Oil-immersed Transformer Winding Fault Diagnosis Method Based on Multi-physics Fields and Improved Convolutional Neural Network

YUAN Fating; JIAN Shengkai; JIANG Yuqing; YANG Yi; LI Huqiang; LI Haoyue

doi:10.20204/j.sp.2026.02013

您当前的位置：

首页 >

文章列表页 >

Oil-immersed Transformer Winding Fault Diagnosis Method Based on Multi-physics Fields and Improved Convolutional Neural Network

更新时间：2026-02-28

- Oil-immersed Transformer Winding Fault Diagnosis Method Based on Multi-physics Fields and Improved Convolutional Neural Network
- Vol. 54, Issue 2, Pages: 106-114(2026)
- 作者机构：
- 作者简介：
- 基金信息：
- DOI：10.20204/j.sp.2026.02013
  CLC：
- Published：2026
- 稿件说明：
移动端阅览
袁发庭,简盛开,江宇晴,杨毅,李胡强,李昊樾.基于多物理场和改进卷积神经网络的油浸式变压器绕组故障诊断方法[J].智慧电力,2026,54(2):106-114.

doi:10.20204/j.sp.2026.02013
袁发庭,简盛开,江宇晴,杨毅,李胡强,李昊樾.基于多物理场和改进卷积神经网络的油浸式变压器绕组故障诊断方法[J].智慧电力,2026,54(2):106-114. DOI： 10.20204/j.sp.2026.02013.

doi:10.20204/j.sp.2026.02013 DOI：

摘要

针对油浸式变压器绕组变形、匝间短路和压紧力松动等故障的诊断难题，提出一种基于多物理场仿真与改进卷积神经网络的故障诊断方法。首先，根据变压器参数建立电磁-结构力场耦合仿真模型。经实验验证，仿真与实测振动信号误差仅为4.53%，证明了模型的可靠性。在此基础上，通过设置不同严重程度的绕组故障，提取磁场和振动信号，利用格拉姆角场（GAF）将一维信号转换为二维特征图谱，以抑制噪声干扰。进而，对AlexNet网络架构进行改进，引入多头自注意力机制以量化不同特征的贡献度，结合迁移学习实现故障分类。测试结果表明，该方法诊断准确率达96.36%，显著优于传统模型及单一信号诊断方法。研究为变压器内部潜伏性故障的精准检测与识别提供了一种有效的解决方案。

Abstract

Aiming at the diagnostic challenges of faults such as winding deformation

inter-turn short circuit

and clamping pressure loosening in oil-immersed transformers

a fault diagnosis method based on multi-physics field simulation and an improved convolutional neural network is proposed. Firstly

an electromagnetic-structural force field coupled simulation model is established based on transformer parameters. Experimental verification shows an error of only 4.53% between simulated and measured vibration signals

proving the model's reliability. Building on this

by setting winding faults with different severity levels

magnetic field and vibration signals are extracted. The Gramian angular field （GAF） is employed to convert the one-dimensional signals into two-dimensional feature maps to suppress noise interference. Subsequently

the AlexNet architecture is improved by introducing a multi-head self-attention mechanism to quantify the contribution of different features

combined with transfer learning for fault classification. Test results indicate that the diagnostic accuracy of this method reaches 96.36%

significantly outperforming traditional models and single-signal diagnosis methods. This research provides an effective solution for the precise detection and identification of latent internal faults in transformers.

关键词

Keywords

references

胡异炜. 基于空间振动分布和工况模态分析的变压器绕组故障诊断方法研究 [D ] .杭州：浙江大学，2020.

李国伟，唐琪，王俊波，等. 基于经验小波变换的电力变压器绕组松动故障诊断振动分析 [J ] .电子设计工程，2025，33（10）：98-102.

李孟洁，董宇宸，张彼德. 基于KMME和SVDD的电力变压器故障检测与诊断方法 [J ] .高压电器，2025，61（12）：81-89.

张立静，盛戈皞，侯慧娟，等. 基于电热特性融合分析的油浸式变压器匝间短路故障辨识方法 [J ] .电网技术，2021，45（7）：2473-2482.

刘建锋，董倩雯，田书欣，等. 基于ReliefF-mRMR漏磁场特征优选和改进LSSVM的变压器绕组早期故障诊断 [J ] .电测与仪表，2025，62（11）：198-209.

