基于多维度分析的换流变预警技术研究与应用

周春阳 李亚锦 邓光武 刘英男 于大洋

基于多维度分析的换流变预警技术研究与应用

周春阳1李亚锦2邓光武1刘英男2于大洋2

(1. 中国南方电网超高压输电公司广州局 广州 510000；2. 山东大学电气工程学院 济南 250061)

由于换流变设备运行环境和工况的差异性，相关运维规范设定的阈值在设备异常诊断方面具有一定的局限性。从工程实际应用出发，提出一种换流变多维度分析和预警方法，针对换流变重点监盘的关键参数建立温度、油位和冷却能力的多维度分析算法，对换流变当前状态进行评价。在多维度分析的基础上，提出基于长短期记忆网络的油温预测算法，实现换流变运行状态的趋势辨识。在±800 kV穗东站进行部署和应用算法模型，结果表明算法模型可有效识别出换流变运行状态异常。

换流变；在线监测；多维度分析；油温预测

1 引言

换流变是交直流系统中能量转换的关键设备，其运行直接影响交直流系统运行可靠性。对换流变状态参数进行分析和预测可掌握换流变运行状态发展趋势，为换流变状态评估提供有力支撑。

目前换流变运行状态的评估[1-3]主要依赖于各类传感器、测量元器件所提供的在线监测数据信息，包括油温、油位、油色谱信息、振动信号，与阈值进行对比判断或者采用三比值法对油中溶解气体进行分析，以确定换流变状态是否正常。但由于设备运行环境和工况的差异性，目前相关运维规范设定的阈值在异常诊断方面具有一定的局限性，且受负荷、温度、输出表计以及回路缺陷等因素的影响，单一维度的状态量在反映换流变故障演变与表现特征之间的客观规律上有一定片面性。

基于人工智能的多特征融合是提高换流变诊断可靠性的有效手段，文献[4]融合油色谱监测数据、试验数据和历史故障数据，构建两级诊断模型；文献[5]基于油色谱数据和图谱识别实现低热和放电两种新型故障的识别；文献[6]在多源数据基础上利用深度置信网络和贝叶斯推理实现换流变缺陷的分类；文献[7]通过DS证据理论融合诊断的准确率来判断随机森林和决策树等5种模型融合诊断的效果，最终通过样本训练得到最优的组合模型。上述智能方法解决了换流变设备故障诊断中单一状态量和故障非线性导致的诊断结果准确性不高问题，但相关数据因专业不同分散于各业务应用系统，造成了数据信息的“隔离”，数据无法在线实时获取。受限于数据“隔离”和参数选择，以复杂模型为主的换流变设备状态诊断方法目前仍难以广泛应用于换流变实际监盘运维工作中。

为提升智能算法在换流变实际工程中的应用实效，文献[8-9]从数据出发，通过统计运维检修经验形成设备不同缺陷知识库；文献[10-11]考虑变压器负载、环境温度和热点温度来评估设备状态；文献[12]运用线性判别分析对变压器状态参数进行降维，作为故障诊断模型的输入向量；文献[13]利用循环神经网络识别时间序列的隐含模式来预测变压器绕组故障。上述研究为本文换流变运行状态多维度分析和预测提供了一定思路。

另外，换流变运行特征呈现出较强的时间差异性，为了对其运行状态进行精确评估，需要建立能体现时间差异性的换流变状态评估模型。在上述背景下，本文从在线监测数据源出发，考虑多状态量之间的相关性，研究多维度时序趋势分析和相关性分析算法，建立多维度分析的换流变缺陷预警模型，并将智能预测算法应用到关键参数预测中，解决状态参数预测中存在的非线性和时滞问题。最后，结合±800 kV换流变在线监测系统，通过采集获得数据来预估变压器物理特性的关键参数——油温变化趋势，验证了所提方法的有效性和可行性。

2 算法模型

2.1 关键状态量分析

影响换流变运行的因素较多，但由于实际运行中可获取的换流变运行维护数据存在信息隔离、信息扭曲等原因，造成各级运维人员掌握的信息不完全，且换流站内日常监盘任务重，运维人员无法同时关注多个状态量。因此需要对多源数据进行降维，提取关键状态量作为智能分析算法的输入特征 向量。

