资源预览内容
第1页 / 共13页
第2页 / 共13页
第3页 / 共13页
第4页 / 共13页
第5页 / 共13页
第6页 / 共13页
第7页 / 共13页
第8页 / 共13页
第9页 / 共13页
第10页 / 共13页
亲,该文档总共13页,到这儿已超出免费预览范围,如果喜欢就下载吧!
资源描述
油浸式变压器故障在线诊断方法研究贾红红, 郑一平(金华职业技术学院, 浙江金华321018)摘 要: 根据各溶解气体的在线监测数据, 采用灰色GM ( 1, 1) 和PNN融合技术进行在线故障诊断.先通过GM ( 1, 1) 预测模型预测未来时刻变压器中矿物绝缘油在电和热的作用下, 分解产生的氢、甲烷、乙烷、乙烯及乙炔5种气体溶解浓度, 并将预测结果作为概率神经网络故障诊断的输入利用PNN进行变压器故障诊断. 实例表明, 该方法能够诊断变压器在未来时刻的绝缘状况, 并能满足工程实际需要.关键词: 在线故障诊断; 概率神经网络引言传统的离线故障诊断主要包括现场取样、实验室离线色谱分析和障诊断等过程, 具有操作复杂、间隔时间长、易受人为因素影响等缺点. 随着在线监测技术的不断发展, 变压器油中溶解气体在线监测技术已经比较成熟. 1 在在线监测技术的基础上, 采用GM ( 1, 1) 建立变压器油中溶解气体在未来时刻的浓度预测模型, 2- 3 从而预测出变压器在未来时刻的绝缘状态 . 因此, 基于油中溶解气体分析的在线变压器故障预测技术是离线故障诊断的有效补充, 能有效克服离线故障诊断的不足, 有利于提高变压器的故障诊断和状态检修水平.本文选择矿物绝缘油在电和热的作用下分解产生的主要气体氢、甲烷、乙烷、乙烯及乙炔5种气体在线监测浓度, 根据各溶解气体的在线检测数据, 建立灰色GM ( 1, 1) 预测模型, 预测未来时刻变压器中的溶解气体浓度, 并利用PNN进行变压器故障诊断, 能准确地诊断出概率神经网络变压器的故障.1 油浸式变压器故障类型与矿物绝缘油中气体关系经过对故障变压器350 台次均已被现场诊断并吊芯检查过的统计分析, 中温过热36台 , 占10.3%; 高温过热 140台, 占40%; 低温过热12台, 占3. 4%; 高能放电105台, 占30% ; 低能放电22台, 占6.3%; 高能放电兼高温过热13台, 占3. 7%; 高能放电兼中低温过热4台, 占1.1%;低能放电兼过热9台, 占2 6%; 局部放电或受潮9台, 占2. 6%.1.1热性故障当变压器发生不同故障时, 各种烃类气体及氢的含量也不同. 一般高中温过热时, 氢气占氢烃总量的 27% 以下, 只有低温过热时, 有一部分变压器油中氢与氢烃总量之比高于27% . 当高温过热(大于700 ) 时, 特征气体主要是乙烯和甲烷, 两者之和一般占总烃的80% 以上, 其中前者是主要的. 除乙烯、甲烷之外, 还有乙烷和氢气; 严重过热时, 也会产生微量乙炔, 其最大含量不超过总烃量的6% .12 电性故障电性故障是在高电应力作用下所造成的绝缘老化. 电性故障可分为高能量放电、火花放电和局部放电等类型. 高能量放电时, 故障特征气体主要是乙炔和氢气, 其次是乙烯和甲烷, 乙炔一般占总烃量的20% 70% , 氢气占氢烃总量的30% 90%, 一般乙烯含量高于甲烷. 火花放电特征气体以乙炔和氢为主, 乙炔在总烃量中占25% 90% , 氢气占氢烃总旦的20% 以下. 局部放电特征气体主要是氢气和甲烷, 通常氢气占氢烃总量的90% 以上 . 甲烷与总烃量之比大于90%, 一般乙炔含量极少.2 PNN 和GM ( 1, 1) 工作原理2.1 灰色预测模型建模原理灰色模型具有建模时所需样本数据少、不需要计算统计特征量等优点, 因此在1982 年提出以后已经在许多领域, 尤其在显著不确定性和缺乏数据信息领域得到成功应用. 