變壓器遠程可視化診斷系統的設計與實現

龔東武 郭宏燕

（許繼集團有限公司，河南 許昌 461000）

電力變壓器作為電力系統中最為核心的設備，其運行狀況的正常與否將直接決定系統的安全性及可靠性。隨著電力系統向著智能化方向快速發展，對一次設備的運行維護提出了更高的要求；尤其隨著無人值守變電站的增加，要求設備維護人員能對設備進行遠程的診斷和維護[1-3]。探索變壓器遠程可視化診斷的工程實施方法對提高一次設備運維水平具有重要意義。隨著在線監測技術在智能化變電站內的廣泛應用，特別是各種在線監測裝置的安裝為變壓器的遠程可視化診斷提供了數據基礎。本文基于DGA 數據和Spring 框架探討變壓器遠程可視化診斷系統的設計和實現。

1 變壓器遠程可視化診斷系設計方案

1.1 系統構架設計

圖1 診斷系統物理結構圖

基于變電站一次設備運行和檢修模式，診斷系統可設計成圖1結構。系統主要由3 大部分組成： 油中溶解氣體分析（DGA）裝置、在線監測站端單元和一次設備管理應用終端。DGA 裝置是變壓器專用在線監測裝置，完成變壓器油中氣體含量的分析和采集，然后通過IEC 61850 標準將數據送至在線監測站端單元[4-5]；在線監測站端單元進行監測數據管理、變壓器診斷及診斷結果發布；一次設備管理應用終端遠程發送診斷請求，在線監測站端單元執行診斷命令，將診斷結果以圖形方式反饋給應用終端。監測數據在電力信息系統中定義為Ⅱ區數據，供電公司內網為信息安全Ⅲ區?？紤]到數據安全性，系統設計中采用防火墻進行安全防護。

1.2 軟件架構設計

系統設計成基于J2EE 平臺的B/S 多層Web 體系結構，系統如圖2所示，分為數據庫層、數據訪問層和業務應用層共3 層。數據庫層選用MySQL 5.0數據庫存儲變壓器DGA 數據及其他相關數據；數據訪問層采用Spring 整合Hibernate 的方案。為在不犧牲Hibernate 強大功能的前提下盡量降低Hibernate的使用難度，本系統采用了基于Spring 提供的模板類來使用Hibernate；業務應用層采用Spring WEB MVC 框架。

圖2 軟件結構框架圖

1.3 Spring 框架

Spring 是分層的Java SE/EE 應用一站式的輕量級開源框架，以IoC 和AOP 為內核，提供了展現層Spring MVC 和持久層Spring JDBC 以及業務層事務管理等眾多的企業級應用技術[6]。

Spring MVC 能很好地實現控制邏輯、業務邏輯、數據邏輯和顯示的分離，減少代碼的重復性，提高系統的可維護性[7-8]。特別是變電設備的診斷算法復雜多樣，將診斷邏輯分離出來對提高開發效率和系統的可維護性尤其重要。

遠程診斷業務在框架中的數據和信息傳遞方式如圖3所示。操作員通過瀏覽器發出診斷請求，DispatchServlet 組件截獲請求，通過HandlerMaping組件獲取請求對應的Handler（處理器），處理器通過持久化層獲得數據并進行診斷計算，然后將Model 填充到視圖中，將 ModelAndView 送至DispatchServlet 組件，DispatchServlet 組件利用ViewResolver 進行視圖渲染，在將視圖返回給瀏覽器，形成可視化診斷閉環。

圖3 MVC 操作流程圖

2 診斷方法及建模

2.1 大衛三角形算法

變壓器診斷應用較多的是油中溶解氣體分析法，如羅杰斯比值法，IEC 推薦的三比值法和大衛三角形法[9]。為了提高診斷的準確度國內外又引入了專家系統、人工神經網絡[10-11]、模糊數學、進化遺傳算法[12]及各種混合診斷系統[13-14]等方法。大衛三角形法和三比值法相比不存在編碼盲區，便于進行診斷可視化。