换流站内多采用的是油浸式变压器，油浸式变压器故障主要分为放电性故障和热性故障[9]。综合变压器缺陷样本数据库中运行巡视、停电试验、带电检测数据，利用相关性[14]分析不同状态量与设备故障率之间的关联关系[8]，根据量化得到的相关系数大小排序得到和设备关联的关键状态量。关键状态量如表1所示。

表1 换流变关键状态量

针对油中溶解气体的分析，现有技术已相当成熟，本文不再对油中溶解气体做进一步分析。而绝缘油、介损及电容量、直流电阻和铁心接地电流是周期性试验结果，无法在线获取，难以满足系统在线实时分析的需求。因此本文从换流变在线监测分析出发，重点关注和分析油温、油位等在线监测状态量，为运维人员监盘提供决策依据。

2.2 多维度评价方法

2.2.1 温度分析

直流输电系统同一极下一般配置6台换流变，针对同一种连接方式下的换流变三相设备，本文设计纵向和横向的统计分析方法，来判断换流变是否存在异常。具体方法如下所示。

2.2.2 油位分析

图1 渗漏油异常识别流程

式中，D为因温度变化而引起的油的体积变化；为变压器油的质量；为20 ℃变压器油的密度，0.88 kg/dm3；为温度膨胀系数，0.78×10-3K-1；D为温度变化。

2.2.3 冷却系统分析

2.3 基于LSTM的油温趋势预测

实际运维中，换流变关键状态量油温的趋势预测可有效预判换流变运行状态。在多因素影响的温度预测方面，长短期记忆网络(Long short-term memory，LSTM)通过引入门控机制来控制信息的输入，有选择性地加入新的信息和遗忘之前累积的信息，相比于其他算法，LSTM在处理非线性和时滞性的温度预测问题中有更强的适应性和泛化能力。因此本文利用LSTM实现换流变油温的预测。

2.3.1 基本原理

LSTM网络模型包括忘记门、输入门和输出门。

(1) 忘记门层，读取h-1和x，输出一个0～1之间的数值f，计算公式如下

(2) 输入门层，以当前层的输入x和上一时刻隐单元的输出h-1作为输入，输出结果i作为将要更新的信息，公式如下

然后进行细胞状态更新，新的细胞状态C由旧的状态和忘记门、输入门的输出结果决定，公式 如下

(3) 输出门层，运行一个sigmoid层决定细胞状态的哪部分将输出出去。接着，把细胞状态通过一个tanh进行处理并将其和sigmoid门的输出相乘作为输出。

式中，和tanh为激活函数；W代表输入层到隐含层的权重；W代表递归连接的权重；代表偏置项。

2.3.2 实现流程

本文根据换流变油温、环境温度以及有功功率，基于LSTM模型拟合环境温度、运行功率和换流变油温之间的关系，实现油温预测，具体步骤如下所示。

(1) 模型输入和输出参数确定。选取换流变当前时刻油温、换流变运行功率、环境温度作为输入参数，输出为下一时刻油温数据，构建数据集。并利用灰色关联度和K-means聚类方法[17]对数据进行检测和清洗，确保训练样本集数据的可靠性。按照8∶1∶1比例将数据样本集划分为训练集、验证集和测试集。

(3) 在训练过程中若训练平均绝对误差大于阈值，则更新权重与偏置、、，继续与输入相互作用进行计算；若误差小于阈值，则输出结果作为另一个初始化参数。以平均绝对误差值小于阈值为目标通过反向传播不断训练优化神经网络参数，直到达到较好效果并保存训练模型。平均绝对误差的计算公式为

(4) 根据训练集得到的网络模型，优先利用验证集进行测试，得到平均绝对误差值。当误差值大于阈值时，调整学习率、迭代次数，再基于训练集进行网络的训练，直到得到最优全局参数矩阵，模型训练完成。根据训练好的模型，输入当前时刻油温、换流变运行功率、环境温度，得到下一时刻的油温。具体实现流程如图2所示。

