趙忠秋，鄭興超，張 超

(滄州供電公司，河北 滄州 061001)

由于電力變壓器故障的多樣性，再加上引發(fā)這些故障的原因非常復(fù)雜且不明顯，使得要準(zhǔn)確地判斷電力變壓器故障性質(zhì)及故障發(fā)生部位變得相當(dāng)困難。長期以來，在變壓器故障診斷中應(yīng)用較多的是傳統(tǒng)的油中溶解氣體分析法(DGA)，如IEC推薦的三比值法，Rogers法Dornerburg法等，并引入了專家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)、模糊數(shù)學(xué)、進(jìn)化算法等對變壓器進(jìn)行診斷，取得了一定的進(jìn)展[1]。其中氣相色譜法由于可以發(fā)現(xiàn)變壓器中的潛伏故障，已被廣泛應(yīng)用；局部放電技術(shù)作為一項(xiàng)準(zhǔn)確的檢測手段也已被深入研究。但由于這些手段等均存在一定的局限性，故應(yīng)用人工智能技術(shù)利用它們的結(jié)果進(jìn)行綜合分析以進(jìn)行準(zhǔn)確的診斷被廣泛的研究。其中，基于四比值的變壓器故障神經(jīng)網(wǎng)絡(luò)診斷法具有較為廣闊的前景。

1 變壓器故障診斷基本原理

1.1 變壓器油中溶解氣體產(chǎn)生原理

在不同裂解能量的作用下，礦物油中烴類裂解物出現(xiàn)的順序依次為：烷烴一烯烴一炔烴一焦炭，這一理論是目前利用油中溶解氣體含量診斷變壓器故障類型的基礎(chǔ)。

對從氣體繼電器中所取出的氣樣，和從油樣中脫氣后得到的溶解于油中的氣體的氣樣，用色譜分析儀對其進(jìn)行組分和含量的分析時(shí)，主要是分析氫氣(H2)、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)、乙炔(C2H2)、一氧化碳CO和二氧化碳CO2。這些氣體都是當(dāng)變壓器發(fā)生故障時(shí)，油和固體絕緣材料在熱或電，或兩者兼有的作用下被分解而產(chǎn)生的。一旦變壓器發(fā)生故障時(shí)，例如發(fā)生局部放電時(shí)，油裂解產(chǎn)生的氣體，主要是甲烷。隨著故障溫度的升高，乙烯和甲烷的組分逐漸成為主要特征。在溫度高于1000℃時(shí)，例如在電弧弧道溫度(約3000℃以上)的作用下，油分解的產(chǎn)物中，含有較多的乙炔(C2 H2)。

1.2 變壓器故障類型與氣體特征

當(dāng)變壓器發(fā)生故障時(shí)，油分解的氣體顯現(xiàn)出不同的氣體組分，如表1所示。

1.3 變壓器油中氣體含量限值判斷變壓器狀態(tài)

通過變壓器油中氫、烴氣體含量限值(%)大小，可以用來判斷變壓器有無故障和故障的嚴(yán)重程度，如表2所示。當(dāng)其中有一項(xiàng)達(dá)到注意值時(shí)，應(yīng)加強(qiáng)監(jiān)視，跟蹤分析；當(dāng)其中有一項(xiàng)達(dá)到故障值時(shí)，說明變壓器內(nèi)部有故障存在。

表1 變壓器故障類型和氣體組分關(guān)系

表2 氫、烴氣體含量限值判斷變壓器的狀態(tài)

2 基于特征氣體的BP神經(jīng)網(wǎng)絡(luò)診斷法

目前普遍應(yīng)用的變壓器故障智能診斷方法，基本上都是采用變壓器油的特征氣體含量作為其神經(jīng)網(wǎng)絡(luò)的輸入來實(shí)現(xiàn)。對于變壓器故障診斷的BP的網(wǎng)絡(luò)來說，其結(jié)構(gòu)由輸入層、輸出層和中間隱層構(gòu)成。選擇H2，CO，CH4，C2H4，C2H2和C2H6六種特征氣體經(jīng)過模糊化處理后作為神經(jīng)網(wǎng)絡(luò)的輸入，根據(jù)其組成的含量可以判斷故障缺陷和故障的性質(zhì)[2]。以變壓器的故障性質(zhì)作為神經(jīng)網(wǎng)絡(luò)輸出，某輸出層神經(jīng)元輸出越大表明發(fā)生該種故障的可能性也越大。一般的神經(jīng)網(wǎng)絡(luò)往往需要大量的訓(xùn)練樣本，訓(xùn)練的樣本越多，其知識庫存量就越大，診斷的準(zhǔn)確性就越高[3]。但是，許多屬于同一類型的不同故障數(shù)據(jù)經(jīng)過數(shù)據(jù)預(yù)處理后得到的樣本往往是十分接近的，所以只要挑選一組故障數(shù)據(jù)作為該故障樣本類型的樣本即可，這樣經(jīng)過樣本數(shù)據(jù)預(yù)處理后，神經(jīng)網(wǎng)絡(luò)中用于訓(xùn)練的故障樣本數(shù)目并不需要很多。BP神經(jīng)網(wǎng)絡(luò)通過樣本訓(xùn)練后，就能夠達(dá)到對變壓器故障類型的正確識別。

3 基于四比值的神經(jīng)網(wǎng)絡(luò)診斷法

3.1 四比值法診斷標(biāo)準(zhǔn)

