变压器频繁故障会导致设备损坏和停电，因此监测变压器健康状态对保证电力可靠性至关重要。国网江苏省电力有限公司徐州供电分公司的杨玉磊、戚大为、戚建文、王成斌，在2025年第8期《电气技术》上撰文提出一种低成本实时监测系统，通过评估变压器组件的重要性，选择顶层油温、振动和负载作为关键指标，并采用模糊逻辑方法建立评估系统，无需昂贵传感器即可监测变压器的健康状态。

 

在模拟环境下针对50 kV∙A油浸变压器进行场景测试，结果表明，该低成本健康评估系统具有良好的可行性和有效性，能够快速响应变压器状态变化，为电力公司提供实时健康评估数据，有助于及时做出维护决策，从而增强电力系统可靠性。

变压器作为电力系统的核心设备，其故障会破坏供电和损坏设备，影响电力系统可靠性，因此需要有效的方法来监测变压器状态，以便提前预防故障，提高电力质量和降低运维成本。现有研究集中于高压大型变压器的监测，对广泛分布且成本较低的变压器进行健康评估的研究较少。

本文开发一个基于实时电网能量监测的低成本油浸变压器健康评估系统，该系统通过评估变压器的顶层油温、振动和负载这3个关键指标来监测油浸变压器的健康状况。采用模糊逻辑方法整合健康指标，并由此构建一个健康指数。利用模拟环境下的50 kV∙A油浸变压器进行测试，以验证该系统的可行性和有效性。

1 原理及方法

1.1 油浸变压器结构和监测指标

电力变压器主要由铁心和两个线圈（一次绕组和二次绕组）组成，如图1（a）所示。一次侧连接电源，二次侧连接负载，铁心由高磁导率材料制成，用于传导磁通并连接两绕组。为了安全可靠，这些组件放置在带有附加配件的油箱中。不同变压器的尺寸和复杂性各异，但工作原理和主要部件相同。单相油浸变压器基本结构如图1（b）所示。

根据变压器的结构特点，进行组件故障的重要性排序。变压器组件故障等级排名如图2所示。由图2可知，电气、机械和热力组件是影响变压器健康的关键。这些组件通常位于变压器内部，难以进行非侵入性检测，而且需要昂贵的传感器监控，这些传感器安装复杂，可能干扰变压器正常运行，因此未实现广泛应用。

图1 变压器结构

图2 变压器组件故障等级排名

1.2 变压器评估指标

式（1）-（2）

3）负载

变压器的负载率是其实际运行负荷与额定功率的比值。若变压器长时间超负荷运行，则可能导致突发故障，损坏变压器的绝缘材料或内部绕组。因此，负载率是监测变压器运行状态的另一指标。

1.3 变压器在线监测系统

为获取变压器性能数据，需要安装能量监测装置记录电压、电流和环境温度。该装置利用微控制器记录数据，计算评估指标，并通过无线射频将数据传输至中心网关。在线监测系统收集和分析数据，展示变压器健康状态。在线监测系统方案如图3所示。

为评估变压器健康状况，研究模糊逻辑、机器学习和健康指数计算等方法。健康指数计算需要结合实际经验参数，精度不高。机器学习虽能提供准确结果，但需要大量历史数据。因此，本文采用模糊逻辑方法，该方法适合处理模糊概念，包括模糊化、推理和去模糊化3个阶段。评估系统模型如图4所示，模糊控制系统结构如图5所示。

图3 在线监控系统方案

图4 评估系统模型

图5 模糊控制系统结构

模糊逻辑系统中，输入值被赋予表示“好”、“一般”、“差”和“非常差”的隶属函数值。采用梯形曲线反映专家规则。关键指标为顶层油温、振动和负载。最终输出为变压器整体健康指数（health index, HI）。不同指标的限制范围和模糊隶属度见表1。评估健康指数的模糊逻辑专家规则见表2，专家规则根据输入变量优先级制定，具体步骤如下。

表1 不同指标限制范围和模糊隶属度

表2 评估健康指数的模糊逻辑专家规则

1）指标选择：选择变压器的健康指标，包括顶层油温、振动和负载。

2）状态定义：为每个指标定义不同的状态，如“良好”“需要注意”“差”“非常差”。

3）隶属函数分配：为每个输入指标的值分配隶属函数值，表示其所属的状态。

4）规则制定：基于变压器运行的专业知识和经验，制定规则来描述不同指标状态如何影响健康指数。例如，如果顶层油温处于“非常差”状态，无论其他指标如何，健康指数都被评为“非常差”。

5）优先级设定：确定各指标对健康指数影响的优先级。例如，顶层油温和振动可能比负载具有更高的优先级。

6）规则测试与调整：利用实际变压器数据测试规则的有效性，并根据测试结果进行调整，以确保规则的准确性和可靠性。

健康指数的定量计算方法基于模糊逻辑系统，具体步骤如下：

1）模糊化。将3个关键指标（顶层油温、振动、变压器负载）的精确测量值转换为模糊集合的隶属度值。隶属度值表示指标状态属于“良好”“需要注意”“差”“非常差”的程度。

