变压器故障智能诊断方法研究.docx

资源描述

变压器故障智能诊断方法研究.docx

《变压器故障智能诊断方法研究.docx》由会员分享，可在线阅读，更多相关《变压器故障智能诊断方法研究.docx（46页珍藏版）》请在冰点文库上搜索。

变压器故障智能诊断方法研究.docx

变压器故障智能诊断方法研究

第一章引言

1.1课题的背景及意义

作为我国的支柱产业，电力在社会的发展中起到了至关重要的作用，而且近几年我国GDP的快速持续增长，我国已成为除美国之外的第二大经济体。

当然随着经济的发展，国内各方面对于电力的需求也日益增加，不管是国家重工业，还是人们的日常生活，电力在这些方面起到了有力的保障。

变压器是电力系统中至关重要的器件，虽然变压器不需要移动，而且工作时振动十分微小，并且其中的变压器油性能优秀，由于这几个优点，变压器相对于其他电力设备来说发生故障的概率较小，但是因为设计上存在了一定的缺陷、制造工艺的不完善、调试工作的马虎等问题，变压器故障还是经常发生的。

随着电力行业的快速发展，人们的生活与电力已经息息相关，所以在电力系统运行的过程中，需要随时随地的掌握变压器的状态，以免无法发现变压器的异常运行，并且一旦发生事故，会给人民生活造成巨大的财产损失。

在变压器的运行过程中，需要对变压器的各方面进行监控并且进行一定的预测，并且测得的实时数据可以用来建立数据库，当变压器发生故障时候，可以用数据库中的数据进行对比，以此来判断变压器所发生的故障类型以及故障发生的原因。

根据有关资料表明：

变压器的在线监测技术能够降低故障的发生率，通过在故障发生之前便采取一定措施阻止故障的方法，每年约有三分之一的事故可以避免。

这样一来，电力系统的安全性和可靠性便得到了提升。

同时，由于事故的大量减少，经济效应也越来越明显，这两项技术也得到了人们的广泛认可，并且在越来越多的行业中的到应用。

变压器的在线监测技术和故障诊断技术可以无时无刻的反映出设备的运行状态，减少了故障的发生，具有十分重要的科学意义和经济效益，同时还促进了社会的发展、提高了生活质量、提供了更加清洁高效的能源，为环保事业做出了杰出的贡献。

1.2本文的主要研究内容

本文主要把三比值法、神经网络及BP算法运用到变压器故障智能诊断中。

本论文的主要研究内容如下：

（1）简要分析国内外变压器故障智能诊断的现状和发展趋势。

（2）归纳出变压器发生故障时的气体类型特征汇总。

（3）全面介绍运用三比值法来对变压器故障类型进行分类，并利用matlab编写相关程序来实现这一过程，通过

测试数据来检验其精确度，并进行分析。

（4）研究基于人工神经网络的变压器故障智能诊断方法，并构建基于BP算法的电力变压器诊断模型。

（5）把三比值法与人工神经网络网络法检测的结果进行比较分析，判断哪种方法精确度更高。

（6）总结全文，分析各方法的优缺点以及哪些仍然无法解决的问题，分析在变压器故障领域的上升空间，并展望未来。

第二章变压器故障诊断的现状和发展趋势

随着变压器技术的提高，变压器各方面的要求也变得更加苛刻，为了满足各方面的需要，现代变压器采用了更加紧凑的绝缘方式，因此变压器内部的绝缘将要承受更高的压力。

随着人工智能技术的发展，越来越多的理论方法用来完善变压器故障诊断技术，比如特征气体法、三比值法、人工神经网络（ANN）、智能型系统法（TFDAD）、模糊理论（FuzzyTheory）、专家系统法（TFDES）等，这些方法对故障诊断技术的完善补充使其得到了更大的发展与进步。

