油中溶解氣體分析的變壓器故障診斷方法探討

唐建偉，武建衛，林生紅，王金川

(1.南京機電職業技術學院，江蘇 南京 211300；2.北京城建設計發展集團股份有限公司，北京 100032)

0 引言

電力變壓器是電力系統主要設備之一，承擔變換電壓、傳輸電能的重要作用，因此電力變壓器的運行狀態及絕緣老化程度是電網企業運維人員最為關切的問題之一。利用各種技術手段對變壓器的故障類型做出判斷，根據不同特征量評估變壓器故障嚴重程度是實現變壓器全壽命周期管理的基礎和前提。油浸式變壓器內部的絕緣介質主要是油紙復合絕緣，其中絕緣油的主要作用是絕緣、散熱和滅弧。早在1973年Halstead就提出油中溶解氣體成分以及含量與變壓器故障類型有著密切關系，并由此發展起來基于油中溶解氣體分析的變壓器故障診斷方法。基于油中溶解氣體的分析方法經過近半個世紀的發展，越加得到了業內重視[1-2]。

本文立足于基于DGA的變壓器故障診斷方法概述，綜述了國內外變壓器故障診斷的研究成果，歸納分析了各類方法的特點，為我國變壓器狀態監測技術的發展提供借鑒與參考。

1 變壓器常見故障類型

工程運行經驗表明放電故障、過熱故障、絕緣油故障以及受潮故障是掛網運行變壓器的常見故障[3-4]。

1.1 放電故障

變壓器內部油紙復合絕緣性能的好壞直接關系到變壓器運行的穩定性，當變壓器發生局部放電之后會對絕緣介質產生破壞。一般而言，放電程度越嚴重對絕緣的破壞性也就越大，最終影響變壓器壽命[3]。放電對絕緣的破壞主要有以下幾點：第一，局部放電產生的粒子會對絕緣材料產生沖擊導致絕緣材料的結構被破壞，同時局部放電過程中會產生大量高能粒子，這些粒子之間相互碰撞使絕緣材料溫度升高，最終也會降低絕緣材料的性能。第二，局部放電產生的氣體經過復雜的化學反應之后會生成腐蝕性物質，絕緣材料長期處于腐蝕性環境中會導致材料進一步裂解。第三，局部放電會促使絕緣油加速分解產生油泥，這些油泥會附著于絕緣材料表面影響絕緣材料的散熱性能，進而導致絕緣材料發熱與散熱不平衡，形成惡性循環，最終產生熱老化。

放電故障的嚴重后果是導致絕緣材料發生貫穿性擊穿，最終影響變壓器使用年限，降低電力系統穩定性。因此，針對變壓器局部放電的檢測一直是電氣設備狀態檢修的關鍵內容之一[2]。

1.2 過熱故障

該類故障是電氣設備多發性故障，常常會帶來嚴重的危害，尤其是對變壓器來說過熱故障檢修起來比較困難，因此該類故障是變壓器維護過程中需重點關注的故障之一。研究和實踐表明變壓器內部出現故障點之后變壓器運行溫度會升高，正常運行情況下絕緣油的運行溫度在75～85 ℃，由于過載、故障等原因，實際運行中變壓器的溫度很有可能超出上述范圍，導致有機纖維材料發生裂解。研究表明C—O鍵的熱穩定性比C—H鍵要低，當運行油溫超過105 ℃時纖維素聚合物將會產生裂解，運行溫度高于300 ℃時纖維素完全裂解并碳化。變壓器過熱性故障的維修過程比較復雜需要停電檢修并吊罩檢查，因此將會帶來巨大的經濟損失[3]。

1.3 絕緣油故障

目前，工程實際中使用的變壓器油主要有礦物油、植物油、硅油等，其中礦物油是石油蒸餾的主要產物，其介電性能較好，價格便宜，因此在變壓器油中礦物油占比最高[5]。礦物絕緣油的主要成分是環烷烴、烷烴以及芳香烴等物質。變壓器運行工況惡劣，尤其是戶外變壓器長期處于日曬雨淋的環境中，當絕緣油中混入氣體、水分以及雜質時會對絕緣油的絕緣性能產生不利影響，因此絕緣油故障也是變壓器常見故障之一[6]。實際運行中，工作人員也會對變壓器油進行清潔甚至換油但這無法徹底清除變壓器內部的雜質且上述工作周期較長。

1.4 受潮故障

由于絕大部分變壓器在運行過程中長期暴露在戶外，因此會有水分進入變壓器內部，水分與金屬鐵發生化學反應產生氫氣，同時設備絕緣受潮后在局部放電的作用下也會產生氫氣[4]。最終影響絕緣壽命，同時水分在變壓器內部多存在于絕緣紙中，因此對絕緣紙的性能影響顯著。

2 傳統的變壓器故障診斷方法

目前，傳統的變壓器故障診斷的方法主要分為：特征氣體判別法、特征氣體成分的比值法即三比值法[3-4]。

2.1 特征氣體法

變壓器故障時內部會產生復雜化學反應生成烴類等氣體物質，因此可以根據油中氣體的類型和含量對故障進行診斷。根據《變壓器油中溶解氣體分析和判斷導則》(以下簡稱《導則》)，不同類型故障與特征氣體的關系，如表1所示。

