变压器故障诊断研究综述

谭俊明，张诗建

（1.广东电网有限责任公司广州供电局，广州 510620；2.华南理工大学电力学院，广州 510630；3.广州市奔流电力科技有限公司，广州 510535）

0 引言

电力变压器是电网关键枢纽设备之一，其故障将引起恶劣的停电事故，给国家和人民造成不可挽回的经济损失。深入研究电力变压器状态预测及故障诊断技术，可及时发现电力变压器潜伏性故障，准确识别故障类型及特征，对制定合适的检修策略具有指导性意义，对降低电力事故经济损失、提高电网可靠性具有重要现实意义[1]。

国内外许多专家和学者在变压器故障诊断方面做了大量的研究工作，取得了丰硕的研究成果。而随着数字电网建设的不断推进，先进的量测技术得以广泛发展和应用，变压器设备监测数据已逐步呈现量大、类多的大数据特征，给变压器故障分析与诊断带来重大机遇与挑战。因此，回顾当前变压器故障诊断研究的发展现状，分析与总结当前技术的特点，对于适应当前变压器监测大数据发展，充分挖掘数据价值，提高变压器故障诊断效率和能力具有重大现实意义。

本文立足于变压器状态监测技术概述，综述了国内外变压器故障诊断研究的成果，归纳分析了各环节的技术特性，为我国变压器故障诊断技术的发展提供借鉴与参考。

1 变压器状态监测技术

变压器故障是在运行工况、环境条件等一系列内外部因素作用和影响下，经时间累积而导致。因此，可以通过变压器各类监测数据剖析其运行状态变化和故障演变特性。变压器监测数据是进行变压器状态分析和故障诊断的前提和基础，监测数据获取是变压器故障诊断的重要环节。

按数据获取是否影响变压器运行状态来分，目前变压器监测可分为两类：（1）离线监测，指变压器退出运行后，进行试验及数据采集；（2）在线监测，指在不影响变压器运行状态下，通过传感、视频等技术进行设备运行状态数据采集。

离线监测一般为设备常规性电气试验，包括绝缘电阻、泄露电流、介质损耗、局部放电等试验[2]。离线监测需要变压器退出运行，可能会造成供电区域的短时停电，与电网高可靠发展目标不符，带电运行的在线监测技术受到更多青睐。

在线监测主要采集变压器运行及状态数据，具体包括变压器油溶解气体监测[3]、变压器频率响应监测[4]、变压器热成像监测[5]等。油溶解气体监测数据可以辅助判断变压器放电、受潮和过热等异常状况，变压器频率响应监测数据可以较好地辅助识别故障类别并确定故障等级，变压器热成像监测可以定位变压器异常发热区域。

变压器频率响应监测和热成像监测均属于传感监测技术应用。其中频率响应监测为接触式采集，具体包括两种方式：（1）在变压器外壁布置加速度传感器采集变压器的振动信号，应用有线方式传输振动信号；（2）采用射频识别标签（Radio Frequency Identification，RFID）与传感器融合的无源RFID传感器标签进行信号采集[6]。热成像监测为非接触式采集，主要采用搭载红外摄像头的无人机、机器人等方式进行数据采集。

而随着电力信息化系统完善，变压器监测信息的类型将愈加丰富、数据量愈加庞大。南方电网提出了具备“电网状态全感知、企业管理全在线、运营数据全管控、客户服务全新体验、能源发展合作共赢”特征的数字南网建设[7]，将进一步完善和统一变压器各类监测信息系统，实现多源数据融合，数字、文本、图像等结构化、半结构化和非结构化数据互通[8]。变压器监测数据趋向于多源异构的电力大数据发展，在此趋势下，如何进行海量数据价值的挖掘，研究高效、强鲁棒性的数据处理机制，将是变压器状态分析和故障诊断方法研究的重要内容之一。

2 变压器故障诊断研究

变压器故障是变压器运行问题量变累积，突破安全阈值，引起质变而最终呈现的结果。变压器故障评估诊断具有预前性，其是为避免故障引起重大事故，基于设备运行监测数据，进行设备状态预前故障判断，以针对性维护，将问题限制在安全阈值范围内。

目前的研究中，变压器故障诊断研究主要包括数据清洗、监测参量预测、故障诊断3个部分，如图1所示。变压器故障诊断以海量清洗过的有效数据为基础，进行基于数据的设备实时状态分析与诊断，以及基于监测量预测的设备故障诊断。

图1 变压器故障诊断研究架构Fig.1 Transformer fault diagnosis

2.1 数据清洗研究

随着电网建设的推进，变压器实时监测的深度和广度不断加深和扩展，多点、高频、多类的数据采集也提升了监测误差数据的含量，而数据质量的优劣直接影响到变压器故障诊断评估结果的准确性。

变压器设备状态监测数据一般采取定时间步长采集、传输和存储，其数据顺序排序具备时间先后顺序，针对此特点，基于时间序列关联规则，采用DBSCAN（Density Based Spatial Clustering of Applications with Noise）聚类算法，进行传感数据异常数据点和设备状态异常点区分与识别；林峻、严英杰等[9-10]利用k-means聚类方法进行异常数据点检测；胡军等[11]基于变压器运行量测数据，利用算Spearman秩相关系数进行异常数据点的识别。

