CN103576061A - 一种用于变压器放电性故障诊断的方法 - Google Patents

Abstract

本发明公开了一种用于变压器放电性故障诊断的方法，其特征在于，该方法结合了变压器在线监测所涉及的局部放电和油中溶解气体两种参数，利用神经网络，将上述两种参数有机结合，通过检测到的局部放电参数和油中溶解气体参数，对变压器内部发生的放电性故障类别进行联合诊断。该方法提高了对于放电性故障诊断的准确性，克服了局部放电信号分析和油中溶解气体分析在故障诊断中的局限性；在构建人工神经网络时，只要做一系列典型实验，即可完成对神经网络的训练，实现简便。

Description

一种用于变压器放电性故障诊断的方法

技术领域

 本发明有关一种用于变压器放电性故障诊断的方法，具体是一种基于BP神经网络的变压器双参数联合诊断方法。

背景技术

电力行业是支撑国民经济和社会发展的基础性产业和公共事业，所有行业的发展都离不开稳定的电力供应。随着我国经济发展的稳步推进，整个社会对电力的依赖程度也越来越高。

电力变压器作为变电站的核心高压设备，其运行的可靠性直接关系到电力系统的安全与稳定。据统计，我国110kV及以上电压等级的大型变压器事故中，一半是匝间绝缘事故，且都是正常运行过程中损坏的。变压器的内部绝缘主要是油纸绝缘，在工作电压下变压器内油纸绝缘老化并发展到击穿的主要因素便是局部放电。油纸绝缘中的局放大多是从其中的气隙、导电悬浮体、导电体本身表面的尖端、不同绝缘介质的表面和油隙等处开始的。局放的发生预示着变压器绝缘的劣化，如果局放持续发生而不加以处理，其放电强度有时会愈演愈烈，加速变压器内部绝缘的劣化。变压器运行时的局部放电在线监测技术则可以有效地发现因长期运行使得绝缘发生老化而产生的局部隐患，可以将故障的发生扼杀在早期的形成阶段。

不同于传统的定期检修，局部放电和油中溶解气体两大类变压器在线状态监测技术在实际变压器上的应用越来越多，国内外相关产品种类繁多且相比其它变压器参数的检测技术更为成熟，比如基于脉冲电流法、超声波法和超高频法的局部放电在线监测仪器，基于气相色谱原理和光声光谱原理的油中溶解气体在线监测仪器等。这些由国内外各厂商研制的独立的在线监测设备可以实时监测变压器的各项参数和运行状态，但是它们互相之间不能协同合作，且由于这类技术还没有发展得很成熟，其监测数据还只能提供一些参考的意见，不能让电网工作人员随时随地且非常准确的获取各电力变压器的运行状态及故障参数，电力变压器的自我诊断与自我故障恢复更无从谈起。

发明内容

有鉴于此，本发明的主要目的在于提供一种基于BP神经网络、并结合变压器双参数的用于变压器放电性故障诊断的方法。

为达到上述目的，本发明提供一种用于变压器放电性故障诊断的方法，其特征在于，该方法结合了变压器在线监测所涉及的局部放电和油中溶解气体两种参数，利用神经网络，将上述两种参数有机结合，通过检测到的局部放电参数和油中溶解气体参数，对变压器内部发生的放电性故障类别进行联合诊断。

所述神经网络为一个有30个隐藏节点的BP神经网络，其输入向量为10维，输出向量为4维。

所述局部放电参数是通过对超高频天线传感器测得的宽带信号取其150MHz~450MHz、450MHz~750MHz、750MHz~1.05GHz三个频段的归一化功率谱含量作为10维输入特征向量的3个变量。

所述油中溶解气体参数是通过对变压器内的油样用离线色谱法或光声光谱法进行油中溶解气体分析，得到H₂、C₂H₂、C₂H₄、C₂H₆、CH₄、CO、CO₂七种气体组分的浓度，作为10维输入特征向量的7个变量。

