李紅巖，張豪杰，榮 相，陳 江，劉 寶

(1.西安科技大學 電氣與控制工程學院，陜西 西安 710054；2.西安市電氣設備狀態(tài)監(jiān)測與供電安全重點實驗室，陜西 西安 710054；3.中煤科工集團常州研究院有限公司，江蘇 常州 213015；4.天地(常州)自動化股份有限公司，江蘇 常州 213015)

據(jù)統(tǒng)計，全球干式變壓器產(chǎn)量從2017年的2.54億千伏安上升到2022年的3.13億千伏安，干式變亞器在各行業(yè)中的使用都在不斷地增加，電壓等級也在不斷的升高，而礦井下多為干式變壓器，因此干式變壓器的安全性不容忽視[1]。干式變壓器發(fā)生故障無法正常工作時，將會導致大片區(qū)域的停電，給經(jīng)濟帶來巨大的損失。長期以來，國內外對變壓器狀態(tài)評估的研究主要依據(jù)定期檢修和停電預防性試驗來實現(xiàn)，很難及時發(fā)現(xiàn)缺陷[3，4]?；诖耍斜匾獙Ω墒阶儔浩鞴收显\斷技術[5-8]展開研究，通過安裝傳感器收集數(shù)據(jù)，一方面：掌握干式變壓器工作狀態(tài)情況，另一方面，在發(fā)生故障時可以及時發(fā)現(xiàn)，并對故障進行解決和維護，將故障帶來的損失降到最低。本研究對干式變壓器故障診斷技術現(xiàn)狀進行了介紹和對比。

1 干式變壓器故障診斷技術構架

1.1 信號特征提取

在干式變壓器運行過程中，故障與信號可能不是一一對應關系，一種故障可能會影響多種信號，而一種信號也可能反映了多種故障，因此從原始采集到的數(shù)據(jù)中提取特征值，確保故障診斷能有效進行，是必要的一個環(huán)節(jié)。通過頻率響應法可以獲得對應變壓器的幅頻特性、相頻特性曲線數(shù)據(jù)，完成對響應中的特征提取。由于小波變換可以改變函數(shù)形狀，所以可以平移和縮放小波基完成信號的時域和頻域分解。通過堆疊自編碼器對每個AE進行訓練，最終得到魯棒性更好的特征提取模型。

1.2 故障診斷

干式變壓器的機械類故障主要包括鐵心夾件松動故障、繞組夾件松動故障和繞組變形故障[9]，電氣類故障主要包括繞組短路、繞組斷路、鐵心接地等。干式變壓器的緊固裝置由于安裝、運輸、運行過程中發(fā)生松動，緊固力變小，硅鋼片間隙變大，使得漏磁場發(fā)生變化，振動增加，同時由于松動，加在繞組上的緊固力變小，絕緣材料剛度系數(shù)變小，振動加速度變大，產(chǎn)生故障聲信號。當發(fā)生短路和接地故障時，會形成環(huán)路電流，硅鋼片由于短路電流作用發(fā)生溫升效應，溫度升高又可能導致相鄰硅鋼片間的絕緣膜燒壞，引起硅鋼片短路，使得變壓器過熱，同時硅鋼片受到的磁致伸縮力大小改變，振動發(fā)生變化。鐵芯夾件接觸不良或斷裂時會產(chǎn)生懸浮電位，積累到一定程度時發(fā)生局部放電，放電電流產(chǎn)生功耗而使局部溫度升高。

故障發(fā)生時，對其他電氣設備都會造成損害，影響電力系統(tǒng)安全穩(wěn)定運行。因此，有必要根據(jù)不同的故障類型選擇合適的故障診斷方法。BP神經(jīng)網(wǎng)絡法是通過多次進行誤差反向修正，使得誤差在允許值范圍內。通過支持向量機可以精確解決小樣本分類問題，同時結構簡單。用貝葉斯網(wǎng)絡量化故障類型和原因之間的潛在關系，利用概率大小進行故障診斷。