5- 6 它的主要特点是只需要几个已知历史数据就能建立预测模型, 因此特别适合于变压器油中溶解气体浓度的预测.GM ( 1, 1) 灰色预测模型建模过程如下:2.2 概率神经网络(PNN ) 的故障诊断方法概率神经网络是由D FSpecht提出来的, 7 它利用一个指数函数来代替神经网络中常用的S igmo id 活化函数, 计算能逼近贝叶斯最优判别式的非线性决策边界, 其实质是基于贝叶斯最小风险准则发展而来的一种并行算法. PNN 是径向基神经网络的一种变形. 特别适用于求解模式识别问题.和BP神经网络相比, PNN 具有以下优点: 训练速度快 , 其训练时间仅略大于读取数据的时间; 允许增加或减少训练数据而无需重新进行长时间的训练. 贝叶斯理论提供了一种最优的分类方法, 由于无可辩驳的理论基础, 常常作为一种分类器的标准对其他的分类方法进行评估. 为简单起见, 这里考虑两个故障模式a, b 的诊断问题. 设待诊断的测量向量为X, 按照贝叶斯最小风险准则, 有下列诊断规则:式中Pa、Pb 分别为X 属于a、b 的先验概率; a、 b 分别为对a、b 故障进行诊断的代价因子; fa (X )、f b (X )分别为 X 属于 a、b 的条件概率密度函数. f a (X )、fb (X ) 可以从训练的样本中获得:式中p 为待诊断的向量X 及训练向量的维数; Na 为故障模式a的训练样本的数量; Xa i 为故障模式a的第i个训练向量; 为平滑系数.如果对所有的训练向量和待诊断向量进行模归一化, 则有实现上述2种故障诊断的概率神经网络结构图如图1所示. 网络共分为4层, 分别为输入层、模式层、求和层和决策层. 输入层接受输入向量并进行归一化; 模式层的转换函数为图1 概率神经网络结构图求和层将模式层中同一模式的输出求和并乘以代价因子; 决策层则选择求和层中输出最大者对应的故障模式为诊断结果. 当故障样本的数量增加时, 图 1中模式层神经元将随之增加, 而当故障模式多于2种时, 则求和层神经元将增加 . 所以 , 随着故障先验知识的积累,概率神经网络可以不断横向扩展,故障诊断的能力将不断提高.3 概率神经网络法故障诊断机理3.1 输入信号的选择在正常运行时, 绝缘老化产生的气体主要是一氧化碳和二氧化碳; 在出现故障时, 矿物绝缘油在电和热的作用下, 分解产生的主要气体有甲烷、乙烷、乙烯、乙炔、氢、一氧化碳和二氧化碳. 可见, 氢、甲烷、乙烷、乙烯及乙炔的含量与故障的类型和故障的严重程度有密切关系. 本文选用油色谱分析中的 H 2、CH 4、C2H 6、C2H 6、 C2H 2、C 2H 4 作为概率神经网络的输入量, 用 X = x1, x2, x3, x4, x5 表示.3.2 标准故障模式的确定及数据处理根据第二部分的分析, 可以选取7种标准故障模式, 这7种标准故障模式基本覆盖了油浸式变压器的常见故障, 分别用F i ( i = 1, 2, !, 7) 来表示.其中 F 1: 变压器正常运行F 2: 围屏树枝状放电故障F 3: 低能放电故障 F 4: 中温过热故障F 5: 高温过热故障 F 6: 受潮故障F 7: 高能放电故障令Fi = X i ( 1), X i ( 2), X i ( 3), X i ( 4), X i ( 5) ,其中X i ( j) 为对应标准故障模式F i 下特征量xi ( j) 的标准值.为了便于分析, 保证各因素具有等效性和同序性, 我们采用最大值化法对数据进行处理.令X man ( i) = man xi ( 1), xi ( 2), x i ( 3), xi ( 4),x i ( 5) , 则Fi = Fi /Xm ax ( i) .其中F i = X i ( 1), X i ( 2), X i ( 3), X i ( 4), X i ( 5) .3.3 故障诊断概率神经网络的输出信号由4.1可知, PNN需要5个输入节点. 