基于多維度分析的換流變預警技術研究與應用

周春陽 李亞錦 鄧光武 劉英男 于大洋

基于多維度分析的換流變預警技術研究與應用

周春陽1李亞錦2鄧光武1劉英男2于大洋2

(1. 中國南方電網超高壓輸電公司廣州局 廣州 510000；2. 山東大學電氣工程學院 濟南 250061)

由于換流變設備運行環境和工況的差異性，相關運維規范設定的閾值在設備異常診斷方面具有一定的局限性。從工程實際應用出發，提出一種換流變多維度分析和預警方法，針對換流變重點監盤的關鍵參數建立溫度、油位和冷卻能力的多維度分析算法，對換流變當前狀態進行評價。在多維度分析的基礎上，提出基于長短期記憶網絡的油溫預測算法，實現換流變運行狀態的趨勢辨識。在±800 kV穗東站進行部署和應用算法模型，結果表明算法模型可有效識別出換流變運行狀態異常。

換流變；在線監測；多維度分析；油溫預測

1 引言

換流變是交直流系統中能量轉換的關鍵設備，其運行直接影響交直流系統運行可靠性。對換流變狀態參數進行分析和預測可掌握換流變運行狀態發展趨勢，為換流變狀態評估提供有力支撐。

目前換流變運行狀態的評估[1-3]主要依賴于各類傳感器、測量元器件所提供的在線監測數據信息，包括油溫、油位、油色譜信息、振動信號，與閾值進行對比判斷或者采用三比值法對油中溶解氣體進行分析，以確定換流變狀態是否正常。但由于設備運行環境和工況的差異性，目前相關運維規范設定的閾值在異常診斷方面具有一定的局限性，且受負荷、溫度、輸出表計以及回路缺陷等因素的影響，單一維度的狀態量在反映換流變故障演變與表現特征之間的客觀規律上有一定片面性。

基于人工智能的多特征融合是提高換流變診斷可靠性的有效手段，文獻[4]融合油色譜監測數據、試驗數據和歷史故障數據，構建兩級診斷模型；文獻[5]基于油色譜數據和圖譜識別實現低熱和放電兩種新型故障的識別；文獻[6]在多源數據基礎上利用深度置信網絡和貝葉斯推理實現換流變缺陷的分類；文獻[7]通過DS證據理論融合診斷的準確率來判斷隨機森林和決策樹等5種模型融合診斷的效果，最終通過樣本訓練得到最優的組合模型。上述智能方法解決了換流變設備故障診斷中單一狀態量和故障非線性導致的診斷結果準確性不高問題，但相關數據因專業不同分散于各業務應用系統，造成了數據信息的“隔離”，數據無法在線實時獲取。受限于數據“隔離”和參數選擇，以復雜模型為主的換流變設備狀態診斷方法目前仍難以廣泛應用于換流變實際監盤運維工作中。

為提升智能算法在換流變實際工程中的應用實效，文獻[8-9]從數據出發，通過統計運維檢修經驗形成設備不同缺陷知識庫；文獻[10-11]考慮變壓器負載、環境溫度和熱點溫度來評估設備狀態；文獻[12]運用線性判別分析對變壓器狀態參數進行降維，作為故障診斷模型的輸入向量；文獻[13]利用循環神經網絡識別時間序列的隱含模式來預測變壓器繞組故障。上述研究為本文換流變運行狀態多維度分析和預測提供了一定思路。

另外，換流變運行特征呈現出較強的時間差異性，為了對其運行狀態進行精確評估，需要建立能體現時間差異性的換流變狀態評估模型。在上述背景下，本文從在線監測數據源出發，考慮多狀態量之間的相關性，研究多維度時序趨勢分析和相關性分析算法，建立多維度分析的換流變缺陷預警模型，并將智能預測算法應用到關鍵參數預測中，解決狀態參數預測中存在的非線性和時滯問題。最后，結合±800 kV換流變在線監測系統，通過采集獲得數據來預估變壓器物理特性的關鍵參數——油溫變化趨勢，驗證了所提方法的有效性和可行性。

2 算法模型

2.1 關鍵狀態量分析

影響換流變運行的因素較多，但由于實際運行中可獲取的換流變運行維護數據存在信息隔離、信息扭曲等原因，造成各級運維人員掌握的信息不完全，且換流站內日常監盤任務重，運維人員無法同時關注多個狀態量。因此需要對多源數據進行降維，提取關鍵狀態量作為智能分析算法的輸入特征 向量。

