变压器故障诊断研究

变压器故障诊断研究摘要：变压器一旦发生故障将对电力系统造成重大的危害，及早发现变压器的潜伏性故障，对保证其安全运行，提高供电的可靠性具有重要意义。文章分析了变压器常见的故障，介绍了目前常用的故障诊断方法，引入了RBF网络应用于变压器故障诊断，分析表明该方法诊断正确率高。关键词：变压器故障诊断；BP神经网络；RBF网络；潜伏性故障变压器故障诊断研究变压器是电力系统的枢纽，它关系到电力系统的可靠性和稳定性，变压器发生故障会给人们的生活带来不便，严重情况下还会危及生命安全。由于无法杜绝变压器故障的发生，所以对故障的正确诊断和早期的预测就更加重要。目前普遍使用的是定期预防性试验，不同的实验方法和测试仪器反映运行状态的数据不够全面，经常含有现场测量时的干扰信息，并且试验时都是在离线停电状态下进行的，因停电会造成很大的负荷损失。为了正确的判断出变压器的运行状态，引入人工智能化的变压器故障诊断方法能够及时有效的判断变压器的状态，预先发现早期潜伏性故障，避免无必要的检修，具有很强的现实意义。一、变压器的常见故障变压器的结构比较复杂，这种特性导致变压器故障类型的多样性，以至于很难以某一判据诊断出具体的故障类型。当变压器发生故障时，按变压器本体可分为内部故障和外部故障，即把油箱内发生的各相绕组间的相间短路、绕组的匝间短路、绕组或引线与箱体接地等称为内部故障；而油箱外部发生的套管闪络、引出线间的相间短路等故障称为外部故障；按变压器结构可分为绕组故障、铁芯故障、油纸故障、附件故障；从故障发生的部位又可分为铁芯故障、分接开关故障、套管故障等。对变压器危害大的故障主要有以下几种：（一）绕组故障绕组是变压器主要部分，绕组故障主要分为：匝间短路、相间短路、绕组断路，由于绕组各部分绝缘老化以及受潮，导致绕组匝间、相间、高低压绕组间发生短路、断路、击穿或烧毁。产生故障的原因是制造工艺不良，机械强度不能经受短路冲击，使绕组变形，绝缘损坏；检修时，局部绝缘受到损害，遗留下缺陷，导致变压器绕组损坏；长期过载，温度过高引起绝缘老化；绕组受潮，引起局部过热，极易导致局部放电，造成匝间短路。（二）铁芯故障铁心质量好坏是决定变压器正常运行的关键。铁芯故障分为铁心多点接地和铁心过热故障，当变压器出现铁心多点接地故障时，产生的环流将引起变压器局部过热，使铁心局部烧损，如不及时发现，严重时可能烧坏铁心。产生铁芯故障的原因很多，如压铁松动引起铁芯振动和噪声、铁芯接地不良及异常接地、铁心片间短路、铁心局部短路、铁芯片间叠装不好造成铁损增大而使铁芯发热等。（三）分接开关故障分接开关由于经常进行切换操作，很容易出现各种故障。分接开关常见的故障有：无载分接开关上分接头的相间绝缘距离不足且绝缘材料上堆积油泥时，若受潮，在过电压下将发生相间短路故障；有载分接开关若触头接触不良或因锈蚀使电阻增大，绝缘支架上的紧固金属螺栓接地断裂造成悬浮放电，如果密封不严使雨水侵入而使得绝缘性能降低。（四）油和油纸绝缘故障变压器内绝缘的主要绝缘材料是变压器油和绝缘纸、纸板、本块等主要成分为纤维素的固体绝缘材料，这些绝缘材料受环境的影响将发生老化，分解出大量的纤维素，一旦这些纤维素在变压器受潮后，如有少量水分进入油中容易形成小桥连接，丧失绝缘强度，造成绝缘故障。（五）油流带静电故障变压器油与固体绝缘界面上很容易产生正负电荷，当某处电荷积累密集达到一定的场强时，将会使固体绝缘受损伤，并最终导致绝缘故障。（六）引线故障引线是变压器内部绕组出线与外部接线的中间环接，其接头是通过焊接而成，因而焊接质量直接影响到引线的故障发生。主要故障模式有引线短路、引线断路、引线接触不良。引线短路如不及时处理会导致绕组相间短路，引线断路应使变压器立即停止运行，接触不良将会产生局部高温烧断引线而使变压器停运。（七）套管故障套管是变压器内部绕组与箱外联接引线的装置，套管密封不严会发生位移和开焊，雨水循着套管进入变压器内部，极易导致变压器绕组短路或相间短路。如果套管表面积垢严重或者套管上有裂纹，会造成绝缘套管闪络和爆炸，使变压器烧毁。二、常用的诊断方法由于变压器内部结构的复杂性，故障的形式也是多样的，要准确地判断出变压器的故障性质及故障发生部位非常困难，常用的变压器故障检测方法主要包括：（一）绝缘电阻试验绝缘电阻试验能有效的检查出变压器绝缘整体受潮、部件表面受潮、脏污以及贯穿性的集中缺陷。（二）泄漏电流试验泄漏电流试验测量灵敏度较高，能有效地发现变压器套管密封不严进水、高压套管裂纹等其它试验不易发现的缺陷。（三）介质损失角正切试验介质损失角正切试验能发现变压器绝缘整体老化受潮和油质劣化的情况。由于变压器绝缘是由绝缘纸、绝缘油和瓷套管等构成的整体，由于表面泄漏电流的影响，测出的介损值无法有效反映绝缘局部受潮。（四）交流耐压试验交流耐压试验能发现变压器主绝缘的局部缺陷，如绕组主绝缘受潮、开裂或绕组松动、以及绕组绝缘上附着有脏物等。