《Energies》:Toward Intelligent Power Transformer Diagnostics: From Multi-Source Condition Monitoring to Digital Twins
编辑推荐:
电力变压器是现代电力系统中的关键资产,其可靠性直接影响电网安全、韧性以及电力供应的连续性。在电、热、机械、化学和环境应力的交互作用下,变压器状态持续演变,因此可靠的状態评估与退化早期检测对于有效的资产管理至关重要。过去数十年间,业界已发展出多种诊断技术,包括溶
电力变压器是现代电力系统中的关键资产,其可靠性直接影响电网安全、韧性以及电力供应的连续性。在电、热、机械、化学和环境应力的交互作用下,变压器状态持续演变,因此可靠的状態评估与退化早期检测对于有效的资产管理至关重要。过去数十年间,业界已发展出多种诊断技术,包括溶解气体分析(DGA)、糠醛及其他理化分析、介电响应测量、频率响应分析(FRA)以及局部放电(PD)监测。尽管这些技术仍然不可或缺,但没有任何单一方法能够完整表征变压器状态,且其孤立或周期性应用在追踪退化轨迹和支持预测方面的能力有限。本综述批判性地审视了电力变压器诊断从传统状态评估技术向人工智能(AI)、多源数据集成、混合及物理信息建模,以及数字孪生技术的演进过程。研究特别关注机器学习和深度学习方法的性能与局限性,包括数据代表性、泛化能力、可解释性、不确定性以及现场验证。同时,本文也考察了混合物理-数据模型和数字孪生在集成测量、资产历史、物理知识与数据驱动推断方面的新兴作用。本文讨论了与现场数据可用性、标准化与互操作性、网络安全、可解释且可信的AI,以及动态模型更新相关的关键挑战。最后,本文展望了面向2040年的发展前景,强调从周期性、孤立的诊断向集成监测、不确定性感知预测以及动态更新的变压器资产与机群管理决策支持框架的预期转变。
论文主体内容总结
2. 传统诊断技术
2.1 溶解气体分析(DGA)
溶解气体分析(DGA)是评估油浸式电力变压器状态和检测早期内部故障最成熟的技术之一。电热应力作用于油纸绝缘系统会产生特征性气体分解产物。氢气(H2)和烃类气体(包括甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)和乙炔(C2H2))主要与不同故障条件下绝缘液体的分解相关,而一氧化碳(CO)和二氧化碳(CO2)则提供与纤维素降解相关的补充信息。IEC 60599和IEEE C57.104为气体解释提供了广泛使用的指南。解释方法包括关键气体分析、罗杰斯比值法、多恩伯格比值法以及杜瓦尔三角形等图形方法。然而,不同解释方法应用于同一气体数据集时可能产生相互矛盾的诊断结果,尤其是对于演变中的或混合型故障。此外,测量不确定性、替代绝缘液体的使用等因素也会影响DGA诊断的可靠性。
2.2 糠醛分析
糠醛分析是一种广泛使用的化学诊断技术,用于评估油浸式电力变压器纤维素绝缘的状态。在热和氧化应力下,纤维素解聚会产生多种呋喃化合物,其中2-糠醛(2-FAL)因其在油中的相对稳定性和与纤维素降解的关系而成为最常用的老化指标。IEC 61198规定了使用高效液相色谱(HPLC)测定2-FAL及相关呋喃化合物的方法。糠醛分析的主要诊断价值在于其与聚合度(DP)的关系,已有多种经验模型(如Chendong、Stebbins、De Pablo和Pahlavanpour模型)用于从2-FAL浓度估算DP。然而,2-FAL浓度与DP之间的相关性应谨慎解释,因为它们受变压器设计、油量、纸油比、热历史、换油或再生处理等因素影响。甲醇(MeOH)作为纤维素链断裂过程中产生的补充老化标志物,对早期纸降解可能具有更高的敏感性。
2.3 绝缘状态的其他理化指标
