变压器故障诊断研究现状

南华大学机械工程学院 方 盛 王湘江 冯栋彦 特变电工湖南电气分公司 许建军 吴华林 洪 斌 易梅生

变压器是发电厂，电力系统和工业工厂中重要且必不可少的组成部分，我国是工业大国，对能源的需求量巨大，无论是火电还是水电甚至是风电等大型发电厂都需要变压器，变压器的稳定性和可靠性在电力系统中发挥关键的作用。如果变压器在电力系统中出现了故障不能及时解决，会导致发电厂无法正常运作，造成巨大的经济财产损失，甚至影响全民用电，使人们无法正常生活。

变压器在电力系统的作用是控制升高电压和降低电压，频繁使用使变压器发生故障的频率很高，会出现绕组铁芯变形、局部发电、过热等故障，早期变压器故障诊断都是有多年经验的工程师是用分析振动信号来诊断故障位置，这些方法在早期对于维持变压器的稳定使用发挥了关键性的作用，而现如今，随着人们对变压器能快速准确诊断的要求越来越迫切，电网系统规模不断扩大，设备机构日渐复杂，现如今更多其他诊断方法就被发展出来，变压器的故障主要可以分为热故障、电故障、绕组故障和铁芯故障，对于不同的故障，提取故障的数据方法也有所不同。

1 变压器故障

变压器每种故障都是由不同原因造成的，变压器故障从能量方面可以分成热故障和电故障；从变压器内外部分，油箱内部的主要故障则是绕阻故障、铁芯变形；油箱外部的主要故障则是接地短路，相间短路等故障。除了以上问题，还会出现绝缘故障。

热故障是变压器运行时会出现空载损耗和负载损耗，这些损耗会转变成热量从而升高绕组，铁芯等的温度。当温度的不断上升，无法与油箱和冷却装置的散热形成平衡状态时，变压器就产生了过热。热故障会破坏变压器其中的绝缘材料和构成材料，抗压能力和强度都会被改变，让变压器的使用寿命大幅度减少。热故障类型可以分为内外过热：内过热故障则是绕阻，铁芯过热；外过热故障则是套管、冷却装置等过热故障。以温度分可以将热故障分成：低温过热、中温过热，以及高温过热，见表1。

表1 热故障的表现和原因

电故障是高压电路的持续放电，导致破坏绝缘材料的性能，电故障导致的绝缘材料损坏可以分为两种类型：第一种类型是突然释放出大量放电电荷快速击穿绝缘层；第二种类型是持续放电导致绝缘材料与周围气体产生化学反应，产生的气体具有腐蚀性，可以破坏绝缘层，在日积月累下击穿绝缘层。如果绝缘层被破坏，变压器将会受到外界强电流的刺激，并且变压器可能发生短路和起火爆炸等问题。电故障中根据放电的能量密度，可分为局部放电、低能放电，以及高能放电，见表2。

绕组故障的原因有很多，大部分都是绕阻本身结构及绝缘不合理所导致的：一是因为长期散热不良，绕组中有杂物，温度过高绝缘老化；二是制造工艺不良，压制不紧，机械强度不能经受短路冲击，使绕组变形绝缘损坏。绕组作为变压器的心脏极其重要，如果不及时处理故障，会导致局部高温或者局部高能放电，严重时其油温迅速升高，体积膨胀致使变压器爆炸。绕组故障可以分为绕组短路、绕组断路、绕组松动。

铁芯故障多以铁芯多点接地导致的，变压器正常运行时，只允许铁芯一端接地，不可以两端甚至更多点接地。铁芯接地不良会使铁芯局部过热，过热时间过长会使油纸绝缘老化，铁芯片绝缘层老化，甚至使铁芯接地引线烧断。铁芯是变压器传递和交换电磁能量的主要部件，铁芯质量好坏是决定正常运行的关键。铁芯的故障可以分为：铁芯多点接地、铁芯接地不良、铁芯片间短路等。

2 变压器故障数据获取方法

2.1 基于油中溶解气体分析故障诊断

如今变压器多数以浸油变压器为主，主要采用的是液态油绝缘，长久的运行过程中出现故障，油劣化时发生化学反应产生的气态化合物会溶解于油中，溶解气体分析法则是从油样中分离出这些溶解气体，再利用色谱技术对其进行定量分析。溶解气体分析作为目前变压器最可靠高效的手段，在此基础上与其他理论相结合产生了许多更好的诊断方法，主要用来解决变压器的热故障和电故障，常见的方法有特征气体含量法、三比值法。

变压器故障的类型不同其产生的气体成分含量也不同，特征气体法是动态地检测特定的气体含量，而后和标准值进行对比，以此来分辨变压器是否出现了故障，经过长期的研究，现在普遍将总烃C2H4、C2H2、H2、CO、CO2等气体作为辨别依据，辨别标准见表3。

表3 特征气体法判断标准

随着对大量故障诊断案例的分析汇总，1997年国际电工委员会（IEC）提出了三比值法，该方法计算简便，计算量小，准确度高，而且在处理热故障和电故障时，有极高的判断准确率。通过H2、CH4、C2H6、C2H4、C2H2作为标准参量来判断变压器的故障，以这5种气体中溶解度与扩散系数为标准，数值近似的两种气体则形成一组比值，能构成三组比值，为这三组比值给上不同的编码，而后根据制订的编码规则及判断标准来判断变压器出现何种故障，根据不同的编码实现不同故障点的定位，编码规则和判断标准见表4、表5。

表5 三比值判断法判断标准

2.2 基于振动信号分析故障诊断

变压器绕组铁芯发生故障时，变压器的振动也会产生相应的变化，检测振动的方法是可以用传感器直接检测变压器壁上的振动信号，而后根据振动信号特性来判断变压器是否发生了故障。振动信号分析步骤如下。

