基于多频超声波原理的变压器故障检测方法探究

饶锐，程乐峰，宋浩永，李正佳，陈于晴（.　广州供电局有限公司电力试验研究院，广东　广州　50000；.　苏州华天国科电力科技有限公司，江苏　苏州　5000）

基于多频超声波原理的变压器故障检测方法探究

饶锐1，程乐峰2，宋浩永1，李正佳2，陈于晴1
（1.广州供电局有限公司电力试验研究院，广东广州510000；2.苏州华天国科电力科技有限公司，江苏苏州215000）

摘要：变压器的运行状态直接影响到整个电网的运行安全，如何实现对变压器多种故障实时监测、保障电网的正常运行至关重要。本文提出基于多频超声波的变压器故障检测技术，即同时利用上百个频率不同的超声波对变压器油不间断扫描检测，并对接收到的超声波的各项参数采用多元统计分析技术和复数人工神经元网络数据分析技术进行处理，得到不同超声波的特征值，经过与变压器故障特征值比对可得到变压器的运行工况和故障名称，从而实现高效、准确、同时检测出多种故障。本文受中国南方电网科技项目资助（项目编号：GZGD20150301240091）。

关键词：多频超声波；变压器；故障检测；多元统计分析；复数人工神经元网络数据分析

本文引用格式：饶锐，程乐峰，宋浩永，等．基于多频超声波原理的变压器故障检测方法探究[J]．新型工业化，2015，5（7）：57-63

Citation:RAORui,CHENGLe-feng,SONGHao-yong,etal.ResearchonTransformerFaultDetectionMethod basedonthePrincipleofMulti-frequencyUltrasonicWaves[J].TheJournalofNewIndustrialization,2015,5（7）:57-63.

0　引言

电力设备是构成智能电网的核心部分，它的正常运行是电网安全的根本保证。其中变压器是核心设备，也是电力系统事故相对较多的设备之一。其运行可靠性直接影响电力工业的正常生产。随时检查变压器状态，及早发现并排除其可能发生的故障，已成为保障供电可靠性的重要手段[1-3]。

传统的检测方法只是单一的抽取样本后在室温下进行测量，这样不能反应变压器油在变压器运行过程中的正确状态。因为温度的变化会使变压器绝缘纸中的水分迁移到油中，造成击穿电压值的极大变化。为了能更好的观察这个变化过程，需要在实验室建立一个同比例的变压器模型及温度计算模型，通过系统软件对模型的分析计算，以此准确测量在不同温度下，水的动态迁徙过程对绝缘油参数的影响。

目前应用于变压器检测的技术主要是油色谱分析、红外测温和局部放电在线检测等技术。例如，通过油色谱分析技术对变压器中存在的故障进行分析，但是利用气相色谱法检测油中溶解气体，从取油样到油气分离再到色谱分析的全过程存在着环节多、操作手续繁琐、试验周期长等弊病，不可避免地引进较大的试验误差[1，4]，这种方法对于发展较快的故障检测则感到不够及时，难以充分发挥它的作用。

文献[5，6]提出红外测温技术对变压器检测，其具有非接触式测量，测量范围广，测温速度快等优点，但它易受环境因素影响较大，对于光亮或者抛光的金属表面测温读数影响较大，只能测量变压器外部温度，不能测量变压器内部和存在障碍物时的温度，而且温度只是变压器其中的一个参数，不能根据其温度而准确反映变压器的运行状态。

文献[7-9]采用局部放电实验检测变压器故障，这种检测方法由于局放信号很弱，现场的干扰性很强，有时干扰信号甚至比局放信号强2到3个数量级，不能准确识别局放信号和有效抑制干扰，测量出来的结果具有较大的误差，这是局部放电在线检测技术一个较大的局限。

