TWI739634B

TWI739634B - 電力變壓器之故障診斷監控系統

Info

Publication number: TWI739634B
Application number: TW109136011A
Authority: TW
Inventors: 張振豪; 王佳裕
Original assignee: 國立中興大學
Priority date: 2020-10-16
Filing date: 2020-10-16
Publication date: 2021-09-11
Also published as: TW202217338A

Abstract

一種電力變壓器之故障診斷監控系統，通過對電力變壓器運行狀態進行即時監測及趨勢預測，及時發現運行過程中存在的故障隱患，並利用人工智慧演算法對訊號進行分析處理，提取故障特徵資訊，進而將診斷故障發生的原因和部位等情況，即時通知監測人員，讓監測人員能適時瞭解該電力變壓器的運轉狀況。

Description

電力變壓器之故障診斷監控系統

本發明係關於一種電力變壓器之故障診斷監控系統，特別是一種利用油中溶解氣體分析(Dissolved Gas-in-oil Analysis,DGA)方法來通過油中溶解氣體含量和比例有效地判斷電力變壓器的潛在故障，並利用人工智慧演算法來精確掌握該電力變壓器的運轉情形，並將該電力變壓器的故障資訊傳送至終端設備一種電力變壓器之故障診斷遠端監控系統。

在一個標準的電力系統架構中，電力變壓器扮演著關鍵設備的角色，而電力變壓器主要為電力轉換之重要設備，當電力變壓器發生故障時，往往造成大範圍停電，而影響供電品質。但是目前維護電力變壓器的方式仍然停留在定時派員人工現場實地量測及抄寫記錄，進行週期性點檢，但是此種人工的維護方式無法做到即時的監控，當有突發狀況發生時，也無法獲得即時的回報及處理，因此為了克服前述的問題，已有多篇針對電力變壓器進行遠端即時監控的技術，例如台灣專利號M544164，該篇專利主要是利用熱電阻感測器來量測電力變壓器的內部絕緣油溫度的即時變化，再將其轉換成數位訊號透過網路傳送至遠端來即時掌控電力變壓器目前的運作狀況，但是此技術僅能從遠端得知目前電力變壓器出現溫度異常狀況，並無法能即時得知溫度異常的原因。

又例如中國專利號CN109406960案，該篇專利主要是利用感測器來採集電力變壓器的電流訊號或電壓訊號，然後再傳送到伺服器並提取該電壓訊號或電流訊號中的有效訊號，再評估該有效訊號中是否存有異常信號，最後可得出該電力變壓器是否有局部放電的缺陷，但是此技術也僅能從遠端得知目前電力變壓器的電壓或電流出現異常狀況，也無法能即時得知電壓或電流異常的原因。

因此如何通過對電力變壓器運行狀態進行即時監測並進行趨勢預測，儘早發現運行過程中存在的故障隱患，並將預測的診斷故障發生的原因和部位即時通知監測人員，讓監測人員能適時瞭解該電力變壓器設備的運轉狀況，以降低無預警事故發生之機率，此乃學界與業界亟欲解決的關鍵問題。

為解決上述問題，本發明第一實施例為揭露一種電力變壓器之故障診斷監控系統，可用於推估一電力變壓器的故障初始狀態，其中該監控系統至少包含：一氣體偵測裝置，用於偵測該電力變壓器的絕緣油的油中氣體含量的各項氣體基礎資料(Raw Data)；一無線通訊傳輸系統，電性連接該氣體偵測裝置，並將該氣體偵測裝置所偵測到的各項氣體基礎資料用無線通訊傳送出去；一嵌入式資料處理系統，通訊連接該無線通訊傳輸系統，用以接收該各項氣體基礎資料，並透過一深度神經網路(DNN,Deep Neural Network)的一效率網路(Efficient-Net)將該各項氣體基礎資料進行一資料圖形化前置處理程序，透過該資料圖形化前置處理程序後即會產生一結果資訊用以判別該電力變壓器的工作狀態是否安全；一本地資料庫，電性連接該嵌入式資料處理系統，用於即時儲存該判別後的結果資訊；其中該資料圖形化前置處理程序係為先利用該深度神經網路對該各項氣體基礎資料進行氣體特徵的萃取，並利用一複合模型縮放(compound model scaling)來優化該網路寬度、深度和該特徵的解析度，再使用一杜瓦五角形(Duval Pentagon)演算法將該該各項氣體基礎資料轉換成圖形，用以呈現出各種故障的氣體分佈情形。

