智能診斷方法在電力變壓器故障識別中的應用

蔣慧勇

（淮安市城市照明管理服務中心,江蘇淮安223200）

0 引言

國家發展的命脈在于能源，而電能作為社會應用最廣、頻率最高、消耗量最大的能源，無疑成了制約一個國家發展的關鍵所在，與人們日常生活、社會生產有著極為緊密的聯系，是國民經濟發展的命脈。在國民經濟迅猛發展的新時代背景下，人們的生活水平在不斷提升的同時對電能的需求量、穩定性等也提出了更高的要求。新時代背景下如何在保證社會供電量的同時，確保電力設備的安全、穩定、有效運轉，逐漸成了每一名電力工作者的主要任務。而電力變壓器作為電力系統中重要的電能輸出設備，其運行的穩定性、可靠性，不僅關系到社會用電的穩定性，同時也關系到變電站、發電廠的正常運轉。一旦電力變壓器產生故障，小則導致大范圍停電，大則引發嚴重經濟損失、安全事故。為保障電網的安全運轉，降低因電力變壓器安全故障而引發的不良社會影響，必須對電力變壓器的檢修工作提起高度的重視。尤其是面對因技術升級、環境多樣等因素而導致的電力變壓器故障多樣性、復雜性演變，準確判斷、快速檢修能夠最大限度地降低因安全故障而造成的損失，保障電力系統的正常運轉［1］。為此，有必要在電力變壓器的故障識別中引入最新、最先進的智能診斷方法，在傳統DGA方法以及智能算法的強強聯合作用下，實現對電力變壓器故障的高精度診斷處理。

1 電力變壓器常見故障類型及原因分析

電力變壓器主要由閉合磁路以及環繞在磁路周圍的邊緣電路構成，即通常所說的鐵芯、線圈。此外還包含了油箱、多種附件、變壓器油等，分別起到機械支撐、保護、冷卻散熱、冷卻絕緣等作用。其中油箱作為電力變壓器的主體部分存在，無論是從油箱主體構造、功能來看，還是單純地從油箱的容納變壓器油的角度來看，油箱都是電力變壓器故障的主要產生源。這主要是由于變壓器油本身主要成分為氫氣、烴類氣體等，在無故障情況下變壓器油中成分以氮氣、氧氣為主，這些氣體不溶于油，不會對油質產生影響，一旦發生諸如局部放電、火花放電、高溫過熱等故障，迅速產生的熱量會導致這些成分化學鍵斷裂，從而在化學反應下產生低分子烴類氣體，這些氣體可溶于油并導致油體產生雜質，從而影響油箱性能導致故障的產生。因此，可以以油箱內外為界，對電力變壓器故障進行范圍劃分。內部故障——繞組間短路、引出線外殼接地故障等；外部故障——油箱外絕緣套管故障、閃絡短路故障、引出線相間故障。從性質上來講，電力變壓器內部故障主要以熱故障、電故障為主。上述提到的局部放電、火花放電為常見的電故障，是變壓器絕緣能力大幅度下降所引發的［2］。熱故障則是集中表現為局部溫度快速升高出現高溫過熱的情況。就熱故障、電故障的主要表現而言，具體如下。

熱故障，可依據溫度來對故障嚴重程度予以直接判斷：＜150℃屬輕度過熱，＜300℃屬低溫過熱，＜700℃屬中溫過熱，＞700℃屬高溫過熱。低溫過熱故障狀態下，變壓器油中氫氣、烴類氣體總量占比＞27%。在中高溫過熱故障狀態下，氫氣占比逐漸下滑，并在過熱化學反應下逐漸產生CH4，C2H4，最終二者占據油箱內氣體總含量的80%以上，甚至在一些情況下還會產生CO2，CO。熱故障產生的原因是多方面的，如變壓器并列運行在超負荷運轉情況下造成線圈短路，變壓器鐵芯存在接地點或是漏磁等情況導致局部電流在不斷循環中產生過多熱量，分接開關接觸不良等，這些原因都會在一定程度上導致電力變壓器局部位置出現高溫過熱的情況，從而引發故障的產生。

電故障，是受高電場強度的影響變壓器構件出現老化、絕緣性能下降等情況而導致的故障。以放電量密度情況為依據，電故障又可以細分為局部放電、火花放電、電弧放電。放電時產生的氣體以H2，CH4，C2H2，C2H4等為主，依據放電情況的不同所產生氣體占據油箱內氫烴總量的25%～90%。其中又以電弧放電反應最為劇烈，可在瞬間產生大量氣體，且提前無任何征兆，一旦發生故障會以極快的速度蔓延，所產生的氣體在沒來得及溶于油中時，就會快速進入變壓器氣體繼電器當中。電故障引發的原因受多方面因素的影響，與電負荷、周圍環境溫度等都有著一定的關聯性。如，電力變壓器設計、安裝、制造不達標，部件工藝水平較低，以及在高溫過熱或是放電情況下，電力變壓器油箱中氣體發生化學反應，產生的新氣體溶解到油當中造成油質下降等，這些都會導致電力變壓器性能不佳而增加電故障的發生率。此外，當電力變壓器長時期處于受潮環境中時，周圍水分子、雜質也會導致變壓器局部放電情況的發生，使得水分子經電解反應產生大量H2。

