基于电力的变压器

基于电力的变压器（精选十篇）

基于电力的变压器 篇1

随着工业的不断发展和人民生活的不断提高, 社会日常的电力需求与日俱增, 这对我国的电网供应能力和技术保障提出了更高的要求。我国的电网工程经过几十年的发展变化, 总体已经胜任当前的电力供应需求, 随着信息技术的不断发展, 给电力系统保障提供了有力的支持。近几年, 随着恶劣天气的不断出现, 某些特定时间段例如夏季高温时段大量的电力需求仍有时出现不稳定现象, 这对供电部门的供电质量提出了新的要求, 也带来了新的思考。基于确保高峰时段供电稳定性、安全性、可分控性等的需求, 新型的电力稳定保护装置电子电力变压器近期得到了普遍的推广和应用。电子电力变压器是依赖于电力电子技术技术将工频信号转化为高频信号, 再通过中间高频隔离变压器耦合到副方, 通过电子控制方案对电压变换和能量进行传递, 实现变压器副方电压、原方电流以及功率的灵活调节。因此, 可以满足未来电力系统很多新的要求, 包括:更高的稳定性, 实现更加灵活的输电方式等。

1 电子电力变压器中常见的故障

在变压器的众多故障中, 短路故障是危害较大的一种, 故在其的设计中, 制造厂家应严格遵守制造规范, 充分考虑提高变压器的绝缘水平和抗短路故障能力。为保证变压器内部系统的绝缘密封性, 大部分变压器都采用了绝缘压板共同作为高低线圈的连接环节这一装置, 这一装置是变压器电路环路的重要转换机构。在制造时应对变压器内部结构都进行干燥处理, 同时采用恒压处理确保各个线圈的压板都处于同一高度上, 这些规范的设计和制造过程, 有利于提高变压器的稳定运行性。同时还应注意调整高低线圈的绕行情况, 两线圈的电线绕行应尽可能遵循大致相同的疏密程度, 在绕行中如出现某一线圈往某一方向径向转动较大时, 还可使用绝缘的筒状物调整线圈直径, 使两线圈间达到一定的同步程度。

2 电子电力变压器抗短路故障的分析

电网运行中, 电子电力变压器有着重要的关联作用, 在变压器制造中, 应着重考虑的是安全、稳定、可靠的运行, 作为电力运行维护单位的相关部门, 应定期对变压器进行检修、维护、保养。在电子电力变压器出现的相关故障中, 出现频率较高的是短路故障, 这类故障的出现一方面与变压器本身的设计、质量相关, 另一方面在室外工作的变压器, 常遇到雷击等恶劣天气, 在这类情况下往往出现继电保护错误或拒动而造成的短路故障。据有关维修数据得出, 在电子电力变压器出现的短路故障中, 大部分的故障来自于变压器的自身设计, 少部分是由于维护不当、天气影响而造成的。为减少这一故障对电力运行网络的影响, 就应着重加强对变压器制造设计中的相关技术标准进行严格控制, 同时加强定期的维护从而减少变压器产生故障的结果。

2.1 实行定期防护检查, 加强防护意识

所有的电子电力变压器, 都应是正规厂家的合格产品, 在出厂前, 每一件产品都应进行抗短路能力试验, 以确保其设计、制造过程中产品的可使用性。作为生产企业, 进行的出厂试验, 有利于掌握这一型号仪器的生产制造情况和工艺水平;作为使用企业, 在日常的使用中, 应有相关技术人员定期对变压器进行抗短路维护检测, 以掌握这一仪器在使用中的运行和损耗情况。定期的检测维护, 有利于提高变压器的整体抗故障能力, 提高产品的使用寿命和服役工作质量。同时针对产品的薄弱环节, 进行针对性的抗短路保养维护, 为企业积累产品的维护数据, 可提高变压器的工作能力。

2.2 加强保护装置提高抗故障能力

电力系统中常出现的短路故障具有偶然性、突发性、不可避免性等特征, 在变压器的设计中, 就应配备较可靠的抗短路保护装置。例如:在变压器的设计中, 防止在短路中造成的危害, 可在变压器抗短路保护系统中使用安全性高、稳定好的直流电源;在电压器出现短路故障后, 系统自动跳闸后有可能需要对变压器进行重合使用, 这些措施是不可取的。当电压器还处于短路故障中时, 为了暂时的使用而强行重合变压器, 可能暂时使用一段时间后也会出现再短路的故障, 甚至会对变压器内部造成不可逆转的损耗, 对整体电网系统造成严重的损耗。在变压器的设计制造中, 应充分结合实际工作经验, 判定短路故障的可能性尽可能取消使用重合动作, 或者在确保安全可靠的前提下, 适当延长重合间隔时间缓解多次短路跳闸的危害。在故障现场进行变压器的安装时, 必须严格按照厂家说明和规范要求进行施工, 严把质量关, 对发现的隐患必须采取相应措施加以消除。运行维护人员应加强变压器的检查和维护保修管理工作, 以保证变压器处于良好的运行状况, 并采取相应措施, 降低出口和近区短路故障的几率。

3 小结

电子电力变压器是电力运行网络的重要器件, 在其发生的故障类型中, 由于自身设计而产生的短路故障占据了较大的比例。所以电子电力变压其抗短路故障能力, 主要取决于变压器构造、生产制造工艺、使用维护管理、施工技术水平、客观天气条件等多种因素, 都关系着其抗故障水平能力。只有从多方面加强管理和控制, 方能提高变压器的整体抗故障能力, 确保电子电力变压器的正常工作。

参考文献

[1]舒晓媛.浅析变电站自动化控制系统的构建[J].民营科技, 2011 (9) :197.

电力变压器的冷却方式总结 篇2

变压器的冷却方式是由冷却介质和循环方式决定的；由于油浸变压器还分为油箱内部冷却方式和油箱外部冷却方式，因此油浸变压器的冷却方式是由四个字母代号表示的。

第一个字母：与绕组接触的冷却介质。

O--------矿物油或燃点大于300℃的绝缘液体；

K--------燃点大于300℃的绝缘液体；

L--------燃点不可测出的绝缘液体；

第二个字母：内部冷却介质的循环方式。

N--------流经冷却设备和绕组内部的油流是自然的热对流循环；F--------冷却设备中的油流是强迫循环，流经绕组内部的油流是热对流循环；

D--------冷却设备中的油流是强迫循环，至少在主要绕组内的油流是强迫导向循环；

第三个字母：外部冷却介质。

A--------空气；

W--------水；

第四个字母：外部冷却介质的循环方式。

N--------自然对流；

F--------强迫循环（风扇、泵等）。

电力变压器常用的冷却方式一般分为三种：油浸自冷式、油浸风冷式、强迫油循环。

油浸自冷式就是以油的自然对流作用将热量带到油箱壁和散热管，然后依靠空气的对流传导将热量散发，它没有特制的冷却设备。

而油浸风冷式是在油浸自冷式的基础上，在油箱壁或散热管上加装风扇，利用吹风机帮助冷却。加装风冷后可使变压器的容量增加30%～35%。

基于电力的变压器 篇3

关键词：可编程序控制器 冷却控制系统 变压器 负反馈控制

中图分类号：TM41文献标识码：A文章编号：1674-098X（2013）04（c）-0000-00

1 硬件设计

1.1 可编程序控制器的输入输出连接

变压器冷却控制装置的核心PLC由EM222（8继电器输出），CPU模块一个CPU224（14数字输入/10继电器输出），EM221（16路数字输入），输入输出扩展模块三个，PLC输入端子采集信号一个，EM223（8数字输入/8继电器输出）一个组成，输出控制信号从输出端这个部件输出。

1.2 电源监控和凝露温度监控部分电气接线

两路电源冷却负责给系统供电，通过开关可以选择一路为主要的电源，一路为辅助的电源，电源监视控制部分所起到的作用，送入可编程序控制器将电源状态信号，并监视两路电源的状态；同时选择一路电源为装置供电通过断路器动作，并且对可编程序控制器的控制命令接受。凝露温度监控器的作用是可以对环境的温度、湿度实时监视，可以启动温度负载、凝露负载在条件达到时，对可能产生的凝露、超温情况并且采取一定的应对措施。

