电力变压器的智能故障诊断措施阐述

夏景

摘 要：电力变压器作为电力系统的重要组成部分，其运行效率在很大程度上会对供电稳定性与可靠性产生影响，一直以来都是重点关注内容。以提高供电稳定性、灵活性与安全性为目的，需要结合电力变压器运行特征，对常见问题进行研究，选择智能故障诊断技术，确定不同故障发生原因，有针对性的采取措施进行优化，在根本上提高电网运行综合效率。本文对电流变压器智能故障诊断措施进行了简要分析。

关键词：电力变压器；故障诊断；神经网络

电力变压器如果出现运行故障，势必会对电网安全产生影响，因此需要选择可操作性高的故障诊断技术，及时判断其运行状况，采取措施对存在的故障进行处理，确保变压器可以持续稳定运行。随着各项新型技术的应用，故障诊断技术逐渐实现了智能化，基于电力变压器故障征兆与故障类型间复杂非线性关系，合理应用故障诊断技术，掌握电力变压器运行状态信息。

1 电力变压器常见故障分析

1.1 绕组故障

是变压器运行常见故障之一，对电网运行具有较大影响，主要包括匝间、层间、相间短路以及接地、断线等，故障发生后会出现电弧放电现象。诱使此类故障发生的原因很多，主要是绝缘老化以及绝缘损坏造成短路，设备长时间持续运行，过大运行负荷导致绝缘劣化[1]。再加上变压器运行环境具有一定特殊性，后期维护管理措施未到位，导致设备受潮，或者油泥积存过多堵塞油道过热。另外，雷击灾害以及环境温度过高等因素均很容易造成绕组故障。

1.2 绝缘故障

绝缘故障是造成电力变压器损坏的主要原因，对于油浸式变压器来说，其绝缘介质包括固、液两种绝缘介质。其中，液体绝缘介质即变压器油，固体绝缘介质则包括绝缘板、绝缘纸以及绝缘垫等。诱发变压器出现绝缘故障的主要原因，包括温度、湿度、过电压等。

1.3 分接开关故障

主要包括无载调压与有载调压两种，其中无载调压开关故障主要集中出现在设备短路状态，原因是电流触头接触产生电弧损坏，如果设备存在机械故障，也会诱发故障发生。其中，分接开关内弧属于高能量放电性质，而机械故障如导体接触不良或者接头焊接不良属于过热性故障。有载调压开关故障原因主要是因为设备受潮或者进入杂物绝缘性降低，或者是过电压诱使触头间电弧故障。另外设备持续运行过程中维护不当，固体绝缘件故障均会诱发有载调压开关故障。

1.4 铁心故障

变压器器身主要由绕组与铁芯组成，主要负责电磁能量的传递与交换，但是受静电感应影响，铁芯上会产生悬浮电位对地防电，需要对电芯进行可靠接地。在接地时应采取铁芯一点接地方式处理方式，如果选择用二点或者多点接地很容易形成回路，主磁通过在回路中产生电流造成局部温度过高，长时间不采取措施进行处理，很容易造成油与绕组过热，加速油纸的老化。

2 电力变压器故障诊断技术分析

2.1 DGA传统诊断

即基于油中溶解气体分析诊断，实际应用中采样方便，故障诊断时必须要停电，其受到外界电、磁场等因素影响较小，且分析速度快、检测灵敏度高，具有良好的应用效果。此种故障诊断技术的原理，即运行状态下的变压器受电应力与热应力作用影响，绝缘油会产生能够反映故障性质的多种特征气体，利用色谱分析方法，采集分析油中所溶气体，确定不同气体组分与含量，了解不同气体与设备故障间联系，作为故障类型确定的依据。此类电力变压器故障检测技术包括气体图形法、特征气体法以及改良三比值法等。但是，此类诊断技术受变压器故障特征复杂特点限制，在应用上还存在一定缺陷，需要结合设备故障实际情况来确定是否选择用此种技术诊断。

