CN208606794U - 一种油浸式电力变压器故障检测系统 - Google Patents

Abstract

本实用新型一种油浸式电力变压器故障检测系统，包括依次连接的油浸式变压器、温度控制器、气体检测装置、处理器、决策装置和显示器，所述气体检测装置为油溶解气体检测装置，包括气路控制机构、自动取样机构、混合气分离机构、气体检测机构、检测电路，所述自动取样机构、混合气分离机构和气体检测机构依次连接，气路控制机构为所述自动取样机构、混合气分离机构和气体检测机构的正常工作提供稳定的载气；本系统具有较短的响应时间、极高的灵敏度和准确度，并可以实现长时间连续检测，能够及时发现油浸式电力变压器内部潜伏性故障。

Description

一种油浸式电力变压器故障检测系统

技术领域

本实用新型属于变压器及故障检测领域，具体涉及一种油浸式电力变压器故障检测系统。

背景技术

电力变压器运行在复杂的强电磁场环境中，是电力系统的重要设备之一，常被视为电网的“心脏”。油浸式变压器是变压器中的一种，它是以油作为冷却及绝缘介质，一旦出现故障将带来很大危害。油中溶解气体分析是油浸式电力变压器内部潜伏性故障检测和诊断的有效手段之一。

传统的故障检测手段具有检测过程繁琐、检测速度慢、准确度低的缺点，因此需要设计一种新型的检测系统，实现对油浸式电力变压器内部潜伏性故障的快速准确检测。

实用新型内容

本实用新型所要解决的技术问题是提供一种油浸式电力变压器故障检测系统，它具有较短的响应时间、极高的灵敏度和准确度，并可以实现长时间连续检测，能够及时发现油浸式电力变压器内部潜伏性故障。

为了解决上述技术问题，本实用新型提供一种油浸式电力变压器故障检测系统，所述系统包括依次连接的油浸式变压器、温度控制器、气体检测装置、处理器、决策装置和显示器，其中：

所述气体检测装置为油溶解气体检测装置，它包括气路控制机构、自动取样机构、混合气分离机构、气体检测机构、检测电路，所述自动取样机构、混合气分离机构和气体检测机构依次连接，气路控制机构为所述自动取样机构、混合气分离机构和气体检测机构的正常工作提供稳定的载气；

所述处理器包括存储器、控制器和算法处理系统，所述算法处理系统包括剔除模块、特征值提取模块、模型建立模块，数据从模型建立模块出来后同时输入至显示器和所述决策装置，所述决策装置对数据进行判断后将结果输出至显示器。

进一步地，所述气路控制机构包括开关阀、稳压阀、切换阀、压力表、流量计。

进一步地，所述气体检测机构为中红外光谱仪、近红外光谱仪、拉曼光谱仪中的一种检测仪器。

进一步地，所述决策装置为比较器。

进一步地，所述检测电路为电桥或放大器。

进一步地，所述特征值提取模块采用核主元分析方式。

进一步地，所述模型建立模块采用混沌粒子群优化方式。

进一步地，所述系统还包括电源模块。

与现有技术相比，本实用新型的有益效果是：

1）本实用新型采用光学检测方式，克服了传统检测方式的检测过程繁琐、检测速度慢、检测精度低等缺点，本系统具有较短的响应时间和极高的灵敏度，实现了对油浸式电力变压器内部潜伏性故障的快速检测；

2）本实用新型可以实现长时间连续地采集和处理批量数据，减小测量误差，具有较高的准确度；

3）本系统采用剔除模块可以有效剔除异常样本，达到净化建模样本的目的，保证了检测模型的有效性；采用特征值提取模块对大批量数据进行特征值提取，选取贡献点波长，使得选出的波数点具有代表性，避免信息重叠，达到简化和优化模型的作用，从而提高检测性能；

4）本系统将核主元分析和混沌粒子群优化方式相结合对数据分析处理，提高了检测效率和检测精度，具有结构简单、自动化程度高、检测速度快和准确度高等优点。

附图说明

图1为本实用新型结构示意图；

图2为本实用新型的处理器内部结构示意图；

图3为本实用新型的算法处理系统内部结构示意图。

具体实施方式

如图1所示，一种油浸式电力变压器故障检测系统，它包括依次连接的油浸式变压器、温度控制器、气体检测装置、处理器、决策装置和显示器，其中气体检测装置为油溶解气体检测装置，对油浸式电力变压器油中溶解的气体进行检测。温度控制器用于实时控制变压器油的温度。另外，该实用新型还包括电源模块，为本系统提供电源。

如图2所示，气体检测装置包括气路控制机构、自动取样机构、混合气分离机构、气体检测机构、检测电路。自动取样机构、混合气分离机构和气体检测机构依次连接。气路控制机构包括开关阀、稳压阀、切换阀、压力表、流量计。气路控制机构主要作用是为保证自动取样机构、混合气分离机构和气体检测机构的正常工作提供稳定的载气，它的好坏将直接影响混合气分离效率、稳定性和灵敏度，从而直接影响定性定量检测的准确性。

