變壓器故障診斷研究綜述

譚俊明，張詩建

（1.廣東電網有限責任公司廣州供電局，廣州 510620；2.華南理工大學電力學院，廣州 510630；3.廣州市奔流電力科技有限公司，廣州 510535）

0 引言

電力變壓器是電網關鍵樞紐設備之一，其故障將引起惡劣的停電事故，給國家和人民造成不可挽回的經濟損失。深入研究電力變壓器狀態預測及故障診斷技術，可及時發現電力變壓器潛伏性故障，準確識別故障類型及特征，對制定合適的檢修策略具有指導性意義，對降低電力事故經濟損失、提高電網可靠性具有重要現實意義[1]。

國內外許多專家和學者在變壓器故障診斷方面做了大量的研究工作，取得了豐碩的研究成果。而隨著數字電網建設的不斷推進，先進的量測技術得以廣泛發展和應用，變壓器設備監測數據已逐步呈現量大、類多的大數據特征，給變壓器故障分析與診斷帶來重大機遇與挑戰。因此，回顧當前變壓器故障診斷研究的發展現狀，分析與總結當前技術的特點，對于適應當前變壓器監測大數據發展，充分挖掘數據價值，提高變壓器故障診斷效率和能力具有重大現實意義。

本文立足于變壓器狀態監測技術概述，綜述了國內外變壓器故障診斷研究的成果，歸納分析了各環節的技術特性，為我國變壓器故障診斷技術的發展提供借鑒與參考。

1 變壓器狀態監測技術

變壓器故障是在運行工況、環境條件等一系列內外部因素作用和影響下，經時間累積而導致。因此，可以通過變壓器各類監測數據剖析其運行狀態變化和故障演變特性。變壓器監測數據是進行變壓器狀態分析和故障診斷的前提和基礎，監測數據獲取是變壓器故障診斷的重要環節。

按數據獲取是否影響變壓器運行狀態來分，目前變壓器監測可分為兩類：（1）離線監測，指變壓器退出運行后，進行試驗及數據采集；（2）在線監測，指在不影響變壓器運行狀態下，通過傳感、視頻等技術進行設備運行狀態數據采集。

離線監測一般為設備常規性電氣試驗，包括絕緣電阻、泄露電流、介質損耗、局部放電等試驗[2]。離線監測需要變壓器退出運行，可能會造成供電區域的短時停電，與電網高可靠發展目標不符，帶電運行的在線監測技術受到更多青睞。

在線監測主要采集變壓器運行及狀態數據，具體包括變壓器油溶解氣體監測[3]、變壓器頻率響應監測[4]、變壓器熱成像監測[5]等。油溶解氣體監測數據可以輔助判斷變壓器放電、受潮和過熱等異常狀況，變壓器頻率響應監測數據可以較好地輔助識別故障類別并確定故障等級，變壓器熱成像監測可以定位變壓器異常發熱區域。

變壓器頻率響應監測和熱成像監測均屬于傳感監測技術應用。其中頻率響應監測為接觸式采集，具體包括兩種方式：（1）在變壓器外壁布置加速度傳感器采集變壓器的振動信號，應用有線方式傳輸振動信號；（2）采用射頻識別標簽（Radio Frequency Identification，RFID）與傳感器融合的無源RFID傳感器標簽進行信號采集[6]。熱成像監測為非接觸式采集，主要采用搭載紅外攝像頭的無人機、機器人等方式進行數據采集。

而隨著電力信息化系統完善，變壓器監測信息的類型將愈加豐富、數據量愈加龐大。南方電網提出了具備“電網狀態全感知、企業管理全在線、運營數據全管控、客戶服務全新體驗、能源發展合作共贏”特征的數字南網建設[7]，將進一步完善和統一變壓器各類監測信息系統，實現多源數據融合，數字、文本、圖像等結構化、半結構化和非結構化數據互通[8]。變壓器監測數據趨向于多源異構的電力大數據發展，在此趨勢下，如何進行海量數據價值的挖掘，研究高效、強魯棒性的數據處理機制，將是變壓器狀態分析和故障診斷方法研究的重要內容之一。

2 變壓器故障診斷研究

變壓器故障是變壓器運行問題量變累積，突破安全閾值，引起質變而最終呈現的結果。變壓器故障評估診斷具有預前性，其是為避免故障引起重大事故，基于設備運行監測數據，進行設備狀態預前故障判斷，以針對性維護，將問題限制在安全閾值范圍內。

目前的研究中，變壓器故障診斷研究主要包括數據清洗、監測參量預測、故障診斷3個部分，如圖1所示。變壓器故障診斷以海量清洗過的有效數據為基礎，進行基于數據的設備實時狀態分析與診斷，以及基于監測量預測的設備故障診斷。

圖1 變壓器故障診斷研究架構Fig.1 Transformer fault diagnosis

2.1 數據清洗研究

隨著電網建設的推進，變壓器實時監測的深度和廣度不斷加深和擴展，多點、高頻、多類的數據采集也提升了監測誤差數據的含量，而數據質量的優劣直接影響到變壓器故障診斷評估結果的準確性。

變壓器設備狀態監測數據一般采取定時間步長采集、傳輸和存儲，其數據順序排序具備時間先后順序，針對此特點，基于時間序列關聯規則，采用DBSCAN（Density Based Spatial Clustering of Applications with Noise）聚類算法，進行傳感數據異常數據點和設備狀態異常點區分與識別；林峻、嚴英杰等[9-10]利用k-means聚類方法進行異常數據點檢測；胡軍等[11]基于變壓器運行量測數據，利用算Spearman秩相關系數進行異常數據點的識別。

