曹淑睿 李 目 耿召里

（湖南科技大學(xué) 信息與電氣工程學(xué)院，湘潭 411100）

作為電力系統(tǒng)中不可或缺的一部分，變壓器承擔(dān)著升降壓變換和區(qū)域電網(wǎng)間的互聯(lián)任務(wù)。它是否能夠健康穩(wěn)定運行，對電力系統(tǒng)影響重大，一旦出現(xiàn)故障，將會導(dǎo)致區(qū)域范圍大面積停電，嚴重時甚至危害人們的生命安全。目前，油浸式變壓器在電力變壓器中占據(jù)主要地位。本文重點分析油浸式變壓器的運行狀態(tài)和故障機理，對提高設(shè)備的運行可靠性和預(yù)防電力事故的發(fā)生具有積極意義[1]。

目前，國內(nèi)外對油浸式變壓器的故障識別最廣泛的方法是油中溶解氣體分析法。該方法利用油浸式變壓器內(nèi)部絕緣油中因故障產(chǎn)生的氣體數(shù)據(jù)對變壓器進行故障識別。論述的變壓器故障診斷方法多以此技術(shù)為基礎(chǔ)。

1 油浸式變壓器產(chǎn)氣原理

油浸式變壓器工作時，內(nèi)部的絕緣油和固體絕緣材料會因受到熱和電的影響導(dǎo)致絕緣油中的碳氫化合物產(chǎn)生化學(xué)變化，此時化合物間的分子化學(xué)鍵發(fā)生斷裂，導(dǎo)致少量活性氫原子和碳氫自由基增加。新產(chǎn)生的氫原子和自由基通過化學(xué)反應(yīng)重新組合，組建成氫氣（H2）和部分較低分子質(zhì)量的烴類氣體，如甲烷（CH4）、乙烷（C2H6）、乙烯（C2H4）和乙炔（C2H2）等，也會出現(xiàn)少量的一氧化碳（CO）、二氧化碳（CO2）氣體[1]。這些氣體會逐漸溶解于絕緣油，前期含量較少不會對變壓器的正常運行造成影響，但后期若持續(xù)受熱和電故障影響，將會增加絕緣油內(nèi)的氣體含量，影響變壓器的穩(wěn)定運行，屆時需要進一步的跟蹤檢測和分析。變壓器油中溶解氣體含量的注意值如表1所示。

2 變壓器故障類型

綜合變壓器的故障類型，可將其分為外部故障和內(nèi)部故障。由于外部故障多出現(xiàn)在變壓器油箱外，即在設(shè)備的絕緣套管和引出線位置發(fā)生故障。變壓器的外部故障易被巡檢人員發(fā)現(xiàn)，從而得到有效控制。但是，變壓器內(nèi)部故障與外界隔離，檢修人員不便于發(fā)現(xiàn)，因此需要重視變壓器內(nèi)部故障。本文的變壓器故障診斷方法是根據(jù)變壓器內(nèi)部故障所展開的研究。

變壓器內(nèi)部故障一般可分為熱性故障和電性故障。通過分析變壓器的故障產(chǎn)氣原理可知，變壓器運行過程中內(nèi)部的絕緣油和絕緣材料會因熱和電的故障影響而產(chǎn)生化學(xué)反應(yīng)。熱性故障會加快變壓器絕緣材料的老化，并產(chǎn)生甲烷和乙烯等氣體。根據(jù)故障溫度和故障特征氣體含量的不同，熱性故障可分為輕度過熱（＜150 ℃）、低溫過熱（150～300 ℃）、中溫過熱（300～700 ℃）和高溫過熱（＞700 ℃）。電性故障中主要絕緣材料受變壓器內(nèi)部的高強度電力作用會出現(xiàn)裂化現(xiàn)象，產(chǎn)生的氣體主要為氫氣和乙炔。根據(jù)放電能量的密度大小，電性故障可分為局部放電、低能放電和高能放電3種類型。

3 傳統(tǒng)的變壓器故障診斷方法

3.1 特征氣體法

通過分析變壓器的產(chǎn)氣原理可知，不同的故障類型所產(chǎn)生的氣體組分也不同。特征氣體法根據(jù)不同的氣體組分判斷故障類型，具體對應(yīng)關(guān)系如表2所示。根據(jù)對應(yīng)關(guān)系可推斷設(shè)備的故障類型，有利于檢修人員盡早排查故障，確保變壓器穩(wěn)定運行。

表2 變壓器故障類型與主要特征氣體對應(yīng)關(guān)系

特征氣體法能夠較直觀地判斷變壓器故障，但存在氣體含量不明確、無法精確故障類型的問題，因此只能作為變壓器故障診斷的前期預(yù)判。

3.2 三比值法

根據(jù)變壓器油中溶解氣體分析的相關(guān)理論，研究者提出了基于特征氣體的三比值法。它主要是在H2、CH4、C2H6、C2H4和C2H2這5種氣體之間進行兩兩比較，制定由比值確定的故障類型編碼。雖然三比值法得到了一定的實踐應(yīng)用，但存在故障邊界劃分模糊、編碼組合不完整的問題。當(dāng)出現(xiàn)編碼表外的組合情況時，三比值法并不能有效判斷變壓器故障類型，無法完全反映變壓器的故障情況。

4 基于人工智能的變壓器故障診斷方法

近年來，人工智能在各個領(lǐng)域飛速發(fā)展，尤其是在故障診斷領(lǐng)域中的研究取得了一定成果，已經(jīng)廣泛應(yīng)用于變壓器的故障診斷，提高了變壓器故障診斷效率，保障了電力系統(tǒng)的穩(wěn)定運行。

