一、研究背景

電力變壓器作為電力系統的安全關鍵設備，也是最為昂貴、復雜的設備之一。目前國家電網公司在運的110kV（66kV）及以上電壓等級變壓器數量已達3萬余臺，總容量達3.4TVA。由于電力變壓器處于電網的中心位置，運行環境復雜，且時常遭受各種不良運行工況的沖擊，一旦發生故障，極有可能造成突發大面積停電，甚至引起爆炸、火災等事故，帶來的直接和間接經濟損失達數億元人民幣。因此，攻克電力變壓器運行狀態的健康管理和故障預警等關鍵技術，對提升其預防和應對故障的能力、保障電網安全穩定運行具有重要的理論意義與實用價值。

目前對于電力變壓器常用的研究方法大多基于某一因素或某幾個因素做出判斷，并未綜合考慮變壓器的全面狀態信息，加之測試手段的局限性、知識的不精確性等原因，導致所獲取的信息具有模糊性、隨機性等特征，其診斷結果的精確性和時效性遠未達到實用要求。

故障預測與健康管理(PrognosticandHealthManagement,PHM)是一種利用先進傳感器技術，并借助各種算法和智能模型來實現對系統健康狀態的監控、預測和管理的理論與技術體系，這一技術的實現可以解決故障后修復和定期維護方式造成的“維護不足”或“維護過剩”等問題，進而逐步被狀態維護或預測維護所取代。PHM已在航空、電子、機械等領域得到了快速發展。然而，針對電力變壓器的PHM方法還不太完善，主要體現在：①變壓器的健康監測大部分關注化學和電故障，很少關注機械故障；②變壓器的油、氣和溫度被廣泛用于健康監測和診斷，相比較而言，振動信號很少被用到；③對于變壓器PHM的研究目前僅處于監測和診斷階段，對于故障預測和剩余壽命(RUL)預測的研究還很少。

二、電力變壓器故障的復雜性分析

從目前電力系統運行的歷史統計記錄來看，電力變壓器外部短路、絕緣受潮、分接開關觸頭接觸不良等故障出現次數最多，故障頻發部位的次序大致為繞組、鐵芯、分接開關、套管、絕緣油、冷卻系統、保護裝置、測試系統、油箱。此外，電力變壓器在運行中會受到來自“電-磁-力-熱”等多種內、外應力的綜合作用，進而破壞變壓器的絕緣性能，導致產生缺陷甚至故障，如圖1所示。

圖1影響電力變壓器正常運行的主要因素

因此，單一使用傳統的物理建模方法對于大型電力變壓器來說已顯得力不從心。通過綜合運用現代電氣科學、信息科學、數據科學以及成熟的系統科學方法，有望為電力變壓器健康狀況的分析和管理提供切實可行的方案和解決途徑。

三、電力變壓器PHM的內涵及趨勢分析

PHM方法目前主要分為數據驅動方法、模型驅動方法以及混合方法。更進一步的，數據驅動方法又有統計學和機器學習兩種；模型驅動方法又有失效物理分析和系統模型方法。目前針對電力變壓器狀態監測的數據形式與規模比以往有了較大增長。例如，實時運行數據、工況數據、缺陷信息、檢修歷史、家族質量史等信息并存。得益于先進的信息技術與大數據處理方法，在電力變壓器的管理、維護領域開展數據驅動的PHM過程具有切實可行的操作性。

一般情況下，PHM涵蓋數據采集、數據處理、狀態評估、故障診斷、故障預測、決策支持以及系統級應用7個層次，可實現由故障機理到剩余壽命的關聯，這與電力變壓器的健康管理周期基本吻合。圖2初步定義了電力變壓器的PHM周期。

圖2電力變壓器PHM周期

3.1健康監測

目前，電力變壓器評估、診斷與預測的相關研究多是基于DGA數據，但基于DGA數據的理論研究成果在實際應用中仍具有一定的局限性。振動信號分析法與整個電力系統無電氣連接，對電力系統的正常運行無任何影響，具有較強的抗干擾能力和靈敏度，因此，近幾年基于振動數據的變壓器PHM方法受到廣泛關注，該方法通過實時振動數據反映變壓器內部的相關狀態信息。另外，從圖像識別的角度對電力變壓器進行健康監測，也具有一定的借鑒意義。

3.2特征提取與故障診斷

健康因子(HealthIndex,HI)在表征變壓器健康狀態和退化程度中占有重要地位，構建HI的關鍵在于相關特征的提取、選擇和融合。目前行業標準DL/T722-2000-《變壓器油中溶解氣體分析和判斷導則》推薦的改良三比值法在實際應用中暴露出缺編碼、編碼界限過于絕對等缺陷。因此，一些智能化診斷算法被提出。例如，模糊理論、支持向量機、粗糙集、灰色理論、深度學習等。為此，未來的變壓器故障診斷將是以完備數據為基礎、多算法融合的深度診斷。

3.3故障預測

目前的國內外文獻中，與預測相關的研究高度依賴于與診斷相關的研究。這是因為診斷包括識別和量化已發生的故障(本質是回顧性的)，而預測是盡可能預測尚未發生的故障，預測必須依賴于診斷的輸出(如故障指標、退化率等)，兩者不能孤立進行。準確做出剩余壽命預測是PHM的核心和基礎，也是正確決策的關鍵和前提。然而，現有的壽命預測多是基于英國EATechnology的電力設備健康狀況老化公式：