除溶解气体和呋喃化合物外,绝缘液体的多种理化性质提供了变压器绝缘系统状态的补充信息。水分是最关键的参数之一,因为它对介电性能和纤维素老化均有强烈影响。酸值、界面张力(IFT)、击穿电压(BDV)、电阻率、颗粒污染和氧化相关特性等参数也常用于评估油质和油纸绝缘系统的整体状态。这些指标通常不能直接识别特定内部故障,但它们的综合解释对油质评估和整体状态评估有重要贡献。
2.4 介电响应和介质损耗因数测量
介电响应测量通过表征油纸绝缘在电场下的极化、传导和介电损耗行为,提供有价值的绝缘状态信息。常用方法包括介质损耗因数(tan δ)、频域谱(FDS)和极化/去极化电流(PDC)测量。这些技术对水分、老化、油电导率以及影响绝缘系统介电性能的其他理化变化特别敏感。IEC 60247规定了绝缘液体介质损耗因数、相对介电常数和直流电阻率的标准化测定程序。FDS在宽频率范围内评估介电响应,不同频谱区域对油电导率、界面极化、水分和纤维素绝缘状态表现出不同敏感性。PDC通过在施加和移除直流电压后测量极化和去极化电流,在时域提供补充信息。然而,介电响应测量的解释本质上是多参数的,温度、绝缘几何形状、油电导率、水分含量和分布、老化状态以及界面极化可能同时影响测量响应。
2.5 频率响应分析(FRA)
频率响应分析(FRA)是评估变压器绕组机械完整性和检测影响其电气特性变化的成熟技术。FRA基于在宽频率范围内施加低电压信号并测量相应的频率相关响应。变压器绕组可表示为分布式电阻、电感和电容网络,其电气特性与物理几何相关。轴向和径向绕组变形、鼓包屈曲、绕组位移或塌陷、匝间短路和铁芯移动等机械或电气变化会改变测量的频率响应特征。FRA对油基诊断技术可能无法识别的机械变化特别敏感。然而,FRA解释本质上仍是比较性的,测量信号通常需要与参考测量、等效相响应或对应单元进行比较。IEC 60076-18和IEEE Std C57.149-2012为FRA测量和解释提供了国际指导。
2.6 局部放电(PD)监测
局部放电(PD)监测是检测变压器绝缘系统内局部缺陷的重要诊断方法。PD是仅部分桥接导体间绝缘的局部放电,通常发生在局部电场增强的区域,可能源于空隙、气泡、裂纹、尖锐导电区域或退化的绝缘界面。PD检测方法可根据放电产生的物理量分类,包括电气、电磁、声学、气体、光学和混合技术。常规电气方法依据IEC 60270测量放电相关电流脉冲和视在电荷。超高频(UHF)技术检测与PD活动相关的高频电磁发射,适合在线监测。声学方法检测放电事件产生的超声波,并可通过到达时间分析支持缺陷定位。光纤布拉格光栅(FBG)传感器等光学传感技术提供另一种检测手段,具有强抗电磁干扰能力。混合架构结合多种传感原理可提高检测可靠性、噪声区分和故障定位能力。可靠的在线检测仍具挑战性,因为测量可能受到变电站电磁干扰和其他噪声源的影响。
3. 传统诊断方法的局限性
3.1 周期性和不完整的时间状态评估
传统变压器诊断实践的一个主要局限是状态评估仍常基于预定间隔的测量而非连续观测。预定检修或维护停电期间进行的测试提供了特定时刻的变压器状态信息,但本质上代表退化过程的离散快照。因此,连续测量之间发生的变化可能被忽视,特别是当退化快速发展或运行条件显著变化时。这种不连续性也限制了在测量稀疏或不规则时建立可靠退化趋势的能力,对预测性维护和剩余使用寿命估计构成重要限制。
3.2 有限的多源数据集成与数据融合
传统变压器状态评估的另一个重要局限是诊断信息的碎片化使用。各项技术通常针对特定退化机制,其结果往往被单独解释而非在集成评估框架内组合。这种分隔化方法难以捕捉共同决定变压器状态的电气、热、化学和机械过程之间的相互作用。当多个退化过程共存并产生复杂或重叠的诊断特征时,这一局限性变得尤为重要。多传感器监测系统的实际实施也面临挑战,传感器可能暴露于高温、强电磁场、湿气、振动和化学侵蚀性环境中,长期老化、传感器漂移、校准要求和电磁干扰可能影响测量质量和监测可靠性。
