变压器内部放电故障诊断系统的设计与研究

何 平

（保定天威新域科技发展有限公司，河北 保定 071056）

变压器内部放电故障诊断系统的设计与研究

何 平

（保定天威新域科技发展有限公司，河北 保定 071056）

研究了以统计图谱为基础的局部放电特征向量，并以特征向量为基础开发研制了变压器内部放电故障诊断系统，系统通过在220kV实体变压器上进行试验验证，证明了特征向量提取的有效性和故障识别算法的准确性。

局放故障模型；特征向量；神经网络

大型电力变压器内部结构比较复杂，尤其是绝缘系统，受电场、磁场及温度共同作用的影响，其内部产生放电的原因和形态也比较复杂，经常出现的放电类型包括：气泡放电、油隙放电、沿面爬电、夹层放电、尖端放电、悬浮放电等。在变压器运行状态下获取局放信号的途径有限，脉冲电流信号可从套管末屏接地线或铁心及夹件的接地引出线等部位获取，通常会叠加各种干扰，仅通过单次放电脉冲信号进行模式识别很困难，所以变压器局部放电类型模式识别一直是变压器局部放电检测研究的重点和难点[1-4]。利用局部放电特征向量及BP神经网络能够准确判断变压器内部故障[5-10]，防患于未然，杜绝变压器绝缘击穿短路烧毁事故发生。

1 变压器局部放电故障诊断系统

1.1 系统组成

为深入分析变压器局部放电的类型及发展过程，设计并研制了变压器内部放电故障诊断系统，系统包括：①传感器；②信号耦合装置；③信号调理单元；④信号传输设备；⑤数据采集单元；⑥信号处理单元；⑦数据分析系统。系统示意图如图 1所示。

图1 系统示意图

1.2 系统硬件组成

硬件系统包括传感器和检测主机，检测主机采用一体化结构，其中系统主机硬件架构如图2所示，包括：数据分析处理器、人机交互接口、控制处理器、采集系统、信号调理单元、局放信号输入单元、同步触发单元。

图2 系统主机硬件架构

局部放电产生的各种特征信号，可通过相应的传感器获取。目前获取局放脉冲电流信号的方法是检测阻抗、HFCT；获取无线射频信号的方法是射频天线和特高频传感器；获取超声信号的方法是压电超声传感器[11]，常见的局部放电检测传感器实物如图3所示。

图3 局部放电检测用传感器及耦合装置

1.3 系统软件组成

为研究变压器局部放电故障诊断方法并验证其工程实用性，开发了变压器内部故障诊断的软件系统，软件的整体架构如图4所示。

图4 放电故障诊断系统软件架构

软件总共有9个模块组成，分别如下：

1）实时数据获取模块

从硬件平台的信号前置处理和高速采集系统中实时获取从传感器及检测回路接收到的局部放电信号，可实现 1—8通道同步采集，采样率最高可达80MPS。同步转换并传输至计算机处理系统。

2）干扰分析及消除处理模块

本模块主要完成对数字信号的干扰分析及处理，除数字滤波、相位识别、时域开窗外、还可根据干扰特点自动进行小波消噪、频域处理、智能识别等。

3）统计分析及放电类型识别模块

基于统计分析及时频分析原理根据局部放电信号产生的各种图谱，如PRPD、PRPS、3PARD、N- Φ、Q-Φ、Q- Φ-T等统计图谱。在这个模块里建立了基于统计特征的局部放电类型识别功能，并具有自学习功能，对新的放电类型可自动提取特征值，构建特征向量实现模式识别，同时建有特征图谱库。

4）局部放电定位模块

通过获取的实时数据，根据各通道传感器的信号特征，利用其通道间脉冲时差、幅差，利用多通道定位算法实现电声、声声、电电定位。

5）多信号分析处理模块

硬件采集平台可同时接收从多个通道传来的不同类型的局放传感器数据，通过这些数据的同步分析和相关处理，确定放电信号和类型，如：时延、相位相关性、周期同步性、幅值相关性完成对干扰的处理和放电类型识别。为定位和放电类型识别提供前置处理。

