電力變壓器的智能故障診斷措施闡述

夏景

摘 要：電力變壓器作為電力系統的重要組成部分，其運行效率在很大程度上會對供電穩定性與可靠性產生影響，一直以來都是重點關注內容。以提高供電穩定性、靈活性與安全性為目的，需要結合電力變壓器運行特征，對常見問題進行研究，選擇智能故障診斷技術，確定不同故障發生原因，有針對性的采取措施進行優化，在根本上提高電網運行綜合效率。本文對電流變壓器智能故障診斷措施進行了簡要分析。

關鍵詞：電力變壓器；故障診斷；神經網絡

電力變壓器如果出現運行故障，勢必會對電網安全產生影響，因此需要選擇可操作性高的故障診斷技術，及時判斷其運行狀況，采取措施對存在的故障進行處理，確保變壓器可以持續穩定運行。隨著各項新型技術的應用，故障診斷技術逐漸實現了智能化，基于電力變壓器故障征兆與故障類型間復雜非線性關系，合理應用故障診斷技術，掌握電力變壓器運行狀態信息。

1 電力變壓器常見故障分析

1.1 繞組故障

是變壓器運行常見故障之一，對電網運行具有較大影響，主要包括匝間、層間、相間短路以及接地、斷線等，故障發生后會出現電弧放電現象。誘使此類故障發生的原因很多，主要是絕緣老化以及絕緣損壞造成短路，設備長時間持續運行，過大運行負荷導致絕緣劣化[1]。再加上變壓器運行環境具有一定特殊性，后期維護管理措施未到位，導致設備受潮，或者油泥積存過多堵塞油道過熱。另外，雷擊災害以及環境溫度過高等因素均很容易造成繞組故障。

1.2 絕緣故障

絕緣故障是造成電力變壓器損壞的主要原因，對于油浸式變壓器來說，其絕緣介質包括固、液兩種絕緣介質。其中，液體絕緣介質即變壓器油，固體絕緣介質則包括絕緣板、絕緣紙以及絕緣墊等。誘發變壓器出現絕緣故障的主要原因，包括溫度、濕度、過電壓等。

1.3 分接開關故障

主要包括無載調壓與有載調壓兩種，其中無載調壓開關故障主要集中出現在設備短路狀態，原因是電流觸頭接觸產生電弧損壞，如果設備存在機械故障，也會誘發故障發生。其中，分接開關內弧屬于高能量放電性質，而機械故障如導體接觸不良或者接頭焊接不良屬于過熱性故障。有載調壓開關故障原因主要是因為設備受潮或者進入雜物絕緣性降低，或者是過電壓誘使觸頭間電弧故障。另外設備持續運行過程中維護不當，固體絕緣件故障均會誘發有載調壓開關故障。

1.4 鐵心故障

變壓器器身主要由繞組與鐵芯組成，主要負責電磁能量的傳遞與交換，但是受靜電感應影響，鐵芯上會產生懸浮電位對地防電，需要對電芯進行可靠接地。在接地時應采取鐵芯一點接地方式處理方式，如果選擇用二點或者多點接地很容易形成回路，主磁通過在回路中產生電流造成局部溫度過高，長時間不采取措施進行處理，很容易造成油與繞組過熱，加速油紙的老化。

2 電力變壓器故障診斷技術分析

2.1 DGA傳統診斷

即基于油中溶解氣體分析診斷，實際應用中采樣方便，故障診斷時必須要停電，其受到外界電、磁場等因素影響較小，且分析速度快、檢測靈敏度高，具有良好的應用效果。此種故障診斷技術的原理，即運行狀態下的變壓器受電應力與熱應力作用影響，絕緣油會產生能夠反映故障性質的多種特征氣體，利用色譜分析方法，采集分析油中所溶氣體，確定不同氣體組分與含量，了解不同氣體與設備故障間聯系，作為故障類型確定的依據。此類電力變壓器故障檢測技術包括氣體圖形法、特征氣體法以及改良三比值法等。但是，此類診斷技術受變壓器故障特征復雜特點限制，在應用上還存在一定缺陷，需要結合設備故障實際情況來確定是否選擇用此種技術診斷。