2.1变压器油中溶解气体分析的研究

（1）特征气体法

这种方法主要是依据不同故障时油中溶解气体含量之间的差距来判断变压器所发生故障类型的。

比如变压器过热时的主要成份是

；局部放电时的主要成份是

；电弧和

时的主要成份是C2H2、H2；当故障涉及固体

时就会产生大量的

气体。

所以变压器的故障类型便可以通过这些溶解气体的主要成分来判断。

（2）比值法

该方法是根据各种气体的比值来

变压器故障类型的。

比值法可以分为有编码和无编码两种。

有编码的有IEC三比值法及其改良，日本电协研法及其改良，英国德能堡比值法等等；无编码的就是取消了气体比值区间对应一个编码，而是直接采用比值范围对应于一种故障。

比值法舍弃了一些较小概率的情况，所以它的精确度不能是很高。

2.2人工智能在变压器故障诊断中的应用

社会经济的发展导致了科学技术的提升，与早期变压器故障检测的传统方法比较，电力变压器的在线监测技术和故障诊断技术有了非常大改变。

运用计算机技术来对人的大脑活动进行模拟，现代生活中将其称为人工智能技术。

而将这种技术运用到电力行业中，能够改善电网结构，尤其对于变压器故障诊断技术，效果很明显，即降低故障发生率，延长变压器使用寿命。

目前在这一领域运用较多的技术有：

专家系统、模糊数学、人工神经网络以及信息融合法等。

（1）人工神经网络

ANN（人工神经网络）是一种建立在动物神经网络行为基础上的算法数学模型，

它运用分布式并行处理信息方式。

这种网络通过调整其内部无比复杂的节点间连接关系来进行信息处理，并且这个网络能够自学习、自适应，在动态的过程中会不断进化，所以这方法在故障诊断中有广泛的应用。

（2）信息融合法

信息融合（informationfusion）起源于1973年美国国防部自主开发的声呐信号处理系统。

一开始的时候被称为数据融合，这个概念也曾经出现在1970的一些文献中。

（3）模糊数学

因为电力变压器的复杂性，在系统运行过程中，会出现很多或大或小的干扰因素，这便导致了会出现这样一种情况：

一种故障类型在诊断时会显示出多种不同的故障特征。

这便使分析结果存在了很大的模糊性，因此模糊数学理论便可以在其中起到一定作用。

（4）专家系统

专家系统是一种计算机程序，在某些特定的

中能以人类专家的智力解决问题。

将专家系统运用到变压器故障智能诊断后，使得普通用户也可以以专家的智慧来诊断变压器故障，它对变压器故障智能诊断的推广具有很大意义。

以上各个方法在某一领域都对变压器故障智能诊断有优势，但同时这些方法各自也存在着一些局限性与不足，如何更好地利用这些方法和他们的组合成了今后变压器故障智能诊断的研究方向。

