基于脉冲振荡参数分析的电抗器绝缘故障诊断方法研究

《Energies》：A Study on a Method for Diagnosing Insulation Faults in Reactors Based on the Analysis of Pulse Oscillation Parameters

　　

匝间绝缘故障是干式空心电抗器烧毁的主要原因，然而由于工频故障特征微弱，早期检测仍然具有挑战性。研究人员提出了一种综合诊断框架，结合了脉冲振荡测试（impulse oscillation testing）、电磁仿真（electromagnetic simulation）和物理信息图神经网络（physics-informed graph neural network）。研究人员开发了一个缩比四层并联电抗器模型和一个脉冲振荡平台，用于提取动态等效电感和电阻作为敏感故障指标。经过验证的有限元仿真（finite element simulation）揭示，高压端子附近的层间绝缘承受最高的电场应力，在短路故障下局部场强增加近八倍。对于故障定位，研究人员构建了一个时空物理信息图神经网络（Spatio-Temporal Physics-Informed Graph Neural Network, ST-PIGNN），将绕组拓扑表示为异构图，并将电磁暂态方程嵌入为物理约束。在120个样本的测试集上，所提出的方法在低噪声条件下实现了94.17%的故障层分类精度和6.84%的轴向定位平均绝对误差，并在强噪声干扰下保持85.83%的精度和8.12%的误差。所提出的方法目前处于概念验证阶段，在现场部署之前需要对全尺寸电抗器进行进一步验证。

干式空心电抗器（dry-type air-core reactor）作为电力系统中实现无功补偿和短路电流限制的关键设备，其运行可靠性直接影响电网的稳态裕度和暂态稳定性。现代电力电子化电网中，频繁操作的过电压和谐振暂态过程对电抗器绝缘系统构成严峻考验。研究表明，匝间绝缘故障（inter-turn insulation failure）是导致电抗器突然烧毁的主要原因，然而早期局部绝缘损伤具有显著的隐蔽性和非线性劣化特征，工频（power frequency）下的等效电感和电阻偏差极小（通常≤1%），易受复杂电磁环境干扰，难以实现有效预警。非电诊断方法如红外热成像、超声检测等虽能提供直观物理表征，但受限于开敞结构和缺乏电磁屏蔽，信号易被环境噪声淹没。脉冲振荡方法（impulse oscillation method）因含丰富的时频暂态信息而被关注，但现有研究多集中于定性波形比较，缺乏从“暂态波形特征”到“阻抗矩阵参数”再到“空间物理损伤”的系统映射，尤其对弱匝间短路故障，难以实现多包封、多层绕组的纵向故障位置无损反演。因此，亟需建立绝缘退化与振荡过电压参数间的定量关联，并发展高灵敏度故障定位方法。

研究人员针对上述问题开展了系统研究，并取得了以下成果。研究通过设计缩比模型（1:10比例，保持绕组构型和材料属性与原型一致），构建脉冲振荡测试平台（基于RLC串联谐振电路产生指数衰减振荡电压），并建立经过实验验证的三维电磁仿真模型（COMSOL Multiphysics 6.1，频率域求解器，频率范围1–100 kHz，主验证频段30–40 kHz），构建了绝缘故障与等效电气参数之间的映射关系。在此基础上，提出了一种基于物理信息图神经网络（ST-PIGNN）的故障诊断算法，将绕组拓扑编码为图结构，以等效电感和电阻偏差作为输入，嵌入电磁暂态方程作为物理约束，输出故障层和轴向位置。在120个样本（覆盖4个故障层、2–4匝短路、3个轴向位置）的测试集上，低噪声条件（信噪比SNR = 40 dB）下故障层分类准确率达94.17%，轴向定位平均绝对误差为6.84%；强噪声干扰（SNR = 20 dB）下仍保持85.83%准确率和8.12%误差，物理不一致违反率仅1.42%。与支持向量机（SVM）和标准图卷积网络（GCN）的对比表明，物理约束有效防止了网络过拟合噪声并输出非物理结果。该研究目前处于概念验证阶段，后续需在全尺寸电抗器上进一步验证。论文发表于《Energies》。

