打开文本图片集

摘要：变压器的成本比较高，内部结构比较复杂，在供电系统中变压器属于核心设备，变压器的运行情况直接影响着供电系统，当变压器出现故障造成长时间停电，将会导致很严重的经济损失。因此，变压器故障诊断技术的研究是非常重要的，能够有效提升故障诊断准确率，提升故障维护的工作效率。本文阐述声振一体化故障特性和系统架构，对比故障诊断模型，确定声振一体变压器故障诊断中更加适合的故障诊断模型，为相关检修人员提供借鉴。

关键词：声振一体；变压器；故障诊断

引言

随着时代的不断发展，中国电网的供电系统有着非常大的变化，国家对于智能检测变压器的重视程度越来越高，变压器作为核心设备，在医院、机场、工厂、居民区等地方被广泛的使用，随着变压器的长期使用，受到机械力或电磁力的影响，变压器可能会出现机械故障，例如：绕组松动、鼓包、铁心松动、错位等故障，由于变压器内部磁场和电场分布比较复杂，当绕组或铁心出现故障时，则会造成振动信号、阻抗等特征量出现变化。变压器保持稳定、安全的运行不仅有利于促进社会经济的发展，还有利于保障人民群众的正常生活。在检测和故障诊断变压器过程中需要很多方面的学科知识，如：电力、人工智能、大数据、材料等，依据不一样的特征量的变化规则，研究变压器故障诊断技术，为维修人员提供帮助。目前，在变压器的故障监测中主要通过油色谱在线监测技术，将变压器中的气体进行采集，借助化学方法进一步分析气体色谱。变压器中主要有一氧化碳、乙烯、氢气、乙烷、甲烷、乙炔等烃类气体，伴随温度上升，溶解气体的色谱会出现不一样的变化，变化不同对应的故障不同。所以，利用气体采集装置将变压器油中的气体进行定时采集和油色谱分析，将变压器中的故障隐患及早发现，便于保养和维修变压器。

一、声振一体的变压器故障特性与系统架构

（一）故障声振特性

变压器运行中常见的故障是可以借助声音去判断，当变压器的运行情况出现问题时，会发出不一样的声音，不同问题出现的声音也是不同的，有经验的维修技术人员是可以根据变压器的运行声音来判断设备出故障的地方。在变压器中常见的故障有变压器的负荷过高、电压压力大、内部结构中铁心松动、螺丝松动、触头接触不良、绝缘击穿等，当出现这些故障时就会产生不同的声音。很多专家和学者研究与开发依据异常声音远程智能监测变压器的技术，相关技术研究有着一定的成果，例如：变压器声振监测系统，将和变压器相对应数量的声振采集装置安装在变压器的周边，在声振采集装置采集声音后传送到后端提取声振特性，进而将变压器的正常工作状态声音和异常工作状态声音进行区分，对于异常的声音通过后台的大数据AI算法进行分析，从而准确的判断出变压器故障，进行实时故障警报，给检修人员提供准确的故障位置。

（二）系统架构

声振一体变压器故障诊断系统架构主要是由五个部分组成，第一部分：采集，变压器声学特征和风机振动主要是由声学传感器和压电振动传感器等前置采集装置进行采集。第二部分：传输，将采集完成的数据通过网络传输到云服务器。第三部分：处理，对传输到云服务器中的数据进行检测处理，判断变压器与风机运行状态。第四部分：存储，将数据存储在后台云端，便于和下一次数据进行对比和分析。第五部分：展示，采用图标表的形式将对比后的数据进行展示，便于相关工作人员查看整体数据。

