油浸式變壓器故障智能診斷應用研究

繆 薇,楊 劍

(1.江蘇省江都水利工程管理處,江蘇 揚州 225200;2.國網江蘇省電力有限公司超高壓分公司,南京 211102)

0 引 言

變壓器是電網系統重要的設備,變壓器的正常工作對于電網系統的正常運行必不可少[1]。變壓器工作過程中會產生熱量,這些熱量需要及時消除,以免對設備造成不良影響。變壓器的冷卻介質用于對熱量進行釋放,按照冷卻介質不同分為油浸式、干式、氧化物式[2]。對于電網系統,變壓器出現故障后能及時診斷,可以避免造成更大的損失,有利于及時恢復正常運行。傳統的人工故障檢測存在檢測時間長,檢測正確率低的問題。采用智能化故障檢測是當前電力設備檢測的一個新方向,有利于提高故障診斷的效率,節約故障排查的時間,迅速恢復電網系統正常。

針對變壓器故障檢測過程中存在的問題,提出一種基于BP神經網絡(back propagation neural networks, BPNN)的智能診斷方法,將該方法與人工故障檢測進行對比并進行實際案例的應用研究。再采用量子免疫算法(quantum immune algorithm, QIA)對BP神經網絡進行優化,建立基于QIA-BP神經網絡對變壓器進行故障診斷,最后分析對比BP神經網絡與QIA-BP神經網絡在故障診斷時存在的差異,以提高變壓器故障診斷的效率和準確性。

1 油浸式變壓器的結構和故障

當前變壓器使用較多的冷卻方式為油浸式,在油浸式變壓器中,油箱是外殼,鐵芯和繞組置于油箱內并注滿變壓器油,油箱中的油處于相對穩定的狀態,可以保持油浸式變壓器工作正常[3-5]。

變壓器油是一種礦物油,用于變壓器工作過程中的溫度冷卻,但是當變壓器油溫度過高時,內部油分子中的C—C鏈和C—H鏈會發生斷裂,由液體變成氣體,溫度越高,氣體析出速度越快,析出氣體的不同可以作為變壓器故障類型的判斷依據。

2 人工故障檢測方法

2.1 特高頻分量檢測方法

根據油浸式變壓器故障特點,采用特高頻分量檢測方法對變壓器周圍出現的電磁波進行檢測。在檢測過程中,變壓器的內部放電會使得高頻率電磁波被激發出來,傳感器接收到電磁波信號。根據信號的脈沖波形,對故障類型進行判斷。對于傳感器來說,電磁波的高、低頻都在其檢測范圍內,變壓器的脈沖信號均能進行檢測。

2.2 變壓器放電波

變壓器異常情況下會釋放出電磁波,傳感器能夠檢測到電纜終端信號,這些信號包含電磁波和噪聲[6-7]。在獲得檢測信號后,對信號進行處理,經過處理后的信號,再進行數據分析和故障判斷,最后找出變壓器故障類型,從而實現變壓器故障診斷。

在變壓器出現故障放電初期,周圍電場穩定,無單周期脈沖的產生;當變壓器故障沒有得到及時排除,繼續放電,周期脈沖開始變成對稱形式。當周期脈沖少于5個時,電磁波的相位開始發生變化。幾種常見類型的放電示波如圖1所示。

圖1 常見放電示波圖

電磁波需要經過處理后才能識別故障類型。通過處理,可以消除冗余信息,對信號進行檢測,經過分析能夠識別故障類型,有利于及時排除變壓器故障,恢復電網系統的正常工作狀態。

3 變壓器故障診斷案例研究

3.1 變電站實地故障診斷

根據變壓器出現的故障類型和表現出的波形差異,采用適當的方式對變壓器故障進行診斷研究[8]。以某220 kV變電站變壓器為例進行實地故障診斷。

該變電站采用兩種不同的接線方式,主變部分采用I、II雙母線接線方式;220 kV電力輸送部分采用3/2接線方式。在該變電站中,主變電站串聯運行,220 kV線變電站由串聯、低壓線共同組成。母線連接斷路器,這條線路沒有受到故障的影響,處于正常的工作狀態。

在線路中,2號主變通常情況下不會出現故障,若出現故障,220 kV變電站會因為跳閘保護,自動斷開線路。線路異常會對電網系統的供電造成影響,采用BP神經網絡的方法對變壓器故障進行診斷,從而對出現的故障及時排除。BP神經網絡是具有靈活網絡構架和非線性映射能力的智能算法,缺點是學習能力不足[9]。