本文对基于多频超声波原理的变压器检测方法进行探究，利用多频超声波技术可将几百个超声参数可以在一秒钟内聚集在一个测量扫描频率。之后经过超声波接收装置对反射的超声波信号进行检测和接收，这些超声波信号中带有关于变压器油中的不同物质的具体特点的信息。对大量的试验数据进行分析，得到多种变压器油参数包括微水分含量、击穿电压、介电损耗因子、油导电性以及油表面张力等；并开发基于多元统计分析技术、复数人工神经元网络的数据分析软件，建立一个各种类型油样本的数据库。通过一系列智能算法将这些特征值（超声波参数）和油样本参数建立关联。对变压器油参数的分析推断变压器真实的运行状态。

因此，本文主要进行了如下研究工作：

1）提出运用多频超声波技术进行变压器油检测；

2）开发可以测量多种变压器油参数的单台设备，变压器油参数包括微水分含量、击穿电压，介电损耗因子，油导电性以及油表面张力；

3）实现在不停电、不加压条件下测量变压器的击穿电压，介电损耗因子等参数；

4）简化传统的变压器检测操作方法，及时全面的了解变压器的运行状况信息。

1　算法研究

开发基于多元统计分析[10]和复数人工神经元网络的数据分析软件对采集到的多个频率的超声波参数，包括超声波幅值、相位、频率以及飞行时间进行分析处理，进而判断变压器具体故障名称。

1.1多元统计分析数学模型

多元统计分析可以有效地处理多维或多变量数据，剔除一些冗余、无效的数据，达到降维的目的[11，12]，继而根据有限的线性不相关数据可以准确有效的统计信息的特征。本文主要采用多元统计分析中的主分量分析（PrincipalComponentAnalysis，PCA）的改进方法——相对主元算法[12，13]，根据相关文献[13-16]可知其基本算法步骤为：

1）将接收的多频超声波按频率分为N（N>100）个样本数据，每个样本数据中含有M个数据，包含每次接收超声波的幅值、相位、频率以及飞行时间。首先利用公式（1）对这些数据进行标准化，标准化后数据均值为0，方差为1。

其中，XR为X经变换矩阵Q计算后的矩阵，Q变换矩阵，Qi为权重系数，其值根据文献[18，19]计算得到。

2）计算相对化矩阵XR的协方差矩阵RXR

3）求解协方差矩阵RXR的特征值λi与相对应的特征值pi，λi是RXR

的第i个特征值，满足

式中I为单位矩阵。

4）由累计贡献率求出相对主元个数j，具体公式如下：

1

1

5）计算矩阵T

式中，矩阵T中包含的数据即为将超声波主要参数经相对主元算法转换后的数据，这些数据将进一步由复数人工神经元网络算法进行处理。

1.2复数人工神经元网络数据分析原理

复数人工神经元网络[15，16]不仅具备传统人工神经元网络的良好自主学习功能，自适应的调节自身权值而且能够克服传统人工神经元在相位处理上的缺陷，实现节点和权值的范围从传统的实数域扩展到复数域，并针对高阶统计量算法数据量需求大，以及二阶统计量算法不能处理含公零点信道的缺陷进行了优化。复数人工神经元主要思想是对神经元权值取复数，其主要结构如下图1所示，主要由输入层、隐藏层及输出层构成。

图1中，wi为神经元之间的连接强度，称为复数加权值1。首先将数据库数据样本（与多元统计分析得到的数据一致）和对应故障的特征值作为给定作为给定信号，利用人工神经网络自主学习，训练出对应输入的复数加权值

其激活函数定义为[20，21]：

当

其中j∈{0,k−1}，i为虚数单位，üü=ü11+22...+nn，arg(z)为复数z的幅角。

根据式（6）和（7），计算出输入量xi对应的输出量yi，即*

图1　人工神经元网络结构Fig.1　Artificial　neural　network　architecture

2　基于多元统计和复数人工神经元网络的变压器故障检测

2.1基于人工神经元网络的变压器故障自主学习

人工神经网络中的各项参数是根据学习样本[18]，本文采用的学习样本是变压器各项故障特征值。由于变压器各项故障所变现出的特征值是

不同的，根据对常见变压器故障，比如低压相间短路放电、绝缘结构体绝缘过热以及分接开关飞弧或者火花放电等等各种变压器故障。数据库中的样本数，即变压器故障特征值，共计有1200组数据作为学习样本。因此，本文中所选用的复数人工神经元网络的输入节点数为20，输出节点为23，所使用的隐藏层中的节点数具体由网络自主学习不断调整得出。

