变电站变压器异常状态监测数据可视化方法

陈 城，闫永昶

（国网内蒙古东部电力有限公司，呼和浩特 010013）

0 引言

电力从生产到配送到千家万户需要经历多个阶段,即产生电能、发电、输电、变电、配电等。其中,变电是其中过渡环节,作用是改变交流电压的大小,以满足不同地区对电压的要求。一旦该环节出现问题,整个供电链就会断掉,因此变电一直是电力公司的重点关注对象[1]。在变电环节,变压器是其中最常发生故障或者异常的设备,在不间断长期运行下经常发生过热性故障以及各种放电故障,若是不能及时发现,任由问题持续下去,一旦完全停止运转,将会造成直接的停电事故。面对这种情况,变压器运行状态检测具有重要的现实意义,通过检测能够及时掌握变压器运行状态,及时发现问题,并及时解决,避免发生停电事故。

目前变压器异常监测方法主要有三种,即基于电气量的异常监测方法、基于振动的异常监测方法以及基于油中溶解气体分析的异常监测方法。以上这三种方法虽然都能在一定程度上判断出变压器的状态,但是由于所依靠都是变压器某一项状态数据进行展开的,导致监测结果具有片面性,可靠性不足。针对上述监测方法存在的缺陷,提出一种变电站变压器异常状态监测数据可视化方法。通过该方法以期提高变压器的监测可靠性,为变压器故障监测提供参考和借鉴。

1 变电站变压器异常状态监测数据可视化方法研究

变压器作为一种电力电压调节设备,状态不会一直处在完全正常的状态[2]。为此,提出一种变电站变压器异常状态监测数据可视化方法。该方法分为三部分,即变电站变压器状态数据采集、变压器状态特征提取以及变压器状态监测实现。下面针对这三个方面进行具体分析。

1.1 变电站变压器状态数据获取

以往变电站变压器状态判断主要是依靠一种类型的状态数据来实现,可靠性不足。针对这一点,在本研究中通过两种类型的数据来进行判断,以避免单一类型数据所包含的异常信息有限的问题[3]。所选择状态类型数据为油色谱成分数据和变压器振动信号。下面针对这两类指标的获取工作进行分析。

1）变压器油色谱成分数据

变电站变压器中有一种重要的物质,即绝缘油,其作用是降低变压器工作时产生的热量,防止温度过高损害变压器；提高绝缘强度,保护绕组；消除电弧。绝缘油在变压器运行时会气化,产生气体。正常情况下与异常情况下产生的气体类型并不相同,具体如表1所示。

基于上述这种差异特点,通过获取变电站变压器的油色谱成分数据在一定程度上可以有效判断变压器的状态。为了获取油色谱成分数据,采用的方法为气相色谱法,具体过程如下：

步骤1：选择气相色谱设备类型,并设置相关参数；

步骤2：通过不锈钢管与变压器绝缘油进出口相连；

步骤3：启动变压器内部油泵,将绝缘油导入到气相色谱设备的油室当中；

步骤4：利用分离萃取装置进行油气分离；

步骤5：通过载气（氦气）将气体带入到气相色谱仪色谱柱中,进行分离处理,得到若干组分气体；

步骤6：组分气体逐一进入检测器处理,检测出气体的类型,并转换成电信号；

步骤7：将电信号传入记录仪当中,绘制各组分的色谱图,进行气体含量定量分析。气体定量的分析如式(1)所示：

其中,ψ为气体含量；α为峰面积数值；β为外标工作曲线的截距；x为稀释溶剂的用量；是·外标工作曲线的斜率；φ为样品质量。

通过上述过程的处理和分析,得到变电站变压器状态的一部分数据。

2）变压器振动信号

变压器正常工作时会产生一定的振动,该振动沿着电流传输路径逐渐传递整个变压器,最后在表面显现出来。一旦某个部分发生异常,该振动频率也会发生改变。基于这一特点,通过分析振动信号在一定程度上能够判断出变压器工作状态[4]。针对变压器振动信号,选择加速度传感器来采集。具体过程如下：

步骤1：选择加速度传感器,并设置相关参数；

步骤2：将加速度传感器布设到变压器上；

步骤3：加速度传感器采集变压器振动量,并进行放大和滤波处理；

步骤4：将振动量转换成电信号输出。

经过上述过程,完成了变电站变压器相关基础数据的采集工作,为后续分析奠定了基础。

1.2 变电站变压器状态特征提取

基于变压器油色谱成分数据和振动信号,从中提取特征指标,用于后续状态监测分析。

1）变压器油色谱成分数据特征提取

针对采集到的变电站变压器油色谱成分数据,采用三比值法来提取特征,即用比值来表示特征。原理是用五种气体的三对比值,通过编码规则对异常类型进行赋值,以此来判断变压器的运行状态[5]。编码规则具体如式(2)～式(4)所示：

式(2)～式(4)中,S1是C2H2和C2H4之间的比值；S2是CH4和H2之间的比值；S3是C2H4和C2H6之间的比值。

变电站中不同的变压器异常类型,产生的气体含量三比值不同,具体对应关系如表2所示。

表2 气体含量三比值与异常类型对应关系

2）变压器振动信号特征提取

针对变电站变压器振动信号,采用小波能量的方法进行特征提取,具体过程如图1所示。

变压器振动信号能量计算公式如式(5)所示：

式(5)中,Sij代表第j阶次第i频段振动信号的能量；Xij代表第j阶次第i频段振动信号频率。

振动信号能量均值计算公式如式(6)所示：

基于上述提取到的特征,组成特征集合,记为S={S1,S2,S3,S4},分别代表气体C2H2与C2H4之间、CH4与H2之间、C2H4与C2H6之间的比值和振动信号的能量均值。

