基于卷積神經(jīng)網(wǎng)絡(luò)的換流變壓器智能檢測(cè)算法設(shè)計(jì)

中圖分類(lèi)號(hào)：TM402 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-2945（2025）20-0142-04

Abstract：Aimingattheshortcomingsof traditional manual inspectionsandregularinspections，suchasloweficiencyand vulnerabilitytohumanfactors，thispaperproposesanoverallplanforinteligentmonitoringtechologyforconvertetrasfoers basedonintellgentalgorithms.First，thegenerationmechanismofconvertertransformersoundsignalsisanalyzedindetai includingnormaloperationsoundsignalsandfaultstatesoundsignals.Secondly，thevoiceprintcolectionofconvertertransfoers andthecompositionofvoiceprintuderfaultconditionsaredescribed.Ten，aninteligentconvertertransfomerdetectionalgorit basedonconvolutionalneuralnetworks（CNNs）isproposed.inally，thefeasiblityandfectivenessofthealgoritmareverified throughexperimentalresults.Theresultsshowthattheintellgentalgorithmcanefectivelyimprovemonitoringaccuracyandearly warning efficiency，reduce 1 alarm rate，and improve the security and stability of the power system.

Keywords：intelligentalgorithm;convertertransformer；intelligntmonitoring;faultstatesound;convolutionalneuralnetwork

換流變壓器作為高壓直流輸電系統(tǒng)中的關(guān)鍵設(shè)備，其安全可靠運(yùn)行直接關(guān)系到整個(gè)電力系統(tǒng)的穩(wěn)定性和供電質(zhì)量。近年來(lái)，隨著高壓直流輸電技術(shù)的快速發(fā)展和應(yīng)用規(guī)模的不斷擴(kuò)大，對(duì)換流變壓器的運(yùn)行狀態(tài)監(jiān)測(cè)提出了更高的要求。傳統(tǒng)的依賴(lài)人工巡檢和定期檢測(cè)的維護(hù)方式存在效率低、成本高、易受人為因素影響等不足，難以滿(mǎn)足現(xiàn)代電力系統(tǒng)對(duì)實(shí)時(shí)性、準(zhǔn)確性和智能化的需求，容易導(dǎo)致設(shè)備故障延誤發(fā)現(xiàn)，造成經(jīng)濟(jì)損失甚至引發(fā)重大事故。因此，迫切需要開(kāi)發(fā)一種高效、可靠、智能化的換流變壓器監(jiān)測(cè)系統(tǒng)，實(shí)現(xiàn)對(duì)設(shè)備狀態(tài)的實(shí)時(shí)監(jiān)測(cè)、故障預(yù)警和智能診斷，從而提高設(shè)備運(yùn)行可靠性、降低維護(hù)成本，保障電力系統(tǒng)的安全穩(wěn)定運(yùn)行。

1換流變壓器聲音信號(hào)產(chǎn)生機(jī)理

1.1換流變壓器正常運(yùn)行聲音信號(hào)

換流變壓器正常運(yùn)行時(shí)，其聲音信號(hào)主要由鐵心和繞組貢獻(xiàn)。此時(shí)變壓器內(nèi)部存在交變的電磁環(huán)境，交變磁場(chǎng)生成的洛倫茲力作用于變壓器的鐵心和繞組，使其發(fā)生周期性的振動(dòng)，通過(guò)固體介質(zhì)、液體介質(zhì)和空氣介質(zhì)傳遞至油箱、安裝基礎(chǔ)及冷卻裝置等外部器件，表現(xiàn)為變壓器向外界發(fā)出噪聲[2]。

1.1.1 變壓器鐵心發(fā)聲機(jī)理

變壓器的鐵心的主要組成是硅鋼片，硅鋼片由硅摻雜進(jìn)鐵合金構(gòu)成，將其加工成薄片，最終疊壓成鐵心。由于硅鋼片處于交變電磁場(chǎng)中，一方面硅鋼片的磁致伸縮效應(yīng)使硅鋼片產(chǎn)生振動(dòng)，發(fā)出聲波；另一方面，由于硅鋼片間存在不可避免的縫隙，縫隙間的電磁吸引力會(huì)作用于鐵心產(chǎn)生振動(dòng)噪聲[3]

