變壓器繞組故障模擬及故障診斷技術研究

國網儀征市供電公司 馬 莉

變壓器運行過程中產生的故障問題，會直接對電網整體的運行安全產生影響。繞組故障是變壓器運行中較為常見的故障類型之一，以保障變壓器的穩定運行為主要目的，要求能夠在明確變壓器應用情況以及運行原理的前提下，應用更合適的故障診斷技術來提高對便于勞作過程進行診斷的準確性。基于此，結合本電廠變壓器運行的實際情況，對變壓器繞組故障模擬及故障診斷技術進行研究，對保障變壓器的穩定運行具有重要的作用。

1 變壓器繞組模擬

1.1 變壓器繞組振動機理

當變壓器處于運行狀態時，其繞組導線產生的磁場大小分布較為均勻，基于安倍環路定律和安倍力計算公式，可以計算得到變壓器安全導線附近產生的疊加磁場分布情況，以及通電導體在磁場中所受到的作用力大小：▽×H=J、F=J×B，式中：H代表疊加磁場，J代表線圈中的電流密度；B代表磁感應強度，F代表通電導體在磁場中所受到的作用力。

當變壓器三相短路處于穩定運行狀態時，繞組在漏磁場中受到的電磁力，會受到此時變壓器繞組最大電流的影響，也達到最大。電磁力包含常數衰減周期衰減、周期分量，在變壓器繞組所受電磁力存在直流和周期兩個分量的情況下，其周期分量的頻率為電源基頻的2倍[1]。當電磁力加載在繞組上，需要在考慮變壓器繞組特殊結構的情況下，通過建立繞組數學模擬模型的方式，對變壓器繞組線圈的振動情況進行求解分析。

1.2 構建仿真模型

以某電廠電網運行中應用的變壓器為例，在結合電廠電網運行實際情況的前提下，以構建仿真模型的方式，確定以30Q130硅鋼片為構建模型應用的鐵芯材料，變壓器模型的電源電壓為40kV，由外電路連接各部分繞組。在這一前提下，變壓器模型的鐵芯直徑為180mm，鐵軛高度為180mm，低壓繞組的內半徑為105mm，外半徑為110mm，高壓主繞組的內半徑為280mm，外半徑為300mm。

1.3 基于模型的變壓器運行模擬

在明確以上變壓器模型構建基本參數的基礎上，為驗證構建的模型是否符合實際的變壓器運行情況，在系統軟件中模擬變壓器在實際電網環境中運行的狀態，以低壓側滿載運行為模擬條件，對這一環境下變壓器模型的高壓側、低壓側相電壓和相電流進行計算。基于這一方法，將計算結果與變壓器的額定標準值進行對比分析，確定構建的變壓器模型低壓側電壓峰值誤差在1.98%左右，低壓側三相電流最大誤差為0.68%，可以將該變壓器模型用于變壓器繞組故障的模擬驗證。

1.4 變壓器繞組故障模擬驗證

考慮變壓器實際運行中產生的繞組故障種類較多，以變壓器的繞組匝間短路故障和繞組松動故障為例，考慮在實際應用模型時，設置繞組線圈匝數、基于繞組形狀改變下的繞組材料參數彈性模量作為控制變量，對變壓器繞組故障進行診斷。在繞組匝間短路故障的模擬分析中，分別選擇頻率為100Hz、200Hz、300Hz三種情況下的繞組故障與振動加速度之間的關系進行分析，發現在受到匝間短路故障影響時，100Hz頻率幅值的加速度會隨匝間短路程度增加而上升；200Hz頻率幅值的加速度會隨匝間短路程度增加而下降，當匝間短路程度達到2%時，依據其繪制的曲線能夠與300Hz頻率幅值的加速度曲線之間產生交匯點。因而可以證實變壓器受到這類繞組故障的影響[2]。

在繞組松動故障的模擬分析中，考慮繞組在受到電磁力影響的情況下發生振動，而繞組的振動加速度會直接對繞組的松動程度產生影響。基于這一原理，在進行仿真實驗時，依舊以三種不同頻率的繞組加速度變化情況為研究依據，發現變壓器繞組的加速度和松動程度曲線的變化趨勢不會受到頻率變化的影響，基本能夠保持一致。依據這一規律特點，可以判斷變壓器受到了這類繞組故障的影響。

