论文标题：Determining the Remaining Functional Life of Power Transformers Using Multiple Methods of Diagnosing the Operating Condition Based on SVM Classification Algorithms

论文链接：https://www.mdpi.com/2075-1702/12/1/37

期刊名：Machines

期刊链接：https://www.mdpi.com/journal/machines

研究背景

从当前能源系统安全的需求来看，电力变压器发挥着至关重要的作用。然而，对在役电力变压器健康状况的研究是一项艰巨且复杂的任务。其评估过程需要依赖能够反映变压器组件及子组件退化程度的指标，从而构建出用于预测变压器剩余寿命的模型。基于此，来自罗马尼亚国家电气工程研究、开发和测试研究所的Marcel Nicola博士及其团队在 Machines 期刊发表了论文，提出了一种基于多参数分析的健康指数 (HI) 评估模型，以诊断变压器状态并预测剩余功能寿命 (RFL)。

研究过程与结果

电力变压器剩余寿命评估的核心在于其纸油混合绝缘系统。过去的研究通常通过固体绝缘状态来评估电力变压器的寿命，而一些研究者则提出了多参数评估法来确定剩余寿命。近年来，纸油绝缘系统已成为诊断电力变压器健康状况及估算其使用寿命的关键技术发展方向。也有多项研究表明变压器的健康指数 (HI) 能够为用户提供可靠的决策依据。因此，本文提出了一种基于多参数分析的变压器健康状态评估模型。该模型通过对变压器纸油绝缘系统的多参数分析，获取变压器的健康指数 (HI)，进而根据健康状态评估电力变压器的剩余使用寿命。

首先，本文构建了一个电力变压器剩余功能寿命评估系统。该系统通过评估变压器状态和整体健康指数，采用多分类法确定变压器剩余功能寿命。变压器的健康状况通过对纸油绝缘系统的多参数分析来判断。评估系统由三个子系统组成，其中，HI_F表示根据故障状态确定的健康指数，HI_P表示根据纤维素绝缘状态确定的健康指数，HI_O表示根据油的状态确定的健康指数，HIT则表示变压器的整体健康指数。

电力变压器剩余功能寿命评估的系统框架图

其中，变压器故障状态健康指数 (HIF) 通过组合杜瓦尔五边形法 (PDC) 和乙烯浓度识别法来确定变压器在纸张碳化等热故障情况下的故障位置。此外，该方法还结合了单一气体比率法 (如CO₂/CO、O₂/N₂、C₂H₂/H₂) 作为变压器故障诊断的补充手段。纤维素绝缘状态健康指数 (HIP) 则是基于呋喃化合物、低分子量醇以及纸油绝缘系统的含水量来评估纤维素绝缘的状态，从而反映变压器的健康状况。油状态健康指数 (HIO) 通过评估绝缘油的击穿电压、水分、颜色、界面张力、酸碱度等指标来确定变压器的油质状况，并利用油质指数 (OQIN) 进行量化。上述方法均可通过机器学习算法 (如支持向量机) 实现。

其次，本文基于提出的方法与评估系统，详细阐述了利用支持向量机 (SVM) 算法在Matlab平台上实现电力变压器剩余功能寿命 (RFL) 评估的具体流程。通过SVM算法对变压器故障状态、纤维素绝缘健康状态及油质健康状态进行多维度分类训练，完成电力变压器运行状态的智能分类，生成健康指数 (HI)，最终实现对变压器剩余功能寿命的评估。

最后，为验证方法的有效性，本文通过两个典型案例对提出的方法、SVM分类算法及评估系统进行了实证分析。案例研究涵盖以下维度：(1) 基于PDC检测的故障分类：通过组合杜瓦尔五边形法 (PDC) 对变压器故障状态进行识别；(2) 纤维素绝缘状态分类：分别以聚合度 (DP) 和湿度为关键参数，建立纤维素绝缘状态的评估模型；(3) 油质状态分类：基于油质指数对绝缘油品质进行量化分析。通过上述评估流程，对水泥厂和化工厂的三相电力变压器进行了故障诊断及剩余功能寿命评估，验证了系统在工业场景下的适用性与可靠性。

研究总结

本文提出了一种电力变压器运行状态诊断的综合方法，并实现了基于自动分类程序的解决方案。文中介绍了多种诊断电力变压器状态的方法：包括通过结合杜瓦尔五边形法 (PDC) 和乙烯 (C₂H₄) 浓度来判断故障状态，结合聚合度 (DP) 和湿度来评估纤维素绝缘状态，以及采用油质指数 (OQIN) 来判定油的状态。针对上述每种分类方法，利用Matlab开发环境实现了基于支持向量机 (SVM) 的自动分类应用程序。此外，通过案例研究，验证了该评估系统在确定电力变压器故障状态及剩余功能寿命方面的有效性。未来的研究方向将侧重于利用统计方法优化权重，并结合多种机器学习 (ML) 算法，进一步优化上述分类方法。

Machines 期刊介绍

主编：Antonio J. Marques Cardoso, University of Beira Interior, Portugal

主要发表机械设备故障诊断和预测、机械设计、机电一体化、机器人、叶轮机械、控制及自动化、电机和驱动器、先进制造等领域的最新学术成果。