1.3 冷却器电动机保护控制电气接线

控制8组冷却器的冷却控制装置论文设计，每组冷却器由1个潜油泵和3个风扇构成。可以把冷却器保护控制部分为潜油泵电动机提和冷却器风扇电动机供过载、堵转和缺相保护两个部分，可编程序控制器的输出指令可以接受，投/切冷却器组.保护控制每组冷却器的接线是一样的，我们这里只对冷却器保护控制的一组电气接线原理进行分析。

2 软件设计

2.1 软件总体设计

总体设计：首先分析可编程序控制器的原理，并且就可编程序控制器程序流程进行了介绍，然后重点对几个关键的技术要点进行介绍，并且就系统几个关键点可编程序控制器程序中的编制程序。

程序流程：首先初始化程序，接着对电源处理，如果有就进行三侧开关进行处理，没有电源输入的话直接停止程序的运行。在进行主程序的开始后，整个程序就准备就绪了。由于系统的凝露温度监控器能够对温度进行监控，程序根据电路的电路连接进行一个判断：当温度没有超过阈值则进行手动。否则通过三侧开关对系统的电源进行切换。通过电源的切换控制潜油泵很三个风扇进行也就是制冷系统进行启动。当压力过大，也就是变压器凝露温度监控器的温度过高时，我们通过开关的切化使制冷设备能够工作。当凝露温度监控的温度没有超过阈值，则采用备用的制冷模块进行工作。当温度不是很高的时候，跳转到三用备用的制冷模块进行工作，同时迭代上述的过程。当所有的这些工作完成之后，判断凝露温度监视器的温度不是很高的时候，系统跳转到初始的开始状态进行准备就绪的状态。然后再进行一个下一轮的重复。

2.2 上位机监视软件设计

上位机监视软件的监视任务包括串口数据的读取、设置和打开串口、解析显示和保存数据，进行冷却器运行监视。

首先进行串口参数的设置，如果不能成功打开串口，需要对参数重新的进行设置。这些设置包括波特率、串口号、通讯位数奇偶校验位，然后再重新打开串口；有专门的函数使得串口参数的设置和打开。

成功打开串口后，新的线程就要创建，创建新的线程的原因，就是新创建的线程和主线程并列运行，作用是等待串口事件发生。程序运行的效率可提高。如果一直没有数据发送给串口，则线程继续进行等待。

如果有數据发送到串口中，则将数据读入数据存储区用读串口函数，然后解析读入数据。

程序接下来刷新监视软件可视区域根据解析得到的数据。然后程序再重复上一轮的过程。

3 结语

本论文完成的变压器冷却控制装置的硬件设计，硬件主要由电源监视控制、凝露温度监控、就地控制与显示、上位计算机监视、冷却器投切保护等功能模块组成。本文就主要的可编程的输入输出连接和电源部分的连接进行了具体的介绍。变压器冷却装置的控制采用PLC实现，通过编程实所有的控制功能现，系统接线极大的简化了，由于PLC自身具有高可靠性，装置的自动化程度和可靠性大大提升了。

参考文献

[1]Andrew Kodiak； Computational Intelligence in Design and Man factoring， John Wiley & Sons， 2000.

[2]M. Chime， E. Gronkiewicz， M. Muzzy ski， “The way of ladder diagram analysis for small compact programmable controller”， Proceedings of the 6th Russian-Korean International Symposium on Science and Technology KORUS-2002，2002：169-173.

基于电力的变压器 篇4

1 电力变压器故障集成诊断系统构造

电力变压器故障诊断系统中应围绕着故障存在环境选择适宜的诊断构造方式和组织形式, 因需所用、尽可能发挥诊断系统的最大效应。对变压器设备进行阶梯型的排序, 从大到小的顺序可得变压器设备为第一层, 变压器的部件属二层, 组成变压器部件的零件是第三层。按照从低到高的顺序, 每一层的诊断判定都对后续的检测有着承先启后的作用, 三层之间相互关联与联系。在设计电力变压器故障诊断系统时, 应充分考虑这三层硬件间的关联性和递进关系。

电力变压器中常见的故障有绕组故障、磁路故障、结构故障和冷却油故障四大类。这四类故障中, 既包含有常见的硬件故障, 也有可即时发生于器械中的实时故障, 故障间既有相互关联又有区别, 在故障诊断中应充分结合每一类故障的发生位置、特点, 采取有效方法进行甄别。通常采用对常见的五种特征气体 (H2, CH4, C2H2, C2H4, C2H6) 的三对比值, 确定电压器故障类型的方法也常称作三比值法。电力变压器诊断系统的工作对象是常见的故障, 这类评测方法中每一个对象都可视作独立的诊断单元。

将知识单元整合后形成知识库: (1) 知识库中应包含有经验值; (2) 能将历史数据进行存储和分类; (3) 工作设备能始终处于预备工作状态; (4) 其中最关键是故障信息整合模块。将以往的诊断信息进行分类、整理的基础上进行存储, 有利于对后续故障的快读有效识别具有指引性作用, 同时作为工作信息能进行整合, 对提高排障工作效率和工作设备稳定性都有着积极的作用。

在实际工作中, 基于工作机器的单一和工作环境的相对复杂, 单纯依靠气体成分和溶度的检测, 并不能完全得出可靠的诊断结果。某些非故障性的常规气体释放, 也必将成为假性故障的产生。对于诊断系统的使用, 并不能完全单一的信服, 在日常工作中对机器设备定期的保养维护都将有利于减少假性故障的产生。当系统收集到假性故障信息时, 也应将这类信息出现的环境、频率、特征等因素进行储存和整理, 提高系统识辨真假性故障的能力, 提高诊断系统的工作效率。

2 如何提高电力变压器故障诊断系统的性能

诊断系统中采用了数据分析整理及计算机控制原理的多项知识, 将诊断系统设定位工作对象, 对变压器的故障问题进行推理判断。例如将A, B, C, D分别代表绕组、磁路、结构及附件和冷却油四种常见故障类型, 把它们作为第一级诊断决策, 在前者基础上构建二级诊断决策, 从而形成阶梯型的决策梯队, 再结合故障发生具体信息归属哪类一级决策中, 在二次细致分别分辨, 得到一定可靠的识别信息对应于绕组匝间短路、绕组和引线断线、绕组对地绝缘损坏、绕组相间短路、铁芯多点接地、铁芯局部过热、分接开关接触不良、引线断路与短路、绝缘套管破损、冷却油受潮氧化和局部过热11种故障。在后续判别时应结合相应的辅助数据和工作经验, 对故障进行甄别, 使故障信息更加可靠。

同时, 定期优化智能处理系统例如:将无效或假性信息进行整理后, 存储于固定区域。待再次出现检测信息时, 应先与早期信息进行智能比对, 排除无效信息的存在可能, 当然这些都将依靠计算机技术的发展和创新, 在目前电力系统管理的大环境下, 先进的计算机管理技术必将给设备管理与使用带来技术型的改革, 为国民经济创造更大的经济效益。

3 小结

在电力变压器的使用中, 总是存在多样性的使用故障, 完全依赖某一种系统、一种方法、一种特征都无法对故障进行有效评定。在未来, 必将引入计算机、电子等方面的新技术, 融合多项技术为电力系统中常见的电力设备的使用提供更加准备的技术保障, 为故障的有效排除提供可靠的信息。

摘要：电力技术的进步开启了电力工业发展的新需求, 如何保障电力系统运行的可靠性、稳定性成为了当前亟待解决的技术难题。在目前电力供应中, 电力电压器等大型的电力设备具有举足轻重的作用, 电力设备的轻微耗损势必对整个电网运行造成影响, 甚至引起断电等故障, 这将对人民生活和工业生产造成严重的影响。

关键词：电力变压器,故障,诊断系统

参考文献

[1]陈可夫.面向电力变压器故障集成诊断系统[J].自动化技术.2010 (03)

[2]张国强, 李庆民, 赵彤.有载分接开关机械性能的在线监测与故障诊断系统设计[J].电气开关.2004, 42 (4)

