变压器故障诊断技术综述

摘要/Abstract

摘要： 变压器设备在电力系统中起到了重要的作用，其健康、稳定的运行关系到电压转换、电能分配的顺利实现，而故障诊断技术能够为变压器的正常运转保驾护航。本文详细综述国内外变压器故障诊断技术的研究现状，分析变压器故障诊断的发展历程，对比研究不同诊断方法的优劣及适应场景，分析传统变压器故障数据提取方法——溶解气体分析法以及基于声音信号的变压器故障数据提取方法，最终提出变压器故障诊断未来的研究重点及发展趋势，为变压器故障的诊断提供一定的参考。

关键词: 变压器, 故障诊断, 声音数据, 人工智能

Abstract: Transformer equipment plays an essential role in the power system. Its healthy and stable operation is related to realizing the function of power distribution voltage conversion, and fault diagnosis technology can escort for the transformer’s regular operation. This paper summarizes the research status of transformer fault diagnosis technology at home and abroad, analyzes the development process of transformer fault diagnosis, compares the merits of different diagnosis methods, and analyzes the traditional method of extracting transformer fault data——dissolved gas extraction method and sound signal. Finally, the research focus and development trend of transformer fault diagnosis in the future are put forward to provide some reference for transformer fault diagnosis.

Key words: transformer, fault diagnosis, sound data, artificial intelligence

林凡勤, 李明明, 郭红. 变压器故障诊断技术综述[J]. 计算机与现代化, 2022, 0(03): 116-126.

LIN Fan-qin, LI Ming-ming, GUO Hong. Review on Fault Diagnosis Technology of Transformer[J]. Computer and Modernization, 2022, 0(03): 116-126.

