基于多维度数据融合与分析的变压器移动监测评估模型设计

郑大鹏，关威，李崇宇，刘文杰，张桐瑜

（内蒙古电力（集团）有限责任公司鄂尔多斯供电分公司，内蒙古鄂尔多斯 017100）

作为电力系统中的关键设备，变压器的安全、稳 定运行日益受到各界关注。其一旦出现紧急故障，会影响电网的安全生产与人民生活，严重时甚至会造成大范围停电，从而带来不可估量的经济损失[1]。所以对变压器进行全方位诊断，并实现检测其局部放电信号，进而提前发现变压器故障且及时采取措施，对电网的稳定运行极为重要。

由于变压器运行环境复杂，现有监测装置通常是专项监测，仅能对变压器油中气体、局部放电与振动等进行单项监测[2]。此外，传统在线监测装置资金投入量大、成本较高。根据厂家产品特性，其种类较多且每套设备需独立安装，故难以实现大规模推广。

随着变压器的复杂性不断提高，若仅依靠直接观测及单一状态量分析来对变压器运行状态进行估计与故障诊断是不够充分的，且无法实现智能状态研判[3-4]。例如，基于蚁群算法（Ant Colony Optimization，ACO）[5-7]的变压器故障诊断方法存在搜索时间长、易陷入局部最优、收敛速度较慢等问题。而专家系统评价的方法，则难以进行客观评价[8-9]。与此同时，人工神经网络（Artificial Neural Networks，ANNs）[10-14]依赖于大量的样本数据，隐式的评价模型也较难剖析因果关系。因此，为了准确地诊断变压器的运行状态，需要海量信息源进行融合及支持诊断。故该文首先选择合适的变压器监测状态量，并确定数据融合方法；再利用模糊匹配关联规则的统计方法获取相应监测状态的权重系数；然后采用变压器健康指数法计算各变压器的健康值，以此建立更全面的变压器运行参数评价体系；最终通过实例验证了该文设计模型的准确性。

1 变压器多维度移动监测平台

在传统单一方式的变压器在线监测设备基础上，结合多种状态量的分析，建立了基于六维度联合分析法的变压器移动式健康评估监测平台。

1.1 监测状态量

1）局部放电超声信号。超声传感器采用高灵敏度差分振子，自感应无线同步，实时锁定放电相位。超声传感器呈矩阵式分布，采用脉冲包络时延技术确定缺陷点位置；

2）局部放电高频信号。采用反馈式主动降噪高频局放干扰信号过滤技术，从源端排除了高频局放现场电磁干扰的问题，有效避免了干扰信号对高频局放检测所带来的影响，从而提升了监测的准确度。高频监测模块采用百兆高速信号处理技术及局放脉冲缓存技术，真实呈现了局放脉冲；

3）局放特高频信号。变压器绝缘材料的绝缘强度与击穿场强较高，小范围发生局放时会激发GHz级别的电磁波。局放特高频检测（UHF）通过特高频传感器感知局放发生时的特高频电磁波信号，且根据现场情况，可采用内置式或外置式传感器来实现局放的带电检测及故障类型的定位与识别；

4）油中气体含量。油色谱和微水监测单元的数据，可通过不同的分析方法来进行处理。大卫三角形通过对甲烷、乙烯、乙炔3 种气体分析进行故障类型判断；改良三比值法在5 种特征气体中选取两种溶解度与扩散系数相近的气体组成3 对比值，并以不同的编码区分各种故障类型。基于非分散性红外线技术（Non-Dispersive Infra-Red，NDIR）的油气监测设备能够实现对9 种气体及微水快速、准确的检测，其可靠性高、免维护、无载气且无标气；

5）振动状态量。变压器绕组压紧力变化，绕组变形或内紧固件松动情况可由振动测量信号反映。利用小波变换对振动信号进行多分辨率分析，并依据各频段的能量分布绘出图形，以获得不同频段的能量百分比作为数据特征，进而诊断变压器部件松动缺陷；

