基于帶電檢測(cè)技術(shù)的變壓器故障診斷研究

王治偉

（國(guó)網(wǎng)平?jīng)龉╇姽咀冸姍z修中心，甘肅 平?jīng)?744000)

0 引 言

隨著傳感器檢測(cè)與計(jì)算機(jī)分析技術(shù)的深入發(fā)展和成熟，設(shè)備故障檢修方法趨于自動(dòng)化和智能化。在原有的常規(guī)維護(hù)檢測(cè)基礎(chǔ)上引入了傳感器在線監(jiān)測(cè)，及時(shí)上傳異常數(shù)據(jù)，由工作人員進(jìn)行數(shù)據(jù)分析及決策，判斷是否需要維護(hù)或整改。這種方式能夠及時(shí)有效地預(yù)判故障的發(fā)生，從而一定程度上減少了設(shè)備斷電，增加了系統(tǒng)可靠性[1]。最近幾年，針對(duì)不同的故障類型和故障點(diǎn)，越來(lái)越多的帶電檢測(cè)方法被提出，隨著這項(xiàng)技術(shù)的發(fā)展壯大和帶電檢測(cè)設(shè)備的完善，一些變壓器故障問(wèn)題得到了很好的預(yù)防和解決，但同時(shí)數(shù)據(jù)的處理和分析問(wèn)題變得更加復(fù)雜。

神經(jīng)網(wǎng)絡(luò)算法可以通過(guò)學(xué)習(xí)訓(xùn)練進(jìn)而分析特征參數(shù)，達(dá)到故障分類和診斷預(yù)整的效果。本文總結(jié)了多種經(jīng)典的帶電檢測(cè)方法的原理及特點(diǎn)，并在此基礎(chǔ)上建立其與各種故障類型之間的關(guān)系模型。同時(shí)研究了概率神經(jīng)網(wǎng)絡(luò)算法的流程及故障診斷模型，應(yīng)用在異常數(shù)據(jù)故障分類上，最終診斷設(shè)備故障原因和故障位置，從而達(dá)到故障預(yù)測(cè)的目的。

1 帶電檢測(cè)技術(shù)

1.1 超聲波檢測(cè)法

如果變壓器產(chǎn)生局部放電故障，局部放電位置會(huì)由于分子碰撞形成壓力，從而產(chǎn)生一系列的脈沖聲波[2]。其中高于20 kHz的聲波被定義為超聲波。超聲波需要利用超聲波設(shè)備才能接收到[3]。超聲波檢測(cè)法的工作原理是通過(guò)感應(yīng)超聲波的聲壓來(lái)檢測(cè)放電信號(hào)的強(qiáng)弱。它能夠最小程度地受到電氣裝置的電信號(hào)影響，但其自身局限性使得其檢測(cè)區(qū)域偏小，一般應(yīng)用于空氣介質(zhì)的放電檢測(cè)。此外，它在一些部件表面放電檢測(cè)方面表現(xiàn)出更高的定位準(zhǔn)確率，如檢測(cè)套管、絕緣子等[4]。

1.2 特高頻檢測(cè)法

特高頻檢測(cè)法是利用傳感器感應(yīng)設(shè)備放電放生瞬間釋放的頻率大于1 GHz的電磁波信號(hào)。 由于變壓器使用環(huán)境中的絕緣材料一般絕緣性能較好，擊穿場(chǎng)強(qiáng)較高，當(dāng)變壓器內(nèi)部絕緣發(fā)生局部放電時(shí)，產(chǎn)生的高頻信號(hào)可以通過(guò)非金屬部件及縫隙釋放出來(lái)，在適當(dāng)位置布置外置傳感器則可對(duì)其進(jìn)行檢測(cè)。這種檢測(cè)方法的優(yōu)點(diǎn)是能夠屏蔽現(xiàn)場(chǎng)最常見(jiàn)的電暈放電干擾，因此具有更高的靈敏度和可靠性[5,6]。

1.3 高頻電流法

高頻電流法是通過(guò)監(jiān)測(cè)設(shè)備流入大地的放電電流來(lái)識(shí)別變壓器放電故障的，已知放電產(chǎn)生電流最終會(huì)通過(guò)有接地引下線的電力設(shè)備流入大地，因此可以在一些帶接地引下線的容性設(shè)備上感應(yīng)放電電流。它的檢測(cè)頻率范圍一般在3～30 MHz， 只要選取合適的羅氏線圈，基本可以實(shí)現(xiàn)在不影響設(shè)備運(yùn)行的情況下靈敏地、較高精度地檢測(cè)出設(shè)備放電故障。