3.3 对经验规则和专家解释的依赖
传统变压器诊断方法在很大程度上依赖经验规则、预定阈值和专家知识进行解释。为特定变压器群体或运行条件开发的经验标准可能不直接适用于具有不同设计、绝缘系统、负荷历史或服务环境的变压器。诊断结论可能既取决于测量参数,也取决于操作者的经验。当多个退化机制同时发生时,解释也可能变得困难。确定性阈值通常对诊断不确定性的表征有限,特别是当测量值接近决策边界或多种退化机制共存时。
3.4 有限的预测能力和不确定性量化
传统变压器诊断技术主要用于检测异常状态和识别现有退化或故障机制,而非预测其未来演变。将观测转化为退化轨迹、故障概率或剩余使用寿命(RUL)的可靠估计仍具挑战性。检测、诊断和预测之间的区别对于从基于状态的维护向预测性维护转变至关重要。预测评估需要考虑变压器状态与运行应力之间的动态相互作用。传统阈值或规则型诊断方法在捕捉这些时间依赖和交互效应方面的能力有限。此外,诊断测量受测量不确定性影响,而诊断和预测模型引入了与模型假设、参数估计、数据代表性和变压器内部状态知识不完整相关的额外不确定性。然而,传统诊断标准经常产生确定性分类或基于阈值的决策,未明确量化诊断或预测结果的置信度。
4. 变压器诊断中的人工智能
4.1 人工神经网络(ANN)
人工神经网络(ANN)是最早广泛应用于变压器诊断的AI技术之一,因其能够逼近多个诊断指标与变压器状态之间的非线性关系。ANN已应用于DGA解释、FRA、绝缘老化评估和PD模式识别。在DGA方面,研究已从传统静态ANN分类器向优化和自适应学习架构发展。在FRA方面,ANN被用于解释测量结果以识别绕组变形和机械故障。在纤维素绝缘老化评估方面,ANN被用于预测油中糠醛含量、结合2-FAL和甲醇测量评估固体绝缘退化状态,以及从2-FAL浓度估算剩余聚合度。在PD模式识别方面,多种神经网络架构被用于自动分类。然而,ANN性能本质上与用于模型开发的数据相关,网络架构、超参数选择、类别不平衡、数据质量和代表性可显著影响报告的性能,超出训练域的外推仍不确定。
4.2 支持向量机(SVM)
支持向量机(SVM)因其在相对有限的数据集和高维特征空间中执行分类和回归的能力而被广泛研究用于变压器诊断。DGA是SVM在变压器诊断中研究最广泛的应用。早期研究证明了基于SVM的分类器能够区分主要热和电故障类别。后续研究越来越多地将SVM与优化和数据处理技术结合以提高分类性能。SVM也已应用于FRA,用于检测和表征绕组机械变形,以及应用于PD诊断,用于使用从相位分辨局部放电(PRPD)分布提取的特征对放电模式进行分类。SVM的一个关键优势是其适用于标记观测数量相对有限的问题。然而,在小数据集上的良好性能不应与已证明的现场泛化能力相混淆,模型在特定变压器群体或故障数据库上训练后,应用于不同设计、运行条件或故障分布的变压器时可能性能下降。
4.3 随机森林算法
随机森林(RF)是一种集成学习方法,结合了从训练数据自举子集和随机选择特征子集构建的多个决策树。这种集成策略通常提高鲁棒性并减少单棵决策树过拟合的倾向,使RF特别适合涉及非线性关系、异质变量和相对有限数据集的变压器诊断问题。DGA是RF在变压器诊断中的主要应用之一,RF模型已被研究用于区分热和电故障类别。RF的一个重要优势是其估计特征重要性的能力,提供哪些诊断变量对模型决策贡献最大的指示。RF也已应用于PD分类、绝缘状态评估和多参数变压器健康评估。然而,RF性能仍强烈依赖于训练数据的质量和代表性,类别不平衡、稀有故障模式示例有限、诊断标签不一致、缺失测量和变压器群体差异可显著影响模型性能。
4.4 深度学习方法
