高新技术在变压器故障诊断中的应用

[摘 要]随着科学技术的不断改革发展，变压器的故障诊断也逐步趋向科技化。以专家系统和人工神经网络法为例，本文针对高新技术在变压器故障诊断中的应用做了分析与研究，并提出建议。

[关键词]高新技术；变压器；专家系统；人工神经网络法；故障诊断

中图分类号：TM407 文献标识码：A 文章编号：1009-914X（2015）26-0297-02

前言

电力变压器是电力系统中的重要组成部分，是保障电力系统正常运行的基础设备。因此，做好电力变压器中的故障诊断工作尤为重要，不仅能够保证电力系统的正常运行，还能提升电力系统的运行效率。现阶段，随着高新技术的飞速发展，这一技术已经得到了广泛的推广并应用，在变压器的故障诊断过程中，高新技术能够解决很多传统方法无法解决的难题。因此，高新技术应用于变压器故障诊断中得到人们的广泛关注与重视，尤其是专家系统与人工神经网络法。

一、专家系统法

（一）专家系统的知识库结构

专家系统法在变压器故障诊断中由多个方面造成，主要有知识库、数据库、解释机制、推理机以及人工借口。其中专家系统的核心内容就是知识库。如下图1所示：

TFDES的工作重心是以气体色谱为主体，结合油中的溶解气体色谱的数据进行分析研究，在研究过程中分析变压器运行状况时主要采用三比值法和特征气体法，从而诊断变压器运行是否正常，在运行过程中，变压器是否有老化、放电、过热等故障。此外，还需结合变压器外部检修情况进行分析，主要进行绝缘油特性、绝缘预防性等检修项目，从而构建专家系统的知识库结构。

综合分析这一模块主要是结合气体色谱分析、外部检查、绝缘油特性、绝缘预防性进行综合分析，保证变压器故障诊断的准确性、真实性、科学性，并向工作人员传递“继续运行”或“关机”等指示信息。此外，TFDES中的协调器是最重要的一个模块，起到控制、与其他模块进行协调工作的作用。

（二）专家系统的特点

1、专家系统的知识表达系统是采用了国内最先进的产生式系统，其知识库是模块式的结构，模块与模块之间都是独立工作，方便日后知识库的二次更新与升级，对知识库的维护工作带来了便利性。

2、专家系统运用TURBO-PROLOG语言的优势，进一步反向推理目标驱动，与此同时，引入模糊控制理论，故而能够成功的解决变压器故障中的模糊问题。

3、专家系统中的数据库主要由两部分组成，主要是绝缘预防数据库、动态数据库。其中绝缘预防数据库能够将各种气体信息与绝缘预防数据输入到计算机中去，便于用户实时查询或管理。此外，专家系统根据数据分析得出结论，研究出变压器运行的变化趋势。动态数据库主要起到承上启下的作用，将上文中的推理结果与数据存储在系统中，当用户需要解释时，给用户提供相应的数据，以供解释机制取用。

二、人工神经网络

（一）人工神经网络的结构

人工网络神经是指模拟人脑进行信息处理。这一方法具备较强的自主组织、自主学习的能力，能反映非线性的工作关系。如图2所示：

TFDANN的工作流程主要有两个时期：

1、学习期

一般情况而言，在学习过程中，变压器中的气体分析数据与其他测量数据是早多种历史计算数据的基础上运算出来的，同时将数据输入到网络中，采用反向推理法，计算出权值和阈值。

2、工作期

在诊断变压器的故障过程中，计算的数据是经过多次变压器测量是结果，最后总结出网络的实际输出数据，并将之与预期中的数据进行比较分析。

在图2中，TFDANN主要采用神经网络的模块化结构，模块与模块之间都是相互独立的，单独进行工作。其中BP1是特征气体模块，其输入特征元素X1～X6分别为H2、CH4、C2H4、C2H2、C2H6、CO6种气体在TCG中的含量；其输出Y1～Y4分别对应于变压器故障诊断中的正常、过热、电晕、电弧4种情况。如图3所示：

