基于神經網絡算法的變壓器油溫診斷

明曉航，錢晨語，宋天威，潘岑誠，李仁其，戴勁峰，張明清

(1.國網江蘇省電力有限公司南通供電分公司，江蘇 南通 226000;2.河海大學能源與電氣學院，江蘇 南京 211100)

0 引言

2019-08-26T19：16，正值電網夏季迎峰度夏期間，海安變電站的運維人員對所轄的220 kV海安變電站進行特巡，當運維人員經過1號主變時，感覺到有熱氣流涌到身上，運維人員對主變的油溫和冷卻系統進行了檢查。發現此時變壓器油溫指示已經達到62 ℃，但是主變風扇卻沒有啟動，而正常情況下主變風扇在變壓器油溫達到55 ℃時就要啟動，并在油溫降至45 ℃才自動停止。于是迅速將風冷系統的方式開關切至手動位置，手動強制打開風扇，避免了變壓器因為溫度過高造成絕緣損壞。

對于變壓器頂層油溫相關模型，國內外學者已經開展了很多卓有成效的研究，IEEE C57.91—1995標準提出了變壓器油溫溫升指數模型，但該模型未充分反映環境溫度變化所造成的影響。亞利桑那州立大學的Tylavsky等人提出了頂層油溫預測的半物理模型。重慶大學的陳偉根在半物理模型基礎上，考慮滯后時間變量、熱輻射和不同離散方法對模型預測結果的影響進行了研究。此外，T-S和Kalman濾波等模型被用于進行油溫預測。以上這些模型較為抽象，很難達到較為理想的預測效果。

上述方法只適合于頂層油溫的超短期預測，可以準確地預測5 min到1 h的油溫值。然而電網調度和運維人員對未來一天內變壓器油溫所能達到的最高值更為關注，主要原因如下。

(1) 提前安排好變壓器和冷卻裝置的巡檢和維護工作。

(2) 提前做好運行方式的調整，避免高負荷引起的變壓器內部熱損傷。

(3) 通過頂層油溫的實測值和預測值得對比，分析變壓器內部可能存在的缺陷或隱患。

考慮了環境溫度、濕度和負荷與歷史油溫的因素，通過對歷史數據的神經網絡算法，來預測未來一天的主變油溫，將實時監測數據跟預測數據比對，反饋診斷結果，并達到了理想的效果。

1 相關性分析

選取南通市海安變1號主變數據2019-07-01～2019-09-18的1912組數據進行多變量影響因素相關性分析。1號主變油溫和1號主變220 kV側負荷電流數據從后臺機SCADA系統獲得。海安地區當地的環境溫度和濕度為利用API接口從氣象局數據網站抓取。利用matlab科學計算工具里scatter函數畫出散點圖，如圖1～3所示。

圖1 主變油溫和主變220 kV側負荷電流

圖2 1號主變油溫和環境溫度

圖3 主變油溫和相對濕度

計算Pearson相關系數：

式(1)中協方差計算公式：

式(1)中標準差的公式：

x為x1～xn的均值。

計算結果如表1所示。

表1 相關系數

變量的相關系數絕對值|r|≥0.8時，可認為兩變量間高度相關，所以主變油溫和環境溫度高度相關;0.5≤|r|＜0.8，可認為兩變量中度相關，所以主變油溫和主變220 kV側負荷電流中度相關;0.3≤|r|＜0.5，可認為兩變量低度相關，所以主變油溫和相對濕度低度相關。因此環境溫度、負荷電流和相對濕度這三個變量可作為相關數據變量。

2 變壓器油溫異常診斷模型

神經網絡算法是機器學習中非常重要的算法，具有較強的自適應、自學習、非線性映射能力以及魯棒性能，比較適合應用于信號處理、控制、模式識別和故障的診斷等領域。變壓器油溫異常診斷模型基于神經網絡算法實現。

2.1 神經網絡預測的方案和設計

神經網絡預測選擇將負荷電流P1、環境溫度P2和相對濕度P3作為神經網絡的輸入，油溫Y1作為神經網絡的輸出，隱含層節點數設置為3，對歷史數據歸一化后輸入網絡，設定網絡隱層和輸出層激勵函數分別為tansig和logsig函數，網絡訓練函數為traingdx，設定網絡參數，包括迭代次數，學習速率和期望誤差。

設定完參數后，開始訓練網絡，網絡達到期望誤差即完成訓練。將實時的負荷電流、環境溫度和相對濕度輸入網絡便可得到預測值，并與實測的油溫進行對比，如果誤差較大，說明可能有潛在的缺陷，需要馬上核實處理。

變壓器油溫預測網絡如圖4所示。

圖4 變壓器油溫預測網絡

iw[i，j]表示神經元的連接權值，i=1，2，3，j=1，2，3。lw[n，i]表示的是輸入層第i個神經元到輸出層第n個神經元的連接權值，i=1，2，3，n=1，2，3。b1，b2分別表示輸入層的閾值向量和輸出層閾值向量。a1表示輸入層的輸出向量。

2.2 變壓器油溫異常診斷模型的實現

對模型所需參數進行初始化，然后利用SCADA后臺監測的1號主變歷史數據進行歸一化處理，對建立的神經網絡模型進行訓練。

P表示的是負荷電流、環境溫度和相對濕度。T是主變油溫，tr代表的是訓練的步數和誤差。等號右邊的net表示的是訓練前的神經網絡，訓練后，就生成了等號左邊的net訓練以后的網絡。

在訓練完成后，利用現有監測的負荷電流P1、環境溫度P2和相對濕度P3預測得出結果Y。

其中net表示經過訓練滿足要求的網絡。

預測的結果跟實際結果如果差距很大，主變油溫即為異常。

3 模型驗證和數據分析

選取2019-07-16海安變1號主變油溫無異常狀態數據和2019-08-26 1號主變風機未啟動油溫異常兩組數據驗證模型。

7月16日預測值、實際值和誤差數據如見表2，最大誤差為1.8 ℃，最小誤差為0 ℃，在允許的范圍之內，可以驗證此模型對油溫的預測是適用的。

8月26日預測值、實際值和誤差數據如表3所示，最高溫度達到62 ℃，最小誤差為0 ℃，最大誤差為11.61 ℃。溫度在53 ℃以上時誤差都大于5 ℃。

表2 2019-07-16數據表 ℃

表3 2019-08-16數據表 ℃

特殊巡視時查看主變的風扇并未動作，19：20，值班員將風扇方式打到手動位置，20：00后誤差逐漸減小。

如果發現不及時，油溫持續較高，將會造成絕緣損壞，直接影響變壓器的使用壽命和負載能力。利用此模型預測油溫和實際油溫進行比較，可以及時發現隱藏的缺陷。

4 總結

對于220 kV常規變電站，目前主變沒有裝備油色譜監測裝置，不能很好的反應異常。基于機器學習的油溫異常診斷模型，結合SCADA的歷史數據，以及環境影響因素，預測設備的狀態信息，對設備的現實狀況進行評價，以便提前挖掘出設備隱藏的不良狀態，以及預測設備今后的運行狀態，將隱藏故障提前預警。