矿用干式变压器故障诊断和寿命预测技术现状及展望

李红岩，张豪杰，荣 相，陈 江，刘 宝

(1.西安科技大学 电气与控制工程学院，陕西 西安 710054；2.西安市电气设备状态监测与供电安全重点实验室，陕西 西安 710054；3.中煤科工集团常州研究院有限公司，江苏 常州 213015；4.天地(常州)自动化股份有限公司，江苏 常州 213015)

据统计，全球干式变压器产量从2017年的2.54亿千伏安上升到2022年的3.13亿千伏安，干式变亚器在各行业中的使用都在不断地增加，电压等级也在不断的升高，而矿井下多为干式变压器，因此干式变压器的安全性不容忽视[1]。干式变压器发生故障无法正常工作时，将会导致大片区域的停电，给经济带来巨大的损失。长期以来，国内外对变压器状态评估的研究主要依据定期检修和停电预防性试验来实现，很难及时发现缺陷[3，4]。基于此，有必要对干式变压器故障诊断技术[5-8]展开研究，通过安装传感器收集数据，一方面：掌握干式变压器工作状态情况，另一方面，在发生故障时可以及时发现，并对故障进行解决和维护，将故障带来的损失降到最低。本研究对干式变压器故障诊断技术现状进行了介绍和对比。

1 干式变压器故障诊断技术构架

1.1 信号特征提取

在干式变压器运行过程中，故障与信号可能不是一一对应关系，一种故障可能会影响多种信号，而一种信号也可能反映了多种故障，因此从原始采集到的数据中提取特征值，确保故障诊断能有效进行，是必要的一个环节。通过频率响应法可以获得对应变压器的幅频特性、相频特性曲线数据，完成对响应中的特征提取。由于小波变换可以改变函数形状，所以可以平移和缩放小波基完成信号的时域和频域分解。通过堆叠自编码器对每个AE进行训练，最终得到鲁棒性更好的特征提取模型。

1.2 故障诊断

干式变压器的机械类故障主要包括铁心夹件松动故障、绕组夹件松动故障和绕组变形故障[9]，电气类故障主要包括绕组短路、绕组断路、铁心接地等。干式变压器的紧固装置由于安装、运输、运行过程中发生松动，紧固力变小，硅钢片间隙变大，使得漏磁场发生变化，振动增加，同时由于松动，加在绕组上的紧固力变小，绝缘材料刚度系数变小，振动加速度变大，产生故障声信号。当发生短路和接地故障时，会形成环路电流，硅钢片由于短路电流作用发生温升效应，温度升高又可能导致相邻硅钢片间的绝缘膜烧坏，引起硅钢片短路，使得变压器过热，同时硅钢片受到的磁致伸缩力大小改变，振动发生变化。铁芯夹件接触不良或断裂时会产生悬浮电位，积累到一定程度时发生局部放电，放电电流产生功耗而使局部温度升高。

故障发生时，对其他电气设备都会造成损害，影响电力系统安全稳定运行。因此，有必要根据不同的故障类型选择合适的故障诊断方法。BP神经网络法是通过多次进行误差反向修正，使得误差在允许值范围内。通过支持向量机可以精确解决小样本分类问题，同时结构简单。用贝叶斯网络量化故障类型和原因之间的潜在关系，利用概率大小进行故障诊断。

1.3 状态评估和寿命预测

通过对干式变压器当前各种数据的采集，能够对干式变压器所处状态进行评估，而干式变压器各数据量的变化在一定程度上是有规律的，因此只要把握这种规律，就可以对干式变压器健康状况进行预测，在一定程度上可以降低由于故障带来的损失。交叉熵组合预测法首先通过多种单一的寿命预测方法获得寿命信息，然后衡量彼此之间差异性，再通过交叉熵理论确定算法权重，建立寿命预测模型，得到精准的寿命预测。灰色理论以运行状态的评价指标为基础，进行加权和阈值设定，得到正负边界，最后得到各个指标的预测值。层次分析法通过确定各指标因素的权重，对变压器评估模型的健康指数和剩余寿命进行分析计算，能够更加全面的了解变压器的健康状态，实现寿命预测。

2 干式变压器故障诊断现状

2.1 信号特征提取

2.1.1 频率响应法

该方法将变压器抽象为线性无源网络，高压侧加脉冲激励，经扫描系统从而得到低压侧的输出响应，上传上位机分析和处理，达到特征提取的目的。文献[10]基于比例模型变压器模拟故障，进行频率响应测试获得幅频特性曲线和相频特性曲线，二者结合转化为极坐标图，就可以同时利用两条曲线的特征信息。文献[11]基于电路参数在电路模型中进行仿真，改变不同变形情况和变形程度，观察响应曲线，通过响应曲线谐振点的位置表征故障特征。谐振分析示意如图1所示。

