油浸式變壓器內(nèi)部潛在熱電故障的診斷研究與實現(xiàn)

韓媛媛

【摘 ?要】國外某港口作為其國家第一大港，承擔(dān)了70%的外貿(mào)進出口業(yè)務(wù)，配套集裝箱散貨碼頭提供了區(qū)域內(nèi)國際遠洋航線船舶靠泊裝卸的最佳選擇。因此，港區(qū)內(nèi)穩(wěn)定可靠的供電將會直接影響整體電力系統(tǒng)的安全與經(jīng)濟效益的增損。油浸式變壓器作為供電系統(tǒng)中至關(guān)重要的電力設(shè)備，及時發(fā)現(xiàn)其油箱內(nèi)部潛在熱電故障，并盡早排除，可有效提高供電系統(tǒng)的可靠性與設(shè)備的可用度。本文將基于油中溶解氣體分析（Dissovled Gas Analysis，簡稱DGA）數(shù)據(jù)，利用KNIME平臺中決策樹C4.5算法，對變壓器油箱內(nèi)潛在熱電故障進行診斷，通過在平臺中搭建故障診斷工作流，實現(xiàn)對參數(shù)便捷的設(shè)置操作，高效率得到較為準確的故障診斷結(jié)果，保證變壓器的正常運行。

【關(guān)鍵詞】油浸式變壓器;內(nèi)部潛在熱電故障;KNIME;決策樹;故障診斷

1油浸式變壓器故障表現(xiàn)形式

油浸式變壓器可以通過檢測油內(nèi)溶解氣體的成分來進行內(nèi)部潛在熱電故障的判斷。這是由于在變壓器復(fù)雜結(jié)構(gòu)內(nèi)部發(fā)生熱作用或電反應(yīng)時，某些特征氣體的產(chǎn)生速度加快、種類增多，導(dǎo)致油箱中成分發(fā)生改變進而可能引發(fā)故障，造成重大經(jīng)濟損失[1]。下表羅列出基于DGA技術(shù)的變壓器故障類型與特征氣體的對應(yīng)關(guān)系[2]：

2油浸式變壓器故障檢測方法

（1）傳統(tǒng)比值法。其原理即計算烴類氣體組分及含量與邊界閾值比較的方式進行編碼，再參照列表對應(yīng)故障類型。優(yōu)勢在于雖然與預(yù)防性電氣試驗相比，不需停電、不受電場干擾、分析速度快。但是其本身仍然存在比值編碼缺失、邊界過于絕對等缺陷，都會給故障診斷與設(shè)備檢修帶來不必要的麻煩。

（2）智能診斷法。隨著人工智能方法的發(fā)展，越來越多的智能診斷理論與油浸式變壓器故障診斷相結(jié)合。雖然如遺傳算法、粗糙集、神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)等方式建立模型、知識庫，降低了判斷的絕對性，彌補了傳統(tǒng)方法對多種復(fù)雜故障組合判斷限制的不足。但在實際采用MATLAB軟件進行建模應(yīng)用時，在可視化與效率方面有所欠缺[3]。

因此本文擬利用KNIME平臺設(shè)計一種基于決策樹C4.5算法的油浸式變壓器潛在熱電故障診斷方法，以解決如下問題：

（3）在較短時間內(nèi)，判斷出正確故障類型;

（4）操作便捷，界面可視化，能夠智能化進行參數(shù)設(shè)置。

3決策樹C4.5算法原理論述

3.1數(shù)據(jù)描述

4.2KNIME決策樹節(jié)點參數(shù)設(shè)置

決策樹學(xué)習(xí)器的參數(shù)的設(shè)置對于預(yù)測結(jié)果起到至關(guān)重要的作用，如圖2為KNIME軟件中決策樹學(xué)習(xí)器節(jié)點參數(shù)的具體設(shè)置。

（1）選擇信息增益度作為學(xué)習(xí)方法，對故障類型進行目標(biāo)列學(xué)習(xí);

（2）防止因過度擬合而影響結(jié)果的準確性及預(yù)測的高效性，設(shè)置以MDL（Minimum Description Length）方法為準則，采用Reduced-Error Pruning（REP，錯誤率降低剪枝）的后剪枝方法，擬得到一棵期望錯誤率最小的決策樹。

（3）同時選擇合適的前剪枝閾值，可以提高其準確率及樹生成的效率。

4.3故障診斷工作流的搭建

故障診斷工作流由數(shù)據(jù)庫讀寫節(jié)點、決策樹學(xué)習(xí)預(yù)測節(jié)點以及評分等節(jié)點組成。工作流工作流程如下：從數(shù)據(jù)庫讀取500條油浸式變壓器故障數(shù)據(jù)，隨機將其分為450條樣本數(shù)據(jù)和50條測試數(shù)據(jù)，對數(shù)據(jù)進行歸一化處理后，利用決策樹學(xué)習(xí)器對數(shù)據(jù)進行學(xué)習(xí)，并用建立的模型對測試數(shù)據(jù)進行故障預(yù)測，通過將預(yù)測結(jié)果與原有結(jié)果的評分比較，計算預(yù)測正確率。故障診斷工作流如圖3所示。

4.4結(jié)果分析

使用不同算法，對相同樣本數(shù)據(jù)進行學(xué)習(xí)，對相同測試數(shù)據(jù)進行故障判斷，神經(jīng)網(wǎng)絡(luò)、模糊算法、貝葉斯算法與決策樹的仿真結(jié)果如圖4-7所示。

結(jié)果顯示，基于決策樹的故障診斷方法準確率達到86%，遠高于其他智能算法的預(yù)測結(jié)果準確度，故油浸式變壓器內(nèi)部潛在熱電故障使用決策樹C4.5算法的判斷準確率可以達到滿意的效果。

同時，將設(shè)計的方法與使用MATLAB編程方法的故障診斷進行了比較，見表2。

通過測試，本文設(shè)計的優(yōu)點如下：

●可視化的界面操作。直觀可靠、控制簡單、方便操作;

●提供大數(shù)據(jù)接口。故障診斷工作流提供與HBase數(shù)據(jù)庫連接的端口，可對數(shù)據(jù)量龐大的大數(shù)據(jù)進行預(yù)測分析;

●調(diào)試方便?？蓪τ诋惓Ｐ畔⑦M行錯誤捕捉，方便用戶調(diào)試;

●快捷的參數(shù)設(shè)置。

5結(jié)論

本文依托國外某碼頭項目，詳細介紹了基于KNIME平臺決策樹算法的油浸式變壓器內(nèi)部潛在熱電故障診斷工作流的方法。通過對大量DGA樣本數(shù)據(jù)的學(xué)習(xí)，以及方便快捷的參數(shù)設(shè)置，最終得到一棵較優(yōu)質(zhì)的樹模型。預(yù)測結(jié)果顯示，預(yù)測結(jié)果準確性較高，且具有高工作效率，表現(xiàn)了對故障良好的辨識能力。

參考文獻：

[1]蔣維，李鋮.基于小波變換的變壓器局部放電信號的分析方法研究[J].儀器儀表用戶，2006，第6期

[2]基于相關(guān)向量機的油浸式電力變壓器故障診斷方法研究[D].華北電力大學(xué)（北京）華北電力大學(xué)，2013

[3]王桂英，張世軍，潘思堯.基于神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法研究[J].計算機測量與控制，2012，第7期

（作者單位：中交第四航務(wù)工程勘察設(shè)計院有限公司）