油中溶解气体分析的变压器故障诊断方法探讨

2022-08-25唐建伟武建卫林生红王金川

无线互联科技 2022年12期

唐建伟，武建卫，林生红，王金川

(1.南京机电职业技术学院，江苏南京 211300；2.北京城建设计发展集团股份有限公司，北京 100032)

0 引言

电力变压器是电力系统主要设备之一，承担变换电压、传输电能的重要作用，因此电力变压器的运行状态及绝缘老化程度是电网企业运维人员最为关切的问题之一。利用各种技术手段对变压器的故障类型做出判断，根据不同特征量评估变压器故障严重程度是实现变压器全寿命周期管理的基础和前提。油浸式变压器内部的绝缘介质主要是油纸复合绝缘，其中绝缘油的主要作用是绝缘、散热和灭弧。早在1973年Halstead就提出油中溶解气体成分以及含量与变压器故障类型有着密切关系，并由此发展起来基于油中溶解气体分析的变压器故障诊断方法。基于油中溶解气体的分析方法经过近半个世纪的发展，越加得到了业内重视[1-2]。

本文立足于基于DGA的变压器故障诊断方法概述，综述了国内外变压器故障诊断的研究成果，归纳分析了各类方法的特点，为我国变压器状态监测技术的发展提供借鉴与参考。

1 变压器常见故障类型

工程运行经验表明放电故障、过热故障、绝缘油故障以及受潮故障是挂网运行变压器的常见故障[3-4]。

1.1 放电故障

变压器内部油纸复合绝缘性能的好坏直接关系到变压器运行的稳定性，当变压器发生局部放电之后会对绝缘介质产生破坏。一般而言，放电程度越严重对绝缘的破坏性也就越大，最终影响变压器寿命[3]。放电对绝缘的破坏主要有以下几点：第一，局部放电产生的粒子会对绝缘材料产生冲击导致绝缘材料的结构被破坏，同时局部放电过程中会产生大量高能粒子，这些粒子之间相互碰撞使绝缘材料温度升高，最终也会降低绝缘材料的性能。第二，局部放电产生的气体经过复杂的化学反应之后会生成腐蚀性物质，绝缘材料长期处于腐蚀性环境中会导致材料进一步裂解。第三，局部放电会促使绝缘油加速分解产生油泥，这些油泥会附着于绝缘材料表面影响绝缘材料的散热性能，进而导致绝缘材料发热与散热不平衡，形成恶性循环，最终产生热老化。

放电故障的严重后果是导致绝缘材料发生贯穿性击穿，最终影响变压器使用年限，降低电力系统稳定性。因此，针对变压器局部放电的检测一直是电气设备状态检修的关键内容之一[2]。

1.2 过热故障

该类故障是电气设备多发性故障，常常会带来严重的危害，尤其是对变压器来说过热故障检修起来比较困难，因此该类故障是变压器维护过程中需重点关注的故障之一。研究和实践表明变压器内部出现故障点之后变压器运行温度会升高，正常运行情况下绝缘油的运行温度在75～85 ℃，由于过载、故障等原因，实际运行中变压器的温度很有可能超出上述范围，导致有机纤维材料发生裂解。研究表明C—O键的热稳定性比C—H键要低，当运行油温超过105 ℃时纤维素聚合物将会产生裂解，运行温度高于300 ℃时纤维素完全裂解并碳化。变压器过热性故障的维修过程比较复杂需要停电检修并吊罩检查，因此将会带来巨大的经济损失[3]。

1.3 绝缘油故障

目前，工程实际中使用的变压器油主要有矿物油、植物油、硅油等，其中矿物油是石油蒸馏的主要产物，其介电性能较好，价格便宜，因此在变压器油中矿物油占比最高[5]。矿物绝缘油的主要成分是环烷烃、烷烃以及芳香烃等物质。变压器运行工况恶劣，尤其是户外变压器长期处于日晒雨淋的环境中，当绝缘油中混入气体、水分以及杂质时会对绝缘油的绝缘性能产生不利影响，因此绝缘油故障也是变压器常见故障之一[6]。实际运行中，工作人员也会对变压器油进行清洁甚至换油但这无法彻底清除变压器内部的杂质且上述工作周期较长。

1.4 受潮故障

由于绝大部分变压器在运行过程中长期暴露在户外，因此会有水分进入变压器内部，水分与金属铁发生化学反应产生氢气，同时设备绝缘受潮后在局部放电的作用下也会产生氢气[4]。最终影响绝缘寿命，同时水分在变压器内部多存在于绝缘纸中，因此对绝缘纸的性能影响显著。