1.3 狀態(tài)評估和壽命預測

通過對干式變壓器當前各種數(shù)據(jù)的采集，能夠對干式變壓器所處狀態(tài)進行評估，而干式變壓器各數(shù)據(jù)量的變化在一定程度上是有規(guī)律的，因此只要把握這種規(guī)律，就可以對干式變壓器健康狀況進行預測，在一定程度上可以降低由于故障帶來的損失。交叉熵組合預測法首先通過多種單一的壽命預測方法獲得壽命信息，然后衡量彼此之間差異性，再通過交叉熵理論確定算法權重，建立壽命預測模型，得到精準的壽命預測?；疑碚撘赃\行狀態(tài)的評價指標為基礎，進行加權和閾值設定，得到正負邊界，最后得到各個指標的預測值。層次分析法通過確定各指標因素的權重，對變壓器評估模型的健康指數(shù)和剩余壽命進行分析計算，能夠更加全面的了解變壓器的健康狀態(tài)，實現(xiàn)壽命預測。

2 干式變壓器故障診斷現(xiàn)狀

2.1 信號特征提取

2.1.1 頻率響應法

該方法將變壓器抽象為線性無源網(wǎng)絡，高壓側加脈沖激勵，經(jīng)掃描系統(tǒng)從而得到低壓側的輸出響應，上傳上位機分析和處理，達到特征提取的目的。文獻[10]基于比例模型變壓器模擬故障，進行頻率響應測試獲得幅頻特性曲線和相頻特性曲線，二者結合轉化為極坐標圖，就可以同時利用兩條曲線的特征信息。文獻[11]基于電路參數(shù)在電路模型中進行仿真，改變不同變形情況和變形程度，觀察響應曲線，通過響應曲線諧振點的位置表征故障特征。諧振分析示意如圖1所示。

圖1 諧振分析示意Fig.1 Schematic diagram of resonance analysis

2.1.2 小波變換

小波變換既可以像傅里葉變換進行頻域分析，也彌補了傅里葉變換不能局部化的缺陷。文獻[12]利用傅里葉頻譜對信號進行分割，利用小波濾波器對信號進行濾波，降低噪聲比例，輸出高信噪比信號。文獻[13]利用小波變換將初始信號多尺度變化，濾掉噪聲，提取出小波系數(shù)。文獻[14]利用小波變換可以沒有明顯損失的處理信號的優(yōu)點，可以探測出信號中的突變現(xiàn)象，通過小波變換識別故障電流。

2.1.3 堆疊自編碼器

自動編碼器最早由RUMELHART等人[15]提出。自編碼器具有良好的特征提取能力，對多個自編碼器進行堆疊可以得到魯棒性更好的特征提取模型。變壓器振動信號相對復雜，深度學習中的堆疊自編碼器可以對復雜的振動信號進行特征提取，提取出的特征高度聚集，異種狀態(tài)明顯分離[16]。文獻[17]改進堆疊自編碼器，多源信號輸入到神經(jīng)網(wǎng)絡中，能從各信號中提取故障特征，實現(xiàn)多源融合。自編碼器結構如圖2所示。

圖2 自編碼器結構Fig.2 Autoencoder structure

頻率響應法在故障診斷中雖然具有靈敏性高、圖譜分析直觀等優(yōu)越性，但應用范圍較窄，且主要針對獨立繞組結構變壓器，同時抗干擾能力差。小波變換通過對母小波進行拉伸縮放擬合原始波形，所以在時間上分辨能力很強，但是需要人為選擇小波基，選擇不當會丟失信息，同時不能自適應調節(jié)波長。堆疊自編碼器能有效減少手動特征提取造成的故障信息遺漏，容錯性較好，但需要的數(shù)據(jù)量比較多。3種信號特征提取方法對比見表1。

表1 信號特征提取方案對比Table 1 Comparison of signal characteristic extraction methods

2.2 故障診斷

2.2.1 BP神經(jīng)網(wǎng)絡法

訓練樣本經(jīng)輸入層輸入，處理后輸出層輸出，經(jīng)多次修正使得誤差在允許值范圍內。文獻[18]利用振動噪聲和BP神經(jīng)網(wǎng)絡結合，有效的對變壓器進行故障診斷。文獻[19]將多個殘差網(wǎng)絡模塊進行堆疊，可以使信息更好的傳遞，得到更好的診斷模型。文獻[20]提出利用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡，能夠提高收斂速度和精度，全局尋優(yōu)。BP神經(jīng)網(wǎng)絡容錯性比價好，但是結構難確定。

