油浸式变压器故障诊断方法研究

曹淑睿 李 目 耿召里

（湖南科技大学 信息与电气工程学院，湘潭 411100）

作为电力系统中不可或缺的一部分，变压器承担着升降压变换和区域电网间的互联任务。它是否能够健康稳定运行，对电力系统影响重大，一旦出现故障，将会导致区域范围大面积停电，严重时甚至危害人们的生命安全。目前，油浸式变压器在电力变压器中占据主要地位。本文重点分析油浸式变压器的运行状态和故障机理，对提高设备的运行可靠性和预防电力事故的发生具有积极意义[1]。

目前，国内外对油浸式变压器的故障识别最广泛的方法是油中溶解气体分析法。该方法利用油浸式变压器内部绝缘油中因故障产生的气体数据对变压器进行故障识别。论述的变压器故障诊断方法多以此技术为基础。

油浸式变压器工作时，内部的绝缘油和固体绝缘材料会因受到热和电的影响导致绝缘油中的碳氢化合物产生化学变化，此时化合物间的分子化学键发生断裂，导致少量活性氢原子和碳氢自由基增加。新产生的氢原子和自由基通过化学反应重新组合，组建成氢气（H2）和部分较低分子质量的烃类气体，如甲烷（CH4）、乙烷（C2H6）、乙烯（C2H4）和乙炔（C2H2）等，也会出现少量的一氧化碳（CO）、二氧化碳（CO2）气体[1]。这些气体会逐渐溶解于绝缘油，前期含量较少不会对变压器的正常运行造成影响，但后期若持续受热和电故障影响，将会增加绝缘油内的气体含量，影响变压器的稳定运行，届时需要进一步的跟踪检测和分析。变压器油中溶解气体含量的注意值如表1所示。

综合变压器的故障类型，可将其分为外部故障和内部故障。由于外部故障多出现在变压器油箱外，即在设备的绝缘套管和引出线位置发生故障。变压器的外部故障易被巡检人员发现，从而得到有效控制。但是，变压器内部故障与外界隔离，检修人员不便于发现，因此需要重视变压器内部故障。本文的变压器故障诊断方法是根据变压器内部故障所展开的研究。

变压器内部故障一般可分为热性故障和电性故障。通过分析变压器的故障产气原理可知，变压器运行过程中内部的绝缘油和绝缘材料会因热和电的故障影响而产生化学反应。热性故障会加快变压器绝缘材料的老化，并产生甲烷和乙烯等气体。根据故障温度和故障特征气体含量的不同，热性故障可分为轻度过热（＜150 ℃）、低温过热（150～300 ℃）、中温过热（300～700 ℃）和高温过热（＞700 ℃）。电性故障中主要绝缘材料受变压器内部的高强度电力作用会出现裂化现象，产生的气体主要为氢气和乙炔。根据放电能量的密度大小，电性故障可分为局部放电、低能放电和高能放电3种类型。

3.1 特征气体法

通过分析变压器的产气原理可知，不同的故障类型所产生的气体组分也不同。特征气体法根据不同的气体组分判断故障类型，具体对应关系如表2所示。根据对应关系可推断设备的故障类型，有利于检修人员尽早排查故障，确保变压器稳定运行。

表2 变压器故障类型与主要特征气体对应关系

特征气体法能够较直观地判断变压器故障，但存在气体含量不明确、无法精确故障类型的问题，因此只能作为变压器故障诊断的前期预判。

3.2 三比值法

根据变压器油中溶解气体分析的相关理论，研究者提出了基于特征气体的三比值法。它主要是在H2、CH4、C2H6、C2H4和C2H2这5种气体之间进行两两比较，制定由比值确定的故障类型编码。虽然三比值法得到了一定的实践应用，但存在故障边界划分模糊、编码组合不完整的问题。当出现编码表外的组合情况时，三比值法并不能有效判断变压器故障类型，无法完全反映变压器的故障情况。