4.1 專家系統(tǒng)

專家系統(tǒng)是智能化的計算機系統(tǒng)，通過某個領(lǐng)域內(nèi)專家學(xué)者的知識和經(jīng)驗對該領(lǐng)域所對應(yīng)的復(fù)雜問題提供可靠性的解決結(jié)果[2]。文獻[3]在傳統(tǒng)三比值法的基礎(chǔ)上，結(jié)合實際專家經(jīng)驗獲得的故障判別規(guī)則，建立了可以增擴新知識的具有動態(tài)變化功能的專家知識庫，提高了變壓器故障判別的準確率。文獻[4]針對專家系統(tǒng)的特點，利用模糊理論解決了由于原始訓(xùn)練數(shù)據(jù)的局限性和非線性造成的故障診斷復(fù)雜化問題。雖然專家系統(tǒng)對于變壓器的故障診斷具有一定成果，但是實際中該領(lǐng)域的知識和經(jīng)驗難以獲得，導(dǎo)致系統(tǒng)內(nèi)可以利用的知識較少。故障診斷時診斷依據(jù)不夠全面，一定程度上影響了診斷的精確度。

4.2 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是一種模擬動物神經(jīng)元架構(gòu)而構(gòu)建的，具有處理復(fù)雜信息功能的計算系統(tǒng)，已在變壓器故障診斷領(lǐng)域中占據(jù)重要地位。文獻[5]將蜂群算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合，可彌補神經(jīng)網(wǎng)絡(luò)模型的不足，提高診斷精度。文獻[6]采用蝙蝠算法優(yōu)化概率神經(jīng)網(wǎng)絡(luò)平滑因子的方式診斷變壓器故障，提高了診斷性能。雖然基于神經(jīng)網(wǎng)絡(luò)算法的研究在變壓器故障診斷中已經(jīng)得到了廣泛應(yīng)用，但網(wǎng)絡(luò)模型收斂速度較慢，容易陷入局部最優(yōu)，因此需要結(jié)合其他算法不斷優(yōu)化，以便進一步研究基于神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷。

4.3 支持向量機

支持向量機是一種具有數(shù)學(xué)理論支撐的分類器模型，對多類別的分類問題具有較好的解決方法。它分為標準支持向量機[7]和最小二乘支持向量機[8]兩種常見的類型。文獻[8]利用油中溶解氣體數(shù)據(jù)作為特征輸入，利用支持向量機作為診斷模型，取得了良好的識別效果。文獻[9]利用優(yōu)化算法解決了最小二乘支持向量機參數(shù)不確定性的問題，并通過對比驗證了該方法具有有效性。雖然支持向量機無須構(gòu)建精準的數(shù)學(xué)模型便可取得較好的變壓器診斷效果，但存在計算量偏大、參數(shù)選擇困難等缺陷。因此，有必要將支持向量機與其他算法結(jié)合，提高模型的分類效果。

4.4 深度學(xué)習(xí)

利用深度學(xué)習(xí)的相關(guān)理論知識診斷變壓器故障的研究也已取得重大突破。文獻[9]利用生成對抗網(wǎng)絡(luò)構(gòu)建診斷模型，均衡化處理變壓器故障樣本數(shù)據(jù)，有效解決了模型對故障的識別效果問題。文獻[10]提出深度置信網(wǎng)絡(luò)與多維度信息相結(jié)合的故障診斷方法，利用少量樣本進行訓(xùn)練學(xué)習(xí)，可有效判斷故障類型。

5 結(jié)語

油浸式變壓器利用油中溶解氣體分析技術(shù)的故障診斷方法已經(jīng)取得廣泛應(yīng)用，且各種智能算法在構(gòu)建變壓器故障診斷模型中發(fā)揮了重要作用。然而，在變壓器運行過程中，非正常運行的油中溶解氣體分析樣本數(shù)量極少，且存在異常樣本信息缺失、不完善等問題，導(dǎo)致實際收集的正常樣本與故障樣本的比例差距較大。非均衡的數(shù)據(jù)集采用智能算法診斷變壓器故障時，由于訓(xùn)練樣本存在較大差異，導(dǎo)致診斷結(jié)果偏向于正常樣本，增大了故障樣本的漏判率。因此，面對變壓器運行中存在的故障樣本非均衡問題，未來油浸式變壓器故障診斷的研究將主要集中在4個方面。

（1）針對變壓器故障數(shù)據(jù)不均衡問題，從數(shù)據(jù)和算法兩個方層面入手，在對數(shù)據(jù)進行均衡化處理的同時改進診斷模型。

（2）結(jié)合實際工程中的其他數(shù)據(jù)，如局部放電量、電氣試驗數(shù)據(jù)等，充分挖掘這些數(shù)據(jù)的特征，為變壓器穩(wěn)定運行提供更加全面可靠的方法。

（3）在變壓器故障中存在大量不確定因素，如故障表現(xiàn)形式不唯一，難以建立精確的數(shù)學(xué)模型，導(dǎo)致單一的算法并不能滿足精度要求。因此，多種信息融合的故障診斷模型將是未來研究的重點。

（4）現(xiàn)有的診斷模型依賴已有的歷史數(shù)據(jù)。在電網(wǎng)數(shù)據(jù)的海量積累下，未來要求將新入庫的油中溶解氣體分析監(jiān)測數(shù)據(jù)快速融合數(shù)據(jù)庫，并構(gòu)造優(yōu)化的算法結(jié)構(gòu)，及時訓(xùn)練和調(diào)整診斷模型。