油中溶解氣體分析的變壓器故障診斷方法探討

唐建偉，武建衛(wèi)，林生紅，王金川

(1.南京機電職業(yè)技術(shù)學(xué)院，江蘇 南京 211300；2.北京城建設(shè)計發(fā)展集團股份有限公司，北京 100032)

0 引言

電力變壓器是電力系統(tǒng)主要設(shè)備之一，承擔(dān)變換電壓、傳輸電能的重要作用，因此電力變壓器的運行狀態(tài)及絕緣老化程度是電網(wǎng)企業(yè)運維人員最為關(guān)切的問題之一。利用各種技術(shù)手段對變壓器的故障類型做出判斷，根據(jù)不同特征量評估變壓器故障嚴重程度是實現(xiàn)變壓器全壽命周期管理的基礎(chǔ)和前提。油浸式變壓器內(nèi)部的絕緣介質(zhì)主要是油紙復(fù)合絕緣，其中絕緣油的主要作用是絕緣、散熱和滅弧。早在1973年Halstead就提出油中溶解氣體成分以及含量與變壓器故障類型有著密切關(guān)系，并由此發(fā)展起來基于油中溶解氣體分析的變壓器故障診斷方法。基于油中溶解氣體的分析方法經(jīng)過近半個世紀的發(fā)展，越加得到了業(yè)內(nèi)重視[1-2]。

本文立足于基于DGA的變壓器故障診斷方法概述，綜述了國內(nèi)外變壓器故障診斷的研究成果，歸納分析了各類方法的特點，為我國變壓器狀態(tài)監(jiān)測技術(shù)的發(fā)展提供借鑒與參考。

1 變壓器常見故障類型

工程運行經(jīng)驗表明放電故障、過熱故障、絕緣油故障以及受潮故障是掛網(wǎng)運行變壓器的常見故障[3-4]。

1.1 放電故障

變壓器內(nèi)部油紙復(fù)合絕緣性能的好壞直接關(guān)系到變壓器運行的穩(wěn)定性，當變壓器發(fā)生局部放電之后會對絕緣介質(zhì)產(chǎn)生破壞。一般而言，放電程度越嚴重對絕緣的破壞性也就越大，最終影響變壓器壽命[3]。放電對絕緣的破壞主要有以下幾點：第一，局部放電產(chǎn)生的粒子會對絕緣材料產(chǎn)生沖擊導(dǎo)致絕緣材料的結(jié)構(gòu)被破壞，同時局部放電過程中會產(chǎn)生大量高能粒子，這些粒子之間相互碰撞使絕緣材料溫度升高，最終也會降低絕緣材料的性能。第二，局部放電產(chǎn)生的氣體經(jīng)過復(fù)雜的化學(xué)反應(yīng)之后會生成腐蝕性物質(zhì)，絕緣材料長期處于腐蝕性環(huán)境中會導(dǎo)致材料進一步裂解。第三，局部放電會促使絕緣油加速分解產(chǎn)生油泥，這些油泥會附著于絕緣材料表面影響絕緣材料的散熱性能，進而導(dǎo)致絕緣材料發(fā)熱與散熱不平衡，形成惡性循環(huán)，最終產(chǎn)生熱老化。

放電故障的嚴重后果是導(dǎo)致絕緣材料發(fā)生貫穿性擊穿，最終影響變壓器使用年限，降低電力系統(tǒng)穩(wěn)定性。因此，針對變壓器局部放電的檢測一直是電氣設(shè)備狀態(tài)檢修的關(guān)鍵內(nèi)容之一[2]。

1.2 過熱故障

該類故障是電氣設(shè)備多發(fā)性故障，常常會帶來嚴重的危害，尤其是對變壓器來說過熱故障檢修起來比較困難，因此該類故障是變壓器維護過程中需重點關(guān)注的故障之一。研究和實踐表明變壓器內(nèi)部出現(xiàn)故障點之后變壓器運行溫度會升高，正常運行情況下絕緣油的運行溫度在75～85 ℃，由于過載、故障等原因，實際運行中變壓器的溫度很有可能超出上述范圍，導(dǎo)致有機纖維材料發(fā)生裂解。研究表明C—O鍵的熱穩(wěn)定性比C—H鍵要低，當運行油溫超過105 ℃時纖維素聚合物將會產(chǎn)生裂解，運行溫度高于300 ℃時纖維素完全裂解并碳化。變壓器過熱性故障的維修過程比較復(fù)雜需要停電檢修并吊罩檢查，因此將會帶來巨大的經(jīng)濟損失[3]。