2 變壓器繞組故障診斷技術的應用

以構建模擬模型的方式，對變壓器發生繞組故障的基本原理和特點進行分析，可以將其作為對繞組的故障進行診斷的主要依據，在變壓器的運行中應用更有針對性的診斷技術，提高判斷變壓器繞組故障類型的準確性。基于當前先進科學技術的不斷發展，可以將以下幾種診斷技術用于變壓器繞組故障的診斷分析。

2.1 概率神經網絡診斷技術

結合某電廠變壓器運行的實際情況，考慮一些典型的變壓器繞組故障，能夠直接基于對故障振動信號特征的檢測分析來進行判斷，但在變壓器繞組形變、墊塊失效等故障的診斷方面，難以直接基于振動信號特征進行區分。基于此，以提升變壓器繞組故障診斷效率和準確性為主要目的，可以嘗試將神經網絡算法引入到變壓器繞組故障診斷當中，借助數字孿生技術，對變壓器發生繞組故障下產生的振動數據進行學習訓練，最后依據診斷軟件來對學習訓練的結果進行綜合分析。

2.1.1 概率神經網絡原理

在這一過程中，主要基于概率神經網絡的原理。概率神經網絡的結構由許多相互連接的處理單元構成，這些處理單元以系統性的方式排列在具有連續性的層中，具體包括輸入層、隱含層、求和層以及輸出層四個部分。其中，輸入層將輸入的數據信息分配給隱含層的神經元，隱含層中的每個訓練樣本中都包含一個模式神經元[3]。在這一原理下，模式神經元的數量與懸鏈樣本的數量一致。在實際應用概率神經網絡時，從神經網絡的輸入層接收模式向量X后，可以直接基于以下公式來對模式神經元進行計算：

式中：Wij代表權重向量，即第i類的第j個訓練向量，p代表測試箱梁X的推數，T、i、j分別代表轉置、類號以及模式號。在將求和層神經元計算的聚類模式結果分類后，可以匯總為隸屬于同一類的所有神經元的輸出。然后基于貝葉斯決策規則來對簇模式X進行分類。在這一過程中，還需要基于小波包變換的時頻分解方法，實現對變壓器繞組故障振動信號特征的提取和分析。

2.1.2 變壓器繞組故障診斷應用

基于概率神經網絡的原理，可以將神經網絡算法融入針對變壓器故障診斷的模型軟件當中，將故障診斷軟件分為監測和故障診斷兩個主要的部分。其中，監測系統重點針對變壓器運行過程中涉及的電壓電流、溫度濕度等參數進行監測，相關人員可直接從儀表盤和文本框中獲得監測的數據信息；診斷系統要求在輸入變壓器繞組振動的測量數據后，以概率神經網絡算法和小波包變換來實現對這些數據的分析處理，將得到的測試數據交給已經完成訓練的概率神經網絡，就可以直接將診斷的結果通過系統彈窗顯示出來。

在實際應用中，以變壓器三相電流中B相出現的繞組形變故障為例，在基于現有方法對變壓器繞組的振動加速度信號進行監測后，對短路故障下的能量變換情況進行分析，主要利用haar和db3兩種小波，對測點位置的信號進行分解與重構，進而獲得分解結構的能量分布和重構波形變化圖。在實際分析中，基于db3小波所具有的正則性，主要依據db3小波來對繞組故障進行分解重構。

將應用這一方法獲得的故障診斷結果與同時應用其他算法進行故障診斷的結果相比，其分類正確率、測試集平均正確率分別如下：ICAPNN98.00%/95.21%、ELM92.00%/89.81%、PNN98.00%/87.25%。由此可以證實，應用ICAPNN的方法，能夠體現出高于其他算法的優勢特點，能夠有效提升變壓器繞組故障的診斷準確性。

