基于“声音+BP神经网络”的变压器故障诊断研究

大唐共和清洁能源有限公司 周海林 李朝波 徐 军 陈学云 金光杰 苗在成

1 变压器故障诊断原理

变压器一旦出现故障，将直接影响电力系统运行状态，在诊断故障前需先行了解变压器故障类型及其特征表现。通常结合故障部位可细分套管故障、引线故障、绕组故障以及绝缘故障。而根据故障现象可划分为如表1中几种类型。如若以故障回路原理予以划分，常见油路、磁路以及电路故障，同时还可按照表2中的油气特征范围判定故障风险。另外，在对变压器故障进行实时诊断时，还可直观通过编码反馈结果确定故障类型，见表3。

表1 变压器故障定性分析特征

表2 油气成分分布特征

表3 变压器故障不同油气成分比值条件下编码情况

在采用BP神经网络算法诊断故障时，还可利用不同输出量编码结果归纳故障类型，具体包含正常运行、高温过热、中低温过热、高能放电、低能放电，其中温度超出700℃时表示目前变压器处于温度异常范围。如若输出量编码输出结果为1、0、0、0、0，则属于正常运行状态，如若显示0、1、0、0、0则为高温过热故障，以此在编码信息整合中顺利掌握故障类型，进而动态掌握变压器故障。在BP神经网络算法下获取输出值范围时，若编码为1，则证明当前运行中的变压器设备正处于高风险故障状态，而后结合神经网络层特征值给出精准诊断数据，以期满足变压器全方位在线诊断要求[1]。

2 基于“声音+BP神经网络”变压器故障诊断要点

2.1 测量振动声音

在以“声音+BP神经网络”算法对变压器故障进行实时诊断时，应当科学测量振动声音。因变压器实际运行期间，常见绕组振动、冷却装置振动、油泵振动等现象，如若能从振动声音层面摸索变压器运行声音特征，可快速排除变压器是否存在异响隐患。考虑到变压器运行时形成振动反应的部位较为多样，且每一处声音源均有显著特征，可有效通过声音测量方法诊断变压器故障，即按照声音源识别、振动信号检测以及BP神经网络算法，识别故障的顺序建立精准排障条件。

通常情况下，测量振动声音时常用声音测量仪归纳振动频率等参数，如相距3m左右位置上安装声音测量仪，或是在2.5m油箱高度以下变压器，选择在50%水平面处测量声音，设置10个以上测点等，虽然均能获取声音测量数据，但精准度相对偏低。故而在先进诊断方法下可运用声成像技术测量振动声音。

以麦克风与摄像头设施，对变压器运行期间整个声音范围振动声音要素予以采集，且符合下述公式标准：，式中：B（t，θ）表示变压器声压级最大频段（fmax）对应振动声压信号所在位置，kn、Pn、t、τ分别表示fmax对应下振动声音声压信号权重向量、fmax对应下振动声音声压信号、振动时间、补偿时延。θ代表声源聚焦方向，N代表传声器数量。同时τ可参照下列公式予以计算：，式中：ln为n序号对应传声器和参考传声器间距，c0为声波传播期间对应传播声速。

在围绕变压器振动声音数据予以采集时，还要在变压器振动部位安装信号调理器、声音传感器等配件，此时能准确掌握振动信号，并依据标准信号范围确定变压器现下振动声音是否正常。其中，在以此技术测量振动声音时，还要注重声像影像特征综合分析，保证在振动信号点位评估中快速鉴别出现异响部位具体点位。根据现行“变压器噪音标准”，可确定变压器振动声音多在65db以下，而在油泵振动声音测量中发现低于55db，方能证明变压器油泵未见噪声故障。

同时，振动声音标准还与变压器型号有关，以2500kVA油浸自冷型变压器为例，要求6～63kV变压器需保持＜60db振动声音，或是不超过50db，以便在振动声音精准控制下全面知晓变压器振动部位声音正常范围。变压器制冷装置处形成的振动声音，往往在大转速风扇下更易引起噪声。经过对声音振动特征的有效分析，可知晓声音与变压器故障相关性。

2.2 构建诊断模型

在以“声音+BP神经网络”算法诊断变压器故障，需科学建立诊断模型，以此通过模型分析方法掌握故障特征。首先，需确定输入量参数，一般包含基频幅值（A100）、主频幅值（Amain）、基频比重（P100）、主频比重（Pmain）等。在f基频条件下要求振动信号与电流信号基频保持2:1关系，而关于P100的计算可利用下述公式：，式中：A2100是指100Hz基频下对应振幅，Af为f频率下振动频谱对应振幅，f即为振动信号基频，fmain为振动信号基频最大值。

在Amain分析期间，多取值200Hz、300Hz、400Hz、500Hz，并在200Hz基频条件下振幅以及最大振幅区间内选出最大主频幅值。Pmain则满足下述关系式要求：，其中Amain为主频振幅。另外，还需根据振动熵（H）与f基频下振动信号比重（Pf）的相关性，合理控制BP神经网络算法与声音元素综合评估下输入量数量：，通常变压器故障诊断阶段应用BP神经网络算法建模时，常将输入层数量设计在五个左右，就此满足变压器运行特征。

