智能化油浸电力变压器状态诊断算法
来源:用户上传
作者: 许昊 顾春晖 刘石 陆浩
[摘 要]智能化油浸电力变压器状态诊断算法是利用各传感器传上来的各监测量的实时数据及手动输入的离线数据，通过数据预处理，根据国家预试、色谱、电能质量、状态检修试验等相关规程及数理统计方法和专家系统、范例推理、神经网络等人工智能技术对变压器各个监测量、单相以及整体进行诊断。最终给出变压器状态及发展趋势。
[关键词]智能化;电力变压器;状态诊断算法
中图分类号：TG65 文献标识码：B 文章编号：1009-914X（2016）24-0350-01
1.引言
电力变压器作为电力系统中最重要的电气设备之一，其运行的安全可靠性直接关系到电力系统的安全与稳定。国内外研究均表明，变压器故障按部位通常可分为：绕组、铁心、绝缘、引线、分接开关、套管、密封等七类故障，存在过热、放电、受潮、老化等不同绝缘故障类型。为了对这些故障进行分析诊断，通常需要在变压器制造安装过程中安装各种传感器对油中气体、油中微水、局部放电等进行监测。
智能化油浸电力变压器状态诊断算法是利用各监测量的实时数据及手动输入的离线数据，通过数据预处理，根据国家相关规程及数理统计方法和相关人工智能技术对变压器状态进行诊断。最终给出变压器各个监测量的状态及发展趋势，变压器各相及整体的状态、寿命、分值、可能故障、专家建，从而对变压器的潜伏性故障、早期故障及突发性故障做出及时准确的判断。实时数据的分析和诊断方法主要包括通用算法、各个监测量的分析诊断以及变压器单相及整体的综合诊断。
2.通用算法
2.1 数据预处理
数据预处理技术主要包括滑动窗中值滤波技术和数据压缩技术，预处理后的数据供诊断和分析用。滑动窗中值滤波技术算法简单、处理速度较快，对脉冲噪声抑制作用也很强，可以有效去除在线监测数据的野点，使曲线变得平滑。数据压缩技术可以对在线监测数据进行压缩，减少数据库里冗余数据的存储，目前常用的在线监测数据压缩方法是取每天所有监测数据的最大最小值和均值或固定某几个时刻的数据。
2.2 数据趋势分析
若要检测出设备绝缘的长期发展趋势，需对数据进行趋势分析。目前常用的数据趋势分析方法有描绘法、差分法和斜率法。
描绘法就是将去噪后的时间序列数据直接画在平面坐标图上，用光滑曲线来表示监测量的发展趋势。这种方法简单、明了，能够不失真的反应当前数据的增长趋势。
差分法就是对数据序列求导，得出数据的变化率，即增长速率来反应数据的变化趋势。差分法是最常用的数据处理方法之一。当设备绝缘状态发生变化时，相关绝缘参数的在线监测数据也会发生相应的改变。对在线监测数据的绝对值和变化率进行判断可以有效地识别突发性或变化率较大的故障征兆。差分法对阶跃性故障反映灵敏，但对持续增长故障反应不够灵敏。
斜率法就是对已获得的在线监测数据进行曲线拟合，然后用拟合曲线的斜率来判断数据的变化趋势。理论上，只要拟合曲线的次数足够高，可以无限逼近任意曲线。常用的拟合方法是最小二乘法，拟合后的曲线使数据趋于平滑，可以用曲线斜率更准确的提取数据的整体变化趋势。
2.3 数据阈值诊断
阈值诊断主要分为国标法和方差分析法。国标法阈值诊断就是根据国家预试、色谱、电能质量、状态检修试验等相关规程里给定的注意值和标准及诊断方法进行诊断，判断变压器各监测量的状态。方差分析阈值诊断就是对在线数据进行数理统计，求出各诊断参数在一定置信水平下的置信区间，用来判断新采集来的数据是否异常。具体过程就是在变压器状态诊断系统投运之前，在系统内部给各监测量设置初始诊断阈值，变压器正式投运后，启动系统自学习功能，对在线数据进行统计，利用置信区间[μ-kσ， μ+kσ]求出各诊断参数在一定置信水平下的阈值，其中（μ―指定时间段内数据的平均值，σ―指定时间段内数据的标准差，k一常数因子），同时结合监测量的增长速率，给出一级、二级预警。