深度学习已成为变压器诊断中传统机器学习的重要扩展,特别是随着监测数据量、维度和时间分辨率的增加。与依赖手工设计特征的传统ML方法不同,DL架构可以直接从原始或最小处理的信号、图像、频谱和多变量时间序列数据中学习层次表示。卷积神经网络(CNN)已被用于从PRPD模式或时频表示中直接提取判别特征,减少对人工选择统计描述符的依赖。长短期记忆(LSTM)网络等时间DL架构被应用于顺序DGA测量和其他时间依赖监测变量,用于故障演变评估和预测应用。注意力机制和Transformer架构因其捕捉复杂顺序监测数据中长期依赖的能力而受到关注。混合DL架构结合卷积、循环、注意力或传统ML组件以利用互补能力。迁移学习和域适应方法为缓解数据稀缺提供了潜在手段。然而,DL模型引入重要挑战,包括对数据集大小、质量、类别平衡和代表性的强依赖性,过拟合风险,计算需求,模型透明度,不确定性量化和跨变压器设计与运行环境的可迁移性。
4.5 混合和物理信息AI用于变压器诊断
混合和物理信息AI方法已成为结合数据驱动模型模式识别能力与变压器行为既有诊断知识和物理理解的有前景方向。混合诊断方法可在多个层面运作。在诊断知识层面,经验规则和既有解释方法可与机器学习分类器结合而非完全替代。在物理模型层面,热模型、介电响应模型、老化规律和电磁模型可为AI算法提供约束、特征、中间变量或参考状态。物理信息机器学习通过约束损失函数、模型架构、边界或初始条件、守恒原理或物理上有意义的潜在变量将物理知识更直接地嵌入学习过程。混合方法还提供了更系统地处理不确定性的机会。然而,物理模型的引入并不自动保证优越性能,物理模型本身包含假设、简化、不确定参数和受限适用域,错误指定的约束可能使学习模型产生偏差而非改进。
4.6 基于AI的变压器诊断的当前局限性
尽管基于AI的变压器诊断取得了相当进展,但从有前景的研究结果向可靠现场部署的过渡仍具挑战性。数据可用性和质量仍是基本挑战,变压器故障相对罕见,公用事业通常拥有远多于确认故障条件的正常运行数据。泛化是第二个主要关注点,变压器设计、年龄、绝缘系统、负荷历史、冷却配置、传感器技术、环境条件和维护实践在资产和公用事业之间差异显著。可解释性和可解释性在AI输出支持高后果维护和运行决策时尤为重要。不确定性量化在基于AI的变压器诊断文献中仍未得到充分解决,测量不确定性可通过数据驱动模型传播,算法产生的分类概率不一定是诊断置信度的校准度量。最后,部署后的AI诊断模型不能被视为静态的,资产状态、传感器、运行实践和数据分布的变化可能导致模型或数据漂移,随时间降低诊断性能。
5. 电力变压器数字孪生
5.1 基本概念
数字孪生(DT)可广义定义为物理资产或系统的动态数字表示,通过与其物理对应物交换的数据持续或定期更新。数字孪生概念通常围绕三个主要组件构建:物理实体、虚拟表示以及实现两者同步的数据连接。对于电力变压器,物理实体对应运行中的变压器,而虚拟表示可包含基于物理的模型、数据驱动模型、诊断知识或其混合组合。应区分数字模型、数字影子与数字孪生:数字模型通常无自动化数据交换,数字影子包含从物理系统到数字表示的自动化数据传输,而数字孪生通过物理与虚拟环境之间的动态同步扩展此概念。
5.2 电力变压器数字孪生的建模方法
5.2.1 热电耦合模型
热电建模是变压器数字孪生框架中最成熟的基于物理的组件之一,因为它建立了电气负荷、冷却条件、温度分布和绝缘老化之间的直接关系。变压器绝缘老化受温度强烈影响,特别是绕组热点温度,其根据阿伦尼乌斯型关系影响纤维素绝缘的退化速率。热电模型通常使用负荷电流、环境温度和冷却条件等运行变量来估计变压器的热状态。当使用运行测量持续更新时,此类模型可提供难以或不切实际直接测量的内部热状态估计,并支持热应力评估、绝缘老化估计、动态负荷研究和寿命损失评估。