许晓路 刘川燕 罗传仙

摘 要：通过研究变压器常见缺陷和故障，提出基于机理/数据混合驱动的变压器设备故障诊断策略。该策略首先需要根据历史记录建立变压器故障案例库，然后对待检测案例进行案例匹配，若库中存在相似案例则快速得到诊断结论，若没有相似案例则启动故障推理模块。故障推理模块通过对变压器故障模式进行划分，基于不同故障模式，形成不同的推理规则，构建变压器故障树，以此进行故障推理。通过最后的案例分析，证明该策略能够对变压器设备故障进行准确、有效、快速的诊断和分析，且诊断结论可靠，实用性强。

关键词：变压器;故障分析;故障诊断;机理驱动;数据驱动

0 引言

变压器作为电力调压/传输的关键性核心部件，是电力运维重点监控对象。近年来，基于数据驱动的变压器故障诊断模型研究成为热点，如采用统计分析、BP神经网络、支持向量机、贝叶斯网络、聚类分析等对数据进行训练得到预测模型来进行故障预测[1-2]。但此类算法需要大量数据进行模型训练，而实际应用中却难以满足，导致模型准确率低、精细化程度不够等问题。

基于机理分析驱动的变压器故障诊断模型研究仍在不断发展，此类方法试图将变压器化学试验数据、电气分析数据和巡检数据等进行融合，并建立关系网络，以此推算潜伏故障，如模糊学习、关联规则挖掘、隐含马尔科夫模型等[3-5]。但变压器故障与相关特征数据间因果关系不明确，需要大量的专业经验辅助支撑，导致最终故障模型可靠性低。

综上，本文提出并设计了一种基于机理/数据混合驱动的变压器故障诊断模型。该模型利用历史运行数据、案例库和故障树，通过案例匹配和规则推理方法，构建机理/数据混合驱动的故障诊断模型，有效地避开了复杂数学建模过程，节约了成本，通过案例自增的方式进化案例库，有效提高了模型的稳定性。

1 模型整体架构设计

变压器故障诊断模型是使用变压器台账数据、运行数据、故障数据、历史案例等信息作为系统输入，然后利用诊断模型对变压器的运行状态进行评估和潜伏性故障诊断，得出故障诊断结果及解决办法，作为输出反馈给用户。其整体框架如图1所示。

1.1    用户层

用户层包括输入故障现象模块、故障现象预处理模块、故障处理模块及结果反馈模块。对故障现象进行描述和预处理后，将状态信息输入到故障诊断层，并提出故障查询。得到诊断结果之后，需要检修人员拿着结果找出故障原因，并解决故障。如果该规则已存在于案例库，则调用历史案例;若该规则与案例库不同或者是一条新规则，则将该规则反馈给故障构建层进行案例库更新。

1.2    故障诊断层

故障诊断层承接用户层输入，完成故障诊断并反馈结果给用户层，是诊断系统的核心，包括故障诊断模型和故障类型及解决办法输出模块。故障诊断模型核心是采用案例和规则串行推理的方式对故障进行诊断并输出诊断结果。故障类型及解决办法输出模块主要负责将故障诊断结果，包括故障原因、故障解决办法等信息输出给用户。

1.3    案例库构建层

案例库构建层是系统底层知识库，包括现象案例映射模块和案例库更新模块。根据历史故障诊断经验，案例映射模块进行案例收集，包括故障现象、原因、类型及经过实践验证的解决办法之间的映射关系。在进行故障诊断时，可以为故障诊断层提供相似的案例。案例更新模块，负责将新的案例收集入库，及时更新和进化案例库。

1.4    规则构建层

规则构建层也是系统底层规则库，负责规则的生成及管理，其核心为基于规则生成模块。本文应用故障树分析方法构建变压器规则模型。此模块产生的规则作用并服务于故障诊断层的规则推理模块。

2 机理/数据混合驱动方法

基于机理/数据混合驱动的故障诊断模型是故障诊断层的关键技术，其整体思路为利用案例匹配和规则推理相结合的方式，首先输入故障现象，然后检索案例库，寻找相似案例。若有相似案例，则快速获得诊断结果及相应检修策略;若没有合适的相似案例，则启动规则推理，最终将推理产生结果作为诊断结果进行输出。该模型流程图如图2所示。