2 传统的变压器故障诊断方法

目前，传统的变压器故障诊断的方法主要分为：特征气体判别法、特征气体成分的比值法即三比值法[3-4]。

2.1 特征气体法

变压器故障时内部会产生复杂化学反应生成烃类等气体物质，因此可以根据油中气体的类型和含量对故障进行诊断。根据《变压器油中溶解气体分析和判断导则》(以下简称《导则》)，不同类型故障与特征气体的关系，如表1所示。

表1 特征气体和对应的故障类型

2.2 三比值法

三比值法是在实践基础上结合热、动力学得出的。主要使用C2H2/C2H4，CH4/H2，C2H4/C2H6三组比值形成编码来诊断故障类型。虽然目前三比值法是判断变压器故障的主要方法，但实际使用中依旧存在编码不全面、误判、故障分类结果模糊等不足[7]。产生上述不足的原因：第一，变压器内部是一个复杂的系统，气体在变压器油中的溶解与析出是一个动态过程。第二，变压器种类多样内部绝缘结构不同，《导则》中的判断标准并不适合所有变压器。第三，油色谱分析过程操作复杂运送距离远等都会对最终检测结果产生影响。

3 基于人工智能的变压器故障诊断方法

随着人工智能不断发展，越来越多的算法被用在变压器故障诊断中。例如，专家系统，神经网络，支持向量机，以及模糊证据理论等，这使得变压器故障诊断模型的结果更具准确性。近年来，不同算法之间的交叉结合、新型优化算法的投用也显著提高了智能诊断方法的准确率[8-9]。

3.1 基于专家系统的变压器故障诊断

专家系统(Expert System，ES)是将电气工程领域内专家的经验作为知识库的知识元，最终建立为一个故障数据库，把需要判断的特征输入数据库之后，专家系统会模拟专家在故障诊断时的思维模式，根据数据库的识别规则进行故障诊断[8]。专家系统的故障诊断的必备条件是建立完备的专家知识库，工程实际中变压器故障数据量较小且设备繁多，种类多样，因此在一定程度上限制了专家系统的应用。

3.2 基于人工神经网络的变压器故障诊断

人工神经网络(Artificial Neural Networks，ANN)是较早被引入变压器故障诊断领域的人工智能算法。该算法的基本原理是通过对输入值与输出值之间的差来调节算法的阈值和权值，使算法向缩小差值的方向进行，最终实现问题的求解。典型的BP神经网络拓扑结构，如图1所示。

图1 典型BP神经网络结构

在变压器油色谱分析数据、当地气象数据以及能源管理系统的相关数据基础上利用神经网络算法成功预测了故障状态和非故障状态下的特征气体组分含量[10]。提出采用BP神经网络对油中溶解气体数据进行分析，最终完成对变压器故障的诊断与分类，并取得了一定的成果[11]。

3.3 基于支持向量机的变压器故障诊断

支持向量机(Support Vector Machine，SVM)是利用统计学方法在数据信息挖掘的基础上发展起来的。该种方法在模式识别领域和时间序列分析等问题上具有独特优势[12]。支持向量机对原始数据样本的规模要求不高，即使在样本有限的情况下依旧能够达到很高的识别准确率。用粒子群算法对SVM的核函数参数的寻优过程进行优化并取得了很好的效果，但该算法运算时间较长[12]。建立多核SVM分类器，在此基础上进行多个目标函数的寻优最后获得多个超平面最优参数，提高了计算的效率，但该种方法忽略了实际问题中各类故障之间存在的边界效应[13]。建立了有向无环图SVM模型，并将其应用在变压器故障诊断当中，取得了很好的效果[14]。

3.4 基于模糊理论的变压器故障诊断

模糊理论(Fuzzy Theory)在基于DGA的变压器故障诊断中得到广泛应用，建立基于径向基神经网络与模糊聚类的变压器故障诊断方法，并取得了很好的效果[15]。将最大信息系数以及受试者特征作为变压器故障诊断的特征量建立变压器模糊诊断系统，最终实现变压器故障诊断[16]。

人工智能是一个非常活跃的研究领域，新的人工智能算法层出不穷且性能不断提高，后续应结合不同算法的特点将算法与实际模型深度融合，进一步提高算法的实用性和诊断的准确性。

4 基于光谱技术的变压器故障诊断方法

随着检测技术和计算机技术的迅猛发展，多种新型的检测技术已经运用在变压器故障诊断和状态评估领域，相关学者也在这些方面做了很多尝试力求为变压器在线诊断提供了新的手段和技术支持，其中主要包括光谱声谱技术[17]、红外光谱[18]、激光拉曼光谱[19]以及太赫兹时域光谱等[20]。上述方法均是基于不同分子或者基团在不同频率段内的吸收特性不同，因此可以通过光谱分析对变压器内部不同组分含量气体进行定性或定量分析，需要指出的是基于光谱检测的方法还不成熟有待进一步挖掘不同成分或者基团在不同频率段的特征吸收谱。