CN104458640A - 一种基于光纤气体在线监测数据的变压器故障诊断方法及系统 - Google Patents

Abstract

本发明提供一种基于光纤气体在线监测数据的变压器故障诊断系统及方法。变压器油中出现溶解气体之后，经过油气分离装置实现油气分离，气体分离后进入气体存储装置，该气体存储装置被光源照射；气体存储装置中装有光纤气体传感器，用于捕捉光源通过气室之后的出射光；数据采集模块用于采集出射光的光线波长数据，实现光信号向电信号的转换；通讯模块实现数据通讯功能，将吸收光谱数据传送给数据处理模块；数据处理模块实现吸收光谱数据的综合分析和处理，并实现统计特征计算和故障预测及判断。本发明所提供的系统及方法具有灵敏度高、抗干扰能力强、故障识别准确等优点，能够实现变压器故障类型的准确判断，为变压器的安全运行提供可靠保障。

Description

一种基于光纤气体在线监测数据的变压器故障诊断方法及系统

技术领域

本发明涉及变压器故障诊断系统，特别涉及基于光纤气体在线监测数据的变压器故障诊断方法及系统。

背景技术

变电站主要由变压器、开关设备和各类控制柜组成，变压器是其枢纽设备。电网系统电力输送过程中电能转换的功能由电力变压器承担，将电网电压升高进行运输，然后降低线路电压至用户侧，完成电能的运输，变压器的可靠运行关系到电网能否高效、安全的运行。

变压器结构复杂，目前国内电力系统主要采用油浸式电力变压器，由绝缘油、绕组、铁芯等部件组成。变压器中的各个组件在运行时均有可能出现故障，故障类型可以概括分为内部故障和外部故障。外部故障主要发生在绝缘套管或其引线上，可以通过目测方式查找并解决；内部故障的定位及查找就相对困难一些。内部故障又可以分为热故障和电故障两类，研究表明，变压器绝缘油中产生的气体含量与变压器的故障类型有着紧密联系，通过检测变压器油中的溶解气体成分及含量即可准确判断变压器的故障类型和故障程度，提供给变压器检修人员可靠的依据，保障变压器的安全运行。

油浸式电力变压器内的绝缘油气体成分和浓度检测主要有离线检测和在线检测两种。离线检测耗时时间长，精确度不高，实时性差，无法在故障发生时提供维修依据，导致故障程度加深；在线检测方式利用安装于待测点的传感元器件提供实时数据，分析软件实时分析数据，给出检测报告，提供检测依据，利于变压器的及时检修。目前对于变压器的故障诊断方法主要有：(1)特征气体法，该方法是目前变压器故障诊断中较为常用的方法之一，综合分析特征气体的含量和增长速率，判定故障类型和发展趋势。(2)三比值法，该方法是国家标准中判断电气设备故障性质的主要方法，适用于油中产气速率和气体含量都超过标准值的情况。(3)三角图形法，该方法将代表性的气体比值在一个三角的图形上表示出来，通过数据在三角形中所处的位置来推测故障点温度范围并判断故障类型，方法简单、方便，易于观察。

发明内容

为了解决现有方法和技术的不足，本发明提供了一种基于光纤气体在线监测数据的变压器故障诊断方法及系统，利用光纤气体传感器获取准确的气体数据，利实现对变压器故障的准确监测和判断。

为了实现上述目的，本发明的技术方案如下：

一种基于光纤气体在线监测数据的变压器故障诊断系统，包括一个用于分离变压器油气的油气分离装置、若干个用于储存油气分离后气体的气室、若干个用于发射特定频谱范围光线的光源、若干个用于接收光源入射气体后反射光的光纤气体传感器、一个接收气体吸收光谱数据的数据采集模块、一个数据处理及综合分析模块；所述每一个气室均有一个光源照射；变压器油中出现溶解气体之后，进入到气室中，经过气室反射后的光源的出射光被光纤气体传感器采集到后，传送到数据采集模块中用于提取出射光的光纤波长数据，最后送至数据处理及综合分析模块进行故障诊断。

