分析城市軌道交通干式變壓器經濟可靠運行策略

王

（海南金盤智能科技股份有限公司）

0 引言

近年，我國城軌交通系統不斷完善，明顯減輕交通堵塞現象。有統計資料記載，到2019年年底，大陸地區有40個城市開通了軌道交通，線路總長6730.27km。供電系統的運行狀態關系著城軌交通是否能實現平穩發展。變壓器是供電系統的核心構成，應積極做好運行管理及故障診斷、處理工作，這是城軌交通安穩運行的重要前提。關于變壓器可靠性模型建立問題，業內學者陸續運用各種定量或定性分析法，結合設備既往故障或運行數據做出綜合性測評，并且研究內容還逐漸拓展到預測運轉狀態、剩余壽命等。做好故障診斷工作有益于減少設備運維費用，增強經濟運營能力。

1 干式變壓器的介紹

鐵心、繞組、外殼及其他組件等是干式變壓器的主要構成。鐵心基本結構通常有兩種，即心式與殼式，心式變壓器鐵心呈垂直狀態，繞組被套裝于鐵心柱之上。殼式變壓器把由硅鋼片制成的鐵心插進扁平形的繞組中，木楔塞緊鐵心片和繞組的空隙，所以機械強度相對較高。在我國，全面考量費用投入、制造難易程度等因素，通常運用芯式變壓器。關于繞組相關問題，多運用箔式結構以提升機械強度及冷卻性能。另外，也不能忽視其內外部的絕緣結構，多選用IP20 或IP23作為變壓器的防護外殼，后者能較好地阻止大型異物或小型動物進入，但散熱性能偏差。

干式變壓器的耐熱性非常好，通常能抵達F級或H級，部分甚至能實現C級。這類變壓器通常運用風冷，包括自然或強迫風冷，在強迫風冷工況下，變壓器的過負載及抗短路能力均很強。

2 變壓器可靠性建模

2.1 遵循威布爾分布規律的MTBF運算公式

MTBF即設備鄰近兩次故障之間的平均持續時間（tMTBF），運算公式[1]：

式中，ti表示變壓器第i次發生故障的間隔時間；N即故障發生總頻次。

綜合精準性與現實狀況，工程內所用概率分布平均值t"MTBF代替tMTBF。普遍認為電氣設備的故障間隔時間遵從威布爾分布規律，取雙參數威布爾分布作為平均故障時間（t）的分布類型，涉及的概率密度函數：

式中，α、β分別表示比例、形狀參數。

對上式求積分有：

式中，Γ、R(t)分別是伽馬、可靠度函數。

2.2 基于家族故障數據的參數估測

研究變壓器的家族付賬時，能獲得兩類數據，其一是故障間隔時間，其二是變壓器最后一次故障發生時距離其推出運轉時的時長，被叫做截尾時間。截尾時間闡明下一次故障間隔時間應大于該截尾數據，對排列其他故障時間間隔能起到一定參照作用，故而不能忽略。具體使用時需要進行修正，修正所得的次序被叫做故障間隔時間的秩次，本課題運用平均秩次法處理：綜合各家族變壓器的故障間隔時間及截尾數據，按照由小至大排序，次序記為i(i=1,2,3,…,Ng)，Ng代表的是數據總量，存在Ns個數據是故障間隔時間。按由小至大排列所有故障間隔時間，記作tj(j=1,2,3,…,Ns)。引進秩增量△Atj，運用序列{ (tj,D(tj) ) }估算α、β[2]：

3 故障智能診斷方法

絕大多數干式變壓器事故內，設備內熱量驟然增加，促進絕緣老化進程。且不同類型、位置的絕緣故障會使變壓器內部各部位出現程度不一的溫升情況，即其熱點溫度和位置及故障類型有關。故而，由變壓器的溫度場方面開展分析，模擬變壓器溫度場，探查設備現在各種故障運轉狀態下的熱點部位與溫度，進而使其后期運行時發生該類故障時能快速、精準判斷其類型及部位，使運行的可靠性、經濟性得到保障。

3.1 溫度場仿真

ANSYS、Fluent、COMS OL等均是常用的有限元分析法（FEM），本文建模選用SCB10-1000/10型干式變壓器（見圖1）。

圖1 干式變壓器簡化三維模型

建模完成后，要將相應的材料屬性添加到其內。變壓器鐵心材料是硅鋼片，基于BH插值表導入期磁化曲線，高低壓繞組材料有銅線與銅箔之分，空氣作為冷卻流體，層流模型作為流體模型，自然對流ah=6。

高壓側額定相電流、相電壓分別是57.735A、5773.5V，低壓側額定相電流、相電壓分別為1443.4A、230.94V。給有限元模型施加激勵，具體是在高、低壓側分別施加三相電壓、三相負載電流。求解電磁場以后，能順利得到高壓側電流及低壓側電壓值。計算驗證了電磁仿真模型的準確性[3]。