變壓器的電或熱故障導致絕緣油裂解產生氫氣（H2）、甲烷（CH4）、乙烷（C2H6）、乙烷（C2H4）、乙炔（C2H2）等故障氣體。1974年杜威（Duval）提出了以CH4、C2H4、C2H2三組分的相對含量為基礎的三角圖法。本文使用該算法作為故障診斷算法。大衛三角形描述如下。

1）氣體含量計算：

2）故障區域描述見表1。

表1 大衛三角形區域極限表

大衛三角形是一個等邊三角形，每邊代表一種氣體在三種氣體總和中的百分含量，依據表1將三角形劃分為多個區域，不同的區域代表不同的變壓器故障。具體見圖4。

圖4 大衛三角形建模分析圖

2.2 可視化建模

大衛三角形算法的圖形由規則的幾何圖形構成，模型構造中可以用形體表面的邊界表示法（B-rep）和計算實體幾何法（CSG）。具體過程如下：

1）建立一個用來繪制大衛三角形的背景圖形區域。該區域為一個長度為l 的正方形。

2）大衛三角形場景幾何描述見圖4。指定上述圖形繪制區域的左上點坐標為（0，0），大衛三角形建立在繪圖區域正中間，即三角形最上面的點與繪圖區域的距離和三角形底邊與繪圖區域的底邊距離相等都為d。在此基礎計算邊界表示法所需參數。由于大衛三角形是平面圖，只需要計算出各頂點表，然后確定各故障區域的邊表即可描述整個大衛三角形。各區域處理方法相同，以D1 區（低能放電區）為例進行計算，D1 區頂點表計算見表2，邊表見表3。

3）根據頂點表和邊表繪制區域輪廓，并進行顏色渲染。

4）進行刻度繪制和標識繪制。

5）故障點映射。DGA 裝置每做一次油氣分析產生一組油中溶解氣體濃度值，挑選CH4、C2H4和C2H2濃度值，根據式（1）至式（3）計算得到CH4%、C2H4%和C2H2%，形成一組坐標，根據坐標將故障點映射到大衛三角形場景中。由圖4可知，大衛三角形中任意一點p通過變換有px=x′，py=y′，pz=z′，即在大衛三角形中選擇CH4%、C2H4%和C2H2%中任意兩個參數可以確定點的位置。本文選擇C2H4%和C2H2%進行故障點定位。

表2 大衛三角形頂點表

表3 D1 區域邊表

3 軟件實現及驗證

3.1 軟件實現

系統的業務模型部分用Java 語言進行開發，整體框架選用 Spring 3.2.3，數據庫操作部分選用Hibernate 3.0，動態頁面設計選用JSP2.3。系統實現的主體部分如下：

1）定義配置文件

配置Web 部署文件（web.xml），利用Spring MVC 的DispatcherServlet 來進行請求分派。將*.htm類型請求映射到Controller 上。所有*.htm 請求由DispatcherServlet 進行分發處理。在 dispatcher- servlet.xml 文件中配置InternalResourceViewResolver進行視圖解析。

2）視圖設計

視圖部分由 davidFrame.jsp、davidList.jsp 和davidShape.jsp 等幾個.jsp 文件組成。在jsp 頁面上定義toDavidList. htm 和davidImage.htm 等URL 請求。davidList.htm 用于請求DGA 原始數據模型；davidImage.htm 用于請求診斷后的數據模型。

3）控制設計

設計一個POJO 類DialogController，通過Spring提供的注解標注@Controller 將該類變成 Spring MVC 的控制器。該類負責診斷邏輯之間的映射。在類中設計返回ModelAndView 類的方法davidImage()，利用@RequestMapping 注解davidImage.htm 請求和該方法之間映射關系。

4）診斷數據模型設計

診斷模型由以下類構成：

（1）DavidTriangle——大衛三角形診斷算法類。該類完成圖4圖形模型的實現。主要功能為繪制大衛三角形和故障區域邊界；給不同的故障區域填充不同顏色，并標上區域編碼D1、T1 和T2 等；繪制三邊的刻度，標上刻度值和坐標標識；繪制區域示例圖；提供故障點繪制接口。將最終的數據以ImageIO 流輸出至視圖。