对变压器进行振动信号数据采集时，往往需要很多传感器，振动信号也会随着传感器位置的变化而变化，传感器的位置和数量对于检测变压器故障也非常重要，有专家分析安装在电力变压器油箱上的各种传感器收集的振动频谱，并用了支持向量机SVM，以了解各种传感器的数据信息，来确定传感器的数量及放置位置。

在实际采集到的振动信号中，往往伴随着许多干扰，成功提取有效振动信号也是非常关键的一步，小波变换在信号的时频分辨方面有很好地发挥，处理的信号大部分是非平稳信号。

文献[1]利用salp 群算法优化小波变化来对振动信号进行自适应分解，能够有效地提取不同振动信号的特征并识别故障。小波变化方法可以得到振动信号的大部分细节，但母小波和分解层次都是需要人主观选取。经验模态分解EMD 解决了小波变化需要主观去选择参数的问题，文献[2]中的自适应白噪声完整集成经验模态分解CEEMDAN 能够有效地对振动信号进行去噪，不带主观选择，也不会存在模态混叠问题，但是经验模态分析是固定规定基函数，根据振动信号自带的特征进行分离，存在一定的局限性。变分模态分解则是通过迭代计算变分模型函数最优解来确定每个分量的频率中心和带宽，再自适应地实现信号有效分离，文献[3]利用加强灰狼算法以能量误差为适应度函数，优化VMD 的重要参数，实验结果表明故障诊断的准确率得到了极大的提高。

去噪提取的信号可以经过特殊处理提取特征向量，利用快速谱峭度图提取特征分量进行信号重构，或者选取包络谱值作为故障特征向量，实验结果最后都表明故障分类准确率更高。

3 变压器故障诊断数据处理方法

随着专家们的不断探索发展，变压器故障诊断涌现了各种各样的方法，使诊断更加方便、简单，并且提高了准确率。变压器故障诊断数据处理方法可以分为三类：一是利用神经网络等人工智能算法；二是利用支持向量机；三是融合专家系统。

人工神经网络具有良好的模糊数据处理能力和高泛化能力，对变压器故障数据处理效果很好。有专家用蝙蝠算法优化概率神经网络的平滑因子，可以提高故障诊断性能。文献[4]将混合改进进化粒子群优化时变加速系数和人工神经网络相结合，成功优化了神经网络的性能，诊断精度得到提高。

支持向量机SVM 的目的就是找到各类样本点到超平面的距离最远，也就是找到最大间隔超平面，最终化为凸二次规划问题来解决。为了保障诊断准确率，提高支持向量机需要算法来对其参数进行优化，有专家用蝙蝠算法优化最小二乘双支持向量机中的参数，不仅使训练时间显著缩短，还使故障诊断精度更高。

专家系统是集合了该方面许多专家知识和经验，形成的人工智能程序系统，该系统是通过运用这些专家的丰富知识和经验，模仿人类专家的思维来进行推理判断决策，以此来解决专业的问题，原理如图1所示。

图1 专家系统原理

基于专家系统的变压器故障诊断方法的本质是将检测的变压器的数据放入专家系统中让其来判断变压器是否出现故障及故障的定位。有文献提出了一种可扩展的油中溶解气体成分的电力变压器故障诊断专家系统，通过将传统三比值法、统计学习方法及实际经验法获得的故障判别规则进行整合，建立了可扩增新规则的专家系统。

从以上介绍可以看出变压器故障诊断方法大概可以分为神经网络、支持向量机，以及专家系统，各有各的优缺点，神经网络处理故障数据非常的迅速，泛化能力和自我适应能力强大，但需要大量的样本数据进行训练，小样本的训练无法让得到准确率较高的神经网络。支持向量机可以解决小样本问题，但影响基于支持向量机的故障诊断准确度是参数选取问题，需要不同算法来进行优化。专家系统已经是一种相对老旧的故障诊断方法，虽然其在实际应用中经常被使用，而且便捷、快速，但是其主观部分占比太多，知识库要不断更新来适应新的故障分类，在及时更新知识这方面有一定的困难，相对于其他三种方法而言，还是有太多局限性。

4 变压器故障诊断方法的展望和总结

在变压器故障诊断方法方面介绍了许多智能算法，即神经网络，支持向量机等，这些方法在故障诊断方面有很多优点，但也存在许多不足的地方。从现有研究趋势看，未来变压器故障诊断的发展方向有以下三方面。

故障与对应算法的选择优化。同一变压器故障检测，使用不同的算法得到的故障准确率也各不相同，通过对不同算法之间的比较，可以选取识别该故障准确率最高的算法对其进行故障检测。

算法改进优化。改进算法中的细节，以变压器故障诊断最常使用的BP 神经网络算法为例，其中的参数选择、阈值选择、隐层神经元个数都需要用到不同的算法来优化，比如蝙蝠算法、退火算法、人工鱼群算法和黑猩猩算法等，这些都直接影响到算法的收敛速度和故障诊断准确度。

样本不均衡的优化处理。训练所使用的样本也同样重要，样本特征越明显，训练出来的人工智能算法准确度越高。有些情况无法得到大量的故障样本数据，且样本数据存在不均衡。在样本过多的情况下，容易导致样本跨度太大，样本稀疏，计算过大，神经网络的泛化能力会被大打折扣。

本文对变压器故障及导致原因进行了描述，然后又对变压器故障数据提取方法进行了整理分类，以及详细的解释说明。最后介绍了三种数据处理诊断方法并分析了方法优缺点。