变压器绕组故障模拟及故障诊断技术研究

国网仪征市供电公司 马 莉

变压器运行过程中产生的故障问题，会直接对电网整体的运行安全产生影响。绕组故障是变压器运行中较为常见的故障类型之一，以保障变压器的稳定运行为主要目的，要求能够在明确变压器应用情况以及运行原理的前提下，应用更合适的故障诊断技术来提高对便于劳作过程进行诊断的准确性。基于此，结合本电厂变压器运行的实际情况，对变压器绕组故障模拟及故障诊断技术进行研究，对保障变压器的稳定运行具有重要的作用。

1 变压器绕组模拟

1.1 变压器绕组振动机理

当变压器处于运行状态时，其绕组导线产生的磁场大小分布较为均匀，基于安倍环路定律和安倍力计算公式，可以计算得到变压器安全导线附近产生的叠加磁场分布情况，以及通电导体在磁场中所受到的作用力大小：▽×H=J、F=J×B，式中：H代表叠加磁场，J代表线圈中的电流密度；B代表磁感应强度，F代表通电导体在磁场中所受到的作用力。

当变压器三相短路处于稳定运行状态时，绕组在漏磁场中受到的电磁力，会受到此时变压器绕组最大电流的影响，也达到最大。电磁力包含常数衰减周期衰减、周期分量，在变压器绕组所受电磁力存在直流和周期两个分量的情况下，其周期分量的频率为电源基频的2倍[1]。当电磁力加载在绕组上，需要在考虑变压器绕组特殊结构的情况下，通过建立绕组数学模拟模型的方式，对变压器绕组线圈的振动情况进行求解分析。

1.2 构建仿真模型

以某电厂电网运行中应用的变压器为例，在结合电厂电网运行实际情况的前提下，以构建仿真模型的方式，确定以30Q130硅钢片为构建模型应用的铁芯材料，变压器模型的电源电压为40kV，由外电路连接各部分绕组。在这一前提下，变压器模型的铁芯直径为180mm，铁轭高度为180mm，低压绕组的内半径为105mm，外半径为110mm，高压主绕组的内半径为280mm，外半径为300mm。

1.3 基于模型的变压器运行模拟

在明确以上变压器模型构建基本参数的基础上，为验证构建的模型是否符合实际的变压器运行情况，在系统软件中模拟变压器在实际电网环境中运行的状态，以低压侧满载运行为模拟条件，对这一环境下变压器模型的高压侧、低压侧相电压和相电流进行计算。基于这一方法，将计算结果与变压器的额定标准值进行对比分析，确定构建的变压器模型低压侧电压峰值误差在1.98%左右，低压侧三相电流最大误差为0.68%，可以将该变压器模型用于变压器绕组故障的模拟验证。

1.4 变压器绕组故障模拟验证

考虑变压器实际运行中产生的绕组故障种类较多，以变压器的绕组匝间短路故障和绕组松动故障为例，考虑在实际应用模型时，设置绕组线圈匝数、基于绕组形状改变下的绕组材料参数弹性模量作为控制变量，对变压器绕组故障进行诊断。在绕组匝间短路故障的模拟分析中，分别选择频率为100Hz、200Hz、300Hz三种情况下的绕组故障与振动加速度之间的关系进行分析，发现在受到匝间短路故障影响时，100Hz频率幅值的加速度会随匝间短路程度增加而上升；200Hz频率幅值的加速度会随匝间短路程度增加而下降，当匝间短路程度达到2%时，依据其绘制的曲线能够与300Hz频率幅值的加速度曲线之间产生交汇点。因而可以证实变压器受到这类绕组故障的影响[2]。

在绕组松动故障的模拟分析中，考虑绕组在受到电磁力影响的情况下发生振动，而绕组的振动加速度会直接对绕组的松动程度产生影响。基于这一原理，在进行仿真实验时，依旧以三种不同频率的绕组加速度变化情况为研究依据，发现变压器绕组的加速度和松动程度曲线的变化趋势不会受到频率变化的影响，基本能够保持一致。依据这一规律特点，可以判断变压器受到了这类绕组故障的影响。