當(dāng)硅鋼片的磁化狀態(tài)發(fā)生改變時(shí)，硅鋼片的大小或者形狀會(huì)產(chǎn)生彈性形變，這就是硅鋼片的磁致伸縮效應(yīng)。一般情況下，磁致伸縮的大小用相對(duì)伸長(zhǎng)量 ε 表示，如式（1）所示，而鐵心的硅鋼片處于交變的電磁環(huán)境中，會(huì)受到磁場(chǎng)的影響，其磁致伸縮滿(mǎn)足式（2）

式中： ΔL 為硅鋼片軸向最大伸縮量； L 為硅鋼片原始軸向尺寸； H 為鐵心中的磁場(chǎng)強(qiáng)度； H_c 為矯頑力； ε_s 為硅鋼片的飽和磁致伸縮率。

假設(shè)初級(jí)繞組施加電壓為 U=U_sinω ，根據(jù)電磁感應(yīng)原理，鐵心中產(chǎn)生的磁感應(yīng)強(qiáng)度可用式（3）表示

式中： φ 為鐵心磁通量；S為鐵心橫截面積。

1.1.2變壓器繞組發(fā)聲機(jī)理

在變壓器正常運(yùn)行時(shí)，由于接入負(fù)載，一次繞組會(huì)流過(guò)勵(lì)磁電流，勵(lì)磁電流會(huì)在鐵心中產(chǎn)生磁通，稱(chēng)為主磁通；但在變壓器實(shí)際運(yùn)行過(guò)程中，勵(lì)磁電流產(chǎn)生的磁通難以全部通過(guò)鐵心，會(huì)有少部分磁通在鐵心外與繞組交鏈，稱(chēng)為漏磁通。由于變壓器的高、低壓繞組流過(guò)的電流是相反的，在垂直于繞組軸線(xiàn)的方向上，內(nèi)外繞組受到的力是相反的，外部繞組向外擴(kuò)張，內(nèi)部繞組向內(nèi)收縮，內(nèi)外繞組互相排斥，繞組在水平方向發(fā)生形變；軸向安培力使上下繞組間受到由兩端向中間的軸向壓縮力，表現(xiàn)為繞組之間互相吸引，繞組沿繞組中心軸方向由兩端向中間收縮，通常情況下繞組受到的徑向安培力小于軸向安培力4。當(dāng)穩(wěn)定運(yùn)行的換流變壓器中繞組的電流為 時(shí)，其中 I_m 為負(fù)載電流幅值， ?₀ 為負(fù)載電流初始相位，則作用在繞組線(xiàn)圈上的電動(dòng)力如式（4）所示

式中： p 為電動(dòng)力系數(shù)。

1.2換流變壓器故障狀態(tài)聲音信號(hào)

當(dāng)變壓器的鐵心或者繞組發(fā)生故障時(shí)，會(huì)影響鐵心及繞組的振動(dòng)，從而使變壓器的聲紋在不同故障狀態(tài)下表現(xiàn)出不同的特征。因此本文通過(guò)對(duì)采集得到的變壓器聲紋信號(hào)進(jìn)行特征提取，針對(duì)各種故障下的不同特征對(duì)變壓器運(yùn)行狀態(tài)進(jìn)行識(shí)別。

變壓器的鐵心故障表現(xiàn)在鐵心多點(diǎn)接地和鐵心夾件松動(dòng)故障。變壓器發(fā)生鐵心接地故障的原因主要表現(xiàn)如下：隨著變壓器運(yùn)行時(shí)間的增加，變壓器鐵軛發(fā)生松動(dòng)，可能觸碰到鐵心導(dǎo)致發(fā)生鐵心多點(diǎn)接地故障；變壓器安裝過(guò)程中的焊渣或者鐵心上的氧化物也可能導(dǎo)致局部短路。鐵心發(fā)生多點(diǎn)接地故障后，由于各個(gè)接地點(diǎn)間產(chǎn)生的環(huán)路電流的值很大，鐵心出現(xiàn)溫升效應(yīng)，造成局部過(guò)熱，使磁致伸縮效應(yīng)受到影響，使鐵心的振動(dòng)頻率發(fā)生改變，進(jìn)而影響變壓器的聲紋。

