变压器在线监测与故障诊断综述20100420-1.doc

变压器状态监测和故障诊断技术的应用 摘要：充油变压器在运行状态中发生故障将严重影响糗个电力系统的可靠运行，其中由于绝缘故障造成的事故占到变压器总事故的85％以上。油中溶解气体分析方法作为一种有效的充油电力设备异常分析手段，在电力系统中得到广泛的应用。本文主要是针对基于DGA的变压器绝缘故障诊断方法进行研究和探讨。传统的基于DGA的变压器绝缘故障诊断方法有：得能堡比值法、三比值法、罗杰斯法、改进罗杰斯法、电研协法等，采用的特征气体是CH。，H：，C：H。，C：H。，C：H。，CO，CO：等七种。这些方法是在大量数据的基础上统计出来的，虽然在形式上比较简单，但正是因为简化了故障因素的复杂性而使得故障诊断正确率只能达到80％左右。 本文系统地讨论了近年来国内外学者提出的基于人工智能技术的变压器绝缘故障诊断方法，如基于模糊理论、神经网络、专家系统和灰色理论等技术，这些方法有效地提高了变压器绝缘故障诊断的正确率。最后讨论了今后该领域的研究趋向。 1 概述 电力变压器是电压等级变化与电能转化的重要设备之一。长时间运行条件下，变压器油和绝缘纸等化合物在电场、温度等作用下，会逐渐劣化，最终导致变压器故障。为了保证电力变压器的正常稳定的运行，必须最大限度的防止和减少变压器故障，因此及时准确的检测和诊断出变压器的故障时及其重要的。目前对变压器故障诊断的方法主要是基于DGA技术，即通过比较变压器油中溶解气体的含量来实现变压器故障诊断。 基于DGA的变压器故障诊断方法大体分为经典的传统方法和基于人工智能的方法 2. 传统方法 传统方法是人们在长期的科学研究和变压器故障诊断实践中通过统计分析总结出来的判断故障类型的方法，主要有基于油中溶解气体的故障诊断以及各种基于气体比值的故障诊断方法等。 （1）特征气体法。该方法主要是根据变压器发生不同故障时，根据油中各种气体的浓度就可以大致判断故障类型。变压器不同故障类型产生的气体组分如表1所示。 表1 充油变压器不同故障类型产生的气体 故障类型 主要气体成分 次要气体成分 油过热 CH4、C2H2 H2、C2H6 油和纸过热 CH4、C2H4、CO、CO2 H2、C2H6 油纸局部放电 H2、CH4、CO C2H2、C2H6、CO2 油中火花放电 H2、C2H2 油中电弧 H2、C2H2 CH4、C2H6、C2H4 油和纸中电弧 H2、C2H2、CO、CO2 CH4、C2H6、C2H4 人工神经网络（Artificial Neural Network，简称ANN）是通过模拟人脑神经元活动的过程，用神经元的特性及连接模式来学习和表达输入与输出之间复杂的非线性映射关系。由于神经网络具有很强的学习能力。泛化能力和自适应能力，能映射高度非线性的输入输出关系，并且它本身就是简单的非线性函数的多次复合，无需建立任何物理模型和进行人工干预。而故障诊断就是在输入数据杨泵和一个或多个故障状态之间建立联系的过程。ANN为变压器故障诊断开辟了新途径。 目前已有数十种神经网络模型，应用较为广泛的有前馈网络（BP网络）、自组织特征映射网络（Kohonen网络）和训练向量分区网络（LVQ网络）等。其中BP网络是一反向传播的多层前向网络，上下层之间各神经元实现全连接，而同层内的各神经元无连接。BP网络具有良好的模式分类能力，尤其适合故障诊断方面的模式识别问题，具有2个隐层的典型BP网络结构如图1所示。 图1 具有2个隐层的典型BP网络 基于DGA技术的BP故障诊断网络，首先要确定输入，BP网络有3种输入方式，一是选择出CO2外的H2、CH4、CH4、CH6、CH2、COH2、CH4、CH2以及总烃（C1+ C2）四种气体各自所占的相对百分比作为输入；三是选择C2H2/C2H4、CH4H2和C2H6/C2H4作为输入。对变压器故障识别时，期望神经网络的输出时变压器的典型故障，变压器的典型故障类型及输出期望值如表2所示。 表2 故障类型及其对应的期望输出 故障类型 输出期望值（故障编码） 局部放电 000000001 低温过热（低于300oC） 000000010 中温过热（300oC-700oC） 000000100 高温过热（高于300oC） 000001000 低能（火花）放电 000010000 低能（火花）放电兼过热 000100000 电弧放电 001000000 电弧放电兼过热 010000000 正常 100000000 本文结合改良的三比值法，将油中溶解气体含量的三比值作为输入。以变压器典型故障类型对应的编码作为输出。 BP网络提高了变压器DGA诊断的可靠性，但是由于该网络容易受初始权值的影响而陷入局部最小点，网络收敛速度慢，从而影响了网络局部识别的推广能力。为了解决这些问题，通常采用全