基于气体成分分析的变压器过热隐患预警方法

谭翼坤 陈 明 黄 腾 乔苏朋 李志军

基于气体成分分析的变压器过热隐患预警方法

谭翼坤1陈 明1黄 腾1乔苏朋2李志军2

（1. 福建华电可门发电有限公司，福州 350500； 2. 国电南京自动化股份有限公司，南京 211106）

目前，油中溶解气体分析是油浸式变压器状态分析最为可靠的方法之一。本文针对变压器过热隐患，提出一种基于气体成分分析的变压器过热隐患预警方法。首先，采用级差分法及一分类支持向量机建立能够识别变压器早期隐患的预警模型；其次，遵循特定的告警触发机制，综合判断当前变压器是否存在过热隐患；最后，经过变压器真实数据验证表明，本文所述方法具有较高的辨识灵敏度。

油中溶解气体分析（DGA）；一分类支持向量机；预警

0 引言

随着电力工业的飞速发展，电力变压器不断向大体量方向发展；同时，重要设备的扩容增加了单个设备缺陷对电网安全性的影响。因此，及时有效地发现、识别变压器的隐患是电网运维的关键问题。随着现场检测和在线监测技术的普及和推广，已实现了对变压器状态的实时监测，如何将监测数据应用于变压器状态分析已成为该领域的研究热点。

变压器在线监测方法包括油中溶解气体分析（dissolved gas analysis, DGA）[1-4]、铁心接地电流分析[5]、局部放电分析[6]、绕组温度分析[7]、振动分析[8]等，其中，DGA是当下辨识油浸式变压器潜伏性缺陷应用最为广泛的方法之一。多年来，专家学者们提出众多基于DGA的电力变压器故障诊断分析方法。常见的DGA包括特征气体法[9]、三比值 法[10-11]、罗杰斯比值方法[12]、大卫三角形法[13]等，这些方法采用不同气体的比值或者气体的浓度来分析故障类型。

严格来讲，变压器故障诊断多属于事后处理，当各方法精准判定设备为故障时，设备内部已经存在一定的损伤，甚至已形成危及设备安全运行的态势。从时效性来看，故障诊断较为滞后，发现隐患的敏感性不足。此外，限制变压器故障诊断发展的因素众多，例如特征气体的分布特性完全不同，这使标签数据库的构建非常困难，无法支撑机器学习模型的建立；同型号设备之间的横向对比也不具备过多的内在关联性，缺乏类比性的指导建议。鉴于此，本文立足于提前发现设备隐患这一根本思路，围绕变压器油中溶解气体异常预警开展相关研究，力求提升人员对设备管理的主动性。

本文提出一种新的变压器过热隐患预警方法，结合人工经验和机器学习的优势来分析变压器状态。研究内容主要分为以下两部分：

1）数据预处理。采用多级差分法从不同时间尺度衡量气体的变化程度，一方面，多参量、多时间尺度的分析能够提供更丰富的信息量；另一方面，差分处理使时间序列曲线变得更为平稳，缓解离散数据对分析结果的影响。

2）预警模型建立。应用一分类支持向量机（one- class support vector machine, OCSVM）算法构建预警模型，并结合特定的预警触发机制，在提升隐患预警能力的同时能避免误报信息的频发。

1 基于DGA的变压器过热隐患理论分析

变压器过热故障是最常见的故障之一，它对变压器的安全运行和使用寿命构成了严重威胁。变压器带电时会产生能量的转移和损耗，绝大部分能量以电能的方式输送出去，剩下的能量以损耗的形式作用于变压器绕组、铁心和金属结构件中。损耗会转化为热量，分散在变压器各个部位，如果发热量大于散热量，达到一个较正常热平衡更高的发热和散热平衡，即产生过热现象，也称为变压器过热故障。

据相关统计，引起变压器过热的原因多种多样，主要有分接开关接触不良，铁心多点接地、短路或漏磁环流，导线接头不良或紧固件松动，局部油道堵塞造成局部散热不良等情况。参照DL/T 722—2014《变压器油中溶解气体分析和判断导则》[14]可知，变压器过热故障主要分为油过热、油和绝缘纸过热。油过热产生的主要气体为甲烷（CH4）、乙烯（C2H4），次要气体为氢气（H2）、乙烷（C2H6）；油和绝缘纸过热产生的主要气体为甲烷（CH4）、乙烯（C2H4）、一氧化碳（CO）、二氧化碳（CO2），次要气体为氢气（H2）、乙烷（C2H6）。

本文采用与变压器过热相关的CH4、C2H4、CO、CO2、H2、C2H6六种气体组分作为主要分析对象，旨在于常规诊断方法之前发现变压器内部早期隐患，辅助运维人员进行科学、有效、精准的日常管理工作。

