油浸式变压器故障智能诊断应用研究

缪 薇,杨 剑

(1.江苏省江都水利工程管理处,江苏 扬州 225200;2.国网江苏省电力有限公司超高压分公司,南京 211102)

0 引 言

变压器是电网系统重要的设备,变压器的正常工作对于电网系统的正常运行必不可少[1]。变压器工作过程中会产生热量,这些热量需要及时消除,以免对设备造成不良影响。变压器的冷却介质用于对热量进行释放,按照冷却介质不同分为油浸式、干式、氧化物式[2]。对于电网系统,变压器出现故障后能及时诊断,可以避免造成更大的损失,有利于及时恢复正常运行。传统的人工故障检测存在检测时间长,检测正确率低的问题。采用智能化故障检测是当前电力设备检测的一个新方向,有利于提高故障诊断的效率,节约故障排查的时间,迅速恢复电网系统正常。

针对变压器故障检测过程中存在的问题,提出一种基于BP神经网络(back propagation neural networks, BPNN)的智能诊断方法,将该方法与人工故障检测进行对比并进行实际案例的应用研究。再采用量子免疫算法(quantum immune algorithm, QIA)对BP神经网络进行优化,建立基于QIA-BP神经网络对变压器进行故障诊断,最后分析对比BP神经网络与QIA-BP神经网络在故障诊断时存在的差异,以提高变压器故障诊断的效率和准确性。

1 油浸式变压器的结构和故障

当前变压器使用较多的冷却方式为油浸式,在油浸式变压器中,油箱是外壳,铁芯和绕组置于油箱内并注满变压器油,油箱中的油处于相对稳定的状态,可以保持油浸式变压器工作正常[3-5]。

变压器油是一种矿物油,用于变压器工作过程中的温度冷却,但是当变压器油温度过高时,内部油分子中的C—C链和C—H链会发生断裂,由液体变成气体,温度越高,气体析出速度越快,析出气体的不同可以作为变压器故障类型的判断依据。

2 人工故障检测方法

2.1 特高频分量检测方法

根据油浸式变压器故障特点,采用特高频分量检测方法对变压器周围出现的电磁波进行检测。在检测过程中,变压器的内部放电会使得高频率电磁波被激发出来,传感器接收到电磁波信号。根据信号的脉冲波形,对故障类型进行判断。对于传感器来说,电磁波的高、低频都在其检测范围内,变压器的脉冲信号均能进行检测。

2.2 变压器放电波

变压器异常情况下会释放出电磁波,传感器能够检测到电缆终端信号,这些信号包含电磁波和噪声[6-7]。在获得检测信号后,对信号进行处理,经过处理后的信号,再进行数据分析和故障判断,最后找出变压器故障类型,从而实现变压器故障诊断。

在变压器出现故障放电初期,周围电场稳定,无单周期脉冲的产生;当变压器故障没有得到及时排除,继续放电,周期脉冲开始变成对称形式。当周期脉冲少于5个时,电磁波的相位开始发生变化。几种常见类型的放电示波如图1所示。

图1 常见放电示波图

电磁波需要经过处理后才能识别故障类型。通过处理,可以消除冗余信息,对信号进行检测,经过分析能够识别故障类型,有利于及时排除变压器故障,恢复电网系统的正常工作状态。

3 变压器故障诊断案例研究

3.1 变电站实地故障诊断

根据变压器出现的故障类型和表现出的波形差异,采用适当的方式对变压器故障进行诊断研究[8]。以某220 kV变电站变压器为例进行实地故障诊断。

该变电站采用两种不同的接线方式,主变部分采用I、II双母线接线方式;220 kV电力输送部分采用3/2接线方式。在该变电站中,主变电站串联运行,220 kV线变电站由串联、低压线共同组成。母线连接断路器,这条线路没有受到故障的影响,处于正常的工作状态。

在线路中,2号主变通常情况下不会出现故障,若出现故障,220 kV变电站会因为跳闸保护,自动断开线路。线路异常会对电网系统的供电造成影响,采用BP神经网络的方法对变压器故障进行诊断,从而对出现的故障及时排除。BP神经网络是具有灵活网络构架和非线性映射能力的智能算法,缺点是学习能力不足[9]。