混合气分离机构对样品中的混合组分初步进行分离，分离出气体检测机构所需要的一种或者几种组分。分离方法主要有冷凝法、选择吸附法、液相吸收法、固态反应/吸收法等。气体检测机构采用借助分光镜的光学检测方式，例如中红外光谱仪、近红外光谱仪、拉曼光谱仪等，它们克服了传统检测方式的检测过程繁琐、检测速度慢等缺点，具有较短的响应时间和极高的灵敏度，并可以实现长时间连续检测。检测电路为气体检测机构提供电力支持，气体检测机构的种类不同，配套连接的检测电路也不一样，通常为电桥或放大器。例如最常用的氢焰离子检测机构就必须配置一个微电流放大器，热导检测机构就必须配置一个电桥供电源（有直流稳压电源，也有直流恒流电源等）。

自动取样机构抽取变压器油样后通过混合气分离机构后输入至气体检测机构，对特定组分进行定性定量检测，并将其非电量转换为电信号，最后输出至处理器中的存储器。处理器包括存储器、控制器和算法处理系统，存储器对气体检测机构输送来的批量数据存储，等到采集结束后将其输送给算法处理器，控制器对存储器和算法处理系统的工作过程进行控制。

如图3所示，算法处理系统包括剔除模块、特征值提取模块、模型建立模块。由于测量手段的局限性、存在测量误差等原因，实际上所采集到的原始样本存在不纯的问题，即含有其他工况数据或潜伏性故障样本，直接采用特征样本方法而不首先剔除这类异常数据，该类数据更容易被选为特征样本，导致检测模型失效。因此，在特征值提取模块之前，设置剔除模块进行建模数据的纯化，剔除异常样本。

由于检测到的所有数据不但包含与变压器油信息无关的噪声等信息，也包含与检测油溶解气体中待测组分指标无关的光谱信息，一方面无用信息会对检测结果产生负面影响，另一方面将如此庞大数据全部用来建模会花费大量运算时间以及模型不稳定等，从而降低了模型的预测能力、建模效率和稳定性能，因此，特征值的提取尤为重要。主元分析(PCA)是一种线性的数据降维方法，在处理非线性问题时，通常不能取得好的效果。实际油浸式电力变压器检测过程往往是非线性的，核主元分析（KPCA）能有效地提取非线性特征，其核参数的选择对检测性能有较大影响。剔除异常数据后输入至特征值提取模块，特征值提取模块采用核主元分析方式，且选择其最优核参数对数据进行特征值提取，选取贡献点波长，使得选出的波数点具有代表性，避免信息重叠，达到简化和优化模型的作用，从而提高检测性能。

粒子群优化(PSO)算法是非线性连续优化问题、组合优化问题和整数非线性优化问题的有效优化工具，但该算法具有易陷入局部极值点、进化后期收敛速度慢、精度较低等不足。由于混沌运动具有随机性、遍历性等特点，为提高种群的多样性和粒子搜索的遍历性，将混沌思想引入粒子群优化算法中，改善粒子群优化算法摆脱局部极值点的能力，提高算法的收敛速度和精度，因此本系统中模型建立模块采用混沌粒子群优化方式。

数据从模型建立模块出来同时输入至显示器和决策装置，决策装置对该数据进行判断分析后将决策结果也输出至显示器，该决策装置可以为比较器也可以为其他形式的判别决策机构，对数据进行判断分析，从而确定油浸式电力变压器内部是否存在潜伏性故障，并将结果显示在显示器上。

本实用新型克服了传统检测方式的检测过程繁琐、检测速度慢、检测精度低等缺点，具有结构简单、自动化程度高、检测速度快和准确度高等优点。

Claims (8)

1.一种油浸式电力变压器故障检测系统，其特征在于：所述系统包括依次连接的油浸式变压器、温度控制器、气体检测装置、处理器、决策装置和显示器，其中：

所述气体检测装置为油溶解气体检测装置，它包括气路控制机构、自动取样机构、混合气分离机构、气体检测机构、检测电路，所述自动取样机构、混合气分离机构和气体检测机构依次连接，气路控制机构为所述自动取样机构、混合气分离机构和气体检测机构的正常工作提供稳定的载气；

所述处理器包括存储器、控制器和算法处理系统，所述算法处理系统包括剔除模块、特征值提取模块、模型建立模块，数据从模型建立模块出来后同时输入至显示器和所述决策装置，所述决策装置对数据进行判断后将结果输出至显示器。

2.根据权利要求1所述的一种油浸式电力变压器故障检测系统，其特征在于：所述气路控制机构包括开关阀、稳压阀、切换阀、压力表、流量计。

3.根据权利要求1所述的一种油浸式电力变压器故障检测系统，其特征在于：所述气体检测机构为中红外光谱仪、近红外光谱仪、拉曼光谱仪中的一种检测仪器。

4.根据权利要求1所述的一种油浸式电力变压器故障检测系统，其特征在于：所述决策装置为比较器。

5.根据权利要求1所述的一种油浸式电力变压器故障检测系统，其特征在于：所述检测电路为电桥或放大器。

6.根据权利要求1所述的一种油浸式电力变压器故障检测系统，其特征在于：所述特征值提取模块采用核主元分析方式。

7.根据权利要求1所述的一种油浸式电力变压器故障检测系统，其特征在于：所述模型建立模块采用混沌粒子群优化方式。

8.根据权利要求1所述的一种油浸式电力变压器故障检测系统，其特征在于：所述系统还包括电源模块。