變壓器故障診斷研究現狀

南華大學機械工程學院 方 盛 王湘江 馮棟彥 特變電工湖南電氣分公司 許建軍 吳華林 洪 斌 易梅生

變壓器是發電廠，電力系統和工業工廠中重要且必不可少的組成部分，我國是工業大國，對能源的需求量巨大，無論是火電還是水電甚至是風電等大型發電廠都需要變壓器，變壓器的穩定性和可靠性在電力系統中發揮關鍵的作用。如果變壓器在電力系統中出現了故障不能及時解決，會導致發電廠無法正常運作，造成巨大的經濟財產損失，甚至影響全民用電，使人們無法正常生活。

變壓器在電力系統的作用是控制升高電壓和降低電壓，頻繁使用使變壓器發生故障的頻率很高，會出現繞組鐵芯變形、局部發電、過熱等故障，早期變壓器故障診斷都是有多年經驗的工程師是用分析振動信號來診斷故障位置，這些方法在早期對于維持變壓器的穩定使用發揮了關鍵性的作用，而現如今，隨著人們對變壓器能快速準確診斷的要求越來越迫切，電網系統規模不斷擴大，設備機構日漸復雜，現如今更多其他診斷方法就被發展出來，變壓器的故障主要可以分為熱故障、電故障、繞組故障和鐵芯故障，對于不同的故障，提取故障的數據方法也有所不同。

1 變壓器故障

變壓器每種故障都是由不同原因造成的，變壓器故障從能量方面可以分成熱故障和電故障；從變壓器內外部分，油箱內部的主要故障則是繞阻故障、鐵芯變形；油箱外部的主要故障則是接地短路，相間短路等故障。除了以上問題，還會出現絕緣故障。

熱故障是變壓器運行時會出現空載損耗和負載損耗，這些損耗會轉變成熱量從而升高繞組，鐵芯等的溫度。當溫度的不斷上升，無法與油箱和冷卻裝置的散熱形成平衡狀態時，變壓器就產生了過熱。熱故障會破壞變壓器其中的絕緣材料和構成材料，抗壓能力和強度都會被改變，讓變壓器的使用壽命大幅度減少。熱故障類型可以分為內外過熱：內過熱故障則是繞阻，鐵芯過熱；外過熱故障則是套管、冷卻裝置等過熱故障。以溫度分可以將熱故障分成：低溫過熱、中溫過熱，以及高溫過熱，見表1。

表1 熱故障的表現和原因

電故障是高壓電路的持續放電，導致破壞絕緣材料的性能，電故障導致的絕緣材料損壞可以分為兩種類型：第一種類型是突然釋放出大量放電電荷快速擊穿絕緣層；第二種類型是持續放電導致絕緣材料與周圍氣體產生化學反應，產生的氣體具有腐蝕性，可以破壞絕緣層，在日積月累下擊穿絕緣層。如果絕緣層被破壞，變壓器將會受到外界強電流的刺激，并且變壓器可能發生短路和起火爆炸等問題。電故障中根據放電的能量密度，可分為局部放電、低能放電，以及高能放電，見表2。

繞組故障的原因有很多，大部分都是繞阻本身結構及絕緣不合理所導致的：一是因為長期散熱不良，繞組中有雜物，溫度過高絕緣老化；二是制造工藝不良，壓制不緊，機械強度不能經受短路沖擊，使繞組變形絕緣損壞。繞組作為變壓器的心臟極其重要，如果不及時處理故障，會導致局部高溫或者局部高能放電，嚴重時其油溫迅速升高，體積膨脹致使變壓器爆炸。繞組故障可以分為繞組短路、繞組斷路、繞組松動。

鐵芯故障多以鐵芯多點接地導致的，變壓器正常運行時，只允許鐵芯一端接地，不可以兩端甚至更多點接地。鐵芯接地不良會使鐵芯局部過熱，過熱時間過長會使油紙絕緣老化，鐵芯片絕緣層老化，甚至使鐵芯接地引線燒斷。鐵芯是變壓器傳遞和交換電磁能量的主要部件，鐵芯質量好壞是決定正常運行的關鍵。鐵芯的故障可以分為：鐵芯多點接地、鐵芯接地不良、鐵芯片間短路等。

