CN105241497B - 一种变压器监测系统和故障诊断方法 - Google Patents
一种变压器监测系统和故障诊断方法 Download PDFInfo
- Publication number
- CN105241497B CN105241497B CN201510607872.9A CN201510607872A CN105241497B CN 105241497 B CN105241497 B CN 105241497B CN 201510607872 A CN201510607872 A CN 201510607872A CN 105241497 B CN105241497 B CN 105241497B
- Authority
- CN
- China
- Prior art keywords
- transformer
- oil
- support vector
- vector machine
- fault
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 173
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000003745 diagnosis Methods 0.000 claims abstract description 45
- 230000036961 partial effect Effects 0.000 claims abstract description 33
- 238000012706 support-vector machine Methods 0.000 claims description 99
- 239000007789 gas Substances 0.000 claims description 89
- 238000012549 training Methods 0.000 claims description 57
- 229930195733 hydrocarbon Natural products 0.000 claims description 36
- 150000002430 hydrocarbons Chemical class 0.000 claims description 36
- 238000013021 overheating Methods 0.000 claims description 34
- 238000004519 manufacturing process Methods 0.000 claims description 31
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 30
- 238000012360 testing method Methods 0.000 claims description 28
- 238000004817 gas chromatography Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 20
- 239000004215 Carbon black (E152) Substances 0.000 claims description 18
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 claims description 15
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 claims description 15
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 14
- 229910052739 hydrogen Inorganic materials 0.000 claims description 14
- 239000001257 hydrogen Substances 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 14
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 claims description 13
- 239000005977 Ethylene Substances 0.000 claims description 13
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 7
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 7
- 239000001569 carbon dioxide Substances 0.000 claims description 7
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 125000004435 hydrogen atom Chemical class [H]* 0.000 claims 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 24
- 230000001105 regulatory effect Effects 0.000 abstract description 4
- 239000002245 particle Substances 0.000 description 57
- 230000006870 function Effects 0.000 description 56
- 238000004804 winding Methods 0.000 description 42
