运行工况下换流变压器典型缺陷局部放电特性及基于卷积神经网络（CNN）的识别与±400 kV现场验证

《Energies》：Characteristics of Partial Discharge of Typical Defects in Converter Transformer Under Operation

　　

换流变压器长期运行于复杂电场中，易发生绝缘劣化。为研究内部绝缘劣化引起的局部放电（partial discharge, PD）特性，本研究研制了交直流局部放电模拟平台，以复现实际运行工况。构建了四种典型绝缘缺陷——匝间、垫块、静电环和分接开关，并在35 kV变压器油箱中采用纯交流电压和交直流复合电压（比例1:1、1:3、1:5、1:7）开展试验。对48个相位分辨局部放电（phase-resolved partial discharge, PRPD）图谱进行图像裁剪、灰度转换和尺寸标准化处理，其中84%用于训练、16%用于测试。卷积神经网络（convolutional neural network, CNN）在测试集上的总体分类准确率达到93.7%。采用±400 kV真实换流器进行现场验证，确认了该网络在PD模式识别中的精度，为换流变压器绝缘状态诊断和故障预测提供了技术支持。

研究背景与问题。换流变压器（converter transformer）是电网最关键设备之一，其运行可靠性直接关系碳达峰、碳中和目标下电力系统安全稳定。长期运行中，内部油纸绝缘（oil-paper insulation）系统承受电、热、机械等多重应力，老化、受潮、杂质和制造缺陷可诱发局部放电（partial discharge, PD），加速绝缘劣化并形成恶性循环。既有研究表明相当比例变压器故障由绝缘缺陷引起。与常规变压器相比，换流变压器持续暴露于交直流（AC/DC）复合电场，工况更严酷，故障风险更高，因此需有效PD检测以在灾难性故障前识别和消除潜在缺陷。

已有研究分三方面：绝缘老化机制、硬件去噪与信号调理、机器学习模式识别。Sun et al.建立HVDC换流变压器3D模型分析电压谐波下绕组电场；Dong et al.研究AC/DC复合电压下变压器油中金属颗粒聚集和PD行为；Qian et al.分析油纸绝缘PD特征参数和击穿电压Weibull失效特性；Le et al.提出仿真方法优化调压绕组结构。硬件方面，Li et al.提出自适应加权帧稀疏表示去噪；Qu et al.设计信号调理电路；Li et al.研究UHV换流变压器PD故障定位诊断；Shao et al.模拟阀侧套管PD电磁波传播；Jia et al.研究复杂多径传播下PD定位；Wei et al.提出现场PD测试技术。机器学习方面，Liu et al.应用聚类识别直流PD缺陷；Wen et al.实现UHVDC换流变压器PD特征缺陷模式识别；Wei et al.进行PD图像特征缺陷诊断；D. Karthik Prabhu et al.引入残差池化结构增强特征提取；Zhang et al.提出基于生成对抗网络（generative adversarial network, GAN）的数据增强；Zhang et al.应用在线序贯极限学习机（online sequential extreme learning machine, OS-ELM）；Chen et al.提出多通道CNN，比单通道CNN识别精度提高最多30%。但多数研究依赖简化实验室模型和单一或有限电压条件，缺乏覆盖不同AC/DC复合比（1:1至1:7）的综合数据集；智能诊断模型在严重现场电磁干扰下的工程适用性很少用真实换流变压器验证。

为此，研究人员构建专用AC/DC PD模拟平台，建立覆盖四种典型绝缘缺陷和多种电压比的48个PRPD图谱数据集，开发CNN自动缺陷分类模型，并应用于真实±400 kV换流变压器现场验证。贡献包括：系统研究四种典型缺陷在不同AC/DC复合电压比下PD特性；提出CNN识别模型并在实验室取得高精度；将训练模型用于真实±400 kV换流变压器现场验证，确认工程适用性。

关键技术方法概括。研究人员采用AC/DC PD模拟平台，可在纯AC及AC/DC比1:1、1:3、1:5、1:7下试验，并在升压中保持AC/DC比恒定。以换流变压器内部绝缘材料和真实结构制备垫块、匝间、分接开关、静电环四类缺陷模型。在35 kV变压器油箱和45号绝缘油中，按GB/T 7595控制水分，采用阶梯升压，每级5 min，监测放电幅值与重复率。PD信号由多通道数字PD检测器采集，放大器频带40 kHz–300 kHz，采样率100 MS/s，与电压相位同步形成q-n、φ-q、φ-n PRPD图谱。图像经裁剪、灰度转换、尺寸归一化后输入CNN；数据集每类1800样本，共7200，按84%/16%划分训练和测试。现场验证样本来自±400 kV换流变压器实际工况下收集的500个现场样本。

