通过FRA（Frequency Response Analysis，频率响应分析）和SwinLCGnet框架的二维图像深度融合技术，对变压器绕组故障进行诊断

《ADVANCED ENGINEERING INFORMATICS》：Diagnosis for transformer winding fault via deep fusion of 2-D images of FRA and SwinLCGnet framework

变压器绕组故障的全面智能诊断方法研究。本文提出基于改进Gramian角场（GAF_f）的二维特征编码方法，结合任务定制混合适配器（TC-MoA）实现多模态特征融合，构建SwinLCGnet双分支诊断框架，有效完成故障类型识别（准确率98.08%）、程度评估和空间定位。相较于单架构模型，该方法通过全局-局部特征协同建模，显著提升多任务诊断性能。

　　

付安志|王东阳|王宏波|陈浩|郑宇松|钱国超|周立军

西南交通大学电气工程学院，中国成都611756

摘要

绕组故障检测对于确保电力变压器的安全可靠运行至关重要。本文利用频率响应分析（FRA）测试结果，对绕组故障类型识别、故障程度评估和空间定位进行了诊断研究，FRA是一种广泛使用的工程测试方法。首先，我们提出了基于频率接近性的格拉姆角场（GAF_f）方法，该方法通过综合利用全局和局部信号特征，将一维FRA曲线转换为二维图像，从而提高了绕组故障特征的可视化效果。随后，首次应用了任务定制的适配器混合（TC-MoA）方法，融合了GASF_f和GADF_f特征图像，有效结合了双重编码方法的优点，增强了多模态互补特征。最后，提出了一种名为SwinLCGnet的双分支诊断框架，用于协作提取和建模全局-局部特征，以完成三种绕组诊断任务：故障类型分类、故障程度量化和空间定位。实验数据和现场案例表明，所提出的诊断框架能够有效执行所有绕组故障诊断任务，诊断准确率和F1分数高达98.08%或更高，这与其他主流框架相比具有显著优势。这一创新框架能够高精度地识别绕组故障，有助于提升电力变压器的智能诊断能力，并提供了一种高效自动化的诊断方法，有助于维护电力系统的可靠性。

引言

电力变压器是电力传输和电压转换的核心设备，其运行可靠性直接影响电网稳定性[1]。在常见的变压器缺陷中，绕组变形约占所有故障事件的三分之一，对电力网络的安全性构成重大风险[2]、[3]。因此，全面的绕组故障诊断至关重要，主要涉及识别故障的类型、范围和位置。

频率响应分析（FRA）、短路阻抗（SCI）方法和溶解气体分析（DGA）被认为是电力变压器绕组故障的主要诊断方法[3]、[4]、[5]。在所有上述技术中，FRA因其卓越的灵敏度和非侵入性而被实验证明是最可靠的工具，可用于评估机械和绝缘完整性[6]。根据IEEE Std C57.149-2024的定义，在外部高频激励下，电力变压器绕组可以建模为包含电阻性、电容性和电感性组件的分布式两端网络[7]，如图1所示。特定的绕组缺陷会引发网络拓扑和分布参数的特征变化，从而产生可测量的频率响应变化。因此，FRA信号的偏差成为绕组状态的有效指标。标准化的FRA测试方法包括向绕组的一个端子施加扫频激励信号，同时同步测量另一个端子的响应信号。激励信号和响应信号用于绘制幅频特性曲线（以dB表示为Vout / Vin）。每种绕组缺陷都表现出独特的频率响应特征。通过巧妙地提取每种故障的独特频率响应信息，可以诊断故障的存在、类型、程度和位置。

FRA已由中国电力行业和国际电工委员会（IEC）标准化，并在现场测试中得到广泛应用[7]、[8]。然而，现有标准中使用的相关系数具有单一的信息特征，这使得难以全面描述绕组故障。此外，诊断过程高度依赖于专家经验。为了解决这些限制，研究人员在两个关键领域进行了深入研究：故障特征提取和智能诊断方法。

在特征提取领域，早期研究主要提倡使用数学统计指标来描述一维FRA曲线。Akhmetov等人采用多种统计指标（如相关系数、标准差）从FRA数据中提取特征，从而实现对故障类型和严重程度的定量评估[6]。Tarimoradi等人提出了基于窗口计算的指数，提高了绕组缺陷类型、程度和定位的诊断准确性[9]。然而，这些数值参数被认为不足以量化和识别FRA特征模式[10]，需要丰富的特征表示。最近的进展集中在基于二维图像变换的FRA特征提取方法上。Yousof等人通过奈奎斯特图构建分析了绕组变形程度[11]。Zhao等人利用二值化频率响应图像的质心偏移特征诊断绕组故障[12]。此外，多模态FRA图像特征也受到了研究人员的关注。Aljohani等人将FRA特征编码为极坐标图像，利用幅频和相频曲线，随后提取数字图像特征以精确识别故障程度和位置[13]、[14]。Zhou等人通过灰度共生矩阵（GLCM）分析对极坐标图像的纹理进行量化，实现故障类型诊断[15]。

现有研究表明，具有多模态整合的二维FRA表示比传统的单维曲线提供了更丰富的诊断特征。然而，现有方法在图像编码过程中未能充分考虑频率点之间的局部-全局上下文关系，可能导致潜在特征信息的丢失。此外，现有方法仍然依赖于专家特征工程，导致区分能力有限。