1.4 時(shí)差定位法

時(shí)差定位法是用來(lái)定位故障點(diǎn)的常規(guī)方法，其基本原理是根據(jù)局部放電信號(hào)到達(dá)不同位置傳感器的時(shí)間差別來(lái)計(jì)算放電點(diǎn)位置。具體的檢測(cè)方法為，將2個(gè)高速傳感器置于變壓器的2個(gè)相鄰的測(cè)點(diǎn)上，故障位置定位于縱向定位的交叉點(diǎn)上[7,8]。其計(jì)算方法為：

式中：c取值3×108m/s；t1、t2為兩傳感器的感應(yīng)時(shí)間點(diǎn)；x為故障點(diǎn)與傳感器1的間距；Δt為傳感器檢測(cè)到的時(shí)間差；D為兩測(cè)試點(diǎn)的間距。

2 基于神經(jīng)網(wǎng)絡(luò)的故障診斷

2.1 PNN神經(jīng)網(wǎng)絡(luò)算法

概率神經(jīng)網(wǎng)絡(luò)（Probabilistic Neural Networks，PNN）對(duì)于非線性數(shù)據(jù)表現(xiàn)出了優(yōu)秀的處理能力，能夠快速建立故障樣本和故障模式間的對(duì)應(yīng)關(guān)系。因此被廣泛應(yīng)用在分類問(wèn)題上并取得了優(yōu)異的成果[9,10]。

輸入層的神經(jīng)元數(shù)量即特征向量數(shù)量，該層接受訓(xùn)練樣本，并將其傳遞給模式層。模式層是用來(lái)將類似樣本集為一個(gè)中心，并按計(jì)算輸入向量與訓(xùn)練樣本集中的故障類型的距離，即：

式中：X，Wi，σ分別為特征向量、連接權(quán)值和平滑因子。

求和層將模式層計(jì)算的距離值相加，獲取基于不同故障類型的概率密度函數(shù)式，它的神經(jīng)元個(gè)數(shù)為故障類型數(shù)。作為最后一層的輸出層的主要功能就是比對(duì)計(jì)算結(jié)果，按照概率最大輸出Y。

整個(gè)算法的具體步驟如下文所述。

步驟一：將收集到的變壓器數(shù)據(jù)分成兩部分，一部分用于訓(xùn)練，另一部分用于測(cè)試。將處理好的訓(xùn)練數(shù)據(jù)輸入至PNN網(wǎng)絡(luò)的輸入端，利用平滑因子σ作為差分算法的優(yōu)化個(gè)體，根據(jù)故障程度對(duì)變壓器故障進(jìn)行分類。

步驟二：對(duì)差分進(jìn)化算法的參數(shù)進(jìn)行設(shè)置。初始化后算法的參數(shù)：種群個(gè)體數(shù)量為30，設(shè)定變異因子的大小為1.2，設(shè)定交叉因子的大小為0.9。根據(jù)調(diào)解設(shè)定最大迭代數(shù)量，將訓(xùn)練樣本數(shù)據(jù)輸入至差分進(jìn)化算法中，根據(jù)迭代調(diào)解計(jì)算適應(yīng)度函數(shù)。

步驟三：將經(jīng)過(guò)差分進(jìn)化算法優(yōu)化后平滑因子再賦給 PNN，對(duì)故障診斷精度進(jìn)行識(shí)別和判斷，滿足條件則停止迭代，故障診斷完成。

步驟四：若不滿足變壓器判斷精度要求，且沒(méi)有達(dá)到最大迭代數(shù)，則繼續(xù)對(duì)平滑因子進(jìn)行優(yōu)化。

步驟五：重復(fù)上述步驟，直至故障診斷滿足要求，迭代次數(shù)達(dá)到最大，輸出結(jié)果。

2.2 常見(jiàn)故障類型

變壓器故障種類有很多，本文只探討具有代表性的4種故障類型。

（1）放電類故障。比較常見(jiàn)的放電類故障為局部放電，變壓器油純度不夠或者設(shè)備工藝缺陷產(chǎn)生的尖端毛刺都可能引發(fā)局部放電，它的放電密度較小，但是它的負(fù)作用可以累積，如果不及時(shí)處理最終會(huì)導(dǎo)致設(shè)備故障或擊穿。至于火花放電和高能量放電，一般表現(xiàn)為數(shù)據(jù)異?；驁?bào)警、甚至?xí)姵龃罅繗怏w，引起設(shè)備材料碳化熔化等。