所述的油气分离装置采用透气但不透油的材料作为分离膜。

所述的气室内安装有五块反射率大于97％的高反射镜，增加光源在气室内部的传输光程。

所述的光源采用近红外光源，每个光源的发光频谱针对每一个气室独立设定。

所述的数据采集模块同时接入多路光纤气体传感器，采集整个变压器内全部气室的吸收光谱数据。

所述的数据处理及综合分析模块主要由特征统计和计算模块、变压器运行状态分析及预测模块、故障识别模块、人机交互模块组成。

所述的气室与数据采集模块之间通过光信号方式连接。

所述的油气分离装置为外置时，在不破坏变压器磁场的情况下将变压器内的油气引导出变压器外，再进行分离。

一种变压器故障诊断系统的诊断方法，变压器油出现溶解气体之后，气体进入到气室内，该气室在光源的照射下，所述光源经气室反射后得到的反射光被光纤气体传感器捕捉，将该捕捉到的反射光传送至数据采集模块中，数据采集模块提取出反射光的光纤波长数据，然后送至数据处理及综合分析模块进行故障预测及诊断。

所述的数据处理及综合分析模块进行故障预测及诊断采用小波神经网络计算而得，具体的方法为：以采集的气体光谱数据作为小波神经网络的输入值，以离线过程中积累的气体数据作为训练样本，小波神经网络的输出层数据按照以下公式计算：

I表示输入层总层数；J表示为隐含层总层数；k表示输出层中某一层(总层数为K)；Y_k为k层节点的输出；ω_kj表示为第j个隐含层节点与第k个输出节点的连结权值；表示第i输入层与第j隐含层之间的连结权值；x_i为第i层的输入；m_j、n_j表示第j个小波元的尺度参数和平移参数，且ω(n)＝(ω₁(n)^T,ω₂(n)^T)^T,ω₁＝(ω₁₁,ω₁₂,…,ω_1k,ω₂₁,…,ω_jk)^T,ω₂＝(ω₁₁,ω₁₂,…,ω_1x,ω₂₁,…,ω_kx)^T；作为隐含层与输出层之间的连结权值，引入动量因数μ，学习效率β；比较正向训练过程和反向训练调整过程之间的误差，若误差增大，则调整动量因数μ，以减小连结权值，逐步减小训练误差，平衡学习训练速度与学习振荡，使小波理论更加符合相容性条件，减小每次学习迭代误差，快速得到收敛值，预测出远期气体数据，得出气体种类、含量变化趋势，进一步判断故障类型及故障程度。

与现有技术下相比，本发明至少具有以下有益效果：本本发明基于光纤气体在线监测数据，分析气体吸收光谱数据，不仅可以预测远期变压器健康状态，还可以判断变压器故障类型及故障程度，整体方案的检测灵敏度、准确度高；本发明采用模块化设计，功能模块相互独立，易于系统扩充，结构调整灵活，底层数据采集模块实现数据采集，上层分析软件完成故障的判读；本发明可实现变压器内部故障的实时、在线检测，为变压器的安全运行提供技术保障。

附图说明

图1为本发明用于变压器故障诊断方案的系统结构图；

图2为数据采集模块结构原理图；

图3为综合分析软件结构原理图。

具体实施方式

下面结合附图对本发明做进一步详细描述：

请参阅图1所示，本发明用于变压器故障诊断系统包括一个用于分离变压器油气的油气分离装置1、若干个用于储存油气分离后气体的气室2、若干个用于发射特定频谱范围光线的光源3、若干个用于接收光源入射气体后反射光的光纤气体传感器4、一个接收气体吸收光谱数据的数据采集模块5、一个通讯模块6、一个数据处理及综合分析模块7。所述的气室2与数据采集模块5之间通过光信号方式连接，数据采集模块5与数据处理及综合分析模块7之间采用工业以太网总线方式连接，实现气体吸收光谱等综合数据的上传。

所述的用于进行油气分离的分离装置1可以分为内置式或外置式；一般情况下，内置式安装易于在变压器制造时进行，不破坏变压器的磁场结构；外置式安装时需要在不破坏变压器磁场的情况下将变压器内的油气引导出变压器外，再进行分离，同样对变压器的本体结构不构成影响。

所述的气室2用于储存分离后的气体，气室设计不同于传统方法，气室的尺寸较大，长宽方向均有加长，内部安装有五块反射率大于97％的高反射镜，气室内部分别安装入射和出射光纤气体传感器4，增加光线在气室内部光程的同时也增强出射光纤气体传感器4的检测强度。

