变压器故障诊断技术研究

张 健

辽河油田电力集团公司，辽宁盘锦 124010

0 引言

随着国民经济的快速发展，各行各业对电力的需求不断增加，促使我国电力系统向大容量、超高压和自动化的方向发展。变压器作为电力系统中的关键设备，担负着电压的转换、电能的分配及传输，因此它的运行影响着电力系统的可靠、稳定。电力变压器发生故障的原因和类型很复杂，再加上电力变压器绝缘老化的渐进性给变压器的故障诊断带来很大的挑战。因此有必须对变压器进行故障诊断研究，准确而及时地检测出变压器的早期潜伏性故障，然后制定出合理的检测维修计划，从而提高变压器的可靠性。

变压器故障诊断是指在变压器没有发生故障之前，对变压器的运行状态进行预报和预测。在变压器发生故障后，对故障的部位、原因、程度和类型等做出判断，并制定维修方案。变压器的故障诊断可按两个步骤进行:判断有无故障和判断变压器的故障类型。

1 变压器故障诊断的传统方法

根据变压器故障诊断技术的发展历程，变压器故障诊断的方法又分为传统方法和智能方法。传统方法主要有: 特征气体判别法、变压器预防性电气试验，现分别介绍：

1）特征气体判别法。特征气体法现在已经成为判断变压器故障类型的重要方法，当变压器产生故障时会产生和某种故障相关的气体，例如CH4、CZH6、COZ、CO、CZH4等，这些气体会部分或全部溶解在油中，然后可根据变压器油中气体的类型和含量来判断故障的类型。该方法具有直观、方便和针对性强的特点，主要用于发现变压器的早期潜伏性故障；2）变压器预防性电气试验。预防性试验可以发现运行中设备的隐患，预防事故的发生或设备的损坏，该方法是保证电力系统安全运行的有效手段之一，是电力设备运行和维护工作中的一个重要环节。预防性试验主要包括对设备进行检查、取气样或油样，实验项目主要包括油中溶解气体的色谱分析、绕组绝缘电阻及吸收比、绕组直流电阻检测、绝缘油检测、铁芯绝缘电阻检测和交流耐压检测等。

2 变压器故障诊断的智能方法

随着人工智能及计算机技术的发展和应用，变压器故障诊断技术己进入了智能化阶段。智能故障诊断以人类思维的信息加工和认识过程为推理基础，通过获取诊断信息及诊断方法，模拟人类专家，以灵活的诊断策略对变压器的运行状态和故障做出正确判断和决策。该方法主要体现在诊断过程中人工智能和领域专家知识的运用上。目前变压器智能诊断方法主要有神经网络、支持向量机、模糊理论、专家系统和遗传算法等。

当变压器发生故障时，变压器故障类型和故障所产生的特征气体之间的映射是一个非线性映射，二者的对应关系无法用精确的数学模型进行描述，而人工神经网络具有非线性映射、并行处理、学习和记忆、鲁棒性和自适应能力强等特点，因此人工神经网络能够广泛应用于变压器故障诊断中。为了准确诊断变压器的故障类型，本文使用的是基于L-M算法的BP神经网络诊断方法。

2.1 基于L-M算法的BP神经网络介绍

L-M算法是传统BP算法的改进算法，在标准的BP算法中，学习速率是一个定常数，然而在实际应用中，很难确定一个从始至终都合适的最佳学习速率。因此在实际应用中一般先设定初始学习速率，若经过一批次权值调整后使系统的总误差增加，则本次调整无效。

输入输出间的映射关系越复杂，样本中蕴含的噪声就越大，为保证诊断的精确性，本文选择正常、低能放电、电弧放电、中温过热、高温过热等共25组数据作为训练样本。由于网络的输入数据通常具有不同的物理意义，在训练时会导致所起的作用不同，因此需要对输入数据进行归一化，本文将网络的输入、输出数据限定在[0，l]区间内。

2.2 基于L-M算法的BP神经网络的诊断实现

1）输入层设计。输入层神经元数为5，分别对应着输入样本中低能放电、电弧放电、正常、中温过热、高温过热，即C2H2、C2H6、H2、CH4、C2H4所对应的特征气体浓度值；2）隐含层设计。在BP网络中，隐含层节点数的设计对网络的性能有很大的影响，它的选择是一个非常复杂的问题，通常靠经验和试验来确定隐含层节点数，针对同一样本集，从中选择最小误差所对对应的节点数为最佳隐含层节点数。在保证网络性能的基础上，为了减小网络的复杂性和规模，本文将隐含层数设为1，隐含层节点数设为11；3）输出层设计。由于变压器的典型故障有5种，因此输出层节点数为5。0～l之间的数表示故障发生的概率和严重程度。例如：O表示无此类故障，1表示此类故障发生的概率和严重程度最大。即低能放电表示为（0，0，0，l，0），电弧放电表示为（0，0，0，0，l），正常状态表示为（l，0，0，0，0），中温过热表示为（0，1，0，0，0），高温过热表示为（0，0，l，0，0）；4）训练算法的选择。训练算法对网络的性能有着重要的影响，比如网络的推广能力、收敛速度等。本文采用L-M算法进行仿真，从仿真结果可以看出经过27次的训练，误差达到了0.00015014，该算法具有梯度下降法的全局特性和牛顿法的局部收敛性，它利用了近似的二阶导数信息，收敛速度较快；5）性能测试。为了检验网络是否具有良好的泛化能力，需要用到测试样本。本文选用另外收集到的18组数据作为测试样本。从诊断结果得出该神经网络诊断方法的正确率为75.2%。通过实例测试，本文所提方法能够较好地对变压器的故障进行分类。

3 结论

由于神经网络在非线性逼近方面的能力突出，因此，该方法在变压器故障诊断领域得到了普遍的应用。但是由于初始权值存在随机性，神经网络的仿真结果存在差异性，这说明神经网络存在容易陷入局部极小的问题。为了使方法在变压器的故障诊断中能取得更好的效果，今后还需要结合其它算法对神经网络进行进一步优化。

[1]谢可夫，邓建国.变压器故障模糊诊断系统[J].湖南师范大学：自然科学学报，2004(27).

[2]王霞，王涛.基于BP神经网络的变压器故障诊断[J].华东电力，2008(36).