参考文献［103］

［1］	张建文. 电气设备故障诊断技术［M］. 北京:中国水利水电出版社, 2006.
［2］	DAI X W, GAO Z W. From model, signal to knowledge: A data-driven perspective of fault detection and diagnosis［J］. IEEE Transactions on Industrial Informatics, 2013,9(4):2226-2238.
［3］	STETCO A, DINMOHAMMADI F, ZHAO X, et al. Machine learning methods for wind turbine condition monitoring: A review［J］. Renewable Energy, 2019,133(1):620-635.
［4］	HOANG D T, KANG H J. A survey on deep learning based bearing fault diagnosis［J］. Neurocomputing, 2019,335:327-335.
［5］	GAO Z W, CECATI C, DING S X. A survey of fault diagnosis and fault-tolerant techniques—Part II: Fault diagnosis with knowledge-based and hybrid/active approaches［J］. IEEE Transactions on Industrial Electronics, 2015,62(6):3768-3774.
［6］	SUN Q Y, WANG C L, WANG Z L, et al. A fault diagnosis method of Smart Grid based on rough sets combined with genetic algorithm and tabu search［J］. Neural Computing and Applications, 2013,23(7-8):2023-2029.
［7］	ZHOU M, LI G Y, REN J W, et al. A distributed power system fault diagnosis expert system based on fuzzy inference［C］// International Conference on Advances in Power System Control. 2000:DOI:10.1049/cp:20000404.
［8］	LIANG C, WANG S D, CHEN R, et al. Research on ship electronic power system fault diagnosis based on expert system［J］. IOP Conference Series Materials Science and Engineering, 2020,738(1):12-17.
［9］	ADEWOLE A C, TZONEVA R. Distribution network fault detection and diagnosis using wavelet energy spectrum entropy and neural networks［J］. International Review of Electrical Engineering, 2014,9(1):165-173.
［10］	ADEWOLE A C, TZONEVA R, BEHARDIEN S. Distribution network fault section identification and fault location using wavelet entropy and neural networks［J］. Applied Soft Computing, 2016,46(C):296-306.
［11］	ASLAN Y, YA〖AKGˇ〗AN Y E. Artificial neural-network-based fault location for power distribution lines using the frequency spectra of fault data［J］. Electrical Engineering, 2016,199:1-11.
［12］	WEI C, TAO F B, LIN Y D, et al. Substation equipment thermal fault diagnosis model based on ResNet and improved Bayesian optimization［C］// 2019 9th International Conference on Power and Energy Systems. 2019:1-5.
［13］	SU H S. A novel substation fault diagnosis and maintenance method based on ontology and Bayesian network［C］// International Conference on Complex Systems and Applications. 2006.〖HJ1.65mm〗
［14］	LI J, SUN N L, TENGS H. State identification algorithm for substation devices based on sound recognition［J］. Information Technology, 2015,25(6):94-98.
［15］	ZHOU X M, LI Y. Voice recognition based on wavelet moment and BP network［J］. Computer Engineering and Applications, 2015(3):192-196.
［16］	张凯,黄华平,杨海涛,等. 利用改进遗传算法与LS-SVM进行变压器故障诊断［J］. 电网技术, 2010(2):164-168.
［17］	方科,黄元亮,刘新东. 基于自适应PSO算法的LS-SVM牵引变压器绝缘故障诊断模型［J］. 电力自动化设备, 2011(1):171-178.
［18］	郑含博,王伟,晓纲,等. 基于多分类最小二乘支持向量机和改进粒子群优化算法的电力变压器故障诊断方法［J］. 高电压技术, 2014,40(11):3424-3429.
［19］	李宗岳,陈志军,李名远. 基于改进FOA-LSSVM的变压器故障诊断［J］. 水电能源科学, 2016,34(4):194-197.
［20］	任静,黄家栋. 基于免疫RBF神经网络的变压器故障诊断［J］. 电力系统保护与控制, 2010,38(11):6-9.
