基于机器学习的变压器故障识别及继电保护研究

摘 要：变压器继电保护装置易受励磁涌流的干扰，出现误动、跳闸，进而导致供电系统稳定性下降。为了解决该问题，本文基于机器学习算法建立变压器故障识别模型，以提高对励磁涌流的辨识率。在技术层面，利用电磁暂态分析软件模拟变压器运行过程，采集运行数据，再根据多通道融合模型对原始数据进行预处理，并利用卷积神经网络训练故障识别算法。最后将算法引入差动保护和纵联保护，根据识别结果控制保护动作，从而达到防止误动的目的。

关键词：机器学习；变压器；故障辨识；继电保护

中图分类号：TP 181 " " 文献标志码：A

三相变压器进行空载合闸时，会不可避免地产生励磁涌流。继电保护系统主要根据电流、电压设定动作定值，一旦超过相应定值，就会触发跳闸。在这种情况下，励磁涌流可能引发继电系统误动。因此，在电力系统运维管理工作中，应该采取技术措施提高对励磁电流的辨识能力，并在此基础上优化继电保护措施。利用机器学习技术和变压器运行数据训练相应的辨识模型，成为解决上述问题的有效途径。

1 基于机器学习的变压器故障辨识方法

1.1 问题描述

当变压器空载合闸时，变压器的绕组中会产生暂态电流，这种暂态电流称为励磁涌流。虽然励磁涌流属于瞬态现象，仅能维持较短时间，但却能影响继电保护系统。原因是继电保护大多基于电流、电压设置动作定值，如电流速断保护、差动保护等。当励磁电流大于继电保护的动作定值时，通常会引起误动，进而干扰变压及其对应电力系统的正常运行[1]。励磁电流的瞬态特性会影响故障的检测、识别和诊断，而机器学习技术可通过变压器的运行大数据对故障进行辨识，从而判断哪些故障是由励磁电流引起的。

1.2 变压器励磁涌流分析与仿真

1.2.1 三相变压器励磁电流特征分析

目前，国内的电力变压器几乎都是三相变压器，其外施电压的角度差可达120°。励磁电流的产生与变压器的空载合闸角度存在一定关系，如果合闸角度＜90°，通常不会引起励磁涌流。三相变压器合闸角度可达120°，因此，理论上三相变压器中必然会产生励磁电流。当三相变压器进行空载合闸时，其励磁涌流具有以下5个规律。1）当三相变压器进行空载合闸时，可在至少两相线路上产生励磁涌流，受外施电压相位差的影响，涌流间的相位差为120°。2）励磁涌流的相位有可能达到对称。3）当三相均产生励磁涌流，各相中二次谐波的含量仍然存在一定差异。4）比较励磁涌流间断角大小，单相涌流gt;三相涌流gt;对称性涌流。5）在对称性涌流中，正向峰值和反向峰值存在120°的相位差。

1.2.2 励磁涌流仿真分析模型

本文利用PSCAD（电磁暂态分析）软件模拟分析变压器的励磁涌流问题，建立如图1所示的三相绕组变压器模型。在仿真模型中，G1、G2均为电源，其额定电压分别为330kV、110kV；T1、T2均为三相绕组变压器，T1的额定容量和变比分别为800MVA、330/231kV。L1和L2为传输线路，长度均为100km。

该模型的主要设计参数见表1。将三相三绕组变压器高压侧、中压侧、低压侧分别记为1、2、3，1～3、2～3、1～2的绕组间正序漏阻抗分别为0.35p.u.、0.21p.u.、0.04p.u.。仿真模型中，变压器空载损失、铜损分别为0.0004p.u.、0.0026p.u.。S1～S7为断路器或者开关。在仿真分析过程中，将断路器S2、S3断开，对S1进行空载合闸操作，在变压器T2上产生励磁涌流，继电保护元件S1、S2、S3分布在变压器的3个侧面。通过这些保护元件采集电压、电流的时域信号，并进行涌流分析[2]。

1.3 变压器多通道特征融合模型构建

1.3.1 模型构建思路

由于励磁涌流具有瞬态特性，难以进行长效监测。在故障识别与分析阶段，从变压器的各电气通道采集运行数据，对应图1所示模型的S1、S2、S3通道，再运用机器学习算法提取励磁涌流特征，建立故障辨识模型。机器学习采用卷积神经网络（Convolutional Neural Network，CNN）。

1.3.2 变压器多通道融合模型

多通道融合模型在本质上是对电信号特征进行组合，本文提出了3种基本融合模型。

1.3.2.1 模型1

模型1中的电信号分为3类。第一类为三相电压信号，以S1为例，其对应的电压分别记为ua1、ua2、ua3。第二类为三相电流信号，同样以S1为例，电流信号记为ia1、ia2、ia3。第三类信号为中性点接地信号，如中性点接地电流，记为in1、in2。通过S1、S2、S3可获得3个通道上的电流和电压信号。