第一步：故障数据输入。由用户输入变压器故障数据特征属性的描述信息，并提出查询需求。

第二步：数据预处理。在进行故障诊断前，因故障现象属性描述不一致，需要对故障现象的描述信息进行预处理，获取统一、规范的故障现象特征值。

第三步：案例库匹配。检索故障案例库，利用匹配算法进行案例匹配。如有相似案例，则输出相似度最大的案例;如没有相似案例，则启动基于FTA的规则推理算法进行推理。

第四步：基于FTA的規则推理。该模型的核心思想是根据以往专家经验，将所有案例利用故障树归纳生成规则，然后采用基于规则引擎的推理方法，将待诊断故障现象、数据与规则库进行匹配，来推理得出诊断结论。

第五步：诊断结果输出。此阶段负责根据之前的方法（匹配到最相似案例，或者利用规则推理模型）生成故障诊断结果，然后将相关结果信息如故障诊断结果、可能故障原因及解决办法进行输出。

第六步：更新案例库。根据系统诊断出的新的故障信息，对案例库进行更新和维护。

第七步：诊断结果反馈。将最终的故障诊断结果信息反馈给系统用户。

3 基于FTA的规则生成方法

FTA（Fault Tree Analysis）是由美国贝尔实验室首次应用并发展起来的一种由上往下的演绎式失效分析法[6]。变压器故障按部件划分建立故障主树，包括绕组故障、铁芯故障、套管故障、有载分接开关故障、冷却系统故障、非电量保护故障等，如图3所示。

其中，绕组故障子树包括绕组变形、短路故障、断路故障和其他过热故障，而短路故障是绕组故障中发生率最高、危险性最大的一类故障。本文以绕组故障子树为例进行分析，如图4所示。

4 案例分析

某110 kV变压器自2010年投入运行以来，多次受到中压和低压侧的外部短路冲击，且因短路引起的冲击十分严重。根据现场检测器采集的数据进行相关分析，结果如表1、表2、表3所示。

如表1、表2、表3所示，变压器油中出现了乙炔气体并超标（表1），经过预防性试验发现，变压器中绕组电容量（表2）和低电压阻抗（表3）出现较大变化。将上述信息输入到变压器故障诊断模块后，故障诊断模块推断出该变压器绕组可能存在变形，如图5所示。

对变压器进行解体检查，证实了上述判断，变压器中的三相中压和低压绕组均发生明显变形，尤以中压C相最为严重，如图6所示，验证了本方法的有效性。

5 结语

本文在研究变压器常见缺陷或故障模式、专家诊断经验及国内外故障诊断算法的基础上，提出并设计了基于机理/数据混合驱动的串联式变压器设备故障快速诊断模型和系统。由案例验证可知，本模型可以很好地辅助变压器故障的诊断，为设备检修决策提供指导。

[参考文献]

[1] 孔德钱，张新燕，童涛，等.基于差分进化算法与BP神经网络的变压器故障诊断[J].电测与仪表，2020，57（5）：57-61.

[2] 王东，朱永利.基于模糊C均值聚类和改进相关向量机的变压器故障诊断[J].电测与仪表，2019，56（12）：14-19.

[3] 祁萌，王艳，何若雪.基于改进模糊神经网络的变压器故障诊断的研究[J].成都工业学院学报，2019，22（2）：43-45.

[4] 赵龙龙.基于关联模型的电力变压器健康评估云应用[J].电工电气，2020（4）：39-43.

[5] 胡江，赵冬梅，张旭，等.基于最大熵隐马尔科夫模型的电网故障诊断方法[J].电网技术，2019，43（9）：3368-3375.

[6] 展万里，胡军，谷青范，等.基于模型的故障树自动生成方法[J/OL].计算机科学，2021：1-20.（2021-04-13）[2021-08-25].https：//t.cnki.net/kcms/detail？v=Dhx_ehRx4hfeytr4wxEVyNaYQLOBfaizkl2hh_jJOPX795x1HMYS4G2vxdZeSQIbtsqBfZEQqHTZemeUUEuWbFO8TUXRZdaj6PFju3mxroXOkObnKt1rmw==&uniplatform=NZKPT.

收稿日期：2021-09-01

作者简介：许晓路（1988—），男，湖北沙洋人，硕士研究生，高级工程师，研究方向：输变电设备远程运维及评价诊断。

刘川燕（1976—），女，湖北武汉人，高级工程师，从事电力技术服务和咨询工作。

羅传仙（1976—），男，湖北荆门人，硕士研究生，高级工程师，研究方向：输变电设备运维检修。