基于帶電檢測技術的變壓器故障診斷研究

王治偉

（國網平涼供電公司變電檢修中心，甘肅 平涼 744000)

0 引 言

隨著傳感器檢測與計算機分析技術的深入發展和成熟，設備故障檢修方法趨于自動化和智能化。在原有的常規維護檢測基礎上引入了傳感器在線監測，及時上傳異常數據，由工作人員進行數據分析及決策，判斷是否需要維護或整改。這種方式能夠及時有效地預判故障的發生，從而一定程度上減少了設備斷電，增加了系統可靠性[1]。最近幾年，針對不同的故障類型和故障點，越來越多的帶電檢測方法被提出，隨著這項技術的發展壯大和帶電檢測設備的完善，一些變壓器故障問題得到了很好的預防和解決，但同時數據的處理和分析問題變得更加復雜。

神經網絡算法可以通過學習訓練進而分析特征參數，達到故障分類和診斷預整的效果。本文總結了多種經典的帶電檢測方法的原理及特點，并在此基礎上建立其與各種故障類型之間的關系模型。同時研究了概率神經網絡算法的流程及故障診斷模型，應用在異常數據故障分類上，最終診斷設備故障原因和故障位置，從而達到故障預測的目的。

1 帶電檢測技術

1.1 超聲波檢測法

如果變壓器產生局部放電故障，局部放電位置會由于分子碰撞形成壓力，從而產生一系列的脈沖聲波[2]。其中高于20 kHz的聲波被定義為超聲波。超聲波需要利用超聲波設備才能接收到[3]。超聲波檢測法的工作原理是通過感應超聲波的聲壓來檢測放電信號的強弱。它能夠最小程度地受到電氣裝置的電信號影響，但其自身局限性使得其檢測區域偏小，一般應用于空氣介質的放電檢測。此外，它在一些部件表面放電檢測方面表現出更高的定位準確率，如檢測套管、絕緣子等[4]。

1.2 特高頻檢測法

特高頻檢測法是利用傳感器感應設備放電放生瞬間釋放的頻率大于1 GHz的電磁波信號。 由于變壓器使用環境中的絕緣材料一般絕緣性能較好，擊穿場強較高，當變壓器內部絕緣發生局部放電時，產生的高頻信號可以通過非金屬部件及縫隙釋放出來，在適當位置布置外置傳感器則可對其進行檢測。這種檢測方法的優點是能夠屏蔽現場最常見的電暈放電干擾，因此具有更高的靈敏度和可靠性[5,6]。

1.3 高頻電流法

高頻電流法是通過監測設備流入大地的放電電流來識別變壓器放電故障的，已知放電產生電流最終會通過有接地引下線的電力設備流入大地，因此可以在一些帶接地引下線的容性設備上感應放電電流。它的檢測頻率范圍一般在3～30 MHz， 只要選取合適的羅氏線圈，基本可以實現在不影響設備運行的情況下靈敏地、較高精度地檢測出設備放電故障。

1.4 時差定位法

時差定位法是用來定位故障點的常規方法，其基本原理是根據局部放電信號到達不同位置傳感器的時間差別來計算放電點位置。具體的檢測方法為，將2個高速傳感器置于變壓器的2個相鄰的測點上，故障位置定位于縱向定位的交叉點上[7,8]。其計算方法為：

式中：c取值3×108m/s；t1、t2為兩傳感器的感應時間點；x為故障點與傳感器1的間距；Δt為傳感器檢測到的時間差；D為兩測試點的間距。

2 基于神經網絡的故障診斷

2.1 PNN神經網絡算法

概率神經網絡（Probabilistic Neural Networks，PNN）對于非線性數據表現出了優秀的處理能力，能夠快速建立故障樣本和故障模式間的對應關系。因此被廣泛應用在分類問題上并取得了優異的成果[9,10]。

輸入層的神經元數量即特征向量數量，該層接受訓練樣本，并將其傳遞給模式層。模式層是用來將類似樣本集為一個中心，并按計算輸入向量與訓練樣本集中的故障類型的距離，即：

式中：X，Wi，σ分別為特征向量、連接權值和平滑因子。

求和層將模式層計算的距離值相加，獲取基于不同故障類型的概率密度函數式，它的神經元個數為故障類型數。作為最后一層的輸出層的主要功能就是比對計算結果，按照概率最大輸出Y。

