2024年5月29日，机械与电气工程学院邀请武汉大学电气工程学院副院长、国家杰出青年科学基金获得者、欧洲自然科学院院士、中国电工技术学会会士何怡刚教授开展了一场主题为“高压大容量油浸式变压器内部多物理场快速算法及状态评估关键技术”的学术报告。机械与电气工程学院全体教师和部分机械、电气专业学生约500人参加了此次讲座。
何怡刚教授从高压大容量油浸式变压器的研究意义、高压大容量油浸式变压器的关键问题、高压大容量油浸式变压器的研究进展等3个方面进行阐述。
何教授首先介绍电力变压器是结构、故障原因最复杂的电网设备之一，并且电力变压器造价昂贵，突发故障停运会严重危害电力系统的安全。而且变压器在长期运行过程中，受热、电及其他因素影响，出现缺陷的风险逐渐增大，缺陷点会快速发展为故障，造成变压器停运，影响电网的稳定运行，甚至造成大面积停电。因此，对高压大容量变压器内部、外部故障的研究和分析尤为重要。
何教授对高压大容量变压器目前遇到的几个主要挑战进行了介绍：
（1）感知不全
高压大容量变压器包含大量的多源异构运行信息数据，数据高效采集困难；多模态数据难以及时有效的用于高压大容量变压器的监测、诊断和运行效率提升中。
（2）诊断不准
高压大容量变压器长期运行在干燥、高温、高尘的复杂环境下，易发生多种类型故障。由于早期故障不易察觉，样本数据少，故障类型多且容易误诊断，准确诊断挑战大，定位困难。
（3）预测困难
高压大容量变压器受地理位置、天气类型、环境参数和转化效率等因素影响，具有极强的波动性和不稳定性。
现有基础理论、关键技术和核心装备难以应对上述挑战，存在数据利用率低、不可靠组网、传感器智能化程度不高、现有通信技术落后等问题。
何教授针对高压变压器数据利用不充分、重要故障特征关注度不足、变压器退出运行问题，介绍了基于极坐标图的干式变压器绕组故障诊断框架；针对高压变压器特征量少、样本不均衡、神经网络模型易陷入局部最优问题，介绍了基于改进深度耦合卷积神经网络的油浸式变压器故障诊断框架；针对高压变压器样本不足的现象、状态评估方法计算精度不高问题，介绍了基于深度学习网络的电力变压器健康状态评估；针对高压变压器时间序列非平稳性、预测精度不高问题，介绍了结合深度卷积神经网络和图像分割的变压器内部退化智能定位方法。
何教授结合大量关于高压大容量变压器研究算法案例讲解，极大地激发了大家的学习兴趣，为机电学院师生提供了全新的研究方向，现场反应热烈，老师和学生们获益匪浅！