刘君，李中祥，李堃，等. 变压器绕组短路故障多特征融合诊断 [J ] .湖南大学学报（自然科学版），2023，50（4）：210-216.

邓祥力，刘美含，曾平，等. 基于漏磁场相位变化特征的变压器绕组早期故障保护研究 [J ] .电力系统保护与控制，2025，53（24）:1-12.

颜君凯，马宏忠，李凯，等. 基于振动信号的变压器绕组松动故障诊断方法 [J ] .电力系统自动化，2017，41（3）：122-128.

潘超，米俭，王格万，等. 基于场路耦合的变压器绕组匝间短路电磁谐响应分析方法 [J ] .电工技术学报，2019，34（4）：673-682.

刘建锋，李志远，周亚茹，等. 基于漏磁场和ICOA-ResNet的变压器绕组早期故障诊断 [J ] .电力系统保护与控制，2024，52（9）：99-110.

武立平，吴强，丰遥，等. 基于振动信号SVM分类的变压器状态识别 [J ] .高压电器，2019，55（11）：232-238.

赵仲勇，唐超，李成祥，等. 基于频率响应二值化图像的变压器绕组变形故障诊断方法 [J ] .高电压技术，2019，45（5）：1526-1534.

刘志坚，何蔚，刘航，等. 基于格拉姆角场变换和深度压缩模型的变压器故障识别方法 [J ] .电网技术，2023，47（4）：1478-1490.

薛健侗，马宏忠，杨洪苏，等. 基于格拉姆角场与迁移学习-AlexNet的变压器绕组松动故障诊断方法 [J ] .电力系统保护与控制，2023，51（24）：154-163.

刘若鹏，徐辉，赵庆杰，等. 基于多粒度声纹图谱和时延神经网络的变压器直流偏磁故障程度识别方法 [J ] .智慧电力，2025，53（3）：99-106.

赵妍，孙延，聂永辉. 基于格拉姆角差场和迁移残差网络的HVDC线路故障识别 [J ] .电力建设，2024，45（8）:118-127.

罗智荣，黄丰，郭淳，等. 基于多物理场仿真的油浸式变压器振动特性分析及影响因素研究 [J ] .智慧电力，2024，52（11）：48-55.

TAO W J，LI X W，LIU J L，et al. （2024） .Multi-scale attention network（MSAN） for track circuits fault diagnosis[J ] .Scientific Reports，14（1），1-12.

PAGALAVAN，B，RAJA，et al. （2024） .Power transformer fault diagnosis and condition monitoring using hybrid TDO-SNN technique[J ] .Interational Journal of Hydrogen Energy，68，1370-1381.

侯赛，成润坤，刘达. 基于二次采样和集成学习方法的变压器故障预测 [J ] .智慧电力，2024，52（7）：40-47.

陈豪钰，李振华，张绍哲，等. 基于MHA-CNN-SLSTM和误差补偿的短期互感器误差预测 [J ] .电力系统保护与控制，2024，52（24）:74-84.

荆志朋，柴林杰，胡诗尧. 基于改进LSTM-VAE的配电网异常负荷检测方法研究 [J ] .电测与仪表，2024，61（9）:71-76.

闵永智，令世文，王果. 基于混合特征选择和IOMA-CNN的变压器故障诊断 [J ] .电力系统保护与控制，2024，52（23）:1-9.

翁汉琍，姜佳利，樊荣，等. 基于随机森林分类的保护测量回路误差评估方法研究 [J ] .智慧电力，2025，53（12）:140-148.

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Distribution Network Fault Diagnosis Method Combining Particle Swarm Optimization and Exhaustive Method

Economic Life Evaluation of Oil-immersed Transformer Based on Life Cycle Cost and Comprehensive Failure Rate

GEP-based Transformer Fault Diagnosis

Study on Transformer Fault Diagnosis Based on the Combination of IEC Three-ratio Codes Method and Fuzzy Clustering Algorithm

Oil-immersed Transformer Fault Diagnosis Based on GVWFCM Algorithm

Related Author

SHU Fandi

XIE Jiasheng

LIAO Xiaojiao

HU Xiaoqing

KE Sa

LI Zhongbo

WANG Fei

XIAO Bowen

Related Institution

State Grid Jingmen Power Supply Company

1. College of Electrical and New Energy，Three Gorges University

State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources,North China Electric Power University

Xiaoshan Power Supply Bureau, Xiaoshan

Baoding Tianwei Group Corp. Ltd.

AI问答

⁰