在图2中，BP2属于三比值模块结构，其中X7～X9这一阶段分表表示了C2H2、（C2H4、CH4）、（H2、C2H4）、C2H6的比值特征化学元素，输出Y5～Y12分别表示变压器的故障性质。此外，BP3表示绝缘油特性试验模块，它的输入特征元素X10～X15分别表示酸值、电阻率、含水量、表面张力、介损、击穿电压等6种情况，输出Y13～Y15分别表示绝缘油良好、要注意、不良等3种情况。BP4表示变压器外部检查模块，输入特征元素X16～X20分表表示变压器运行中的油温、油位及其他相关数据，输出Y16～Y17分别表示变压器外部或内部的运行情况。

TFDANN结构中的核心模块工作原理是：结合其他模块的输出结果进行多方面、多角度、多层次的比较分析，通过故障诊断经验与先进的技术有机结合分析，从而做出正确的故障判断。

（二）人工神经网络的特点

1、人工神经网络采用反向传播计算法，能够进行科学的分类，将故障信息分为模糊一类与非模糊一类，与此同时，引进模糊控制理论，就能解决一些模糊故障的数据处理问题。

2、人工神经网络中的输入与输出分别表示变压器故障的症状与故障的性质，从而构建神经网络模块化结构，有效的将传统复杂的结构简化了，缩小了用户的检索信息范围，提升了信息处理速度，改善了变压器故障诊断工作效果。同时，各网络节点之间的工作流程变得简单化，提升了诊断速度，便于日后软件的升级与更新。

3、人工神经网络法具有较好的人机借口，不仅可以在屏幕上显示变压器的运行动态图，还具备打印输出的功能，这一方法具有较高的实用性、可操作性。

三、变压器故障诊断实例分析

例如，发电厂变压器的额定容量设定为65MVA，额定电压设定为110、35、10.5KV，根据采样数据制作出表1，绝缘油特性的试验数据制作出表2，绝缘预防性试验数据制作出表3，如表1，2，3所示：

根据以上数据显示，通过专家系统法（TFDES）与人工神经网络法（TFDANN）诊断得出以下结果：

（一）专家系统法诊断

结合气体色谱数据比较分析发现：H2、C2H2和总烃都大于三比值（102）的正常范围，变压器的内部运行正常。因此，诊断结果为高能量放电症状。

（二）人工神经网络法诊断

BP1这一模块的输出Y4值为0.9835，其余模块的输出值为0，这一现象说明变压器中的电弧放电；BP2这一模块的输出Y9值为0.9998，这一现象说明变压器高能量放电；BP3和BP4输出数据显示变压器中的内部运行不良。因此，综合以上数据显示发现：变压器内部运行不良，诊断结果为高能量放电症状，故障部位在变压器中的定压绕组处。

（三）指导意见

立刻通知工作人员停机，取芯检查，着重检查定压绕组部位。

结语

综上所述，电力变压器故障诊断过程中引入专家系统法、人工神经网络法起到重要作用，有效的诊断出变压器的故障原因。近年来，DGA数据库系统逐步受到各电力企业、变电站的重视，纷纷建立了DGA数据库系统，并将其系统中的信息数据输入到计算机数据库中进行备份。这些信息数据资源给故障诊断技术趋向数字化、智能化、一体化提供了可能。人工智能技术不是一朝一夕能够实现的，它是一项系统性的工程，需要技术人员不断的分析、改进、归纳、总结、创新，有效的将理论知识与实践活动联系起来。此外，人工智能型系统发展空间较大，前景无限。

参考文献

[1] 田振宁.案例推理技术在大型电力变压器故障诊断中的应用[D].上海电力学院，2010.

[2] 张艳.基于粒子群优化支持向量机的变压器故障诊断和预测[D].西华大学，2011.

[3] 牛高远.FCM聚类算法及其在变压器故障诊断中的应用[D].西华大学，2013.