图1 谐振分析示意Fig.1 Schematic diagram of resonance analysis

2.1.2 小波变换

小波变换既可以像傅里叶变换进行频域分析，也弥补了傅里叶变换不能局部化的缺陷。文献[12]利用傅里叶频谱对信号进行分割，利用小波滤波器对信号进行滤波，降低噪声比例，输出高信噪比信号。文献[13]利用小波变换将初始信号多尺度变化，滤掉噪声，提取出小波系数。文献[14]利用小波变换可以没有明显损失的处理信号的优点，可以探测出信号中的突变现象，通过小波变换识别故障电流。

2.1.3 堆叠自编码器

自动编码器最早由RUMELHART等人[15]提出。自编码器具有良好的特征提取能力，对多个自编码器进行堆叠可以得到鲁棒性更好的特征提取模型。变压器振动信号相对复杂，深度学习中的堆叠自编码器可以对复杂的振动信号进行特征提取，提取出的特征高度聚集，异种状态明显分离[16]。文献[17]改进堆叠自编码器，多源信号输入到神经网络中，能从各信号中提取故障特征，实现多源融合。自编码器结构如图2所示。

图2 自编码器结构Fig.2 Autoencoder structure

频率响应法在故障诊断中虽然具有灵敏性高、图谱分析直观等优越性，但应用范围较窄，且主要针对独立绕组结构变压器，同时抗干扰能力差。小波变换通过对母小波进行拉伸缩放拟合原始波形，所以在时间上分辨能力很强，但是需要人为选择小波基，选择不当会丢失信息，同时不能自适应调节波长。堆叠自编码器能有效减少手动特征提取造成的故障信息遗漏，容错性较好，但需要的数据量比较多。3种信号特征提取方法对比见表1。

表1 信号特征提取方案对比Table 1 Comparison of signal characteristic extraction methods

2.2 故障诊断

2.2.1 BP神经网络法

训练样本经输入层输入，处理后输出层输出，经多次修正使得误差在允许值范围内。文献[18]利用振动噪声和BP神经网络结合，有效的对变压器进行故障诊断。文献[19]将多个残差网络模块进行堆叠，可以使信息更好的传递，得到更好的诊断模型。文献[20]提出利用遗传算法优化神经网络，能够提高收敛速度和精度，全局寻优。BP神经网络容错性比价好，但是结构难确定。

2.2.2 支持向量机算法

支持向量机可以对小样本数据也具有比较好的分类效果。文献[21]利用支持向量机分类器，对正常和故障情况下经特征提取后的特征量可以达到较好的诊断效果。文献[22]通过细菌觅食算法优化支持向量机，通过细菌觅食算法较好的寻优能力，找到支持向量机最优的惩罚因子和核参数，从而提高故障诊断的正确率。文献[23]信号在经降维和去噪之后，通过小波包变换获取能量特征向量，将特征向量输入到支持向量机分类器里可以实别变压器状态和诊断相关故障。文献[24]把变压器的运行状态量作为输入参数，健康状态作为输出结果，多次学习测试，得到基于支持向量机的状态评估模型。

2.2.3 贝叶斯网络

贝叶斯网络可以构建网络模型图，以模型图表示变量的因果关系，通过计算概率量化因果关系，在故障诊断领域，用概率将故障类型和故障原因的潜在关系进行量化，利用概率大小进行故障诊断。文献[25]利用贝叶斯网络处理因果关系的能力构建故障诊断网络模型，通过粗糙集理论简化故障诊断模型，从而降低模型结构复杂性，可以简单准确地判断故障。文献[26]采用朴素贝叶斯技术，构建了故障诊断网络模型，并通过概率分析量化变量之间的关系，在电力变压器运行过程中，可以准确判断出导致故障的因素，结合粗糙集的改进，减少了网络模型的节点数，提高学习速度和判断能力。贝叶斯网络结构简单，分类精度高，速度快，但是需要的数据量相对较多。3种故障诊断方法对比见表2。

表2 故障诊断方法对比Table 2 Comparison of trouble shooting methods

2.3 状态评估和寿命预测

2.3.1 交叉熵组合预测

单一寿命预测方法由于算法本身限制，存在片面性和不确定性，而组合预测法可以把几种单一预测方法的优点综合起来。文献[27]中每一个单一的预测方法都能得到一个概率密度函数，建立最小交叉熵目标函数，将每种方法权重代入进行迭代求解，得到最优解。文献[28]利用交叉熵理论改进神经网络和马尔科夫预测法，动态确定二者的权重，融合了两个单一预测方法的优点，预测效果更好。文献[29]结合灰色理论和马尔科夫算法，利用交叉熵理论改进权重，考虑形状和尺度参数，实现了变压器的寿命预测。交叉熵理论的组合预测流程如图3所示。