3.2 BP神经网络故障诊断与人工检测对比

为了检验BP神经网络对变压器故障的诊断效果,将神经网络故障检测与人工实地故障检测进行对比,考查两者对变压器故障的检测效果。设置相同的检测组数和检测时间,采用控制变量的方法进行对比,多次检测取平均值,将获得的数据结果汇成表格,结果对比如表1所示。

表1 两种变压器故障诊断方法对比Table 1 Comparison of two transformer fault diagnosis methods

由表1可知,不同的变压器故障检测方法消耗的时间不同,实现的准确率也不同。相对于神经网络检测而言,人工检测需要的时间更长,在正确率方面,BP神经网络检测也比人工实地检测的正确率更高。

人工实地检测30组变压器用时42.38 min,变压器神经网络故障检测用时1.76 min;人工实地检测正确率为94.5%,神经网络检测正确率为100%,神经网络检测比人工实地检测效果更优。

4 油浸式变压器神经网络故障诊断结果分析

4.1 气体含量诊断分析

油浸式变压器在温度过高时,会析出多种气体,主要的5种分别是H2、CH4、C2H2、C2H4、C2H6,这些气体体积分数的不同,可以作为故障类型判断的依据。在变压器温度报警后开始对油中析出气体进行 30 组样本的采集,并进行成分检测。在30组数据中,进行检测时发现前20组样本正常,析出的气体较少,C2H2含量接近0,其他4种气体析出量也在合理区间。第21～24组样本是变压器出现低能放电故障时采集的,样本中CH4析出的最多,其次是C2H2。第25、26组样本是变压器出现局部放电故障时采集的,样本中C2H2含量相对较少,析出气体较多的是H2和CH4。第27～30组样本是变压器出现高温、中低温过热故障时采集的,样本中析出气体种类较多,CH4、C2H4、C2H6均含有,多种气体中C2H4含量最多。

在对故障进行检测时,为了弥补BP神经网络学习能力不足的缺点,引入QIA对BP神经网络进行优化[10],建立基于QIA-BP神经网络算法对变压器故障进行诊断。收集5种特征气体数据,采用两种不同的神经网络,一种是BP神经网络对析出气体体积分数进行跟踪,另一种是QIA-BP神经网络对析出气体体积分数进行跟踪。将两种神经网络测得的结果与真实值进行对比,并绘制体积分数曲线,结果如图2所示。

图2 QIA-BP神经网络、BP神经网络与对比

图2显示了两种不同神经网络检测方法与真实值进行对比的结果,单纯BP神经网络与QIA-BP神经网络对析出H2、CH4、C2H4、C2H6、C2H2的体积分数跟踪与真实值较为接近,不同的神经网络对变压器故障诊断的结果不同。

从析出的气体检测结果来看,QIA-BP诊断结果较BP误差小,与变压器油中析出气体真实的数值比较接近。这种检测结果表明:对于变压器故障检测,QIA-BP神经网络诊断结果优于BP神经网络诊断结果,由图2可知,对于气体体积分数的跟踪,QIA-BP神经网络效果较好,表明QIA-BP神经网络对变压器的故障诊断优于BP神经网络故障诊断。

4.2 白盒测试

完成上面的工作后,对QIA-BP神经网络变电站智能故障检测系统进行测试,选择白盒测试。白盒测试又称结构测试,指程序内部结构透明。对于智能化故障检测而言,需要明白检测系统的结构和检测逻辑,从而更好进行测试。开展白盒测试,测试结果如表2所示。

表2 白盒测试结果与处理方法Table 2 White box test results and processing methods

5 结 语

该文分析油浸式变压器结构和故障类型,对常见的故障检测方法进行研究,论述特高频分量检测方法,分析典型放电示波图。对某变电站变压器开展实地故障研究,对人工检测和BP神经网络故障检测进行对比。结果显示,人工检测的正确率为94.5%,神经网络检测的正确率为100%。对油浸式变压器不同气体含量诊断进行分析,选择QIA-BP网络和BP网络进行对比测试,发现QIA-BP神经网络的测试效果优于单纯BP网络。最后通过白盒测试检验智能诊断系统的正确性,结果表明QIA-BP神经网络故障检测能够有效检测油浸式变压器故障。

在对油浸式变压器故障智能诊断的研究中,采用了QIA-BP神经网络的诊断方法,能够实现对油浸式变压器不同故障类型的诊断。而对于智能诊断的学习算法、QIA-BP神经网络的拓扑结构涉及较少,今后可开展这方面的应用研究。