2 变压器绕组故障诊断技术的应用

以构建模拟模型的方式，对变压器发生绕组故障的基本原理和特点进行分析，可以将其作为对绕组的故障进行诊断的主要依据，在变压器的运行中应用更有针对性的诊断技术，提高判断变压器绕组故障类型的准确性。基于当前先进科学技术的不断发展，可以将以下几种诊断技术用于变压器绕组故障的诊断分析。

2.1 概率神经网络诊断技术

结合某电厂变压器运行的实际情况，考虑一些典型的变压器绕组故障，能够直接基于对故障振动信号特征的检测分析来进行判断，但在变压器绕组形变、垫块失效等故障的诊断方面，难以直接基于振动信号特征进行区分。基于此，以提升变压器绕组故障诊断效率和准确性为主要目的，可以尝试将神经网络算法引入到变压器绕组故障诊断当中，借助数字孪生技术，对变压器发生绕组故障下产生的振动数据进行学习训练，最后依据诊断软件来对学习训练的结果进行综合分析。

2.1.1 概率神经网络原理

在这一过程中，主要基于概率神经网络的原理。概率神经网络的结构由许多相互连接的处理单元构成，这些处理单元以系统性的方式排列在具有连续性的层中，具体包括输入层、隐含层、求和层以及输出层四个部分。其中，输入层将输入的数据信息分配给隐含层的神经元，隐含层中的每个训练样本中都包含一个模式神经元[3]。在这一原理下，模式神经元的数量与悬链样本的数量一致。在实际应用概率神经网络时，从神经网络的输入层接收模式向量X后，可以直接基于以下公式来对模式神经元进行计算：

式中：Wij代表权重向量，即第i类的第j个训练向量，p代表测试箱梁X的推数，T、i、j分别代表转置、类号以及模式号。在将求和层神经元计算的聚类模式结果分类后，可以汇总为隶属于同一类的所有神经元的输出。然后基于贝叶斯决策规则来对簇模式X进行分类。在这一过程中，还需要基于小波包变换的时频分解方法，实现对变压器绕组故障振动信号特征的提取和分析。

2.1.2 变压器绕组故障诊断应用

基于概率神经网络的原理，可以将神经网络算法融入针对变压器故障诊断的模型软件当中，将故障诊断软件分为监测和故障诊断两个主要的部分。其中，监测系统重点针对变压器运行过程中涉及的电压电流、温度湿度等参数进行监测，相关人员可直接从仪表盘和文本框中获得监测的数据信息；诊断系统要求在输入变压器绕组振动的测量数据后，以概率神经网络算法和小波包变换来实现对这些数据的分析处理，将得到的测试数据交给已经完成训练的概率神经网络，就可以直接将诊断的结果通过系统弹窗显示出来。

在实际应用中，以变压器三相电流中B相出现的绕组形变故障为例，在基于现有方法对变压器绕组的振动加速度信号进行监测后，对短路故障下的能量变换情况进行分析，主要利用haar和db3两种小波，对测点位置的信号进行分解与重构，进而获得分解结构的能量分布和重构波形变化图。在实际分析中，基于db3小波所具有的正则性，主要依据db3小波来对绕组故障进行分解重构。

将应用这一方法获得的故障诊断结果与同时应用其他算法进行故障诊断的结果相比，其分类正确率、测试集平均正确率分别如下：ICAPNN98.00%/95.21%、ELM92.00%/89.81%、PNN98.00%/87.25%。由此可以证实，应用ICAPNN的方法，能够体现出高于其他算法的优势特点，能够有效提升变压器绕组故障的诊断准确性。