［21］	程加堂,熊伟,段志梅,等. 灰色神经网络在变压器故障诊断中的应用［J］. 高压电器, 2010(8):56-58.
［22］	温阳东,宋阳,王颖鑫,等. 基于模糊神经网络的电力变压器故障诊断［J］. 计算机测量与控制, 2013,21(1):39-41.
［23］	石鑫,朱永利. 深度学习神经网络在电力变压器故障诊断中的应用［J］. 电力建设, 2015,36(12):116-122.
［24］	刘丽,唐杰,刘卓,等. 基于改进微分进化优化神经网络的电力变压器故障诊断［J］. 电力系统保护与控制, 2010(20):106-109.
［25］	刘卓,黄纯,李波. 利用微分进化优化神经网络的变压器故障诊断［J］. 电力系统及其自动化学报, 2011,23(2):54-58.
［26］	李志斌,陈成优,李启本,等. 基于BP神经网络的变压器故障诊断［J］. 化工自动化及仪表, 2013,40(4):494-496.
［27］	陈小玉. 改进的神经网络在变压器故障诊断中的应用［J］. 计算机仿真, 2012,29(8):318-321.
［28］	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):62-66.
［29］	赵文清,严海,周震东,等. 基于残差BP神经网络的变压器故障诊断［J］. 电力自动化设备, 2020,40(2):201-206.
［30］	王芳,郑建柏. 基于朴素贝叶斯分类的变压器故障诊断［J］. 电力安全技术, 2013(9):32-34.
［31］	李贵涛,侯沛勇,任方宇,等. 基于贝叶斯网络的变压器故障诊断及重要度分析［J］. 世界科技研究与发展, 2014,10(5):488-493.
［32］	李志斌,陈成优. 基于粗糙集和贝叶斯网络的变压器故障诊断［J］. 上海电力学院学报, 2013(1):30-34.
［33］	赵文清. 基于选择性贝叶斯分类器的变压器故障诊断［J］. 电力自动化设备, 2011(2):48-51.
［34］	俞玲,李启本,贾金伟. 基于帕累托贝叶斯网络的变压器故障诊断系统软件设计［J］. 电力与能源, 2017,38(5):575-580.
［35］	史家燕,赵肖敏,史源素. 变压器故障诊断专家系统的开发及应用［J］. 中国电力, 2015,48(5):31-35.
［36］	索红军. 基于关系数据库的变压器故障诊断专家系统［J］. 科学技术与工程, 2010(18):4503-4505.
［37］	陈尔奎,杜晓萍,郑帆. 基于专家系统的变压器故障诊断［J］. 控制工程, 2012(S1):133-135.
［38］	师瑞峰,史永锋,牟军. 油中溶解气体电力变压器故障诊断专家系统［J］. 电力系统及其自动化学报, 2014(12):49-54.
［39］	郑烨,黄海,赵海峰. 变压器故障诊断专家系统的改良设计［J］. 电工电气, 2014(1):47-50.
［40］	徐阳,谢天喜,周志成. 基于多维度信息融合的实用型变压器故障诊断专家系统［J］. 中国电力, 2017,50(1):85-91.
［41］	谢龙君,李黎,程勇. 融合集对分析和关联规则的变压器故障诊断方法［J］. 中国电机工程学, 2015,35(2):277-286.
［42］	尹金良,朱永利,俞国勤. 基于多分类相关向量机的变压器故障诊断新方法［J］. 电力系统保护与控制, 2013,11(5):77-82.
［43］	郭新辰,宋琼,樊秀玲. 基于半监督分类方法的变压器故障诊断［J］. 高电压技术, 2013,39(5):1096-1100.
［44］	钱之银,陆志浩,楼其民. 变压器油中溶解气体判断方法综述［J］. 高压电器, 2002(6):34-37.
［45］	高文胜,严璋,谈克雄. 基于油中溶解气体分析的电力变压器绝缘故障诊断方法［J］. 电工电能新技术, 2000(4):134-137.
［46］	陈玉军. 电力变压器内部故障诊断方法综述［J］. 中国农村水利水电, 2002(8):21-22.
［47］	王文崇，杨乐. 电力变压器故障诊断方法研究［J］. 商品与质量, 2016,10(28):57.
［48］	陈敢峰. 用溶解气体分析法诊断变压器故障［J］. 变压器, 2003,40(6):40-42.
［49］	王美荣,傅丽君. 油中溶解气体分析法在变压器故障判断中的应用［J］. 高压电器, 2005,41(6):473-475.
［50］	本社. 变压器油中溶解气体分析和判断导则/中华人民共和国电力行业标准［M］. 北京:中国电力出版社, 2001.
［51］	张卫华,苑津莎,张铁峰. 应用B样条理论改进的变压器三比值故障诊断方法［J］. 中国电机工程学报, 2014,34(24):4129-4129.
［52］	李林发,文正其,邓世聪. 基于模糊三比值法和案例匹配的变压器故障诊断方法研究［J］. 变压器, 2015,52(12):61-66.
［53］	徐闻婕,阮江军,宋斌. 灰色关联度分析法在变压器三比值缺码数据故障诊断中的应用［J］. 科技通报, 2017,33(10):129-133.
［54］	杜正聪,牛高远. 基于加权模糊聚类算法的变压器故障诊断方法［J］. 高压电器, 2014(4):42-48.
［55］	陈尔奎,杜晓萍,郑帆. 基于专家系统的变压器故障诊断［J］. 控制工程, 2012(S1):133-135.
［56］	胡泽江,张海涛. 可拓关联函数与属性约简相结合的变压器故障诊断方法［J］. 南方电网技术, 2011,5(2):113-117.
［57］	JONES S L. The detection of partial discharges in power transformers using computer aided acoustic emission techniques［C］// 1990 IEEE International Symposium on Electrical Insulation. 1990:106-110.
［58］	操敦奎,许维宗,阮国方. 变压器运行维护与故障分析处理［M］. 北京:中国电力出版社, 2008.
［59］	MINHAS M S A, REYNDERS J P, DE KLERK P J. Failures in power system transformers and appropriate monitoring techniques［C］// 1999 7th International Symposium on High Voltage Engineering. 1999.
［60］	程养春,魏金清,李成榕. 局部放电作用下变压器匝间油纸绝缘加速劣化规律［J］. 电工技术学报, 2015,30(18):203-212.
［61］	汪可,廖瑞金,郑升讯. 油浸绝缘纸电劣化过程中的局部放电混沌特性［J］. 高电压技术， 2013,39(12):3075-3081.
［62］	JIANG W, LIU F, WANG Z Y, et al. Transformer partial discharge detection using electrical-ultrasonic technology［C］// 2012 Asia-Pacific Power and Energy Engineering Conference. 2012:1-4.