鐵心松動(dòng)故障的原因主要是變壓器從生產(chǎn)廠(chǎng)家到實(shí)地現(xiàn)場(chǎng)的運(yùn)輸和安裝環(huán)節(jié)中，夾緊鐵心硅鋼片的緊固件可能變松，使鐵心硅鋼片間的壓力變小，出現(xiàn)縫隙；另外在變壓器正常運(yùn)行的過(guò)程中，鐵心的緊固夾件也可能發(fā)生老化，作用減小。當(dāng)發(fā)生鐵心夾件松動(dòng)故障后，由于緊固夾件的作用下降，使鐵心中硅鋼片間的壓力減小，進(jìn)一步增加硅鋼片間縫隙的大小，硅鋼片受到漏磁場(chǎng)的影響加大，振動(dòng)頻率改變，使變壓器聲紋表現(xiàn)為鐵心夾件松動(dòng)聲紋。

換流變壓器的繞組故障表現(xiàn)在變壓器器身中繞組及絕緣物發(fā)生故障，表現(xiàn)為繞組接地和繞組變形故障。一方面當(dāng)變壓器運(yùn)行時(shí)間過(guò)長(zhǎng)，一些絕緣物質(zhì)會(huì)老化破損，導(dǎo)致絕緣強(qiáng)度下降，進(jìn)而引起接地故障。發(fā)生繞組接地故障后，流過(guò)繞組的電流增大，繞組所受的電磁力增大，繞組的振動(dòng)頻率增加，表現(xiàn)為變壓器的聲紋發(fā)生改變。另一方面由于大型變壓器一般不在工程現(xiàn)場(chǎng)直接制造，需要從生產(chǎn)廠(chǎng)家進(jìn)行拆卸、運(yùn)輸和組裝，變壓器的繞組及其固定和支撐部分會(huì)在運(yùn)輸或者安裝過(guò)程中發(fā)生變形故障。當(dāng)發(fā)生短路、閃絡(luò)等情況，電流會(huì)突然增大，造成繞組過(guò)熱，也會(huì)引起變形，繞組變形主要表現(xiàn)在繞組沿徑向發(fā)生凹陷、凸起或者在軸向上發(fā)生移位。繞組發(fā)生變形后，上下繞組間的縫隙變大，繞組受到的漏磁場(chǎng)的影響加大，從而導(dǎo)致受到的力變大，使繞組局部可能進(jìn)一步變形。當(dāng)變壓器運(yùn)行時(shí)，發(fā)生形變的繞組受到與原來(lái)不同的電磁力，使繞組振動(dòng)頻率改變，從而影響變壓器的聲紋。

換流變壓器的局部放電故障也是變壓器發(fā)生故障的主要原因。對(duì)于油浸式變壓器，油中的氣泡和固體雜質(zhì)是不可避免的，當(dāng)氣泡數(shù)量達(dá)到一定程度或者雜質(zhì)中出現(xiàn)空腔時(shí)，由于氣泡和空腔的介電常數(shù)低，抗壓程度比油低，在相同場(chǎng)強(qiáng)下氣泡會(huì)先發(fā)生擊穿，引起放電。同時(shí)，局部放電受外界環(huán)境因素影響較大，如果油液的溫度、濕度或者壓力不在額定值范圍內(nèi)，變壓器油中也可能產(chǎn)生氣泡，引起局部放電。一般來(lái)說(shuō)，局部放電故障比其他故障更劇烈，因此變壓器聲紋的高頻成分會(huì)明顯增多。

