变压器远程可视化诊断系统的设计与实现

龚东武 郭宏燕

（许继集团有限公司，河南 许昌 461000）

电力变压器作为电力系统中最为核心的设备，其运行状况的正常与否将直接决定系统的安全性及可靠性。随着电力系统向着智能化方向快速发展，对一次设备的运行维护提出了更高的要求；尤其随着无人值守变电站的增加，要求设备维护人员能对设备进行远程的诊断和维护[1-3]。探索变压器远程可视化诊断的工程实施方法对提高一次设备运维水平具有重要意义。随着在线监测技术在智能化变电站内的广泛应用，特别是各种在线监测装置的安装为变压器的远程可视化诊断提供了数据基础。本文基于DGA 数据和Spring 框架探讨变压器远程可视化诊断系统的设计和实现。

1 变压器远程可视化诊断系设计方案

1.1 系统构架设计

图1 诊断系统物理结构图

基于变电站一次设备运行和检修模式，诊断系统可设计成图1结构。系统主要由3 大部分组成： 油中溶解气体分析（DGA）装置、在线监测站端单元和一次设备管理应用终端。DGA 装置是变压器专用在线监测装置，完成变压器油中气体含量的分析和采集，然后通过IEC 61850 标准将数据送至在线监测站端单元[4-5]；在线监测站端单元进行监测数据管理、变压器诊断及诊断结果发布；一次设备管理应用终端远程发送诊断请求，在线监测站端单元执行诊断命令，将诊断结果以图形方式反馈给应用终端。监测数据在电力信息系统中定义为Ⅱ区数据，供电公司内网为信息安全Ⅲ区。考虑到数据安全性，系统设计中采用防火墙进行安全防护。

1.2 软件架构设计

系统设计成基于J2EE 平台的B/S 多层Web 体系结构，系统如图2所示，分为数据库层、数据访问层和业务应用层共3 层。数据库层选用MySQL 5.0数据库存储变压器DGA 数据及其他相关数据；数据访问层采用Spring 整合Hibernate 的方案。为在不牺牲Hibernate 强大功能的前提下尽量降低Hibernate的使用难度，本系统采用了基于Spring 提供的模板类来使用Hibernate；业务应用层采用Spring WEB MVC 框架。

图2 软件结构框架图

1.3 Spring 框架

Spring 是分层的Java SE/EE 应用一站式的轻量级开源框架，以IoC 和AOP 为内核，提供了展现层Spring MVC 和持久层Spring JDBC 以及业务层事务管理等众多的企业级应用技术[6]。

Spring MVC 能很好地实现控制逻辑、业务逻辑、数据逻辑和显示的分离，减少代码的重复性，提高系统的可维护性[7-8]。特别是变电设备的诊断算法复杂多样，将诊断逻辑分离出来对提高开发效率和系统的可维护性尤其重要。

远程诊断业务在框架中的数据和信息传递方式如图3所示。操作员通过浏览器发出诊断请求，DispatchServlet 组件截获请求，通过HandlerMaping组件获取请求对应的Handler（处理器），处理器通过持久化层获得数据并进行诊断计算，然后将Model 填充到视图中，将 ModelAndView 送至DispatchServlet 组件，DispatchServlet 组件利用ViewResolver 进行视图渲染，在将视图返回给浏览器，形成可视化诊断闭环。

图3 MVC 操作流程图

2 诊断方法及建模

2.1 大卫三角形算法

变压器诊断应用较多的是油中溶解气体分析法，如罗杰斯比值法，IEC 推荐的三比值法和大卫三角形法[9]。为了提高诊断的准确度国内外又引入了专家系统、人工神经网络[10-11]、模糊数学、进化遗传算法[12]及各种混合诊断系统[13-14]等方法。大卫三角形法和三比值法相比不存在编码盲区，便于进行诊断可视化。