第三章变压器油中溶解气体分析的原理及方法

对变压器进行故障诊断后分析变压器所发生的故障类型，那么便需要有一个故障类型参照。

因此在诊断之前便需要把变压器的各种故障类型进行分类。

在现在诊断技术中，一般会将各种故障表现成热故障的形式。

变压器发生故障时候，内部的绝缘材料在强热的作用之下，经过化学反应，产生各种不同类型、不同含量的气体，这些气体会慢慢溶解在变压器油中。

我们根据不同故障产生气体含量和种类之间的差别，并且还可以通过检测变压器油中气体溶解量的差别，便可以判断变压器发生的故障类型。

但是变压器发生故障时候内部反应很复杂，涉及到多个方面的问题，所以单一的依据这一对应关系来判断是不够准确的。

本章将着重介绍特征气体法和气体比值法。

3.1变压器故障与油中气体关系

通过分析故障发生时在热作用下绝缘材料产生的各种气体在变压器油中的溶解程度可以判断变压器的故障类型。

（1）热性故障

产生热故障的原因有：

1）导线过电流

2）铁芯局部短路、多点接地，形成环流

3）分接开关接触不良

4）接线焊接不良

5）电磁屏蔽不良使漏磁集中

6）油道堵塞影响散热

热性故障的气体特征：

1）当固体材料局部过热时会产生大量

和

且

2）当油局部过热时会产生大量

和

。

随着温度升高，则

和

增加，当油严重过热时才产生少量乙炔

。

（2）电性故障

产生电性故障的原因有：

1）绕组匝间、层间、相间绝缘击穿

2）引线对地闪络或断裂

3）分接开关飞弧

电气故障产生的气体主要是

和

，其次是

和

。

（3）按能量大小分

1）高能量电弧放电原因

1绕组短路或者大部分绝缘面积击穿的严重绕组故障

②严重的铁芯失火、大面积铁芯短路

这种气种主要是

和

造成火花放电的原因有

①引线接触不良

②不稳定的铁芯接地

③分接开关触头接触不良

④套管导电杆与引线接触不良

3）造成局部放电原因有

①冲片棱角或冲片间局部放电

2金属尖端之间局部放电

这时产生的主要气体是

和

表3-1给出不同的变压器故障类型和产生气体的组分关系。

表3-1电力变压器不同故障类型产生的气体

故障类型

主要气体

次要气体

油过热

CH4，C2H4

H2，C2H6

油和纸过热

CH4，C2H4，C0，C02

H2，C2H6

油纸绝缘中局部放电

H2，CH4，CO

C2H2，C2H6，C02

油中火花放电

H2，C2H2

油中电弧

H2，C2H2

CH4，C2H4，C2H6

油和纸中电弧

H2，C2H2，CO，C02

CH4，C2H4，C2H6

3.2以油中特征气体组分比值诊断故障的方法

3.2.1DGA的诊断流程

变压器DGA的诊断流程如图3-2所示。

图3-2变压器DGA的诊断流程图

3.3以三比值法诊断变压器内部故障的原理及方法

（1）三比值法的诊断原理

IEC三比值法原理是根据变压器内油、纸绝缘在故障下裂解产生气体组分含量的相对浓度与温度的相互依赖关系，从5种气体中选择两种溶解度和扩散系数相近的气体组分组成三对比值；以不同的编码表示，根据比值的编码判断变压器所属的故障类型。

表3-3和3-4是三比值法的编码规则和故障诊断类别判断方法。

表3-3三比值法编码规则

气体比值范围

C2H2/C2H4

CH4/H2

C2H4/C2H6

<0.1

0.1-1

1-3

表3-4三比值法故障类型判别编码

编码组合

故障类型

C2H2/C2H4

CH4/H2

C2H4/C2H6

正常状态

中低温过热

高温过热

低能量放电

高能量放电

运用MATLAB技术来实现三比值法，首先对各个情况进行编码，部分代码如下：

sanratio1=sample（:

5）./sample（:

4）;

sanratio2=sample（:

2）./sample（:

1）;

sanratio3=sample（:

4）./sample（:

3）;

forkk1=1:

ifsanratio1（kk1）<0.1

sanratio1（kk1）=0;

end

ifsanratio1（kk1）>0.1&sanratio1（kk1）<3

sanratio1（kk1）=1;

end

ifsanratio1（kk1）>3

sanratio1（kk1）=2;

end

kk1=kk1+1;

end

..................................................

forkk1=1:

ifsanratio2（kk1）<0.1

sanratio2（kk1）=0;

end

ifsanratio2（kk1）<1&sanratio2（kk1）>0.1

sanratio2（kk1）=0;

end

ifsanratio2（kk1）>1

sanratio2（kk1）=2;

end

kk1=kk1+1;

end

............................................

forkk1=1:

ifsanratio3（kk1）<1

sanratio3（kk1）=0;

end

ifsanratio3（kk1）<3&sanratio3（kk1）>1

sanratio3（kk1）=1;

end

ifsanratio3（kk1）>3

sanratio3（kk1）=2;

end

kk1=kk1+1;

end

.............................

sanratio0=[sanratio1sanratio2sanratio3];

%得出编码结果

3.4三比值法训练测试结果

一共选取90组DGA原始数据来检测该三比值程序，首先对各种故障进行编码，正常状态的数据编码为0，高温过热故障的数据编码为1，中低温过热故障的数据编码为2，高能量放电故障的数据编码为3最后低能量放电故障的编码为4。

经过检测后，得出结果如下图3-5：

图3-5三比值法运行结果

该检测结果与DGA数据实际故障情况的对比如下表3-6：

（DGA原始数据见附录1）

表3-6三比值法测试结果与实际结果对比表

样本号

C2H2/C2H4

CH4/H2

C2H4/C2H6

实际故障类型

三比值法检测出的故障类型

正常状态

高能量放电

正常状态

高温过热

正常状态

低能量放电

正常状态

高温过热

正常状态

高能量放电

正常状态

高温过热

中、低温过热

正常状态

中、低温过热

高能量放电

中、低温过热

高温过热

中、低温过热

高能量放电

低能量放电

高能量放电

低能量放电

高能量放电

低能量放电

高能量放电

低能量放电

高能量放电

低能量放电

高能量放电

低能量放电

高温过热

低能量放电

高能量放电

低能量放电

从上表可以看出，总体的精确度还是很高的，一共90组DGA原始数据，其中15组检测出来的结果错误，剩余75组结果都是正确的，故总体的精确度为83.33%，基本符合变压器故障诊断精确度。