1.3 絕緣油故障

目前，工程實際中使用的變壓器油主要有礦物油、植物油、硅油等，其中礦物油是石油蒸餾的主要產(chǎn)物，其介電性能較好，價格便宜，因此在變壓器油中礦物油占比最高[5]。礦物絕緣油的主要成分是環(huán)烷烴、烷烴以及芳香烴等物質(zhì)。變壓器運行工況惡劣，尤其是戶外變壓器長期處于日曬雨淋的環(huán)境中，當絕緣油中混入氣體、水分以及雜質(zhì)時會對絕緣油的絕緣性能產(chǎn)生不利影響，因此絕緣油故障也是變壓器常見故障之一[6]。實際運行中，工作人員也會對變壓器油進行清潔甚至換油但這無法徹底清除變壓器內(nèi)部的雜質(zhì)且上述工作周期較長。

1.4 受潮故障

由于絕大部分變壓器在運行過程中長期暴露在戶外，因此會有水分進入變壓器內(nèi)部，水分與金屬鐵發(fā)生化學(xué)反應(yīng)產(chǎn)生氫氣，同時設(shè)備絕緣受潮后在局部放電的作用下也會產(chǎn)生氫氣[4]。最終影響絕緣壽命，同時水分在變壓器內(nèi)部多存在于絕緣紙中，因此對絕緣紙的性能影響顯著。

2 傳統(tǒng)的變壓器故障診斷方法

目前，傳統(tǒng)的變壓器故障診斷的方法主要分為：特征氣體判別法、特征氣體成分的比值法即三比值法[3-4]。

2.1 特征氣體法

變壓器故障時內(nèi)部會產(chǎn)生復(fù)雜化學(xué)反應(yīng)生成烴類等氣體物質(zhì)，因此可以根據(jù)油中氣體的類型和含量對故障進行診斷。根據(jù)《變壓器油中溶解氣體分析和判斷導(dǎo)則》(以下簡稱《導(dǎo)則》)，不同類型故障與特征氣體的關(guān)系，如表1所示。

表1 特征氣體和對應(yīng)的故障類型

2.2 三比值法

三比值法是在實踐基礎(chǔ)上結(jié)合熱、動力學(xué)得出的。主要使用C2H2/C2H4，CH4/H2，C2H4/C2H6三組比值形成編碼來診斷故障類型。雖然目前三比值法是判斷變壓器故障的主要方法，但實際使用中依舊存在編碼不全面、誤判、故障分類結(jié)果模糊等不足[7]。產(chǎn)生上述不足的原因：第一，變壓器內(nèi)部是一個復(fù)雜的系統(tǒng)，氣體在變壓器油中的溶解與析出是一個動態(tài)過程。第二，變壓器種類多樣內(nèi)部絕緣結(jié)構(gòu)不同，《導(dǎo)則》中的判斷標準并不適合所有變壓器。第三，油色譜分析過程操作復(fù)雜運送距離遠等都會對最終檢測結(jié)果產(chǎn)生影響。

3 基于人工智能的變壓器故障診斷方法

隨著人工智能不斷發(fā)展，越來越多的算法被用在變壓器故障診斷中。例如，專家系統(tǒng)，神經(jīng)網(wǎng)絡(luò)，支持向量機，以及模糊證據(jù)理論等，這使得變壓器故障診斷模型的結(jié)果更具準確性。近年來，不同算法之間的交叉結(jié)合、新型優(yōu)化算法的投用也顯著提高了智能診斷方法的準確率[8-9]。

3.1 基于專家系統(tǒng)的變壓器故障診斷

專家系統(tǒng)(Expert System，ES)是將電氣工程領(lǐng)域內(nèi)專家的經(jīng)驗作為知識庫的知識元，最終建立為一個故障數(shù)據(jù)庫，把需要判斷的特征輸入數(shù)據(jù)庫之后，專家系統(tǒng)會模擬專家在故障診斷時的思維模式，根據(jù)數(shù)據(jù)庫的識別規(guī)則進行故障診斷[8]。專家系統(tǒng)的故障診斷的必備條件是建立完備的專家知識庫，工程實際中變壓器故障數(shù)據(jù)量較小且設(shè)備繁多，種類多樣，因此在一定程度上限制了專家系統(tǒng)的應(yīng)用。