表1 特征氣體和對應的故障類型

2.2 三比值法

三比值法是在實踐基礎上結合熱、動力學得出的。主要使用C2H2/C2H4，CH4/H2，C2H4/C2H6三組比值形成編碼來診斷故障類型。雖然目前三比值法是判斷變壓器故障的主要方法，但實際使用中依舊存在編碼不全面、誤判、故障分類結果模糊等不足[7]。產生上述不足的原因：第一，變壓器內部是一個復雜的系統，氣體在變壓器油中的溶解與析出是一個動態過程。第二，變壓器種類多樣內部絕緣結構不同，《導則》中的判斷標準并不適合所有變壓器。第三，油色譜分析過程操作復雜運送距離遠等都會對最終檢測結果產生影響。

3 基于人工智能的變壓器故障診斷方法

隨著人工智能不斷發展，越來越多的算法被用在變壓器故障診斷中。例如，專家系統，神經網絡，支持向量機，以及模糊證據理論等，這使得變壓器故障診斷模型的結果更具準確性。近年來，不同算法之間的交叉結合、新型優化算法的投用也顯著提高了智能診斷方法的準確率[8-9]。

3.1 基于專家系統的變壓器故障診斷

專家系統(Expert System，ES)是將電氣工程領域內專家的經驗作為知識庫的知識元，最終建立為一個故障數據庫，把需要判斷的特征輸入數據庫之后，專家系統會模擬專家在故障診斷時的思維模式，根據數據庫的識別規則進行故障診斷[8]。專家系統的故障診斷的必備條件是建立完備的專家知識庫，工程實際中變壓器故障數據量較小且設備繁多，種類多樣，因此在一定程度上限制了專家系統的應用。

3.2 基于人工神經網絡的變壓器故障診斷

人工神經網絡(Artificial Neural Networks，ANN)是較早被引入變壓器故障診斷領域的人工智能算法。該算法的基本原理是通過對輸入值與輸出值之間的差來調節算法的閾值和權值，使算法向縮小差值的方向進行，最終實現問題的求解。典型的BP神經網絡拓撲結構，如圖1所示。

圖1 典型BP神經網絡結構

在變壓器油色譜分析數據、當地氣象數據以及能源管理系統的相關數據基礎上利用神經網絡算法成功預測了故障狀態和非故障狀態下的特征氣體組分含量[10]。提出采用BP神經網絡對油中溶解氣體數據進行分析，最終完成對變壓器故障的診斷與分類，并取得了一定的成果[11]。

3.3 基于支持向量機的變壓器故障診斷

支持向量機(Support Vector Machine，SVM)是利用統計學方法在數據信息挖掘的基礎上發展起來的。該種方法在模式識別領域和時間序列分析等問題上具有獨特優勢[12]。支持向量機對原始數據樣本的規模要求不高，即使在樣本有限的情況下依舊能夠達到很高的識別準確率。用粒子群算法對SVM的核函數參數的尋優過程進行優化并取得了很好的效果，但該算法運算時間較長[12]。建立多核SVM分類器，在此基礎上進行多個目標函數的尋優最后獲得多個超平面最優參數，提高了計算的效率，但該種方法忽略了實際問題中各類故障之間存在的邊界效應[13]。建立了有向無環圖SVM模型，并將其應用在變壓器故障診斷當中，取得了很好的效果[14]。

3.4 基于模糊理論的變壓器故障診斷

模糊理論(Fuzzy Theory)在基于DGA的變壓器故障診斷中得到廣泛應用，建立基于徑向基神經網絡與模糊聚類的變壓器故障診斷方法，并取得了很好的效果[15]。將最大信息系數以及受試者特征作為變壓器故障診斷的特征量建立變壓器模糊診斷系統，最終實現變壓器故障診斷[16]。

人工智能是一個非常活躍的研究領域，新的人工智能算法層出不窮且性能不斷提高，后續應結合不同算法的特點將算法與實際模型深度融合，進一步提高算法的實用性和診斷的準確性。

4 基于光譜技術的變壓器故障診斷方法

隨著檢測技術和計算機技術的迅猛發展，多種新型的檢測技術已經運用在變壓器故障診斷和狀態評估領域，相關學者也在這些方面做了很多嘗試力求為變壓器在線診斷提供了新的手段和技術支持，其中主要包括光譜聲譜技術[17]、紅外光譜[18]、激光拉曼光譜[19]以及太赫茲時域光譜等[20]。上述方法均是基于不同分子或者基團在不同頻率段內的吸收特性不同，因此可以通過光譜分析對變壓器內部不同組分含量氣體進行定性或定量分析，需要指出的是基于光譜檢測的方法還不成熟有待進一步挖掘不同成分或者基團在不同頻率段的特征吸收譜。

5 結語

本文概述了基于DGA的變壓器故障診斷方法的發展，從傳統的DGA分析到結合目前較為熱點的人工智能算法、光譜技術論述了變壓器故障診斷的研究，探討了現有方法的特點，并在此基礎上指出了上述方法存在的一些問題以及未來的研究方向，這對推動電力物聯網建設具有重要的實際價值。