油浸式变压器故障在线诊断方法研究备考复习.docxVIP

油浸式变压器故障在线诊断方法研究 贾红红, 郑一平 (金华职业技术学院, 浙江金华321018) 摘 要: 根据各溶解气体的在线监测数据, 采用灰色GM ( 1, 1) 和PNN融合技术进行在线故障诊断.先通过GM ( 1, 1) 预测模型预测未来时刻变压器中矿物绝缘油在电和热的作用下, 分解产生的氢、甲烷、乙烷、乙烯及乙炔5种气体溶解浓度, 并将预测结果作为概率神经网络故障诊断的输入利用PNN进行变压器故障诊断. 实例表明, 该方法能够诊断变压器在未来时刻的绝缘状况, 并能满足工程实际需要. 关键词: 在线故障诊断; 概率神经网络 引言 传统的离线故障诊断主要包括现场取样、实验室离线色谱分析和障诊断等过程, 具有操作复杂、间隔时间长、易受人为因素影响等缺点. 随着在线监测技术的不断发展, 变压器油中溶解气体在线监测技术已经比较成熟. [ 1] 在在线监测技术的基础上, 采用GM ( 1, 1) 建立变压器油中溶解气体在未来时刻的浓度预测模型, [ 2- 3] 从而预测出变压器在未来时刻的绝缘状态. 因此, 基于油中溶解气体分析的在线变压器故障预测技术是离线故障诊断的有效补充, 能有效克服离线故障诊断的不足, 有利于提高变压器的故障诊断和状态检修水平.本文选择矿物绝缘油在电和热的作用下分解产生的主要气体氢、甲烷、乙烷、乙烯及乙炔5种气体在线监测浓度, 根据各溶解气体的在线检测数据, 建立灰色GM ( 1, 1) 预测模型, 预测未来时刻变压器中的溶解气体浓度, 并利用PNN进行变压器故障诊断, 能准确地诊断出概率神经网络变压器的故障. 1?? 油浸式变压器故障类型与矿物绝缘油中气体关系 经过对故障变压器350 台次均已被现场诊断并吊芯检查过的统计分析, 中温过热36台, 占10.3%; 高温过热140台, 占40%; 低温过热12台, 占3.4%; 高能放电105台, 占30% ; 低能放电22台, 占6.3%; 高能放电兼高温过热13台, 占3.7%; 高能放电兼中低温过热4台, 占1.1%;低能放电兼过热9台, 占2??6%; 局部放电或受潮9台, 占2.6%. 1.1热性故障 当变压器发生不同故障时, 各种烃类气体及氢的含量也不同. 一般高中温过热时, 氢气占氢烃总量的27% 以下, 只有低温过热时, 有一部分变压器油中氢与氢烃总量之比高于27% . 当高温过热(大于700 ) 时, 特征气体主要是乙烯和甲烷, 两者之和一般占总烃的80% 以上, 其中前者是主要的. 除乙烯、甲烷之外, 还有乙烷和氢气; 严重过热时, 也会产生微量乙炔, 其最大含量不超过总烃量的6% . 1??2?? 电性故障 电性故障是在高电应力作用下所造成的绝缘老化. 电性故障可分为高能量放电、火花放电和局部放电等类型. 高能量放电时, 故障特征气体主要是乙炔和氢气, 其次是乙烯和甲烷, 乙炔一般占总烃量的20% ~ 70% , 氢气占氢烃总量的30% ~ 90%, 一般乙烯含量高于甲烷. 火花放电特征气体以乙炔和氢为主, 乙炔在总烃量中占25% ~ 90% , 氢气占氢烃总旦的20% 以下. 局部放电特征气体主要是氢气和甲烷, 通常氢气占氢烃总量的90% 以上. 甲烷与总烃量之比大于90%, 一般乙炔含量极少. 2 PNN 和GM ( 1, 1) 工作原理 2.1 灰色预测模型建模原理 灰色模型具有建模时所需样本数据少、不需要计算统计特征量等优点, 因此在1982年提出以后已经在许多领域, 尤其在显著不确定性和缺乏数据信息领域得到成功应用. [ 5- 6] 它的主要特点是只需要几个已知历史数据就能建立预测模型, 因此特别适合于变压器油中溶解气体浓度的预测.GM ( 1, 1) 灰色预测模型建模过程如下: 2.2 概率神经网络(PNN ) 的故障诊断方法 概率神经网络是由D??F??Specht提出来的, [ 7] 它利用一个指数函数来代替神经网络中常用的S ig??mo id 活化函数, 计算能逼近贝叶斯最优判别式的非线性决策边界, 其实质是基于贝叶斯最小风险准则发展而来的一种并行算法. PNN 是径向基神经网络的一种变形. 特别适用于求解模式识别问题.和BP神经网络相比, PNN 具有以下优点: 训练速度快, 其训练时间仅略大于读取数据的时间; 允许增加或减少训练数据而无需重新进行长时间的训练. 贝叶斯理论提供了一种最优的分类方法, 由于无可辩驳的理论基础, 常常作为一种分类器的标准对其他的分类方法进行评估. 为简单起见, 这里考虑两个故障模式a, b 的诊断问题. 设待诊断的测量向量为X, 按照贝叶斯最小风险准则, 有下列诊断规则: 式中Pa、Pb 分别为X 属于a、b 的先验概率; ??a、??b 分别为对a、b 故障进行诊断的代价因子; f