2 精细化预警方法

2.1 变压器油中溶解气体数据预处理

变压器油中溶解气体的含量受设备持续运行时长、负荷大小、绝缘强度、环境温度、故障缺陷等因素的影响，并伴随着气体产生、溶解、析出现象的发生，最终其历史数据曲线呈现出一定的不规则性，这对依赖数据分析而诊断出的结果造成极大干扰。为减轻数据之间不规律波动造成的影响，使波动曲线相对平稳，同时最大限度地保留数据的内在价值信息，本文采用级差分法处理油中溶解气体的原始数据，从多个时间尺度衡量气体的变化程度，洞察变压器内部隐患。

对于值的选择，需要结合采样频率。理论上，值越大，可对比的时间尺度越多，洞悉气体含量微小变化的能力就越强。然而，取值过大，构造的差分序列表就越多，这将增大计算量，对后续建模会产生影响。因此，值选择的原则为：若采样频率高，则值应越大，反之则越小。

2.2 基于OCSVM的预警模型构建

1）预警理念

本文所述的预警理念属于异常检测的范畴。异常检测的一般实现方式为：首先基于历史大数据构建一个正常运行的状态模型，然后将用户行为与所建立的状态模型进行对比，若偏离正常行为，则为异常。异常检测方法更关注用户行为与正常模型的匹配程度，这就要求用于构建模型的原始数据具备两个特性，即多样性和准确性。其中，多样性表示数据需涵盖用户的主要或全部行为模式，准确性则表示数据均为正常运行的数据，不包括异常或故障数据。具体数据的选择可通过机理研究、专家经验、大数据关联性分析等多种途径获取，本文不详细叙述。

OCSVM算法是异常检测领域应用较为广泛的一种方法，特别适用于负样本（非正常样本）难以获取的问题的建模。在本文中，采用OCSVM对正常运行数据构建模型，当新的用户行为产生时，模型可输出一个衡量该行为是否具有归属关系的结果，倘若不具归属关系或关联性不紧密，模型将对偏差行为进行标识，提前告知用户可能存在缺陷。本文采用OCSVM作为辨识变压器油中溶解气体含量异常的方法。

2）OCSVM算法原理

OCSVM是由Scholkopf B.等[15]在支持向量机的基础上提出的一种用于解决单分类问题的算法，其基本思想是构造一个与原点距离最大的超平面，所有数据点都位于超平面的另一侧，且边距为正。实现方法是通过单类样本进行训练，得到由支持向量表示的超平面，且尽量最大化该超平面到原点的距离。OCSVM的原理如图1所示。

图1 OCSVM的原理

构建拉格朗日函数求解上述优化问题。由核函数理论可知，采用非线性映射后，特征空间中两个向量的内积可以用原始输入空间中的核函数表示为

因此可得到优化问题的对偶形式为

式中，和为拉格朗日乘子。

本文采用径向基函数（radial basis function, RBF）高斯核函数，形式为

在OCSVM的原始问题中，是模型复杂度和训练误差之间的折中参数，一般被视为训练数据集中负类样本部分的先验估计。的选择超出了本文的研究范围，本文中被设置为0.05。

3）预警模型构建

本文采用CH4、C2H4、CO、CO2、H2、C2H6六种气体组分作为主要分析对象。预警模型构建流程为：首先，参照2.1节所述级差分法对各气体含量的历史数据进行预处理，每种气体均可得到+1个不同时间尺度的差分序列；其次，在相同时间尺度下，组合各参量的差分序列于同一集合，共可获取到+1个训练样本集；最后，采用不同训练样本集训练多个OCSVM单分类模型，即为预警子模型。

当有新数据产生时，依据级差分法获取预处理数据，各预警子模型就该数据做出相应判定，若为目标对象，输出为正样本，否则为负样本。针对+1个预警子模型输出的正样本或负样本的判定，新数据是否为异常还需进一步分析，详见2.3节。

2.3 预警信号触发机制

预警信号触发机制遵循无漏报、少误报的设计原则。在复杂的运行条件下，各时间尺度下的预警子模型可能存在一个或多个模型把测试样本判为负样本的情况。在不区分判为负样本的模型个数的情况下，若设定一旦存在一个负样本的判定结果就发出预警，则将大大增加误报概率；反之，若全部子模型均输出为负样本再触发预警，则又大大增加漏报的概率。为提升预警的有效性，本文制定一种有效的预警触发机制，其中触发基本条件为

依照本文设计的预警触发机制，一旦子模型中有不少于个模型对测试样本判定为负样本，则触发预警指示信号。采用本文所述方法的益处主要体现在两个方面：①取值未严格受控，灵活应对不同的应用场景；②可有效规避误报和漏报现象的发生，提升预警信息的有效性、可靠性。