电力变压器的运行维护及故障处理 篇5

一、电力变压器的运行原则

1、变压器运行的温度

变压器在运行中要产生铜损和铁损，这两部分损耗最后全部转变为热量，使变压器的温度升高。我国电力变压器大部分采用A级绝缘。在变压器运行时的热量传播过程中，各部分的温度差别很大，绕组的温度最高，其次是铁心的温度，再次是绝缘油的温度，而且上层的油温比下层的油温高。变压器运行中允许的温度是由上层的油温决定的。采用A级绝缘的变压器，在正常的运行中，当周围的温度为40℃时，规定变压器的上层油温最高不超过85℃为宜。

2、变压器运行的温升

变压器温度与周围介质温度的差值叫做变压器的温升。由于变压器的各部分的温度差别很大，这将影响变压器的绝缘。再有，当变压器的温度升高时，绕组的损耗将增加。所以，需要对变压器在额定负荷时对各部分的温升作出规定。对于采用A级绝缘的变压器，当周围的温度为40℃时，上层油的允许温升为55℃，绕组的允许温升为65℃。

3、变压器运行时的电压变化范围

在电力系统中，由于电网的电压波动，加在变压器绕组的电压也将是变动的。当电网的电压小于变压器所用的分接头额定电压时，对变压器没有什么损害；当电网的电压高于变压器的分接头的额定电压时，将会引起变压器绕组温度升高，变压器所消耗的无功功率增加，并且使副线圈的波形发生畸变。所以，一般以变压器的电源电压不超过分接头额定电压的5%为宜。

4、变压器并列运行的要求

将两台或两台以上的变压器的原绕组并联到公共电源上，副绕组也并联在一起向负载供电，这种方式叫做变压器的并列运行。在现在的电力系统中，随着系统的容量增大，变压器的并列运行是十分必要的。

电力变压器的并列运行要满足下列要求：

（1）各台变压器的变比应相等，其允许的差值应在+0.5%内。（2）各台变压器的短路电压应相等，其允许的差值在+10%内。（3）各台变压器的接线应相同。

二、电力变压器运行中的检查与维护

1、运行中的检查

为了保证变压器能安全可靠地运行，运行值班人员对运行中的变压器应作定期巡回检查，严格监视其运行数据。对于油浸式电力变压器在现场作定期巡回检查时，应检查以下项目。

（1）变压器的上层油温以及高、低绕组温度的现场表计指示与控制盘的表计或CRT显示应相同，考察各温度是否正常，是否接近或超过最高允许限额。

（2）变压器油枕上的油位是否正常，各油位表不应积污或破损，内部无结露。

（3）变压器油流量表指示是否正常，变压器油质颜色是否剧烈变深，本体各个部位不应有漏油、渗油现象。

（4）变压器的电磁噪声和以往比较应无异常变化。本体及附件不应振动，各部件温度正常。

（5）冷却系统的运转是否正常；对于强迫油循环风冷的变压器，是否有个别风扇停止运转；运转的风扇电动机有无过热的现象，有无异常声音和异常振动；油泵是否运行正常。

（6）变压器冷却器控制装置内各个开关是否在运行规定的位置上。（7）变压器外壳接地，铁芯接地及各点接地装置是否完好。

（8）变压器箱盖上的绝缘件，例如套管、瓷瓶等，是否有破损、裂纹及放电的痕迹等不正常现象。充油套管的油位指示是否正常。

（9）变压器一次回路各接头接触是否良好，是否有发热现象。（10）氢气监测装置指示有无异常。

（11）变压器消防水回路是否完好，压力是否正常。

（12）吸湿器的干燥剂是否失效，必须定期检查，进行更换和干燥处理。

2、变压器的维护

（1）工作人员应定期做好变压器绝缘油的色谱检查，并核对氢气监测装置的指示值，以便及时发现变压器中可能存在的异常情况。（2）变压器正常运行时，每小时用计算机处理并输出打印一次主变、厂高变、启/备变的温度，厂变的温度在定期检查时记录一次。

（3）按“设备定期切换试验制度”的规定，每半个月一次，对主变、厂高变、启/备变的冷却器进行试验并切换运行。

（4）按“设备定期切换试验制度”的规定，每半个月一次，对主变、厂高变、启/备变的有载调压装置进行分接头升降遥控试验。

（5）按“设备定期切换试验制度”的规定，对主变、厂高变、启/备变进行检查。

三、变压器的故障及处理方法

1、变压器不正常的温升的处理

变压器在运行中，油温或线圈温度超过允许值时应查明原因，并采用措施使其降低其温度，同时须进行下列工作：

（1）检查变压器的负荷和冷却介质温度下应有的油温和线圈温度。（2）检查变压器的CRT显示温度是否正常。

（3）检查冷却装置是否正常，备用冷却器是否投入，若未投入则应立即手动启动。

（4）调整出力、负荷和运行方式，使变压器温度不超过规定值。

经检查，如冷却装置及测温装置正常，调整出力、负荷和运行方式仍无效，变压器油温或线圈温度仍有升高趋势，或油温比正常时同样负荷和冷却温度高出10℃时，应立即向有关领导汇报，停止变压器运行。在处理过程中应通知有关检修人员到场参加处理。

2、变压器油位不正常的处理

变压器油位显著降低时应采取如下措施：

（1）如由于长期微量漏油引起，应加补充油并视泄露情况安排检修。（2）若因油温过低而使油位大大降低时，应适当调整冷却装置运行方式。（3）在加油过程中，应撤出重瓦斯保护，由”跳闸”改位投”信号”。待加油结束，恢复重瓦斯保护投”跳闸”。

3、变压器油流中断的处理（1）检查油流指示器是否正常。

（2）检查冷却装置工作电源是否中断，备用电源是否自动投入，油泵是否停转。若冷却装置故障，须调整当时的运行方式，必要时按温升接带负荷，但不允许超过变压器铭牌规定的该冷却条件下的允许容量。

4、压力释放装置动作

（1）检查释压板破坏后是否大量喷油。

（2）检查变压器喷油是否着火，若着火按变压器着火处理。

（3）由于变压器内部故障引起压力释放装置动作时，须按事故进行处理。（4）检查压力释放装置能否自动复置。

5、瓦斯继电器动作跳闸或发信号时的处理

（1）迅速对变压器外部进行检查，看有无设备损坏。（2）有检修人员对变压器进行内部检查予以确认。（3）检查瓦斯继电器有无因外力冲击而动作。

（4）检查瓦斯继电器内有无气体，并根据气体量、颜色和对气体色谱分析确定化学成分来判断。

（5）检查并记录氢气检测装置指示值。

（6）当瓦斯信号发出时，应查明原因，并取气体化验，决定能否继续运行。若正常运行中，瓦斯信号每次发出时间逐渐缩短，应汇报上级，同时值班人员作好跳闸准备。

（7）若属于瓦斯误动，应尽快将变压器投入运行。

6、变压器着火时的处理

首先应将其所有电源开关和闸刀拉开，停用冷却器。若变压器油在变压器顶盖上着火，应立即打开变压器事故放油阀，启动变压器喷水灭火装置，使油冷却而不易燃烧。若变压器内部故障引起着火时，则不能放油，以防止变压器发生爆炸。若变压器外壳炸裂并着火时，必须将变压器内所有的油都放到储油坑或储油槽中。

7、变压器冷却电源故障处理

首先检查备用电源能否投入，若不能迅速降低变压器负荷，使负荷下降到变压器铭牌所规定的自然冷却方式下的负荷，就必须严密监视变压器线圈温度，温度不能超限，并立即通知检修人员进行处理。

8、变压器运行中瓷套管发热和闪络放电的处理

（1）高低压瓷套管是变压器外部的主绝缘，它的绝缘电阻值由体积绝缘电阻和表面绝缘电阻两部分并联组成。因为瓷套管暴露在空气中，受到环境温度、湿度和尘土的影响，所以其表面电阻是一个变化值。当积尘严重时，污秽使瓷套管表面电阻下降，导致泄漏电流增大，使瓷套管表面发热，再使电阻下降。这样恶性循环，在电场的作用下由电晕到闪络导致击穿，造成事故。这种情况的处理办法是擦拭干净瓷套管表面污秽。

电力变压器的放电故障分析 篇6

【关键词】变压器；电力系统；放电故障

变压器在电力系统中扮演着非常重要、不可取代的角色，一旦变压器因故停止运行，有可能造成电力系统中电网的解列。其中放电故障已严重影响电力变压器正常运行，甚至缩短电力变压器的寿命，此下文就电力变压器放电的各种故障进行分析。