- 238000005457 optimization Methods 0.000 description 22
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 18
- 230000003044 adaptive effect Effects 0.000 description 14
- 238000001816 cooling Methods 0.000 description 10
- 230000001965 increasing effect Effects 0.000 description 9
- 238000009413 insulation Methods 0.000 description 9
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 230000017525 heat dissipation Effects 0.000 description 4
- 150000002431 hydrogen Chemical class 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 239000011810 insulating material Substances 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 210000000349 chromosome Anatomy 0.000 description 2
- 230000007123 defense Effects 0.000 description 2
- 238000010891 electric arc Methods 0.000 description 2
- 238000007654 immersion Methods 0.000 description 2
- WABPQHHGFIMREM-UHFFFAOYSA-N lead(0) Chemical compound [Pb] WABPQHHGFIMREM-UHFFFAOYSA-N 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 239000006096 absorbing agent Substances 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
Landscapes
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明提出了一种变压器监测系统和故障诊断方法，包括：油中气体色谱在线监测单元，油中微水监测单元，温度监测单元，局部放电监测单元，接地电流在线监测单元，变压器及有载调压开关振动监测单元，主站计算机。本发明提出的一种变压器监测系统和方法，可采用多种监测单元和监测方法对变压器故障进行监测诊断，提高了监测的准确性。
Description
技术领域
本发明涉及电力系统变压器领域，具体涉及一种变压器监测系统和故障诊断方法。
背景技术
随着西电东送、南北互供、全国联网的推进，我国电网的规模和电力传输的规模都在不断扩大，电网安全问题愈加凸显。美加“8.14”大停电、西欧“11.4”大停电等近年国际上有影响的停电事故均造成了巨大经济损失并产生了恶劣的社会影响。根据我国“十一五”期间电网事故统计表明，电力设备故障占电网事故起因第一位。因此，电力设备的安全运行是避免电网重大事故的第一道防御系统，而电力变压器是这第一道防御系统中的关键设备。
状态监测是获取设备运行状态的技术手段，是检修与运维的重要信息来源。它采用信息化技术，在变电站的输变电设备上安装先进传感技术的监测装置，对设备进行多参量监测，实时采集数据、多信息综合分析，实现输变电设备的智能化、信息化，达到设备运行状态自我感知、故障自动诊断的目的。状态监测技术是为基于状态的检修或预知性维护服务的一种技术，其发展是源于状态检修对于电网装备状态信息获取、分析、评判的技术性需求。因此，目前发展的状态监测技术都是针对某一类装备、某一种具体应用而开发的，主要集中在发电设备、变电设备、输电线路等方面的具体设备状态检修应用上。由于缺乏统一平台，各类监测装置各自为政，孤立运行，资源不能共享。同时在线监测数据无法与其他重要状态量有机结合，未能有效发挥其辅助诊断作用。
发明内容
至少部分的解决现有技术中所存在的问题，本发明提出一种变压器监测系统，包括：油中气体色谱在线监测单元，油中微水监测单元，温度监测单元，局部放电监测单元，接地电流在线监测单元，变压器及有载调压开关振动监测单元，主站计算机，其中，
油中气体色谱在线监测单元，利用气体色谱监测传感器对变压器油中所含的氢气、一氧化碳、二氧化碳、乙炔、乙烯、甲烷、乙烷的含量进行计算，并将计算的结果通过RS232通信协议传输给主站计算机；
油中微水监测单元，利用水分传感器对变压器油中所含水分含量进行计算，并将计算的结果传输给主站计算机；
温度监测单元，采用光纤测温仪对变压器顶层和底层油温，以及壳体温度进行在线检测，并将检测结果传输给主站计算机；
局部放电监测单元，采用外置高频天线作为UHF传感器，监测变压器内部局部放电产生的超高频电压信号，并将监测结果传输给主站计算机；
接地电流在线监测单元，通过监测铁芯接地线上电流大小变化来反映铁芯情况，并将监测结果传输给主站计算机；
变压器及有载调压开关振动监测单元，利用压电加速度振动传感器监测变压器及有载调压开关的振动情况，并将监测结果传输给主站计算机。
其中，
油中气体色谱在线监测单元监测变压器的过热性故障、变压器过载、短路故障、放电故障；
温度监测单元监测变压器的过热性故障。
局部放电监测单元监测变压器的放电性故障；