2 變壓器故障數據獲取方法

2.1 基于油中溶解氣體分析故障診斷

如今變壓器多數以浸油變壓器為主，主要采用的是液態油絕緣，長久的運行過程中出現故障，油劣化時發生化學反應產生的氣態化合物會溶解于油中，溶解氣體分析法則是從油樣中分離出這些溶解氣體，再利用色譜技術對其進行定量分析。溶解氣體分析作為目前變壓器最可靠高效的手段，在此基礎上與其他理論相結合產生了許多更好的診斷方法，主要用來解決變壓器的熱故障和電故障，常見的方法有特征氣體含量法、三比值法。

變壓器故障的類型不同其產生的氣體成分含量也不同，特征氣體法是動態地檢測特定的氣體含量，而后和標準值進行對比，以此來分辨變壓器是否出現了故障，經過長期的研究，現在普遍將總烴C2H4、C2H2、H2、CO、CO2等氣體作為辨別依據，辨別標準見表3。

表3 特征氣體法判斷標準

隨著對大量故障診斷案例的分析匯總，1997年國際電工委員會（IEC）提出了三比值法，該方法計算簡便，計算量小，準確度高，而且在處理熱故障和電故障時，有極高的判斷準確率。通過H2、CH4、C2H6、C2H4、C2H2作為標準參量來判斷變壓器的故障，以這5種氣體中溶解度與擴散系數為標準，數值近似的兩種氣體則形成一組比值，能構成三組比值，為這三組比值給上不同的編碼，而后根據制訂的編碼規則及判斷標準來判斷變壓器出現何種故障，根據不同的編碼實現不同故障點的定位，編碼規則和判斷標準見表4、表5。

表5 三比值判斷法判斷標準

2.2 基于振動信號分析故障診斷

變壓器繞組鐵芯發生故障時，變壓器的振動也會產生相應的變化，檢測振動的方法是可以用傳感器直接檢測變壓器壁上的振動信號，而后根據振動信號特性來判斷變壓器是否發生了故障。振動信號分析步驟如下。

對變壓器進行振動信號數據采集時，往往需要很多傳感器，振動信號也會隨著傳感器位置的變化而變化，傳感器的位置和數量對于檢測變壓器故障也非常重要，有專家分析安裝在電力變壓器油箱上的各種傳感器收集的振動頻譜，并用了支持向量機SVM，以了解各種傳感器的數據信息，來確定傳感器的數量及放置位置。

在實際采集到的振動信號中，往往伴隨著許多干擾，成功提取有效振動信號也是非常關鍵的一步，小波變換在信號的時頻分辨方面有很好地發揮，處理的信號大部分是非平穩信號。

文獻[1]利用salp 群算法優化小波變化來對振動信號進行自適應分解，能夠有效地提取不同振動信號的特征并識別故障。小波變化方法可以得到振動信號的大部分細節，但母小波和分解層次都是需要人主觀選取。經驗模態分解EMD 解決了小波變化需要主觀去選擇參數的問題，文獻[2]中的自適應白噪聲完整集成經驗模態分解CEEMDAN 能夠有效地對振動信號進行去噪，不帶主觀選擇，也不會存在模態混疊問題，但是經驗模態分析是固定規定基函數，根據振動信號自帶的特征進行分離，存在一定的局限性。變分模態分解則是通過迭代計算變分模型函數最優解來確定每個分量的頻率中心和帶寬，再自適應地實現信號有效分離，文獻[3]利用加強灰狼算法以能量誤差為適應度函數，優化VMD 的重要參數，實驗結果表明故障診斷的準確率得到了極大的提高。