2 智能診斷方法在電力變壓器故障識別中應用的意義

在以往工作中，多采用傳統的油中氣體分析法即DGA對電力變壓器故障進行識別、分析，該方法的重點是圍繞油箱內碳氫化合物生成過程中的相關熱動力學進行的，即不同類型碳氫氣體比例的產生主要取決于熱點溫度大小。在電弧、過熱等原因的作用下，隨著環境的逐漸升溫，H2，CH4，C2H6，C2H4，C2H2等氣體的析出速率逐漸達到最大值。傳統的DGA故障分析法主要有三比值法、電協研法、特征氣體法、羅杰斯法等。雖然這些方法各具優勢，對于電力變壓器故障的識別與研判而言起到了很好的作用，并且可以在確保變壓器不斷電正常運行狀態下，即可實現對其故障的診斷，有效地維護了電網系統的安全性。但隨著我國電網系統的不斷發展，人們對電網的穩定性、安全性提出了更高要求的同時，也對變壓器故障識別的智能性、高效性、便捷性、準確性等提出了要求。DGA故障分析法不再能夠充分滿足電力變壓器故障診斷需求，尤其是其診斷準確度不高、方法單一的缺陷逐漸顯露出來，更無法實現對電力變壓器的實時監測、診斷，受到了時間、空間對檢測工作的束縛。與此同時，以DGA故障分析法為主的傳統電力變壓器故障識別需要涉及故障發生機理、設備運行狀態以及所處環境情況等一系列因素，在對這些因素進行綜合考量下才能夠得出具體故障分析結果，此種方法較為煩瑣、復雜，難以快速而準確找到故障產生原因及位置，不利于故障的及時排除。為此，需要在計算機網絡技術、人工智能技術的輔助作用下，在傳統DGA分析方法的基礎上，盡快生成一套完整的智能診斷系統，在專家系統診斷方法、模糊推理診斷方法、神經網絡診斷方法、智能計算機診斷方法、智能混合診斷方法等的共同作用下，借助智能網絡系統實現對故障機理、設備運行等因素的自動化、智能化分析與處理。因此在繼承DGA故障分析方法優勢特點的基礎上，充分彌補傳統DGA分析法存在的不足與缺陷，使電力變壓器故障識別與分析更具精準性，在快速、準確解除電力變壓器故障的同時維護電網穩定性，積極順應現代化電網系統建設發展需求［3］。

3 智能診斷方法在電力變壓器故障識別中的應用

3.1 專家系統診斷方法

專家系統診斷方法是建立在交互性知識庫的基礎上，借助知識庫豐富的信息體系，對故障診斷過程中涉及的各種不確定信息予以綜合推理、分析，由此達到快速、準確判定復雜故障的目的。其中的知識庫是在無數次的電力變壓器故障診斷實踐中，所逐漸積累起來的既有診斷知識、經驗、教訓，能夠為變壓器的故障診斷、分析、識別提供充足的數據信息支持，使檢測者可以結合變壓器故障表征、測量數據，在專家知識庫的輔助下迅速找到最佳解決方案并建立故障識別系統模型。在整個專家系統診斷方法中，知識庫尤為關鍵，知識庫信息內容更新頻率情況、人機交互界面友好性等都對診斷工作的順利實施起到了關鍵性的影響。從整個體系來看，專家系統可以大致分為絕緣預防試驗模塊、潛伏性故障診斷模塊、氣體色譜跟蹤分析模塊3部分，能夠對變壓器運行過程中油箱內的油、氣狀態，電流運行情況以及部件情況等做出檢測，并給出具體翔實的意見。專家系統診斷方法的優點就在于信息透明、應用靈活，且交互性功能的具備能夠使檢測者即便是在故障信息不全的情況下依然能夠實現對故障的有效識別。但缺點也是極為明顯的，目前專家系統的開發并未形成統一，Prolog、Delphi作為當前兩大專家系統開發方，受各方面因素的影響，他們各自開發的專家系統接口協議存在差異，這就增加了系統運行的隱患。而冗長的程序代碼、復雜的輸入界面等更是大大增加了系統操作難度，不利于系統的后續升級優化。此外，對知識庫的過度依賴，也不利于對更為多變、復雜故障情形的診斷，容易造成故障的錯誤識別。在應用專家系統對電力變壓器故障進行識別的過程中，不僅要注重知識庫的更新、系統的升級改造，更需要有選擇地融合其他更為高級的智能診斷方法，在多種方法的共同作用下實現對復雜故障的準確、快速判定，由此來彌補專家系統的不足［4］。