何为放电， 放电，就是使带电的物体不带电。 放电并不是消灭了电荷，而是引起了电荷的转移，正负电荷抵消，使物体不显电性。

1.放电故障对变压器绝缘的影响

放电对绝缘有两种破坏作用：一种是由于放电质点直接轰击绝缘，使局部绝缘受到破坏并逐步扩大，使绝缘击穿。另一种是放电产生的热、臭氧、氧化氮等活性气体的化学作用，使局部绝缘受到腐蚀，介质损耗增大，最后导致热击穿。

1.1绝缘材料电老化是放电故障的主要形式

（1）局部放电引起绝缘材料中化学键的分离、裂解和分子结构的破坏。

（2）放电点热效应引起绝缘的热裂解或促进氧化裂解，增大了介质的电导和损耗产生恶性循环，加速老化过程。

（3）放电过程生成的臭氧、氮氧化物遇到水分生成硝酸化学反应腐蚀绝缘体，导致绝缘性能劣化。

（4）放电过程的高能辐射，使绝缘材料变脆。

（5）放电时产生的高压气体引起绝缘体开裂，并形成新的放电点。

1.2固体绝缘的电老化

固体绝缘的电老化的形成和发展是树枝状，在电场集中处产生放电，引发树枝状放电痕迹，并逐步发展导致绝缘击穿。

1.3液体浸渍绝缘的电老化

而放电过程又使油分解产生气体并被油部分吸收，如产气速率高，气泡将扩大、增多，使放电增强，同时放电产生的X—蜡沉积在固体绝缘上使散热困难、放电增强、出现过热，促使固体绝缘损坏。

2.放电故障的类型

（1）局部放电：是指油和固体绝缘中的气泡和尖端，因耐压强度低，电场集中发生的局部放电。局部放电故障产气特征是氢成分最多（占氢烃总量的85%以上），其次是甲烷产生局部放电的几种典型结构及因素：引线：变压器绝缘结构中，引线布置是很多的。引线与引线之间的电场分布是极不均匀的。两根半径相同的引线互相平行和垂直时其最大电场强度均出现在两根引线表面处。相同条件下（忽略外包绝缘层）两根引线相互垂直比平等布置的最大电场强度高出10%左右，高压绕组首端引出线对箱壁以及对其外部的调压绕组，也是电场集中易产生局部放电的区域。端部绝缘机构：超高压电力变压器端部绝缘结构中通常在绕组端部防治静电环，一方面改善绕组冲击电压分布，另一方面作为屏蔽均匀端部电场。但静电环与端圈间形成的楔形油隙（亦称油楔）为电场集中区域。"油楔"与最大电场强度与绕组主绝缘距离，端部绝缘距离，静电环曲率半径及绝缘厚度有关。变压器中突出的金属电极表面，如油箱内壁的焊接缝及附着在其上的焊渣，引线焊接时留下的尖角毛刺。铁心柱边角基铁心片剪切时形成的毛刺等。均会造成电场集中，是场强成倍增加，（不论电极是带电还是接地）。对在制造过程中形成的尖角毛刺进行磨光处理。杂质：在变压器绝缘结构中与低压板相比油的介点常数最低。在复合绝缘结构中，油所承受的电场较高，而三种绝缘材料中油的击穿场强是最低的，这决定了变压器绝缘中最薄部分是油隙，油中含有杂质如金属和非金属颗粒、含水量、含气量等，会使油中电场发生畸变。上述因素都会造成局部放电。

（2）低能量放电一般是火花放电，是一种间歇性的放电故障，在变压器、互感器、套管中均有发生。不同电位的导体与导体、绝缘体与绝缘体之间以及不固定电位的悬浮体，在电场极不均匀或畸变以及感应电位下，都可能引起火花放电。其故障气体主要是乙烯和氢。由于其故障能量较小，总烃一般不会高。

（3）高能量放电（电弧放电）在变压器、套管、互感器内均有发生。引起电弧放电故障原因通常是线圈匝层间绝缘击穿，过电压引起内部闪络，引线断裂引起的闪弧，分接开关飞弧和电容屏击穿等。这种故障气体产生剧烈、高能量放电故障气体主要是乙炔和氢，其次是乙烯和甲烷；若涉及固体绝缘，CO的含量也较高产气量大，故障气体往往来不及溶解于油而聚集到气体继电器引起瓦斯动作。

3.总结

基于电力的变压器 篇7

电力变压器是电力系统中最重要的设备之一,它的运行状况直接关系到整个电力系统的安全稳定运行,一旦发生故障必将引起局部甚至大面积的停电,这势必会造成巨大的经济损失。 随着传感器技术、微电子技术、计算机技术及应用数学的高速发展,对电力变压器实施在线监测已经成为可能,而如何利用在线监测数据进行准确的故障诊断变得尤为重要。

电力变压器油中溶解气体分析(DGA)不受外界电场和磁场的影响,易于带电和在线实现,已经成为油浸式变压器故障诊断的一种有效方法[1,2,3,4],并在此基础上形成了特征气体法、三比值法和Rogers法等传统方法[5],以及人工神经网络(ANN)[6,7]法、支持向量机(SVM)[8,9]法和极限学习机(ELM)[10]法等人工智能方法。 然而传统算法存在缺编码、编码界限过于绝对等主要缺陷[5];ANN法存在着收敛速度慢、易产生震荡、易陷入局部最优等问题[6,7];SVM法本质上属于二分类算法,在多分类问题上存在构造学习器及分类效率低的缺点,而且核函数的选择和参数的确定比较困难[8,9];ELM法训练速度快,但是稳定性比较差[10]。

2006 年,Hinton教授提出了深度学习DL(Deep Learning ) 的思想, 开辟了深度学习在学术界和工业界应用的浪潮[11]。 深度自编码网络DAEN(Deep Auto-Encoder Network) 是深度学习方法的一种, 它通过构建具有多隐含层的机器学习模型对训练样本进行逐层特征变换,将样本在原空间的特征表示变换到一个新特征空间,从而使分类更加容易,最终提升分类的准确性。 与人工规则构造特征的方法相比,该方法更能够刻画数据的丰富内在信息,是目前国际上机器学习研究的热点领域[12,13,14,15,16],但尚未见其应用于变压器故障诊断方面。

鉴于此,本文首先构建了分类深度自编码网络模型,并用典型的分类数据集对其分类性能进行了分析验证。 然后,结合电力变压器在线监测油色谱数据特征及故障类型,提出了基于分类深度自编码网络CDAEN(Classified Deep Auto-Encoder Network)的变压器故障诊断新方法。 该方法利用工程现场的大量无标签样本进行预训练,优化模型参数,加之少量有标签样本进行微调,可以有效解决变压器故障分类问题,提高故障诊断准确率。 最后,通过工程实例对该方法进行了验证,并与基于BP神经网络(BPNN)和SVM的故障诊断方法进行了对比分析。

1 深度自编码网络

深度自编码网络也称栈式自编码网络,它是由多层自编码器AE(Auto-Encoder)堆叠而成的神经网络,结构上与传统多层神经网络没有区别,训练时采用逐层训练的方法,即将前一层的输出作为下一层的输入依次训练,有效解决了传统神经网络训练方法不适用于多层网络训练的问题,整个深度自编码网络的训练分为预训练和微调2 个阶段。

1.1 预训练

预训练的过程实质上就是初始化网络参数的过程,采用逐层无监督特征优化算法,需要初始化的网络参数是层与层之间的连接权值及各层神经元的偏置值。 以1 层AE为例,其网络结构如图1 所示。

1 个基本的AE可视为1 个3 层的神经网络结构,即输入层、隐含层和输出层,其中输出层与输入层规模相同。 从输入层到隐含层是编码过程,从隐含层到输出层是解码过程。 设f和g分别表示编码和解码函数,则2 个过程可分别表示为式(1)和式(2):

其中,Sf和Sg通常取为sigmoid函数;W为输入层与隐含层之间的权值矩阵,为隐含层与输出层之间的权值矩阵,通常取为WT;p和q分别为隐含层和输出层上的偏置向量。 为了下文表示方便,将AE的参数记为 θ,即 θ={W,p,q}。

