智能诊断方法在电力变压器故障识别中的应用

蒋慧勇

（淮安市城市照明管理服务中心,江苏淮安223200）

0 引言

国家发展的命脉在于能源，而电能作为社会应用最广、频率最高、消耗量最大的能源，无疑成了制约一个国家发展的关键所在，与人们日常生活、社会生产有着极为紧密的联系，是国民经济发展的命脉。在国民经济迅猛发展的新时代背景下，人们的生活水平在不断提升的同时对电能的需求量、稳定性等也提出了更高的要求。新时代背景下如何在保证社会供电量的同时，确保电力设备的安全、稳定、有效运转，逐渐成了每一名电力工作者的主要任务。而电力变压器作为电力系统中重要的电能输出设备，其运行的稳定性、可靠性，不仅关系到社会用电的稳定性，同时也关系到变电站、发电厂的正常运转。一旦电力变压器产生故障，小则导致大范围停电，大则引发严重经济损失、安全事故。为保障电网的安全运转，降低因电力变压器安全故障而引发的不良社会影响，必须对电力变压器的检修工作提起高度的重视。尤其是面对因技术升级、环境多样等因素而导致的电力变压器故障多样性、复杂性演变，准确判断、快速检修能够最大限度地降低因安全故障而造成的损失，保障电力系统的正常运转［1］。为此，有必要在电力变压器的故障识别中引入最新、最先进的智能诊断方法，在传统DGA方法以及智能算法的强强联合作用下，实现对电力变压器故障的高精度诊断处理。

1 电力变压器常见故障类型及原因分析

电力变压器主要由闭合磁路以及环绕在磁路周围的边缘电路构成，即通常所说的铁芯、线圈。此外还包含了油箱、多种附件、变压器油等，分别起到机械支撑、保护、冷却散热、冷却绝缘等作用。其中油箱作为电力变压器的主体部分存在，无论是从油箱主体构造、功能来看，还是单纯地从油箱的容纳变压器油的角度来看，油箱都是电力变压器故障的主要产生源。这主要是由于变压器油本身主要成分为氢气、烃类气体等，在无故障情况下变压器油中成分以氮气、氧气为主，这些气体不溶于油，不会对油质产生影响，一旦发生诸如局部放电、火花放电、高温过热等故障，迅速产生的热量会导致这些成分化学键断裂，从而在化学反应下产生低分子烃类气体，这些气体可溶于油并导致油体产生杂质，从而影响油箱性能导致故障的产生。因此，可以以油箱内外为界，对电力变压器故障进行范围划分。内部故障——绕组间短路、引出线外壳接地故障等；外部故障——油箱外绝缘套管故障、闪络短路故障、引出线相间故障。从性质上来讲，电力变压器内部故障主要以热故障、电故障为主。上述提到的局部放电、火花放电为常见的电故障，是变压器绝缘能力大幅度下降所引发的［2］。热故障则是集中表现为局部温度快速升高出现高温过热的情况。就热故障、电故障的主要表现而言，具体如下。

热故障，可依据温度来对故障严重程度予以直接判断：＜150℃属轻度过热，＜300℃属低温过热，＜700℃属中温过热，＞700℃属高温过热。低温过热故障状态下，变压器油中氢气、烃类气体总量占比＞27%。在中高温过热故障状态下，氢气占比逐渐下滑，并在过热化学反应下逐渐产生CH4，C2H4，最终二者占据油箱内气体总含量的80%以上，甚至在一些情况下还会产生CO2，CO。热故障产生的原因是多方面的，如变压器并列运行在超负荷运转情况下造成线圈短路，变压器铁芯存在接地点或是漏磁等情况导致局部电流在不断循环中产生过多热量，分接开关接触不良等，这些原因都会在一定程度上导致电力变压器局部位置出现高温过热的情况，从而引发故障的产生。

电故障，是受高电场强度的影响变压器构件出现老化、绝缘性能下降等情况而导致的故障。以放电量密度情况为依据，电故障又可以细分为局部放电、火花放电、电弧放电。放电时产生的气体以H2，CH4，C2H2，C2H4等为主，依据放电情况的不同所产生气体占据油箱内氢烃总量的25%～90%。其中又以电弧放电反应最为剧烈，可在瞬间产生大量气体，且提前无任何征兆，一旦发生故障会以极快的速度蔓延，所产生的气体在没来得及溶于油中时，就会快速进入变压器气体继电器当中。电故障引发的原因受多方面因素的影响，与电负荷、周围环境温度等都有着一定的关联性。如，电力变压器设计、安装、制造不达标，部件工艺水平较低，以及在高温过热或是放电情况下，电力变压器油箱中气体发生化学反应，产生的新气体溶解到油当中造成油质下降等，这些都会导致电力变压器性能不佳而增加电故障的发生率。此外，当电力变压器长时期处于受潮环境中时，周围水分子、杂质也会导致变压器局部放电情况的发生，使得水分子经电解反应产生大量H2。