3.2 BP神經網絡故障診斷與人工檢測對比

為了檢驗BP神經網絡對變壓器故障的診斷效果,將神經網絡故障檢測與人工實地故障檢測進行對比,考查兩者對變壓器故障的檢測效果。設置相同的檢測組數和檢測時間,采用控制變量的方法進行對比,多次檢測取平均值,將獲得的數據結果匯成表格,結果對比如表1所示。

表1 兩種變壓器故障診斷方法對比Table 1 Comparison of two transformer fault diagnosis methods

由表1可知,不同的變壓器故障檢測方法消耗的時間不同,實現的準確率也不同。相對于神經網絡檢測而言,人工檢測需要的時間更長,在正確率方面,BP神經網絡檢測也比人工實地檢測的正確率更高。

人工實地檢測30組變壓器用時42.38 min,變壓器神經網絡故障檢測用時1.76 min;人工實地檢測正確率為94.5%,神經網絡檢測正確率為100%,神經網絡檢測比人工實地檢測效果更優。

4 油浸式變壓器神經網絡故障診斷結果分析

4.1 氣體含量診斷分析

油浸式變壓器在溫度過高時,會析出多種氣體,主要的5種分別是H2、CH4、C2H2、C2H4、C2H6,這些氣體體積分數的不同,可以作為故障類型判斷的依據。在變壓器溫度報警后開始對油中析出氣體進行 30 組樣本的采集,并進行成分檢測。在30組數據中,進行檢測時發現前20組樣本正常,析出的氣體較少,C2H2含量接近0,其他4種氣體析出量也在合理區間。第21～24組樣本是變壓器出現低能放電故障時采集的,樣本中CH4析出的最多,其次是C2H2。第25、26組樣本是變壓器出現局部放電故障時采集的,樣本中C2H2含量相對較少,析出氣體較多的是H2和CH4。第27～30組樣本是變壓器出現高溫、中低溫過熱故障時采集的,樣本中析出氣體種類較多,CH4、C2H4、C2H6均含有,多種氣體中C2H4含量最多。

在對故障進行檢測時,為了彌補BP神經網絡學習能力不足的缺點,引入QIA對BP神經網絡進行優化[10],建立基于QIA-BP神經網絡算法對變壓器故障進行診斷。收集5種特征氣體數據,采用兩種不同的神經網絡,一種是BP神經網絡對析出氣體體積分數進行跟蹤,另一種是QIA-BP神經網絡對析出氣體體積分數進行跟蹤。將兩種神經網絡測得的結果與真實值進行對比,并繪制體積分數曲線,結果如圖2所示。

圖2 QIA-BP神經網絡、BP神經網絡與對比

圖2顯示了兩種不同神經網絡檢測方法與真實值進行對比的結果,單純BP神經網絡與QIA-BP神經網絡對析出H2、CH4、C2H4、C2H6、C2H2的體積分數跟蹤與真實值較為接近,不同的神經網絡對變壓器故障診斷的結果不同。

從析出的氣體檢測結果來看,QIA-BP診斷結果較BP誤差小,與變壓器油中析出氣體真實的數值比較接近。這種檢測結果表明:對于變壓器故障檢測,QIA-BP神經網絡診斷結果優于BP神經網絡診斷結果,由圖2可知,對于氣體體積分數的跟蹤,QIA-BP神經網絡效果較好,表明QIA-BP神經網絡對變壓器的故障診斷優于BP神經網絡故障診斷。

4.2 白盒測試

完成上面的工作后,對QIA-BP神經網絡變電站智能故障檢測系統進行測試,選擇白盒測試。白盒測試又稱結構測試,指程序內部結構透明。對于智能化故障檢測而言,需要明白檢測系統的結構和檢測邏輯,從而更好進行測試。開展白盒測試,測試結果如表2所示。

表2 白盒測試結果與處理方法Table 2 White box test results and processing methods

5 結 語

該文分析油浸式變壓器結構和故障類型,對常見的故障檢測方法進行研究,論述特高頻分量檢測方法,分析典型放電示波圖。對某變電站變壓器開展實地故障研究,對人工檢測和BP神經網絡故障檢測進行對比。結果顯示,人工檢測的正確率為94.5%,神經網絡檢測的正確率為100%。對油浸式變壓器不同氣體含量診斷進行分析,選擇QIA-BP網絡和BP網絡進行對比測試,發現QIA-BP神經網絡的測試效果優于單純BP網絡。最后通過白盒測試檢驗智能診斷系統的正確性,結果表明QIA-BP神經網絡故障檢測能夠有效檢測油浸式變壓器故障。

在對油浸式變壓器故障智能診斷的研究中,采用了QIA-BP神經網絡的診斷方法,能夠實現對油浸式變壓器不同故障類型的診斷。而對于智能診斷的學習算法、QIA-BP神經網絡的拓撲結構涉及較少,今后可開展這方面的應用研究。