2. Experimental Methods。2.1. Experimental Platform：平台可施加纯AC和不同比例AC/DC叠加电压，并在升压中保持比例恒定，复现换流变压器实际运行电压变化。2.2. Preparation of Test Samples：制备垫块、匝间、分接开关、静电环四类模型，分别模拟机械应力老化开裂、绝缘损伤、金属污染物浮电位放电、金属突出尖端放电。2.3. Experimental Procedure：分接开关仅施加纯AC；垫块、匝间、静电环施加纯AC和AC/DC复合电压。采用阶梯升压，首次检测PD后继续升压，接近击穿时放电幅值和重复率增至4~5倍且全相位放电，立即终止。2.4. Partial Discharge Signal Acquisition and Processing：采集三种PRPD谱，背景噪声10 pC，小波去噪。结果显示：垫块在1:1下正半周120°~180°、负半周180°~200°，最大约115 pC；匝间正半周0°~20°和120°~160°、负半周320°~360°，约125 pC；分接开关纯AC正半周20°~120°、负半周220°~320°，峰值正半周约86 pC、负半周105 pC；静电环1:1下正半周60°~180°、负半周250°~340°，正半周幅值略高。共获得48组q-n、φ-q、φ-n图像，不同缺陷特征差异显著，可区分性高，为CNN识别奠定基础。

3. Partial Discharge Feature Recognition。3.1. Structure and Operation of the Convolutional Neural Network：CNN基于局部感受野、权值共享和池化降维，经预处理、卷积特征提取、池化降维、非线性激活、全连接融合、分类输出和损失优化，实现端到端图像分类。本研究网络为两级前馈网络，含输入层、两个卷积层、两个池化层、全连接层和输出层。3.2. Spectrum Preprocessing and Model Construction：原始PRPD图经图像裁剪、灰度转换、尺寸归一化；裁剪低于10 pC区域，灰度转换使数据量降至1/3。网络输入256×256×3，卷积层分别16个9×9核和32个5×5核，批归一化、ReLU激活、2×2最大池化，全连接层128神经元并引入dropout，Softmax输出分类。3.3. Training of the Convolutional Neural Network：每类1800样本，共7200，训练集84%（每类1500），测试集16%（每类300）。总体准确率93.7%，重复训练测试结果接近。分接开关缺陷（C₃）准确率较低为88.6%，因其与垫块缺陷（C₁）在负半周相位分布和放电幅值相似，且现场样本变异性更高。

4. Field Case Analysis：训练好的CNN用于±400 kV换流变压器（Shandong Dachi Electric Co., Ltd.（Heze, China））现场诊断，内部设置匝间和分接开关缺陷模型，采用Baoding Huachuang的PD检测系统采集信号。现场PRPD图谱经噪声滤除和信号归一化后输入模型。实际工况下收集500个现场样本，模型对匝间绝缘缺陷识别准确率95%，对分接开关缺陷96.3%。结果表明模型可从真实换流变压器PD的PRPD图谱中有效提取故障特征，为绝缘评估提供快速准确诊断依据，具有一定工程适用性，可扩展到常规绝缘诊断。

5. Conclusions。基于换流变压器结构特征构建四种典型缺陷模型，分析各缺陷PD物理机制和放电特征，建立放电特征数据库，并通过神经网络识别实现故障分类。结论为：放电测试中四种故障模型表现不同放电特征；垫块放电主要集中在相位角180°附近并呈对称分布；匝间在正负半周均出现稳定双峰；分接开关也呈双峰分布，正负半周相位分布较宽且近似对称，但负半周放电幅值和分布范围略高；静电环正负半周放电集中在不同相位区域，正半周放电幅值略高。采用CNN对四种实验室样本的三种PRPD图谱进行深度学习识别，对垫块、匝间、静电环和分接开关缺陷总体识别准确率93.7%，表明该方法可有效识别换流变压器实验室模型PD类型。训练好的CNN模型进一步用于±400 kV换流变压器现场验证，对匝间和分接开关缺陷识别准确率分别为95%和96.3%。局限为现场验证仅限两种典型缺陷类型，现场样本数量有限，现场严重电磁干扰对模型泛化提出挑战。未来将扩展现场样本数据库，处理重叠缺陷特征，并将CNN模型集成到换流变压器在线监测系统。