基于物联网技术的配电变压器设备状态智能诊断研究＊

雷炳银,欧阳强,蔡光德,杨灵艺,徐立军

(平高集团有限公司，河南 平顶山 467001)

1 引言

在配电网中配电台区是连接高压、低压电网的核心，作为与用户联系紧密的供电设备，也是计量计费的重要关口，是配电网络中的关键组成部分。配电变压器的运行状态直接影响供电质量，但由于安置点距离地面较高且数量庞大，为运维人员检测带来了很大的障碍，很多地区还是故障后再进行处理的状态。基于此，配电变压器的状态智能诊断与预警的研究既可以减轻运维人员的工作量，又可以提早发现配电变压器的异常，对配电网稳定运行具有极大的现实意义。

2 配电设备监测现状

2.1 配电设备

配电台区根据用户种类可以分为两种：专变台区主要用于商用，公变台区主要面向居民。虽然面向对象不同，但设备的整体结构基本类似，主要包括变压器、避雷器、配电箱等。变压器作为网络枢纽内部结构非常复杂，包括绝缘套管、油位计、温度计等，运行状态关系到整个片区的供电质量。避雷器主要预防雷击过电压，利用阀片的低阻抗状态将电流转入大地。配电箱包括多种电气设备，由配变终端、漏电保护器、计量表、断路器等构成。

2.2 监管需求

因为配电台区的各类设备不归属于精密仪器且造价较低，所以台区设备监测手段发展缓慢。配电变压器作为配电台区的核心设备，内部结构复杂。目前以S系列的油浸式变压器为主，虽然在性能方面相较于早期的变压器有了很大提升。但由于结构繁复、作业环境复杂，容易出现顶层油温过高、局部放电、绕组温度高等现象，因此配电变压器的监管需求主要包括变压器绕组温度的测量、油位采集、顶层油温采集、箱体内局部放电振动波采集、变压器实时负载采集以及变压器异常声响信号波形采集等几个方面[1]。

3 基于物联网的智能网关设计

3.1 物联网技术

配电设备的在线监测关键在于将配电台区的设备状态远程传输至运维人员。物联网技术可以通过传感器、无线通信设备实现物体的智能定位、识别以及跟踪、监控、管理，在网络传输方面非常稳定。主要包括射频识别技术、电子标签识别技术、红外感应技术、M2M技术、传感器信号采集技术、中间件技术等。

3.2 智能网关

根据配电台区中各类配电设备的特点，基于物联网的经典模型构建配电变压器在线监测系统的智能网络结构如图1所示。

图1 基于物联网的智能网关结构图

(1) 感知层：采集监测设备的运行相关数据，利用物联网网络层进行数据传输，主要包括传感器以及数据传输设备。

(2) 网络层：主要包括两个阶段，一是传输设备与云端服务器间的数据交互；一是云端服务器与用户之间的数据读取。主要是利用嵌入式技术将传感器数据打包后利用GPRS、API接口等实现通讯。

(3) 应用层：作为网络前端将采集数据进行解析，以直观可视方式展示设备运行情况。主要实现信息交换、数据分析以及人机交互。

4 配电变压器状态智能诊断流程

配电变压器在整个配电网中属于核心元件，运行状态直接影响供电稳定性。利用物联网技术构建的智能网关可集成各类探测装置获取的电压、电流、湿度、温度等信号，将这些多种来源、多种结构、多种维度的数据进行统一规范化处理，利用数据挖掘算法进行关联分析，作为运维排查的参考思路，整体预警流程如图2所示。

图2 配电变压器故障预警流程

5 配电变压器故障影响因子界定

在传感器获取变压器数据之后，首先，利用皮尔逊积矩系数进行T校验、通过与预设阈值比较确定保留相关性强的因子。然后，利用格兰杰因果检验进行F 校验，最终选取强关联因子作为配电变压器故障影响因子[2-3]。

5.1 皮尔逊积矩系数关联分析

将各个监测装置收集的数据集记为D，数据来源个数记为M，则D={D1，D2，…，DM}，对D 采用皮尔逊积矩算法进行相关性分析，计算公式为：

式1中，X、Y代表任意两个样本数据，Xi和Yi代表i时刻的样本值和代表均值，N为时序数量。R的值即为Xi和Yi之间的相关性。

5.2 格兰杰校验因果分析

对Xi和Yi采用格兰杰假设方法进行因果分析，设定阈值后通过与阈值的比较确认是否保留，设XT、YT代表T时刻取值，μ1、μ2代表随机白噪声，αi、βj、i、δj代表比例系数，如果计算公式成立，则X 是导致Y 改变的原因。如果成立，则Y 是导致X改变的原因。其中比例系数介于0-1之间。

6 配电变压器故障概率及预警模型

6.1 概率挖掘算法

通过关联性与因果分析，将获取到的结果组成关联矩阵，分析配电变压器状态影响因子、利用节点代表随机变量，有向边代表因果关系，将子节点的因果权值记作P(Xi|X1，X2，…，Xi-1)。若故障节点为Xi，与之相关结果集记作其中m为祖先节点个数[4]。代表与第j 个祖先节点的因果关系，依赖系数记作。挖掘计算概率步骤如下：

(1) 对原始数据D进行相关性分析，保留关联度高的数据构成集合E。

(2) 对E进行因果分析，得到因果关联强的数据构成集合F。

6.2 故障预警模型

根据关联挖掘算法得出的数据比较客观，只是基于数据说话，在实际故障预警过程中还应结合专家经验，避免误告警。构建预警模型：

式(2)中αj根据专家经验进行人工评估，通过专家经验分析，将TOP5因子的评估值取0.2、0.25、0.15、0.3、0.1，满足αj=1。P(j(Xi))为预测告警概率。针对节点Xi以及与之关联的祖先节点j(Xi)进行概率计算。通过预警系数H 与提前设定阈值(0.8)进行比较，若高于阈值，则进行告警，运维人员及时进行排查与干涉[5]。

7 诊断结果实例分析

为验证模型实际应用效果，采用国内某电站一个月的变压器运行数据进行分析，采样步长定为一分钟，带入上述模型进行关联分析及因果分析。

7.1 关联分析

设置关联分析阈值为0.7，分析结果如图3所示。

图3 关联分析结果表

由此可以得出，其中高于阈值的关联性较大的因子包括电流、温度、气体浓度、绝缘水平、色谱信号。

7.2 因果分析

设置因果分析阈值为0.05，按照关联性大的因子设定高、中、低三个等级，分析结果如图4所示。

图4 因果分析结果表

由此可以得出，其中高于阈值的因果关联强的因子包括电流大、温度高、绝缘水平低、气体浓度高、气体浓度中[6-7]。

7.3 诊断结论

通过关联分析及因果分析，将配电变压器的故障影响因子带入故障预警模型，各个因子导致设备状态异常的概率为：

(1) 电流大导致故障的概率为63.2%；

(2) 温度高导致故障的概率为71.4%；

(3) 气体浓度超过阈值1.3倍，故障概率为71.3%；

(4) 气体浓度超过阈值1倍，故障概率为66.5%；

(5) 绝缘水平低，故障概率为67.2%

其中，最高故障概率为71.4%，未达到系统预设阈值，设备状态正常[8]。

8 结束语

本研究从分析配电设备结构着手，利用物联网技术设计智能网关，通过皮尔逊积矩及格兰杰因果检验挖掘配电变压器的故障影响因子，利用实例数据证明模型预测结果符合实际情况。但由于配电台区环境差异，配电变压器的故障影响因子还需从周边地理环境、线路、天气等多方考虑，且由于设备类型不一，需在个性定制化方面进一步研究与探索。