接地电流在线监测单元监测铁芯多点接地故障；
变压器及有载调压开关振动监测单元监测有载分接开关机械性故障和铁芯及绕组机械故障。
其中，主站计算机接收油中气体色谱在线监测单元和局部放电监测单元传来的监测结果，当油中气体色谱在线监测单元监测到的乙炔含量占总烃比例的20％至70％，同时氢气含量占烃总量的30％至90％，并且，一氧化碳、二氧化碳、乙烯、甲烷、乙烷的含量在预定的正常范围内，而且局部放电监测单元显示局部放电故障，这时主站计算机确定变压器发生局部放电性故障
其中，主站计算机接收油中气体色谱在线监测单元和油中微水监测单元传来的监测结果，当油中气体色谱在线监测单元监测到的氢气含量超出预定范围，同时一氧化碳、二氧化碳、乙炔、乙烯、甲烷、乙烷的含量在预定的正常范围内，而且，油中微水监测单元显示油中的水分含量超出预定范围，这时主站计算机确定变压器油中水分超标。
其中，主站计算机接收油中气体色谱在线监测单元和温度监测单元传来的监测结果，当油中气体色谱在线监测单元监测到的甲烷和乙炔二者总量超出总烃的80％，这时主站计算机分析温度监测单元监测的变压器内部各个监测点的温度，确定是否发生过热性故障。
其中，主站计算机接收温度监测单元和变压器及有载调压开关振动监测单元传来的监测结果，如果温度监测单元的监测结果显示局部过热故障并且振动监测单元显示绕组发生振动变形，则主站计算机确定绕组发生变形故障。
其中，油中气体色谱在线监测单元通过RS232串口与主站计算机相连，所述油中气体色谱在线监测单元的操作系统为嵌入式Linux，所述油中气体色谱在线监测单元通过串口管理模块管理对RS232串口的操作，包括设置串口的属性、串口的打开和串口的读取，所述串口管理模块的串口读取实现过程包括：
添加串口读取程序中用到的头文件；
定义一个新的int型进程ID号；
编写新建子进程功能，读取串口对应文件中的监测数据并输出到新建的data.txt文件中；
通过程序设置父进程睡眠1秒，并用system函数的kill功能来终止子进程；
以只读方式打开存储监测数据的data.txt文件；
从data.txt文件中第一行数据开始读取，并存入缓存buf中；
通过字符串完全匹配函数判断某一时刻读取的数据是否是以“--”开头的，若不是则重新读取下一行，直到读取到完整的数据为止；
将完全匹配的一行数据中的具体数值提取到air-monitor数组存储；
实现以读写方式来打开一新建文件jc.txt文件；
将air-monitor数组中存储的数值写入jc..txt文件供其他设备调用。
本发明还提出一种变压器故障诊断方法，使用所述的变压器监测系统对变压器进行故障诊断，包括：
通过所述油中气体色谱在线监测单元对变压器油中的气体进行采样，并通过以下公式计算绝对产气速率：
其中，
γα表示某气体的绝对产气速率，Ct，2表示第二次取样测得油中某气体浓度，Ct，1表示第一次取样测得油中某气体浓度，Δt表示两次取样时间间隔中的实际运行时间，m表示变压器油的总质量，ρ表示油的密度；
当总烃的含量大于第一阈值且小于第一阈值的3倍，并且总烃的绝对产气速率小于第二阈值时，确定变压器存在故障但可继续运行；当绝对产气速率是第二阈值的1到2倍，这时确定要缩短变压器的检验周期；
当总烃的含量大于第一阈值的3倍且总烃的绝对产气速率大于第二阈值的3倍，这时说明变压器有严重的故障，通知工作人员立即采取相应措施；
其中，总烃是指变压器油中所有的烃类气体；总烃的绝对产气速率是指变压器油中所有的烃类气体的绝对产气速率之和。
通过以下公式计算相对产气速率：
其中，
γr表示某气体的相对产气速率，Ct，2表示第二次取样测得油中某气体浓度，Ct，1表示第一次取样测得油中某气体浓度，Δt表示两次取样时间间隔中的实际运行时间；
当总烃的相对产气速率大于10％，确定缩短对变压器的检测周期。
所述的变压器故障诊断方法，采用支持向量机模型对变压器故障进行诊断，选取氢气、乙炔、乙烯、甲烷、乙烷五种故障气体作为特征气体，构成的矩阵作为支持向量机模型的输入向量，输入矩阵的列向量为以上五种特征气体，列向量的维数是5；输入矩阵的行向量为收集到的原始数据，行向量的维数是原始数据的个数。
其中，所述支持向量机模型的训练过程包括：
首先将训练集和测试集采用相同的方法进行归一化处理，以训练集作为支持向量机的训练样本，通过不断地优化核函数参数来训练支持向量机，如果故障诊断结果的正确率达不到要求，则需要对核函数的参数范围进行重新选择，直到诊断结果的正确率达到要求为止，此时得到满足要求的支持向量机模型，最后用测试集验证所训练的支持向量机对故障的诊断结果是否正确。
其中，采用所述支持向量机模型进行变压器故障诊断具体包括：
(1)获取具有明确故障结论的电力变压器油样样本600个，将油样样本分为训练集和测试集，并对油样样本按照故障类型进行分类，根据故障类型将油样样本分为六类，分别用“1”、“2”、“3”、“4”、“5”、″0″表示，其中，“1”表示中低温过热、“2”表示高温过热、“3”表示低能量放电、“4”表示高能量放电、“5”表示局部放电、″0″表示正常状态；其中训练集包含400个样本，测试集包含200个样本；
(2)将油样样本转化为600X5的矩阵，并且采用相同的方法，分别对训练集和测试集进行归一化处理；
(3)选择合适的核函数，首先输入较大的数据搜索范采用网格搜索法粗略地选择参数惩罚因子c和核函数δ，然后在粗略搜索的基础上，合理地减小数据搜索范围，利用网格搜索法精确地选择出最佳参数c和δ；
(4)利用训练集样本训练支持向量机模型，并用测试集样本预测诊断结果是否达到要求，如果否，则返同到步骤(3)重新选择核函数的参数范围；
(5)将需要诊断的变压器油样数据代入所述支持向量机模型中获得诊断结果。
其中，利用网格搜索法设置惩罚因子c的取值范围为[2-10，210]，步进为0.4；核函数参数δ的取值范围为[2-10，210]，步进为0.4，通过对支持向量机训练，惩罚因子c的最佳取值为0.83282，核函数参数δ的最佳取值为0.39227，支持向量机分类器选择参数的准确率为77.5536％。