四比值法的BP神經(jīng)網(wǎng)絡(luò)，它的理論依據(jù)是BP神經(jīng)網(wǎng)絡(luò)和四比值法的診斷方法及其標(biāo)準(zhǔn)。四比值法(又叫做羅杰斯比值法)是目前油中氣體分析法中較為常用的一種，它是根據(jù)5五種不同的氣體(H2，C2H6，CH4，C2 H4，C2 H2)組分產(chǎn)生的四個(gè)比值(CH4/H2，C2 H6/CH4，C2 H4/C2 H6，C2 H2/C2 H4)的大小范圍來判斷故障類型的方法，表3給出該方法具體的診斷標(biāo)準(zhǔn)。

表3 四比值法的診斷標(biāo)準(zhǔn)

續(xù)表3

3.2 四比值法神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

由上表3可以看出它的最大的特點(diǎn)就是對故障分析較為詳細(xì)，根據(jù)這些標(biāo)準(zhǔn)即可判斷出故障的類型，但是由于診斷范圍的劃分過于精確，不能完全體現(xiàn)出變壓器故障診斷的模糊性和復(fù)雜性，而且對新的故障類型缺乏學(xué)習(xí)的能力，為了使四比值法在變壓器故障診斷中發(fā)揮更大的作用，本文采用經(jīng)過數(shù)據(jù)預(yù)處理后五種氣體含量比值作為神經(jīng)網(wǎng)絡(luò)的輸入量。由于BP神經(jīng)網(wǎng)絡(luò)的輸入量最好是0～1之間的數(shù)，所以計(jì)算出CH4/H2，C2 H6/CH4，C2 H4/C2 H6，C2 H2/C2 H4 的四個(gè)比值只是數(shù)據(jù)預(yù)處理的第一步，這樣得到的數(shù)據(jù)仍然不是在0～1間的數(shù)，因此數(shù)據(jù)處理的第二步是對上面的四個(gè)比值分別進(jìn)行范圍的劃分，并對每一個(gè)范圍設(shè)定相應(yīng)的標(biāo)志值，并將這些分類的標(biāo)志值表示成(I1，I2，I3，I4)，將它作為網(wǎng)絡(luò)的實(shí)際輸入量，根據(jù)對許多變壓器故障樣本值的分析，在表4中給出了這些比值范圍的分類標(biāo)志值(這些數(shù)需據(jù)根據(jù)經(jīng)驗(yàn)總結(jié)出來，根據(jù)不同的設(shè)計(jì)，其值不是唯一的)。

表4 四比值法的分類標(biāo)志

根據(jù)四比值法得出17組訓(xùn)練樣本集，如表5所示。

表5 訓(xùn)練樣本集

本網(wǎng)絡(luò)設(shè)計(jì)輸入節(jié)點(diǎn)有四個(gè)(即輸入量為：I1，I2，I3，I4)，經(jīng)反復(fù)調(diào)試隱含層節(jié)點(diǎn)的個(gè)數(shù)為10個(gè)，輸出節(jié)點(diǎn)的個(gè)數(shù)為12個(gè)(即：O1～O12)輸出量，每個(gè)輸出量代表一種變壓器故障運(yùn)行狀態(tài)，輸出“1”表示有該類故障，輸出“0”表示無該類故障。

3.3 采用四比值法BP神經(jīng)網(wǎng)絡(luò)的診斷實(shí)例：

某變電站一次發(fā)生故障時(shí)油中氣體樣本含量為：H2=791，C H4=390，C2H6=173，C2H4=560，C2H2=12(單位：μL/L)，實(shí)際故障為高溫過熱故障。診斷前所先將數(shù)據(jù)處理如下：

I1，…，I4作為神經(jīng)網(wǎng)絡(luò)的輸入量，診斷后輸出的矩陣是一個(gè)12行12列方陣，其中第12行的12個(gè)數(shù)為：(0.005 1，0.000 8，0.000 2，0.000 0，0.050 1，0.016 1，0.000 0，0.000 4，0.040 2，0.080 1，0.001 0，0.950 0)，診斷的結(jié)果中，第12個(gè)數(shù)“0.950 0”接近“1”；與表4對比后，其結(jié)果與有還流或接頭過負(fù)荷符合，與實(shí)際情況相符合。

4 結(jié)束語

利用四比值法BP神經(jīng)網(wǎng)絡(luò)診斷變壓器故障，只要輸入故障現(xiàn)象后，就可以同時(shí)清晰的看到各個(gè)診斷的結(jié)果，便于比較分析，有利于更快，更全面地進(jìn)行變壓器的故障診斷。

該診斷方法法的計(jì)算精度、收斂速度及計(jì)算穩(wěn)定性較常規(guī)的BP算法及遺傳算法有很明顯的提高，對輸出和輸入關(guān)系比較復(fù)雜的訓(xùn)練樣本集，有很好的學(xué)習(xí)效果[4]。它提高了診斷的準(zhǔn)確可靠性，推廣了神經(jīng)網(wǎng)絡(luò)應(yīng)用于電力變壓器故障診斷的實(shí)用性。

[1]李紅雷，肖登明，等.神經(jīng)網(wǎng)絡(luò)診斷變壓器故障的新方法[J].高壓電器，2000(6)：12-17.

[2]丁曉群，孫軍，等.模糊診斷電力變壓器故障點(diǎn)部位的研究[J].電網(wǎng)技術(shù)，2000，24(5)48-51.

[3]楊啟平，薛五德，蘭之達(dá).變壓器故障人工智能系統(tǒng)的研究[J].高電壓技術(shù)，2003，29(3)：10-12.

[4]王大忠，周澤群，等.結(jié)合遺傳算法的人工神經(jīng)網(wǎng)絡(luò)在診斷電力變壓器故障診斷中的應(yīng)用[J].中國電機(jī)工程學(xué)報(bào)，1997，27(3)：109-112.