经多元统计分析得到的数据，作为人工神经网络输入矩阵X（1200×20），目标输出矩阵Y （1200×23），学习速率η=0.1，误差系数[14，15]为0.0001。初始化时候将各个神经元支路加权值统一设为1，开始根据变压器故障特征值和接收到的多频超声波特征值进行自主学习，训练出各个故障特征对应的复数加权值wi。

人工神经网络自主学习流程图如图2所示。

自主学习流程详述如下：

Step1：复数加权值、误差系数及学习次数初始化，本文中将wi赋值为常数1，误差系数为0.0001，学习次数设置为10000。

Step2：计算输出值yi，利用，计算出输入量xi对应的输出量yi，

其中激活函数的定义方法如下

当

为复数z的幅角。

图2　人工神经网络自主学习流程图Fig.2　Flow　Chart　of　Artificial　Neural　Networks　Self-study

Step4：根据Step3计算得到的偏差值Δyi判断是否满足误差要求，本文中设置的误差系数为0.0001，若 Δ yi>0.0001，则执行Step5，若Δyi<0.0001则执本次自主学习结束。

Step5：判断是否达到预设的学习次数。本文中预设的学习循环次数n为10000，若n>10000，则此次学习结束；若n<10000，则执行Step6。

Step6：调整复数加权值。根据公式（6）～（7）计算出加权值变化量，并叠加到之前的复数权值，即其中，η称为学习速率输入矢量的共轭复数，为当前权值，表示学习后的权值。

Step7：重复Step1至Step6，直至学习结束，即可得到学习后的复数加权值。

2.2求解变压器故障问题

最后，根据1.1节中多元统计分析得到的数据矩阵T和1.2节中训练出的复数权值，对1.1节的变压器油参数进行计算，并将最后计算得到的特征值和数据库中的特征值进行比对，进而得到故障名称。

3　多频超声波变压器检测系统设计

3.1总系统结构设计

如下图3所示，多频超声波变压器检测系统设计结构包括：超声波发射接收控制单元、多频超声波传感器和数据分析软件。

图3　多频检测系统框图Fig.3　Multi-frequency　Detection　System　Diagram

其中，超声波发射接收控制单元上安装有电源接口、电源开关、Internet网络接口、超声波信号输出接口及接收接口。各主要功能部分简要介绍如下。

超声波发射接收控制单元：安装有电源接口、电源开关、Internet网络接口、超声波信号输出接口及接收接口，该模块主要用于控制多频超声波的发射及多频超声波信号的接收。内设有多频超声波发生装置，多频超声波发生装置内部连接至超声波发射接收控制单元的超声波信号输出接口，输出接口经导线连接到多频超声波传感器，多频传感器的输出信号经导线连接至超声波发射接收控制单元的超声波信号接收接口，超声波信号接收接口将信号传输至超声波发射接收控制单元的信号处理电路，基于DSP技术的控制电路可以准确地完成超声波原始信号到振幅、相位以及超声波速度等超声波参数的计算。然后通过网络端口将超声波各项参数传输给上位机软件。

多频超声波传感器：为了确保检测精度，需要保持所有传感器表面是一致的，因此，需要采用电子方式保证传感器的统一校正。

上位机数据分析软件：主要用来对采集出的多频超声波特征值进行分析，从而建立特征值与油参数之间的关联。这里的上位机数据分析软件是基于多元统计分析技术（如PCA、LDA）来实现的。

根据图3，总的来说，发射控制模块根据频率控制模块和功率控制模块的输出信号，产生换能器发射需要的载波脉冲信号，送到发射驱动模块，频率控制决定载波频率，功率控制决定脉冲宽度和幅度，从而达到控制换能器发射功率的作用。发射驱动模块将发射控制模块送来的脉冲信号经升压处理后产生大功率的输出信号，推动换能器发射合适的多频超声波。该部分可以依据变压器容量的大小，设置合适的频率及功率，大大地提高了检测的效率。