本發明第二實施例為揭露一種電力變壓器之故障診斷監控系統，係搭配一油中氣體分析儀來推估一電力變壓器的故障初始狀態，其中該監控系統至少包含：一氣體偵測裝置，用於偵測該電力變壓器的絕緣油的油中氣體含量的各項氣體基礎資料；

一無線通訊傳輸系統，電性連接該氣體偵測裝置，並將該氣體偵測裝置所偵測到的各項氣體基礎資料用無線通訊傳送出去；一嵌入式資料處理系統，通訊連接該無線通訊傳輸系統，用以接收該各項氣體基礎資料的一氣體訊號，並透過一深度神經網路的一效率網路將該氣體訊號進行一資料圖形化前置處理程序，透過該資料圖形化前置處理程序後即會產生一結果資訊用以判別該電力變壓器的工作狀態是否安全；一本地資料庫，電性連接該嵌入式資料處理系統，用於即時儲存該判別後的結果資訊；其中該油中氣體分析儀透過一或多個氣體分泵電磁閥開關來電性連接該氣體偵測裝置，讓該油中氣體分析儀可以額外增加不同的氣體感測訊號進行分析。

以上關於本發明所揭露內容的說明及以下實施方式的說明係用以示範與解釋本發明的精神與原理，並且提供本發明的專利申請範圍更進一步的解釋。

1:電力變壓器之故障診斷監控系統

2:電力變壓器

21:無線通訊傳輸系統

3:氣體偵測裝置

4:無線通訊傳輸系統

41:多工器

42:除雜訊濾波器

43:運算放大器

44:類比轉數位轉換器

45:處理器

46:第一通訊界面

47:第一無線通訊模組

5:嵌入式資料處理系統

51:第二無線通訊模組

52:第二通訊界面

53:人工智慧處理器

531:自我診斷判別系統

54:第三無線通訊模組

55:分類器

6:本地資料庫

7:警示系統

71:現場監測人員

8:網路

81:遠端監測人員

9:雲端伺服器

91:雲端資料庫

10:油中氣體分析儀

11:氣體分泵電磁閥開關

圖1為本發明第一實施例的電力變壓器之故障診斷監控系統的整體架構示意圖。

圖2為將本發明第一實施例的資料上傳至雲端伺服器的整體示意圖。

圖3為本發明之無線網路感測系統的架構示意圖。

圖4為本發明之嵌入式資料處理系統的架構示意圖。

圖5為本發明之六種故障類型的圖像呈現示意圖。

圖6為本發明之部分放電的故障類型的圖像呈現示意圖。

圖7為本發明第二實施例所述之搭配油中氣體分析儀的整體架構示意圖。

圖8為將本發明第二實施例的資料上傳至雲端伺服器的整體示意圖。

請參閱圖1，該圖1為本發明第一實施例之整體架構示意圖。本發明所揭露的一種電力變壓器之故障診斷監控系統1，係用於推估一電力變壓器2的故障初始狀態，其中該監控系統至少包含：一氣體偵測裝置3，用於偵測該電力變壓器2的絕緣油的油中氣體含量的各項氣體基礎資料；一無線通訊傳輸系統4，電性連接該氣體偵測裝置3，並將該氣體偵測裝置3所偵測到的各項氣體基礎資料用無線通訊傳送出去；一嵌入式資料處理系統5，通訊連接該無線通訊傳輸系統4，用以接收該各項氣體基礎資料，並透過一深度神經網路(DNN,Deep Neural Network)的一效率網路(Efficient-Net)將該各項氣體基礎資料進行一資料圖形化前置處理程序，透過該資料圖形化前置處理程序後即會產生一結果資訊用以判別該電力變壓器2的工作狀態是否安全；一本地資料庫6，電性連接該嵌入式資料處理系統5，用於即時儲存該判別後的結果資訊；其中該資料圖形化前置處理程序係為先利用該深度神經網路(DNN)對該各項氣體基礎資料進行氣體特徵的萃取，並利用一複合模型縮放(compound model scaling)來優化該網路寬度、深度和該特徵的解析度，再使用一杜瓦五角形(Duval Pentagon)演算法將該該各項氣體基礎資料轉換成圖形，用以呈現出各種故障的氣體分佈情形。