在诊断方法方面，早期的绕组诊断主要依赖于经验知识[16]，诊断结果容易受到操作者偏见的影响。为了解决这一限制，已将基于人工智能的机器学习方法应用于绕组故障诊断。其中，人工神经网络（ANNs）和支持向量机（SVMs）是众所周知且广泛使用的方法，它们大多使用设计的特征指标作为输入。Zhou等人使用SVM检测绕组故障并量化其严重程度[15]。Bigdeli等人采用包括概率神经网络、k最近邻、决策树和SVMs在内的机器学习技术来识别变压器绕组故障类型[17]。此外，聚类方法也被用于诊断变压器绕组的故障类型和范围[18]。尽管这些智能诊断方法取得了成功，但它们必须与特定的特征指标结合使用，这导致了对特征选择的依赖性较强。深度学习方法能够有效捕捉图像的深层特征，并自动完成故障特征建模和分类，显著提高了故障诊断的准确性，为高效准确的绕组故障自动检测提供了新的范式[19]、[20]。Moradzadeh等人实现了基于二维卷积神经网络（CNN）的架构，用于精确定位和分类短路故障[21]。Duan等人通过ShuffleNet框架实现了故障类型识别并获取了故障位置信息[22]。此外，MobileNet-V2架构进一步实现了故障分类和几何定位任务的最先进精度[20]、[23]。

尽管深度学习在绕组故障诊断方面取得了显著成功，但大多数现有方法依赖于单一模型架构，这在特征提取能力上引入了固有偏差。CNN在捕捉局部特征方面表现出色，但在建模长距离依赖性和全局上下文方面往往有限。相反，变压器架构在捕捉全局交互方面有效，但可能忽略了对于准确故障诊断至关重要的细粒度局部特征。这种不平衡限制了FRA数据中复杂高维特征的全面利用和平衡。在处理多样化的诊断任务和场景时，这种特征提取的不平衡可能成为进一步发展的关键瓶颈。

考虑到以往研究的不足和局限性，本文提供了以下主要创新和贡献：

•

提出了基于频率接近性的格拉姆角场（GAF_f），在保持一维FRA特征的关键诊断信息的同时，提高了表示保真度和特征间的相关性。

•

首次实现了任务定制的适配器混合（TC-MoA），用于GASF_f和GADF_f图像特征的融合，动态平衡了互补的跨模态特征。这一新颖的应用实现了二维FRA表示的多模态增强，同时消除了手动特征工程的需要。

•

提出了深度学习框架SwinLCGnet。该模型通过局部特征提取与全局上下文建模的协同融合，解决了单一架构模型的固有限制，在三个关键任务上实现了更高的准确性：故障类型、程度和位置。

本文的其余部分组织如下。第2节介绍了TC-MoA和GAF_f方法，用于提高FRA特征的二维图像质量。第3节提出了一种新的SwinLCGnet架构，以实现准确的绕组故障识别。第4节建立了实验平台并分析了结果。第5节通过案例研究验证了所提方法的有效性。最后，第6节总结了本文。

部分摘录

基于频率接近性的格拉姆角场

格拉姆角场（GAF）是一种通过极坐标编码和格拉姆矩阵将一维序列数据转换为二维图像的方法[24]。它能够揭示不同频率点的相关特性，同时保留FRA信息。然而，GAF的对称编码机制可能会由于各向同性坐标映射而引入信息冗余和全局-局部特征不平衡。为了解决这些限制，我们提出了基于频率接近性的GAF（GAF_f）。

基于SwinLCGnet的绕组诊断框架

为了克服单一架构模型在全局-局部特征提取方面的局限性，并提高不同故障任务中的诊断准确性，本文提出了一种新的深度学习框架SwinLCGnet。其核心设计采用了双重增强策略，假设全局和局部特征提取分支都需要专门的增强才能在有效融合之前克服其固有局限性。该模型集成了设计的Swin

实验平台和故障模拟

本文建立了一个用于变压器绕组分析的实验平台。实验变压器的关键参数见表1。本实验中使用的频率响应分析仪是Megger FRAX99，配置了1 kHz至1 MHz的频率测量范围。该仪器以连续线性频率扫描模式运行，具有50 Ω的同步输入/输出阻抗和±10 V的激励电压范围。

案例1：110 kV现场变压器

在本节中，对云南变压器有限公司的一台110 kV变压器进行了案例研究，该变压器在变电站运行过程中发生了严重的内部短路故障。关键运行参数详见表9。事故发生后，常规监测数据显示出轻微异常，引发了关于潜在绕组变形的担忧。在随后的计划大修中，进行了FRA测试以评估其机械完整性

结论

本文提出了一种创新的变压器绕组故障综合诊断方法，并成功应用于一台110 kV现场变压器，实现了绕组故障类型的识别、故障程度评估和空间定位，取得了令人鼓舞的诊断结果。结论如下：

1)

自动化特征提取和增强：设计的二维图像编码方法GAF_f可以自动提取更丰富和潜在的绕组故障特征

CRediT作者贡献声明

付安志：撰写——原始草稿、可视化、软件、形式分析。王东阳：撰写——审阅与编辑、监督、方法论、概念化。王宏波：撰写——原始草稿、验证、软件、调查。陈浩：撰写——原始草稿、验证、调查、数据管理。郑宇松：可视化、形式分析。钱国超：撰写——审阅与编辑、资源管理、数据管理。周立军：撰写——审阅与编辑、监督，

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能会影响本文所述的工作。

致谢

本研究部分得到了国家自然科学基金（项目编号：52572459）、中国南方电网有限公司的科技项目（项目编号：YNKJXM20222300）以及中央高校基本科研业务费（项目编号：2682024CG015）的支持。