由此可见运用三比值法来检测变压器故障还是有一定可行度和可靠性的。

3.5三比值法的不足

三比值法目前虽然被广泛用于检测变压器故障诊断，切检测出来的精确度也能基本满足精确度要求，但它本身仍然存在很多不足，如下：

（1）变压器故障类型有很多种，其中有好几种并不能包括在三比值法中，往往这些故障运用三比值法就检测不出来。

（2）当变压器油中气体含量正常时也可能出现故障，这时候三比值法就不能精确检测出来。

（3）当某些故障在编码边界时，三比值法可能模糊混淆部分数据，造成误判。

（4）三比值法只适用于变压器油中气体分析，并不能运用在其它方面。

3.6本章小结

本章归纳了变压器的故障类型及产生故障时的气体特征，讲述了DGA技术在故障诊断时的流程。

详细介绍了三比值法，并运用MATLAB技术实现。

选取90组DGA原始数据进行检测，检测结果精确度达到了83.33%，基本满足了变压器故障精确度要求。

体现了三比值法在变压器油中溶解气体检测变压器故障的可行性和可靠性。

第四章基于神经网络的变压器故障诊断

气体在变压器油中溶解时候可能会受到电、热、机械等各方面因素的作用，在溶解过程中涉及到了极其复杂的机理，所以，通过一般的理论方法并不能够精确地计算并反映出各个方面的映射关系，比如变压器油中溶解的特征气体、变压器故障类型以及故障严重程度这三者之间的关系。

在对适用于故障分析的神经网络进行建立模型之后，便可以进行下一步的样本数据录入从而达到对神经网络训练的目的。

训练之后的神经网络能够自动发现样本数据中的规律，所以在给定溶解气体的有关数据之后，这种神经网络的模型能够十分迅速的得出变压器所属的故障类型。

4.1神经网络的介绍

神经网络（ANN）是一个模仿人脑工作机理的非线性信息处理系统。

神经网络是好多个人工神经元通过相互之间的连接组成的，而人工神经元则是负责处理信息的基本单元。

神经网络能够快速得出故障分析结果的原因是它能够通过训练算法直接发现样本数据中的知识，然后再将这些知识隐藏在它的权值和阈值中，这样一来，神经网络在分析实例时便可以直接运用这些知识。

神经网络（ANN）运用非常广泛，它拥有着其它信息处理系统不拥有的的优点；例如以下这几个方面：

（1）非线性

（2）输入输出映射

（3）自适应

（4）可信度估计

（5）信息的分布式存储

（6）容错性

4.1.1神经网络的拓扑结构

神经网络的拓扑结构受到神经元与神经元之间连接方式的影响，有很多种不同形式的拓扑结构。

（1）前向网络

如图4-1所示，这种形式的拓扑网络为前向网络。

从图中更可以看出，这种网络是由输入层、隐藏层和输出层组成的。

作为整个网络的前提，这种结构中，信息是单向流通的。

在输入端给出一个特定数据，该数据就会经过输入层然后传递到隐藏层，而在隐藏层中的神经元会对这个数据进行一系列的处理，最后被传到输出层，得到输出结果。

图4-1前向网络的结构图

（2）有反馈的前向网络

如图4-2所示，这种网络的特点是在网络中增加了一条由输出层到输入层的信息反馈通道，这种通道形成一个反馈过程。

一般来说，有反馈的前向网络在存储模式序列中经常采用，例如可以分析变压器故障的回归BP便是这种类型的网络结构。

图4-2有反馈前向网络的结构图

（3）层内互连前向网络

这种类型的网络，其中的神经元隐藏层是相互连接的。

在这种连接方式的作用下，每层内的神经元便不可能在同一时间作用。

（4）相互结合型网络

在无反馈的前向网络中，每个信号都是从输入层、隐藏层和输出层一一传递的，具有单向性，只能从前往后传递，不能从后往前。

在相互结合型网络中，任意两个不同的神经元之间都存在着不同的连接。

信号从输入层进入之后，便在层内神经元之间一直不断的传来传去，在不断传递的过程中，信号会处于一直变化的状态下，直到整个网络达到了一种平衡。

4.2BP神经网络及变压器故障诊断算法

4.2.1BP网络

在多层前向网络的基础上，使误差沿着输出途径并令学习算法反向传播的网络叫做BP网络。

如图4-5所示，它拥有三层结构，分别是输入层、隐藏层和输出层。

首先给网络一个特定的输入信号，输入层便会接受它，然后经过不同神经元的各种程度的处理之后，信息便传到了隐藏层，在隐藏层内，还会对信息进行一定的处理，处理完毕之后信息传出隐藏层到达最后的输出层。

由于单向性的特征

展开阅读全文