智能化油浸電力變壓器狀態診斷算法

許昊++顧春暉++劉石++陸浩

[摘 ?要]智能化油浸電力變壓器狀態診斷算法是利用各傳感器傳上來的各監測量的實時數據及手動輸入的離線數據，通過數據預處理，根據國家預試、色譜、電能質量、狀態檢修試驗等相關規程及數理統計方法和專家系統、范例推理、神經網絡等人工智能技術對變壓器各個監測量、單相以及整體進行診斷。最終給出變壓器狀態及發展趨勢。

[關鍵詞]智能化;電力變壓器;狀態診斷算法

中圖分類號：TG65 文獻標識碼：B 文章編號：1009-914X（2016）24-0350-01

1.引言

電力變壓器作為電力系統中最重要的電氣設備之一，其運行的安全可靠性直接關系到電力系統的安全與穩定。國內外研究均表明，變壓器故障按部位通常可分為：繞組、鐵心、絕緣、引線、分接開關、套管、密封等七類故障，存在過熱、放電、受潮、老化等不同絕緣故障類型。為了對這些故障進行分析診斷，通常需要在變壓器制造安裝過程中安裝各種傳感器對油中氣體、油中微水、局部放電等進行監測。

智能化油浸電力變壓器狀態診斷算法是利用各監測量的實時數據及手動輸入的離線數據，通過數據預處理，根據國家相關規程及數理統計方法和相關人工智能技術對變壓器狀態進行診斷。最終給出變壓器各個監測量的狀態及發展趨勢，變壓器各相及整體的狀態、壽命、分值、可能故障、專家建，從而對變壓器的潛伏性故障、早期故障及突發性故障做出及時準確的判斷。實時數據的分析和診斷方法主要包括通用算法、各個監測量的分析診斷以及變壓器單相及整體的綜合診斷。

2.通用算法

2.1 數據預處理

數據預處理技術主要包括滑動窗中值濾波技術和數據壓縮技術，預處理后的數據供診斷和分析用。滑動窗中值濾波技術算法簡單、處理速度較快，對脈沖噪聲抑制作用也很強，可以有效去除在線監測數據的野點，使曲線變得平滑。數據壓縮技術可以對在線監測數據進行壓縮，減少數據庫里冗余數據的存儲，目前常用的在線監測數據壓縮方法是取每天所有監測數據的最大最小值和均值或固定某幾個時刻的數據。

2.2 數據趨勢分析

若要檢測出設備絕緣的長期發展趨勢，需對數據進行趨勢分析。目前常用的數據趨勢分析方法有描繪法、差分法和斜率法。

描繪法就是將去噪后的時間序列數據直接畫在平面坐標圖上，用光滑曲線來表示監測量的發展趨勢。這種方法簡單、明了，能夠不失真的反應當前數據的增長趨勢。

差分法就是對數據序列求導，得出數據的變化率，即增長速率來反應數據的變化趨勢。差分法是最常用的數據處理方法之一。當設備絕緣狀態發生變化時，相關絕緣參數的在線監測數據也會發生相應的改變。對在線監測數據的絕對值和變化率進行判斷可以有效地識別突發性或變化率較大的故障征兆。差分法對階躍性故障反映靈敏，但對持續增長故障反應不夠靈敏。

斜率法就是對已獲得的在線監測數據進行曲線擬合，然后用擬合曲線的斜率來判斷數據的變化趨勢。理論上，只要擬合曲線的次數足夠高，可以無限逼近任意曲線。常用的擬合方法是最小二乘法，擬合后的曲線使數據趨于平滑，可以用曲線斜率更準確的提取數據的整體變化趨勢。

2.3 數據閾值診斷

閾值診斷主要分為國標法和方差分析法。國標法閾值診斷就是根據國家預試、色譜、電能質量、狀態檢修試驗等相關規程里給定的注意值和標準及診斷方法進行診斷，判斷變壓器各監測量的狀態。方差分析閾值診斷就是對在線數據進行數理統計，求出各診斷參數在一定置信水平下的置信區間，用來判斷新采集來的數據是否異常。具體過程就是在變壓器狀態診斷系統投運之前，在系統內部給各監測量設置初始診斷閾值，變壓器正式投運后，啟動系統自學習功能，對在線數據進行統計，利用置信區間[μ-kσ， μ+kσ]求出各診斷參數在一定置信水平下的閾值，其中（μ—指定時間段內數據的平均值，σ—指定時間段內數據的標準差，k一常數因子），同時結合監測量的增長速率，給出一級、二級預警。