近年来，人工智能在各个领域飞速发展，尤其是在故障诊断领域中的研究取得了一定成果，已经广泛应用于变压器的故障诊断，提高了变压器故障诊断效率，保障了电力系统的稳定运行。

4.1 专家系统

专家系统是智能化的计算机系统，通过某个领域内专家学者的知识和经验对该领域所对应的复杂问题提供可靠性的解决结果[2]。文献[3]在传统三比值法的基础上，结合实际专家经验获得的故障判别规则，建立了可以增扩新知识的具有动态变化功能的专家知识库，提高了变压器故障判别的准确率。文献[4]针对专家系统的特点，利用模糊理论解决了由于原始训练数据的局限性和非线性造成的故障诊断复杂化问题。虽然专家系统对于变压器的故障诊断具有一定成果，但是实际中该领域的知识和经验难以获得，导致系统内可以利用的知识较少。故障诊断时诊断依据不够全面，一定程度上影响了诊断的精确度。

4.2 人工神经网络

人工神经网络是一种模拟动物神经元架构而构建的，具有处理复杂信息功能的计算系统，已在变压器故障诊断领域中占据重要地位。文献[5]将蜂群算法与神经网络相结合，可弥补神经网络模型的不足，提高诊断精度。文献[6]采用蝙蝠算法优化概率神经网络平滑因子的方式诊断变压器故障，提高了诊断性能。虽然基于神经网络算法的研究在变压器故障诊断中已经得到了广泛应用，但网络模型收敛速度较慢，容易陷入局部最优，因此需要结合其他算法不断优化，以便进一步研究基于神经网络的变压器故障诊断。

4.3 支持向量机

支持向量机是一种具有数学理论支撑的分类器模型，对多类别的分类问题具有较好的解决方法。它分为标准支持向量机[7]和最小二乘支持向量机[8]两种常见的类型。文献[8]利用油中溶解气体数据作为特征输入，利用支持向量机作为诊断模型，取得了良好的识别效果。文献[9]利用优化算法解决了最小二乘支持向量机参数不确定性的问题，并通过对比验证了该方法具有有效性。虽然支持向量机无须构建精准的数学模型便可取得较好的变压器诊断效果，但存在计算量偏大、参数选择困难等缺陷。因此，有必要将支持向量机与其他算法结合，提高模型的分类效果。

4.4 深度学习

利用深度学习的相关理论知识诊断变压器故障的研究也已取得重大突破。文献[9]利用生成对抗网络构建诊断模型，均衡化处理变压器故障样本数据，有效解决了模型对故障的识别效果问题。文献[10]提出深度置信网络与多维度信息相结合的故障诊断方法，利用少量样本进行训练学习，可有效判断故障类型。

油浸式变压器利用油中溶解气体分析技术的故障诊断方法已经取得广泛应用，且各种智能算法在构建变压器故障诊断模型中发挥了重要作用。然而，在变压器运行过程中，非正常运行的油中溶解气体分析样本数量极少，且存在异常样本信息缺失、不完善等问题，导致实际收集的正常样本与故障样本的比例差距较大。非均衡的数据集采用智能算法诊断变压器故障时，由于训练样本存在较大差异，导致诊断结果偏向于正常样本，增大了故障样本的漏判率。因此，面对变压器运行中存在的故障样本非均衡问题，未来油浸式变压器故障诊断的研究将主要集中在4个方面。

（1）针对变压器故障数据不均衡问题，从数据和算法两个方层面入手，在对数据进行均衡化处理的同时改进诊断模型。

（2）结合实际工程中的其他数据，如局部放电量、电气试验数据等，充分挖掘这些数据的特征，为变压器稳定运行提供更加全面可靠的方法。

（3）在变压器故障中存在大量不确定因素，如故障表现形式不唯一，难以建立精确的数学模型，导致单一的算法并不能满足精度要求。因此，多种信息融合的故障诊断模型将是未来研究的重点。

（4）现有的诊断模型依赖已有的历史数据。在电网数据的海量积累下，未来要求将新入库的油中溶解气体分析监测数据快速融合数据库，并构造优化的算法结构，及时训练和调整诊断模型。