3 预警诊断流程

本文提出一种基于油中溶解气体分析的变压器过热隐患预警方法，紧贴当下实际工程应用的现状，力求提升人员对设备管理的主动性。所提变压器过热隐患预警诊断流程如图2所示，具体步骤如下：

图2 变压器过热隐患预警诊断流程

1）明确引起变压器过热故障相关的气体参量，选为分析对象；对于训练数据的选取，应从上一次滤油开始时间选取。

2）对于训练数据中的缺失值、异常值，采用三次样条插值法进行补全或删除。

3）对数据进行预处理，划分成多个时间间隔不等的序列；其中，对于级差分法中值的选择，限于每台变压器运行特性不一致，需经多次实验获取最优值。

4）采用OCSVM算法构建预警模型组，对于算法中的超参数，利用网格搜索法获取合适值。

5）当新数据输入模型时，OCSVM模型组输出一组判断结果，遵循预警信息触发机制，最终可判定变压器是否异常。

4 实验分析与结果

为了验证所提预警方法的有效性，选用某火电厂500kV变压器油中溶解的CH4、C2H4、CO、CO2、H2、C2H6六种气体组分作为分析对象，取样时间段为2020年1月1日至2020年5月2日，每天取样1次，每种气体共123组数据。实验内容主要从两个角度进行分析：①围绕正常样本构建预警模型；②在所提方法下，对比趋势型样本与正常样本的差异。

4.1 构建预警模型

变压器正常运行情况下，各气体含量处在动态稳定状态，溶解与溢出相对平衡。本实验选取相对稳定的气体作为训练数据，以甲烷（CH4）为例，其历史数据曲线如图3所示，气体含量介于0.5～1.25μL/L之间，无大幅增长，且长期动态稳定变化。

图3 CH4历史数据曲线

采用级差分法对CH4气体历史数据进行预处理，可获得+1个差分序列。以=3为例，图4展示了四组CH4气体差分序列，其中各序列的时间间隔分别为1、2、4、8。同图3中的CH4原始序列相比，构造的四组新序列同样保持动态稳定的状态，均值接近于0，说明在不同时间尺度下对CH4气体变化的观测结果基本一致，变压器内部无与该气体相关的故障产生。

以此类推，对C2H4、CO、CO2、H2、C2H6五种气体组分进行相应的预处理。鉴于各气体组分的量纲不同，需对各气体组分的差分序列进行标准化处理，本实验利用差分序列中的最大值和最小值把原始数据变换到[0, 1]范围内。

在完成对所有气体差分序列的标准化处理之后，将处在同一时间尺度下的各气体差分序列组合在一起，共构造出+1组6×大小的训练数据集，其中表示差分序列中有效值的数量，因差分间隔不同，每种尺度下的值不尽相同。对于值的选择，可通过后续多次实验选择相对较优的结果。

表1 预警模型不同参数下负样本的占比 单位: %

4.2 测试预警模型

为验证构建模型的有效性，本实验在原数据的基础上加入一定的趋势分量及噪声分量，使构造的新数据序列蕴含变压器内部过热缺陷问题。值得注意的是，趋势分量及噪声分量不足以被传统产气率的方法判别出来。同样以CH4为例，气体测试数据序列如图5所示，其中构造的样本数量同训练样本数相同，均为123组。与图3所示的变压器正常运行的气体含量趋势相比，图5中气体含量有轻微的上升趋势，以此方式构造变压器缺陷数据，并作为测试样本验证预警模型的有效性。

图5 CH4气体测试数据序列

图6展示了对CH4气体测试数据按=5时构造的不同时间间隔的差分序列。不难发现，图5中上升趋势的时间序列经过差分计算后，各新序列变得动态平稳。此外，间隔1、2、4、8、16、32的差分序列波动大小也不尽相同，特别是间隔为32的差分序列，其平衡范围大约为0～0.5mL/L，与其他序列有所区别。各新序列虽然把原数据的上升趋势特性掩盖，但却以更精细的形式分散在差分序列中，这有益于提取原数据序列的特征，降低单一时间序列分析的复杂度。

类似构造CH4测试样本的方式，分别对C2H4、CO、CO2、H2、C2H6五种气体构造缺陷数据，再通过数据预处理，把数据整理成能够被预警模型识别的差分序列。在测试实验中，测试样本集又分为两种情形：①仅针对CH4气体组分构造缺陷数据，其余五种气体不改变；②六种气体组分均构造缺陷数据。针对以上两种数据集，分别采用已构建好的预警子模型对相应的差分序列进行测试，以每个预警子模型判定负样本的数量占模型总输入样本数的百分比作为指标，测试结果如图7所示。由图7可知，多组分气体缺陷具备更高的辨识度，最高超过93%的样本被判为负样本。模型0和模型1的异常辨识度相对偏低，这主要与时间间隔过小有关，其包含的长期信息量较少。在实际中，变压器过热隐患并非单一气体组分的产生，多参量整体分析对异常辨识度有较大帮助。