2.2 DGA智能诊断

为提高电力变压器故障诊断效率，逐渐应用人工智能理论与技术，将其与传统DGA技术结合在一起，并应用到电力变压器故障诊断中，形成一种全新的智能故障诊断方法，可以适应多种故障诊断。结合DGA智能诊断技术的提出与应用，解决了变压器故障诊断特征提取问题，充分应用智能算法智能性，对传统诊断技术存在的缺陷进行弥补，提高其应用准确性与实用性。目前电力变压器智能故障诊断技术主要由专家系统、神经网络、粗糙集理论、模糊理论以及遗传算法等。对于电力变压器来说，其故障诊断会受各种影响因素的影响，提高了诊断难度，为提高诊断效果，可以选择一种或多种智能诊断技术应用。

3 电力变压器神经网络智能故障诊断技术分析

3.1 结构分析

人工神经网络主要由大量非线性计算单元连结组成，可以从输入环境信息中获取并积累经验、存储知识以及应用知识。其为一种描述人类大脑系统一阶特性的数学模型，通过电子线路的设计来完成各项功能，或者是利用计算机程序来模拟整个过程。其中，组成神经网络的各神经元即节点，代表了一种特定输出函数，每两个节点间连接均可以代表一个对于通过该连接信号的加权值，代表了两个节点间作用的强弱。以神经元节点分布与连接方式为依据，可以将神经网络分为前馈式网络与反馈式网络。

3.2 网络特性

并行性，由拓扑结构决定，神经网络具有高度的并行性，网络内存在大量相同简单处理单元，即便是每个节点功能简单，但是大量处理单元的集合，可以完成复杂的映射，且能够提高计算速度。非线性全局作用。即能够实现输入状态到输出空间的非线性映射。容错性与联想记忆。神经网络具有良好的容错性与联想记忆功能，其中联想记忆即ANN通过学习方式将信息存储到节点连接权值上，单个权值并不具备完整信息。且分布式存储机制的应用，确保ANN具有良好的容错性。学习性。神经网络为一种变结构系统，ANN连接具有多样性，且连接强度具有可塑性，提高了其對外界环境的适应性与学习性，一般存储外界信息的权值与连接结构能够通过训练学习获得。

3.3 诊断原理

故障诊断为一个复杂的模式识别过程，需要完成故障征兆空间到故障类别空间的非线性映射，应建立功能强 大的模型。应用神经网络对电力变压器进行故障诊断时，其所具有的强大非线性映射能力，可以在模式空间内形成多种复杂判决面，且可以通过良好的自适与学习能力来学习隐藏在故障征兆中的信息，同时还能够自适应调节网络大小。神经网络所具有的自学习能力，可以促进网络从定量、历史故障信息中学习，学习结束后将相关过程知识存储到网络中，通过与新数据的对比，完成对新数据模式的判别。另外，通过寻找输入故障信号/输出故障类别数据间关系，可以完成特征提取，且能够实现故障信号模式的变换。

3.4 诊断过程

以前馈式网络代表BP网络为例，利用ANN对电力变压器进行故障诊断，即以故障征兆作为ANN输入网络，诊断结构作为输出。利用已有的故障征兆以及诊断结果来对网络进行离线训练，确保可以通过权值使得两者间存在对应关系，将得到的故障征兆加入到网络输入端，便可以利用训练好的网络来完成变压器的故障诊断，最后得到诊断结构。ANN具有良好的自适应、学习以及联想记忆等功能，可以时应变压器内部故障发生以及发展多模式系统。

4 结语

以提高电力变压器运行稳定性与安全性为目的，需要对现有故障诊断技术进行研究，积极引用智能化技术，提高技术应用效果，降低各项因素的影响。现在存在的智能故障诊断技术较多，在应用时应结合实际需求来选择，争取提高诊断结果的精 确性。

参考文献：

[1] 廖瑞金，姚陈果，孙才新，等.基于人工智能的电力变压器绝缘故障诊断面向对象知识库[J].电工技术学报.2001（06）：59-64.

[2] 陈欣.电力工程变压器故障诊断中人工智能技术的应用研究[J].中国新技术新产品.2013（08）：181.

[3] 乔维德，孙龙林.电力变压器的智能故障诊断研究[J].电气传动自动化.2010（05）：48-51.

[4] 谢可夫，罗安.遗传算法在变压器故障诊断中的应用[J].电力自动化设备.2005（04）：55-58.

[5] 谢可夫，邓建国.变压器故障模糊诊断系统[J].湖南师范大学自然科学学报.2004（01）：43-47.

[6] 李中，苑津莎，张利伟.基于自组织抗体网络的电力变压器故障诊断[J].电工技术学报.2010（10）：200-206.