假设训练样本集S ={x(1),x(2),…,x(N)},预训练AE的过程实质上就是利用S对参数 θ 进行训练的过程。 为此,首先需定义1 个训练目标,即解码后的y应与输入x尽可能地接近,这种接近程度可以通过重构误差函数L(x,y)来刻画,L(x,y)定义为:

基于重构误差函数,针对训练数据集S,损失函数如式(4)所示。 然后利用梯度下降法对损失函数进行极小化,就可以得到该层AE参数 θ。

一层AE训练完成之后,将其隐含层单元的输出向量作为下一层的输入,对下一层AE进行训练,依次迭代,直至最终完成整个深度自编码网络的训练。

1.2 微调

由上述预训练过程可知,在训练各层AE参数时,会固定其他层参数保持不变。 因此,如果想得到更好的结果,可以在预训练完成之后,利用有标签数据集,通过BP算法同时调整整个深度自编码网络的所有层参数以达到全局最优,这个过程即是微调。 预训练完成之后的微调会比直接在随机化的初始权重上使用BP算法训练效果要好,因为后者往往易陷入局部最优。

2 分类深度自编码网络

2.1 分类深度自编码网络模型

本文构建了分类深度自编码网络模型,它的前部由若干层AE堆叠而成,最后增加1 层代表期望输出变量的分类层,框架如图2 所示。 这里的分类器通常选用Softmax分类器,它是Logistic分类器在多分类问题上的推广,在给出分类结果时还会给出结果的概率,适用于非线性多分类问题。

分类深度自编码网络用于多分类问题时,训练过程与深度自编码网络一样,分为预训练和微调2个阶段。 预训练主要是采用无标签样本或去标签样本作为网络的输入,通过BP算法完成前部若干层AE参数的初始化;微调则是通过标签样本对包括分类层在内的整个网络参数进行调整,使得网络的判别性能达到最优。

2.2 分类深度自编码网络分类性能测试

采用本文构建的深度自编码网络对典型分类数据集Iris、Synthetic、Fourclass、Diabetes进行分类,网络参数W、a、b初始化为服从高斯分布的随机较小数值,初始学习速率p设为0.1,网络更新速率系数设为0.01。

表1 给出了分类深度自编码网络对不同数据集的分类情况。 从表1 中可以看出,分类深度自编码网络对不同数据集均具有较高的平均分类正确率,表明分类深度自编码网络模型适用于问题的分类。

3 基于分类深度自编码网络的变压器故障诊断方法

3.1 选取样本数据

为避免样本集偏斜,同时又能保证得到足够多的样本,可以选取多个工程现场记录的相同型号变压器发生故障前后较短一段时间内的油色谱在线监测数据,这些数据均是无标签数据,包含正常数据和故障类或近似故障类数据,可以用作预训练样本。对于微调阶段所采用的少量标签样本,可以通过搜集相同型号故障变压器测试实验数据获得。

3.2 选取特征变量

根据工程现场油色谱在线监测数据特点,选取H2、CH4、C2H6、C2H4、C2H2这5 种特征气体的含量值作为分类深度自编码网络的输入。 由于油中溶解气体分析数据差异比较大,为了减小输入数据的差值,降低计算误差,采用式(5)对各气体含量进行标准化处理,以提高诊断正确率。

其中,xic为标准化后气体的含量值(i = H2,CH4,C2H6,C2H4,C2H2);xo为气体原始含量值;xmean为训练集或测试集x中该类气体含量的均值;xstd为x中该类气体含量的标准差值。

3.3 变压器状态编码

变压器故障诊断是多分类任务,诊断结果可以分为正常、中低温过热、高温过热、局部放电、低能放电和高能放电6 种类型,下面依次对其进行编码,如表2 所示。

3.4 基于分类深度自编码网络的变压器故障诊断模型

基于分类深度自编码网络的变压器故障诊断模型见图3,模型的输入为油色谱在线监测的5 种特征气体含量值(经标准化处理),最终经顶层Softmax分类器后的输出为相应样本分别属于不同状态的概率值,概率值最大的状态即为诊断的最终结果。

3.5 基于分类深度自编码网络的变压器故障诊断方法的实现

基于分类深度自编码网络的变压器故障诊断方法实现过程如下:

a. 选取样本数据和特征变量,对样本数据进行标准化处理后按一定比例将其分为训练集和测试集;

b. 对变压器状态进行编码;

c. 建立基于分类深度自编码网络的变压器故障诊断模型;

d. 初始化变压器故障诊断分类深度自编码网络模型参数为服从高斯分布的较小随机数值;

e. 采用训练集中的无标签样本通过BP算法对模型底部AE层进行预训练;

f. 采用训练集中的标签样本通过BP算法对整个网络进行调优;

g. 保存训练好的网络,并对其进行测试。

4 工程实例分析

本文选用保定市某变压器厂多个工程现场实测的同一型号变压器发生故障前后某段时间内的油色谱在线监测数据,通过DBSCAN算法对其进行聚类,平衡选取各簇样本数据共1500 条作为预训练集,另用工程现场搜集到的300 组相同型号故障变压器测试实验数据按2 ∶ 1 比例分别用作微调集和测试集。对于基于分类深度自编码网络的变压器故障诊断方法,网络参数W、a、b初始化为服从高斯分布的随机较小数值,初始学习速率p设为0.1,网络更新速率系数设为0.001,最大迭代次数为1500 次,根据实测数据进行了如下测试。

a. 不同AE层数下的故障诊断情况。

分别测试了AE层数为0~10 时故障诊断平均正确率,结果如图4 所示。 从图4 中可以看出,AE层数为3 层时,故障诊断平均正确率已经很高,此后随着AE层数增加,正确率增长缓慢。 实际训练时,随着AE层数的增加,训练时间呈线性增长,综合考虑故障诊断效果和训练时间2 个因素,下文的测试中选取AE层数为3 层。

b. 不同预训练集时的故障诊断情况。

分别测试了预训练集为100、500、1 000、1 500时故障诊断情况,结果如表3 所示。 从表3 中可以看出,随着预训练集的增大,变压器故障诊断平均正确率也不断上升,这表明基于分类深度自编码网络的变压器故障诊断方法的预训练过程是极其重要的,是提高故障诊断正确率的有效保障。

对于基于BPNN和SVM的变压器故障诊断方法,只能采用标签样本进行训练,本文测试了不同训练集时故障诊断情况,结果如表4 所示。 表中,str和分别为BPNN最大训练迭代次数和学习速率,C和 γ分别为SVM规则化系数和核函数参数,这些参数的初始值均由实测数据经大量实验确定。

通过表3 和表4 的故障诊断结果对比可知,本文提出的基于分类深度自编码网络的变压器故障诊断方法和基于BPNN、SVM的故障诊断方法相比,故障诊断正确率更高。 测试中,发现基于分类深度自编码网络的变压器故障诊断方法诊断平均正确率会随着训练集的增大不断增高,但增长趋势逐渐变缓;基于BPNN和SVM方法的诊断平均正确率在训练集超过200 时基本保持不变,不适用于大数据量样本的训练,可扩展性差。

5 结论

a. 构建了分类深度自编码网络模型, 并对其分类性能进行了分析,典型数据集测试表明,分类深度自编码网络适用于多分类问题。

b. 提出基于分类深度自编码网络的变压器故障诊断方法,可以采用无标签样本对网络进行预训练,克服了BPNN、SVM方法无法利用无标签样本训练的缺点,提高了工程现场无标签样本的利用率。

c. 工程实例分析表明, 基于分类深度自编码网络的变压器故障诊断方法随着预训练集增大,故障诊断平均正确率增高,该方法适用于大量样本的训练,可扩展性好,与BPNN、SVM方法相比,故障诊断平均正确率更高,可以更好地满足工程需要。

摘要：基于深度自编码网络(DAEN),构建了分类深度自编码网络(CDAEN)模型。结合电力变压器在线监测油中溶解气体分析(DGA)数据,提出了基于CDAEN的变压器故障诊断方法。所提方法利用大量无标签样本进行预训练,优化模型参数,并利用少量有标签样本进行微调。实例分析表明,与基于反向传播神经网络(BPNN)、支持向量机(SVM)的故障诊断方法相比,所提方法的诊断正确率更高。