換流站內多采用的是油浸式變壓器，油浸式變壓器故障主要分為放電性故障和熱性故障[9]。綜合變壓器缺陷樣本數據庫中運行巡視、停電試驗、帶電檢測數據，利用相關性[14]分析不同狀態量與設備故障率之間的關聯關系[8]，根據量化得到的相關系數大小排序得到和設備關聯的關鍵狀態量。關鍵狀態量如表1所示。

表1 換流變關鍵狀態量

針對油中溶解氣體的分析，現有技術已相當成熟，本文不再對油中溶解氣體做進一步分析。而絕緣油、介損及電容量、直流電阻和鐵心接地電流是周期性試驗結果，無法在線獲取，難以滿足系統在線實時分析的需求。因此本文從換流變在線監測分析出發，重點關注和分析油溫、油位等在線監測狀態量，為運維人員監盤提供決策依據。

2.2 多維度評價方法

2.2.1 溫度分析

直流輸電系統同一極下一般配置6臺換流變，針對同一種連接方式下的換流變三相設備，本文設計縱向和橫向的統計分析方法，來判斷換流變是否存在異常。具體方法如下所示。

2.2.2 油位分析

圖1 滲漏油異常識別流程

式中，D為因溫度變化而引起的油的體積變化；為變壓器油的質量；為20 ℃變壓器油的密度，0.88 kg/dm3；為溫度膨脹系數，0.78×10-3K-1；D為溫度變化。

2.2.3 冷卻系統分析

2.3 基于LSTM的油溫趨勢預測

實際運維中，換流變關鍵狀態量油溫的趨勢預測可有效預判換流變運行狀態。在多因素影響的溫度預測方面，長短期記憶網絡(Long short-term memory，LSTM)通過引入門控機制來控制信息的輸入，有選擇性地加入新的信息和遺忘之前累積的信息，相比于其他算法，LSTM在處理非線性和時滯性的溫度預測問題中有更強的適應性和泛化能力。因此本文利用LSTM實現換流變油溫的預測。

2.3.1 基本原理

LSTM網絡模型包括忘記門、輸入門和輸出門。

(1) 忘記門層，讀取h-1和x，輸出一個0～1之間的數值f，計算公式如下

(2) 輸入門層，以當前層的輸入x和上一時刻隱單元的輸出h-1作為輸入，輸出結果i作為將要更新的信息，公式如下

然后進行細胞狀態更新，新的細胞狀態C由舊的狀態和忘記門、輸入門的輸出結果決定，公式 如下

(3) 輸出門層，運行一個sigmoid層決定細胞狀態的哪部分將輸出出去。接著，把細胞狀態通過一個tanh進行處理并將其和sigmoid門的輸出相乘作為輸出。

式中，和tanh為激活函數；W代表輸入層到隱含層的權重；W代表遞歸連接的權重；代表偏置項。

2.3.2 實現流程

本文根據換流變油溫、環境溫度以及有功功率，基于LSTM模型擬合環境溫度、運行功率和換流變油溫之間的關系，實現油溫預測，具體步驟如下所示。

(1) 模型輸入和輸出參數確定。選取換流變當前時刻油溫、換流變運行功率、環境溫度作為輸入參數，輸出為下一時刻油溫數據，構建數據集。并利用灰色關聯度和K-means聚類方法[17]對數據進行檢測和清洗，確保訓練樣本集數據的可靠性。按照8∶1∶1比例將數據樣本集劃分為訓練集、驗證集和測試集。

(3) 在訓練過程中若訓練平均絕對誤差大于閾值，則更新權重與偏置、、，繼續與輸入相互作用進行計算；若誤差小于閾值，則輸出結果作為另一個初始化參數。以平均絕對誤差值小于閾值為目標通過反向傳播不斷訓練優化神經網絡參數，直到達到較好效果并保存訓練模型。平均絕對誤差的計算公式為

(4) 根據訓練集得到的網絡模型，優先利用驗證集進行測試，得到平均絕對誤差值。當誤差值大于閾值時，調整學習率、迭代次數，再基于訓練集進行網絡的訓練，直到得到最優全局參數矩陣，模型訓練完成。根據訓練好的模型，輸入當前時刻油溫、換流變運行功率、環境溫度，得到下一時刻的油溫。具體實現流程如圖2所示。