2.4 人工智能算法

隨著人工智能技術的發展和推廣，越來越多的人工智能算法在變壓器的狀態分析和故障診斷中的到應用。其中專家系統和BP神經網絡法被認為是應用最好的方法。

專家系統是通過對人類專家求解問題的過程建模，采用人工智能中的知識表示和知識推理技術來模擬通常由專家才能解決的復雜問題，達到具有與專家同等解決問題能力的水平。這種基于知識的系統設計方法是以知識庫和推理機為中心展開的。

神經網絡是指用計算機仿真人腦的結構，用許多小的處理單元仿真生物的神經元，用算法實現人腦的識別、記憶和思考過程。BP神經網絡是最重要的神經網絡模型之一，由輸入層、中間層和輸出層組成。BP神經網絡的學習過程由兩部分組成：正向傳播和反向傳播。當正向傳播時，信息從輸入層經中間層處理后傳向輸出層，每一層神經元的狀態只影響下一層的神經元狀態。如果在輸出層得不到希望的輸出，則轉入反向傳播，將誤差信號沿原來的神經元連接通路返回。返回過程中，由后往前逐一修改各層神經元連接的權值。這種過程不斷迭代，直到誤差信號達到允許范圍之內或訓練次數達到預值。總之，BP神經網絡的學習本質就是對各連接權值動態調整，實現輸入與輸出的理想映射。

3.各單項監測量的診斷

變壓器單個監測量的診斷是在上述通用方法基礎上，主要根據我國預試、色譜、電能質量、狀態檢修試驗等相關規程，及IEC和IEEE相關規程中給定的注意值、標準及診斷方法進行診斷，判斷變壓器各監測量的狀態及發展趨勢。從各個監測量對傳感器采樣的時間要求考慮，可以把監測量分為緊急量和緩變量，其中緊急量有：侵入波、輕/重瓦斯、壓力釋放閥、有載分接開關、運行電壓和負荷電流，緩變量有：油中氣體、油中微水、局部放電、繞組溫度、鐵心溫度、本體油溫、本體和開關油位、鐵心接地電流、套管絕緣、鐵心和繞組振動、冷卻器、環境溫濕度。緊急量需要對傳感器傳過來的數據立即進行診斷，然后再傳入數據庫，緩變量在計算機處理速度不允許的情況下，可以延時診斷，尤其對增長速率緩慢的模擬量，可以10s、30s、甚至60s診斷一次。

4.綜合診斷

針對各個單項診斷結果，對變壓器單相及整體進行綜合診斷。綜合診斷主要有兩種方式，一是參照國家油浸式變壓器狀態評價導則，對診斷完的各單項監測量進行加權打分，給出變壓器的狀態和分值，同時，根據油浸式電力變壓器負載導則中的6度法則，對變壓器的剩余壽命進行粗略的評估;另一種是綜合考慮各監測單項的診斷結果，并根據建立的案例庫和專家系統對變壓器各單相和整體的絕緣狀況進行評價，給出可能的故障部位、專家建議和相關案例。

5.結論

智能化油浸電力變壓器狀態診斷算法是對監測數據和離線數據的處理分析。主要利用數據預處理技術對原始數據進行處理，并根據國家預試、色譜、電能質量、狀態檢修試驗等相關規程及數理統計方法和專家系統、范例推理、神經網絡等人工智能技術對各個監測量及變壓器狀態進行診斷。對變壓器的潛伏性故障、早期故障及突發性故障做出及時準確的判斷，并最終給出變壓器狀態及其發展趨勢，確保變壓器的安全可靠運行。

參考文獻：

[1] 中華人民共和國電力行業標準DL/T722-2000變壓器油中氣體分析和判斷導則[S].北京：中國電力出版社.2003.

[2] 操敦奎.變壓器油中氣體分析診斷與故障檢查. 北京： 中國電力社， 2005.