2.4 人工智能算法
随着人工智能技术的发展和推广，越来越多的人工智能算法在变压器的状态分析和故障诊断中的到应用。其中专家系统和BP神经网络法被认为是应用最好的方法。
专家系统是通过对人类专家求解问题的过程建模，采用人工智能中的知识表示和知识推理技术来模拟通常由专家才能解决的复杂问题，达到具有与专家同等解决问题能力的水平。这种基于知识的系统设计方法是以知识库和推理机为中心展开的。
神经网络是指用计算机仿真人脑的结构，用许多小的处理单元仿真生物的神经元，用算法实现人脑的识别、记忆和思考过程。BP神经网络是最重要的神经网络模型之一，由输入层、中间层和输出层组成。BP神经网络的学习过程由两部分组成：正向传播和反向传播。当正向传播时，信息从输入层经中间层处理后传向输出层，每一层神经元的状态只影响下一层的神经元状态。如果在输出层得不到希望的输出，则转入反向传播，将误差信号沿原来的神经元连接通路返回。返回过程中，由后往前逐一修改各层神经元连接的权值。这种过程不断迭代，直到误差信号达到允许范围之内或训练次数达到预值。总之，BP神经网络的学习本质就是对各连接权值动态调整，实现输入与输出的理想映射。
3.各单项监测量的诊断
变压器单个监测量的诊断是在上述通用方法基础上，主要根据我国预试、色谱、电能质量、状态检修试验等相关规程，及IEC和IEEE相关规程中给定的注意值、标准及诊断方法进行诊断，判断变压器各监测量的状态及发展趋势。从各个监测量对传感器采样的时间要求考虑，可以把监测量分为紧急量和缓变量，其中紧急量有：侵入波、轻/重瓦斯、压力释放阀、有载分接开关、运行电压和负荷电流，缓变量有：油中气体、油中微水、局部放电、绕组温度、铁心温度、本体油温、本体和开关油位、铁心接地电流、套管绝缘、铁心和绕组振动、冷却器、环境温湿度。紧急量需要对传感器传过来的数据立即进行诊断，然后再传入数据库，缓变量在计算机处理速度不允许的情况下，可以延时诊断，尤其对增长速率缓慢的模拟量，可以10s、30s、甚至60s诊断一次。
4.综合诊断
针对各个单项诊断结果，对变压器单相及整体进行综合诊断。综合诊断主要有两种方式，一是参照国家油浸式变压器状态评价导则，对诊断完的各单项监测量进行加权打分，给出变压器的状态和分值，同时，根据油浸式电力变压器负载导则中的6度法则，对变压器的剩余寿命进行粗略的评估;另一种是综合考虑各监测单项的诊断结果，并根据建立的案例库和专家系统对变压器各单相和整体的绝缘状况进行评价，给出可能的故障部位、专家建议和相关案例。
5.结论
智能化油浸电力变压器状态诊断算法是对监测数据和离线数据的处理分析。主要利用数据预处理技术对原始数据进行处理，并根据国家预试、色谱、电能质量、状态检修试验等相关规程及数理统计方法和专家系统、范例推理、神经网络等人工智能技术对各个监测量及变压器状态进行诊断。对变压器的潜伏性故障、早期故障及突发性故障做出及时准确的判断，并最终给出变压器状态及其发展趋势，确保变压器的安全可靠运行。
参考文献：
[1] 中华人民共和国电力行业标准DL/T722-2000变压器油中气体分析和判断导则[S].北京：中国电力出版社.2003.
[2] 操敦奎.变压器油中气体分析诊断与故障检查. 北京： 中国电力社， 2005.
转载注明来源:https://www.xzbu.com/1/view-7752039.htm