除以上故障外，換流變壓器更易出現(xiàn)過(guò)勵(lì)磁及過(guò)負(fù)荷的異常運(yùn)行狀態(tài)，異常運(yùn)行狀態(tài)可能短時(shí)間內(nèi)對(duì)變壓器運(yùn)行影響較小，但是會(huì)減少變壓器的壽命以及降低電力系統(tǒng)供電質(zhì)量。變壓器的監(jiān)測(cè)裝置必須能識(shí)別出異常運(yùn)行狀態(tài)，使變壓器盡快恢復(fù)到正常狀態(tài)。當(dāng)變壓器一次側(cè)電壓異常升高時(shí)，變壓器實(shí)際運(yùn)行電壓高于額定電壓，導(dǎo)致勵(lì)磁電流激增，變壓器進(jìn)人過(guò)勵(lì)磁異常運(yùn)行狀態(tài)，此時(shí)變壓器鐵心及繞組受到磁場(chǎng)的影響變大，表現(xiàn)為過(guò)勵(lì)磁狀態(tài)的聲紋。變壓器過(guò)負(fù)荷運(yùn)行時(shí)，由于變壓器輸入功率與輸出功率相等，換流變壓器保持輸出電壓不變，負(fù)荷功率增大后，換流變壓器供給負(fù)荷的電流也增大，使鐵心局部過(guò)熱，導(dǎo)致變壓器聲紋發(fā)生改變，表現(xiàn)為聲紋的幅值增大。

2換流變壓器聲紋采集與故障狀態(tài)聲紋組成2.1變壓器聲紋采集

變壓器故障聲紋識(shí)別通常采用聲音傳感器采集變壓器聲音信號(hào)，目前應(yīng)用較為普遍的聲音傳感器有動(dòng)圈式聲音傳感器和電容式聲音傳感器。動(dòng)圈式聲音傳感器的運(yùn)行穩(wěn)定、成本低，但易受電磁環(huán)境影響；普通類(lèi)型的電容式聲音傳感器靈敏度高、頻率響應(yīng)好，但需要極化電壓，使用不太方便；駐極體電容式聲音傳感器結(jié)構(gòu)簡(jiǎn)單，最大的特點(diǎn)是無(wú)需外加直流極化電壓，方便攜帶且不易受外界電磁環(huán)境影響。由表1可知，采集變壓器聲音信號(hào)時(shí)，將聲音傳感器通過(guò)數(shù)據(jù)采集器連接到電腦上，設(shè)置聲音傳感器采樣率為 48kHz ，采集時(shí)直接將數(shù)據(jù)存儲(chǔ)到電腦上。

2.2變壓器故障狀態(tài)聲紋組成

由于對(duì)變壓器進(jìn)行故障實(shí)驗(yàn)會(huì)對(duì)變壓器造成損害，并且所需成本太大，故本文所采用的故障聲紋來(lái)自于網(wǎng)絡(luò)。為保證所選變壓器故障狀態(tài)聲紋的合理性，以正常狀態(tài)下測(cè)得的變壓器聲紋提取特征量作為評(píng)估標(biāo)準(zhǔn)。變壓器無(wú)論是正常狀態(tài)還是故障狀態(tài)，聲紋的主要頻段不會(huì)發(fā)生太大改變，改變的只是每個(gè)頻率所占分量的大小。通過(guò)對(duì)時(shí)域形式的正常狀態(tài)聲紋進(jìn)行傅里葉變換，發(fā)現(xiàn)聲紋的主要頻段集中在 1000Hz 以下。同時(shí)由于國(guó)內(nèi)的電網(wǎng)頻率為 50Hz ，在搜尋聲紋數(shù)據(jù)的過(guò)程中也需要注意這個(gè)問(wèn)題。