图2 LSTM整流变油温预测模型流程图

3 预警系统总体方案

本文以换流站内现有的站内监控系统采集的信息为基础，同时加装必要的监测和采集装置，采集站内所有换流变实时数据，嵌入智能分析方法，建立物联网架构下的换流变多维度分析和预警系统。系统结构如图3所示。换流变目前采集的油温、线温、油位、油中溶解气体、换流变运行功率、环境温度数据经过“站内监控系统通信服务器”接入预警系统。风机加装传感器装置采集运行功率，通过IEC61850通信协议获取IED集中通信装置上的数据。系统每5 min更新一次数据，并将多维度分析和油温预测异常诊断结果推送至系统预警信息页，辅助运维人员监盘。

图3 系统结构

4 实例分析

4.1 样本信息

本文搜集穗东站换流变实际运行数据作为样本集。双极直流输电系统中涵盖24台换流变，每一极配置Y/D和Y/Y两种连接方式，6台换流变设备。样本集涵盖2018年12月—2019年11月1年的运维在线监测数据，共计105 120条数据。状态量包括换流变油温、线温、油位、换流变运行功率、风机运行功率、环境温度。

4.2 多维度评价

以2019年8月极2高端Y/DA相换流变的监测数据为例，根据换流变风扇投运台数和运行功率，根据式(3)计算可知冷却裕度均大于25%，系统状态正常。1～16日的换流变油温、线温和油位的趋势变化如图4所示。图4中3条曲线变化趋势基本相同，油位在某一时刻突然出现断崖式下降，但未低于油位最低告警值15%。因此基于规范规定的阈值难以识别出油位异常。

图4 换流变温度和油位变化趋势

利用第2.2.2节所述的油位分析方法，对该时段监测数据进行分析。根据换流变稳态时的监测数据可知变压器油质量为85 595 kg，20 ℃时本体油位为38%，利用式(1)中换算该时段监测数据如表2所示。

表2 换流变油位换算

针对线温和油温的分析，三相监测值变化趋势如图5所示。线温和油温在2019年8月8日7:00这一时刻三相最大偏差值分别为24 ℃、13 ℃，超出阈值10 ℃，系统预警，提示换流变C相温度过高。

图5 换流变三相线温和油温变化趋势

4.3 油温预测

在穗东换流变样本数据搜集的基础上，搭建基于LSTM算法模型和仿真环境，包括Python3.7环境以及Keras、Scikit-learn、Tensorflow等函数库，对数据进行离线化训练，训练后的模型封装嵌入到预警系统。本例中，学习率初始设定为0.01，输入维度为3，输出节点为1，将所有矩阵初始化，误差阈值设定为2×10-2，迭代80次，迭代至20次左右时，训练样本小于误差阈值，得到预测的油温值，训练结束。以换流变A相油温为例进行分析，图6是测试集和训练集在80次迭代过程中损失值的走势，经过10次迭代之后损失值基本达到了稳定状态，平均误差为0.029，迭代20次后平均误差为0.024，迭代40次之后平均误差稳定在0.02上下。

图6 A相油温训练集和测试集损失值

换流变A相油温测试集的预测值和真实值结果如图7所示。真实值和预测值的数据走势和波动基本一致，曲线贴合程度较高。

图7 LSTM算法下油温测试集真实值和预测值

为验证预测算法的准确性，本文在同一数据集上，利用ARIMA方法对油温进行预测，预测结果如图8所示，从图8中可看出预测结果误差较大，尤其在波谷时，预测值和真实值之间有一定的差距，预测值相比于真实值有一定的滞后性，误差达到了2.9%。

图8 ARIMA算法下油温测试集真实值和预测值

对比LSTM和ARIMA两种方法，LSTM预测的精确度和拟合程度明显优于ARIMA，LSTM能够在不确定性的环境温度和功率影响下兼顾油温变化的滞后性，达到较高的预测准确率，证明LSTM在换流变压器油温预测方面具有很强的适应性。

5 结论

本文从实际工程应用角度出发，在现有运维规程的基础上，提出换流变多维度分析和状态预警方法，针对换流变重点监盘的关键参数研究三相横向对比和时序趋势分析方法，提出换流变渗漏油识别方法和基于LSTM的油温预测，解决状态参数预测中存在的非线性和时滞问题。算法模型和预警系统应用于穗东站换流变的监测与分析，通过实例应用分析和验证了算法的有效性和可行性。该方法计算过程简单有效，可应用到其他换流变的智能分析，辅助现场运维人员监盘。

[1] 牟龙华，石林，许旭锋，等. 智能换流变压器在线监测系统的设计与建模[J]. 电力系统及其自动化学报，2013，25(1)：23-28.

