濕熱環境干式變壓器運行狀態智能監測方法初探

廣州供電局電力試驗研究院 范偉男 莫文雄 王勇

1 前言

變壓器主要由鐵心、一次繞阻和二次繞阻、分接變換裝置、冷卻系統及絕緣系統等組成。環氧澆注干式變壓器由于其免維護、高可靠性、 無污染、難燃防火和抗短路能力強等特點，在電網系統獲得廣泛應用。

廣州電網公司配網系統大量采用干式變壓器，但由于廣東省瀕臨南海，高壓設備不可避免地會受到溫度、濕度、鹽霧等各種環境因素的作用，影響其長期穩定運行。如高溫高濕環境會導致電氣設備金屬材料的腐蝕和絕緣材料的老化，空氣濕度大導致絕緣性能下降，干式變壓器內部運行積累的灰塵也容易吸收水分，使絕緣電阻降低，最終導致絕緣性能差，電壓擊穿，發生短路故障。

濕熱沿海地區長期處于高溫高濕環境，干式變壓器室內部通風不好，高溫高濕下有利于霉菌的生長。霉菌自身含有的水分和代謝過程中分泌出的酸性物質與絕緣材料相互作用，使設備絕緣性能下降。鹽霧對電氣設備的影響與空氣濕度有密切關系，在濕潤的空氣中，鹽霧電離出大量氯離子，氯離子穿透金屬表面的防護膜與內部金屬發生化學反應，另外氯離子具有一定的水合能，容易吸附在設備表面的孔隙和縫隙，導致金屬材料的零部件腐蝕，長期處于近海的高濕度高鹽霧環境中，電氣設備內部的線圈和觸頭腐蝕后，會導致電接觸不良，使電氣設備發生短路或絕緣性能下降，給整個干式變壓器的安全運行帶來不利影響[1]。

廣州電網公司屬于典型的濕熱沿海環境，目前國內外關于濕熱沿海環境條件下干式變壓器狀態檢測的研究較少，因此筆者對濕熱沿海地區的干式變壓器智能狀態監測技術進行分析，探討了濕熱沿海環境條件對干式變壓器狀態智能監測的方法。

2 干式變壓器的主要故障

干式變壓器主要故障包括如下幾點：

局部放電。空氣潮濕、表面積塵、漏水引起的表面爬電；樹脂絕緣和繞包絕緣的包封繞組，在制造過程中絕緣內部存在氣隙或氣泡，形成絕緣內部放電；變壓器內部尖角和毛刺在高電場強度作用下，引起的電暈放電。變壓器金屬接地部件之間、導電體之間電氣連接不良、松動，異物引起的懸浮放電。

溫度變化。干式變壓器環境溫度不應超過40度，繞組不能過熱（發熱異常、散熱異常、異常運行過熱）。

濕度。周圍空氣的相對濕度應低于93%，線圈表面不應出現水滴。

鐵心多點接地。鐵心絕緣鐵軛、穿心絕緣筒等絕緣材料，由于凝露受潮降低絕緣性能導致低阻性多點接地；鐵心漏磁吸引金屬粉塵導致鐵心多點接地；高溫導致硅鋼片絕緣老化、局部過熱嚴重，硅鋼片質量、加工不合理，片間絕緣破壞造成多點接地。

絕緣電阻下降。大多由繞組表面凝聚水汽、積聚灰塵、絕緣材料受潮引起。

其它。跳閘，異常噪聲等。

在以往的工作中，只能通過日常巡檢和定期的停運對干式變壓器進行檢查與維護，觀察干式變壓器內部各個緊固件有無松動發熱，繞組絕緣表面有無龜裂、爬電和碳化痕跡，聲音是否正常，對于變壓器內部絕緣情況，在運行期間無法得知，只能在停運時期進行預防性試驗。

電力設備的絕緣部分是薄弱環節，最容易被損壞或劣化。絕緣故障具有隨機性、階段性、隱蔽性。絕緣缺陷大多數發生在設備內部，從外表上不易觀察到。微弱的絕緣缺陷，特別是早期性絕緣故障，對運行狀態幾乎沒有影響，甚至絕緣預防性試驗根本測試不到。這就決定了定期的預防性試驗無法及時準確地發現絕緣隱患。

變壓器帶電檢測技術主要有特高頻局放檢測法、超聲波局放檢測法、紅外測溫檢測法、射頻檢測法等檢測方法，這些檢測方法各有其優缺點，在現場得到了不同程度的應用。

3 系統簡介

濕熱環境干式變壓器運行狀態智能監測系統綜合采用特高頻、紅外及可見光、熱點溫度、負荷電流、環境溫濕度監測技術對干變運行狀態及環境狀態進行監測，解決干變運行過程中局部放電及溫升故障，系統分為各傳感器模塊，匯集節點，云服務器平臺組成，通過各傳感器對變壓器故障的各參量進行監測，并傳輸至匯集節點，匯集節點通過4G通訊方式將數據傳輸至后臺云服務器展示，并對數據進行分析和處理，綜合判斷變壓器是否出現異常情況運行。系統框架圖如圖1所示。

圖1 系統框架圖

3.1 特高頻局放監測

特高頻局放監測主要針對干式變壓器內部局部放電缺陷的監測。采用全相式特高頻傳感器，帶寬為300～1500MHz，傳感器等效高度≥8mm，安裝于干式變壓器外部進行監測，采用傳感器方向性及三頻檢分別檢排除外界干擾信號，并通過云服務器的大數據分析對異常信號進行類型識別。