2）模糊规则。根据专家经验制定模糊规则，描述不同指标状态组合对健康指数的影响。例如，如果顶层油温“非常差”，则健康指数为“非常差”。如果顶层油温“良好”且振动“良好”，则健康指数为“良好”。

3）推理。根据模糊规则对隶属度值进行逻辑推理，得出健康指数的模糊集合。

4）去模糊化。将模糊结果转换为具体的健康指数数值。健康指数的计算依赖一系列的模糊隶属函数和专家规则。例如，如果顶层油温或振动的隶属度为“非常差”，那么健康指数也被评为“非常差”。专家规则根据变压器的实际运行经验和专业知识制定，它们定义了不同指标状态如何影响最终的健康指数。

5）健康指数范围。健康指数的范围为0～10，具体分类见表1。

模糊控制系统操作示例如图6所示，变压器负载隶属度为“差”（146%负载），顶层油温隶属度为“良好”（77℃），振动隶属度为“需要注意”（45 dB），根据模糊规则，最终输出的健康指数约为6，属于“一般”状态。该过程在Python环境下实现，通过模糊逻辑工具箱完成模糊化、推理和去模糊化 操作。

总而言之，健康指数是通过模糊逻辑方法，结合3个关键指标的隶属度值和专家规则，经过模糊推理和去模糊化后得到的具体数值。

图6 模糊控制系统操作示例

2 结果和分析

为验证变压器监控系统性能和对微小变动的响应，对一台50 kV∙A变压器进行测试，变压器状态良好。变压器的顶层油温65℃，油质量105 kg，铁心质量70 kg，油箱质量165 kg，负载损耗870 W，空载损耗130 W，环境温度30℃。设计以下两个测试场景。

场景1：用一天数据评估变压器健康状况，检验监控系统敏感度。2023年11月1日收集电气参数。此场景中设计3个子案例进行比较。

场景2：用两周的数据来评估变压器健康状况。变压器状况的准确评估需要长期观察，以便更真实地反映变压器的实际状况。2023年12月，记录变压器电气运行状况。

2.1 使用一天的数据评估

从式（1）和式（2）可以看出，变压器负载变化会影响油温和振动。为了研究系统的敏感度，进行3种不同条件下的子案例分析。

案例1：正常运行，负载在额定功率的40%～80%。

案例2：中等运行，从12:00—13:30，负载在50%～150%额定功率间波动，过载间歇性出现。

案例3：较差运行，从09:00—13:30，负载在100%～150%额定功率间波动，模拟老旧变压器问题。

案例1数据来自实际电力监控设备。由于并非所有旧变压器均配备电力监控设备，所以很难获取“需要注意”和“差”状态变压器数据。案例2和3的数据是根据案例1数据模拟并调整得到的，用以测试监控系统对不同状况的反应。

3个案例的测试结果如图7和图8所示，可以看出，不同负载会导致顶层油温和振动的差异。案例1中，顶层油温低于70℃，振动低于15 dB，健康指数稳定在8，评为“良好”，这与预期一致，变压器只需要常规维护。案例2中，变压器过载至150%，导致顶层油温达到90℃，振动超过40 dB。

这种情况常见于设计不规范或老化的变压器。变压器健康指数在某些时候降至6，表明需要更加仔细地观察变压器或增加诊断测试。案例3中，由于长时间过载，顶层油温上升至100℃，超过了IEEE标准规定的95℃限值，振动超60 dB，健康指数降至2，意味着变压器需要立即进行风险评估。

图7 3个案例50 kV∙A变压器负载和顶层油温测试结果

以上测试结果表明，所采用的模型能有效响应输入变化，并准确评估变压器健康状态。案例3中，系统有时会将变压器状态从“较差”评为“非常差”，这时需延长观察时间以准确判断变压器的真实状态。

图8 3个案例50 kV∙A变压器振动和健康指数测试结果

2.2 使用两周的数据评估

由于缺乏负载分接开关，变压器的监控效果受限，因此有必要进行持续健康监测。通过两周的数据监测，对一台在单日测试中表现“良好”的50 kV∙A变压器进行实际运行状况评估。场景2测试结果如图9所示。

图9 场景2测试结果

相比传统方法，本文方法能迅速评估变压器健康状况，耗时仅0.042 s，且灵活性高，支持实时或次日评估，并能每日更新变压器状态。

2.3 方法的准确度

为测试本文方法的准确度，对某电力公司管理的67台变压器进行24 h内每30 min一次的健康状态监测。通过本文方法和状态等级分类（condition grade classification, CGC）计算的健康指数见表3。CGC对运营中的变压器进行健康指数评估，发现即使安装年份相同，变压器的健康状态也会因负载和维护差异而不同。