二、生成对抗网络的样本不均衡分类与学习方法

目前，在声振一体变压器中运用的半监管学习算法，可以有效提升变压器故障检测情况，使得故障诊断更加准确，但是在实际运用中有着一定的局限性，当变压器的同一种故障类型二次出现的时候，检测和诊断的准确率才会比较高，当变压器的新故障出现时，检测和诊断的准确率会存在一定的误差，并且数据从吸收到训练集中的轮换过程可能和实际变压器的故障诊断没有关系。最近几年出现了一种新型的无监督学习技术：生成对抗网络，有效解决变压器正常与故障样本数量不均衡的问题。将故障样本中的一部分样本通过生成对抗网络可以生成数据相近的人工故障样本。无监督学习技术和半监管学习算法相比，可以更加直接的解决数据样本不均衡的问题。对于变压器故障样本少的问题，通过结合CGANs和W-GANs形成一个CW-GANs模型，有效提升生成对抗网络的效果，有效防止出现模型训练自由和模式坍塌的现象，可以生成很多中类型的故障样本。另外，通过集成算法的样本评估模型对生成样本进行检测，保障样本的质量问题，评估模型主要是挑选生成的样本，确保挑选后的样本可以和实际样本相接近，为变压器故障检测模型和诊断提供训练数据集，进而提升故障诊断的实际效果。生成对抗网络模型主要是把JS散度进行最小化，在JS散度的数值是0时，则说明生成的样本和真实样本在分布上是一样的。

故障诊断模型可以解决很多种类型问题，依据输入的数据对变电设备进行分析就可以判断故障属于哪一种类型，借助三种故障诊断模型对比分析外围设备、铁芯、绕组、有载分接开关类型的故障，第一种是传统机器学习算法故障诊断模型，第二种是完成使用CW-GANs模型的故障诊断模型，第三种是生成样本加真实故障样本训练的故障诊断模型，经过RF分类模型三种故障诊断模型的测试结果为图1，通过图1可以看出，生成样本加真实故障样本训练的故障诊断模型的效果是最好的，F1值最少上升了5%。

通过图2可以看出，传统机器学习算法故障诊断模型和完成使用CW-GANs模型的故障诊断模型的准确率是比较接近的，说明两种模型的故障数据分布接近与真实数据分布。由此说明，基于声振一体的变压器故障诊断关键技术应该选择生成样本加真实故障样本训练的故障诊断模型，使得故障诊断的准确率更加准确。

三、生成样本加真实故障样本训练的故障诊断模型的应用

在声振一体化变压器的周边安装压电振动传感器，将变压器工作中的振动信号进行采集，可以把1个麦克风安装在压电振动传感器的中心位置上，将风机噪音信号进行采集，降低压电传感器与压电模式遭受风机噪音带来的影响，压点振动传感器的安装可以依据风机的数量合理规划，使得风机振动信号可以全面覆盖并采集，一个风机安装一个声音传感器，将风机噪音信号进行采集，准确的对风机工作情况进行检测，减少风机对声振一体化变压器采集信号的不良影响。将采集的数据通过生成样本加真实故障样本训练的故障诊断模型进行分析，随时监测变压器的频率、能量、故障等数据，保障变压器的正常运行。

结语

综上所述，基于声振一体变压器故障诊断关键技术，应该更加高效的监测与诊断故障，通过对比三种故障诊断模型，声振一体变压器中采用发现生成样本加真实故障样本训练的故障诊断模型的诊断准确率更加高，为声振一体变压器的维修和保养提供了可靠的数据支撑。

参考文献

[1]游溢，张维宁，杨柱石，赵建平，马文.基于声振一体化的变压器感知系统在故障诊断中的应用研究[J].变压器，2022，59（04）：29-34.DOI：10.19487/j.cnki.1001-8425.2022.04.006.

[2]赵学举.基于声振一体的变压器故障诊断关键技术研究[J].电声技术，2022，46（04）：113-115.DOI：10.16311/j.audioe.2022.04.029.

[3]翟玉晓. 基于深度网络的大型变压器故障诊断技术研究[D].兰州理工大学，2020.DOI：10.27206/d.cnki.ggsgu.2020.000420.