基于漏磁负载归一化Lissajous图形分析的变压器绕组故障诊断

摘要

漏磁检测作为变压器故障诊断最具潜力的在线方法之一，由于其漏磁信号受到外部环境和运行条件的影响，实用性还需进一步提升。为了解决这些问题，本文提出了一种基于Lissajous图形与卷积神经网络（CNN）相结合的变压器绕组故障诊断方法。首先，对变压器绕组进行仿真建模，并通过与实验平台测试数据进行一致性验证。然后，设置不同程度和位置的匝间短路故障，收集绕组外部不同位置的漏磁信号。最后，使用本文所提出的LG–CNN方法对绕组故障进行诊断。该方法包括以下3个关键步骤：1）对多工况变压器漏磁信号进行负载归一化；2）将负载归一化后的漏磁信号转换为2维Lissajous漏磁图像；3）使用卷积神经网络对2维漏磁图像进行特征提取并对绕组故障进行诊断。基于漏磁信号的Lissajous图像可以很好地整合各测点漏磁信息之间的关系，针对Lissajous图形随负载变化而变化的问题，本文提出了一种漏磁负载归一化方法，通过实体变压器和高仿真模型实验，验证了所提漏磁负载归一化方法的有效性以及所提检测方法在区分不同程度和位置绕组短路方面的可行性。

关键词

电力变压器 / 负载波动 / 绕组故障 / 漏磁场 / Lissajous图形 / 卷积神经网络