《变压器故障诊断的国内外文献综述》4400字.docx

变压器故障诊断的国内外文献综述

对于变压器运行时的监测与故障诊断一直以来都是国内外研究的热点内容。目前，国内外基于变压器故障诊断研究的实现方式主要分为两大类别[10-12],一类以检测实验数据为依据，由不同变压器故障类型的特征数据来判别故障，其结果宽泛且误差较大；另一类以模式识别理论为依据，联合智能算法理论实现故障类型的精准判断，其故障判别的速度和精度较高具有参考价值。

1.1传统方式的变压器故障诊断方法

传统方式下的故障诊断方法经由行业相关人员大量的实验研究和经验总结，得出的诊断的理论依据和简单的判断方法，主要包含了油中溶解气体分析与预防性试验。

当前电网及设备运行维护的电气试验法通常情况下，运用交流耐压实验、局放实验等可检测出变压器所存在的问题，该方式对于操作环境和实验程序有着较高的要求，试验时间长且特殊地理环境下无法进行，操作的困难程度和繁琐程度随着变压器等级和容量增加而成倍数正相关，多次实验下还可能对变压器造成一定的损害。

对于检测变压器故障的基础方式绝大多数采取预防性试验，通过各种有效的物理实验获取可靠的实验结果。例如油中水、气的含量检测、绝缘油试验等能够有效的反应老化程度。下面将介绍几种常见预防性试验内容：

(1)变压器绝缘油检测

电力变压器由于受潮、老化、以及长期运行损耗等原因导致的故障将释放一定的物质在油中，因为充油的电力变压器通过油来达到散热和绝缘的功效，加之释放的物质具有可溶性，所以检测人员可通过含气、水量的多少及物质成分分析，并且综合电气试验分析达到检测故障的目的[13]。

(2)阻抗测量实验，变压器空载试验、短路实验

这类实验用于检测变压器的绕组变形。绕组的直流电阻测量利用不平衡系数在3%以内为标准，用于反映匝间短路、分接头开关的接触不良等问题。若阻抗电流、空载电流数值发生变化时，结合历史故障数据额比较进一步判断故障发生原因。

(3)绕组的分接头电压比检测

该实验是预防性试验必不可少的内容，利用变压器的运行规定及出厂铭牌给出的数据，检测绕组分接头的电压比是否在标称范围内，绕组分接头的电压比测量能有效反应变压器匝间短路以及连接组别的正确与否等故障，同时为选择变压器分接头提供一项指标。

预防性试验作为定期检修的主要内容在防止设备事故发生、保证安全可靠地供电方面起着很好的作用。定期检修是依照预试规程确定的试验周期，到期必修，不考虑电气设备绝缘等实际状况,具有盲目性和强制性。容易导致过修和失修的弊端从而造成新的安全隐患。另一方面，由于电力系统是逐步发展的，各时期变压器的设备型号及制造工艺等均有所不同，对于预防性试验的耐受程度也不尽相同，这也给建立通用的物理性诊断方法造成了较大困难。

大型的电力变压器目前以充油形式为主，油中溶解气体分析法、局放检测法、老化分解物的检测法等[13-14]，各方法中目前应用最多的是基于油中溶解气体分析技术，通过对气体的成分分析判断故障类型。除了常规的受潮等故障以外，随着运行时间的增加，油中杂质增加引起局放，使得局部温升过高等问题也加速绝缘介质的分解从而引起一系列的问题，利用油中溶解气体分析也成为了更好的选择。其中的改良IEC法，故障特征气体数据结构法都是应用检测异常及故障运行状况的发生的常用方法，其中改良IEC法对潜伏性故障的捕捉较可靠。本文第二章会着重对油中溶解气体分析进行介绍。

1.2智能方式的变压器故障诊断方法

由于传统方式下的诊断效果不理想，加之人工智能、计算机等相关学科的普及推广，使得变压器故障诊断领域引入人工智能的方法成为热门研究方向。比如专家系统、模糊理论、神经网络等智能方法及多种智能方法的综合运用，都成为智能方式下热门的应用研究，且故障诊断的效果显著。

(1)基于神经网络的故障诊断

人工神经网络是一种具有自主学习能力和信息处理能力的一种无监督学习，效率高且善于归纳推广。具有良好的自组织、自学习、自适应的特点，因此被人们应用在各个领域[14]。神经网络技术应用在变压器故障诊断中有两类，一种是将人工神经网络直接用作故障判别分类器的模型，而另一种则是将多种诊断技术与人工神经网络混合应用的综合模型。利用文献[15]利用传感器技术应用在神经网络中形成变压器故障诊断，并通过实验结果证明该方法时有效的。

(2)支持向量机

支持向量机是一种基于有监督的机器学习的方法，在各个行业领域被经常应用。文献[16]提出基于多分类的相关向量机作为变压器故障诊断的方法，输入量为溶解气体量的比，利用最大似然法与期望估计法对模型推断，输出量为各个故障类型的概率，最终取概率值最大的故障类型为最终结果。分析实例得到的结果，该方式下工程需求可以满足且诊断效率较高，但支持向量机法也存在一定的弊端，对于大量样本的学习能力差，且由于核函数是随即进行选取的，从而影响故障诊断的能力。

（3）极限学习机

极限学习机