所述的用于发射特定频谱范围的光源3采用近红外光源，光源稳定，损耗低，每个光源的发光频谱针对每一个气室独立设定，独立检测此气室内部的特定气体种类，避免不同气体对光源频谱的干扰，增强气体吸收光谱对比度。

所述的光纤气体传感器4用于接收光源3光线通过气体之后的反射光，多路光纤气体传感器可同时接入同一气室3,对比分析数据，提高数据的准确度。

所述的数据采集模块5可同时接入多路光纤气体传感器4，覆盖整个变电站的气体数据采集，数据采集功能利用DSP平台实现，完成多路数据的高速、高精度、实时采集。

所述的数据采集模块5与数据处理和分析模块7之间的连接通讯方式为工业以太网。

参照图2所示，数据采集模块主要由电源模块、电路驱动模块、光源模块、光纤耦合模块、放大模块、光电转换模块和通讯模块构成。

光源模块中的入射光，经过气室内的五次反射之后，被光纤传感器获取到出射光，出射光经过锁相器及放大模块，然后光电转换模块将光信号转换为电信号。全部气体吸收光谱数据经由通讯模块的实时以太网传输到数据处理及综合分析模块进行进一步分析、预测和判断。

参照图3所示，数据处理及综合分析模块主要由特征统计和计算模块、变压器状态预测模块、故障识别模块、人机交互模块组成。其工作流程如下：

最下层的为通讯模块，通过工业以太网传输，实时接收数据采集模块上传的气体吸收光谱数据，将同一气室内多路光纤气体传感器的吸收光谱做均值处理，从而得到每个气室所测气体的光谱数据，并将数据结果保存到监控主机内的存储单元，用于绘图显示及离线查询等操作。

气体特征计算模块，根据每个气室所测气体的光谱数据，结合每个气室所用不同光源的波长，利用差分检测原理计算出气室中各类气体的种类及含量数据。

故障类型绘制模块，根据气室所测光谱数据绘制气体吸收光谱曲线；根据气体特征计算模块得到的气体种类及含量结果，绘制变压器内气体种类图；根据变压器状态预测模块及故障识别模块利用小波理论得出的气体含量变化趋势及故障类型，绘制气体含量变化趋势图，变压器故障类型、故障程度图等。

故障模式识别模块，根据各类气体的种类及含量信息，进行故障种类及程度的判定，本方案的故障类型判断及含量变化预测采用改进的小波神经网络理论进行分析。小波神经网络理论不同于传统气体含量检测方法，其能够对变压器气体含量的变化趋势进行预测，对变压器远期的健康状态做出预测评估。具体方法为：选取大量的实测气体光谱数据作为输入函数，同时将离线检测过程中积累的气体数据补充作为训练样本。学习过程中，采用Gauss小波基，小波神经网络结构分为输入层、隐含层、输出层，输出层数据计算公式为 其中I表示输入层总层数；J表示为隐含层总层数；k表示输出层中某一层(总层数为K)；Y_k为k层节点的输出；ω_kj表示为第j个隐含层节点与第k个输出节点的连结权值；表示第i输入层与第j隐含层之间的连结权值；x_i为第i层的输入；m_j、n_j表示第j个小波元的尺度参数和平移参数。 ω(n)＝(ω₁(n)^T,ω₂(n)^T)^T,ω₁＝(ω₁₁,ω₁₂,…,ω_1k,ω₂₁,…,ω_jk)^T,ω₂＝(ω₁₁,ω₁₂,…,ω_1x,ω₂₁,…,ω_kx)^T作为隐含层与输出层之间的连结权值，引入动量因数μ，学习效率β；ω₁为输出层与隐含层间所有权值的向量，ω₂为隐含层与输入层间所有权值的向量，ω₁(n)、ω₂(n)、ω(n)分别为第n次训练得到的权值向量ω₁、ω₂、ω。比较正向训练过程和反向训练调整过程之间的误差，若误差增大，则调整动量因数μ，以减小连结权值，逐步减小训练误差，平衡学习训练速度与学习振荡，使小波理论更加符合相容性条件，减小每次学习迭代误差，快速得到收敛值，预测出远期气体数据，得出气体种类、含量变化趋势，进一步判断故障类型及故障程度。