2 智能诊断方法在电力变压器故障识别中应用的意义

在以往工作中，多采用传统的油中气体分析法即DGA对电力变压器故障进行识别、分析，该方法的重点是围绕油箱内碳氢化合物生成过程中的相关热动力学进行的，即不同类型碳氢气体比例的产生主要取决于热点温度大小。在电弧、过热等原因的作用下，随着环境的逐渐升温，H2，CH4，C2H6，C2H4，C2H2等气体的析出速率逐渐达到最大值。传统的DGA故障分析法主要有三比值法、电协研法、特征气体法、罗杰斯法等。虽然这些方法各具优势，对于电力变压器故障的识别与研判而言起到了很好的作用，并且可以在确保变压器不断电正常运行状态下，即可实现对其故障的诊断，有效地维护了电网系统的安全性。但随着我国电网系统的不断发展，人们对电网的稳定性、安全性提出了更高要求的同时，也对变压器故障识别的智能性、高效性、便捷性、准确性等提出了要求。DGA故障分析法不再能够充分满足电力变压器故障诊断需求，尤其是其诊断准确度不高、方法单一的缺陷逐渐显露出来，更无法实现对电力变压器的实时监测、诊断，受到了时间、空间对检测工作的束缚。与此同时，以DGA故障分析法为主的传统电力变压器故障识别需要涉及故障发生机理、设备运行状态以及所处环境情况等一系列因素，在对这些因素进行综合考量下才能够得出具体故障分析结果，此种方法较为烦琐、复杂，难以快速而准确找到故障产生原因及位置，不利于故障的及时排除。为此，需要在计算机网络技术、人工智能技术的辅助作用下，在传统DGA分析方法的基础上，尽快生成一套完整的智能诊断系统，在专家系统诊断方法、模糊推理诊断方法、神经网络诊断方法、智能计算机诊断方法、智能混合诊断方法等的共同作用下，借助智能网络系统实现对故障机理、设备运行等因素的自动化、智能化分析与处理。因此在继承DGA故障分析方法优势特点的基础上，充分弥补传统DGA分析法存在的不足与缺陷，使电力变压器故障识别与分析更具精准性，在快速、准确解除电力变压器故障的同时维护电网稳定性，积极顺应现代化电网系统建设发展需求［3］。

3 智能诊断方法在电力变压器故障识别中的应用

3.1 专家系统诊断方法

专家系统诊断方法是建立在交互性知识库的基础上，借助知识库丰富的信息体系，对故障诊断过程中涉及的各种不确定信息予以综合推理、分析，由此达到快速、准确判定复杂故障的目的。其中的知识库是在无数次的电力变压器故障诊断实践中，所逐渐积累起来的既有诊断知识、经验、教训，能够为变压器的故障诊断、分析、识别提供充足的数据信息支持，使检测者可以结合变压器故障表征、测量数据，在专家知识库的辅助下迅速找到最佳解决方案并建立故障识别系统模型。在整个专家系统诊断方法中，知识库尤为关键，知识库信息内容更新频率情况、人机交互界面友好性等都对诊断工作的顺利实施起到了关键性的影响。从整个体系来看，专家系统可以大致分为绝缘预防试验模块、潜伏性故障诊断模块、气体色谱跟踪分析模块3部分，能够对变压器运行过程中油箱内的油、气状态，电流运行情况以及部件情况等做出检测，并给出具体翔实的意见。专家系统诊断方法的优点就在于信息透明、应用灵活，且交互性功能的具备能够使检测者即便是在故障信息不全的情况下依然能够实现对故障的有效识别。但缺点也是极为明显的，目前专家系统的开发并未形成统一，Prolog、Delphi作为当前两大专家系统开发方，受各方面因素的影响，他们各自开发的专家系统接口协议存在差异，这就增加了系统运行的隐患。而冗长的程序代码、复杂的输入界面等更是大大增加了系统操作难度，不利于系统的后续升级优化。此外，对知识库的过度依赖，也不利于对更为多变、复杂故障情形的诊断，容易造成故障的错误识别。在应用专家系统对电力变压器故障进行识别的过程中，不仅要注重知识库的更新、系统的升级改造，更需要有选择地融合其他更为高级的智能诊断方法，在多种方法的共同作用下实现对复杂故障的准确、快速判定，由此来弥补专家系统的不足［4］。

