保障电网安全需要攻克电力变压器故障预测与健康管理等关键技术

一、研究背景

电力变压器作为电力系统的安全关键设备，也是最为昂贵、复杂的设备之一。目前国家电网公司在运的110kV（66kV）及以上电压等级变压器数量已达3万余台，总容量达3.4TVA。由于电力变压器处于电网的中心位置，运行环境复杂，且时常遭受各种不良运行工况的冲击，一旦发生故障，极有可能造成突发大面积停电，甚至引起爆炸、火灾等事故，带来的直接和间接经济损失达数亿元人民币。因此，攻克电力变压器运行状态的健康管理和故障预警等关键技术，对提升其预防和应对故障的能力、保障电网安全稳定运行具有重要的理论意义与实用价值。

目前对于电力变压器常用的研究方法大多基于某一因素或某几个因素做出判断，并未综合考虑变压器的全面状态信息，加之测试手段的局限性、知识的不精确性等原因，导致所获取的信息具有模糊性、随机性等特征，其诊断结果的精确性和时效性远未达到实用要求。

故障预测与健康管理(PrognosticandHealthManagement,PHM)是一种利用先进传感器技术，并借助各种算法和智能模型来实现对系统健康状态的监控、预测和管理的理论与技术体系，这一技术的实现可以解决故障后修复和定期维护方式造成的“维护不足”或“维护过剩”等问题，进而逐步被状态维护或预测维护所取代。PHM已在航空、电子、机械等领域得到了快速发展。然而，针对电力变压器的PHM方法还不太完善，主要体现在：①变压器的健康监测大部分关注化学和电故障，很少关注机械故障；②变压器的油、气和温度被广泛用于健康监测和诊断，相比较而言，振动信号很少被用到；③对于变压器PHM的研究目前仅处于监测和诊断阶段，对于故障预测和剩余寿命(RUL)预测的研究还很少。

二、电力变压器故障的复杂性分析

从目前电力系统运行的历史统计记录来看，电力变压器外部短路、绝缘受潮、分接开关触头接触不良等故障出现次数最多，故障频发部位的次序大致为绕组、铁芯、分接开关、套管、绝缘油、冷却系统、保护装置、测试系统、油箱。此外，电力变压器在运行中会受到来自“电-磁-力-热”等多种内、外应力的综合作用，进而破坏变压器的绝缘性能，导致产生缺陷甚至故障，如图1所示。

图1影响电力变压器正常运行的主要因素

因此，单一使用传统的物理建模方法对于大型电力变压器来说已显得力不从心。通过综合运用现代电气科学、信息科学、数据科学以及成熟的系统科学方法，有望为电力变压器健康状况的分析和管理提供切实可行的方案和解决途径。

三、电力变压器PHM的内涵及趋势分析

PHM方法目前主要分为数据驱动方法、模型驱动方法以及混合方法。更进一步的，数据驱动方法又有统计学和机器学习两种；模型驱动方法又有失效物理分析和系统模型方法。目前针对电力变压器状态监测的数据形式与规模比以往有了较大增长。例如，实时运行数据、工况数据、缺陷信息、检修历史、家族质量史等信息并存。得益于先进的信息技术与大数据处理方法，在电力变压器的管理、维护领域开展数据驱动的PHM过程具有切实可行的操作性。

一般情况下，PHM涵盖数据采集、数据处理、状态评估、故障诊断、故障预测、决策支持以及系统级应用7个层次，可实现由故障机理到剩余寿命的关联，这与电力变压器的健康管理周期基本吻合。图2初步定义了电力变压器的PHM周期。

图2电力变压器PHM周期

3.1健康监测

目前，电力变压器评估、诊断与预测的相关研究多是基于DGA数据，但基于DGA数据的理论研究成果在实际应用中仍具有一定的局限性。振动信号分析法与整个电力系统无电气连接，对电力系统的正常运行无任何影响，具有较强的抗干扰能力和灵敏度，因此，近几年基于振动数据的变压器PHM方法受到广泛关注，该方法通过实时振动数据反映变压器内部的相关状态信息。另外，从图像识别的角度对电力变压器进行健康监测，也具有一定的借鉴意义。

3.2特征提取与故障诊断

健康因子(HealthIndex,HI)在表征变压器健康状态和退化程度中占有重要地位，构建HI的关键在于相关特征的提取、选择和融合。目前行业标准DL/T722-2000-《变压器油中溶解气体分析和判断导则》推荐的改良三比值法在实际应用中暴露出缺编码、编码界限过于绝对等缺陷。因此，一些智能化诊断算法被提出。例如，模糊理论、支持向量机、粗糙集、灰色理论、深度学习等。为此，未来的变压器故障诊断将是以完备数据为基础、多算法融合的深度诊断。