前述的電力變壓器之故障診斷監控系統1進一步包括有：一警示系統7，電性連接該嵌入式資料處理系統5，當該嵌入式資料處理系統5判別出該電力變壓器2有故障情形時，則該警示系統7會發出警告通知現場監測人員71，讓該現場監測人員71可以了解該電力變壓器2的故障類型及故障設備位置。

當一或多個遠端監測人員81想了解該電力變壓器2的運轉狀況或故障原因時，即可透過一網路8連線到該電力變壓器之故障診斷監控系統1上，即可了解該電力變壓器2的運轉狀況或故障類型及故障設備位置，如圖2所示。

前述該嵌入式資料處理系統5還具有一自我診斷判別系統531，可將有風險預估失效的各項氣體基礎資料透過網路8上傳並儲存至該雲端伺服器9的一雲端資料庫91，並要求該雲端伺服器9依據該失效樣本提供一重新訓練的權重值，再重新下載至該嵌入式資料處理系統5中進行優化該自我診斷判別系統531的更新，如圖2所示。

但是前述該自我診斷判別系統531對於該雲端伺服器9的連線需求，係必須在有條件的判別行為或邏輯之下才會進行，也就是說，當判斷出網路8是安全連結狀態下，才執行即時資料上傳至該雲端伺服器9的工作，反之，當判斷出網路8是不安全連線的狀態時就不執行即時資料更新的動作。

前述該本地資料庫6的設置目的，主要用於克服既有網路通訊斷線的風險。

請參閱圖3，該圖3為本發明之無線通訊傳輸系統的架構示意圖。前述的無線通訊傳輸系統4至少包括：一多工器41，電性連接該氣體偵測裝置3，且依據該油中氣體含量的各項基礎資料的比例來導通一或多個氣體訊號；一除雜訊濾波器42，接收該多工器41導通的氣體訊號，並用以濾除該氣體訊號的雜訊；一運算放大器43，接收該已濾除雜訊的氣體訊號，並放大該氣體訊號；一類比轉數位轉換器44，接收該放大後的氣體訊號，並將該氣體訊號轉換成數位訊號；一處理器45，接收該數位訊號，並透過一第一通訊界面46電性連接一第一無線通訊模組47，將該數位訊號通訊傳輸到該嵌入式資料處理系統5。

前述的氣體偵測裝置3至少包括有一一氧化碳(Carbon monoxide(CO))感測器31、一氫氣(Hydrogen(H2))感測器32、一烷基(Alkyl)感測器33及/或其它與前述不同的氣體感測器。其中該烷基感測器33可包括有甲烷(Methane(CH4))感測器、乙炔(Acetylene(C2H2))感測器、乙烯(Ethylene(C2H4))感測器或乙烷(Ethane(C2H6))感測器等。

前述該第一通訊界面46係可為串列通訊界面或並列通訊界面或是同時具有串並列的通訊界面。

前述的第一無線通訊模組47係可為LoRa(Long Range)遠距離無線傳輸模組。

請參閱圖3，該圖3為本發明之嵌入式資料處理系統的架構示意圖。前述的嵌入式資料處理系統5至少包括：一第二無線通訊模組51，接收該第一無線通訊模組47傳送過來的數位訊號；一人工智慧處理器53，透過一第二通訊界面52來電性連接該第二無線通訊模組51，接收該數位訊號，並透過一深度神經網路的一效率網路將該氣體訊號進行一資料圖形化前置處理程序，透過該資料圖形化前置處理程序後即會產生一結果資訊用以判別該電力變壓器2的工作狀態是否安全；第三無線通訊模組54，透過該第二通訊界面52來電性連接該人工智慧處理器53，當該人工智慧處理器53判斷網路8是安全連結狀態下時，該第三無線通訊模組54才會接收該判別後的結果資訊，並透過該網路8上傳到該雲端伺服器9的雲端資料庫91進行儲存。反之，當該人工智慧處理器53判斷出網路8是不安全連線的狀態時就不執行網路8連線的動作。

前述該第二通訊界面52係可為串列通訊界面或並列通訊界面或是同時具有串並列的通訊界面。

前述該嵌入式資料處理系統5的該自我診斷判別系統531為設置在人工智慧處理器53內。

前述的第二無線通訊模組51係可為LoRa(Long Range)遠距離無線傳輸模組。前述的第三無線通訊模組54係可為LTE/NB-IoT窄頻物聯網(Narrowband Internet of Things)的無線行動通訊模組或是可為無線保真(Wireless Fidelity,WiFi)通訊模組，用於將該本發明系統的資料傳輸至雲端伺服器9的通訊界面。