［63］	黎大健,梁基重,步科伟. GIS中典型缺陷局部放电的超声波检测［J］. 高压电器, 2009(1):72-75.
［64］	王卫东,赵现平,王达达. GIS局部放电检测方法的分析研究［J］. 高压电器, 2012,48(8):13-17.
［65］	刘化龙. 变压器局放超声检测和定位技术现状及发展［J］. 重庆理工大学学报(自然科学版), 2014,28(7):71-79.
［66］	杨晓滨,吕守国,姜建. 空载状态下500kV单相变压器直流偏磁噪声研究分析［J］. 中国电子科学研究院学报, 2018(4):446-451.
［67］	CHOI S Y, PARK D W, KIM I K, et al. Analysis of acoustic signals generated by partial discharges in insulation oil［C］// 2008 International Conference on Condition Monitoring and Diagnosis. 2008:525-528.
［68］	王泽忠,李冰,刘海波. 直流偏磁下500kV单相变压器振动噪声的实验研究［J］. 电工技术学报, 2021,36(13):2801-2811.
［69］	余磊. 变压器噪声的产生与影响因素探讨［J］. 装备制造技术, 2010(10):184-185.
［70］	李永财,李艳敏. 变压器噪声的产生机理及影响因素探讨［J］. 中国科技财富, 2012,10(11):336.
［71］	郁瑾. 电力变压器振动产生机理及影响因素研究［J］. 城市建设理论研究(电子版), 2015(29):147-149.
［72］	郭俊,杜利民,汲胜昌. 变压器振动模型在短路故障中的应用研究［J］. 智慧电力, 2011,39(2):1-4.
［73］	周建平,林爱弟,吴劲晖. 电力变压器振动监测的测点位置选择［J］. 电子测量与仪器学报, 2012(12):76-83.
［74］	潘纪良,吴晓文,胡胜. 三相油浸式电力变压器噪声与振动特性分析［J］. 湖南电力, 2017,37(1):66-69.
［75］	余永华,陈杰,杨建国. 基于支持向量机的柴油机气阀漏气的声发射诊断研究［J］. 内燃机工程, 2013(6):53-57.
［76］	刘超. 基于声学技术的列车车轮擦伤故障诊断研究［D］. 哈尔滨:哈尔滨工业大学, 2015.
［77］	刘洋,张栓,张桐. 航空发动机轴承噪声检测技术分析研究［C］// 第十五届中国科协年会第13分会场：航空发动机设计、制造与应用技术研讨会论文集. 2013:1-6.
［78］	王敏. 基于声信号的齿轮箱故障诊断研究［D］. 南京:东南大学, 2012.
［79］	徐帅华,管声启,陈龙龙. 小波分解在带钢缺陷检测中的应用［J］. 计算机与现代化， 2014(7):146-149.
［80］	冯洋. 基于小波包变换的红外弱小目标检测［J］. 计算机与现代化, 2020(12):116-119.
［81］	WU T, YAN G Z, YANGB H, et al. EEG feature extraction based on wavelet packet decomposition for brain computer interface［J］. Measurement, 2008,41(6):618-625.
［82］	肖华兰,吴骏. 基于多分类相关向量机的变压器故障诊断［J］. 电子世界, 2013,3(15):61-62.
［83］	苑津莎,张利伟,王瑜. 基于极限学习机的变压器故障诊断方法研究［J］. 电测与仪表, 2013,10(12):21-26.
［84］	范磊,张运陶,程正军. 基于Matlab的改进BP神经网络及其应用［J］. 西华师范大学学报(自然科学版), 2005,26(1):70-73.
［85］	江毓,郑燕萍,张新. 基于改进BP神经网络的电机异音诊断［J］. 重庆理工大学学报, 2020,34(1):242-246.
［86］	袁圃,毛剑琳,向凤红. 改进的基于遗传优化BP神经网络的电网故障诊断［J］. 电力系统及其自动化学报, 2017,29(1):118-122.
［87］	李文强,严玉廷,张轩. 基于改进的遗传算法优化BP-NN在电网故障诊断中的研究［C］// 2015年云南电力技术论坛论文集（下册）. 2015:335.
［88］	苟旭丹. 基于Hilbert模量与改进BP神经网络的电机转子断条故障诊断［J］. 电测与仪表, 2018,55(3):55-58.
［89］	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.
［90］	贾京龙,余涛,吴子杰. 基于卷积神经网络的变压器故障诊断方法［J］. 电测与仪表, 2017,13(54):69-74.
［91］	刘兵,郑剑. 基于卷积神经网络的变压器局部放电模式识别［J］. 高压电器, 2017(5):70-74.
［92］	张重远,罗世豪,岳浩天. 基于Mel时频谱——卷积神经网络的变压器铁芯声纹模式识别方法［J］. 高电压技术, 2020,46(2):50-60.
［93］	曾全昊,王丰华,郑一鸣,等. 基于卷积神经网络的变压器有载分接开关故障识别［J］. 电力系统自动化, 2020,44(11):144-151.
［94］	李红艳,李春庚,安居白,等. 注意力机制改进卷积神经网络的遥感图像目标检测［J］. 中国图象图形学报, 2019(8):1400-1408.
［95］	刘方,沈长青,何清波. 基于时域多普勒校正和EEMD的列车轴承道旁声音监测故障诊断方法研究［J］. 振动与冲击, 2013(24):104-109.
［96］	赵书涛,王亚潇,孙会伟. 基于自适应权重证据理论的断路器故障诊断方法研究［J］. 中国电机工程学报, 2017,37(23):7040-7046.
［97］	杨元威,关永刚,陈士刚. 基于声音信号的高压断路器机械故障诊断方法［J］. 中国电机工程学报, 2018,38(22):278-285.
［98］	吴胜强,姜万录,赵利颇. 基于声音信号的核主元故障诊断法［J］. 机床与液压, 2016,44(1):184-187.
［99］	蔡文伟,黄键,李伟光,等. 基于声音信号的微型电机故障诊断方法研究［J］. 机床与液压, 2020,48(23):195-200.
［100］	郭正才,王义强,朱艳飞. 基于EMD-AR谱分析的数控机床主轴故障诊断方法研究［J］. 组合机床与自动化加工技术, 2016(3):93-96.
［101］	董刚,马宏伟,南源桐. 刮板输送机飘链故障诊断技术研究［J］. 煤炭科学技术, 2017(5):41-46.
［102］	华东升. 基于声音特征的变电站电力变压器故障检测［D］. 济南:山东大学, 2017.
［103］	侯增起. 基于声音特征的变电设备故障分类与定位方法研究［D］. 北京:华北电力大学, 2017.