整個算法的具體步驟如下文所述。

步驟一：將收集到的變壓器數據分成兩部分，一部分用于訓練，另一部分用于測試。將處理好的訓練數據輸入至PNN網絡的輸入端，利用平滑因子σ作為差分算法的優化個體，根據故障程度對變壓器故障進行分類。

步驟二：對差分進化算法的參數進行設置。初始化后算法的參數：種群個體數量為30，設定變異因子的大小為1.2，設定交叉因子的大小為0.9。根據調解設定最大迭代數量，將訓練樣本數據輸入至差分進化算法中，根據迭代調解計算適應度函數。

步驟三：將經過差分進化算法優化后平滑因子再賦給 PNN，對故障診斷精度進行識別和判斷，滿足條件則停止迭代，故障診斷完成。

步驟四：若不滿足變壓器判斷精度要求，且沒有達到最大迭代數，則繼續對平滑因子進行優化。

步驟五：重復上述步驟，直至故障診斷滿足要求，迭代次數達到最大，輸出結果。

2.2 常見故障類型

變壓器故障種類有很多，本文只探討具有代表性的4種故障類型。

（1）放電類故障。比較常見的放電類故障為局部放電，變壓器油純度不夠或者設備工藝缺陷產生的尖端毛刺都可能引發局部放電，它的放電密度較小，但是它的負作用可以累積，如果不及時處理最終會導致設備故障或擊穿。至于火花放電和高能量放電，一般表現為數據異?；驁缶?、甚至會噴出大量氣體，引起設備材料碳化熔化等。

（2）過熱類故障。這類一般是由于電路或磁路的溫度過高或者冷卻系統故障引起的散熱問題。由于設備處于持續發熱的負載運行狀態，如果遇到接觸不良、線路短路、鐵芯環流及漏磁等問題，很容易引起熱量集中或者加劇，產生過熱類故障。

（3）受潮類故障。它產生的主要原因有：制造過程中設備受潮或者環境潮濕引起的水含量超標；由于密封性不好導致的使用過程中的設備受潮；由于密封圈等附件的過度使用引起的密封效果較差而受潮。

（4）老化劣化類故障。這類故障主要在設備長時間連續負載運行的工況下，變壓器絕緣油、變壓器固體絕緣等材料出現老化等問題引起的，當然不排除材料質量不過關、設備故障累積等不可控因素。

2.3 基于PNN的故障預測模型

根據以往收集的變壓器故障案例，對帶電檢測異常數據進行分析歸類，細化總結了5個故障特征數據作為特征輸入量。為了避免數據數量級不同引起算法故障判決的偏差，對數據進行歸一化處理：

式中：xi為待處理數據；xmax，xmin為數據中的最大值和最小值。

本文考慮的故障類型為7種，包含正常狀態和2.2節中列出的典型故障類型。本文收集160組數據作為訓練數據，76組作為測試數據。各故障類型編號及樣本數據分配見表1。

表1 故障類型編號及樣本數據分配

3 故障診斷實驗

利用MATLAB建立變壓器故障診斷實驗平臺，將2.3節中的樣本數據導入本文所建立的模型中進行準確率測試。仿真結果見圖1。

圖1 76組樣本故障診斷結果

本次的76組預測數據中，有71組實現精準診斷，6組診斷失誤。其中正常狀態和高溫過熱的診斷正確率為100%；中低溫過熱故障診斷14組，正確12組，正確率為85.7%；低能放電故障診斷13組，正確12組，正確率為92.3%；高能放電故障診斷12組，正確11組，正確率為91.7%；受潮故障診斷8組，正確7組，正確率為 87.5%；老化故障診斷6組，正確5組，正確率為83.3%；參考其他同類算法的預測正確率一般在75%～85%，而本文提出的PNN 故障診斷模型準確率達 92.3%。結果表明了算法的優越性，特別是對于高溫過熱故障、低能放電故障和高能放電故障診斷正確率提升效果明顯。

4 結 論

變壓器帶電檢測方法多樣，在完善故障數據的同時也增加了工作人員識別鑒定故障狀況的工作量和復雜度。本文探究了一種基于PNN算法的變壓器故障診斷模型，挖掘變壓器故障數據與典型故障類別的潛在關系。將模型應用于歷史故障數據的故障類型診斷中，實際結果對比其他傳統算法正確率更高，驗證了所建立的診斷模型的有效性和優越性。