变压器放电性故障包括有悬浮放电、尖端放电、沿面放电和气隙放电四种故障类型，该神经网络的输出向量为0或1的四位故障编码，分别对应于上述四种故障类型。

将上述七种气体的浓度转化为相对百分含量作为输入特征向量的7个变量。

将CO₂与H₂的浓度分别作                                                与

处理后再计算其相对百分含量。

本发明的方法提高了对于放电性故障诊断的准确性，克服了局部放电信号分析和油中溶解气体分析在故障诊断中的局限性；在构建人工神经网络时，只要做一系列典型实验，即可完成对神经网络的训练，实现简便。

附图说明

图1为本发明中的变压器放电性故障诊断原理框图；

图2为本发明中的模拟变压器立体示意图；

图3为本发明中的模拟变压器内部结构示意图。

具体实施方式

为便于对本发明的方法及达到的效果有进一步的了解，现结合附图并举较佳实施例详细说明如下。

图1为本发明中的变压器放电性故障诊断原理框图，其中，T为高压试验变压器，R为保护电阻，6为模拟放电源，Ck为无局放耦合电容，Z为检测阻抗，天线为宽带超高频天线。

进行实验时，需已知放电性故障的类型，该实验中模拟放电源6是自制的，共有悬浮放电、尖端放电、沿面放电和气隙放电四种故障类型。

在进行每一种特定故障模式的实验时，将制作好的模拟放电源固定在模拟变压器内部，高压试验变压器的输出通过该模拟变压器的高压引线和套管接入至模拟放电源的高压端，通过操作试验变压器的控制台，调节电压使模拟放电源产生持续地放电。更换不同类型的放电源，这样就可以模拟出真实变压器内部悬浮放电、尖端放电、沿面放电和气隙放电四种不同类型的放电故障，利用局放检测仪检测放电故障。

由于该模拟变压器箱体与各法兰盖之间都使用了密封圈，因此它一直处于完全密封的状态，不会与外界发生气体交换，因此，光声光谱油中溶解气体在线监测仪（即图1中光声光谱检测仪）通过与模拟变压器的进油阀与出油阀相连接，便可以对模拟变压器内部发生故障时产生的H₂、C₂H₂、C₂H₄、C₂H₆、CH₄、CO、CO₂七种故障气体浓度进行实时的监测。

模拟变压器其内部结构模型如图2与图3所示，该模拟变压器顶部设有高压电极1，该高压电极1连接设于模拟变压器内部的模拟放电源6，该模拟变压器还设有进油阀3、出油阀2、法兰入孔4、超高频天线传感器7、超高频天线输出端口5，图中模拟放电源6发生局放后，产生高频电磁波，该信息通过超高频天线传感器7传输由天线接收。光声光谱在线监测仪通过进油阀3和出油阀2，使模拟变压器内的绝缘油循环流动，同时检测油中溶解的气体含量。

采用BP算法的前馈型神经网络简称BP神经网络，BP算法是指反向传播（Back-Propagation，BP）的学习算法。它实际上是一种特殊的多层感知器，通过学习，BP网络能在任意精度范围内表达复杂的非线性映射。

一个两层BP网络包括一个维度为n的输入向量，维度为m的输出向量和具有H个神经元的隐藏层。

本发明中输入向量包括采用超高频法测得的局放信号的频谱，其超高频特性在150MHz~1.05GHz带宽中均有体现，为了定量的表达出该超高频信号的频域分布情况，本发明定义了归一化功率谱含量参数，并取其150MHz~450MHz、450MHz~750MHz、750MHz~1.05GHz三个频段的归一化功率谱含量作为输入特征向量的三个变量。

如图1所示，每次局放发生时，示波器都会采集到通过宽带超高频天线接收到的局放信号，本发明通过对其时域信号作快速Fourier（傅里叶）变换（FFT），得到其频域分布，对其频域特性进行分析。将150MHz~1.05GHz的频段范围分为150MHz~450MHz、450MHz~750MHz和750MHz~1.05GHz三个低中高频段，并定义各频段内的功率所占整个带宽内功率的百分数为归一化功率谱含量P（%），

即：

                式1

             式2

            式3

其中“i”为某一频率，P_i为该频率下的归一化功率谱含量。

同时，利用离线色谱检测仪与光声光谱检测仪，对模拟变压器内的油样分别用离线色谱法或光声光谱法作油中溶解气体分析，得到H₂、C₂H₂、C₂H₄、C₂H₆、CH₄、CO、CO₂七种气体组分的浓度，考虑到变压器内发生各不同种类故障时，所有产生故障气体组分含量的相对比例会有不同，又如果这些气体的决定浓度值太大时，BP网络可能会达到饱和，因此将这七种气体的决定浓度转化为相对百分含量作为输入特征向量的另外七个变量，即：

