摘 要:电力系统中变压器的安全运行直接关系到整个系统的稳定和安全,对变压器进行状态检测和故障诊断一直是国内外学者研究的重要课题。目前基于油中溶解气体分析方法是变压器故障诊断最重要的分析手段,被广泛应用。并提出了多种以油中气体含量为依据的判断变压器故障类型的方法。本文主要针对基于DGA的变压器绝缘故障诊断方法进行研究和探讨。总结了传统变压器绝缘故障诊断方法,并详细讨论了基于人工智能技术的变压器绝缘故障诊断方法,这些方法有效地提高了变压器绝缘故障诊断的正确率。同时人工智能技术的不断发展,为变压器绝缘故障诊断的研究提供了新的研究内容和方向。
关键词:变压器;故障诊断;特征气体;人工智能
中图分类号:TM4 文献标识码:A
1. 概述
电力变压器是电压等级变化与电能转化的重要设备之一。长时间运行条件下,变压器油和绝缘纸等化合物在电场、温度等作用下,会逐渐劣化,最终导致变压器故障。为了保证电力变压器的正常稳定的运行,必须最大限度的防止和减少变压器故障,因此及时准确的检测和诊断出变压器的故障时及其重要的。目前对变压器故障诊断的方法主要是基于DGA技术[1],即通过比较变压器油中溶解气体的含量来实现变压器故障诊断。
基于DGA的变压器故障诊断方法大体分为经典的传统方法和基于人工智能的方法
2. 传统方法
传统方法是人们在长期的科学研究和变压器故障诊断实践中通过统计分析总结出来的判断故障类型的方法,主要有基于油中溶解气体的故障诊断以及各种基于气体比值的故障诊断方法等。
(1)特征气体法。该方法主要是根据变压器发生不同故障时,根据油中各种气体的浓度就可以大致判断故障类型。变压器不同故障类型产生的气体组分如表1所示。
(2)比值法。该方法是根据各种特征气体的比值来判断变压器故障类型。比值法具体来说又可以分为编码比值法和无编码比值法,前者有IEC三比值法及其改进形式,日本电协研法及其改进形式,英国的德能堡比值法,罗杰士比值法和德国的四比值法;后者是取消了气体比值区间对应于某一编码,而直接用比值范围对应于一种故障。比值法是大量故障统计分析基础上,舍弃了较小概率的情况而得到的,所以其准确率不能到达很高[2]。
表1 充油变压器不同故障类型产生的气体
故障类型
主要气体成分
次要气体成分
油过热
CH4、C2H2
H2、C2H6
油和纸过热
CH4、C2H4、CO、CO2
H2、C2H6
油纸局部放电
H2、CH4、CO
C2H2、C2H6、CO2
油中火花放电
H2、C2H2
油中电弧
H2、C2H2
CH4、C2H6、C2H4
油和纸中电弧
H2、C2H2、CO、CO2
CH4、C2H6、C2H4
3. 人工智能在变压器故障诊断中应用
随着计算机技术和人工智能技术的发展,利用人工智能的方法建立故障诊断系统模型已经成为了计算智能的研究热点和重点。主要有人工神经网络、模糊理论、粗糙集理论、灰色系统理论和专家系统等人工智能方法应用于变压器故障诊断的研究中,使诊断结果的符合率有了显著提高。
3.1 基于人工神经网络的绝缘故障诊断方法
人工神经网络(Artificial Neural Network,简称ANN)是通过模拟人脑神经元活动的过程,用神经元的特性及连接模式来学习和表达输入与输出之间复杂的非线性映射关系。由于神经网络具有很强的学习能力。泛化能力和自适应能力,能映射高度非线性的输入输出关系,并且它本身就是简单的非线性函数的多次复合,无需建立任何物理模型和进行人工干预。而故障诊断就是在输入数据杨泵和一个或多个故障状态之间建立联系的过程。ANN为变压器故障诊断开辟了新途径。
目前已有数十种神经网络模型,应用较为广泛的有前馈网络(BP网络)、自组织特征映射网络(Kohonen网络)和训练向量分区网络(LVQ网络)等[3][4]。其中BP网络是一反向传播的多层前向网络,上下层之间各神经元实现全连接,而同层内的各神经元无连接。BP网络具有良好的模式分类能力,尤其适合故障诊断方面的模式识别问题,具有2个隐层的典型BP网络结构如图1所示。
图1 具有2个隐层的典型BP网络
基于DGA技术的BP故障诊断网络,首先要确定输入,BP网络有3种输入方式,一是选择出CO2外的H2、CH4、C2H4、C2H6、C2H2、CO六种气体作为输入;二是选择H2、C2H4、C2H2以及总烃(C1+ C2)四种气体各自所占的相对百分比作为输入;三是选择C2H2/C2H4、CH4/H2和C2H6/C2H4作为输入。变压器故障识别时,期望神经网络输出变压器的典型故障。典型故障类型及输出期望值如表2所示。
表2 故障类型及其对应的期望输出
故障类型
输出期望值(故障编码)
局部放电
000000001
低温过热(低于300oC)
000000010
中温过热(300oC-700oC)
000000100
高温过热(高于300oC)
000001000
低能(火花)放电
000010000
低能(火花)放电兼过热
000100000
电弧放电
001000000
电弧放电兼过热
010000000
正常
100000000
BP网络提高了变压器DGA诊断的可靠性,但是由于该网络容易受初始权值的影响而陷入局部最小点,网络收敛速度慢,从而影响了网络局部识别的推广能力。为了解决这些问题,通常采用全局优化算法与BP算法相结合的方法。例如,模拟退火法、遗传算法等。
近年来,随着ANN不断发展完善,同时粒子群[5][6][7]、遗传算法[8][9][10]、粗糙集理论[11]以及小波分析[12]等其它人工智能方法融入到神经网络方法中形成优势互补。
3.2 模糊理论在变压器故障诊断中的应用
模糊理论主要模仿人脑的逻辑思维,具有较强的结构性知识表达能力,能将不确定性知识或定性知识转化为定量表示。基于变压器故障诊断的复杂性,故障类型与征兆之间的关系往往具有一定的模糊性。模糊诊断的基本流程:(1)油中气体分析原始数据的模糊化处理;(2)计算模糊集上面的相似关系;(3)动态分类求取最优分类结构。
目前在利用模糊理论对变压器故障诊断方面,基于模糊聚类的绝缘故障诊断方法是近年来发展很快的一个研究方向。模糊聚类方法的原理是在没有先验知识的情况下,基于“物以类聚”的观点,应用模糊数学的方法确定各个样本之间的距离及分散程度,按照样本的距离或者某个目标函数来实现分类的一种方法。实际应用中基于目标函数的模糊距离方法是最普遍的。该方法是把距离归结为一个带约束条件的非线性规划问题,通过优化求解护额的数据集的模糊划分和聚类。此类方法设计简单解决问题范围广,并易于在计算机上实现。