2.2.2 支持向量機算法

支持向量機可以對小樣本數(shù)據(jù)也具有比較好的分類效果。文獻[21]利用支持向量機分類器，對正常和故障情況下經(jīng)特征提取后的特征量可以達到較好的診斷效果。文獻[22]通過細菌覓食算法優(yōu)化支持向量機，通過細菌覓食算法較好的尋優(yōu)能力，找到支持向量機最優(yōu)的懲罰因子和核參數(shù)，從而提高故障診斷的正確率。文獻[23]信號在經(jīng)降維和去噪之后，通過小波包變換獲取能量特征向量，將特征向量輸入到支持向量機分類器里可以實別變壓器狀態(tài)和診斷相關故障。文獻[24]把變壓器的運行狀態(tài)量作為輸入?yún)?shù)，健康狀態(tài)作為輸出結果，多次學習測試，得到基于支持向量機的狀態(tài)評估模型。

2.2.3 貝葉斯網(wǎng)絡

貝葉斯網(wǎng)絡可以構建網(wǎng)絡模型圖，以模型圖表示變量的因果關系，通過計算概率量化因果關系，在故障診斷領域，用概率將故障類型和故障原因的潛在關系進行量化，利用概率大小進行故障診斷。文獻[25]利用貝葉斯網(wǎng)絡處理因果關系的能力構建故障診斷網(wǎng)絡模型，通過粗糙集理論簡化故障診斷模型，從而降低模型結構復雜性，可以簡單準確地判斷故障。文獻[26]采用樸素貝葉斯技術，構建了故障診斷網(wǎng)絡模型，并通過概率分析量化變量之間的關系，在電力變壓器運行過程中，可以準確判斷出導致故障的因素，結合粗糙集的改進，減少了網(wǎng)絡模型的節(jié)點數(shù)，提高學習速度和判斷能力。貝葉斯網(wǎng)絡結構簡單，分類精度高，速度快，但是需要的數(shù)據(jù)量相對較多。3種故障診斷方法對比見表2。

表2 故障診斷方法對比Table 2 Comparison of trouble shooting methods

2.3 狀態(tài)評估和壽命預測

2.3.1 交叉熵組合預測

單一壽命預測方法由于算法本身限制，存在片面性和不確定性，而組合預測法可以把幾種單一預測方法的優(yōu)點綜合起來。文獻[27]中每一個單一的預測方法都能得到一個概率密度函數(shù)，建立最小交叉熵目標函數(shù)，將每種方法權重代入進行迭代求解，得到最優(yōu)解。文獻[28]利用交叉熵理論改進神經(jīng)網(wǎng)絡和馬爾科夫預測法，動態(tài)確定二者的權重，融合了兩個單一預測方法的優(yōu)點，預測效果更好。文獻[29]結合灰色理論和馬爾科夫算法，利用交叉熵理論改進權重，考慮形狀和尺度參數(shù)，實現(xiàn)了變壓器的壽命預測。交叉熵理論的組合預測流程如圖3所示。

圖3 交叉熵理論的組合預測流程Fig.3 Combining prediction flow chart of cross entropy theory

2.3.2 灰色理論

灰色理論由于邊界期望值和實際運行情況不符，所以需要加權等方式進行調整。文獻[30]首先構建變壓器運行狀態(tài)評估體系，結合二次求導公式和灰色理論模型，確定閾值邊界，通過加權調整，獲得改進灰色理論模型。文獻[31]結合層次分析法構建健康狀況評估體系，計算得到健康指數(shù)值，結合灰色理論模型，建立變壓器壽命預測模型。隨著時間的推移，變壓器的實際情況逐年下降，應用灰色理論可以很好地模擬變壓器設備狀態(tài)下降過程，所以灰色理論模型理論上具有較高的準確率，而且灰色理論在小樣本，數(shù)據(jù)缺失，無規(guī)律上顯現(xiàn)出較高的正確性，但只適用于中短期預測，長期預測正確率較低。

2.3.3 層次分析法

層次分析法出現(xiàn)的較早，且能夠有效地分析最終目標和各層次之間的關系，在油浸式變壓器上用的較少，在干式變壓器上使用的相對較多。層次分析法能有效的分析目標準則體系層次間的非序列關系[32]，同時由于其實用性和簡潔性，在很多領域都得到較多應用，提出的模糊層次分析法利用歷史數(shù)據(jù)確定模糊矩陣，計算權重，對狀態(tài)評分加權求和，可以準確確定變壓器狀態(tài)。文獻[33]對部件和狀態(tài)量劃分結構，求得主觀權重，結合測試數(shù)據(jù)，求出客觀權重，優(yōu)化組合之后得出反映狀態(tài)評估的權值。文獻[34]結合直覺模糊集和云理論，可以更為完整的確定評判因素權重集，同時定量刻畫評判因素與狀態(tài)等級的關系，可以減少人為隨機性的影響，同時以灰度表征等級關系，解決指標信息模糊、灰色等問題。層次分析法由于需要的數(shù)據(jù)量少，會導致定性成分較高，其次特征值和特征向量的求解較為復雜，權重難以確定。