运用METLAB 中的PNN 进行故障诊断, PNN 的输入训练数据为归一化后的标准故障模式集, 目标值为 1, 2, 3, 4, 5, 6, 7, 分别对应 42中的7种标准故障模式Fi ( i = 1, 2, !, 7).4. 实例该系统安装于四川某500kV 变电站, 用于1台500kV并联电抗器的在线监测. 自2004年 2月投入运行以来, 系统运行稳定可靠. 一组典型的监测结果见表1所示. 以此实例验证本文提出方法的有效性.表1变压器五种气体GM ( 1, 1)模型预测值 (单位: 10- 6 )根据表1数据建立变压器故障气体预测的GM ( 1, 1) 预测模型分别为:引入文献 4 中的标准故障模式, 如表2所示, 数据处理后的标准故障模式如表3所示(待检测模式数据及标准化数据见表4). 以处理后的标准故障模式作为概率神经网络的输入, 以 1, 2, 3, 4, 5, 6, 7 作为概率神经网络的输出, 对该神经网络进行训练, 其中 1, 2, 3, 4, 5, 6, 7 中的数字分别代表故障模式为F i ( i = 1, 2, ! 7).输入样本期望值样本向量的数目为7, 期望值为7维向量, 表示类别只有一个元素为1, 其余均为0.PNN网络第一层的输入权值为输入样本的转置矩阵P,经过% d ist%计算 , 第一层输出向量表示输入向量与训练样本向量接近的程度, 然后与阀值向量相乘, 再经过径向传递函数计算. 输入向量与哪个输入样本最接近, 则神经元输出a对应的元素就为1, 如果输入向量与几个类别的输入样本均接近, 则相对应的几个元素均为1. 第二层权值设定为期望值向量矩阵T, 每个行向量只有一个元素为1, 代表相对应的类别, 其余元素均为0, 然后计算乘积aT. 最后通过第二层传递函数竞争计算得到较大的元素为1, 其余为0. 至此, PNN 网络就能够完成对输入向量的分类.把数据处理后待检模式作为训练好的概率神经网络的输入, 经计算神经网络的输出为3, 而待检模式对应的故障模式分别为F3 低能放电故障, 这正好符合油浸式变压器实际所发生的故障, 可见,概率神经网络可以正确地对油浸式变压器进行故障诊断.5. 结论本文选择矿物绝缘油在电和热的作用下分解产生的主要气体氢、甲烷、乙烷、乙烯及乙炔5种气体在线监测浓度, 根据各溶解气体的在线检测数据, 建立灰色GM ( 1, 1)预测模型, 能有效地预测未来时刻变压器中溶解气体浓度, 并利用油中气体浓度的预测值, 采用PNN进行变压器故障诊断, 该方法能有效避免三比值法的不足, 现场能够运行经验表明, 该方法对变压器油中溶解气体的在线监测和预测效果能基本满足工程实际需要.参考文献: 1 DL /T722- 2000, 变压器油中溶解气体分析和判断导则 S . 2 DUVAL M. A Review of Faults D etectab le by Gas- in - oil Analys is in T rans form ers J . E lectrical Insu lation Magazin e, IEEE,2002, 18( 3 ) : 8- 17. 3 孙才新, 廖瑞金. 变压器油中溶解气体的在线监测 J. 电子技术学报, 1996, 11( 2) : 11- 15. 4 操敦奎. 变压器油中气体分析与诊断M . 武汉: 湖北新生报出版社, 1987 5 邓聚龙. 灰色系统控制理论 M . 武汉: 华中科技大学出版社, 1992 6 刘思峰. 灰色系统理论及其应用 M . 北京: 科学技术出版社, 1999: 50 - 78. 7 史忠植. 神经网络计算 M . 北京 : 电子工业出版社, 1993
网站客服QQ:2055934822
金锄头文库版权所有
经营许可证:蜀ICP备13022795号 | 川公网安备 51140202000112号