6）铁心接地电流。铁心电流监测模块具有趋势分析、频谱分析及波形分析的功能。趋势分析能够通过铁心电流监测值的增量判断变压器故障，波形与频谱分析则能获得电流信号的波形及频域特征，利用此类分析方法可有效判断变压器铁心多点接地故障。此外，传感器采用三重屏蔽处理技术，故具有极强的抗干扰能力。

1.2 监测设备参数

监测设备应具备自动、连续或周期性采集设备油中溶解气体、铁心和夹件接地电流、超声波局放、高频局放、振动等状态监测信息的功能。此外，设备应能够识别高频、特高频、超声局部放电相位分布图谱（Phase Resolved Partial Discharge，PRPD）、脉冲序列相位分布图谱（Phase Resolved Pluse Sequence，PRPS）和局部放电类型，并可判断变压器中的典型局部放电类型，还能监测油中溶解气体乙炔、氢气、总烃监测量的幅值、绝对增量及相对增长速率等。表1 所示为变压器移动监测平台设备参数。对于铁芯夹件接地电流监测传感器与油色谱监测单元，市面上有众多采集设备，故采用主流监测装置即可。

表1 变压器移动监测平台设备参数

2 多维度数据融合与分析算法

变压器本体和套管的健康变化情况，可用短路电流、漏油、末屏及介损等状态量评估。鉴于表征形式，提炼出高频局放、超声波局放、特高频局放、油气、铁心接地电流及振动6 个维度的数据，并融合六维度数据联合分析变压器的健康状态。在变压器运行状态的模糊诊断模型中，多个单一的故障诊断结果能够产生相互关联、综合的运行状态结论[15-19]。

通常，变压器运行状态的诊断与估计基于一系列严格而明确的运行标准。一旦该标准中所要求的任一条件无法满足，就会出现故障警告。然而，由于故障现象与故障机理间具有不确定性，故二者之间存在模糊关系，即在未知故障期间，较难甚至无法将故障现象映射到特定的已知类型。所以仅通过操纵一个诊断阈值或标准，几乎不可能诊断出未知的故障并估计出其相应的状态，因为某一故障可能导致不同的现象发生，反之亦然。因此，通过引入一种称为故障关系矩阵的特殊矩阵，能够更好地描述故障现象与类型之间的关系，其是一个由0 及1 组成的简单关系矩阵。

从逻辑上讲，一个数学命题完全可以用真或假来判断，通常“1”表示真，“0”表示假。在实践中，如变压器过热或输电线路过压，“过热”与“过电压”的命名均是模糊的，不能用数学来定义。因此，需要使用一个索引来显示二者的相关性。该模型能够通过xij遍历开区间(0,1)来改进，以更准确地表示现象及故障间的可能性。故在模糊模型中，采用更准确的单个元素版本：

其中，xij值可以清楚地反映相关性的程度。

首先，用“现象矩阵”作为未知故障过程中所有可能现象的泛集。假设有多种不同现象，则该矩阵可表示为：

其中，

其次，将“故障矩阵”作为各种故障的通用集合。假设存在全部不同类型的故障，则该矩阵可表示为：

最终，若获得的故障类型指标数为j，则通过式（5）计算，即由该模糊综合评价模型确定故障数量。

显然通过模糊综合评价模型，能够量化故障现象与故障类型间的相关性。且并未使用二进制值，而是使用从0 到1 的变量模糊来表示此种相关性。这样由一个全面关系矩阵及多个指标呈现出故障的特征全貌，有利于变压器的故障诊断及状态评估。

3 变压器移动监测评估模型

3.1 健康指数评估模型

通过上述多种数据监测传感器信息感知与融合后，能够得到不同传感器的信息特征，此类信息从不同角度反映出了变压器的运行状态。通过模糊融合聚类将该类指标信息按变压器健康状态进行定量评估，确定主观权重与客观权重兼顾的组合权重，便可建立起基于多维度数据融合与分析的变压器移动监测健康状态评估模型。