[1]	梁天恺, 黄康华, 刘凯航, 兰岚, 曾碧. 基于双向同态加密的深度联邦图片分类方法[J]. 计算机与现代化, 2023, 0(12): 36-40.
[2]	陈子健, 段春红. 面向在线学习情境的认知情绪面部表情识别[J]. 计算机与现代化, 2023, 0(10): 92-98.
[3]	刘付琪, 张达, 宋建华, 王海东. 基于CNN-BiLSTM的液压系统故障诊断[J]. 计算机与现代化, 2023, 0(09): 10-19.
[4]	江蕾, 唐建, 杨超越, 吕婷婷. 基于CWGAN-GP与CNN的轴承故障诊断方法[J]. 计算机与现代化, 2023, 0(07): 1-6.
[5]	刘付琪, 张达. 基于PSO-DBN的液压系统冷却器故障诊断[J]. 计算机与现代化, 2023, 0(06): 7-14.
[6]	王磊, 张晓东, 戴欢. 基于1D-CNN-LSTM注意力网络的抽油机井故障诊断[J]. 计算机与现代化, 2023, 0(04): 1-6.
[7]	白开峰, 赵宏斌, 张芸, 李妍, 崔静安, 刘千金, 杨华, 倪娜. 电网异常业务数据检测方法综述[J]. 计算机与现代化, 2023, 0(03): 79-83.
[8]	邱金水, 庄会富, 金涛. 面向海量植物图像的智能检索系统设计[J]. 计算机与现代化, 2022, 0(10): 62-67.
[9]	赵才荣, 傅佳悦, 卫志华, 丁志军, 苗夺谦. 面向人工智能专业课程的棋类博弈教学辅助平台[J]. 计算机与现代化, 2020, 0(12): 43-48.
[10]	吴迪, 潘建乔, 余方召, 潘白浪, 龚雁峰. 基于HoloLens的变电站巡检系统[J]. 计算机与现代化, 2020, 0(07): 50-54.
[11]	刘昌平1,刘海1,夏梦1,尹光彩2 . 俄罗斯方块的Hamming神经网络模型[J]. 计算机与现代化, 2020, 0(02): 51-.
[12]	刘瑞峰，王家胜，张灏龙，田梦凡. 行为树技术的研究进展与应用[J]. 计算机与现代化, 2020, 0(02): 76-.
[13]	项威. 事件知识图谱构建技术与应用综述[J]. 计算机与现代化, 2020, 0(01): 10-.
[14]	谢民1，邵庆祝1，王同文1，邵尤慎2，王海港1，俞斌1. 省级电网智能变电站二次设备在线监视与故障诊断系统[J]. 计算机与现代化, 2019, 0(07): 65-.
[15]	张开延1,2，潘杨3，娄季朝4. 基于ANP-SVM算法的智能变电站过程层网络故障分类[J]. 计算机与现代化, 2019, 0(07): 72-.