在上位机中包含有多元统计分析和复数人工神经元网络分析算法，通过相关算法从超声波参数中提取出变压器油的水分含量、击穿电压、介损、体积电阻率、油界面张力等参数，将这些变压器油参数与数据库中的变压器故障特征值进行对比，从而判断变压器的运行工况以及发现变压器故障。

3.2超声波发射接收控制单元的发射部分和接收部分设计

3.2.1发射部分设计

如下图4为超声波发射接收控制单元的发射部分示意图，该部分主要包括：功率控制模块、发射控制模块、频率控制模块及发射驱动模块。

其中，功率控制模块：根据变压器的类型和变压器容量的大小选择合适的功率信号指令，送发射控制模块处理；发射控制模块：根据频率控制模块和功率控制模块的输出信号，产生换能器发射需要的载波脉冲信号，送到发射驱动模块，频率控制决定载波频率，功率控制决定脉冲宽度和幅度，从而达到控制换能器发射功率的作用；发射驱动模块：将发射控制模块送来的脉冲信号经升压处理后产生大功率的输出信号，推动换能器发射合适的多频超声波。

图4　发射部分结构原理图Fig.4　Structure　principle　diagram　of　transmitting　part

该部分原理描述为：功率控制模块根据变压器的类型和变压器容量的大小选择合适的功率信号指令，送发射控制模块处理。发射控制模块根据频率控制模块和功率控制模块的输出信号，产生换能器发射需要的载波脉冲信号，送到发射驱动模块，频率控制决定载波频率，功率控制决定脉冲宽度和幅度，从而达到控制换能器发射功率的作用。发射驱动模块将发射控制模块送来的脉冲信号经升压处理后产生大功率的输出信号，推动换能器发射合适的多频超声波。该部分可以依据变压器容量的大小，设置合适的频率及功率，大大地提高了检测的效率。

3.2.2接收部分设计

图5是超声波发射接收控制单元的接收部分示意图，该部分包括：信号放大模块、选频模块及数模转换模块（A/D）。

图5　发射部分结构原理图Fig.5　Structure　principle　diagram　of　receiving　part

根据图5，其中，信号放大模块将超声波传感器传输回来的信号进行放大，然后送至选频模块，对信号频率进行筛选，确定合适的频率范围，滤除干扰信号，从而得到准确的多频超声波信号模拟量。选频模块将多频超声波信号模拟量送到数模转换模块，数模转换模块将多频超声波信号模拟量转换为数字信号传输给微处理器。

4　总结

本文基于多频超声波技术，采用多元统计和复数人工神经元网络数据分析算法，对变压器油进行检测，判断变压器故障类型。主要针对多元统计分析中的相对主元分析和复数人工神经元网络进行理论分析，详细介绍算法的理论推导和自主学习的实现过程。并开发基于多元统计分析技术、复数人工神经元网络的数据分析软件，建立一个各种类型油样本的数据库。通过复数人工神经元网络智能算法可以将这些特征值和油样本参数建立关联。

最后，设计了多频超声波变压器检测系统，利用多频超声波技术对变压器油参数进行在线检测，上位机软件基于多元统计分析算法对检测到的变压器油参数进行分析，提取特征量，建立变压器油的状态与超声波特征量之间的关联，进而判断变压器的运行状态。

通过本文设计可以有效地提高电力企业对变压器的检测能力，有助于及时全面了解变压器的运行状况信息，检测数据可以真实准确的反映变压器的运行状况，可以有效地保障变压器的安全稳定运行，有效解决了传统检测装置检测步骤繁琐、不能在线检测等问题，提高检测灵敏性，降低检测成本。

参考文献

[1]余琼.变压器油色谱在线监测专家系统研究[D].上海交通大学，2007.

YuQiong.Onlinemonitoringexpertsystemoftransformeroilchromatography[D].ShanghaiJiaoTongUniversity，2007.