2.2 二叉树构建与训练技术

2.2.1 技术应用原理

以构建二叉树和训练的方式对变压器绕组故障进行诊断，要求以支持向量机为主要依据。支持向量机能够对给定的训练样本集中的样本进行分类。在实际应用中，主要遵循以下步骤。

在训练样本集中寻找一个最优分类的超平面，用公式表示为：wTx+b=0，式中：w代表法向量，用于确定从超平面到原点之间的距离；b代表位移向；在假设超平面可以对训练样本进行正确分类的前提下，以“+”代表正类样本，以“-”代表负类样本，以红线代表超平面，虚线圆圈代表支持向量样本，则可以对不同支持向量样本到超平面的距离之和进行计算。

基于计算得到的结果，确定样本分类的约束条件，在对样本数据进行进一步处理后，可以得到最终的决策函数模型；考虑在变压器的实际运行中，线性不可分的情况较多，而以上步骤主要针对线性可分的情况，因而在实际诊断中，还需要在支持向量机中引入核空间的概念，让训练样本集中的数据能够直接映射到高维空间，以此来转变为线性可分的情况，再按照以上步骤对样本数据进行处理。

2.2.2 二叉树构建流程

变压器发生热度故障情况下产生的特征为数较多，本身属于线性不可分的情况，直接对特征进行识别分类具有一定的难度。在结合支持向量机应用原理的前提下，考虑将径向基函数作为支持向量机的核函数，探究不同分解级数特征组合下变压器绕组故障的情况，以智能分类的方式寻找表现最好的特征组合。基于以上要求，在实际应用支持向量机获取最优特征组合数据后，以构建二叉树的方式，满足以支持向量机来进行多分类识别的要求。在这一过程中，依据训练样本数据构造的二叉树结构，可以满足对液压汽车组故障进行识别和判断的要求。

例如，对自耦变压器绕组故障情况下产生的样本数据为例，主要应用模糊均值的方法，对样本聚类中心的分析分布情况进行计算，在获得相应的样本数据隶属度矩阵之后，可以将其作为构建二叉树结构的主要依据。在获得的二参数结构中，所有样本的聚类中心能够对应不同的故障类型，从而实现对不同绕组故障类型的有效区分。而在这一过程中，通过对样本中隶属度矩阵（见表1）的计算来获得不同隶属度矩阵之间的差异，并将其作为识别故障绕组类型顺序的依据。

表1 隶属度矩阵

在基于隶属度矩阵构建二叉树结构后，要求能够在对变压器绕组故障进行识别前，已有的故障样本数据进行训练的方式，避免在后续的故障识别过程中出现过拟合的问题。在此基础上结合二叉树结构应用布谷鸟搜索算法，寻找核函数中的最优解。

2.3 变压器绕组故障诊断技术应用注意事项

考虑变压器容易发生的绕组故障类型较多，以提升对变压器绕组故障诊断准确性为主要目的，应能够按照先对常规故障类型进行诊断分析，后基于更复杂的诊断技术进行判断的顺序，在对变压器运行中疑似产生绕组故障的点位加速度信号进行采集。如果采集到的加速度信号幅值变化情况，难以准确判断出绕组故障的类型，则需要选择应用概率神经网络算法或基于支持向量机的二叉树构建方法进行分析判断。

在这一过程中，应能够严格遵循相关诊断技术的应用原理和要求，结合变压器所在电厂电网运行的实际情况，更适宜对故障进行诊断的技术类型。除本文列举的几种针对变压器绕组故障进行诊断的技术方法外，当前能够用于变压器绕组故障诊断的计数方法种类较多，例如可以引入“振动增量阈值”的方式，重点针对变压器的绕组松动故障和变形故障情况进行分析判断[4]。

综上，以构建模型的方式模拟变压器绕组故障发生的实际情况，同时配合先进的故障诊断技术，能够针对变压器的热阻故障进行科学判断和及时维护。在考虑变压器应用特性来构建仿真模型的前提下，可以尝试将神经网络算法以及二叉树等方法用于变压器的绕组故障诊断当中，满足对不同热阻故障类型的诊断和检测要求，用以保障变压器的安全稳定运行。