（2）GasDao 和Gas——數據庫操作相關類。Gas 類注解為domain 對象，用來映射數據庫中的gas表；GasDao 訪問Gas 的Dao。兩者都采用注解配置的方式定義成Spring 的Bean。

（3）DailogService——業務接口類。通過@Service注解標注為服務層的Bean，提供與數據庫操作相關的業務接口。

軟件主要流程如圖5所示，用戶通過登錄認證后進入davidFrame 頁面，通過頁面發出toDavidList請求，控制器DialogController 調用數據請求邏輯獲取原始DGA 數據，將數據返回至davidFrame 頁面；從頁面發出變壓器診斷請求davidDo，DialogController 調用診斷業務邏輯處理類DavidTriangle 獲取診斷后的數據模型，然后將數據填充至視圖中，返回最終的診斷可視化視圖在瀏覽器中展示。

圖5 診斷流程示意圖

3.2 應用效果

在系統開發期間，使用變壓器實際檢修數據進行診斷效果驗證，結果見表4。系統運行表明遠程診斷結果與實際檢修結論一致較好。其中第一組數據診斷效果圖如圖6所示。

表4 驗證數據表

系統在變電站實際運行中接入兩臺DGA 裝置。系統運行半年以來，運行穩定，診斷響應時間在5s以內，滿足實際應用需求。

圖6 系統執行效果圖

4 結論

本文提出了一種變壓器遠程可視化診斷構想，并基于大衛三角形算法，對變壓器遠程可視化診斷系統的設計方案和具體實現進行了研究和探索。實際運行證明，可視化技術可以將抽象數據形象化， 有助于運行人員更直觀的發現問題，提高設備維護效率；同時基于Spring 框架實現的遠程診斷技術能有效減少運行人員的巡視次數，節省設備運行維護的人力物力。

[1] IEC Publication 599. Interpretation for the analysis of gases in transformers and other oil-filled electrical equipment in service[S]. 1978.

[2] 楊啟平,薛五德. 專家系統在變壓器故障診斷中的應用[J]. 變壓器,1996,33(6): 35-38.

[3] 吳曉輝,劉炯,梁永春,等. 支持向量機在電力變壓器故障診斷中的應用[J]. 西安交通大學學報,2007,41(6): 722-726.

[4] 王德文,邸劍,張長明. 變電站狀態監測 IED 的IEC61850 信息建模與實現[J]. 電力系統自動化,2012,36(3): 81-85．

[5] 鄔航杰,盛戈皞,崔榮花,等. 基于IEC 61850 的變壓器狀態監測IED 的信息建模及SCL 描述[J]. 華東電力,2011,39(12): 2012-2016.

[6] Gary Mark. Spring recipes: A problem-solution approach[M]. New York: Apress LP,2008.

[7] 段斌,李光輝. 基于MVC 框架的公共部門績效評價系統[J]. 計算機工程,2009,35(6): 263-268.

[8] 邊霞,趙奎,胡曉勤,等. 基于MVC 的文件備份后臺管理系統的設計與實現[J]. 計算機工程與設計,2011,32(9): 3195-3198.

[9] 黃超,周力行,陳眾. 變壓器絕緣油智能化故障診斷系統研制[J]. 變壓器2010,47(8): 66-70.

[10] Zhang Y,Liu Y. An artificial neural network approach to transformer fault diagnosis[J]. IEEE Trans on Power Delivery,1996,11(4): 1836-1841.

[11] 顧民,葛良全. 基于自組織神經網絡的變壓器故障診斷[J]. 繼電器,2007,35(23): 28-30.

[12] 謝可夫,羅安. 遺傳算法在變壓器故障診斷中的應用[J]. 電力自動化設備,2005,25(4): 55-58.

[13] 厲劼翀,周寧,呂彬. 基于神經網絡、模糊理論的變壓器油中溶解氣體診斷專家系統[J]. 電網技術,2006,30(S1).

[14] 潘超,馬成廉,鄭玲峰,等. 一種結合模糊TOPSIS法和BP 神經網絡的變壓器故障診斷方法[J]. 電力系統保護與控制,2009,37 (9): 20-24.