，

，

，

，

，，

，

但由于其中CO₂的浓度在放电性故障发生时会远大于其它六种气体的浓度，如果直接计算其百分数，CO₂的含量都在95%以上，会导致其余六种气体的相对百分含量值很低，会严重降低各输入向量的区分度，因此，本发明将CO₂浓度作

处理后再计算其相对百分含量，H₂的数据也做类似处理，

。这样该神经网络的输入节点总共便有10个。

在本发明中的变压器故障诊断方法中，输出量为0或1的四位故障编码，分别对应于悬浮放电、尖端放电、沿面放电和气隙放电四种故障类型。故编码如表1所示。

表1故障编码对应表

本发明构建了一个有30个隐藏节点的两层BP神经网络，其输入向量为10维，输出向量为4维。

表2为本发明中变压器双参数联合诊断BP神经网络学习样本，

表2

在Matlab软件中，专门用于模式识别的人工神经网络构造函数为patternnet()，本发明利用该函数构造了一个有30个隐藏节点的BP神经网络，把表3中的10维输入向量数据作为样本输入，4维输出向量数据作为与样本对应的目标输出值，对该神经网络进行训练，代码如下：

%   X - input data.

%   Y - target data.

inputs = X;

targets = Y;

hiddenLayerSize = 30;

net = patternnet(hiddenLayerSize);

net.trainFcn = 'trainlm';  % Levenberg-Marquardt

net.performFcn = 'mse';  % Mean squared error

[net,tr] = train(net,inputs,targets);

view(net)

plotperform(tr)

训练时的误差经过对样本数据九次循环训练，最终误差为1.2233e-07，达到了小于1e-06的训练目标，训练完成。

本发明结合了局放信号频谱和油中溶解气体两大类不同在线监测方法所测得的数据，提高了诊断的准确性，可以实现对单一检测方法无法诊断的故障进行诊断。并且随着学习样本的增加，其准确性会进一步得到提升。本发明的方法的实现只需要采用局放检测与油中溶解气体检测两种检测方法联合使用，实现简便。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (7)

1.一种用于变压器放电性故障诊断的方法，其特征在于，该方法结合了变压器在线监测所涉及的局部放电和油中溶解气体两种参数，利用神经网络，将上述两种参数有机结合，通过检测到的局部放电参数和油中溶解气体参数，对变压器内部发生的放电性故障类别进行联合诊断。

2.根据权利要求1所述的用于变压器放电性故障诊断的方法，其特征在于，所述神经网络为一个有30个隐藏节点的BP神经网络，其输入向量为10维，输出向量为4维。

3.根据权利要求2所述的用于变压器放电性故障诊断的方法，其特征在于，所述局部放电参数是通过对超高频天线传感器测得的宽带信号取其150MHz~450MHz、450MHz~750MHz、750MHz~1.05GHz三个频段的归一化功率谱含量作为10维输入特征向量的3个变量。

4.根据权利要求2所述的用于变压器放电性故障诊断的方法，其特征在于，所述油中溶解气体参数是通过对变压器内的油样用离线色谱法或光声光谱法进行油中溶解气体分析，得到H₂、C₂H₂、C₂H₄、C₂H₆、CH₄、CO、CO₂七种气体组分的浓度，作为10维输入特征向量的7个变量。

5.根据权利要求2所述的用于变压器放电性故障诊断的方法，其特征在于，变压器放电性故障包括有悬浮放电、尖端放电、沿面放电和气隙放电四种故障类型，该神经网络的输出向量为0或1的四位故障编码，分别对应于上述四种故障类型。

6.根据权利要求4所述的用于变压器放电性故障诊断的方法，其特征在于，将上述七种气体的浓度转化为相对百分含量作为输入特征向量的7个变量。

7.根据权利要求6所述的用于变压器放电性故障诊断的方法，其特征在于，将CO₂与H₂的浓度分别作                                                

与

处理后再计算其相对百分含量。

Images