6）数据记录和回放模块

为保证试验或技术分析人员能够对动态、瞬变局放信号的捕捉和分析，系统提供了数据实时记录和回放功能，可在事后无失真回放局放试验时的情景。

7）参数配置和多窗口管理功能模块

为确保全面分析局部放电信号的各种特征及信号的相关性，分析系统具备8通道同步高速数据采集，每个通道都支持多种传感器配置，如：超声、HFCT、UHF等，各通道的配置参数可单独定义，统一管理。每个显示窗口可单独定义显示参数，即显示实时波形也可显示统计图谱，或随时分析单脉冲波形。

在以上功能模块中，统计分析及放电类型识别模块是系统的核心。统计分析及放电类型识别模块利用几种典型放电类型的统计图谱特征，根据局部放电统计图相关特性识别局部放电类型，其图谱特征量主要有偏斜度、陡峭度、互相关系数、放电量因数、相位不对称度。其中偏斜度、陡峭度描述统计图谱形状差异；放电量因数、相关系数、相位不对称度描述正负半周轮廓差异，具体算法如下：

1）偏斜度Sk

偏斜度是相对于正态分布的形状而言的，描述了某种形状对比于正态分布形状的偏斜程度，即

式中，W是半周期内的相窗数，xi是第 i个相窗的相位，Δx是相窗宽度，pi、μ 和σ 是把图谱看成概率密度分布图，以φi为随机变量时，相窗 i内的事件出现的概率，均值和标准差。其概率为

式中，yi是谱图的纵坐标，它代表视在放电量 q或放电重复率n。

均值和标准差分别为

Sk=0说明该图谱形状左右对称；Sk＞0说明图谱形状较正态分布向左偏；Sk＜0说明图谱形状较正态分布向右偏。

2）陡峭度Ku

陡峭度也是相对于正态分布的形状而言的，它描述了某种形状的分布对比于正态分布形状的突起程度。其定义为

式中，各量定义均与偏斜度公式中的定义相同。

对于正态分布而言，陡峭度Ku=0。如果Ku＞0，则说明该图谱轮廓比正态分布轮廓尖锐陡峭；如果Ku＜0，则说明该图谱轮廓比正态分布轮廓平坦。

3）互相关系数cc

由放电理论可知，如果正负两电极形状对称，则在一个周期内，正负半周的放电情况相似。而如果正负两电极形状不对称（大多放电都是不对称放电），正负半周的放电情况则会有明显的差异。互相关系数cc反映的就是正负半周图谱的形状相似度，其计算公式为

式中，qi+，qi-是相窗 i内的平均放电量，字母的上标“+”，“-”分别对应着二维图谱的正负半周；W是图谱半周内的相窗数。互相关系数cc等于0和1分别意味着二维图谱正负半周的轮廓差异巨大和十分相似。

4）放电量因数Q

放电量因数 Q指的是正负半周平均放电量之比，反映的是正负半周平均放电量的差异，计算公式为

式中，ni+、ni-是在相窗 i内的放电重复率，其他意义同上。

5）相位不对称度φ

对于φ-q图谱正负半周起始放电相位的差别可以用相位不对称度描述，计算公式为

式中，φ+in、φ-in分别是φ -q图谱正负半周内放电的起始相角。

2 试验数据及分析

为了验证内部放电故障诊断系统的实用性及识别放电类型的准确性，在 35kV变压器真实模型上预制不同放电故障，并在加压状态下改变故障点的放电形态，其变压器故障模拟系统如图5所示。

