【《变压器故障类型及诊断方法分析概述》3300字】

变压器故障类型及诊断方法分析概述当处于运行状态的变压器发生故障时，往往会伴随一些异常现象。通过搜集和监控这些故障信息并进行数据分析和归纳，就能判断出变压器是否处于正常运行状态。随着监控技术水平的提高，变压器内部的溶解气体信息逐渐被发掘出来，如何利用这些已知的历史监控数据，进行变压器的故障诊断，进而判别出变压器发生的故障类型以及故障严重程度，方便相关的电网工作人员进行快速有效的检修和替换，具有重要的研究意义。为了克服已有方法数据利用率不高、求解过程复杂的弊端，本节通过对变压器油中的气体监控数据的分析，充分利用PNN[48]计算速度快、泛化性能好、自学习能力强的优势，有效解决了变压器故障诊断的难题，所给算例证明了PNN模型的可行性和准确性。1.1变压器常见故障及原因分析(1)声音异常：当变压器处于正常运行状态时，变压器保持静音或者发出有规律的噪声，如电磁的“嗡嗡”叫声，只不过响度会更大一些，但是当变压器所带负荷突然增加、内部零件松动或绝缘性能老化等原因都会导致变压器发出杂音。此类故障一般发生在夏季高温用电负荷较重的情况下。(2)油温异常：变压器内部的矿物油除了起到绝缘保护的作用外，还起到散热降温的作用。当变压器矿物油温度过高时，一般有以下几个原因：内部穿心螺丝绝缘损坏或者变压器内部绕组匝间短路，此时将产生远高于额定运行状态的短路电流，并产生大量的热量，导致变压器内部绝缘油温度异常。(3)变压器内部矿物油高度、油色异常：当夏季高温重负荷运行时，变压器内部的温度较高，使得油内出现黑色碳质，进而导致绝缘油颜色过重；当变压器密封性降低时，变压器会出现渗漏现象和挥发现象，导致变压器油位异常。当变压器内部绝缘油低于最低标线下时，需要人工加油，以维持变压器正常工作时散热绝缘的工作要求。(4)三相负载不平衡：当变压器所带负载是三相不平衡负载时，此时的三相电流也往往是不对称的，进而导致三相电压不平衡，需要指出的是，当系统发生铁磁谐振、匝间短路时，也会产生三相负载不平衡的故障状态。(5)引线部分故障：引线部分常见的故障包括接线松动导致接触不良、过电流导致引线烧断等。当出现此类故障时，需要尽快处理故障和切断电源，避免故障范围的进一步扩大。1.2基于PNN的变压器故障诊断方法对于变压器故障诊断的相关研究已被众多电网研究人员和工程师进行展开。目前在我国采用的最广泛的方法是改良后的三比值法。三比值法就是通过分析变压器内部溶解气体彼此之间的比值，借助编码技术，进行变压器的工作状态以及相应的故障类型的判断。改良后的三比值法的编码规则和故障判别标准分别如表2-1和表2-2所示。表2-SEQ表2-\*ARABIC1变压器内部溶解气体比值编码规则变压器内部溶解气体比值范围编码规则C2H4/C2H6CH4/H2C2H2/C2H4<0.10100.1≤～<10011≤～<31213≤～222表2-SEQ表2-\*ARABIC2变压器内部故障类型的编码和诊断方法编码组合变压器故障类型C2H2/C2H4CH4/H2C2H4/C2H6010变压器内部局部放电01油温过热且温度低于150℃20油温过热且温度介于150℃--300℃21油温过热且温度介于300℃--700℃0，1，22油温过热且温度高于700℃10，10，1，2电弧放电20，1，2电弧放电兼温度过高20，10，1，2火花放电20，1，2火花放电兼温度过高表2-2展示了改良三比值法进行变压器故障状态编码的规则，变电站相关工作人员只要根据变压器内部气体含量的监控数据并进行相应的计算，就能得到变压器所处的工作状态。然而，在实际操作中，由于监控数据的信息量庞大，维度过高，单纯依靠人力数据录入、分析和处理难免会受到如工作人员疲惫、粗心和错误记录数据等主观因素影响，既降低了工作效率，也可能会出现变压器故障漏判甚至误判的情况。为了克服上述的弊端与不足，充分发掘已有监控信息的价值，本文将数据监控和人工智能技术相结合，采用PNN来进行变压器故障诊断，在保证精度的前提下，提高工作效率和排除人为主观因素影响。早在1989年，概率神经网络的概念最先由Specht博士首先提出，经过几十年的发展完善，概率神经网络由于其结构简单、训练规则清晰易懂的优势，因此已经被广泛运用于数据分类、非线性回归拟合问题中。此外，PNN对应权值本质上就是模式样本的分布，网络不需要再通过训练，因此其求解速度很快，可以满足实际电网中的实时故障诊断的需求。