3.2 模糊推理診斷方法

隨著現代電力系統的日益復雜化，各項故障產生的表象及原因的復雜程度也逐漸提升，與此同時各故障的產生機理更是帶有模糊性的特點。對難度、復雜程度都較高的故障，難以借助明確的判斷依據來對故障予以描述和研判，為此可以借助模糊推理故障識別方法來解決變壓器故障診斷中復雜且模糊的數值問題。具體而言，通過模糊推理數學分析模型的引入，可以在已有故障征兆的基礎上，結合搜集到的故障變壓器數據信息，基于模糊覆蓋及理論建立電力變壓器故障診斷模型，從而得出故障集合、征兆集合以及故障征兆連接關系集合，為電力變壓器故障的準確判斷以及后續處理提供重要的輔助作用。從類型上來看，模糊推理診斷方法大致可以分為邊界值模糊化處理、模糊關系、基于模糊聚類3種，可以在對各類智能識別算法進行優化組合的基礎上，以能夠采集到、觀測到的關于變壓器故障的所有信息為依據展開模糊推理，由此實現對復雜故障情況的高精度研判，并輔助檢測者做出合乎實際的故障處理措施［5］。

3.3 神經網絡診斷方法

人工神經網絡診斷方法是建立在生物神經網絡基礎上模擬發展而來的一種新型的智能化網絡處理系統，由大量人工神經元組成，其內部組織結構在很大程度上是仿造人腦神經系統而建立的，因此在功能上也帶有智能化控制的特點。神經網絡診斷方法是目前發展較為成熟且應用較廣的一種電力變壓器故障識別方法。神經網絡診斷技術可以在各神經元相互協同的作用下實現對信息的集中處理，帶有信息聯想記憶、非線性映射、分類與識別等各項功能，在故障診斷、處理過程中，不僅能夠幫助維修人員快速恢復變壓器原始完整數據信息，同時還可以通過非線性映射數據模型的建立清晰地反映變壓器氣體成分含量、故障類型等。在所有智能診斷方法中神經網絡診斷對電力變壓器故障的識別帶有良好的自組織性、自適應性，同時還具有極佳的泛化能力，可以被應用于各種故障的診斷與處理。在實際的應用中，神經網絡診斷方法主要通過搭建模型的方式來進行故障的識別，可以搭建單一化的神經網絡模型，亦可以在其他智能診斷方法的協同作用下搭建混合診斷模型，由此使人工神經網絡診斷技術在不斷吸收其他故障算法優勢的基礎上，變得更加敏捷、高效。

4 智能計算診斷方法

智能計算機診斷方法包含內容較多，常見的粒子群算法、遺傳算法等都屬于智能計算故障診斷方法，在電力變壓器故障識別中均有著較廣的應用。同時基于各類智能計算診斷方法的全局優化、智能算法等特點，使得智能計算診斷方法帶有較高的自學習特性，可以實現對變壓器故障信息的快速、高效數據處理。以粒子群算法為例，該算法是在傳統遺傳算法的基礎上，經迭代優化而來的一種更為高效的算法模式，以在解空間中最優粒子為目標進行一定范圍內的信息搜索來找到最優解。在整個粒子群算法中，多個粒子共同集合而成同一種群，每個粒子都代表一個問題優化潛在解，在運行過程中，不同粒子的搜索速度、方向會受到種群及相關粒子搜尋經驗影響。相比傳統故障識別算法，粒子群算法算法流程更為簡單，參數也更為簡潔，不存在算法之間的變異與交叉，能夠實現全局范圍內的信息搜索并共享搜索結果，適用于以數據庫形式存在的大量數據信息的處理。在應用粒子群算法對電力變壓器故障進行識別過程中，只需針對目標函數輸出值進行基本數學操作即可，無須再進行梯度信息的分析。但值得注意的是粒子群算法由于需要在全局信息、個體信息進行綜合考量的情況下，去指導、確定粒子下一步迭代位置，雖然這實質上屬于正反饋過程，但容易使整個算法受到個體信息的影響而陷入局部極值。為提升粒子群算法基本性能，在應用該算法進行電力變壓器故障識別工作時，可以考慮將該算法與模糊推理診斷方法、遺傳算法、人工神經網絡算法等其他智能推理方法進行結合，在基本的粒子群算法中引入子種群、繁殖概念，由此增加算法的尋優能力、收斂性能。并以隨機選擇的方式選取不同粒子作為每次迭代的父代，借助繁衍公式來形成全新的速度子代粒子及空間坐標，由此來最大程度地增強粒子多樣性，使粒子空間搜索能力不斷提升，從而在一定程度上解決粒子算法系統局部級值的情況，使故障識別更為準確。

5 結語

綜上所述，智能診斷方法依托強大的計算機技術、電子技術，能夠有效實現對電力變壓器絕緣的在線監測。同時結合計算機人工智能所賦予的專家系統、人工神經網絡、模糊理論等算法，能夠最大程度地促進電力變壓器故障診斷準確率的提升，由此使電力變壓器故障能夠一直處于可掌控范圍內，保障電力系統的安全、穩定運轉。在未來的工作中，要繼續加強對智能診斷技術的研發力度，深入結合電力變壓器故障發生原理的分析，進行計算機人工智能技術的深挖，促進智能診斷方法能夠被更好、更充分地運用到電力變壓器故障識別中。