3基于卷積神經(jīng)網(wǎng)絡(luò)的換流變壓器智能檢測(cè)算法研究

3.1 數(shù)據(jù)集劃分

模型需要訓(xùn)練的數(shù)據(jù)包括變壓器正常運(yùn)行狀態(tài)、鐵心多點(diǎn)接地故障、鐵心夾件松動(dòng)故障、繞組接地故障、繞組變形故障、局部放電故障、過(guò)勵(lì)磁異常運(yùn)行狀態(tài)、過(guò)負(fù)荷異常運(yùn)行狀態(tài)。為了避免訓(xùn)練的偶然性，將已經(jīng)進(jìn)行完數(shù)據(jù)增強(qiáng)操作的變壓器聲紋數(shù)據(jù)集進(jìn)行劃分，首先對(duì)每一類(lèi)狀態(tài)進(jìn)行標(biāo)簽標(biāo)注，其次在所有狀態(tài)的聲紋數(shù)據(jù)中隨機(jī)抓取 60% 作為訓(xùn)練集 、40% 作為測(cè)試集，進(jìn)行網(wǎng)絡(luò)模型的訓(xùn)練和測(cè)試。具體的變壓器聲紋數(shù)據(jù)分布見(jiàn)表2。

3.2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，CNN）是一種深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，適用于圖像、音頻等類(lèi)型數(shù)據(jù)的處理和分析任務(wù)。CNN的主要特點(diǎn)是引人了卷積操作和池化操作，卷積操作可以提取輸人數(shù)據(jù)的局部特征，對(duì)數(shù)據(jù)中的細(xì)節(jié)信息進(jìn)行挖掘，同時(shí)減少模型的參數(shù)數(shù)量和計(jì)算量；池化操作則可以減少采樣點(diǎn)的數(shù)量，保留圖像中最顯著的特征、減少噪聲和局部方差，同時(shí)還能減少參數(shù)，限制過(guò)擬合。

1）輸入層：輸入層是CNN的第一層，負(fù)責(zé)接收原始輸入數(shù)據(jù)，并進(jìn)行預(yù)處理和轉(zhuǎn)換。

2）卷積層：卷積層通過(guò)網(wǎng)絡(luò)設(shè)定的卷積核與輸入數(shù)據(jù)進(jìn)行計(jì)算達(dá)到提取輸入數(shù)據(jù)局部特征的目的。卷積層通過(guò)調(diào)整步幅、填充、參數(shù)共享等來(lái)實(shí)現(xiàn)卷積計(jì)算，從而得到更加抽象和有判別性的特征。

3）池化層：池化層用于對(duì)輸入數(shù)據(jù)下采樣，減小特征圖的大小和維度，同時(shí)可以進(jìn)行一定程度的特征不變形學(xué)習(xí)與平移不變形處理。通常采用最大池化或平均池化等形式，對(duì)特征映射中的局部特征進(jìn)行壓縮和采樣，從而得到更加稠密和高質(zhì)量的特征表示。

4）全連接層：由于經(jīng)過(guò)多層卷積層、池化層操作后，數(shù)據(jù)仍具有多維的特征，全連接層將數(shù)據(jù)展開(kāi)，將多維展開(kāi)成一維，使局部特征結(jié)合起來(lái)。

3.3 算法流程

基于卷積神經(jīng)網(wǎng)絡(luò)的換流變壓器故障診斷的具體步驟如下。

步驟1：數(shù)據(jù)預(yù)處理。將獲得的換流變壓器聲紋數(shù)據(jù)進(jìn)行編號(hào)分類(lèi)，并將樣本數(shù)據(jù)分為訓(xùn)練集與測(cè)試集。

步驟2：特征提取。使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)換流變壓器聲紋數(shù)據(jù)進(jìn)行特征提取，按主成分總貢獻(xiàn)率 90% 對(duì)主成分進(jìn)行特征提取，并使用提取后的數(shù)據(jù)作為故障數(shù)據(jù)以便后續(xù)診斷。

步驟3：數(shù)據(jù)歸一化。將基于卷積神經(jīng)網(wǎng)絡(luò)處理后的換流變壓器聲紋數(shù)據(jù)進(jìn)行歸一化處理，將所有數(shù)據(jù)歸算到（0，1）內(nèi)。