[2]来金钢，周洪.基于多维型逆变器的并网实验研究[J].新型工业化，2014，4（5）:60-68，76.

LAIJingang，ZHOUHong.Experimentalresearchonparalleloperationformultiplemicro-inverters[J].TheJournalofNew Industrialization，2014，4（5）：60-68，76.

[3]黄世敢，朱晓青，彭赛庄，等.向孤立无源负荷供电的VSC-HVDC系统控制策略[J]，新型工业化，2015，5（3）：54-60.

SGHuang，XQZhu，SZPeng，etal.ControlstrategyofVSC-HVDCsystemsupplyingpowerforisolatedpassiveload[J]，TheJournalof NewIndustrialization，2015，5（3）：54-60.

[4]陈晓晖，夏琼.利用油色谱分析判断变压器故障及处理思路构建[J].中国高新技术企业，2014，36:76-77.

ChenXiaohui，XiaQiong.Usingchromatographicanalysisoftransformerfailuresandtheirideasjudgeconstruction[J].ChineseHigh-tech Enterprises，2014，36:76-77.

[5]李文芳.基于红外图像的电力变压器故障的在线检测[D].安徽理工大学，2014.

LiWenfang.Powertransformerfaultlinedetectionbasedoninfraredimages[D].AnhuiUniversityOfScience&Technology，2014.

[6]任云明.运用红外测温技术进行电力变压器故障诊断[J].中小企业管理与科技（中旬刊），2015，02:205-206.

RenYunming.Theuseofinfraredtemperaturemeasurementtechnologyforpowertransformerfaultdiagnosis[J].Managementandtechnology ofsmallandmediumsizedenterprises.2015，02:205-206.

[7]尹海晶.基于红外测温技术的电力变压器过热故障在线监测系统的设计与开发[D].南京理工大学，2010.

YinHaijing.Thedesignanddevelopmentofonlinemonitoringsystemforpowertransformerbasedoninfraredtemperaturemeasurement technology[D].NanjingUniversityofScience&Technology，2010.

[8]张庆磊.基于油中气体分析和局部放电检测的变压器故障诊断技术研究[D].南京理工大学，2014.

ZhangQinglei.Faultdiagnosistechnologyoftransformerbasedongasanalysisandpartialdischargedetectioninoil[D].NanjingUniversity ofScience&Technology，2014.

[9]邢伟娜.电力变压器局部放电检测技术的研究与设计[D].河北农业大学，2014.

XingWeina.ResearchanddesignofpartialDischargedetectioninpowertransformers[D].AgriculturalUniversityofHebeiProvince，2014.

[10]孟程程.基于多元统计分析的故障检测与应用研究[D].中国计量学院，2013.

MengChengcheng.Researchonfaultdetectionandapplicationbasedonmulti-variatestatisticalanalysis[D].ChinaJilingUniversity，2013.

[11]刘美玲.基于多元统计分析的过程系统故障诊断方法研究[D].南京理工大学，2013.

LiuMeiling.Faultdiagnosisdethodbasedonmulti-variatestatisticalanalysis[D].NanjingUniversityofScience&Technology，2013.

[12]席磊，张孝顺，程乐峰，等.基于JADE多智能体动态博弈的自动发电控制仿真平台研究[J].新型工业化，2014，4（11）：5-17.

XILei，ZHANGXiaoshun，CHENGLefeng，etal..Researchonmulti-agentsimulationplatformforAGCbasedonJADE[J].TheJournal ofNewIndustrialization，2014，4（11）：5-17.

[13]武中利.电力变压器故障诊断方法研究[D].华北电力大学，2013.

WuZhongli.Faultdiagnosismethodofpowertransformer[D].NorthChinaElectricPowerUniversity，2013.

[14]CherryG，QinSJ.Multiblockprincipalcomponentanalysisbasedonacombinedindexforsemiconductorfaultdetectionanddiagnosis[J]. InstituteforElectricalandElectronicEngineersTransactionsonSemiconductorManufacturing，2006，19（2）：159-172.

[15]钱政等.用可靠性数据分析及BP网络诊断变压器故障[J].高电压技术，1999，25（1）:13-15.