MOU Longhua，SHI Lin，XU Xufeng，et al. Designing and modeling of on-line monitoring system for smart converter transformer[J]. Proceedings of the CSU-EPSA，2013，25(1)：23-28.

[2] 牛勃，马飞越，周秀，等. ±800 kV换流变压器在线监测信号的异常分析与处理[J]. 高压电器，2018，54(11)：245-252，259.

NIU Bo，MA Feiyue，ZHOU Xiu，et al. Analysis and treatment of on-line monitoring abnormal signal in ±800 kV converter transformer[J]. High Voltage Apparatus，2018，54(11)：245-252，259.

[3] 阮羚，谢齐家，高胜友，等. 人工神经网络和信息融合技术在变压器状态评估中的应用[J]. 高电压技术，2014，40(3)：822-828.

RUAN Ling，XIE Qijia，GAO Shengyou，et al. Application of artificial neural network and information fusion technology in power transformer condition assessment[J]. High Voltage Engineering，2014，40(3)：822-828.

[4] 李刚，于长海，范辉，等. 基于多级决策融合模型的电力变压器故障深度诊断方法[J]. 电力自动化设备，2017(11)：144-150.

LI Gang，YU Changhai，FAN Hui，et al. Deep fault diagnosis of power transformer based on multilevel decision fusion model[J]. Electric Power Automation Equipment，2017(11)：144-150.

[5] EMARA M M，PEPPAS G D，GONOS I. Two graphical shapes based on DGA for power transformer fault types discrimination[J]. IEEE Transactions on Dielectrics and Electrical Insulation，2021，28(3)：981-987.

[6] 周春阳，李亚锦，刘英男，等. 基于贝叶斯推理和多传感器信息融合的换流变缺陷分类算法研究[J]. 变压器，2020，57(11)：15-20.

ZHOU Chunyang，LI Yajin，LIU Yingnan，et al. Transformer fault diagnosis method based on Bayesian interference and multi-dimensional information fusion[J]. Transformer，2020，57(11)：15-20.

[7] 张育杰，李典阳，冯健，等. 基于多模型选择性融合的变压器在线故障诊断[J]. 电力系统自动化，2021，45(13)：95-101.

ZHANG Yujie，LI Dianyang，FENG Jian，et al. On-line fault diagnosis for transformer based on selective fusion of multiple models[J]. Automation of Electric Power Systems，2021，45(13)：95-101.

[8] 彭红霞，文艳，王磊，等. 基于两层知识架构的电力设备差异化运维技术[J]. 高压电器，2019，55(7)：221-226.

PENG Hongxia，WEN Yan，WANG Lei，et al. Differential operating maintenance technology of power equipment based on two-layer knowledge architecture[J]. High Voltage Apparatus，2019，55(7)：221-226.

[9] 黄海波，雷红才，周卫华，等. 基于不停电检测的变压器状态检修优化[J]. 高电压技术，2019，45(10)：3300-3307.

HUANG Haibo，LEI Hongcai，ZHOU Weihua，et al. Research on transformer condition-based maintenance optimization based on non power-off detection[J]. High Voltage Engineering，2019，45(10)：3300-3307.

[10] 苏宁，李亚锦，张婉莹，等. 基于LSTM算法的变电设备发热预测技术研究[J]. 山东电力技术，2021，48(6)：10-14.

SU Ning，LI Yajin，ZHANG Wanying，et al. Research on heating defect prediction of substation equipment based on LSTM[J]. Shangdong Electric Power，2021，48(6)：10-14.

[11] 何先华，张远鹏，崔桂兴，等. 基于回归算法的变压器故障检测方法研究[J]. 电力系统保护与控制，2020，48(21)：132-139.