基于电力的变压器 篇8

关键词：电力变压器,故障诊断,深度信念网络,无标签样本,油中溶解气体分析

0 引言

电力变压器是电力系统中最重要的设备之一,它的运行状况直接关系到整个电力系统的安全稳定运行,一旦发生故障必将引起局部乃至大面积的停电,势必会造成巨大的经济损失。随着传感器技术、计算机技术及应用数学的高速发展,对电力变压器实施在线监测已经成为可能,而如何利用在线监测数据进行准确的故障诊断变得尤为重要。

电力变压器油中溶解气体分析(Dissolved Gas Analysis, DGA)不受外界电场和磁场的影响,易于带电和在线实现,已经成为油浸式变压器故障诊断的一种有效方法[1,2,3,4,5],并在此基础上形成了特征气体法、三比值法和Rogers法等传统方法[6],以及人工神经网络(ANN)[7,8]、支持向量机(SVM)[9,10]和极限学习机(ELM)[11]等人工智能方法。然而传统算法存在缺编码、编码界限过于绝对等主要缺陷[6];ANN存在着收敛速度慢、易产生振荡、易陷入局部最优等问题[7,8];SVM本质上属于二分类算法,在多分类问题上存在构造学习器及分类效率低的缺点,而且核函数的选择和参数的确定比较困难[9,10];ELM训练速度快,但是稳定性比较差[11]。同时,上述方法均属于浅层机器学习方法,学习能力具有一定的有限性,诊断准确率达到一定高度时很难再有大的提高;而且需要样本准确、完备,方能得到比较满意的结果;不适用于大量样本的训练,可扩展性较差。

深度信念网络(Deep Belief Network, DBN)是深度学习方法的一种,具有较强的从大量样本中提取特征的能力,以便于更好地分类,进而提高分类的准确率。该方法已经成功应用于分类问题,而且表现出了一定的优势,是当前国际上机器学习研究的热点领域[12,13,14,15,16,17],但尚未见其应用于变压器故障诊断。

鉴于此,本文首先构建了分类深度信念网络模型,模型能够以概率形式输出分类结果,便于分析问题的不确定性。然后,结合在线监测油色谱特征及变压器故障类型,提出了基于DBNC的变压器故障诊断方法。该方法可以利用工程现场的大量无标签样本进行预训练,优化模型参数,加之少量有标签样本调优,可以有效解决变压器故障分类问题,提高故障诊断准确率。最后,通过工程实例对该方法进行了验证,并与基于BPNN和SVM的故障诊断方法进行了对比分析。

1 DBN简介

深度信念网络由Geoffrey Hinton教授在2006年提出,它是一种概率生成模型,建立一个观察数据和标签之间的联合概率分布,对P(Observation|Label)和P(Label | Observation)均做了评估。结构上,它是由多个受限玻尔兹曼机(Restricted Boltzmann Machine, RBM)堆叠而成,训练时采用逐层训练的方法,解决了传统神经网络训练方法不适用于多层网络的训练问题,整个DBN的训练分为预训练和调优两个阶段。

1.1 预训练

预训练实质上就是初始化网络参数的过程,采用逐层无监督特征优化算法进行,需要初始化的网络参数是层与层之间的连接权值及各层神经元的偏置值。以一层RBM为例介绍,结构如图1 所示。

RBM包含一个可视层v和一个隐含层h,每层单元之间无连接,层与层之间全连接。假设v层有n个可见单元,h层有m个隐单元。那么,RBM作为一个系统所具备的能量定义为

式中:vi表示第i个可见单元的状态;hj表示第j个隐单元的状态;θ ={Wij, ai, bj}是RBM的参数,Wij表示可见单元i与隐单元j之间的连接权重,ai表示可见单元i的偏置,bj表示隐单元j的偏置。基于该能量函数,可以得到(v,h) 的联合概率分布为

式中,Z(θ )= ∑v, he-E ( v , h|θ )为归一化因子,即配分函数。则联合概率分布P(v,h|θ) 的边际分布(也称为似然函数)可以表示为

学习RBM的任务就是求出参数θ 的值,以拟合给定的训练数据。假设训练集包含T个样本,参数θ 可以通过最大化RBM在训练集上的对数似然函数得到,关键步骤是计算log P (v(t )|θ ) 关于模型参数θ 的偏导数,即

式中:< .>P表示分布P的数学期望;P (h | v(t),θ ) 表示可见单元为已知的训练样本v(t)时隐含层的概率分布; P(v,h|θ) 表示可见单元与隐单元的联合分布。

假设只有一个训练样本,我们分别用“data”和“model”来简记P (h | v(t),θ ) 和P(v, h| θ) 这两个概率分布,则对数似然函数关于连接权重Wij、可见层单元的偏置ai和隐含层单元的偏置bj的偏导数分别为

式(7)中:<. >data表示对数据集的期望;<. >model表示模型中定义的期望值。

1.2 调优

预训练完成之后,每层RBM可以得到初始化的参数,组成了DBN的初步框架,接下来需要对DBN作调优训练,进一步优化网络各层的参数,以使得网络的判别性能更好。调优过程是有监督学习过程,即采用标签数据进行训练,利用BP算法对网络参数进行微调,最终使网络达到全局最优。 这个性能会比单纯BP算法训练效果要好,因为它只需要对网络的参数空间进行一个局部的搜索,相比BP神经网络,训练速度要快,而且收敛时间短。

2 深度信念网络分类器

2.1 DBNC模型

本文构建了深度信念网络分类器(Deep Belief Network Classifier, DBNC)模型,它的底部由若干层RBM堆叠而成,顶部增加代表期望输出变量的最后层,即分类层,框架如图2 所示。这里,分类器通常选用Softmax分类器,它是Logistic分类器在多分类问题上的推广,它在给出分类结果时还会给出结果的概率,适用于非线性多分类问题,与深度信念网络结合起来,往往会获得较优的判别性能[18]。

DBNC用于多分类问题时,训练过程与DBN一样,分为预训练和调优两个阶段。预训练主要是采用无标签样本或去标签样本作为网络的输入,通过CD算法完成底部若干层RBM参数的初始化;调优则是通过标签样本对包括分类器层在内的整个网络参数进行微调,使得网络的判别性能更优。

2.2 DBNC分类性能分析

采用本文构建的DBNC对典型分类数据集Iris进行分类,网络参数W、a、b初始化为服从高斯分布的随机较小数值,初始学习速率 ρ 大小设为0.1。

分别采用BPNN、SVM和本文提出的DBNC对典型分类数据集Iris进行分类。BPNN训练最大迭代次数为2 000,学习速率为0.01;SVM规则化系数取500,核函数参数取0.5;DBNC初始学习速率取0.1,网络RBM层数为6。三种方法在不同训练集上的分类情况如表1 所示。

从表1 可以看出,当训练集样本数偏少时,DBNC与BPNN、SVM分类结果平均正确率基本相当,随着训练集样本数的增多,DBNC的分类平均正确率高于BPNN和SVM。

3 基于DBNC的变压器故障分类

3.1 选取样本数据

为避免样本集偏斜,同时又能保证得到足够多的样本,可以选取多个工程现场记录的变压器发生故障前后较短一段时间内的油色谱在线监测数据,这些数据均是无标签数据,可以用作预训练样本。对于调优阶段所采用的少量标签样本,可以通过搜集故障变压器测试实验数据获得。

3.2 选取特征变量

根据工程现场油色谱在线监测数据特点,选取H2、CH4、C2H6、C2H4、C2H2、CO、CO2七种特征气体含量作为DBNC的输入。由于DGA数据差异比较大,为了减小输入数据的差值,降低计算误差,采用式(8)对各气体进行标准化处理,以提高诊断正确率。

式中:xnew为标准化后气体的含量值; x为气体原始含量值;xmean为训练集或测试集X中该类气体含量的均值;xstd为X中该类气体含量的标准差值。

3.3 变压器状态编码

变压器故障诊断是一个多分类任务,诊断结果可以分为正常、中低温过热、高温过热、局部放电、低能放电和高能放电六种类型,下面依次对其进行编码,如表2 所示。

3.4 基于DBNC的变压器故障分类模型

基于DBNC的变压器故障分类模型如图3 所示,模型的输入为油色谱在线监测的七种特征气体含量值(经标准化处理后),最终经顶层Softmax分类器后的输出为相应样本分别属于不同状态的概率值,概率值最大的状态即为分类的最终结果。

