电力变压器故障诊断技巧研究.docVIP

PAGE / NUMPAGES 电力变压器故障诊断方法研究-机械制造论文 电力变压器故障诊断方法研究 张桔 （华润电力（兴宁）有限公司，广东梅州514548） 摘要：在电力系统中，电力变压器一直发挥着极为重要的作用。该设备一旦发生故障，将会对电网造成非常大的影响。因此，对于电力变压器的故障诊断显得非常重要。事实上，电力变压器故障诊断一直存在着随机性问题与模糊性问题，人们尝试了使用各种方法来准确分析故障原因，以便更妥善地加以解决，现选择几种常见的故障诊断方法进行分析与研究。 关键词 ：故障诊断；电力变压器；贝叶斯；DGA 0引言 作为支持电力运行的重要设备，电力变压器具有非常复杂的结构，这就使得其一旦发生故障，很难快速确定故障原因。我国现阶段主要采用基于DGA的诊断方法进行故障诊断，除此之外，还有遗传支持向量机加灰色人工免疫算法、多分类最小二乘支持向量机加改进粒子群优化算法、粗糙集诊断法等等。 1基于DGA的诊断方法 当前电力变压器故障诊断依然以基于DGA的诊断方法为主，其原理为：在常规条件下，电力变压器内部有机绝缘材料会在电与热的双重作用下不断老化分解，产生溶于油中的多种气体，如氢气、二氧化碳、一氧化碳、甲烷、乙烷、乙烯和乙炔等。一旦变压器出现放电故障或具备潜伏性过热条件，气体产生速度将会大大加快。故障越严重，气体在油中产生的气泡就会在油中对流和扩散得越强烈。基于DGA所衍生的诊断方法，正是借助油溶气体含量或种类及故障类型或严重程度之间的密切关系来判断故障原因。 使用基于DGA的诊断方法，可以对电力变压器如下故障进行准确诊断：以正常运行时一氧化碳和二氧化碳占比最多为标准，若裂解气体主要为氢气和甲烷，则可判定油纸绝缘材料出现了局部放电；若温度稍高于正常温度，则甲烷占比最大，随着温度增加，乙炔和乙烯的占比会逐渐上升。若温度过高，超过了1×104℃，油分解物中含有大量乙炔，则可判定为电弧故障。 变压器故障多为单一故障，少数为多重故障。单一故障一般包括：（1）低于300℃的低温过热；（2）介于300～700℃之间的中温过热；（3）高于700℃的高温过热；（4）高能放电；（5）低能放电；（6）局部放电或受潮。而多重故障则包括：（1）高温过热的同时还有中温过热；（2）低能放电的同时还有过热现象；（3）高能放电的同时还有过热现象。 在实际的故障诊断中，可以将收集到的电力变压器故障数据作为样本，输入到反馈云熵模型中进行统计学计算，以结果作为故障诊断的参考依据。该模型具有如下要素：（1）精确数值组成的定量域U；（2）期望值Ex、熵En以及超熵He；（3）U中的定性概念C；（4）C的隶属度x。该模型通过逆向云发生器将定向自然语言值与定量数值进行不定性转换，将定量映射为定性，进而将分析数据转化成故障类型。 2遗传支持向量机加灰色人工免疫算法 所谓遗传支持向量机加灰色人工免疫算法，主要是通过模拟生物的免疫系统来实现两级分类器的级联，通过遗传支持向量机来判断变压器是否正常工作。该方法借助人工免疫算法可以实现最佳记忆抗体的聚集，将变压器故障根据记忆抗体集进行分类，从而有效分辨电力变压器是发生了单一故障还是多重故障，并能判断出故障部位同时提供准确信息，非常适合变压器多重故障的快速诊断。 该算法来源于生物免疫系统对于非自体细胞的吞噬性操作，具体计算流程如下：第一步需将故障样本与正常样本全部输入支持向量机，使其先建立起正常状态与故障状态各自的、经过遗传算法优化过的SVM函数；第二步则将数据样本基于人工免疫算法制出记忆抗体集；然后由向量机进行样本判断，若正常则可直接输出结果，若有故障，则借助近邻综合决策这一方法继续进行记忆抗体集的判断，以分辨出具体故障类型，直至得出确切结果后输出。 这种诊断方法的优点在于可以分析小样本数据，对样本少的故障数据具有非常出色的识别能力与泛化学习能力，不必像DGA一样必须有大数据样本才能作出准确计算。 3多分类最小二乘支持向量机加改进粒子群优化算法 本方法也是通过构建模型来实现对变压器故障类型的诊断，构成基础为组合编码法与分类器LSSVM。由于本方法通过交叉验证来提高模型的泛化性，又结合故障诊断实例以验证，因此较BPNN或标准SVM具有更高的准确率。具体流程为：收集样本数据，然后对数据进行预处理，判别变压器正常工作还是发生故障，若正常则直接输入LSSVM模型；若出现故障，则输入训练样本，再进行各个参数的优化，直至计算完毕再输入LSSVM模型；若结果仍有疑问，则从数据预处理环节再次开始运算。在输入训练样本、优化参数、计算直到算法终止这几个环节，可以通过PSO算法进行全局或局部寻优，然后结合CV原理建模。 4粗糙集诊断法 尽管神经网络法、决策