变压器的电或热故障导致绝缘油裂解产生氢气（H2）、甲烷（CH4）、乙烷（C2H6）、乙烷（C2H4）、乙炔（C2H2）等故障气体。1974年杜威（Duval）提出了以CH4、C2H4、C2H2三组分的相对含量为基础的三角图法。本文使用该算法作为故障诊断算法。大卫三角形描述如下。

1）气体含量计算：

2）故障区域描述见表1。

表1 大卫三角形区域极限表

大卫三角形是一个等边三角形，每边代表一种气体在三种气体总和中的百分含量，依据表1将三角形划分为多个区域，不同的区域代表不同的变压器故障。具体见图4。

图4 大卫三角形建模分析图

2.2 可视化建模

大卫三角形算法的图形由规则的几何图形构成，模型构造中可以用形体表面的边界表示法（B-rep）和计算实体几何法（CSG）。具体过程如下：

1）建立一个用来绘制大卫三角形的背景图形区域。该区域为一个长度为l 的正方形。

2）大卫三角形场景几何描述见图4。指定上述图形绘制区域的左上点坐标为（0，0），大卫三角形建立在绘图区域正中间，即三角形最上面的点与绘图区域的距离和三角形底边与绘图区域的底边距离相等都为d。在此基础计算边界表示法所需参数。由于大卫三角形是平面图，只需要计算出各顶点表，然后确定各故障区域的边表即可描述整个大卫三角形。各区域处理方法相同，以D1 区（低能放电区）为例进行计算，D1 区顶点表计算见表2，边表见表3。

3）根据顶点表和边表绘制区域轮廓，并进行颜色渲染。

4）进行刻度绘制和标识绘制。

5）故障点映射。DGA 装置每做一次油气分析产生一组油中溶解气体浓度值，挑选CH4、C2H4和C2H2浓度值，根据式（1）至式（3）计算得到CH4%、C2H4%和C2H2%，形成一组坐标，根据坐标将故障点映射到大卫三角形场景中。由图4可知，大卫三角形中任意一点p通过变换有px=x′，py=y′，pz=z′，即在大卫三角形中选择CH4%、C2H4%和C2H2%中任意两个参数可以确定点的位置。本文选择C2H4%和C2H2%进行故障点定位。

表2 大卫三角形顶点表

表3 D1 区域边表

3 软件实现及验证

3.1 软件实现

系统的业务模型部分用Java 语言进行开发，整体框架选用 Spring 3.2.3，数据库操作部分选用Hibernate 3.0，动态页面设计选用JSP2.3。系统实现的主体部分如下：

1）定义配置文件

配置Web 部署文件（web.xml），利用Spring MVC 的DispatcherServlet 来进行请求分派。将*.htm类型请求映射到Controller 上。所有*.htm 请求由DispatcherServlet 进行分发处理。在 dispatcher- servlet.xml 文件中配置InternalResourceViewResolver进行视图解析。

2）视图设计

视图部分由 davidFrame.jsp、davidList.jsp 和davidShape.jsp 等几个.jsp 文件组成。在jsp 页面上定义toDavidList. htm 和davidImage.htm 等URL 请求。davidList.htm 用于请求DGA 原始数据模型；davidImage.htm 用于请求诊断后的数据模型。

3）控制设计

设计一个POJO 类DialogController，通过Spring提供的注解标注@Controller 将该类变成 Spring MVC 的控制器。该类负责诊断逻辑之间的映射。在类中设计返回ModelAndView 类的方法davidImage()，利用@RequestMapping 注解davidImage.htm 请求和该方法之间映射关系。

4）诊断数据模型设计

诊断模型由以下类构成：

（1）DavidTriangle——大卫三角形诊断算法类。该类完成图4图形模型的实现。主要功能为绘制大卫三角形和故障区域边界；给不同的故障区域填充不同颜色，并标上区域编码D1、T1 和T2 等；绘制三边的刻度，标上刻度值和坐标标识；绘制区域示例图；提供故障点绘制接口。将最终的数据以ImageIO 流输出至视图。