1.3 变电站变压器异常状态监测实现

基于上述提取到的特征,进行变压器状态监测,包括状态等级监测以及状态类型监测两项内容。

1）状态等级监测

变压器状态等级一共可以划分为4个,如式(7)所示：

式(7)中,F1,F2,F3,F4分别对应正常、异常程度低、异常程度高、危险。

如何根据提取到的特征,确定对应的状态等级,是本章节的研究内容之一。具体过程如下：

步骤1：输入变压器状态特征集合S={S1,S2,S3,S4}；

步骤2：建立状态信息识别框架,即式(7)；

步骤3：计算每个状态特征在识别框架中的隶属度；

步骤4：计算每个状态特征的权重系数,具体过程如下：

（1）特征归一化处理；

（2）计算第j项特征Sj的比重；

（3）计算Sj的熵值；

（4）计算信息熵冗余度；

（5）计算特征的权重；

步骤5：根据步骤3和步骤4结果建立变压器状态的初始基本概率分配矩阵,记为R；

步骤6：基于R计算状态特征之间的支持概率距离,记为L；

步骤7：计算两个特征之间的相似性,记为G(Si,Sj),并建立相似性矩阵G；

步骤8：将G中第i行元素累加得到计算特征的相互支持程度；

步骤9：计算特征的可信度；

步骤10：利用可信度对G进行修正；

步骤11：基于D-S证据组合规则对上述矩阵进行融合。

步骤12：计算变压器状态在识别框架中的各个等级上的概率分布；

步骤13：按照隶属度最大的原则,确定变压器状态相应的等级。

2）状态类型监测

同样基于提取到变电站变压器状态特征,利用随机森林算法进行状态类型监测。具体过程如下：

步骤1：输入变压器状态特征集合S={S1,S2,S3,S4},建立样本集；

步骤2：对样本集进行标准化处理；

步骤3：对样本有放回的抽取,形成训练样本；

步骤4：建立M颗决策树；

步骤5：决策树剪枝,并组成组合分类器（每一棵决策树代表一个分类器）,完成训练；

步骤6：输入测试样本到分类器中,得出每棵决策树的分类结果；

步骤7：对每棵决策树的分类结果进行投票,选出票数比值最高对应的异常类型作为最终的结果。投票原则如式(8)所示：

式(8)中,B(x)代表组合分类器的分类结果；K()代表示性函数；Di(x)代表第i棵决策树的分类结果；U代表变压器异常类型。

基于上述各个环节过程,完成变压器状态监测。

2 变电站变压器可视化监测与分析

2.1 测试对象选择

本测试选以一个存在的高能量放电异常的SGB11-RL变电站变压器为例,进行所研究方法的测试。测试对象如图2所示。

图2 测试对象现场示意图

2.2 变压器状态数据采集设备选型

1）气相色谱仪

采用GC-7900气相色谱仪采集变压器油色谱成分数据。该仪器具有超大液晶蓝屏、中文显示、中文键盘输入,显示内容丰富、信息量大,能对温度、流量等各种参数实时监控。该仪器采集油色谱成分数据时设置的工作参数如表3所示。

表3 GC-7900气相色谱仪工作参数

2）加速度传感器

采用ACC345加速度传感器变压器振动信号,具有体积小、功耗低、一致性和稳定性很高的特点。此外由于是数字型传感器,线性度更容易得到修正,提高了检测精度。该传感器工作特征如表4所示。

表4 ACC345加速度传感器工作特征

2.3 特征提取结果

基于章节1.2节从采集到的变压器状态数据中提取状态特征,结果如表5所示。

表5 变压器状态特征提取结果

2.4 变压器状态等级可视化监测结果

基于提取到变压器状态特征,进行变压器状态等级分析,可视化结果如图3所示。

图3 变压器状态等级可视化监测结果

结合隶属度最大的原则,从图3中可以看出：概率值最高对应的是异常程度高,因此认为所研究的变压器当前所处状态等级为异常程度高,需要马上进行检修。

2.5 变压器状态异常类型可视化监测结果

基于提取到变压器状态特征,进行变压器状态异常类型分析,可视化结果如表6所示。

表6 变压器状态异常类型可视化监测结果

结合票数比值最多的选取原则,从表6中可以看出：高能量放电的票数比值最高,说明所研究的变压器当前异常类型为高能量放电问题。

综合上述2.4节和2.5节监测结果,图2中变压器的异常监测结果如下：变压器发生高能量放电问题,并且该问题已经发展到高程度,亟需进行维修。

3 结语

综上所述,针对变压器异常问题,提出一种变电站变压器异常状态监测数据可视化方法。该方法结合两种类型的状态进行监测,避免了单一类型数据可靠性不足的问题。最后通过方法应用测试证明了该方法的有效性,实现了异常状态的可视化监测。然而,本研究在测试中未进行大量的对比测试,无法进一步证明所研究监测方法的准确性,因此有待进一步验证。