2.2 二叉樹構建與訓練技術

2.2.1 技術應用原理

以構建二叉樹和訓練的方式對變壓器繞組故障進行診斷，要求以支持向量機為主要依據。支持向量機能夠對給定的訓練樣本集中的樣本進行分類。在實際應用中，主要遵循以下步驟。

在訓練樣本集中尋找一個最優分類的超平面，用公式表示為：wTx+b=0，式中：w代表法向量，用于確定從超平面到原點之間的距離；b代表位移向；在假設超平面可以對訓練樣本進行正確分類的前提下，以“+”代表正類樣本，以“-”代表負類樣本，以紅線代表超平面，虛線圓圈代表支持向量樣本，則可以對不同支持向量樣本到超平面的距離之和進行計算。

基于計算得到的結果，確定樣本分類的約束條件，在對樣本數據進行進一步處理后，可以得到最終的決策函數模型；考慮在變壓器的實際運行中，線性不可分的情況較多，而以上步驟主要針對線性可分的情況，因而在實際診斷中，還需要在支持向量機中引入核空間的概念，讓訓練樣本集中的數據能夠直接映射到高維空間，以此來轉變為線性可分的情況，再按照以上步驟對樣本數據進行處理。

2.2.2 二叉樹構建流程

變壓器發生熱度故障情況下產生的特征為數較多，本身屬于線性不可分的情況，直接對特征進行識別分類具有一定的難度。在結合支持向量機應用原理的前提下，考慮將徑向基函數作為支持向量機的核函數，探究不同分解級數特征組合下變壓器繞組故障的情況，以智能分類的方式尋找表現最好的特征組合。基于以上要求，在實際應用支持向量機獲取最優特征組合數據后，以構建二叉樹的方式，滿足以支持向量機來進行多分類識別的要求。在這一過程中，依據訓練樣本數據構造的二叉樹結構，可以滿足對液壓汽車組故障進行識別和判斷的要求。

例如，對自耦變壓器繞組故障情況下產生的樣本數據為例，主要應用模糊均值的方法，對樣本聚類中心的分析分布情況進行計算，在獲得相應的樣本數據隸屬度矩陣之后，可以將其作為構建二叉樹結構的主要依據。在獲得的二參數結構中，所有樣本的聚類中心能夠對應不同的故障類型，從而實現對不同繞組故障類型的有效區分。而在這一過程中，通過對樣本中隸屬度矩陣（見表1）的計算來獲得不同隸屬度矩陣之間的差異，并將其作為識別故障繞組類型順序的依據。

表1 隸屬度矩陣

在基于隸屬度矩陣構建二叉樹結構后，要求能夠在對變壓器繞組故障進行識別前，已有的故障樣本數據進行訓練的方式，避免在后續的故障識別過程中出現過擬合的問題。在此基礎上結合二叉樹結構應用布谷鳥搜索算法，尋找核函數中的最優解。

2.3 變壓器繞組故障診斷技術應用注意事項

考慮變壓器容易發生的繞組故障類型較多，以提升對變壓器繞組故障診斷準確性為主要目的，應能夠按照先對常規故障類型進行診斷分析，后基于更復雜的診斷技術進行判斷的順序，在對變壓器運行中疑似產生繞組故障的點位加速度信號進行采集。如果采集到的加速度信號幅值變化情況，難以準確判斷出繞組故障的類型，則需要選擇應用概率神經網絡算法或基于支持向量機的二叉樹構建方法進行分析判斷。

在這一過程中，應能夠嚴格遵循相關診斷技術的應用原理和要求，結合變壓器所在電廠電網運行的實際情況，更適宜對故障進行診斷的技術類型。除本文列舉的幾種針對變壓器繞組故障進行診斷的技術方法外，當前能夠用于變壓器繞組故障診斷的計數方法種類較多，例如可以引入“振動增量閾值”的方式，重點針對變壓器的繞組松動故障和變形故障情況進行分析判斷[4]。

綜上，以構建模型的方式模擬變壓器繞組故障發生的實際情況，同時配合先進的故障診斷技術，能夠針對變壓器的熱阻故障進行科學判斷和及時維護。在考慮變壓器應用特性來構建仿真模型的前提下，可以嘗試將神經網絡算法以及二叉樹等方法用于變壓器的繞組故障診斷當中，滿足對不同熱阻故障類型的診斷和檢測要求，用以保障變壓器的安全穩定運行。