图5 变压器放电故障模拟系统

在试验过程中，放置不同的放电源，其统计图谱如图6所示。

图6 局部放电统计图谱

通过统计图谱得到的局部放电特征向量见表1。

表1 局部放电特征向量数据表

由表1得知，不同放电类型的统计图谱的特征向量不尽相同，通过 BP神经网络进行训练，能够准确识别放电类型。

运用该系统对多台220kV以上大型电力变压器的内部放电故障进行诊断，其准确率达到了80%。实际应用效果显著。

3 结论

在变压器内部不同的放电故障有着不同的特性，本文用统计图谱来描述放电特性，通过对统计图谱分析，得到局部放电特征向量，实际试验数据可以看出以统计图谱提取的局部放电特征向量能够作为识别放电类型依据，运用人工智能技术，以此特征向量训练和学习能够提高变压器放电故障识别准确率。通过实际现场应用证明，以统计分析及放电类型识别功能为核心的变压器内部故障诊断系统，识别放电故障准确有效，显著提高了变压器带电检测及诊断水平，提前发现运行状态下变压器内部绝缘缺陷故障，向变压器运检智能化提供装备支撑。

[1]张永记, 陈德兴, 池善活, 等.变压器局部放电在线监测和故障诊断[C]//重庆市电机工程学会2010年学术会议论文集, 2010: 303-306.

[2]王东升, 丁立健, 于龙滨.变压器局部放电在线监测技术[J].东北电力技术, 2007(4): 34-37.

[3]刘云鹏.电力变压器局部放电的电气定位及诊断[D].保定: 华北电力大学, 2005.

[4]张言苍, 张毅刚, 徐大可.变压器局部放电在线检测的现状及发展[J].继电器, 2004(22): 70-75.

[5]李燕青.超声波法检测电力变压器局部放电的研究[D].保定: 华北电力大学, 2004.

[6]李文征, 王军.变压器局部放电试验中的故障分析及处理[J].电力设备, 2007, 8(9): 63-65.

[7]唐炬, 王静, 李剑, 等.统计参数用于局部放电模式识别的研究[J].高电压技术, 2002, 28(8): 4-6, 37.

[8]Feliciano Massingue, Sander Meijer, Pantelis D.Agoris, Johan J.Smit.Partial discharge pattern analysis of modeled insulation defects in transformer insulation[C]//Conference Record of the 2006 IEEE International Symposium on Electrical Insulation.

[9]王国利.油浸式电力变压器局部放电特高频检测技术研究[D].西安: 西安交通大学, 2003.

[10]Judd M D, Yang Li, Hunter IB.Partial discharge monitoring forpower transformers using UHF sensors part2: field experience[J].IEEE Electrical Insulation Magazine, 2005, 21(3): 5-13.

[11]唐志国, 李成榕, 常文治, 等.变压器局部放电定位技术及新兴UHF方法的关键问题[J].南方电网技术, 2008, 2(1): 36-40.

[12]徐澄, 肖荣.大型变压器内部放电故障实例诊断与分析[J].高压电器, 2010(11): 67-69, 73.

[13]周倩.组合电器局部放电超高频信号数学模型构建和模式识别研究[D].重庆: 重庆大学, 2007.

[14]Contin A, C G, Montenari, et al.PD source recognition by weibull processing of pulse height distributions[J].IEEE Trans.on Dieleclric, & Electric Insulation, 2000, 7(1): 48-58.

[15]臧怀刚, 王志斌, 郑英.改进小波阈值函数在局放去噪分析中的应用[J].自动化仪表, 2010, 31(5): 5-7.

[16]唐炬, 高丽, 唐铭, 等.以复小波变换系数为特征量的局放模式识别[J].重庆大学学报(自然科学版), 2007, 30(4): 21-24, 33.

Design and Study of Internal Transformer PD Fault Diagnosis System

He Ping
(Baoding Tianwei Xinyu Technology Development Co., Ltd, Baoding, Hebei 071000)

The paper studied the partial discharge characteristic vector by the total chart, and developed internal transformer PD fault diagnosis system based on feature vectors.The system is tested on a 220kV transformer, which demonstrates the validity of feature vector extraction and the accuracy of fault identification algorithm.

PD Fault Model; characteristic parameters; neural network

何 平（1960-），男，河北省保定市人，硕士，高级工程师，主要从事高压电气设备局部放电检测定位技术、变压器智能化技术研究及产品开发工作。