圖2 LSTM整流變油溫預測模型流程圖

3 預警系統總體方案

本文以換流站內現有的站內監控系統采集的信息為基礎，同時加裝必要的監測和采集裝置，采集站內所有換流變實時數據，嵌入智能分析方法，建立物聯網架構下的換流變多維度分析和預警系統。系統結構如圖3所示。換流變目前采集的油溫、線溫、油位、油中溶解氣體、換流變運行功率、環境溫度數據經過“站內監控系統通信服務器”接入預警系統。風機加裝傳感器裝置采集運行功率，通過IEC61850通信協議獲取IED集中通信裝置上的數據。系統每5 min更新一次數據，并將多維度分析和油溫預測異常診斷結果推送至系統預警信息頁，輔助運維人員監盤。

圖3 系統結構

4 實例分析

4.1 樣本信息

本文搜集穗東站換流變實際運行數據作為樣本集。雙極直流輸電系統中涵蓋24臺換流變，每一極配置Y/D和Y/Y兩種連接方式，6臺換流變設備。樣本集涵蓋2018年12月—2019年11月1年的運維在線監測數據，共計105 120條數據。狀態量包括換流變油溫、線溫、油位、換流變運行功率、風機運行功率、環境溫度。

4.2 多維度評價

以2019年8月極2高端Y/DA相換流變的監測數據為例，根據換流變風扇投運臺數和運行功率，根據式(3)計算可知冷卻裕度均大于25%，系統狀態正常。1～16日的換流變油溫、線溫和油位的趨勢變化如圖4所示。圖4中3條曲線變化趨勢基本相同，油位在某一時刻突然出現斷崖式下降，但未低于油位最低告警值15%。因此基于規范規定的閾值難以識別出油位異常。

圖4 換流變溫度和油位變化趨勢

利用第2.2.2節所述的油位分析方法，對該時段監測數據進行分析。根據換流變穩態時的監測數據可知變壓器油質量為85 595 kg，20 ℃時本體油位為38%，利用式(1)中換算該時段監測數據如表2所示。

表2 換流變油位換算

針對線溫和油溫的分析，三相監測值變化趨勢如圖5所示。線溫和油溫在2019年8月8日7:00這一時刻三相最大偏差值分別為24 ℃、13 ℃，超出閾值10 ℃，系統預警，提示換流變C相溫度過高。

圖5 換流變三相線溫和油溫變化趨勢

4.3 油溫預測

在穗東換流變樣本數據搜集的基礎上，搭建基于LSTM算法模型和仿真環境，包括Python3.7環境以及Keras、Scikit-learn、Tensorflow等函數庫，對數據進行離線化訓練，訓練后的模型封裝嵌入到預警系統。本例中，學習率初始設定為0.01，輸入維度為3，輸出節點為1，將所有矩陣初始化，誤差閾值設定為2×10-2，迭代80次，迭代至20次左右時，訓練樣本小于誤差閾值，得到預測的油溫值，訓練結束。以換流變A相油溫為例進行分析，圖6是測試集和訓練集在80次迭代過程中損失值的走勢，經過10次迭代之后損失值基本達到了穩定狀態，平均誤差為0.029，迭代20次后平均誤差為0.024，迭代40次之后平均誤差穩定在0.02上下。

圖6 A相油溫訓練集和測試集損失值

換流變A相油溫測試集的預測值和真實值結果如圖7所示。真實值和預測值的數據走勢和波動基本一致，曲線貼合程度較高。

圖7 LSTM算法下油溫測試集真實值和預測值

為驗證預測算法的準確性，本文在同一數據集上，利用ARIMA方法對油溫進行預測，預測結果如圖8所示，從圖8中可看出預測結果誤差較大，尤其在波谷時，預測值和真實值之間有一定的差距，預測值相比于真實值有一定的滯后性，誤差達到了2.9%。

圖8 ARIMA算法下油溫測試集真實值和預測值

對比LSTM和ARIMA兩種方法，LSTM預測的精確度和擬合程度明顯優于ARIMA，LSTM能夠在不確定性的環境溫度和功率影響下兼顧油溫變化的滯后性，達到較高的預測準確率，證明LSTM在換流變壓器油溫預測方面具有很強的適應性。