2.2 DGA智能診斷

為提高電力變壓器故障診斷效率，逐漸應用人工智能理論與技術，將其與傳統DGA技術結合在一起，并應用到電力變壓器故障診斷中，形成一種全新的智能故障診斷方法，可以適應多種故障診斷。結合DGA智能診斷技術的提出與應用，解決了變壓器故障診斷特征提取問題，充分應用智能算法智能性，對傳統診斷技術存在的缺陷進行彌補，提高其應用準確性與實用性。目前電力變壓器智能故障診斷技術主要由專家系統、神經網絡、粗糙集理論、模糊理論以及遺傳算法等。對于電力變壓器來說，其故障診斷會受各種影響因素的影響，提高了診斷難度，為提高診斷效果，可以選擇一種或多種智能診斷技術應用。

3 電力變壓器神經網絡智能故障診斷技術分析

3.1 結構分析

人工神經網絡主要由大量非線性計算單元連結組成，可以從輸入環境信息中獲取并積累經驗、存儲知識以及應用知識。其為一種描述人類大腦系統一階特性的數學模型，通過電子線路的設計來完成各項功能，或者是利用計算機程序來模擬整個過程。其中，組成神經網絡的各神經元即節點，代表了一種特定輸出函數，每兩個節點間連接均可以代表一個對于通過該連接信號的加權值，代表了兩個節點間作用的強弱。以神經元節點分布與連接方式為依據，可以將神經網絡分為前饋式網絡與反饋式網絡。

3.2 網絡特性

并行性，由拓撲結構決定，神經網絡具有高度的并行性，網絡內存在大量相同簡單處理單元，即便是每個節點功能簡單，但是大量處理單元的集合，可以完成復雜的映射，且能夠提高計算速度。非線性全局作用。即能夠實現輸入狀態到輸出空間的非線性映射。容錯性與聯想記憶。神經網絡具有良好的容錯性與聯想記憶功能，其中聯想記憶即ANN通過學習方式將信息存儲到節點連接權值上，單個權值并不具備完整信息。且分布式存儲機制的應用，確保ANN具有良好的容錯性。學習性。神經網絡為一種變結構系統，ANN連接具有多樣性，且連接強度具有可塑性，提高了其對外界環境的適應性與學習性，一般存儲外界信息的權值與連接結構能夠通過訓練學習獲得。

3.3 診斷原理

故障診斷為一個復雜的模式識別過程，需要完成故障征兆空間到故障類別空間的非線性映射，應建立功能強 大的模型。應用神經網絡對電力變壓器進行故障診斷時，其所具有的強大非線性映射能力，可以在模式空間內形成多種復雜判決面，且可以通過良好的自適與學習能力來學習隱藏在故障征兆中的信息，同時還能夠自適應調節網絡大小。神經網絡所具有的自學習能力，可以促進網絡從定量、歷史故障信息中學習，學習結束后將相關過程知識存儲到網絡中，通過與新數據的對比，完成對新數據模式的判別。另外，通過尋找輸入故障信號/輸出故障類別數據間關系，可以完成特征提取，且能夠實現故障信號模式的變換。

3.4 診斷過程

以前饋式網絡代表BP網絡為例，利用ANN對電力變壓器進行故障診斷，即以故障征兆作為ANN輸入網絡，診斷結構作為輸出。利用已有的故障征兆以及診斷結果來對網絡進行離線訓練，確保可以通過權值使得兩者間存在對應關系，將得到的故障征兆加入到網絡輸入端，便可以利用訓練好的網絡來完成變壓器的故障診斷，最后得到診斷結構。ANN具有良好的自適應、學習以及聯想記憶等功能，可以時應變壓器內部故障發生以及發展多模式系統。

4 結語

以提高電力變壓器運行穩定性與安全性為目的，需要對現有故障診斷技術進行研究，積極引用智能化技術，提高技術應用效果，降低各項因素的影響。現在存在的智能故障診斷技術較多，在應用時應結合實際需求來選擇，爭取提高診斷結果的精 確性。

參考文獻：

[1] 廖瑞金，姚陳果，孫才新，等.基于人工智能的電力變壓器絕緣故障診斷面向對象知識庫[J].電工技術學報.2001（06）：59-64.

[2] 陳欣.電力工程變壓器故障診斷中人工智能技術的應用研究[J].中國新技術新產品.2013（08）：181.

[3] 喬維德，孫龍林.電力變壓器的智能故障診斷研究[J].電氣傳動自動化.2010（05）：48-51.

[4] 謝可夫，羅安.遺傳算法在變壓器故障診斷中的應用[J].電力自動化設備.2005（04）：55-58.

[5] 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（01）：43-47.

[6] 李中，苑津莎，張利偉.基于自組織抗體網絡的電力變壓器故障診斷[J].電工技術學報.2010（10）：200-206.