1.3.2.2 模型2

模型2在模型1基础上增加了3类信号。第一类为三端各相电流和，以S1为例，将各相电流和记为iaz=ia1+ia2+ia3，同理可求出S2、S3的各相电流和。第二类为变压器三相电压求和信号，将求和结果记为ux，A、B、C三相的电压信号分别为ua、ub、uc，则ux为ua、ub、uc之和。第三类为变压器三相电流的求和信号，将该信号记为ix，变压器A、B、C三相的电流信号分别记为ia、ib、ic，则ix为ia、ib、ic的求和结果[3]。

1.3.2.3 模型3

模型3以变压器系统的故障电压、电流信号为基础，具体包括以下3种类型。将S1、S2、S3端的各相电流和故障分量分别记为diaz、dibz、dicz；变压器A、B、C三相电流求和信号的故障分量记为dix；变压器A、B、C三相电压求和信号的故障分量记为dux。获取数据时，需要在设定的时长内统计和计算各故障分量。

1.4 基于机器学习和多通道特征的故障辨识方法

1.4.1 CNN算法的应用原理

1.4.1.1 模型整体架构

CNN网络由二维阵列、卷积层C1、池化层F1、卷积层C2、池化层F2、拉伸层、全连接层FC以及输出层组成。C1层和C2层的卷积核数量均为20个，区别是卷积核的大小，前者为5×5，后者为3×3，2种卷积核的激活函数和滑动步长完全一致，函数采用ReLU（线性整流函数），步长均为1[4]。F1、F2的池化窗大小均为2×2，步长设置为2。全连接层神经元数量为200个，激活函数同样采用ReLU。输出层神经元数量为21个，采用Softmax（归一化指数）函数，输出结果需要进行独热编码。

1.4.1.2 CNN网络的应用原理

将当前网络层记为l，则该层的上一层为l-1，下一层为l+1。在CNN网络的全连接层上，下一层中第k个神经元的输出结果，如公式（1）所示。

（1）

式中：akl+1为第l+1层上第k个神经元的输出结果；f l+1为第l+1层上的非线性激活函数记为；ail为当前网络层（第l层）上第i个神经元的输出结果；第l层上第i个神经元和第l+1层上第k个神经元间存在连接关系，wl+1 ki为二者的连接权重记；bkl+1为第l+1层上第k个神经元的偏置量。

在CNN网络的卷积层，卷积运算的描述方法如公式（2）所示。

Z=X·W=[z（u，v）]M·N （2）

式中：Z为卷积运算的输出矩阵；X为矩阵，用于表示单通道图像；W为卷积核；z（u，v）为卷积结果上位置为（u，v）的元素；M为卷积结果的长；N为卷积结果的宽。

在CNN网络的池化层，将输入网络模型的特征图像划分为若干区域，从各区域采集样本，用于代表该区域。假设区域j属于划分后的结果集，将该区域表示为Xj，该矩阵中的元素数量为m个，该区域的输出结果记为oj，则有oj=max（Xj）[5]。如果采用平均池化层，那么输出结果可表示为公式（3）。

（3）

式中：将第j个区域的第k个元素记为xjk。

1.4.1.3 CNN网络的训练过程

CNN网络训练需要经过若干个重要流程，主要为网络初始化→前向计算输出→反向传播→参数更新→重复迭代→模型评估。在初始化阶段，需要设置激活函数、最大迭代次数、学习率并训练终止条件。

1.4.2 CNN模型训练样本生成方法

1.4.2.1 模型训练方式

采集变压器的多通道数据，将每个片段的样本处理成一个二维数组。作为CNN网络的输入，该数组经过卷积、池化、拉伸和函数处理输出最终的结果。CNN网络训练过程中的损失通过交叉熵函数进行计算。

1.4.2.2 变压器运行状态PSCDA仿真方法

利用PSCDA仿真变压器的运行状态的目的是获取模型练训所需数据集。仿真过程采用图1所示的模型，以T2变压器为观测对象，从S1、S2和S3采集数据。将T2变压器的端口1记为P1，端口2记为P2。变压器的故障类型为10种，包括三相接地故障、相间短路和单相接地故障等。对变压器进行空载合闸，产生励磁涌流。

1.4.2.3 仿真结果

仿真结果为2个数据集，分别记为数据集1和数据集2，对应P1、P2端口。P1端口的数据集见表2。P2端口的数据集在前攻角、故障端口、故障插入角、合闸角、故障距离和故障类别方面与数据集1完全相同，区别在于正常状态的电阻，数据集2中正常状态电阻值为0.1Ω、10Ω、200Ω和500Ω。