图3 交叉熵理论的组合预测流程Fig.3 Combining prediction flow chart of cross entropy theory

2.3.2 灰色理论

灰色理论由于边界期望值和实际运行情况不符，所以需要加权等方式进行调整。文献[30]首先构建变压器运行状态评估体系，结合二次求导公式和灰色理论模型，确定阈值边界，通过加权调整，获得改进灰色理论模型。文献[31]结合层次分析法构建健康状况评估体系，计算得到健康指数值，结合灰色理论模型，建立变压器寿命预测模型。随着时间的推移，变压器的实际情况逐年下降，应用灰色理论可以很好地模拟变压器设备状态下降过程，所以灰色理论模型理论上具有较高的准确率，而且灰色理论在小样本，数据缺失，无规律上显现出较高的正确性，但只适用于中短期预测，长期预测正确率较低。

2.3.3 层次分析法

层次分析法出现的较早，且能够有效地分析最终目标和各层次之间的关系，在油浸式变压器上用的较少，在干式变压器上使用的相对较多。层次分析法能有效的分析目标准则体系层次间的非序列关系[32]，同时由于其实用性和简洁性，在很多领域都得到较多应用，提出的模糊层次分析法利用历史数据确定模糊矩阵，计算权重，对状态评分加权求和，可以准确确定变压器状态。文献[33]对部件和状态量划分结构，求得主观权重，结合测试数据，求出客观权重，优化组合之后得出反映状态评估的权值。文献[34]结合直觉模糊集和云理论，可以更为完整的确定评判因素权重集，同时定量刻画评判因素与状态等级的关系，可以减少人为随机性的影响，同时以灰度表征等级关系，解决指标信息模糊、灰色等问题。层次分析法由于需要的数据量少，会导致定性成分较高，其次特征值和特征向量的求解较为复杂，权重难以确定。

交叉熵组合预测全局优化性高，速度快，可以对整个寿命周期进行预测，但是需要的数据量比较多。灰色理论，需要数据量少，精度高，但只适用于中短期寿命预测。层次分析法理论简单清晰，收敛速度快，需要的数据量少，从而导致定性成分高，特征值和特征向量的求解较为复杂，权重难确定。3种状态评估与寿命预测方法见表3。

表3 状态评估与寿命预测方法Table 3 State assessment and life prediction methods

3 干式变压器故障诊断技术展望

3.1 故障诊断特征量的完善

由于干式变压器故障特征量和故障之间的关系不是简单的一一映射，而是一个复杂的多对一或一对多的关系，如果能发掘故障间存在的潜在关联，严谨的选择监测参量，对于提升干式变压器故障诊断系统的诊断精度是十分关键的。目前国内外研究学者对变压器特征参数的提取主要为单一特征参数，这样将导致状态信息特征的提取不够充分，影响识别的准确性和鲁棒性。若采用多种特征参数融合，提出一种新的融合特征参数，这样既结合了单一特征参数的优点，又弥补了其不足，这种多种特征参数融合的方法可以对未来干式变压器故障诊断方向的研究提供种良好的解决思路，并奠定一定的理论基础。

3.2 大数据的应用

电力系统运行过程中会产生大量的历史数据，可以对研究变压器运行机理、研究状态评估与寿命预测建立良好的数据基础。状态参量相关性分析方法，能够实现设备不同状态参数之间的高效率组合的特征量的提取，进而确定变电设备故障的影响因素，同时也可以对干式变压器非正常运转状态超前预警，辅助工作人员做好设备的排查工作。

3.3 人工智能的应用

可以依托人工智能技术24 h全天候监测电气设备运行状态，自动开展设备故障自动化诊断，一旦检测到设备故障，会实时将故障位置及故障立体图像或影像等呈现于控制屏幕，电气设备检修人员能及时精准地发现设备故障，并开展故障抢修工作。其次，与传统电气设备故障诊断相比，使用人工智能技术排查故障更全面，操作更便捷，电气设备检修人员可以直接从人工智能技术机器人自动生成的设备影像查看设备故障内部结构，了解具体的运行参数等，并结合具体详尽的数据信息精准诊断故障位置，大大提升了故障诊断与解决的有效性。此外，人工智能技术还赋予了智能机器人自动识别功能，机械检修人员在排查设备故障时只需点击相应按钮，就能触发相应版块的故障分析诊断，操作简单，可以有效规避人工操作不当对故障诊断精准性的影响，更好地保障电力系统的稳定运行。

4 结 语

对干式变压器进行故障诊断，可以在故障发生时及时进行相对应的维修，降低由于故障带来的损失。本文从干式变压器特征提取、故障诊断以及状态评估和寿命预测三个方面展开研究，总结了现有方法并在抗扰能力、实现难度、所需数据量等方面对提到的方法对比优缺点。并在此基础上，对故障诊断特征量融合、大数据和人工智能的运用进行了展望，给未来故障诊断的发展提供了思路。