变压器油中溶解气体故障诊断的改进方法及实证分析

0 引言

在电力输变电中，变压器负责电能转换，故障可致停电或事故[1]。油浸式变压器故障产生特征气体，DGA 技术通过检测气体预警和诊断故障。IEC 和DL/T 标准采用三比值法作为核心方法。

但三比值法面临挑战：依赖固定阈值，难适应差异；忽略气体动态特性；缺乏多源信息融合。

学者改进研究，引入模糊逻辑和机器学习如SVM、RF，但仍有特征工程依赖、非线性挖掘不足等问题。 为此，本文提出分层诊断框架：改进规则、加强深度学习、引入工况数据，构建“规则判断-智能识别-多源校验”三级体系，并通过案例验证有效性。

1 传统 DGA 诊断方法的局限性分析

三比值法和数据驱动方法在变压器故障诊断中均存在不足：前者因阈值刚性化难以适应设备个体特性、特征孤立化忽略绝对浓度与产气速率等关键信息、故障模式简化难以识别复合及非典型故障；后者则面临小样本困境导致模型泛化能力受限、特征浅层化未能充分挖掘气体浓度序列的时序相关性、物理意义弱化致使诊断结果缺乏物理解释与工程信任[2]。

2 改进诊断方法的分层架构设计

2.1 第一级：动态三比值规则优化

为解决传统三比值法阈值固定的局限，提出依据设备自身特性的动态阈值调节方案：

2.1.1 初始阈值修正

引入“绝缘健康指数（IHI）”对标准比值区间进行自适应调整，IHI 整合油纸绝缘聚合度（DP）、油中糠醛浓度、局部放电历史记录等指标，通过模糊推理得出修正系数α（ $0 . 8 { \le } { \tt a } { \le } 1 . 2 \$ ）[3]。例如，对于 IHI<60 的运行年限较长的变压器，将 R1 的 ⋅0^∘ 编码阈值从≤0.1 调整为≤0.12，防止因绝缘材料老化使气体生成特性改变而造成的漏判。

2.1.2 动态特征扩展

在传统三比值基础上，添加两项诊断参数：

产气速率比（R4）：指各特征气体浓度变化率与总烃变化率的比值，体现气体生成的主要机制。当C₂H₂的R4>1.5 时，表明存在电弧放电加剧风险；

浓度梯度熵（E）：计算七种特征气体（新增 CO、 CO₂ ）浓度时间序列的梯度分布熵值，以此量化故障发展的稳定程度。E 值突变（ :ΔE>0.3 ）说明故障模式可能发生转变。

2.2 第二级：深度特征提取与故障识别

搭建基于注意力机制的卷积神经网络（AM-CNN）模型，以弥补传统方法在气体数据深层特征挖掘上的欠缺：

2.2.1 数据预处理与序列构建

把时间窗口内（例如最近 6 次检测）的气体浓度序列转化为二维灰度图像（每行代表一种气体的浓度曲线，共 7 行 ×N 列），在保留时序变化特征的同时满足 CNN 的输入条件。针对缺失数据，运用基于高斯过程回归（GPR）的插值手段，防止传统线性插值带来的特征偏差。

2.2.2 网络结构设计

特征提取层：使用3 层卷积模块（卷积核大小 3×3 ，步长 1），每层后连接批量归一化（BN）和 ReLU 激活函数，逐步提取气体浓度的局部关联特征；

注意力机制层：引入通道注意力模块（CAM），通过计算各气体特征通道的权重系数，增强对故障敏感气体（如C₂H₂、H₂）的特征呈现，削弱 CO₂ 等干扰项的作用；

分类层：输出 7 种故障类型（新增复合故障类别）的概率分布，采用焦点损失函数（Focal Loss）处理样本不平衡问题，给稀有故障类别分配更高权重。

2.3 第三级：多源信息耦合校验

构建涵盖运行工况、设备参数、环境数据的综合校验模型，对前两级的诊断结果开展二次验证：

2.3.1 工况参数融合

把负荷率（L）、顶层油温（T）、套管介损（tanδ）等参数输入逻辑校验模块。例如，若诊断结果为“高温过热”，但负荷率低于 30% 、油温正常，则触发“数据异常”预警，防

