基于二维离散小波变换与卷积神经网络及Transformer编码器框架的电力变压器直流偏磁智能诊断研究

《Electronics》：Research on Intelligent Diagnosis of DC Magnetic Bias of Power Transformers Based on Vibration Signals and Improved 2DWT-CNN-Transformer Framework

　　

直流偏磁（DC bias）会使变压器铁心磁化工作点偏移并引发局部饱和，通过磁致伸缩效应产生异常振动，威胁变压器安全运行。针对直流偏磁下变压器振动信号时频特性复杂、相邻偏磁等级难以区分的问题，研究人员提出了一种融合二维离散小波变换（2DWT）、卷积神经网络（CNN）与Transformer编码器的2DWT-CNN-Transformer诊断方法。首先建立三相三柱变压器多物理场有限元模型，构建L0–L5六级直流偏磁数据集；其次将一维振动信号重构为二维矩阵，经2DWT提取LL、LH、HL、HH四子带多尺度时频特征，由CNN提取局部纹理特征，并引入Transformer编码器的多头自注意力机制建立全局依赖以增强相邻偏磁等级判别力。相较传统时频特征深度学习模型，该方法精度更高，在15 dB高噪环境下仍达96.23%准确率；可视化结果表明模型类内聚合更紧凑、类间边界更清晰，为复杂环境下基于振动信号的变压器直流偏磁状态辨识与评估提供了有效方案。

研究背景方面，电力变压器是电力系统中最关键的设备之一，直流偏磁（DC bias）由地磁感应电流、高压直流输电及轨道交通杂散电流等引入中性点直流分量，使铁心磁通偏移、正负半周不对称、局部饱和加剧，经磁致伸缩效应表现为异常振动、绕组温升与绝缘劣化。已有研究多停留在正常与偏磁二分类，难以细分偏磁等级；单一阈值法对测点敏感且鲁棒性差；CNN局部感知与Transformer全局建模难以兼顾。为此，研究人员以110/35 kV、63 MVA三相三柱变压器为对象，在COMSOL 6.3中建立电磁-固体力学耦合有限元模型，中性点叠加0–10 A直流，划分L0–L5六级偏磁，于铁心顶部与绕组边界布置虚拟测点A–F，采集加速度与位移响应，每样本1600点，按7:3划分训练与测试集，构建六类振动信号数据集。论文发表于《Electronics》。

关键技术方法上，研究人员采用三类技术：其一，将一维振动信号归一化重构为40×40二维矩阵（对应1600采样点，40点约0.2个工频周期），经二维离散小波变换（2DWT）分解为LL低频近似与LH、HL、HH方向高频四子带，放大相邻偏磁等级间谐波差异；其二，改进CNN含两层3×3卷积（16、32核）与2×2最大池化，提取局部纹理并将四通道特征图压缩为25个patch令牌；其三，保留Transformer编码器去除解码器，引入可学习分类令牌与正弦-余弦位置编码，以4头自注意力、单层编码器建立全局依赖，MLP输出六类偏磁状态。样本以来自有限元仿真的振动信号为主，少量工程参考数用于调参。

研究结果部分，第2章基于有限元仿真展开：2.1节分析地铁杂散电流致中性点直流的磁动势叠加机制，由麦克斯韦方程与B=B_ac+B_dc说明磁通偏移使工作点由线性区A移至饱和区B、励磁电流半周尖化；2.2节给出三相三柱几何参数（铁心柱边长21 cm、窗高60.4 cm等）与材料物性，建立电磁-结构耦合模型；2.3节以中性点直流0–10 A设L0(0 A)–L5(≥10 A)六级，参数扫描获六级励磁电流畸变波形；2.4节布设A（铁心顶磁致伸缩）与D（结构耦合敏感）等虚拟测点；2.5节构数据集并按类逆频数加权缓解不平衡；2.6节时域曲线显示A、D点位移与加速度幅值随偏磁递增，但低偏磁区分度有限，引出2DWT必要性。第3章方法中，3.1节由磁致伸缩应变λ∝B推导轴向振动波方程，3.2节定40×40重构矩阵，3.3节述2DWT四子带物理意义，3.4节给出2DWT-CNN-Transformer完整结构（CNN输出经patch划分、线性投影为D维嵌入、加位置编码入Transformer编码器），3.5节经激活函数（GELU最优）与超参网格搜索确定4头、5×5 patch、单层编码器。第4章结果中，4.1节对比1D-CNN、CNN-LSTM、2DWT-CNN，所提模型无噪准确率99.77%、F1 99.72%；4.2节消融表明去任一点精度仍>98%，留一测点泛化96.45%–97.55%，去Transformer掉2.54%、去CNN掉2.9%、去2DWT掉幅最大；4.3节抗噪测试在20/15/10/0 dB下，15 dB时仍96.23%；4.4节t-SNE显示六类簇紧凑、边界清。

讨论与结论翻译：本文提出融合2DWT、CNN与Transformer编码器的模型用于变压器直流偏磁智能诊断。主要结论如下：（1）所提模型在无噪环境辨识六级偏磁准确率达99.77%，精确率99.74%、召回率99.71%、F1值99.72%，较1D-CNN、CNN-LSTM、2DWT-CNN分别提升8.67、11.37、9.34个百分点，优于文献中CNN二分类96.5%；15 dB高噪下仍维持96.23%。（2）消融试验中移除任一虚拟测点L1识别率降幅≤0.9%；留一测点泛化准确率96.45%–97.55%，波动<1.1%，证明模型不依赖特定测点，鲁棒性与泛化性良好。（3）模型50轮内收敛，训练损失稳于0.032，显著低于对比模型；t-SNE可视化示六类样本类间边界清晰、类内聚紧。综上，2DWT-CNN-Transformer提升了变压器直流偏磁状态辨识精度，为基于振动的状态评估提供可行方案；仿真中振动位移幅值随偏磁与半周不对称度渐增，与实验趋势定性一致。但Transformer增加计算复杂度，现场适应性待验，未来将融入更多现场数据并轻量化优化。