QianZhengetc.ApplicationofdatareliabilityanalysisandBPneuralnetworkfortransformerfaultdiagnosis[J].HighVoltage Engineering，1999，25（1）:13-15.

[16]周菲菲.基于神经网络和证据理论的电力变压器故障诊断研究[D].西华大学，2009.

ZhouFeifei.Faultdiagnosisofpowertransformerbasedonneuralnetworkandnvidencetheory[D].XihuaUniversity，2009.

[17]XuW，etal.Faultdiagnosisofpowertransformersapplicationoffuzzysettheoryexpertsystemsandartificialneuralnetworks[J].IEE Proc.Sci.Meas.Technol，1997，144（1）：39-44.

[18]YongshengQi，PuWang，XunjinGao，etal.On-linemonitoringoffed-batchpenicillincultivationusingtime-varyingandmultivariate statisticalanalysis[C].In：20104thInternationalConferenceonBioinformaticsandBiomedicalEngineering（ICBBE），2010，1-6.

[19]VanegasO，etal.Diagnosisofoil-insulatedpowerapparatusbyusingneuralnetworksimulation[J].IEEETrans.Diele.andElect.Insul，1997，4（3）：290-299.

[20]胡静.相对主元分析理论及其应用研究[D].开封:河南大学，2008.

HuJing.RelativePrincipalComponentAnalysistheoryandItsApplication[D].Kaifeng：HenanUniversity，2008.

[21]吕伟锋，林弥，华柏兴.基于复数权值神经元的数字逻辑最稳健设计[J].电路与系统学报，2008，04：77-80.

LvWeifeng，LinMi，HuaBoxing.TheMostRobustDesignofDigitalLogicBasedonthePluralArtificialNeuralNetwork[J].Journalof CircuitsandSystems，2008，04:77-80.

DOI：10.3969/j.issn.2095-6649.2015.07.009

基金项目：＊中国南方电网科技项目资助（GZGD20150301240091）。

作者简介：饶锐（1981-），男，工程师，硕士，主要从事于电力化学监督管理工作；程乐峰（1990-），男，通信作者，硕士，主要研究领域为配网自动化、电能质量分析与控制；宋浩永（1985-），男，工程师，硕士，主要从事电气化学试验及电力新技术研究工作；李正佳（1972-），男，高级工程师，硕士，主要工作领域：电力通信、电力系统行业等；陈于晴（1991-），女，汉族，广东广州，主要从事电气化学试验及电力新技术研究工作。

Research on Transformer Fault Detection Method based on the Principle of Multifrequency Ultrasonic Waves

RAORui1,CHENGLe-feng2,SONGHao-yong1,LIZheng-jia2,CHENYu-qing1
(1. Electric Power Research Institute of Guangzhou Power Supply Bureau Co.,Ltd, Guangzhou 510000; 2. Suzhou Huatian Power Technology Co., Ltd,, Suzhou 215000)

Abstract:Thispaperproposesaneffective,acuteandsynchronoustransformerfaultdetectionmethodbasedonthe principleofmulti-frequencyultrasonicwaves.Thismethodutilizeshundredsofultrasonicwaveswithdifferentfrequencies tocontinuouslydetectthetransformeroilandhandlesthewaves’parameterswithmultivariatestatisticalanalysistechnology andpluralartificialneuralnetworkdataanalysistechnology.Inthisway,wecangettheoperationalstatusandnamesofthe faultsbycomparingtheeigenvaluesofthefaults.Theoperationalstatusoftransformersmaydirectlyaffectthesafetyofthe entirepowergrid.Therefore,itisessentialtomonitoravarietyoftransformerfaultsandensuretheregularworkingofthe powergrid.ThispaperissupportedbyScienceandTechnologyProjectsofChinaSouthernPowerGrid(ProjectNumber: GZGD20150301240091).

Keywords:Multi-frequencyultrasonicwaves;Transformer;Faultdetection;Multivariatestatisticalanalysis;Dataanalysis ofcomplexartificialneuralnetwork