HE Xianhua，ZHANG Yuanpeng，CUI Guixing，et al. Research on transformer fault detection method based on a regression algorithm[J]. Power System Protection and Control，2020，48(21)：132-139.

[12] 谢乐，衡熙丹，刘洋，等. 基于线性判别分析和分步机器学习的变压器故障诊断[J]. 浙江大学学报，2020，54(11)：2266-2272.

XIE Le，HENG Xidan，LIU Yang，et al.Transformer fault diagnosis based on linear discriminant analysis and step-by-step machine learning[J]. Journal of Zhejiang University，2020，54(11)：2266-2272.

[13] ZOLLANVARI A，KUNANBAYEV K M，BITAGHSIR S A，et al. Transformer fault prognosis using deep recurrent neural network over vibration signals[J]. IEEE Transactions on Instrumentation and Measurement，2020，70(99)：1-12.

[14] SZÉKELY G J，RIZZO M L，BAKIROV N K. Measuring and testing dependence by correlation of distances[J]. Annals of Statistics，2007，35(6)：2769-2794.

[15] 杨荆林，谢超，李乾坤，等. 穗东站换流变压器本体油位异常分析及带电处理[J]. 南方电网技术，2013，7(6)：63-65.

YANG Jinglin，XIE Chao，LI Qiankun，et al. Analysis of the oil level abnormity of converter transformer body at suidong substation and its on-line disposal[J]. Southern Power System Technology，2013，7(6)：63-65.

[16] 廖毅，罗炜，蒋峰伟，等. 换流阀冷却能力多维度分析与预警模型[J]. 南方电网技术，2020，14(7)：1-9.

LIAO Yi，LUO Wei，JIANG Fengwei，et al. Multi-dimensional analysis and early warning model for the cooling capacity of converter valve[J]. Southern Power System Technology，2020，14(7)：1-9.

[17] 钱宇骋，甄超，季坤，等. 变压器在线监测数据异常值检测与清洗[J]. 哈尔滨理工大学学报，2020，25(5)：15-22.

QIAN Yucheng，ZHEN Chao，JI Kun，et al. Transformer online monitoring data abnormal value detection and cleaning[J]. Journal of Harbin University of Science and Technology，2020，25(5)：15-22.

Multi-dimensional Analysis and Early Warning Model of Converter Transformer

ZHOU Chunyang1LI Yajin2DENG Guangwu1LIU Yingnan2YU Dayang2

(1. Guangzhou Bureau EHV Power Transmission Company of CSG, Guangzhou 510000；2. School of Electrical Engineering, Shandong University, Jinan 250061)

Due to the difference of operation environment and working conditions of converter equipment, the threshold set by relevant operation and maintenance specifications has certain limitations in abnormal diagnosis. Based on the engineering application, a multi-dimensional analysis and early warning method is proposed. The multi-dimensional analysis algorithm of temperature, oil level and cooling capacity are established to evaluate the current state of converterfor the key parameters of converter transformer. On the basis of multi-dimensional analysis, the oil temperature prediction algorithm based on LSTM is proposed to realize the trend identification of the operation state of the converter. The algorithm model is deployed and applied in ±800 kV Suidong substation, and the results show that the algorithm model can effectively identify the abnormal operation state of converter transformer.

Converter transformer；online monitoring；multi-dimensional analysis；temperature prediction

10.11985/2021.04.019

TM407

20210527收到初稿，20210715收到修改稿

周春阳，男，1985年生，硕士，高级工程师。主要从事高压直流换流站设备运行及维护。E-mail：zcy8512@163.com

李亚锦(通信作者)，女，1989年生，硕士，助理研究员。主要从事电力系统优化建模与设计研究。E-mail：liyajin@sdu.edu.cn

邓光武，男，1977年生，硕士，高级工程师。主要从事高压直流输电技术研究及运行维护管理。E-mail：guangwudeng@163.com

刘英男，男，1987年生，硕士，助理研究员。主要从事变电站在线监测及智能运维技术研究。E-mail：liuyingnan@sdu.edu.cn

于大洋，男，1979年生，博士，副教授。主要从事电力系统优化技术研究。E-mail：yudayang@sdu.edu.cn