如图2-2所示，PNN的典型结构包括四个层级，从上至下依次为输入层、模式层、求和层和输出层。此外，需要说明的是，PNN属于前馈神经网络的一种，因而在模式分类上具有独特的优势。训练样本的值通过输入层输入，需要说明的是，样本维度和输入层神经元数目n相等。模式层的神经元数目一般是这四个层次中最多的，等于各个类别训练样本数之和。模式层的每个模式单元的输出可以通过式(2-8)计算得到：(2-8)其中，x表示输入层的输入，wi表示模式层和输入层之间的连接权值，表示模式分类过程中的平滑因子。第三层是求和层，主要作用是将第二层中所求的不同模式的对应概率进行累加，进而得到模式对应的概率密度函数。第四层是输出层，由简单的阈值识别器组成，主要作用是为所训练的神经网络模型选择输出神经元。不同于其他层次的神经元，输出层神经元是一种竞争性神经元，这种竞争性主要体现在概率密度函数最大的那个神经元输出为1，其他神经元输出为0。图2-SEQ图2-\*ARABIC2PNN的典型结构在神经网络建模中，必须要选取那些能够反映问题本质特征的变量作为神经网络的输入。结合之前所述的改良三比值法原理，本文选择变压器绝缘油中三种气体比值对应的编码组合作为概率神经网络的输入，将变压器故障类型作为概率神经网络的输出。对输出的定义如下表2-3所示。表2-SEQ表2-\*ARABIC3PNN输出层输出编码对应变压器状态输出层输出编码所对应的变压器故障诊断结果1变压器状态正常2变压器内部局部放电3变压器内部温度过高4变压器内部电弧放电5变压器内部火花放电本章选用西部某变电站的相关数据进行算例验证，该数据共包含50组变压器故障数据，本文选用前40组作为概率神经网络输入训练数据，剩下的10组数据用于检验训练效果。相应的利用PNN进行变压器故障判别的流程如下表2-4所示。PNN模型诊断故障相关算例程序在个人笔记本电脑上安装的MATLAB2014b软件中进行编写和测试，电脑配置如下：处理器Interi57300HQ，内存12G。表2-SEQ表2-\*ARABIC4利用PNN进行变压器故障诊断计算流程步骤详细说明Step1整理输入输出数据，按照表2-2改良三比值法确定变压器内部气体比值范围和所对应的故障状态，并进行编码。Step2编写PNN程序，给定网络分布密度参数(为方便表述，这里记作SPREAD)的值。Step3将选择好的训练样本输入PNN。Step4将选择的测试样本输入检验PNN对变压器故障诊断的效果。Step5将输出结果和实际结果对比，分析误差。初次选择的概率神经网络的SPREAD值为1.5。测试输出结果与实际结果对比效果如图2-3所示。图2-SEQ图2-\*ARABIC3SPREAD=1.5时PNN对变压器故障诊断效果由图2-3可以看出，采用PNN进行变压器故障诊断取得了良好的效果，所用的10组测试数据中有9组实现了正确辨识故障类型，计算准确度高，事实上，当训练样本足够大时，PNN训练和判断变压器故障类型的准确度会更高。同时，为了探究PNN模型中分布密度参数SPREAD对变压器故障诊断结果的影响，本章分别设置了不同的SPREAD参数进行研究和探索其对最终输出结果可能产生的影响。不用SPREAD值下的PNN对变压器故障诊断结果如图2-4—图2-6所示。图2-SEQ图2-\*ARABIC4SPREAD=1时PNN对变压器故障诊断效果图2-SEQ图2-\*ARABIC5SPREAD=2时PNN对变压器故障诊断效果图2-SEQ图2-\*ARABIC6SPREAD=3时PNN对变压器故障诊断效果从上图展示的基于PNN的变压器故障诊断结果可以看出，当SPREAD取值为1，1.5和2时，所求得的故障率准确度高；当SPREAD取值为3时，计算结果偏差较大。从上述结果可以总结出概率神经网络在变压器故障诊断时的优势和特点：(1)相较于人为记录和分析故障，PNN计算的效率更高，当SPREAD设置为一个合理的值时，所求得的精度可以满足实际电力系统调度和检修的要求，更重要的是，其投资成本低，当需要分析海量监控数据时，PNN的优势更加明显。(2)在电网故障诊断和检修中，时间极其宝贵，越早发现和排除潜在故障，对于电网安全稳定运行越有利。因此，本章分别测试并记录了不同SPREAD值下PNN进行变压器故障判别的计算，相关计算结果如图2-7所示。可以发现，PNN进行故障判