3.2 基于人工神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks，ANN)是較早被引入變壓器故障診斷領(lǐng)域的人工智能算法。該算法的基本原理是通過對輸入值與輸出值之間的差來調(diào)節(jié)算法的閾值和權(quán)值，使算法向縮小差值的方向進行，最終實現(xiàn)問題的求解。典型的BP神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)，如圖1所示。

圖1 典型BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

在變壓器油色譜分析數(shù)據(jù)、當?shù)貧庀髷?shù)據(jù)以及能源管理系統(tǒng)的相關(guān)數(shù)據(jù)基礎(chǔ)上利用神經(jīng)網(wǎng)絡(luò)算法成功預(yù)測了故障狀態(tài)和非故障狀態(tài)下的特征氣體組分含量[10]。提出采用BP神經(jīng)網(wǎng)絡(luò)對油中溶解氣體數(shù)據(jù)進行分析，最終完成對變壓器故障的診斷與分類，并取得了一定的成果[11]。

3.3 基于支持向量機的變壓器故障診斷

支持向量機(Support Vector Machine，SVM)是利用統(tǒng)計學(xué)方法在數(shù)據(jù)信息挖掘的基礎(chǔ)上發(fā)展起來的。該種方法在模式識別領(lǐng)域和時間序列分析等問題上具有獨特優(yōu)勢[12]。支持向量機對原始數(shù)據(jù)樣本的規(guī)模要求不高，即使在樣本有限的情況下依舊能夠達到很高的識別準確率。用粒子群算法對SVM的核函數(shù)參數(shù)的尋優(yōu)過程進行優(yōu)化并取得了很好的效果，但該算法運算時間較長[12]。建立多核SVM分類器，在此基礎(chǔ)上進行多個目標函數(shù)的尋優(yōu)最后獲得多個超平面最優(yōu)參數(shù)，提高了計算的效率，但該種方法忽略了實際問題中各類故障之間存在的邊界效應(yīng)[13]。建立了有向無環(huán)圖SVM模型，并將其應(yīng)用在變壓器故障診斷當中，取得了很好的效果[14]。

3.4 基于模糊理論的變壓器故障診斷

模糊理論(Fuzzy Theory)在基于DGA的變壓器故障診斷中得到廣泛應(yīng)用，建立基于徑向基神經(jīng)網(wǎng)絡(luò)與模糊聚類的變壓器故障診斷方法，并取得了很好的效果[15]。將最大信息系數(shù)以及受試者特征作為變壓器故障診斷的特征量建立變壓器模糊診斷系統(tǒng)，最終實現(xiàn)變壓器故障診斷[16]。

人工智能是一個非常活躍的研究領(lǐng)域，新的人工智能算法層出不窮且性能不斷提高，后續(xù)應(yīng)結(jié)合不同算法的特點將算法與實際模型深度融合，進一步提高算法的實用性和診斷的準確性。

4 基于光譜技術(shù)的變壓器故障診斷方法

隨著檢測技術(shù)和計算機技術(shù)的迅猛發(fā)展，多種新型的檢測技術(shù)已經(jīng)運用在變壓器故障診斷和狀態(tài)評估領(lǐng)域，相關(guān)學(xué)者也在這些方面做了很多嘗試力求為變壓器在線診斷提供了新的手段和技術(shù)支持，其中主要包括光譜聲譜技術(shù)[17]、紅外光譜[18]、激光拉曼光譜[19]以及太赫茲時域光譜等[20]。上述方法均是基于不同分子或者基團在不同頻率段內(nèi)的吸收特性不同，因此可以通過光譜分析對變壓器內(nèi)部不同組分含量氣體進行定性或定量分析，需要指出的是基于光譜檢測的方法還不成熟有待進一步挖掘不同成分或者基團在不同頻率段的特征吸收譜。

5 結(jié)語

本文概述了基于DGA的變壓器故障診斷方法的發(fā)展，從傳統(tǒng)的DGA分析到結(jié)合目前較為熱點的人工智能算法、光譜技術(shù)論述了變壓器故障診斷的研究，探討了現(xiàn)有方法的特點，并在此基礎(chǔ)上指出了上述方法存在的一些問題以及未來的研究方向，這對推動電力物聯(lián)網(wǎng)建設(shè)具有重要的實際價值。