分析油浸式變壓器的運行狀態和故障機理，對提高設備的運行可靠性和預防電力事故的發生具有積極意義[1]。

目前，國內外對油浸式變壓器的故障識別最廣泛的方法是油中溶解氣體分析法。該方法利用油浸式變壓器內部絕緣油中因故障產生的氣體數據對變壓器進行故障識別。論述的變壓器故障診斷方法多以此技術為基礎。

1 油浸式變壓器產氣原理

油浸式變壓器工作時，內部的絕緣油和固體絕緣材料會因受到熱和電的影響導致絕緣油中的碳氫化合物產生化學變化，此時化合物間的分子化學鍵發生斷裂，導致少量活性氫原子和碳氫自由基增加。新產生的氫原子和自由基通過化學反應重新組合，組建成氫氣（H2）和部分較低分子質量的烴類氣體，如甲烷（CH4）、乙烷（C2H6）、乙烯（C2H4）和乙炔（C2H2）等，也會出現少量的一氧化碳（CO）、二氧化碳（CO2）氣體[1]。這些氣體會逐漸溶解于絕緣油，前期含量較少不會對變壓器的正常運行造成影響，但后期若持續受熱和電故障影響，將會增加絕緣油內的氣體含量，影響變壓器的穩定運行，屆時需要進一步的跟蹤檢測和分析。變壓器油中溶解氣體含量的注意值如表1所示。

2 變壓器故障類型

綜合變壓器的故障類型，可將其分為外部故障和內部故障。由于外部故障多出現在變壓器油箱外，即在設備的絕緣套管和引出線位置發生故障。變壓器的外部故障易被巡檢人員發現，從而得到有效控制。但是，變壓器內部故障與外界隔離，檢修人員不便于發現，因此需要重視變壓器內部故障。本文的變壓器故障診斷方法是根據變壓器內部故障所展開的研究。

變壓器內部故障一般可分為熱性故障和電性故障。通過分析變壓器的故障產氣原理可知，變壓器運行過程中內部的絕緣油和絕緣材料會因熱和電的故障影響而產生化學反應。熱性故障會加快變壓器絕緣材料的老化，并產生甲烷和乙烯等氣體。根據故障溫度和故障特征氣體含量的不同，熱性故障可分為輕度過熱（＜150 ℃）、低溫過熱（150～300 ℃）、中溫過熱（300～700 ℃）和高溫過熱（＞700 ℃）。電性故障中主要絕緣材料受變壓器內部的高強度電力作用會出現裂化現象，產生的氣體主要為氫氣和乙炔。根據放電能量的密度大小，電性故障可分為局部放電、低能放電和高能放電3種類型。

3 傳統的變壓器故障診斷方法

3.1 特征氣體法

通過分析變壓器的產氣原理可知，不同的故障類型所產生的氣體組分也不同。特征氣體法根據不同的氣體組分判斷故障類型，具體對應關系如表2所示。根據對應關系可推斷設備的故障類型，有利于檢修人員盡早排查故障，確保變壓器穩定運行。

表2 變壓器故障類型與主要特征氣體對應關系

特征氣體法能夠較直觀地判斷變壓器故障，但存在氣體含量不明確、無法精確故障類型的問題，因此只能作為變壓器故障診斷的前期預判。

3.2 三比值法

根據變壓器油中溶解氣體分析的相關理論，研究者提出了基于特征氣體的三比值法。它主要是在H2、CH4、C2H6、C2H4和C2H2這5種氣體之間進行兩兩比較，制定由比值確定的故障類型編碼。雖然三比值法得到了一定的實踐應用，但存在故障邊界劃分模糊、編碼組合不完整的問題。當出現編碼表外的組合情況時，三比值法并不能有效判斷變壓器故障類型，無法完全反映變壓器的故障情況。

4 基于人工智能的變壓器故障診斷方法

近年來，人工智能在各個領域飛速發展，尤其是在故障診斷領域中的研究取得了一定成果，已經廣泛應用于變壓器的故障診斷，提高了變壓器故障診斷效率，保障了電力系統的穩定運行。