式中，DHI是健康指數，B是老化系數。

該理論雖然可計算出剩余壽命的大概取值，但取值過于絕對。因此，如何構造電力變壓器剩余壽命的概率密度分布函數，求得概率分布區間，也是未來的難點問題。

四、有待深入研究的問題

目前，電力變壓器的PHM研究還處于初步階段，尤其是在大型電力變壓器的維護與運營管理領域，筆者認為目前還有如下一些問題需要引起關注：

4.1電力變壓器大數據

隨著先進傳感設備在變壓器表面和內部的大量部署，變壓器檢測技術趨向于智能化。其數據呈現多元、異構的大數據特征，圖3用數據立方體的形式展示了電力變壓器大數據的多維特性。針對電力變壓器的大數據存儲管理、并行處理、挖掘技術將是未來開展變壓器精細化管理研究的方向。

圖3電力變壓器故障數據多維立體展示

4.2數據質量提升

目前，電網公司已積累了大量電力變壓器狀態相關數據，包括運行工況、停電試驗、帶電測試、在線監測、運行檢修、故障缺陷、環境氣象以及設計圖紙等，但數據存儲形式各異、數據質量參差不齊。在智能電網大數據背景下，需要深入開展電力變壓器故障特征數據的獲取，對冗雜數據進行清洗、篩選、剔除、轉換等預處理操作。提高數據質量的主要手段就是針對非結構化數據的結構化模型表示與多元多尺度數據的融合。

4.3多源數據的不確定性問題

電力變壓器具有明顯的不確定性，如傳感器監測數據的不確定性、退化狀態的不確定性、變壓器本體結構的復雜性、運行工況的不確定性、健康狀態評判的模糊性等。這些因素均會導致變壓器PHM的準確度降低。因此，針對以上問題，具備不確定性管理能力的PHM方法將成為研究的突破口。

4.4長壽命周期數據獲取問題

對于新服役的電力變壓器，我們無法觀察并獲取大量的故障數據和狀態監測信息，在這種情況下，數據量和完整性無法適應完整統計模型以及深度學習所需要的大量訓練數據樣本要求。因此，在現有基于少量數據進行實驗的診斷方法基礎上，仍需對電力變壓器故障機理進行深度分析，同時結合物理模型以及專家經驗，來對診斷結果進行糾正和補充，進而使得因果分析與統計分析互為作用。

4.5在線技術

傳統不定期的老化實驗在保障電力變壓器安全穩定運行中扮演了重要角色，然而其局限性也越來越突出。為了能夠捕捉電力變壓器運行過程中形成故障或缺陷的早期特征參數，需要通過信息手段對這些特征參數進行快速準確的分析診斷，找出相互關系，才能對電力變壓器的運行狀態做出實時評定。因此，研發具有測量數字化、控制網絡化、狀態可視化、功能一體化以及信息互動化的智能變壓器是在線監測技術的基礎硬件保障。與此同時，傳感器網絡的設計也是在線技術中需要解決的核心問題之一。

4.6深度故障診斷

電力變壓器PHM所要求的深度診斷是既要定位故障的具體發生部位，也要識別故障發生的根本原因。當然，現有的故障分類可能被普適的分類規則所局限，在今后的研究中，可以嘗試將訓練數據樣本以更多可能的方式進行劃分，以期獲取到更深層次的故障診斷結論。

4.7其他

1）環境因素

環境因素往往影響著電力變壓器的智能檢測。在實際應用中，變壓器受到周圍溫度、振動、粉塵、腐蝕性氣體、雷擊等環境條件的影響，其性能可能會發生一定變化，為此，變壓器日常巡檢過程中，除了變壓器本身檢測外還要根據周圍環境的不同做一些特殊的檢查和處理，以此來保證變壓器的可靠運行，延長其剩余壽命。

2）新工藝新技術

電力變壓器正朝著大型化、高可靠型、高智能型、高節能型以及高環保型的方向發展。具有自診斷能力的智能變壓器是當前變壓器產業的研發重點，它較以往的變壓器最大的不同之處是配備了更多的電子器件、智能傳感器和執行器等設備，繼而實現關鍵狀態參量的監測、控制與數據共享等。然而，智能變壓器中的電力電子器件的可靠性問題，也同樣需要深入分析。

五、結語

目前，電力系統中的數據獲取方式已經比較完備，大數據架構也已初具規模，但當前的行業技術還不能完全滿足電力設備的“五性”(可靠性、維修性、測試性、保障性和安全性)需求和降低壽命周期費用的需要，這正是實施PHM技術需要解決的問題。本文即是在此背景下，對裝備保障領域的發展趨勢和電力設備狀態維護的發展需求做了分析探討，以期為電力變壓器基于狀態的維護提供可借鑒的方法體系，我們也將持續關注電力設備狀態監測、評估與預測管理中的新方法，并希望能夠為電力工業的健康發展提供一種可借鑒的思路，這既具有時代緊迫感，也是提升電力行業服務質量與水平的良好契機。