止因传感器偏移造成的误判。

2.3.2 贝叶斯网络推理

建立包含故障类型（F）、气体特征（G）、工况参数（C）的三层贝叶斯网络，利用条件概率表 P(F|G,C)计算后验概率。某 220kV 变压器的AM-CNN 输出“局部放电”概率为 92% ，但贝叶斯网络校验显示其套管tanδ正常、历史产气速率平稳，最终将诊断修正为“低能量放电前期”，经吊芯检查确认存在轻微接触放电。

3 实证分析与工程验证

3.1 案例背景与数据准备

本研究以某省级电网的 30 台110kV 至 1000kV 电压等级的油浸式变压器为研究样本，采集了 2018 年至 2024 年间的 1200 组 DGA 数据。其中，包含经吊芯检查或试验验证确认的标准故障样本320 组，覆盖 6 种典型单一故障及2 种复合故障类型。在数据预处理环节，对气体浓度实施对数变换以消除量纲影响，并采用窗口大小为 4 的滑动窗口技术，构建了包含时序特征的样本序列[4]。

3.2 诊断效果对比实验

研究采用五折交叉验证方式，对四种诊断方法的性能进行了评估，具体包括：遵循GB/T 7252 标准编码的传统三比值法（STD）；引入动态阈值与 R4、E 因子的改进三比值法（M-STD）；采用 3 层全连接网络结构、以气体浓度原始特征为输入的传统神经网络（BP-NN）；以及本文提出的完整分层诊断架构（AM-CNN+BN）。

实验结果显示：在单一故障诊断方面，本文方法对高温过热（ >700^∘C ）故障的识别准确率为 94% ，较 STD 方法提高了 21 个百分点，这主要归功于注意力机制对 C₂H₄ 特征的有效强化与提取。对于复合故障（如放电与过热组合故障），本文方法的诊断准确率达到 82% ，显著优于 STD 方法的 55% 和 BP-NN 方法的 71% ，体现了其在多源信息耦合分析方面的优势。在样本不平衡场景下（稀有故障占比不足 5% ），本文方法的误判率较传统方法降低了 37% ，验证了焦点损失函数在缓解类别不均衡问题上的有效性。

3.3 工程应用成效

某 1000kV 特高压变压器在定期检测中发现异常：H₂浓度在三个月内由 50μL/L 上升至 180μL/L 。传统三比值法编码结果为[1,0,0]，对应低能量放电故障。而本文方法通过以下步骤进行了诊断修正：动态三比值模块监测到 R4（C₂H₂与总烃比值）为 1.2，此值已接近阈值 1.5，暗示放电能量有增强的可能性；AM-CNN 模型输出“电弧放电前期”的概率为 89% ，并捕捉到 C₂H₂ 时序曲线呈现陡峭上升趋势；贝叶斯网络进一步结合该变压器近期的负荷波动（ 1÷15% 额定值）及套管振动数据，最终确认存在因机械松动引发接触放电的风险。后续检修发现，该变压器低压侧套管将军帽螺栓松动，导致局部放电逐步加剧，此次诊断有效地避免了绝缘击穿事故的发生。

4 结论与展望

本文提出的分层诊断方法整合传统诊断规则的物理可解释性与深度学习特征提取能力，提升复杂故障识别精度；动态三比值规则修正阈值解决“一刀切”问题，老旧变压器预警效果显著；多源信息耦合校验机制增强可靠性，误判风险降低 30% 以上。未来将深化三方面研究：跨域迁移学习应对新投运变压器样本不足以提升少样本诊断性能，边缘计算在线监测装置实现DGA 数据实时提取与预警并缩短响应时间至分钟级，物理与数据模型融合结合热路-电路耦合仿真建立“气体生成-故障发展”映射以构建可解释性更强的混合模型，旨在优化DGA 诊断技术，支撑电力系统设备管理体系。

参考文献

[1]石亚梅,申娴,高铭晶,等.LSZH-PO 绝缘材料介电强度测试值影响因素研究[J].光纤与电缆及其应用技术,2024,(05):36-38+46.

[2]芮彬.基于绿色理念的建筑电气系统安装施工技术研究[J].中国建筑金属结构,2025,24(17):103-105.

[3]沙伟燕,李秀广,何宁辉,等.基于油色谱时频域信息和残差注意网络的变压器故障诊断方法[J].电网与清洁能源,2022,38(01):66-75.

[4]张佳楠,刘艳,单连飞,等.基于知识图谱的电网负荷转供路径自动成图方法[J].黑龙江电力,2025,47(04):321-326.