4.1 專家系統

專家系統是智能化的計算機系統，通過某個領域內專家學者的知識和經驗對該領域所對應的復雜問題提供可靠性的解決結果[2]。文獻[3]在傳統三比值法的基礎上，結合實際專家經驗獲得的故障判別規則，建立了可以增擴新知識的具有動態變化功能的專家知識庫，提高了變壓器故障判別的準確率。文獻[4]針對專家系統的特點，利用模糊理論解決了由于原始訓練數據的局限性和非線性造成的故障診斷復雜化問題。雖然專家系統對于變壓器的故障診斷具有一定成果，但是實際中該領域的知識和經驗難以獲得，導致系統內可以利用的知識較少。故障診斷時診斷依據不夠全面，一定程度上影響了診斷的精確度。

4.2 人工神經網絡

人工神經網絡是一種模擬動物神經元架構而構建的，具有處理復雜信息功能的計算系統，已在變壓器故障診斷領域中占據重要地位。文獻[5]將蜂群算法與神經網絡相結合，可彌補神經網絡模型的不足，提高診斷精度。文獻[6]采用蝙蝠算法優化概率神經網絡平滑因子的方式診斷變壓器故障，提高了診斷性能。雖然基于神經網絡算法的研究在變壓器故障診斷中已經得到了廣泛應用，但網絡模型收斂速度較慢，容易陷入局部最優，因此需要結合其他算法不斷優化，以便進一步研究基于神經網絡的變壓器故障診斷。

4.3 支持向量機

支持向量機是一種具有數學理論支撐的分類器模型，對多類別的分類問題具有較好的解決方法。它分為標準支持向量機[7]和最小二乘支持向量機[8]兩種常見的類型。文獻[8]利用油中溶解氣體數據作為特征輸入，利用支持向量機作為診斷模型，取得了良好的識別效果。文獻[9]利用優化算法解決了最小二乘支持向量機參數不確定性的問題，并通過對比驗證了該方法具有有效性。雖然支持向量機無須構建精準的數學模型便可取得較好的變壓器診斷效果，但存在計算量偏大、參數選擇困難等缺陷。因此，有必要將支持向量機與其他算法結合，提高模型的分類效果。

4.4 深度學習

利用深度學習的相關理論知識診斷變壓器故障的研究也已取得重大突破。文獻[9]利用生成對抗網絡構建診斷模型，均衡化處理變壓器故障樣本數據，有效解決了模型對故障的識別效果問題。文獻[10]提出深度置信網絡與多維度信息相結合的故障診斷方法，利用少量樣本進行訓練學習，可有效判斷故障類型。

5 結語

油浸式變壓器利用油中溶解氣體分析技術的故障診斷方法已經取得廣泛應用，且各種智能算法在構建變壓器故障診斷模型中發揮了重要作用。然而，在變壓器運行過程中，非正常運行的油中溶解氣體分析樣本數量極少，且存在異常樣本信息缺失、不完善等問題，導致實際收集的正常樣本與故障樣本的比例差距較大。非均衡的數據集采用智能算法診斷變壓器故障時，由于訓練樣本存在較大差異，導致診斷結果偏向于正常樣本，增大了故障樣本的漏判率。因此，面對變壓器運行中存在的故障樣本非均衡問題，未來油浸式變壓器故障診斷的研究將主要集中在4個方面。

（1）針對變壓器故障數據不均衡問題，從數據和算法兩個方層面入手，在對數據進行均衡化處理的同時改進診斷模型。

（2）結合實際工程中的其他數據，如局部放電量、電氣試驗數據等，充分挖掘這些數據的特征，為變壓器穩定運行提供更加全面可靠的方法。

（3）在變壓器故障中存在大量不確定因素，如故障表現形式不唯一，難以建立精確的數學模型，導致單一的算法并不能滿足精度要求。因此，多種信息融合的故障診斷模型將是未來研究的重點。

（4）現有的診斷模型依賴已有的歷史數據。在電網數據的海量積累下，未來要求將新入庫的油中溶解氣體分析監測數據快速融合數據庫，并構造優化的算法結構，及時訓練和調整診斷模型。