变压器故障诊断技术

变压器故障诊断技术

邹敏

邹敏

国网四川省电力公司凉山供电公司四川西昌615000

摘要：作为电力系统的重要电气设备，变压器发挥着至关重要的作用，要求管理人员加强对变压器的管理，保障电力系统的稳定运行。基于此，本文从变压器的故障分类及内部故障诊断原理入手，对变压器故障诊断技术进行了分析，主要介绍了三比值法、BP神经网络以及PNN神经网络这三种故障诊断技术，以期为电力企业的运维人员进行变压器的故障管理提供帮助

关键词：三比值法；PNN神经网络；BP神经网络

前言

变压器的运行状况不仅会对用户的供电状况造成影响，还会对电力企业的生产规划造成影响。所以电气企业需要事先预判变压器可能会出现的故障，通过有效的变压器故障诊断技术，提高变压器管理的水平，保障变压器的正常运行。在实际的变压器故障诊断中，主要通过变压器内部油的气体含量判断变压器出现的故障。但是气体含量分析方法的准确性比较低，难以诊断多种类型的变压器故障。因此，对于变压器故障诊断技术的研究是很有必要的。

1变压器故障分析

1.1变压器的故障分类

1.1.1根据发生故障的部位分类

第一，绕组故障，主要是指绕组间的相间短路以及线匝间的匝间短路出现的故障；第二，引线故障，主要是指各个引线间出现的相间故障；第三，套管故障，主要是指绝缘套管老化现象，由裂缝及闪络导致的短路故障。

1.1.2根据故障现象分类

根据故障现象，变压器故障可以分为热故障及电故障这两类。其中，热故障主要根据具体的温度数值进行变压器故障的诊断。通常来说，温度低于150℃属于轻度过热故障；温度处于150℃-300℃范围内属于低温过热；温度处于300℃-700℃范围内属于中温过热；温度高于700℃属于高温过热。电故障主要根据能量密度强度进行分类，主要包括以下几种故障：

局部放电，在变压器正常运行时，产生的气体大都为氢气，然后是甲烷。当电能密度处于10-7-10-6之间时，一定量的氢气会转变为少量乙炔。在电压的作用下，会变压器内部的边缘位置会出现放电击穿现象。比如，当变压器内部的油或者固体材料中出现了气泡或者空隙，气泡或者空隙两边将会出现放电现象。

火花放电，当变压器的电位变化幅度较大，或者变压器的油中含有杂质时，则会导致火花放电。一般来说，技术人员可以在电能密度超过10-6时，根据氢气与乙炔气体的总含量判断变压器是否出现火花放电故障。

电弧放电，当变压器的电能过高时，则会出现电弧放电故障，该故障出现的伴随现象为氢气与乙炔气体的含量过高。电弧放电故障具备一定的突发性，会导致变压器的引线出现断裂，会对变压器造成严重的危害[1]。

1.2变压器的内部故障分析

变压器的内部故障会出现相应的现象，主要体现在产气速度及气体比重的变化。这是因为变压器在长期运行的过程中，固体材料或者绝缘油会出现老化与变质现象，从而导致气体的产生。一般来说，变压器的故障类型和产生的气体成分有直接的关系，所以大部分故障诊断技术都是通过分析气体成分，实现变压器故障类型的诊断。比如，当温度较高的状况下，变压器内部容易产生乙烯气体；当出现放电状况时，变压器内部容易产生氢气；当出现电弧放电时，变压器内部容易产生乙炔。与此同时，变压器内部故障的严重程度可以通过产生气体的速度及气体总量来体现，产生气体的速度越快，气体总量越大，就表明变压器内部故障越严重。因此，变压器中各个气体成分均有相应的限值，只要气体含量维持在这一范围内，就表明变压器不存在故障。具体的气体含量限值如表1所示：

表1变压器油中的气体含量限值

2变压器故障诊断技术分析

2.1三比值法

大量实践研究表明，变压器故障诊断不可以只根据变压器油中的溢出气体量进行直接判断，这种诊断方法会使得输入量增多。因此，在进行变压器故障诊断时，技术人员需要采取相应的措施减少输入量，常用的措施为通过气体之间的相对比值进行变压器故障诊断，该诊断技术被称作三比值法。在变压器实际的运行过程中，故障出现的同时会使一氧化碳、氢气、氧气、甲烷、乙烷、乙烯及乙炔等气体从变压器油中溢出。三比值法主要是应用甲烷、乙烷、乙烯、乙炔和氢气这五种气体，根据其溶液特性，使其组成甲烷/氢气、乙炔/乙烯、乙烯/乙烷这三对比值，不同的比值范围对应不同的编码（如表2所示），技术人员可以根据输入量找出相应的编码，从而诊断出变压器的故障类型。编码对应的变压器故障类型如表3所示。

表2三比值法

2.2BP神经网络诊断技术

BP神经网络是根据误差逆向传播算法构建的多层前馈神经网络，是目前应用十分广泛的神经网络。BP神经网络的结构分为输入层、输出层以及隐含层这三个部分。其中，输入层与隐含层、输出层与隐含层主要通过加权值进行连接，而且输入层、输出层及隐含层内部的神经元属于相互独立状态，输入层与输出层需要通过隐含层进行连接。隐含层具备的节点数会对BP神经网络的性能造成直接的影响，主要影响BP神经网络的学习时间与容错性。

，可以通过其他算法进行的优化，从而提升判断结构的精度；第三层，为求和层，负责将输入该层的量进行线性求和，该层神经元的数量由变压器故障的可能状况决定。

具体而言，概率神经网络主要按照如下流程进行变压器故障的诊断：第一，采集变压器的相关数据；第二，训练网络，将一百组变压器历史故障数据作为样本数据，对概率神经网络进行测试，选择八十组故障数据作为概率神经网络的训练样本，剩下的二十组故障数据作为概率神经网络的检验数据；第三，网络性能测试，将训练样本的输出值和实际的故障数据进行对比，如果两者基本吻合，就表明概率神经网络已经构建完成；第四，网络检测，选择五十组全新的故障数据，将其输入到概率神经网络模型中，对变压器故障数据进行检测，以此得出概率神经网络的准确性[3]。

结论

综上所述，变压器故障类型相对角度，需要技术人员采用多样化的故障诊断技术，才能够正确高效地进行故障诊断。通过本文的分析可知，三比值法的输入量相对较小，诊断模型构建简便；BP神经网络诊断技术的数据量相对较大，容易出现局部最优问题；PNN网络诊断技术的效率及准确性较高。在实际的变压器故障诊断工作中，技术人员需要根据实际状况，选择最佳的诊断技术，提高故障诊断的准确性。希望本文的分析可以为相关研究提供参考。

参考文献：

[1]钟志琛.基于人工智能技术的变压器故障诊断系统研究[J].科学技术创新,2018(10):143-145.

[2]崔建强.基于Matlab的牵引变压器故障智能诊断方法研究[J].电气化铁道,2018,29(01):21-26+34.

[3]谭子兵,黄秀超,钟建伟.基于BP人工神经网络的电力变压器故障诊断研究[J].湖北民族学院学报(自然科学版),2018,36(01):89-92.

作者简介

邹敏，（1985.01.03），女，助理工程师，本科，从事变电运维工作。