变压器状态评价结果，可根据健康指数划分为正常、注意、异常与严重4 种类型。根据省公司变电设备评价体系要求，严重和异常状态分别由省公司及地市公司评价，而正常与注意状态则由车间班组来进行评价。通过分析量变的积累效应，可实现变压器注意状态前的超前预警及异常状态出现后的全过程监控。

健康指数通过高频局放、超声波局放、特高频局放、油气、铁心接地电流与振动6 个方面的指标进行融合分析，且各指标的权重系数由经验研究得出。该文的权重系数根据专家经验及内蒙古地区变电站的运行数据得出，如表2 所示。

表2 变压器各监测量权重系数

3.2 评估流程

根据采集的数据，将关联规则与变权系数相结合，建立相应的变压器状态评价系统，主要步骤如图1 所示。

图1 电力变压器状态评估流程

评估流程如下：1）变压器测试数据采集的目的是获取与变压器运行状态相关的个体状态信息；2）根据相关分析理论与变压器故障运行的实际情况，建立电力变压器的综合状态；3）收集足够数量样本的历史测试数据；4）根据历史数据信息的计算方法及关联规则，确定每个综合状态量中每个个体状态量的常权系数；5）根据程序由式（5）在综合状态下，计算分数中故障状态的数量；6）根据规则计算出故障在综合状态下的得分；7）综合状态量的权重系数与监测得分，计算总体带权重的变压器状态量分数值，公式如下：

式中，xi代表第i个综合状态的得分，其是综合状态量中包含的单个状态数量；wij是xij的权重，rk是第i个状态量对应于第j个结论状态的比率；8）根据各综合状态量的得分，计算电力变压器的最终得分v。并依据最终得分，确定电力变压器的运行状态并制定相应的维护策略。

4 案例分析

为了验证该方法的有效性，以某220 kV 变电站主变为例进行了验证。针对监控的六维变压器状态量，在732 组变压器数据中采用数据融合的方法来计算变压器综合状态量得分，并进一步算出变压器的最终得分。根据实际变压器的运维情况，得出变压器状态与该文方法评估得分的匹配关系如表3 所示。

表3 变压器状态与最终得分的关系

由此可对变压器的状态进行评定分类，且根据状态评估模型，将100 组不同变压器的试验数据代入状态评价系统。其中，40 组取自故障变压器，60组取自正常变压器，最终计算得分汇总如表4 所示。

表4 不同变压器状态得分

由表4 可以看出，40 份故障数据中有15 份被认为处于严重状态，23 份为异常状态，2 份为注意状态，得分已接近60。60 份正常数据中的55 份被评估为正常状态，其余5 份为注意状态，得分接近80 分。评价结果与实际情况较为吻合，说明所述方法能准确地反映变压器的运行状态。

此外，对于运行状态为异常的变压器数据，选择其中7 份不同故障类型的数据对其得分进行展示，具体如表5 所示。可以看出，不同严重程度的故障最终评分结果差异较大。而对于简单漏油故障的变压器，其状态评估结果得分为78.76 的注意状态。对于某台发生铁心故障变压器数据，评估得分仅为6.32 分，属于严重故障类型。这与实际的运维经验相符合，再次验证了该评估模型实际作用的有效性。

表5 各类变压器综合状态评估得分

5 结束语

结合多种状态量的分析，突破传统变压器在线监测的单一方式，并采用模糊综合评价模型的油浸变压器运行状态评估算法，简化了大量基于相关运行标准的繁琐诊断工作。基于六维度联合分析法的变压器移动式健康评估装置的应用，实现了变压器健康状态监测从分立式传感器监测到集成式传感器监测的转变。此外，通过变压器状态的量化标识，实现了其健康情况超前预警及异常监护的全过程监测。同时，该模型快速响应的能力也是对其优点的补充。