（五）直流电阻试验直流电阻试验可以检查分接开关和引线与套管的接触是否良好、接头是否松动、绕组是否断股、匝间有无短路等缺陷，实际上也是判断各相绕组直流电阻是否平衡的有效手段。（六）空载试验空载试验能发现变压器铁芯多点接地、铁芯硅钢片整体老化等局部绝缘不良或整体缺陷，根据交流耐压试验前后两次空载试验测得的空载损耗比较、判断绕组是否有匝间击穿情况等。（七）局部放电试验局部放电以脉冲电流法和超声波检测法应用较为广泛，脉冲电流法利用铁心或中性点引下线捕捉局部放电的电脉冲信号，后者在油箱的不同部位采集局部放电引起的超声波信号。虽然局部放电的定量精确度不高，但对定性和定位有一定的作用。（八）红外测温红外热成像测温技术应用于电气设备故障诊断中日益广泛，用红外测温仪测量套管出线端子的温度、油箱、套管表面的温度可以发现如导电回路连接件接触不良、套管缺油和箱体涡流发热等缺陷。（九）绕组变形试验当绕组发生变形后，绕组尺寸的变化必然引起漏电抗的变化，利用阻抗电压法不但可以有效地判断变压器绕组是否存在变形，还可确定绕组变形程度。利用扫频测量技术，测量变压器各个绕组的幅频响应特性，可以得到一组结构特性图谱，从而诊断绕组是否存在扭曲、鼓包和位移等变形情况。（十）油中溶解气体法单纯依靠某一项电气试验得到变压器运行的真实状态比较困难，油中溶解气体分析法对发现其内部的潜伏性故障及早期故障非常有效。油中溶解气体分析法（DGA）是通过检测变压器油中溶解的各种特征气体的成分含量来判断变压器故障的方法，该方法不需要变压器停止运行，不受各种电磁干扰的影响，数据可靠性高，尤其对于过热性、电弧性放电和绝缘破坏性等故障有很好的效果。但是DGA也存在不足，操作比较复杂，不能捕捉到突发性故障的前驱迹象，当变压器内部气体含量较少时，很难对变压器故障进行诊断，当变压器多种故障类型同时出现时，会出现误判和判断不出的结果的情况，因此需要结合其它的方法。三、人工神经网络变压器内部故障诊断方法很多，如人工神经网络方法、模糊集理论方法、专家系统方法等。由于人工神经网络具有并行处理、学习和记忆、非线性映射和自适应能力等特点，为变压器故障诊断开辟了一条新的途径。人工神经网络与常规的电气试验不同，它不包含具体的诊断规则，能够实现输入输出的非线性映射关系，但它并不是依赖于具体模型，其输入与输出之间的关联信息分布地存储于连接权中，它通过对己知故障样本的学习，达到对未知故障样本的诊断。研究最多的神经网络是前馈型神经网络（如BP网络，RBF网络），由于BP网络采用按误差函数梯度下降的方向进行收敛，不可避免会出现收敛速度慢及容易陷入局部极小点的问题。RBF网络是以函数逼近理论为基础而构造的一种前向网络，研究表明无论在逼近能力、模式识别和学习速度等方面，RBF均优于BP网络，典型的RBF网络是由输入层、隐含层和输出层组成，如图1所示：图1RBF网络图2011.0381第一层是输入层，它由信号源节点组成，第二层是隐藏层，第三层是输出层，隐藏层的变换函数采用RBF网络，RBF网络的输出为：其中iw是输出接点的权值，g是基函数矢量。采用高斯函数作为基函数，如下：其中矢量参数ｘ是函数的自变量矢量，C是输入；ｃ是常数矢量，径向基函数的中心；Φ（ｘ－ｃ）就是基函数。四、基于人工神经网络的DGA故障诊断利用神经网络可有效地通过分析变压器油溶解气体来诊断电力变压器的内部故障。变压器故障按性质可分为热故障和放电故障，热故障又可分为低温过热（≤300°）故障和高温过热（≥700°）故障；电故障可分为高能量放电（电弧放电和比较强烈的火花放电）和低能量放电故障（局部放电和比较微弱的火花放电），统计变压器油中分解出的2H、22CH、4CH和24CH一共4种特征气体含量，作为4个输入神经元的输入向量。对输出层采用低温过热、高温过热、低能量放电、高能量放电作为四个输出值，输出值在[0，1]的范围内变化，表示故障发生的概率，数值越大则表明该类型故障的可能性越大，输出值最大为1，表示属于此类故障，输出值最小为0，表示不属于此类故障。取4组特征样本对网络进行训练学习，见表1：表1数据样本网络的仿真结果见表2：表2神经网络诊断结果可以看出，神经网络的诊断结果和和实际故障基本一致。五、结语变压器故障诊断是非常复杂的问题，将RBF神经网络应用于变压器故障诊断，实例分析结果表明，该方法具有诊断速度快、适应性强和诊断的正确性强优点。随着输电压等级的不断升高和人们对供电质量的要求越来越高，变压器的故障诊断在今后也必将还是一个研究的热点。参考文献[1]董其国．电力变压器故障与诊断[M]．北京：中国电力出版社，2000．[2]李建明，朱康．高压电气设备试验方法[M]．北京：中国电力出版社，2006．[3]操敦奎．变压器油中分析诊断与故障检查[M]．北京：中国电力工业出版社，2005．[4]刘勇辉．基于DGA的电力变压器故障诊断[J]．高电压技术，2005，31（6）．[5]韩力群．人工神经网络理论设计及应用[M]．北京：化学工业出版社，2002．[6]