为开展研究，研究人员采用了以下关键核心技术方法：缩比实验模型（1:10缩比，四层并联绕组结构，预设短路抽头）、脉冲振荡测试平台（自研，可产生幅值和重复频率可调的阻尼振荡脉冲，测量系统带宽≥100 MHz，采样率≥1 GS/s）、三维电磁场有限元仿真模型（基于COMSOL，区域自适应网格划分，最小网格尺寸0.36 mm，频率域求解器，提取等效电感和电阻）、物理信息图神经网络算法（ST-PIGNN，将绕组线圈定义为节点，构建物理传导边和电磁耦合边，输入为基于健康基线的偏差特征，多任务输出包括故障层分类和轴向位置回归，损失函数包含物理残差项）。样本数据来源于仿真模型和缩比实验的120个独立测试样本，未涉及人体或动物样本队列。

研究结果部分：

3.1 电磁仿真模型的验证（Verification of the Electromagnetic Simulation Model）：通过缩比模型的静态和动态电感测量，与电磁仿真结果对比，健康状态及故障状态下电感偏差均在5%以内，验证了仿真模型能够有效支撑后续电磁场分析和故障特征提取。

3.2 电抗器电气特性分析（Analysis of Electrical Characteristics of Reactors）：
3.2.1 电磁场分布仿真结果（Simulation Results of Electromagnetic Field Distribution）：通过对比健康状态与典型故障状态（第四层50%高度四匝短路）的电场、磁通密度和电流密度分布，发现故障点局部电场强度从0.77×10⁶ V/m骤升至6.13×10⁶ V/m（增加近八倍），磁通密度中间层高于内、外层，故障后磁屏蔽效应显著，电流密度分布反转。
3.2.2 电抗器电气参数变化特性分析（Analysis of Electrical Parameter Variation Characteristics of the Reactor）：仿真了不同层、不同轴向位置（0%–100%）和不同短路匝数（2–4匝）下的等效参数变化，发现电感下降率随短路匝数增加而增大，在50%高度处达到最大（如三匝短路可达3.65%），外层故障引起的参数变化小于内层，电阻变化普遍小于1%。

3.3 并联耦合线圈电路模型分析（Analysis of Parallel Coupled Coil Circuit Model）：将四层并联结构简化为两层并联耦合线圈电路模型，理论分析揭示了短路匝形成的去磁效应导致等效电感下降和振荡频率升高，故障层电流幅值显著大于健康层，而振荡频率相同，从而可作为故障层识别的特征。

4.2 模型训练与验证（Model Training and Validation）：
4.2.1 联合训练策略（Joint Training Strategy）：通过网格搜索和5折交叉验证优化超参数（图卷积层数、学习率、批量大小、物理损失权重），确定最优配置，避免过平滑和物理约束过强。
4.2.2 分类性能与混淆矩阵分析（Classification Performance and Confusion Matrix Analysis）：在120个样本测试集上，低噪声条件下故障层分类准确率94.17%（边界层准确率96.67%），轴向定位平均绝对误差6.84%；强噪声下准确率85.83%，误差8.12%，物理不一致率1.42%。
4.2.3 方法比较与噪声鲁棒性评估（Methodological Comparison and Noise Robustness Evaluation）：与SVM和标准GCN对比，ST-PIGNN在强噪声下分类准确率远高于SVM（59.16%）和GCN（故障层准确率未明确给出，但物理不一致率42.17%），验证了物理约束的有效性。

总结讨论：研究通过实验和仿真证明基于脉冲振荡参数的电感和电阻偏差能够有效表征匝间绝缘故障，且ST-PIGNN算法在小样本和强噪声条件下仍保持高精度和物理一致性。研究结论（翻译自Conclusions部分）如下：(1) 通过缩比模型的匝间短路实验与高保真电磁仿真交叉验证，建立了绝缘故障与脉冲振荡特征参数之间的可靠关联，仿真模型偏差低于5%；电磁场仿真揭示局部四匝短路可使故障点电场强度骤升近八倍。(2) 电感下降率随故障严重程度单调增加，且与轴向位置明确相关：两匝短路电感下降率0.11%–1.22%，三匝短路为1.83%–3.65%，最大变化位于绕组中部（50%高度）。(3) 所提出的基于物理信息图神经网络的故障诊断算法（ST-PIGNN）在120样本测试集上，低噪声条件下故障层分类准确率94.17%，轴向定位平均绝对误差6.84%；强噪声下准确率85.83%，误差8.12%，物理不一致违反率仅1.42%。与SVM和标准GCN的对比表明，嵌入的物理约束有效防止了网络过拟合噪声并输出非物理结果。该方法目前处于概念验证阶段，全尺寸电抗器现场部署前需进一步验证。