（2）過(guò)熱類故障。這類一般是由于電路或磁路的溫度過(guò)高或者冷卻系統(tǒng)故障引起的散熱問(wèn)題。由于設(shè)備處于持續(xù)發(fā)熱的負(fù)載運(yùn)行狀態(tài)，如果遇到接觸不良、線路短路、鐵芯環(huán)流及漏磁等問(wèn)題，很容易引起熱量集中或者加劇，產(chǎn)生過(guò)熱類故障。

（3）受潮類故障。它產(chǎn)生的主要原因有：制造過(guò)程中設(shè)備受潮或者環(huán)境潮濕引起的水含量超標(biāo)；由于密封性不好導(dǎo)致的使用過(guò)程中的設(shè)備受潮；由于密封圈等附件的過(guò)度使用引起的密封效果較差而受潮。

（4）老化劣化類故障。這類故障主要在設(shè)備長(zhǎng)時(shí)間連續(xù)負(fù)載運(yùn)行的工況下，變壓器絕緣油、變壓器固體絕緣等材料出現(xiàn)老化等問(wèn)題引起的，當(dāng)然不排除材料質(zhì)量不過(guò)關(guān)、設(shè)備故障累積等不可控因素。

2.3 基于PNN的故障預(yù)測(cè)模型

根據(jù)以往收集的變壓器故障案例，對(duì)帶電檢測(cè)異常數(shù)據(jù)進(jìn)行分析歸類，細(xì)化總結(jié)了5個(gè)故障特征數(shù)據(jù)作為特征輸入量。為了避免數(shù)據(jù)數(shù)量級(jí)不同引起算法故障判決的偏差，對(duì)數(shù)據(jù)進(jìn)行歸一化處理：

式中：xi為待處理數(shù)據(jù)；xmax，xmin為數(shù)據(jù)中的最大值和最小值。

本文考慮的故障類型為7種，包含正常狀態(tài)和2.2節(jié)中列出的典型故障類型。本文收集160組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，76組作為測(cè)試數(shù)據(jù)。各故障類型編號(hào)及樣本數(shù)據(jù)分配見(jiàn)表1。

表1 故障類型編號(hào)及樣本數(shù)據(jù)分配

3 故障診斷實(shí)驗(yàn)

利用MATLAB建立變壓器故障診斷實(shí)驗(yàn)平臺(tái)，將2.3節(jié)中的樣本數(shù)據(jù)導(dǎo)入本文所建立的模型中進(jìn)行準(zhǔn)確率測(cè)試。仿真結(jié)果見(jiàn)圖1。

圖1 76組樣本故障診斷結(jié)果

本次的76組預(yù)測(cè)數(shù)據(jù)中，有71組實(shí)現(xiàn)精準(zhǔn)診斷，6組診斷失誤。其中正常狀態(tài)和高溫過(guò)熱的診斷正確率為100%；中低溫過(guò)熱故障診斷14組，正確12組，正確率為85.7%；低能放電故障診斷13組，正確12組，正確率為92.3%；高能放電故障診斷12組，正確11組，正確率為91.7%；受潮故障診斷8組，正確7組，正確率為 87.5%；老化故障診斷6組，正確5組，正確率為83.3%；參考其他同類算法的預(yù)測(cè)正確率一般在75%～85%，而本文提出的PNN 故障診斷模型準(zhǔn)確率達(dá) 92.3%。結(jié)果表明了算法的優(yōu)越性，特別是對(duì)于高溫過(guò)熱故障、低能放電故障和高能放電故障診斷正確率提升效果明顯。

4 結(jié) 論

變壓器帶電檢測(cè)方法多樣，在完善故障數(shù)據(jù)的同時(shí)也增加了工作人員識(shí)別鑒定故障狀況的工作量和復(fù)雜度。本文探究了一種基于PNN算法的變壓器故障診斷模型，挖掘變壓器故障數(shù)據(jù)與典型故障類別的潛在關(guān)系。將模型應(yīng)用于歷史故障數(shù)據(jù)的故障類型診斷中，實(shí)際結(jié)果對(duì)比其他傳統(tǒng)算法正確率更高，驗(yàn)證了所建立的診斷模型的有效性和優(yōu)越性。