3.5 基于DBNC的变压器故障诊断方法的实现

基于DBNC的变压器故障诊断方法实现过程如下:

(1) 选取样本数据和特征变量,对样本数据进行标准化处理后按一定比例将其分为训练集和测试集。

(2) 对变压器状态进行编码。

(3) 建立基于DBNC的变压器故障分类模型。

(4) 初始化变压器故障分类DBNC模型参数为服从高斯分布的较小随机数值。

(5) 采用训练集中的无标签样本通过CD算法对模型底部RBM层进行预训练。

(6) 采用训练集中的标签样本通过BP算法对整个网络进行调优。

(7) 保存训练好的网络,并对其进行测试。

以从训练集中选取的一个训练样本x0为例,CD算法步骤如下:

步骤1 初始化可见层单元的初始状态v0=x0,初始化W、a、b为服从高斯分布的随机较小数值,设定各层RBM最大训练迭代次数;

步骤2 对所有隐单元计算P (h0j=1 |v0)=σ(bj+ ∑ni=1v0iWij),从条件分布P (h0j|v0)中抽取h0~P(h0| v0) ,其中,σ(x) 为sigmoid函数,下同;

步骤3 对所有可见单元,计算P (v1i=1 |h0)=σ(ai+ ∑mj=1h0jWij),从条件分布P (v1i|h0)中抽取

步骤4 对所有隐单元计算

步骤5 按下式更新各个参数:

步骤6 重复步骤2~步骤5,直至达到最大迭代次数或重构误差足够小,结束该层RBM的训练。

4 工程实例分析

本文采用多个工程现场实测的变压器发生故障前后一段时间内的1 500 组油色谱数据作为预训练集,另用300 组变压器电气实验数据按4:1 分别用作调优集和测试集。对于基于DBNC的变压器故障分类方法,笔者由实测数据作了如下测试。

(1) 故障分类情况与预训练集、网络RBM层数关系

测试中,笔者发现故障分类平均正确率与预训练集和网络RBM层数均有一定的关系,而且预训练集不同时,网络最优RBM层数也会发生相应变化。由实测数据经过大量实验,绘制出三者之间的关系图,如图4 所示。

从图中可以看出,随着预训练集的增大,故障分类平均正确率达到最高时的最少RBM层数由开始时的6 层增加到8 层,层数逐渐增加。在预训练集一定的情况下,随着网络RBM层数的增加,故障分类平均正确率呈上升趋势,且趋势逐渐变缓。

(2) 不同预训练集时故障分类情况

分别测试了预训练集为100、500、1 000 和1 500时故障分类情况,如表3 所示。从表中可以看出,随着预训练集的增大,变压器故障分类平均正确率不断升高。

对于基于BPNN和SVM的变压器故障分类方法,采用标签样本进行训练,笔者测试了不同训练集时故障分类情况,如表4 所示。

表中,epochs和lr分别表示BPNN最大训练迭代次数和学习速率,C和 γ 分别表示SVM规则化系数和核函数参数,这些参数的初始值均由实测数据经大量实验确定。通过表3 和表4 的故障分类结果对比可知,本文提出的基于DBNC的变压器故障分类方法同基于BPNN、SVM的故障分类方法相比,前者故障分类准确率更高。

5 结论

(1) 构建了深度信念网络分类器(DBNC)模型,并对其分类性能进行了分析,Iris数据集测试表明,与BPNN、SVM相比,DBNC分类平均正确率更高。

(2) 提出基于DBNC的变压器故障分类方法,可以采用无标签样本对网络进行预训练,克服了BPNN、SVM方法无法利用无标签样本训练的缺点,提高了工程现场无标签样本的利用率。

基于电力的变压器 篇9

国内外的很多研究发现, 输电线路上的覆冰会导致输电线路发生弧垂, 导致导线水平张力、倾角等参数发生变化, 覆冰可能会对输电线路正常运行产生恶劣影响, 因此对覆冰进行监测就显得非常重要。目前大部分的输电线路覆冰监测的方法主要包括:积冰测量仪 (Ice Rate Meter, IRM) 、图像监控法、电子式称重传感器法等。另外, 风速和导线温度也能反应电力线路的工作状态, 也很重要。对导线温度进行监测的常用的方法主要有:基于热效应的电力线监测、线式温度传感等技术。

二、图像监控法

该方法主要是通过图像监控器对输电线路进行拍摄, 再将覆冰情况通过GPRS网络用图片的形式发送到变电站, 最后把图像显示在计算机上, 以监控覆冰厚度。该方法实现的覆冰监测系统的技术发展较为成熟, 成本也不高, 但在电网线路的监测中存在一些问题。第一, 由于拍摄角度、精度等因素的影响, 通过拍摄图像的方法进行覆冰监测只能进行定性分析;第二, 只能监测到摄像头覆盖的区域, 无法观测到视角未覆盖的区域, 除此之外, 当镜头被冰盖上后就造成图像质量变差, 甚至拍摄不到图像;第三, 该方法实现的监控系统往往是通过太阳能进行供电的, 如上文所说, 太阳能电池本身就存在一些缺点, 连续的雨雪天气可能会导致系统失去供电。

三、基于热效应的输电线路监测

该方法主要是通过红外技术 (比如红外热成像仪) , 对输电线表面温度进行监测, 并能对线芯的温度进行反演运算, 成像后进行运算, 得出温度值, 该方法采用的是非接触式, 但其缺点是工作时要考虑被测物体的发射率, 并且价格昂贵, 易受环境和雾气等的影响。

四、现有监测系统技术存在的问题

由上述的一些方法可知, 目前输电线路监测系统存在工作电源、传感器、通信、成本等方面的不足。这些原因主要由以下三个方面:

1. 工作电源和功耗问题。

现有的很多在线监测系统通常将整个监测系统都安装在电力变压器上, 包括传感器、处理器、无线传输模块等很多种耗电设备, 为了实现全天候监测, 即使采用了超低功耗的处理器及工作方式等措施, 但与供电方式 (如太阳能电池、蓄电池等) 相比还是有较大功耗。

2. 设备老化现象。

很多监测系统在长期运行中会出现性能慢慢下降的现象, 其原因主要是设备的抗老化性不好, 输电线路的环境比较恶劣, 长期处于这种环境下, 性能很容易受影响。

3. 电磁兼容问题。

虽然设计者们费尽心思研究防电磁干扰的问题, 但由于所处环境电磁干扰强烈、传输路径复杂, 当电力线或电力变压器周围出现强电磁辐射、受到雷击、高频噪声时, 系统的可靠性会大大下降, 甚至出现误动作、死机等问题。

为了解决上述问题, 可以采用光纤布拉格光栅传感器进行电力线及电力变压器的监测, 与传统的机械电子类传感器相比, 光纤布拉格光栅传感器有如下优点:

1.对电的绝缘性好, 光纤本身就是由石英组成的, 不用电源进行驱动, 特别适用于对绝缘要求高的化工、电力等行业中;2.抗腐蚀性强, 光纤的主要制造材料是石英, 其化学稳定性极强, 所以光纤传感器能在恶劣的环境中使用;3.抗电磁干扰, 由于光波频率远远大于电磁波辐射频率, 所以光信号在光纤中光信号在传输时不会被电磁干扰影响, 在电力生产中非常适用;4.体积小, 光纤的直径在微米级别, 加上增敏外套后也很小;并且形状可以根据需求确定, 很容易埋设在材料内部;5.光纤传感器分为光强类和光波长类传感器, 光纤布拉格光栅传感器时根据光波长进行传感监测, 测量信号不会受到光强、光纤弯曲等的影响;6.光纤是使用石英进行制造的, 使用寿命长, 有研究表明寿命可达25年[1,2];并且光信号在光纤中传输损耗很小, 能够在远距离进行监测;7.光纤光栅传感器便于实现时分、空分、波分复用, 能够组件大规模的光纤传感系统。

因此本文采用了布拉格光栅传感器, 电力变压器上的传感器及连接全部采用光器件, 能够避免电磁干扰、电源供电问题。由覆冰拉力传感器、光纤温湿度传感器、光纤导线温度传感器、电力变压器塔身应变传感器、光纤风速仪等传感器、电子控制箱及监控软件搭建整个电力变压器监测系统。

摘要：电力系统是国家发展和人民生活必不可少的保障, 电气设备出现异常时造成的后果极其严重。架空输电线路的覆冰、强风引起的线路震荡、电力变压器塔体的钢应变、导线温度等因素都会对正常输变电产生影响, 尤其是覆冰可能会导致电力变压器的倒塌。因此, 对电力变压器及输电线路的覆冰拉力的监测就显得尤为重要。

关键词：光纤光栅,电力变压器,波分复用,波长解调,嵌入式

参考文献

[1]万能飞.基于油气分析优化的电力变压器故障诊断算法研究[D].重庆大学, 2015.