3.2 紅外溫度監測

紅外溫度監測主要針對干式變壓器的溫升變化進行監測，系統采用紅外傳感器像素為384×288，監測并顯示干式變壓器運行過程中平均溫度、最大溫度，能夠設置報警溫度閾值。

3.3 熱點溫度監測

變壓器繞組絕緣的安全可靠性決定了干式變壓器的安全運行和使用壽命，因此對變壓器繞組溫度的監測極其重要。系統利用預埋在干式變壓器三相繞組線包中的三只Pt100鉑熱電阻來檢測干式變壓器線包的溫升，通過RS485接口上傳至匯集節點。并實際應用過程中通過設定相應的溫度報警值，來提示運行人員變壓器運行情況。

3.4 負荷電流監測

為了不影響變壓器保護繼電器的電流保護功能，電流信號取自變壓器進線柜的二次電流測量回路。同時為了保護電流互感器的安全運行，對于電流互感器為了不增加二次負擔，采用穿芯的形式進行安裝。

3.5 環境監測

環境監測主要測量干變室內環境的溫度、濕度。通過在重要部位安裝帶液晶顯示的溫濕度傳感器對干變室環境溫濕度實現監測，既可在溫濕度傳感器表面實時看到當前的溫度和濕度數值，亦可通過RS485接口和通訊協議采用總線的方式將信號接入匯集節點，進行溫濕度的實時監測。

3.6 匯集節點

接收匯總各監測單元的采集數據、采集參數、通信參數、工作狀態等。提供測點配置功能，建立測點信息并關聯對應的傳感器，建立干式變壓器監測模型。處理匯集的傳感器采集數據，初步判斷數據是否異常，并將每個傳感器的采集數據關聯到測點配置信息上，形成干式變壓器監測模型的數據。通過4G將經過處理后的數據、異常告警信息、各傳感器采集參數及工作狀態上傳至云服務器。

3.7 云服務器

云服務器為整個系統最重要的部分，通過后臺監測、深度學習大數據診斷、主動預警策略等功能及算法的開發和應用，對各監測數據進行處理，診斷分析、展示，并提供預警信號、為運行人員提供各種運行數據和可靠、準確的故障信息。

4 深度學習類型識別

云服務器中通過大量特高頻局放檢測數據樣本，利用深度神經網絡算法的監督學習機制，對深度深度神經網絡進行訓練并應用，能夠有效的提高干式變壓器局放檢測數據的智能化診斷水平。云服務器中結合電力設備局放缺陷診斷的實踐應用，構建設備局放缺陷的深度神經網絡診斷模型，將網絡層數設為不低于22層、神經元個數不低于5000萬個，且具備可擴展性。深度學習的類型識別智能技術基于大量局放異常數據樣本，利用自學習技術的算法演進機制，訓練深度神經網絡，優化模型參數，不斷修正干式變壓器異常狀態診斷模型，提高電力設備異常狀態智能診斷的準確性。

圖2 深度神經網絡算法診斷流程圖

5 主動預警策略

目前狀態監測工作存在高壓設備內部感知技術不完善、監視手段不全，部分在線監測數據準確性差、實效性不強，難以準確反映設備實際狀況；缺乏有效準確的預警模型，實時數據價值未得到充分利用，診斷滯后，忙于事后的故障分析；站內積累的主輔設備監測數據缺乏有效的管理和分析手段，無法對設備狀態進行自動分析評估，異常發生時需人工綜合各類信息進行篩選、評價，工作量大、效率低、準確性不可控等問題。本系統后臺云服務器中，利用下列預警技術，解決原有監測系統的不足之處。

5.1 閾值預警

根據電網的相關標準規定設置風險預警閾值，將當前監測數據與預警閾值進行比較，如果監測數據不在相應的預警閾值范圍內，則認為監測對象符合預警條件，生成預警事件。

5.2 關聯預警

關聯預警主要是通過在海量運行和應用數據中查找存在于項目集合或對象集合之間的關聯、相關性或因果結構。關聯充分利用大數據關聯分析手段，對監測系統及被監測設備的各類指標進行關聯分析，挖掘相關模式，從而實現預警。如：局放缺陷與負荷電流及環境溫濕度之間的關系，發熱缺陷與運行電流及局放監測數據之間的關系。

5.3 趨勢預警

趨勢預警通過對各狀態監測傳感器監測數據的趨勢分析來判斷是否會達到預警觸發條件。趨勢預警需要與閾值預警相結合，當狀態監測數據小于閾值觸發值時以閾值預警為主，當狀態監測數據大于閾值觸發值時以趨勢預警為主，通過判斷狀態監測數據變化率實現趨勢預警。

5.4 橫向預警

橫向預警表示與同類干式變壓器監測數據相比較形成的預警，如果集群中某干式變壓器的監測數據遠遠大于其他設備，則認為需要對其進行風險預警。

5.5 狀態預警

實現狀態預警主要判斷各監測單元、數據采集主機及后臺系統的通訊是否正常。系統狀態可分為正常狀態、失聯狀態和不穩定三種狀態。正常狀態表示系統能夠按照設定的頻次正常接收各傳感器傳輸的數據，失聯狀態表示系統連續兩次接收不到各傳感器接收的數據，不穩定狀態表示系統經常接收不到各傳感器傳輸的數據，但是達不到失聯標準。