步驟4：判斷是否達(dá)到終止條件。如果算法運(yùn)行達(dá)到最大迭代次數(shù)，終止尋優(yōu)并輸出最優(yōu)參數(shù)。

步驟5：故障診斷。在卷積神經(jīng)網(wǎng)絡(luò)算法尋找到最優(yōu)參數(shù)以后，開(kāi)始進(jìn)行故障診斷，用測(cè)試集預(yù)測(cè)測(cè)試樣本的故障類(lèi)型。

步驟6：結(jié)果輸出。故障診斷結(jié)束后，輸出診斷結(jié)果，其中包括故障分類(lèi)、測(cè)試正確率、訓(xùn)練正確率在內(nèi)的具體診斷結(jié)果。

4智能監(jiān)測(cè)識(shí)別結(jié)果分析

將換流變壓器聲紋數(shù)據(jù)集中的測(cè)試集，按單個(gè)類(lèi)別輸入到經(jīng)過(guò)參數(shù)優(yōu)化后的卷積神經(jīng)網(wǎng)絡(luò)模型中，輸出模型對(duì)每種類(lèi)別的識(shí)別準(zhǔn)確率見(jiàn)表3。

從表3可以發(fā)現(xiàn)，經(jīng)過(guò)參數(shù)優(yōu)化的網(wǎng)絡(luò)模型對(duì)局部放電故障有最高的準(zhǔn)確率，達(dá)到 98.9% ，這與局部放電故障對(duì)應(yīng)的變壓器聲紋特征與其他狀態(tài)的聲紋有明顯不同有關(guān)。模型對(duì)于其他變壓器的狀態(tài)識(shí)別也有著較高的準(zhǔn)確率，每種狀態(tài)的識(shí)別準(zhǔn)確率都在 96.6% 以上，驗(yàn)證了卷積神經(jīng)網(wǎng)絡(luò)對(duì)變壓器聲紋能夠進(jìn)行有效識(shí)別。

5結(jié)論

本文提出了基于卷積神經(jīng)網(wǎng)絡(luò)的換流變壓器智能檢測(cè)算法，該研究成果具有重要的實(shí)際應(yīng)用價(jià)值，能夠有效提高換流變壓器的運(yùn)行可靠性和安全性，降低運(yùn)維成本，并為智能電網(wǎng)建設(shè)提供技術(shù)支持。未來(lái)的研究方向?qū)⒓杏谶M(jìn)一步提升智能算法的精度和效率，以及探索更先進(jìn)的傳感器技術(shù)和數(shù)據(jù)融合方法，以實(shí)現(xiàn)對(duì)換流變壓器運(yùn)行狀態(tài)的更全面、更精準(zhǔn)的監(jiān)測(cè)和預(yù)警。

參考文獻(xiàn)：

[1]李淵，王生杰，馬國(guó)祥，等.換流變壓器運(yùn)行狀態(tài)智能診斷分析評(píng)價(jià)系統(tǒng)研究[J].高壓電器，2023，59（8）：70-77.

[2]杜琳，朱釗，王玲，等.換流變壓器的智能監(jiān)測(cè)系統(tǒng)設(shè)計(jì)與應(yīng)用[J].集成電路應(yīng)用，2024，41（4）：277-279.

[3]金恩淑，劉丹陽(yáng)，夏國(guó)武.特高壓換流變壓器差動(dòng)保護(hù)適用性分析及其改進(jìn)方法[J].東北電力大學(xué)學(xué)報(bào)，2023，43（1）：20-28.

[4]吳宛凝.特高壓直流輸電系統(tǒng)換流變壓器涌流特性分析及差動(dòng)保護(hù)研究[D].吉林：東北電力大學(xué)，2023.

[5]彭浩偉.基于曲折變壓器的模塊化多電平換流器研究及應(yīng)用[D].青島：青島科技大學(xué)，2023.

[6]杜丁香，楊國(guó)生，曹虹，等.基于相序差動(dòng)電流特征差異的換流變壓器匝間保護(hù)優(yōu)化研究[J].中國(guó)電機(jī)工程學(xué)報(bào)，2023，43（17）：6576-6589.