CGC将健康指数分为3个等级：良好（G，8～10分）、中等（M，4～7分）、差（B，1～3分）。本文方法的健康状态分类包括良好（G）、一般（F）、差（P）和非常差（VP），与CGC的分类有所不同。为了便于比较，将模糊逻辑方法得到的“P”和“VP”的分类与CGC分类中的“B”进行对比，见表4。

根据表4的对比结果，在67个案例中，有6个案例的本文方法计算结果与CGC计算结果不完全相同，两者一致性达到91.04%。

表3 变压器1～21号健康指数

表4 本文方法与CGC比较

2.4 不同测试条件下预测准确度分析

1）变压器容量对预测准确度的影响

为测试对不同容量变压器的预测准确度，对50 kV∙A、100 kV∙A和200 kV∙A 3种不同容量的变压器进行24 h内每30 min一次的健康状态监测。通过比较本文方法与CGC计算结果的一致性，可以评估模型的预测准确度。不同容量变压器的预测准确度见表5。

表5 不同容量变压器的预测准确度

由于50 kV∙A变压器的容量较小，运行状态相对稳定，负载变化对其油温和振动的影响较小，因此预测准确度较高。中等容量的100 kV∙A变压器可能面临更多的负载波动，导致运行状态的不确定性增加，从而影响预测准确度。200 kV∙A大型变压器可能更复杂，受到更多外部因素影响，如环境温度变化、负载的大幅波动等，这些因素都可能降低预测准确度。

2）环境条件对预测准确度的影响

为测试环境因素对预测准确度的影响，设置以下4种工况：正常条件、高温环境（环境温度超过40℃）、低温环境（环境温度低于0℃）、高湿度环境（湿度超过80%）。不同环境下的预测准确度见表6。

表6 不同环境下的预测准确度

在高温环境中，变压器的顶层油温会因散热效率降低而显著升高，同时热膨胀可能导致振动幅度增加，如果这些变化未被系统准确捕捉，可能导致预测偏差。在低温环境中，变压器油的黏度增加和部件收缩会改变其运行特性，导致顶层油温升高和振动特性变化，若系统未对低温环境进行优化，可能高估变压器的健康状态。因此，需要通过调整模型参数或增加修正因子来提高预测准确度，以确保在不同温度条件下对变压器状态的准确评估。

在高湿度环境中，变压器的散热能力和绝缘性能可能受湿度影响而下降，进而导致顶层油温升高和振动幅度增加。若系统未考虑湿度的影响，可能低估变压器的健康风险。因此，需要引入湿度修正因子或优化模糊逻辑规则，以提高系统在高湿度环境下的预测能力，确保对变压器状态的准确评估。

3 讨论

本文提出的基于模糊逻辑的评估系统与传统的基于传感器的监测方法相比，在以下方面展现出显著的优势。

1）成本效益：传统的基于传感器的监测系统通常需要安装多个传感器（如油温传感器、振动传感器等），这些传感器及其维护成本相当高昂。此外，传感器的安装和校准过程也可能增加额外费用。相比之下，本文的模糊逻辑评估系统无需昂贵的传感器，依赖现有的电网能量监测数据，大大降低了硬件成本，使该系统适用于广泛分布且成本敏感的小型变压器的监测。

2）响应速度：传统的监测方法存在数据采集和处理延迟，特别是需要从多个传感器收集数据并进行集中处理。本文的系统通过实时处理电网能量监测数据，能够快速响应变压器状态的变化，该系统的处理时间少于1 s，表明其能够提供近乎即时的健康评估，有助于及时的维护决策。

3）准确性：虽然传统的基于传感器的方法可以提供精确的测量数据，但这些数据可能受传感器准确度等级、环境干扰和传感器故障的影响。本文的模糊逻辑评估系统通过整合多个健康指标（如顶层油温、振动和负载），并采用模糊逻辑方法处理不确定性和模糊性，使评估准确且稳定。此外，该系统能够处理和解释不同来源和不同精度的数据，提高了评估的准确性。

4 结论

本文介绍了一种新型的油浸变压器健康评估系统，该系统依赖实时能量监测技术。通过在模拟环境下对50 kV∙A油浸变压器进行测试，验证了模糊逻辑评估模型的有效性。该模型侧重3个关键健康指标：顶层油温、振动及负载。通过与初始设定进行对比分析，证明本文所提非破坏性监测方式不仅评估结果准确，而且计算迅速，处理时间少于1 s，投入成本低，对现有操作影响小。

该系统的有效性、可靠性，以及便于电力和工业用户实施的特点，使其有望成为获取变压器健康数据的有效工具。

本工作成果发表在2025年第8期《电气技术》，论文标题为“ 基于电网能量监测的油浸变压器健康评估系统”，作者为杨玉磊、戚大为、戚建文、王成斌。