3.3故障预测

目前的国内外文献中，与预测相关的研究高度依赖于与诊断相关的研究。这是因为诊断包括识别和量化已发生的故障(本质是回顾性的)，而预测是尽可能预测尚未发生的故障，预测必须依赖于诊断的输出(如故障指标、退化率等)，两者不能孤立进行。准确做出剩余寿命预测是PHM的核心和基础，也是正确决策的关键和前提。然而，现有的寿命预测多是基于英国EATechnology的电力设备健康状况老化公式：

式中，DHI是健康指数，B是老化系数。

该理论虽然可计算出剩余寿命的大概取值，但取值过于绝对。因此，如何构造电力变压器剩余寿命的概率密度分布函数，求得概率分布区间，也是未来的难点问题。

四、有待深入研究的问题

目前，电力变压器的PHM研究还处于初步阶段，尤其是在大型电力变压器的维护与运营管理领域，笔者认为目前还有如下一些问题需要引起关注：

4.1电力变压器大数据

随着先进传感设备在变压器表面和内部的大量部署，变压器检测技术趋向于智能化。其数据呈现多元、异构的大数据特征，图3用数据立方体的形式展示了电力变压器大数据的多维特性。针对电力变压器的大数据存储管理、并行处理、挖掘技术将是未来开展变压器精细化管理研究的方向。

图3电力变压器故障数据多维立体展示

4.2数据质量提升

目前，电网公司已积累了大量电力变压器状态相关数据，包括运行工况、停电试验、带电测试、在线监测、运行检修、故障缺陷、环境气象以及设计图纸等，但数据存储形式各异、数据质量参差不齐。在智能电网大数据背景下，需要深入开展电力变压器故障特征数据的获取，对冗杂数据进行清洗、筛选、剔除、转换等预处理操作。提高数据质量的主要手段就是针对非结构化数据的结构化模型表示与多元多尺度数据的融合。

4.3多源数据的不确定性问题

电力变压器具有明显的不确定性，如传感器监测数据的不确定性、退化状态的不确定性、变压器本体结构的复杂性、运行工况的不确定性、健康状态评判的模糊性等。这些因素均会导致变压器PHM的准确度降低。因此，针对以上问题，具备不确定性管理能力的PHM方法将成为研究的突破口。

4.4长寿命周期数据获取问题

对于新服役的电力变压器，我们无法观察并获取大量的故障数据和状态监测信息，在这种情况下，数据量和完整性无法适应完整统计模型以及深度学习所需要的大量训练数据样本要求。因此，在现有基于少量数据进行实验的诊断方法基础上，仍需对电力变压器故障机理进行深度分析，同时结合物理模型以及专家经验，来对诊断结果进行纠正和补充，进而使得因果分析与统计分析互为作用。

4.5在线技术

传统不定期的老化实验在保障电力变压器安全稳定运行中扮演了重要角色，然而其局限性也越来越突出。为了能够捕捉电力变压器运行过程中形成故障或缺陷的早期特征参数，需要通过信息手段对这些特征参数进行快速准确的分析诊断，找出相互关系，才能对电力变压器的运行状态做出实时评定。因此，研发具有测量数字化、控制网络化、状态可视化、功能一体化以及信息互动化的智能变压器是在线监测技术的基础硬件保障。与此同时，传感器网络的设计也是在线技术中需要解决的核心问题之一。

4.6深度故障诊断

电力变压器PHM所要求的深度诊断是既要定位故障的具体发生部位，也要识别故障发生的根本原因。当然，现有的故障分类可能被普适的分类规则所局限，在今后的研究中，可以尝试将训练数据样本以更多可能的方式进行划分，以期获取到更深层次的故障诊断结论。

4.7其他

1）环境因素

环境因素往往影响着电力变压器的智能检测。在实际应用中，变压器受到周围温度、振动、粉尘、腐蚀性气体、雷击等环境条件的影响，其性能可能会发生一定变化，为此，变压器日常巡检过程中，除了变压器本身检测外还要根据周围环境的不同做一些特殊的检查和处理，以此来保证变压器的可靠运行，延长其剩余寿命。

2）新工艺新技术

电力变压器正朝着大型化、高可靠型、高智能型、高节能型以及高环保型的方向发展。具有自诊断能力的智能变压器是当前变压器产业的研发重点，它较以往的变压器最大的不同之处是配备了更多的电子器件、智能传感器和执行器等设备，继而实现关键状态参量的监测、控制与数据共享等。然而，智能变压器中的电力电子器件的可靠性问题，也同样需要深入分析。

五、结语

目前，电力系统中的数据获取方式已经比较完备，大数据架构也已初具规模，但当前的行业技术还不能完全满足电力设备的“五性”(可靠性、维修性、测试性、保障性和安全性)需求和降低寿命周期费用的需要，这正是实施PHM技术需要解决的问题。本文即是在此背景下，对装备保障领域的发展趋势和电力设备状态维护的发展需求做了分析探讨，以期为电力变压器基于状态的维护提供可借鉴的方法体系，我们也将持续关注电力设备状态监测、评估与预测管理中的新方法，并希望能够为电力工业的健康发展提供一种可借鉴的思路，这既具有时代紧迫感，也是提升电力行业服务质量与水平的良好契机。