（2）GasDao 和Gas——数据库操作相关类。Gas 类注解为domain 对象，用来映射数据库中的gas表；GasDao 访问Gas 的Dao。两者都采用注解配置的方式定义成Spring 的Bean。

（3）DailogService——业务接口类。通过@Service注解标注为服务层的Bean，提供与数据库操作相关的业务接口。

软件主要流程如图5所示，用户通过登录认证后进入davidFrame 页面，通过页面发出toDavidList请求，控制器DialogController 调用数据请求逻辑获取原始DGA 数据，将数据返回至davidFrame 页面；从页面发出变压器诊断请求davidDo，DialogController 调用诊断业务逻辑处理类DavidTriangle 获取诊断后的数据模型，然后将数据填充至视图中，返回最终的诊断可视化视图在浏览器中展示。

图5 诊断流程示意图

3.2 应用效果

在系统开发期间，使用变压器实际检修数据进行诊断效果验证，结果见表4。系统运行表明远程诊断结果与实际检修结论一致较好。其中第一组数据诊断效果图如图6所示。

表4 验证数据表

系统在变电站实际运行中接入两台DGA 装置。系统运行半年以来，运行稳定，诊断响应时间在5s以内，满足实际应用需求。

图6 系统执行效果图

4 结论

本文提出了一种变压器远程可视化诊断构想，并基于大卫三角形算法，对变压器远程可视化诊断系统的设计方案和具体实现进行了研究和探索。实际运行证明，可视化技术可以将抽象数据形象化， 有助于运行人员更直观的发现问题，提高设备维护效率；同时基于Spring 框架实现的远程诊断技术能有效减少运行人员的巡视次数，节省设备运行维护的人力物力。

[1] IEC Publication 599. Interpretation for the analysis of gases in transformers and other oil-filled electrical equipment in service[S]. 1978.

[2] 杨启平,薛五德. 专家系统在变压器故障诊断中的应用[J]. 变压器,1996,33(6): 35-38.

[3] 吴晓辉,刘炯,梁永春,等. 支持向量机在电力变压器故障诊断中的应用[J]. 西安交通大学学报,2007,41(6): 722-726.

[4] 王德文,邸剑,张长明. 变电站状态监测 IED 的IEC61850 信息建模与实现[J]. 电力系统自动化,2012,36(3): 81-85．

[5] 邬航杰,盛戈皞,崔荣花,等. 基于IEC 61850 的变压器状态监测IED 的信息建模及SCL 描述[J]. 华东电力,2011,39(12): 2012-2016.

[6] Gary Mark. Spring recipes: A problem-solution approach[M]. New York: Apress LP,2008.

[7] 段斌,李光辉. 基于MVC 框架的公共部门绩效评价系统[J]. 计算机工程,2009,35(6): 263-268.

[8] 边霞,赵奎,胡晓勤,等. 基于MVC 的文件备份后台管理系统的设计与实现[J]. 计算机工程与设计,2011,32(9): 3195-3198.

[9] 黄超,周力行,陈众. 变压器绝缘油智能化故障诊断系统研制[J]. 变压器2010,47(8): 66-70.

[10] Zhang Y,Liu Y. An artificial neural network approach to transformer fault diagnosis[J]. IEEE Trans on Power Delivery,1996,11(4): 1836-1841.

[11] 顾民,葛良全. 基于自组织神经网络的变压器故障诊断[J]. 继电器,2007,35(23): 28-30.

[12] 谢可夫,罗安. 遗传算法在变压器故障诊断中的应用[J]. 电力自动化设备,2005,25(4): 55-58.

[13] 厉劼翀,周宁,吕彬. 基于神经网络、模糊理论的变压器油中溶解气体诊断专家系统[J]. 电网技术,2006,30(S1).

[14] 潘超,马成廉,郑玲峰,等. 一种结合模糊TOPSIS法和BP 神经网络的变压器故障诊断方法[J]. 电力系统保护与控制,2009,37 (9): 20-24.