變壓器額定運行時，鐵心及繞組損耗是其內部熱量的主要來源。仿真運算得到，在50Hz工況下，鐵心、繞組損耗分別約2.17kW、8.73kW。設定仿真環境是20℃，熱輻射系數0.9，變壓器處在額定運行狀態中。

仿真模擬變壓器各種故障運行狀態下的溫度場時，設置45個“溫度傳感器”用于提起溫度場內的溫度數據。針對絕緣退化破損情況，主要仿真模擬變壓器高壓繞組匝間絕緣退化工況下溫度分布情況，具體把高壓繞組中間作為切面，設定距離該切面一定高度（10mm）的繞組區都是因絕緣破損而發生匝間短路的繞組部分，即是額外施加固定熱源的部分。

按照以上運行方式仿真一共獲得675個溫度數據，依照三項對應構成一組的原則分成225組。比如變壓器額定運行時的各溫度測點數據內的（AC3，BC3，CC3）構成一組，與之相對應的溫度數據是（62.62,68.03,64.60），把以上數據作為下一節內機器算法的訓練集與測試集。

3.2 基于GA完善的SVM計算模型

引進GA算法的宗旨是搜索優化SVM算法內的核帶寬σ、懲罰因子Cc。鑒于此，可以順利獲得基于GA優化后的SVM運算流程：

1）設置好σ、Cc各自的取值區間，隨機生成數個樣本；

2）抽調出Nh個樣本組成原始種群；對全部種群個體的兩個參數采用二進制編碼處理以生成基因串，具體構成如圖2[4]所示；

圖2 基因串二進制編碼形式

3）解碼種群內個體基因串，帶入參數SVM，用訓練集和測試集數據進行相應訓練集檢測，獲得準確率；

4）運輸出全部個體的適應度Sui；

5）判斷是否符合設計的終止條件，滿足就退離循環，終止遺傳優化過程，否則執行6）；

6）遺傳操作，生成新的種群。結合個體適應度選擇進到下一代種群的個體數，某一個體進到下一代的概率是Pi：

分別用“基本位變異”、“單點交叉”進行變異、交叉操作。

7）返回到步驟3）繼續實施。

把以上步驟制成流程圖（見圖3）[5]。

圖3 基于 GA 優化的SVM運算流程

3.3 故障診斷模型的測試結果

3.3.1 設置數據分類和算法參數

本課題運用 Python達到基于GA優化的SVM故障診斷算法，關于仿真數據的分類，全部數據組分分別屬于5種運行狀態內的一種，為便于論述，把正常運作、高壓擊穿、局部放電、瞬時沖擊大電流、絕緣退化狀態分別記作1、2、3、4、5。設定一個完整的數據組格式是（Ap_t，Bp_t，Cp_t，"stat_num"），前三個數據是溫度數據，最后一個數據是其所屬運行狀態的編號。本次測試訓練、測試數據分別有150組、75組。

關于SVM模型參數的設置問題，選用高斯核作為映射函數，取松弛參數85，核帶寬α、懲罰因子Cc的尋優范圍分別是[0.001，500]、[0.01，1000]。

GA的編碼長度是每個參數20位，種群100，最大迭代次數200，交叉概率0.9，變異概率0.01。迭代終止條件有兩個，其一是有個體適應度抵達85%，其二是迭代次數達到最大值。在交叉操作中，選擇了基因串內第10位作為分界點進行單點交叉操作。

3.3.2 算法仿真結果

具體是把SVM故障診斷算法進行以訓練集和測試集為基礎的學習、檢測測試，繪制出個體適應度曲線（見圖4）[6]。個體適應度是個代所有個體的適應度均值，各代個體內個體適應度最大值被認定是最佳適應度。

觀察圖4，盡管平均適應度始終處于變動狀態，但SVM算法的最佳適應度在迭代10次之內就已獲得一個較高值，但是隨后就進入到這個局部最優解。據此可以推測，如果不用GA對SVM進行優化處理，那么最后結果可能是這個局部最優解的81.33%，證實了運用GA算法的必要性。

圖4 適應度變化曲線

最后所得的最優參數是：σ＝0.0817、Cc=758.88。訓練集、測試集內分別存在11個、13個錯誤，精準度分別達到92.67%、82.67%。表明算法具有較高的精準性，能實現對干式變壓器運行故障的有效分類。

4 結束語

本課題中建設了干式變壓器的三維結構模型，運用COMSOL 對變壓器正常運行狀態下的溫度場進行仿真，解讀其內部溫度分布規律，在此基礎上仿真變壓器常見5種運作方式下的溫度場數據，最后參照設備故障數據特征，在遺傳算法優化的支持下開展故障診斷。統計測試結果，計算出算法診斷的精確率達到82.67%，驗證這種方法的有效性、可行性，具備一定推廣價值。