3.2 模糊推理诊断方法

随着现代电力系统的日益复杂化，各项故障产生的表象及原因的复杂程度也逐渐提升，与此同时各故障的产生机理更是带有模糊性的特点。对难度、复杂程度都较高的故障，难以借助明确的判断依据来对故障予以描述和研判，为此可以借助模糊推理故障识别方法来解决变压器故障诊断中复杂且模糊的数值问题。具体而言，通过模糊推理数学分析模型的引入，可以在已有故障征兆的基础上，结合搜集到的故障变压器数据信息，基于模糊覆盖及理论建立电力变压器故障诊断模型，从而得出故障集合、征兆集合以及故障征兆连接关系集合，为电力变压器故障的准确判断以及后续处理提供重要的辅助作用。从类型上来看，模糊推理诊断方法大致可以分为边界值模糊化处理、模糊关系、基于模糊聚类3种，可以在对各类智能识别算法进行优化组合的基础上，以能够采集到、观测到的关于变压器故障的所有信息为依据展开模糊推理，由此实现对复杂故障情况的高精度研判，并辅助检测者做出合乎实际的故障处理措施［5］。

3.3 神经网络诊断方法

人工神经网络诊断方法是建立在生物神经网络基础上模拟发展而来的一种新型的智能化网络处理系统，由大量人工神经元组成，其内部组织结构在很大程度上是仿造人脑神经系统而建立的，因此在功能上也带有智能化控制的特点。神经网络诊断方法是目前发展较为成熟且应用较广的一种电力变压器故障识别方法。神经网络诊断技术可以在各神经元相互协同的作用下实现对信息的集中处理，带有信息联想记忆、非线性映射、分类与识别等各项功能，在故障诊断、处理过程中，不仅能够帮助维修人员快速恢复变压器原始完整数据信息，同时还可以通过非线性映射数据模型的建立清晰地反映变压器气体成分含量、故障类型等。在所有智能诊断方法中神经网络诊断对电力变压器故障的识别带有良好的自组织性、自适应性，同时还具有极佳的泛化能力，可以被应用于各种故障的诊断与处理。在实际的应用中，神经网络诊断方法主要通过搭建模型的方式来进行故障的识别，可以搭建单一化的神经网络模型，亦可以在其他智能诊断方法的协同作用下搭建混合诊断模型，由此使人工神经网络诊断技术在不断吸收其他故障算法优势的基础上，变得更加敏捷、高效。

4 智能计算诊断方法

智能计算机诊断方法包含内容较多，常见的粒子群算法、遗传算法等都属于智能计算故障诊断方法，在电力变压器故障识别中均有着较广的应用。同时基于各类智能计算诊断方法的全局优化、智能算法等特点，使得智能计算诊断方法带有较高的自学习特性，可以实现对变压器故障信息的快速、高效数据处理。以粒子群算法为例，该算法是在传统遗传算法的基础上，经迭代优化而来的一种更为高效的算法模式，以在解空间中最优粒子为目标进行一定范围内的信息搜索来找到最优解。在整个粒子群算法中，多个粒子共同集合而成同一种群，每个粒子都代表一个问题优化潜在解，在运行过程中，不同粒子的搜索速度、方向会受到种群及相关粒子搜寻经验影响。相比传统故障识别算法，粒子群算法算法流程更为简单，参数也更为简洁，不存在算法之间的变异与交叉，能够实现全局范围内的信息搜索并共享搜索结果，适用于以数据库形式存在的大量数据信息的处理。在应用粒子群算法对电力变压器故障进行识别过程中，只需针对目标函数输出值进行基本数学操作即可，无须再进行梯度信息的分析。但值得注意的是粒子群算法由于需要在全局信息、个体信息进行综合考量的情况下，去指导、确定粒子下一步迭代位置，虽然这实质上属于正反馈过程，但容易使整个算法受到个体信息的影响而陷入局部极值。为提升粒子群算法基本性能，在应用该算法进行电力变压器故障识别工作时，可以考虑将该算法与模糊推理诊断方法、遗传算法、人工神经网络算法等其他智能推理方法进行结合，在基本的粒子群算法中引入子种群、繁殖概念，由此增加算法的寻优能力、收敛性能。并以随机选择的方式选取不同粒子作为每次迭代的父代，借助繁衍公式来形成全新的速度子代粒子及空间坐标，由此来最大程度地增强粒子多样性，使粒子空间搜索能力不断提升，从而在一定程度上解决粒子算法系统局部级值的情况，使故障识别更为准确。

5 结语

综上所述，智能诊断方法依托强大的计算机技术、电子技术，能够有效实现对电力变压器绝缘的在线监测。同时结合计算机人工智能所赋予的专家系统、人工神经网络、模糊理论等算法，能够最大程度地促进电力变压器故障诊断准确率的提升，由此使电力变压器故障能够一直处于可掌控范围内，保障电力系统的安全、稳定运转。在未来的工作中，要继续加强对智能诊断技术的研发力度，深入结合电力变压器故障发生原理的分析，进行计算机人工智能技术的深挖，促进智能诊断方法能够被更好、更充分地运用到电力变压器故障识别中。