其次，建模时需确定输出量特征，以BP神经网络算法评估变压器故障，汇总上文所述输出量内容，可对故障类型予以细化分析。以绕组故障类型为例，常见翘曲、鼓包、错位、松动以及绕组正常、绕组铁心故障，可将其列入输出量中，进而在此算法辅助下全方位掌握每一种故障类型下故障特征值。

最后，构建诊断模型时还应当将基频比重等五个输入量，结合输出量依据激活函数实施归一化处理，最终在特征量综合分析中整合变压器故障特征，给出带有参考价值的故障诊断输出结果：，，其中：x即为参数单元，xi为归一化处理后数据，xmin＇、xmax＇则代表样本特征量（xi`）对应最小、最大数据，从中可顺利获取变压器故障诊断数量，之后安排专业人员有针对性开展故障检修工作，提高故障诊断效率。

2.3 采集故障数据

2.3.1 异响数据

在以BP神经网络算法联合声音要素诊断变压器故障时，通常需要先行建立神经网络拓扑结构，而后判定初始权值和阈值在BP神经网络模型中的具体表现，并结合误差结果确定变压器当前各参数运行特征是否符合既定标准，若符合则出具对应的诊断模型，若不符合则继续调整相关阈值和网络权值。

由于变压器实际运行期间，常因振动声音异常表现而呈现不同故障状态，故而需要通过采集异响数据提前评估声音源以及振动信号点位，自此推断出主要故障，以便在异响数据精准分析中实现高效排障。主要可围绕（见表4）所示振动声音异响特征诊断故障。异响数据的整合处理是故障诊断阶段重要内容。在对异响进行分析时，还可通过模拟声音直观归纳故障类型，可将异响特征作为辅助凭证，进一步增加BP神经网络算法下诊断模型故障诊断结果可信度。

此处列举下列几种普遍存在的异响模拟声音：“吱吱异响”。在以BP神经网络算法采集异响声音特征时，若出现此声响，可考虑存在分接开关触点部位出现污垢故障，并且同时采集电流值，若在2%出厂电流数据以上，认定变压器为接触不良故障的可能性较高，维修人员可直接对其开关进行10次或15次反复旋转操作，以便快速消除异响；“噼啪异响”。此异响多与放电声音相关，常考虑出现油箱缺油故障，维修人员可将油量控制在油面液位以上20℃位置，又或是在绕组结构上连接塑料铝芯线（截面积为10～16mm²）；“唧哇异响”。在变压器存在虚接故障时容易形成此异响，维修人员需在停电作业下检查线路连接完好度。

“嗡嗡异响”。此异响的出现可在BP神经网络诊断模型下统计直流电阻值，若绕组直流电阻对应不平衡率高于±1%，则判定为绕组故障，一般≤1600kVA变压器三相直流电阻值差值多在4%平均值以下，而＞1600kVA变压器差值需低于2%平均值，维修人员可根据此异响数据分析结果对开关触点进行压紧处理，实现有效连接。至于其他异响数据的整合处理，维修人员需随时按照振动声音特征值给出诊断范围，借此提升故障诊断数据权威性。

2.3.2 时域数据

基于“声音+BP神经网络”算法诊断变压器故障时，还需针对声音信号采集时域数据，进而在时域参数综合分析中确定变压器运行状况。常见时域参数以峰值因子、有效值、K因子、脉冲因子为主，具体可采用K因子分析结果衡量变压器是否处于稳定运行状态。在计算K因子时可参照下述公式，同时结合BP神经网络偏差校对方法给出可靠数据。

式中：Peak、RMS、max（xi）、min（xi）、N、具体代表峰值、有效值、幅值最大与最小值、声音信号采集数量、幅值均值；Wn为BP神经网络算法权值和偏差修正值；J、μ、I表示w关联雅可比矩阵、相关系数、单位矩阵；e为预测误差；T为期望输出结果。经过合理采集变压器故障数据，即可准确掌控变压器运行故障风险。

2.4 故障诊断测试

在确立“声音+BP神经网络”变压器故障诊断模型后，还需要采用故障诊断测试方法验证其应用价值。具体可根据故障类型评估结果检验分析界定此算法可行性，将其应用于实际算例中衡量稳定性与准确度。在汇总异响数据和输出量编码时，可判断异响数据反馈结果与编码特征一致性。如在变压器高能放电故障类型中，发现五个输出量编码中除高能放电输出量编码为“1”外，其余均为“0”，而对应模拟声音存在“噼啪异响”，其异响来源于“电晕闪络放电异响”，而后组织维修人员清理变压器各部位积攒的灰尘，并对处理后异响情况予以检查，发现异响消失，且BP神经网络输出量编码均为“0”，意味着以此种算法诊断变压器故障，整体测试结果符合相关要求。

综上，变压器故障诊断工作要想取得满意效果，应从“声音+BP神经网络”算法层面予以优化，具体可从振动声音、诊断模型、故障数据以及诊断测试等方面着手，以便通过BP算法准确掌握变压器声音特征，实时了解变压器运行动态，以期增加变压器故障诊断试时效性与可靠性，为我国变压器设备持稳运行创造有利条件。