前述該嵌入式資料處理系統5至少還包括一分類器55，該分類器55一端電性連接該人工智慧處理器53，另一端則電性連接該本地資料庫6，用於接收該結果資訊，並將該結果資訊的特徵分類儲存到該本地資料庫6內。

前述該本地資料庫6內至少分類有一一氧化碳感測訊號61、一氫氣感測訊號62、一烷基感測訊號63及/或其它與前述不同的一氣體感測訊號。其中該烷基感測訊號63可包括有甲烷感測訊號、乙炔感測訊號、乙烯感測訊號及/或乙烷感測訊號等。

由前述本發明的實施例內容可知，為增強及提高使用神經網路來分析變壓器故障的可行性，本發明的實施例為利用深度神經網路(DNN)中的卷積神經網路(CNN)為基礎的效率網路(Efficient-Net)來做為實施說明。利用該Efficient-Net對分類網路辨識系統上的優化，可將現有的模型參數不用手動即能調整該參數，直接改善該模型的效能。並利用一複合模型縮放(compound model scaling)算法來加寬網路層(Width)、加深網路層(Depth)和氣體特徵的解析度(image resolution)來综合優化均衡各種維度，以有效的提昇精準度並大幅減少模型參數量及計算量。

同時為讓該氣體數值的資料更適合卷積神經網路，本實施例利用杜瓦五角形(Duval Pentagon)演算法的如下公式一和公式二，將各氣體數值轉換成圖形，該圖形一共分為六種故障類型，請同時參閱如下表一，該表一為油中氣體含量的故障描述和類別。

表一：

並將該杜瓦五角形演算法正規化後，將值轉換成列(Row)=250、行(Column)=100大小的圖形，該演算法會先定義座標點(0,0)，再將Row=250的一半125定義為起始座標，值越大往下，值越小往上。而X-axis為分別氫氣(H2)、甲烷(CH4)、乙烷 (C2H6)、乙烯(C2H4)、乙炔(C2H2)均分Column=100，因此每一個氣體Column=20，而Y-axis則是經氣體占比正規化後，均分Row=125，因此當故障數據經圖形轉換可以清楚看出其各種故障之氣體分部情形，請參閱圖5所示。

由本案實施例可以理解，當電力變壓器發生故障前，可會導致某幾種特定氣體上升，例如：當發生低能量發電時(D1)時，其氣體特徵值H2佔氣體總量30%-90%，C2H2佔氣體總量20%-70%。當發生高能量發電(D2)時，其氣體特徵值C2H2佔氣體總量25%-90%，H2佔氣體總量30%。但是當發生部分放電(PD)時，其特徵氣體H2為主要氣體、CH4為次要，而C2H2只佔總量的2%，因此杜瓦五角形(Duval Pentagon)在發生PD故障時，為使用各種氣體比例來找出重心值的方式是很難將H2、CH4、C2H2的特徵包含進去，因為此三種氣體並不在五邊形的鄰邊，但如果將值轉換成圖形後，即很容易看出當發生PD故障時，H2、CH4、C2H2的特徵明顯，如圖6所示。所以將數值轉換成圖形(Values-to-Image Conversion Method)所發現的特徵是傳統只使用比例法所無法發現的。

本發明第二實施例則是直接搭配市面上的一油中氣體分析儀11，用以直接改善及提高該油中氣體分析儀11的準確性，請參閱圖7及圖8所示。第二實施例與第一實施例的差異僅在於增加了該油中氣體分析儀11和一或多個氣體分泵電磁閥開關12，其它部分則為相同，所以相同的部分則不再贅述，而僅說明差異的部分。

前述該油中氣體分析儀11透過一或多個氣體分泵電磁閥開關12電性連接該氣體偵測裝置3，讓該油中氣體分析儀11可以額外增加不同的氣體感測訊號進分析。其中該不同的氣體感測訊號可為甲烷(CH4)感測訊號、乙炔(C2H2)感測訊號、乙烯(C2H4)感測訊號及/或乙烷(C2H6)感測訊號等。

雖然本發明以前述之諸項實施例揭露如上，然其並非用以限定本發明，任何熟習相像技藝者，在不脫離本發明之精神和範圍內，當可作些許之更動與潤飾，因此本發明之專利保護範圍須視本說明書所附之申請專利範圍所界定者為準。