1.4.3 基于变压器运行状态的CNN辨识算法

1.4.3.1 数据预处理

按照1.4.2节中的方法，在S1、S2和S3通道采集变压器运行状态监测数据，每个通道可得80个采样点。再按照1.3.2节中的融合模型进行数据融合。将融合后数据按照7∶2∶1的比例分为3份，分别作为训练集、验证集和测试集。

1.4.3.2 机器学习环境搭建

机器学习环境搭建在一台计算机上，处理器采用Intel Core i5-8250u，训练过程按照4kHz进行采样。

1.4.3.3 融合模型对故障辨识算法的影响

利用1.3.2节中的3种融合模型进行仿真，观察CNN网络对故障识别的准确率和损失，结果见表3。从数据可知，融合模型1和融合模型2有利于提高CNN网络对变压器故障的辨识率，融合模型3略差。整体而言，模型1准确率最高，故选择融合模型1。

1.4.3.4 设定时长对CNN的影响分析

将模型1作为观测对象，将时长分为3个等级，分别为一个周期（0.2s）的20%、50%、100%。在这3种设定时长下训练CNN网络模型，并对其故障辨识性能进行在线测试。经过测试，当设定时长为25%时，CNN性能最稳定，对模糊区的识别效果有所提升。

2 变压器继电保护技术方案

2.1 基于CNN故障辨识算法的抗励磁涌流误动方案

采用融合模型1，并将设定时长取为一个周期的25%，再进行变压器空载合闸操作，运用CNN故障辨识模型进行变压器状态检测，时长为10个周期[6]。结果显示，该算法模型对励磁涌流的识别准确率可稳定在99%以上。因此，CNN故障识别算法可用于制定继电保护抗励磁涌流误动方案，具体方法如下。

以现有差动保护措施为基础，利用CNN故障识别算法增强继电保护系统对励磁涌流的辨识能力，当CNN检测发现变压器处于空载合闸状态时，配电自动化系统向继电保护发送闭锁信号，防止误动。如果CNN网络在多个点的识别结果为非空载合闸状态，则向继电保护发送非闭锁信号。

2.2 基于CNN故障辨识算法的纵联保护方案

变压器纵联保护同样会受励磁涌流的干扰，可借助CNN故障识别算法对其进行优化配置，方法如下。

在多通道信息融合阶段，将三相电压、电流信号作为融合目标，通过继电保护元件（如断路器、电流互感器和电压互感器）采集时域信号数据，并按照融合模型1进行数据配置，利用相关数据训练CNN网络模型。该方式训练的CNN模型支持触发所有故障类型的继电保护动作，经过一个周期的25%时长后，如果同一类型的故障在c个点被检测到，将会触发跳闸，这种配置方法能够消除励磁涌流对传统纵联保护措施的影响。

3 研究结果讨论

根据上文的研究内容，可得到以下基本结论。1）三相变压器空载合闸会产生励磁涌流现象，容器引发继电保护误动，干扰电力系统的正常运行。2）励磁涌流为瞬态现象，监测难度较大。本文对变压器的多通道数据进行融合，提出3种融合模型。通过PSCAD软件模拟变压器运行状态，采集运行数据。再运用CNN网络训练故障识别模型。3）基于CNN的故障识别算法能够在线检测励磁涌流，准确率可达99.65%。可基于CNN故障识别算法优化继电保护配置，排除励磁涌流对纵联保护和差动保护的干扰，防止误动。

4 结语

变压器的继电保护系统受励磁涌流的干扰容易引发误动，干扰正常供电。本文基于CNN网络训练出能够识别空载合闸和励磁涌流的算法模型，提出变压器运行数据多通道融合方法，运用PSCAD软件进行仿真模拟，获得训练模型所需数据。经测试，该算法对励磁涌流的识别率接近100%。将该算法应用于继电保护，能够提高差动保护、纵联保护的可靠性，防止励磁涌流引起误动。

参考文献

[1]尚浩然，王丁丑.基于深度学习的变电站继电保护系统故障诊断与预测[J].电气技术与经济，2023（9）：168-170.

[2]季玉婷，徐俊涵.基于深度神经网络优化的继电保护系统故障定位分析[J].集成电路应用，2023，40（10）：154-155.

[3]任涛，步雅楠，周君，等.基于电网运维大数据背景下的继电保护故障定位分析[J].电工技术，2023（17）：232-234，239.

[4]李跃辉，方愉冬，徐峰，等.基于关联数据挖掘的继电保护定值风险评估方法研究[J].科学技术与工程，2023，23（24）：10355-10361.

[5]王晓丽，孙晓莉.基于机器学习的继电保护故障诊断和分类研究[J].电气传动自动化，2021，43（4）：17-20，52.

[6]周希伦.继电保护故障应对策略及新型继电保护技术的研究分析[J].电子测试，2020（20）：106-107，103.