本发明基于光纤气体在线监测数据的变压器故障诊断系统及方法，基于光纤气体传感器，利用先进的软硬件分析技术，实现对变压器故障的实时监测，能够为变压器的故障提供准确、实时的判断，减少变压器故障引起的停电，可以大幅提高供电线路、供电系统的可靠性。

Claims (10)

1.一种基于光纤气体在线监测数据的变压器故障诊断系统，其特征在于：包括一个用于分离变压器油气的油气分离装置(1)、若干个用于储存油气分离后气体的气室(2)、若干个用于发射特定频谱范围光线的光源(3)、若干个用于接收光源入射气体后反射光的光纤气体传感器(4)、一个接收气体吸收光谱数据的数据采集模块(5)、一个数据处理及综合分析模块(7)；所述每一个气室均有一个光源照射；变压器油中出现溶解气体之后，进入到气室中，经过气室反射后的光源的出射光被光纤气体传感器采集到后，传送到数据采集模块中用于提取出射光的光纤波长数据，最后送至数据处理及综合分析模块进行故障诊断。

2.如权利要求1所述的变压器故障诊断系统，其特征在于：所述的油气分离装置(1)采用透气但不透油的材料作为分离膜。

3.如权利要求1所述的变压器故障诊断系统，其特征在于：所述的气室(2)内安装有五块反射率大于97％的高反射镜，增加光源在气室内部的传输光程。

4.如权利要求1所述的变压器故障诊断系统，其特征在于：所述的光源(3)采用近红外光源，每个光源的发光频谱针对每一个气室独立设定。

5.如权利要求1所述的变压器故障诊断系统，其特征在于：所述的数据采集模块(5)同时接入多路光纤气体传感器(4)，采集整个变压器内全部气室的吸收光谱数据。

6.如权利要求1所述的变压器故障诊断系统，其特征在于：所述的数据处理及综合分析模块(7)主要由特征统计和计算模块、变压器运行状态分析及预测模块、故障识别模块、人机交互模块组成。

7.如权利要求1至6中任意一项所述的变压器故障诊断系统，其特征在于：所述的气室与数据采集模块之间通过光信号方式连接。

8.如权利要求1或2所述的变压器故障诊断系统，其特征在于：所述的油气分离装置为外置时，在不破坏变压器磁场的情况下将变压器内的油气引导出变压器外，再进行分离。

9.一种基于权利要求1所述的变压器故障诊断系统的诊断方法，其特征在于：变压器油出现溶解气体之后，气体进入到气室内，该气室在光源的照射下，所述光源经气室反射后得到的反射光被光纤气体传感器捕捉，将该捕捉到的反射光传送至数据采集模块中，数据采集模块提取出反射光的光纤波长数据，然后送至数据处理及综合分析模块进行故障预测及诊断。

10.如权利要求9所述的故障诊断方法，其特征在于：所述的数据处理及综合分析模块进行故障预测及诊断采用小波神经网络计算而得，具体的方法为：以采集的气体光谱数据作为小波神经网络的输入值，以离线过程中积累的气体数据作为训练样本，小波神经网络的输出层数据按照以下公式计算：

I表示输入层总层数；J表示为隐含层总层数；k表示输出层中某一层(总层数为K)；Y_k为k层节点的输出；ω_kj表示为第j个隐含层节点与第k个输出节点的连结权值；表示第i输入层与第j隐含层之间的连结权值；x_i为第i层的输入；m_j、n_j表示第j个小波元的尺度参数和平移参数，且ω(n)＝(ω₁(n)^T,ω₂(n)^T)^T,ω₁＝(ω₁₁,ω₁₂,...,ω_1k,ω₂₁,...,ω_jk)^T,ω₂＝(ω₁₁,ω₁₂,...,ω_1x,ω₂₁,...,ω_kx)^T；作为隐含层与输出层之间的连结权值，引入动量因数μ，学习效率β；比较正向训练过程和反向训练调整过程之间的误差，若误差增大，则调整动量因数μ，以减小连结权值，逐步减小训练误差，平衡学习训练速度与学习振荡，使小波理论更加符合相容性条件，减小每次学习迭代误差，快速得到收敛值，预测出远期气体数据，得出气体种类、含量变化趋势，进一步判断故障类型及故障程度。