基于異常數據識別，劉林青[12]利用人工神經網絡對噪點數據進行清洗，白浩[13]指出差別較小的兩組變壓器故障數據可能對應著兩種不同的故障類型，提出奇異邊緣數據的概念，即兩種鄰近故障類型數據的邊緣，并以此提出了數據的二次清洗。上述方法針對異常數據直接采取刪除的方式，數據的連續性難以保障，錢宇騁等[14]利用時間序列自回歸動平均模型進行了噪點修復和缺失值填補，代杰杰等[15]結合深度學習理論，提出一種基于棧式降噪自編碼器（Stacked Denoising Autoencoder，SDAE）的清洗方法，進行異常數據的修正。

上述研究一般通過結構化數據的時間序列關聯性分析或機器學習進行異常數據的識別與區分，在數字電網背景下，可進一步聯合視頻圖像、音頻等非結構化數據或半結構化數據，進行結構化數據的清洗。

2.2 監測參量預測研究

變壓器監測參量包括變壓器油溶解氣體、繞組溫度、繞組振動信號等，國內外學對監測參量的預測開展了大量的研究工作，其中變壓器油溶解氣體為主要研究對象。

支持向量機由于對序列數據的良好適應性，較多地應用在變壓器變壓器油中氣體濃度預測中[1]，李洪超等[16]提出了混合最小二乘支持向量機回歸算法，使用線性和非線性核函數的組合作為預測函數；考慮變量取值對支持向量機（Support Vector Machine，SVM）泛化性能的影響問題，唐勇波等[17]采用核目標度量規則對輸入變量進行尺度縮放。肖懷碩[18]采用灰色模型對原始序列進行去趨勢處理和變分模態分解得到平穩模態分量并進行預測。

針對單一模型預測效果不足問題，汪可[19]利用遺傳算法，對基于SVM構建的變壓器故障診斷參數和油中溶解氣體分析比值進行優化，劉可真[20]、劉云鵬[21]分別構建了粒子群、經驗模態分解與長短時神經網絡組合預測模型。

另外，部分文獻針對特征氣體間的關聯性，進行了關聯性建模預測。林湘寧等[22]應用灰色關聯度分析方法確定了與待預測狀態量關聯度較高的因素，并利用熵理論建立了具有客觀權重的組合預測模型。崔宇等[23]以長短時記憶網絡時序分析模型為基礎，引入特征和時序雙重注意力機制，利用參量間關聯關系和時序信息依賴關系提升氣體預測準確率。考慮特征量的關聯性，進行組合模型預測是監測參量預測的重要研究方向之一。

2.3 故障診斷研究

變壓器故障診斷基于狀態監測結果，利用相關規則，進一步實現設備故障類型識別、故障定位和故障程度評判等。傳統故障診斷方法有特征氣體法、三比值法等[24]，而隨著技術發展，神經網絡、支持向量機、貝葉斯理論等智能算法已廣泛應用在變壓器故障診斷中。

孫志鵬等[25]提出了一種基于分類決策樹的電力變壓器故障診斷模型，對于靠近決定邊界的樣本點用支持向量機分類，其余樣本用決策樹分類；鄧芳明等[26]利用奇異熵對原始信號進行降噪處理，并提出基于及量子粒子群算法優化的相關向量機的故障診斷算法；余長廳等[27]通過振動噪聲檢測系統獲得變壓器振動噪聲信號，經FFT變換計算得到特征值，結合BP神經網絡預測得到變壓器故障類型。智能算法本質是通過數據訓練，構建輸入量與輸出量的映射模型，如何更精準、更快速完成模型的構建過程，是當前主要研究問題。

針對單一算法的不足，王德文等[28]采用貝葉斯正則化算法改進傳統深度信念網絡的訓練性能函數，提高深度信念網絡訓練算法的泛化能力；針對BP神經網絡表達能力不足以及容易過擬合的缺點，賈京龍等[29]應用卷積神經網絡進行變壓器故障診斷。張朝龍等[30]利用堆疊自編碼器對變壓器測量信號進行特征提取，應用加權貝葉斯分類模型進行故障診斷，利用混沌量子粒子群算法分別對堆疊自編碼器和加權貝葉斯分類模型的參數進行優化。

3 有待深入研究的問題

隨著數字電網建設與發展，變壓器監測必然向多點、高頻、全方位發展，監測數據將呈量級增長。傳統故障診斷方法難以滿足當前實時的設備診斷需求，基于數據挖掘的智能診斷方法是未來重要的發展趨勢。監測數據的多元化與飽滿化，給變壓器故障診斷技術帶來重大數據財富，同時帶來數據處理與應用帶來挑戰。

因此，如何適應數據爆發式增長，綜合當前各類算法優勢、各種變壓器故障特性及故障特征量的關聯性，研究高效、實用的變壓器故障診斷方法，對于電網安全可靠運行具有重要意義。具體可以著重進行以下幾個方面的研究。

（1）在數據處理方面，進行多源異構數據融合處理與應用分析，構建統一的設備異常數據庫，實現數據信息的全面挖掘與應用。

（3）在算法優化方面，考慮特征量的關聯特性，考慮各類算法應用特性，進行算法優劣互補的組合應用研究。

（3）在算法應用方面，基于故障特征差異和各類算法應用效果、優勢，考慮算法的自適應切換應用，重點研究自適應邊界與閾值。

4 結束語

本文概述了變壓器狀態監測技術的發展，從數據清洗、監測參量預測和故障診斷3個方面論述了變壓器故障診斷研究，總結了現有方法的特點與不足。并在此基礎上，從數據處理、算法優化與算法應用方面指出變壓器故障診斷進一步的研究方向，對適應未來數字電網的變壓器故障診斷技術研究具有重要的參考價值。