基于电力的变压器 篇10

尽管已有大量的现代诊断技术应用于电力变压器故障诊断中，但进一步的理论研究和应用结果表明，这些诊断方法仍存在许多不足之处：文献[2]提出基于Petri网的变压器故障诊断方法，利用Petri网进行知识的表示和推理，其只涉及矩阵计算，适用范围较小，且故障特征与故障类别之间的对应关系不完善；文献[3]提出的一种基于粗糙集理论的变压器故障诊断方法，能够较好处理不完备信息条件下的诊断，但故障类别划分结果较为模糊，尤其不能区分对多重故障的诊断；文献[4]采用了信息融合技术来解决变压器故障诊断问题，模糊均值算法受样本的分布和初始参数影响较大；文献[5]基于证据理论的故障诊断方法，当故障样本量发生变化时，难以获得准确的故障诊断结果。

因此，在全面了解电力变压器故障情况和故障诊断相关技术的基础上，结合已有的神经网络在电力变压器智能故障诊断方面的研究成果[6,7]，本文提出基于粗糙集优化的电力变压器综合故障诊断方法，提高了油浸式电力变压器故障诊断的准确性。既有很强的学术理论价值，又有很强的工程实用价值。

1 电力变压器故障诊断模型

基于粗糙集（RS）优化的概率神经网络（PNN）故障诊断方法是依据粗糙集理论本身具有严谨的内在逻辑关系，无需对预处理信息进行经验或知识积累，是处理模糊性和不精确性问题的较为理想的数学工具。因而利用粗糙集理论对电力变压器故障系统大量数据进行前期处理，能够在保留关键信息的前提下对故障数据进行最大限度的约简，既去除了大量冗余信息，缩减了故障信息的规模，又保证了变压器故障诊断数据的客观性和精确性。再将粗糙集约简后的变压器故障数据用于概率神经网络故障诊断系统的训练，缩短了神经网络的训练时间，提高了变压器故障诊断系统的快速性，且神经网络一旦训练好就无需因故障数据的变化而重新训练故障诊断系统网络。因此，粗糙集和概率神经网络相结合的电力变压器故障诊断方法相比于其他的故障诊断方法，具有非常明显的优势。其故障诊断系统框图如图1所示，分为学习阶段（即网络训练阶段）和应用阶段（即故障诊断阶段）两个阶段。

2 粗糙集理论的决策表约简法

2.1 样本数据的选取

依据样本数据的选取原则，通过收集华北电网虹桥220 k V变电站多台油浸式电力变压器的历史故障数据，共得到近200个样本，选择其中比较有代表性的10组样本数据为例来表明粗糙集的优化过程。

将这10组数据整理成原始样本决策表，如表1所示，其中每组数据包含了12个条件属性，即12种故障样本气体含量的比值和一维结论属性即故障类型序号，该故障类型序号对应的实际诊断结果为：1，无故障；2，低能放电；3，高能放电；4，中低温过热；5，高温过热。

2.2 决策表的约简

粗糙集理论是一种智能信息处理技术，是处理不精确、不完备信息的有效工具，其核心内容是知识的约简，即在保持其分类能力不变的情况下，无需先验知识，通过约简方法，导出问题的分类或决策规则。粗糙集理论在许多领域得到了广泛的应用，如图像处理、模式识别、机器学习、数据挖掘、决策分析、过程控制等。若用粗糙集理论处理决策表时，则要求决策表中的各值均用离散值。

本文先利用等频率划分离散法对原始决策数据进行离散化，再由粗糙集约简法对原始样本决策表进行故障数据的约简。等频率划分离散法是根据给定的参数将这个属性的取值从小到大进行排列，最后平均划分为最佳状态的段数，即得到断点集。任意两个相邻断点间所包含属性值的个数是相等的。

其中以C2H2C2H4两种气体的比值为例，其经等频离散化后的结果如表2所示，将原始决策表中的数据划分为10个断点集，从0.000～1.343按最佳状态平均划分。然后再进行样本数据的约简，其结果见表3。当C2H2C2H4的比值落在区间{[0.000,0.002]}中，记作0；当C2H2C2H4的比值落在区间{[0.002,0.005],[0.005,0.007],[0.007,0.008],[0.008,0.051],[0.051,0.211]}中，记作1；当C2H2C2H4的比值落在区间{[0.211,1.131],[1.131,1.165],[1.165,1.210],[1.210,1.343]}中，记作2。其他气体比值的离散化和约简形式同上，在此不一一列出。

以上12种故障样本气体含量的比值在经过属性约简后，若删除第n个决策属性，与未删除前的决策属性没有什么本质区别，则说明该决策属性可以省略，反之，该决策属性则不可省略。以此方法对这12个条件属性进行进一步约简，形成最终决策表，如表4所示，约简后的故障特征属性由原始决策表中的12个减少为现在的5个，决策表规模大大缩减，为下一步的PNN网络训练做好了优化工作。

3 概率神经网络的故障诊断

概率神经网络PNN是广泛应用于模式分类的一种神经网络，在故障诊断过程中利用其强大的非线性分类能力，将故障样本空间映射到故障模式空间中，形成较为准确的故障诊断模型。它可描述为：假设有两种已知的故障模式qA,qB，对于要判断的故障特征样本：

式中：hA,hB为故障模式qA,qB的先验概率，hA=NA/N,hB=NB/N;NA,NB分别为故障模式qA,qB的训练样本数；n为训练样本总数；lA是将本属于模式qA的故障特征样本X错误地划分到模式qA的代价因子；lB是将本属于模式qB的故障特征样本X错误地划分到模式qB的代价因子；fA,fB分别是故障模式qA,qB的概率密度函数，通常概率密度函数不能精确地获得，只能根据现有的故障特征样本求其统计值。

以表4所示的最终决策表为例，根据约简后的决策属性由原始决策表中的12个减少为现在的5个，于是设PNN网络输入层有5个神经元，对应5个输入特征属性；模式层有12个神经元，对应12种故障模式；隐含层和输出层有5个，对应于上述5种故障类型。

4 诊断结果判定

本实验将收集到的油浸式电力变压器的200组原始样本数据分为两部分，前100组样本作为概率神经网络和粗糙集优化的概率神经网络的训练样本进行神经网络训练，后100组样本作为检验样本进行故障诊断。

将100组验证样本分别代入已经训练好的概率神经网络和粗糙集优化的概率神经网络的进行故障诊断，并输出诊断结果。

4.1 概率神经网络的故障诊断结果

概率神经网络故障诊断结果如图2所示，圆圈所对应的数值表示该样本经诊断后的故障类型序号，星号所对应的数值表示该样本的实际故障类型序号。诊断误差图中的误差值0表示诊断后的故障类型序号与实际故障类型序号相同，诊断结果正确，误差值2、-3表示诊断后的故障序号与实际故障序号的差值，诊断结果不正确。最后经过仿真发现诊断结果中有21个故障类型跟样本实际故障类型不一样，其故障诊断准确率为79%。

4.2 粗糙集优化的概率神经网络故障诊断结果

粗糙集优化的概率神经网络诊断结果如图3所示，最后经过仿真发现诊断结果中只有3个故障类型跟样本实际故障类型不一样，其故障诊断准确率为97%。

可见，基于粗糙集优化的概率神经网络的电力变压器故障诊断准确率比单一的概率神经网络的要高，其方法应用于变压器故障诊断中，可以去除大量冗余信息，简化故障诊断系统的规模，且大大提高了故障诊断的准确性。

5 结语