基于异常数据识别，刘林青[12]利用人工神经网络对噪点数据进行清洗，白浩[13]指出差别较小的两组变压器故障数据可能对应着两种不同的故障类型，提出奇异边缘数据的概念，即两种邻近故障类型数据的边缘，并以此提出了数据的二次清洗。上述方法针对异常数据直接采取删除的方式，数据的连续性难以保障，钱宇骋等[14]利用时间序列自回归动平均模型进行了噪点修复和缺失值填补，代杰杰等[15]结合深度学习理论，提出一种基于栈式降噪自编码器（Stacked Denoising Autoencoder，SDAE）的清洗方法，进行异常数据的修正。

上述研究一般通过结构化数据的时间序列关联性分析或机器学习进行异常数据的识别与区分，在数字电网背景下，可进一步联合视频图像、音频等非结构化数据或半结构化数据，进行结构化数据的清洗。

2.2 监测参量预测研究

变压器监测参量包括变压器油溶解气体、绕组温度、绕组振动信号等，国内外学对监测参量的预测开展了大量的研究工作，其中变压器油溶解气体为主要研究对象。

支持向量机由于对序列数据的良好适应性，较多地应用在变压器变压器油中气体浓度预测中[1]，李洪超等[16]提出了混合最小二乘支持向量机回归算法，使用线性和非线性核函数的组合作为预测函数；考虑变量取值对支持向量机（Support Vector Machine，SVM）泛化性能的影响问题，唐勇波等[17]采用核目标度量规则对输入变量进行尺度缩放。肖怀硕[18]采用灰色模型对原始序列进行去趋势处理和变分模态分解得到平稳模态分量并进行预测。

针对单一模型预测效果不足问题，汪可[19]利用遗传算法，对基于SVM构建的变压器故障诊断参数和油中溶解气体分析比值进行优化，刘可真[20]、刘云鹏[21]分别构建了粒子群、经验模态分解与长短时神经网络组合预测模型。

另外，部分文献针对特征气体间的关联性，进行了关联性建模预测。林湘宁等[22]应用灰色关联度分析方法确定了与待预测状态量关联度较高的因素，并利用熵理论建立了具有客观权重的组合预测模型。崔宇等[23]以长短时记忆网络时序分析模型为基础，引入特征和时序双重注意力机制，利用参量间关联关系和时序信息依赖关系提升气体预测准确率。考虑特征量的关联性，进行组合模型预测是监测参量预测的重要研究方向之一。

2.3 故障诊断研究

变压器故障诊断基于状态监测结果，利用相关规则，进一步实现设备故障类型识别、故障定位和故障程度评判等。传统故障诊断方法有特征气体法、三比值法等[24]，而随着技术发展，神经网络、支持向量机、贝叶斯理论等智能算法已广泛应用在变压器故障诊断中。

孙志鹏等[25]提出了一种基于分类决策树的电力变压器故障诊断模型，对于靠近决定边界的样本点用支持向量机分类，其余样本用决策树分类；邓芳明等[26]利用奇异熵对原始信号进行降噪处理，并提出基于及量子粒子群算法优化的相关向量机的故障诊断算法；余长厅等[27]通过振动噪声检测系统获得变压器振动噪声信号，经FFT变换计算得到特征值，结合BP神经网络预测得到变压器故障类型。智能算法本质是通过数据训练，构建输入量与输出量的映射模型，如何更精准、更快速完成模型的构建过程，是当前主要研究问题。

针对单一算法的不足，王德文等[28]采用贝叶斯正则化算法改进传统深度信念网络的训练性能函数，提高深度信念网络训练算法的泛化能力；针对BP神经网络表达能力不足以及容易过拟合的缺点，贾京龙等[29]应用卷积神经网络进行变压器故障诊断。张朝龙等[30]利用堆叠自编码器对变压器测量信号进行特征提取，应用加权贝叶斯分类模型进行故障诊断，利用混沌量子粒子群算法分别对堆叠自编码器和加权贝叶斯分类模型的参数进行优化。

3 有待深入研究的问题

随着数字电网建设与发展，变压器监测必然向多点、高频、全方位发展，监测数据将呈量级增长。传统故障诊断方法难以满足当前实时的设备诊断需求，基于数据挖掘的智能诊断方法是未来重要的发展趋势。监测数据的多元化与饱满化，给变压器故障诊断技术带来重大数据财富，同时带来数据处理与应用带来挑战。

因此，如何适应数据爆发式增长，综合当前各类算法优势、各种变压器故障特性及故障特征量的关联性，研究高效、实用的变压器故障诊断方法，对于电网安全可靠运行具有重要意义。具体可以着重进行以下几个方面的研究。

（1）在数据处理方面，进行多源异构数据融合处理与应用分析，构建统一的设备异常数据库，实现数据信息的全面挖掘与应用。

（3）在算法优化方面，考虑特征量的关联特性，考虑各类算法应用特性，进行算法优劣互补的组合应用研究。

（3）在算法应用方面，基于故障特征差异和各类算法应用效果、优势，考虑算法的自适应切换应用，重点研究自适应边界与阈值。

4 结束语

本文概述了变压器状态监测技术的发展，从数据清洗、监测参量预测和故障诊断3个方面论述了变压器故障诊断研究，总结了现有方法的特点与不足。并在此基础上，从数据处理、算法优化与算法应用方面指出变压器故障诊断进一步的研究方向，对适应未来数字电网的变压器故障诊断技术研究具有重要的参考价值。