去噪提取的信號可以經過特殊處理提取特征向量，利用快速譜峭度圖提取特征分量進行信號重構，或者選取包絡譜值作為故障特征向量，實驗結果最后都表明故障分類準確率更高。

3 變壓器故障診斷數據處理方法

隨著專家們的不斷探索發展，變壓器故障診斷涌現了各種各樣的方法，使診斷更加方便、簡單，并且提高了準確率。變壓器故障診斷數據處理方法可以分為三類：一是利用神經網絡等人工智能算法；二是利用支持向量機；三是融合專家系統。

人工神經網絡具有良好的模糊數據處理能力和高泛化能力，對變壓器故障數據處理效果很好。有專家用蝙蝠算法優化概率神經網絡的平滑因子，可以提高故障診斷性能。文獻[4]將混合改進進化粒子群優化時變加速系數和人工神經網絡相結合，成功優化了神經網絡的性能，診斷精度得到提高。

支持向量機SVM 的目的就是找到各類樣本點到超平面的距離最遠，也就是找到最大間隔超平面，最終化為凸二次規劃問題來解決。為了保障診斷準確率，提高支持向量機需要算法來對其參數進行優化，有專家用蝙蝠算法優化最小二乘雙支持向量機中的參數，不僅使訓練時間顯著縮短，還使故障診斷精度更高。

專家系統是集合了該方面許多專家知識和經驗，形成的人工智能程序系統，該系統是通過運用這些專家的豐富知識和經驗，模仿人類專家的思維來進行推理判斷決策，以此來解決專業的問題，原理如圖1所示。

圖1 專家系統原理

基于專家系統的變壓器故障診斷方法的本質是將檢測的變壓器的數據放入專家系統中讓其來判斷變壓器是否出現故障及故障的定位。有文獻提出了一種可擴展的油中溶解氣體成分的電力變壓器故障診斷專家系統，通過將傳統三比值法、統計學習方法及實際經驗法獲得的故障判別規則進行整合，建立了可擴增新規則的專家系統。

從以上介紹可以看出變壓器故障診斷方法大概可以分為神經網絡、支持向量機，以及專家系統，各有各的優缺點，神經網絡處理故障數據非常的迅速，泛化能力和自我適應能力強大，但需要大量的樣本數據進行訓練，小樣本的訓練無法讓得到準確率較高的神經網絡。支持向量機可以解決小樣本問題，但影響基于支持向量機的故障診斷準確度是參數選取問題，需要不同算法來進行優化。專家系統已經是一種相對老舊的故障診斷方法，雖然其在實際應用中經常被使用，而且便捷、快速，但是其主觀部分占比太多，知識庫要不斷更新來適應新的故障分類，在及時更新知識這方面有一定的困難，相對于其他三種方法而言，還是有太多局限性。

4 變壓器故障診斷方法的展望和總結

在變壓器故障診斷方法方面介紹了許多智能算法，即神經網絡，支持向量機等，這些方法在故障診斷方面有很多優點，但也存在許多不足的地方。從現有研究趨勢看，未來變壓器故障診斷的發展方向有以下三方面。

故障與對應算法的選擇優化。同一變壓器故障檢測，使用不同的算法得到的故障準確率也各不相同，通過對不同算法之間的比較，可以選取識別該故障準確率最高的算法對其進行故障檢測。

算法改進優化。改進算法中的細節，以變壓器故障診斷最常使用的BP 神經網絡算法為例，其中的參數選擇、閾值選擇、隱層神經元個數都需要用到不同的算法來優化，比如蝙蝠算法、退火算法、人工魚群算法和黑猩猩算法等，這些都直接影響到算法的收斂速度和故障診斷準確度。

樣本不均衡的優化處理。訓練所使用的樣本也同樣重要，樣本特征越明顯，訓練出來的人工智能算法準確度越高。有些情況無法得到大量的故障樣本數據，且樣本數據存在不均衡。在樣本過多的情況下，容易導致樣本跨度太大，樣本稀疏，計算過大，神經網絡的泛化能力會被大打折扣。

本文對變壓器故障及導致原因進行了描述，然后又對變壓器故障數據提取方法進行了整理分類，以及詳細的解釋說明。最后介紹了三種數據處理診斷方法并分析了方法優缺點。