5 結論

本文從實際工程應用角度出發，在現有運維規程的基礎上，提出換流變多維度分析和狀態預警方法，針對換流變重點監盤的關鍵參數研究三相橫向對比和時序趨勢分析方法，提出換流變滲漏油識別方法和基于LSTM的油溫預測，解決狀態參數預測中存在的非線性和時滯問題。算法模型和預警系統應用于穗東站換流變的監測與分析，通過實例應用分析和驗證了算法的有效性和可行性。該方法計算過程簡單有效，可應用到其他換流變的智能分析，輔助現場運維人員監盤。

[1] 牟龍華，石林，許旭鋒，等. 智能換流變壓器在線監測系統的設計與建模[J]. 電力系統及其自動化學報，2013，25(1)：23-28.

MOU Longhua，SHI Lin，XU Xufeng，et al. Designing and modeling of on-line monitoring system for smart converter transformer[J]. Proceedings of the CSU-EPSA，2013，25(1)：23-28.

[2] 牛勃，馬飛越，周秀，等. ±800 kV換流變壓器在線監測信號的異常分析與處理[J]. 高壓電器，2018，54(11)：245-252，259.

NIU Bo，MA Feiyue，ZHOU Xiu，et al. Analysis and treatment of on-line monitoring abnormal signal in ±800 kV converter transformer[J]. High Voltage Apparatus，2018，54(11)：245-252，259.

[3] 阮羚，謝齊家，高勝友，等. 人工神經網絡和信息融合技術在變壓器狀態評估中的應用[J]. 高電壓技術，2014，40(3)：822-828.

RUAN Ling，XIE Qijia，GAO Shengyou，et al. Application of artificial neural network and information fusion technology in power transformer condition assessment[J]. High Voltage Engineering，2014，40(3)：822-828.

[4] 李剛，于長海，范輝，等. 基于多級決策融合模型的電力變壓器故障深度診斷方法[J]. 電力自動化設備，2017(11)：144-150.

LI Gang，YU Changhai，FAN Hui，et al. Deep fault diagnosis of power transformer based on multilevel decision fusion model[J]. Electric Power Automation Equipment，2017(11)：144-150.

[5] EMARA M M，PEPPAS G D，GONOS I. Two graphical shapes based on DGA for power transformer fault types discrimination[J]. IEEE Transactions on Dielectrics and Electrical Insulation，2021，28(3)：981-987.

[6] 周春陽，李亞錦，劉英男，等. 基于貝葉斯推理和多傳感器信息融合的換流變缺陷分類算法研究[J]. 變壓器，2020，57(11)：15-20.

ZHOU Chunyang，LI Yajin，LIU Yingnan，et al. Transformer fault diagnosis method based on Bayesian interference and multi-dimensional information fusion[J]. Transformer，2020，57(11)：15-20.

[7] 張育杰，李典陽，馮健，等. 基于多模型選擇性融合的變壓器在線故障診斷[J]. 電力系統自動化，2021，45(13)：95-101.

ZHANG Yujie，LI Dianyang，FENG Jian，et al. On-line fault diagnosis for transformer based on selective fusion of multiple models[J]. Automation of Electric Power Systems，2021，45(13)：95-101.

[8] 彭紅霞，文艷，王磊，等. 基于兩層知識架構的電力設備差異化運維技術[J]. 高壓電器，2019，55(7)：221-226.

PENG Hongxia，WEN Yan，WANG Lei，et al. Differential operating maintenance technology of power equipment based on two-layer knowledge architecture[J]. High Voltage Apparatus，2019，55(7)：221-226.

[9] 黃海波，雷紅才，周衛華，等. 基于不停電檢測的變壓器狀態檢修優化[J]. 高電壓技術，2019，45(10)：3300-3307.

HUANG Haibo，LEI Hongcai，ZHOU Weihua，et al. Research on transformer condition-based maintenance optimization based on non power-off detection[J]. High Voltage Engineering，2019，45(10)：3300-3307.

[10] 蘇寧，李亞錦，張婉瑩，等. 基于LSTM算法的變電設備發熱預測技術研究[J]. 山東電力技術，2021，48(6)：10-14.

SU Ning，LI Yajin，ZHANG Wanying，et al. Research on heating defect prediction of substation equipment based on LSTM[J]. Shangdong Electric Power，2021，48(6)：10-14.