图7 各预警子模型测试结果

图8 测试样本判为负样本的预警子模型数量

5 结论

本文提出了一种基于油中溶解气体分析的变压器过热隐患预警诊断方法，可实现针对设备早期隐患的辨识，提升人员对设备管理的主动性。所提方法具有如下特点：

1）提出了基于级差分法与OCSVM结合的预警方法，从多参量、多时间尺度两个方向扩充了训练集的感受域，使构建的整体模型更具鲁棒性，同时也极大地提升了洞悉设备早期隐患的敏感度。

2）制定了一种预警信息触发机制，在提升预警模型敏感度的前提下，能缓解误报信息的频发，保障预警信息的有效性。

[1] 郭兆龙. 基于油色谱数据的变压器故障状态预测方法研究[D]. 西安: 西安理工大学, 2021.

[2] 代杰杰. 基于深度学习的变压器状态评估技术研究[D]. 上海: 上海交通大学, 2018.

[3] 苟家萁. 基于深度学习的变压器油中溶解气体浓度预测研究[D]. 昆明: 昆明理工大学, 2021.

[4] 张燕, 方瑞明. 基于油中溶解气体动态网络标志物模型的变压器缺陷预警与辨识[J]. 电工技术学报, 2020, 35(9): 2032-2041.

[5] 付文光, 刘志林. 一起典型变压器铁心多点接地故障的跟踪分析与现场处理[J]. 电气技术, 2020, 21(10): 114-116.

[6] 王云皓, 厉伟. 变压器局部放电超声波信号处理方法研究[J]. 电气开关, 2021, 59(2): 32-36.

[7] 殷健. 大型油浸式变压器绕组温度场分布特征提取方法研究[J]. 机械与电子, 2022, 40(3): 21-24.

[8] 张勇, 李勇, 杨应昊, 等. 变压器空载合闸振动信号递归图分析[J]. 电气技术, 2021, 22(8): 34-38.

[9] 梁永亮, 郭汉琮, 薛永端. 基于特征气体关联特征的变压器故障诊断方法[J]. 高电压技术, 2019, 45(2): 386-392.

[10] 杨飏, 邢光兵. 基于三比值法的变压器故障诊断识别[J]. 机电信息, 2021(11): 11-12.

[11] 王健一, 李金忠, 凌愍, 等. 新版电力行业标准《变压器油中溶解气体分析判断导则》解读[J]. 变压器, 2014, 51(12): 49-53.

[12] 张峪维. 基于模糊罗杰斯四比值法的变压器故障诊断[J]. 电工技术, 2021(12): 89-92.

[13] 苑津莎, 秦英, 何亚军. 变压器大卫三角形法故障诊断结果的基本信任分配函数研究[J]. 电测与仪表, 2015, 52(1): 13-18.

[14] 变压器油中溶解气体分析和判断导则: DL/T 722—2014[S]. 北京: 中国电力出版社, 2014.

[15] SCHOLKOPF B, PLATT J C, SHAWE-TAYLOR J, et al. Estimating the support of a high-dimensional dis- tribution[J]. Neural Computation, 2001, 13(7): 1443- 1471.

[16] XIAO Yingchao, WANG Huangang, XU Wenli. Para- meter selection of Gaussian kernel for one-class SVM[J]. IEEE Transactions on Cybernetics, 2015, 45(5): 927-939.

An early warning method for transformer overheating based on gas composition analysis

TAN Yikun1CHEN Ming1HUANG Teng1QIAO Supeng2LI Zhijun2

(1. Fujian Huadian Kemen Power Generation Co., Ltd, Fuzhou 350500; 2. Guodian Nanjing Automation Co., Ltd, Nanjing 211106)

At present, the analysis of dissolved gas in oil is one of the most reliable methods for the condition analysis of oil-immersed transformers. Aiming at the hidden danger of transformer overheating, this paper proposes an early warning method for the hidden danger of transformer overheating based on gas composition analysis. Firstly, the-level difference method and one-class support vector machine are used to establish an early warning model that can identify the early hidden dangers of transformers. Secondly, following a unique alarm triggering mechanism, it is com- prehensively judged whether the current transformer has hidden dangers of overheating. Finally, the verification of real transformer data shows that the proposed method has high identification sensitivity.

dissolved gas analysis (DGA) in oil; one-class support vector machine; early warning

2022-05-22

2022-06-29

谭翼坤（1992—），男，湖南株洲人，本科，助理工程师，主要从事燃煤电厂电气配电检修维护、电气高压试验等方面研究工作。