交叉熵組合預測全局優(yōu)化性高，速度快，可以對整個壽命周期進行預測，但是需要的數(shù)據(jù)量比較多?；疑碚?，需要數(shù)據(jù)量少，精度高，但只適用于中短期壽命預測。層次分析法理論簡單清晰，收斂速度快，需要的數(shù)據(jù)量少，從而導致定性成分高，特征值和特征向量的求解較為復雜，權重難確定。3種狀態(tài)評估與壽命預測方法見表3。

表3 狀態(tài)評估與壽命預測方法Table 3 State assessment and life prediction methods

3 干式變壓器故障診斷技術展望

3.1 故障診斷特征量的完善

由于干式變壓器故障特征量和故障之間的關系不是簡單的一一映射，而是一個復雜的多對一或一對多的關系，如果能發(fā)掘故障間存在的潛在關聯(lián)，嚴謹?shù)倪x擇監(jiān)測參量，對于提升干式變壓器故障診斷系統(tǒng)的診斷精度是十分關鍵的。目前國內外研究學者對變壓器特征參數(shù)的提取主要為單一特征參數(shù)，這樣將導致狀態(tài)信息特征的提取不夠充分，影響識別的準確性和魯棒性。若采用多種特征參數(shù)融合，提出一種新的融合特征參數(shù)，這樣既結合了單一特征參數(shù)的優(yōu)點，又彌補了其不足，這種多種特征參數(shù)融合的方法可以對未來干式變壓器故障診斷方向的研究提供種良好的解決思路，并奠定一定的理論基礎。

3.2 大數(shù)據(jù)的應用

電力系統(tǒng)運行過程中會產(chǎn)生大量的歷史數(shù)據(jù)，可以對研究變壓器運行機理、研究狀態(tài)評估與壽命預測建立良好的數(shù)據(jù)基礎。狀態(tài)參量相關性分析方法，能夠實現(xiàn)設備不同狀態(tài)參數(shù)之間的高效率組合的特征量的提取，進而確定變電設備故障的影響因素，同時也可以對干式變壓器非正常運轉狀態(tài)超前預警，輔助工作人員做好設備的排查工作。

3.3 人工智能的應用

可以依托人工智能技術24 h全天候監(jiān)測電氣設備運行狀態(tài)，自動開展設備故障自動化診斷，一旦檢測到設備故障，會實時將故障位置及故障立體圖像或影像等呈現(xiàn)于控制屏幕，電氣設備檢修人員能及時精準地發(fā)現(xiàn)設備故障，并開展故障搶修工作。其次，與傳統(tǒng)電氣設備故障診斷相比，使用人工智能技術排查故障更全面，操作更便捷，電氣設備檢修人員可以直接從人工智能技術機器人自動生成的設備影像查看設備故障內部結構，了解具體的運行參數(shù)等，并結合具體詳盡的數(shù)據(jù)信息精準診斷故障位置，大大提升了故障診斷與解決的有效性。此外，人工智能技術還賦予了智能機器人自動識別功能，機械檢修人員在排查設備故障時只需點擊相應按鈕，就能觸發(fā)相應版塊的故障分析診斷，操作簡單，可以有效規(guī)避人工操作不當對故障診斷精準性的影響，更好地保障電力系統(tǒng)的穩(wěn)定運行。

4 結 語

對干式變壓器進行故障診斷，可以在故障發(fā)生時及時進行相對應的維修，降低由于故障帶來的損失。本文從干式變壓器特征提取、故障診斷以及狀態(tài)評估和壽命預測三個方面展開研究，總結了現(xiàn)有方法并在抗擾能力、實現(xiàn)難度、所需數(shù)據(jù)量等方面對提到的方法對比優(yōu)缺點。并在此基礎上，對故障診斷特征量融合、大數(shù)據(jù)和人工智能的運用進行了展望，給未來故障診斷的發(fā)展提供了思路。