[11] 何先華，張遠鵬，崔桂興，等. 基于回歸算法的變壓器故障檢測方法研究[J]. 電力系統保護與控制，2020，48(21)：132-139.

HE Xianhua，ZHANG Yuanpeng，CUI Guixing，et al. Research on transformer fault detection method based on a regression algorithm[J]. Power System Protection and Control，2020，48(21)：132-139.

[12] 謝樂，衡熙丹，劉洋，等. 基于線性判別分析和分步機器學習的變壓器故障診斷[J]. 浙江大學學報，2020，54(11)：2266-2272.

XIE Le，HENG Xidan，LIU Yang，et al.Transformer fault diagnosis based on linear discriminant analysis and step-by-step machine learning[J]. Journal of Zhejiang University，2020，54(11)：2266-2272.

[13] ZOLLANVARI A，KUNANBAYEV K M，BITAGHSIR S A，et al. Transformer fault prognosis using deep recurrent neural network over vibration signals[J]. IEEE Transactions on Instrumentation and Measurement，2020，70(99)：1-12.

[14] SZéKELY G J，RIZZO M L，BAKIROV N K. Measuring and testing dependence by correlation of distances[J]. Annals of Statistics，2007，35(6)：2769-2794.

[15] 楊荊林，謝超，李乾坤，等. 穗東站換流變壓器本體油位異常分析及帶電處理[J]. 南方電網技術，2013，7(6)：63-65.

YANG Jinglin，XIE Chao，LI Qiankun，et al. Analysis of the oil level abnormity of converter transformer body at suidong substation and its on-line disposal[J]. Southern Power System Technology，2013，7(6)：63-65.

[16] 廖毅，羅煒，蔣峰偉，等. 換流閥冷卻能力多維度分析與預警模型[J]. 南方電網技術，2020，14(7)：1-9.

LIAO Yi，LUO Wei，JIANG Fengwei，et al. Multi-dimensional analysis and early warning model for the cooling capacity of converter valve[J]. Southern Power System Technology，2020，14(7)：1-9.

[17] 錢宇騁，甄超，季坤，等. 變壓器在線監測數據異常值檢測與清洗[J]. 哈爾濱理工大學學報，2020，25(5)：15-22.

QIAN Yucheng，ZHEN Chao，JI Kun，et al. Transformer online monitoring data abnormal value detection and cleaning[J]. Journal of Harbin University of Science and Technology，2020，25(5)：15-22.

Multi-dimensional Analysis and Early Warning Model of Converter Transformer

ZHOU Chunyang1LI Yajin2DENG Guangwu1LIU Yingnan2YU Dayang2

(1. Guangzhou Bureau EHV Power Transmission Company of CSG, Guangzhou 510000；2. School of Electrical Engineering, Shandong University, Jinan 250061)

Due to the difference of operation environment and working conditions of converter equipment, the threshold set by relevant operation and maintenance specifications has certain limitations in abnormal diagnosis. Based on the engineering application, a multi-dimensional analysis and early warning method is proposed. The multi-dimensional analysis algorithm of temperature, oil level and cooling capacity are established to evaluate the current state of converterfor the key parameters of converter transformer. On the basis of multi-dimensional analysis, the oil temperature prediction algorithm based on LSTM is proposed to realize the trend identification of the operation state of the converter. The algorithm model is deployed and applied in ±800 kV Suidong substation, and the results show that the algorithm model can effectively identify the abnormal operation state of converter transformer.

Converter transformer；online monitoring；multi-dimensional analysis；temperature prediction

10.11985/2021.04.019

TM407

20210527收到初稿，20210715收到修改稿

周春陽，男，1985年生，碩士，高級工程師。主要從事高壓直流換流站設備運行及維護。E-mail：zcy8512@163.com

李亞錦(通信作者)，女，1989年生，碩士，助理研究員。主要從事電力系統優化建模與設計研究。E-mail：liyajin@sdu.edu.cn

鄧光武，男，1977年生，碩士，高級工程師。主要從事高壓直流輸電技術研究及運行維護管理。E-mail：guangwudeng@163.com

劉英男，男，1987年生，碩士，助理研究員。主要從事變電站在線監測及智能運維技術研究。E-mail：liuyingnan@sdu.edu.cn

于大洋，男，1979年生，博士，副教授。主要從事電力系統優化技術研究。E-mail：yudayang@sdu.edu.cn