其中，利用网格搜索法设置惩罚因子c的取值范围为[2-10，20]，步进0.2；核函数参数δ的取值范围为[2-10，20]，步进0.2，经过对支持向量机训练，惩罚因子c的最佳取值为0.40421，核函数参数δ最佳取值为1.00231，支持向量机分类器选择参数的准确率为93.1196％。
其中，利用网格搜索法设置惩罚因子c的取值范围[20，210]，步进0.2；核函数参数δ的取值范围为[20，210]，步进0.2，经过训练支持向量机，惩罚因子c的最佳取值为1.2986，核函数参数δ最佳取值为1.4093，支持向量机分类器选择参数的准确率为96.088％。
其中，利用网格搜索法设置惩罚因子c的取值范围为[20，210]，步进0.2，核函数参数δ的取值范围为[2-10，20]，步进0.2。通过训练支持向量机，惩罚因子c的最佳取值为23.2312，核函数参数δ最佳取值为0.025102，支持向量机分类器选择参数的准确率达到96.6598％。
其中，支持向量机采用基于粒子群优化的支持向量机，基于粒子群优化的支持向量机的建模过程为：
(1)初始化粒子群，通过调整粒子群惯性权重ω的方法对粒子群支持向量机的核函数δ和惩罚因子c进行优化，使参数c和δ构成一个微粒，即(c，δ)，并设最大速度为Vmax，用pbest表示每个微粒的初始位置，用gbest表示粒子群中所有微粒的最好初始位置；
(2)评价每个微粒的适应度，计算每个微粒的最优位置；
(3)将优化后每个微粒的适应值与其历史最优位置pbest进行比较，如果当前适应值优于最优位置，则将适应值作为粒子当前的最好位置pbest；
(4)将优化后每个微粒的适应值与群体微粒的历史最优位置gbest进行比较，如果适应值优于群体微粒的历史最优位置gbest，则将适应值作为群体微粒的最优位置gbest；
(5)根据改进的粒子群算法调整当前微粒的速度和位置；
(6)当适应值满足条件时，迭代结束，否则返回第二步继续优化参数，当第六步完成后，就会优化出最佳的参数c和δ，这样就可以得到最理想的支持向量机模型，用此模型进行故障预测。
其中，设种群大小N＝20，惯性权重ω＝0.9，加速常数C1＝1.4，C2＝1.6，训练支持向量机，得到惩罚因子c的最佳取值为3.8326，核函数δ的最佳取值为0.50433。经粒子群算法优化，SVM分类器的分类准确率达到98.9234％。
其中，支持向量机采用基于遗传算法的支持向量机，基于遗传算法的支持向量机的建模过程为：
(1)初始化种群，生成一定数量的个体作为初始种群，每条染色体由(c，δ)组成，其中c为惩罚因子，δ为核函数；
(2)选定目标函数对初始种群进行支持向量机训练，把支持向量机的均方误差作为目标函数，计算每个个体的适应度；
(3)进行选择运算、交叉运算、变异运算得到新一代种群，对新产生的种群进行支持向量机训练；
(4)如果新产生的种群满足终止规则，则输出具有最大适应度的个体作为最优参数，用最优参数进行预测，否则增加进化代数，转入步骤(3)继续执行。
其中，使用基于粒子群算法的支持向量机预测变压器绕组热点温度，采集变压器的绕组热点温度(θhst)、顶层油温(θtot)、有功损耗(PL)、无功损耗(RL)、负载电流(I)以及环境温度(Tamb)、湿度(H)、风速(vw)，作为基于粒子群算法的支持向量机模型的输入输出数据集合，将变压器的顶层油温(θtot)、有功损耗(PL)、无功损耗(RL)、负载电流(I)以及环境温度(Tamb)、湿度(H)、风速(vw)作为基于粒子群算法的支持向量机模型的输入，变压器的绕组热点温度(θhst)作为输出。
，其中，基于粒子群算法对支持向量机模型参数优化过程中，选取种群数量为20，位移变化的限定因子取为c1＝c2＝2，惯性权重因子ω取初始值为0.9进行逐代线性递减至0.4终止，终止代数为200，选取均方误差(RMSE)作为粒子群算法的适应度函数，经过粒子群算法优化后的最优SVM参数取值为，惩罚因子c＝17.0021，核函数δ＝0.5962，适应度函数值为：RMSE＝0.0039823。
本发明提出的一种变压器监测系统和方法，可采用多种监测单元和监测方法对变压器故障进行监测诊断，提高了监测的准确性。
附图说明
图1是本发明提出的变压器监测系统的示意框图；
具体实施方式
下面将结合本发明的附图，对本发明的技术方案进行清楚、完整地描述。这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
电力变压器是根据电磁场能量转换原理实现电能传输和电压等级转换的重要电力一次设备。根据种类及容量的不同，变压器的结构也有一定的区别，本申请以油浸式高压变压器为例进行分析讨论。油浸式变压器主要组成部分有：变压器器身、调压装置、油箱及冷却装置、保护装置和绝缘套管等其他结构。
(1)变压器器身装置
铁芯、绕组、引线和一定的绝缘部件构成了变压器的器身部分。其中铁芯构成闭合磁回路，变压器通过缠绕在一次侧铁心上的绕组产生交变磁场，由闭合的磁通路将磁场能量传递到二次侧。在二次侧绕组输出端，根据绕组线圈距数情况感应出相应电动势，完成电能传递和电压变换。
(2)调压装置
分接开关作为变压器的调压设备，可以通过改变变压器的有效线圈阻数的方法，实现对变压器工作参数(容量、电压、电流)的调节。根据动作时是否带有负载，可以将分接开关分为有载分接开关和无载分接开关两种。
(3)油箱及冷却装置
油箱是变压器的外壳，内部装有被变压器油浸泡着的铁芯和绕组，变压器油主要起绝缘和散热作用。大型变压器通常配备两个油箱，一个为本体油箱，内部安装铁芯和绕组；另外一个是有载调压油箱，内部装有分接开关。这是因为有载调压过程中可能会产生电弧火花，劣化变压器油的品质，所以将其与本体装置分开。根据容量的不同，可将油箱分为箱式油箱、钟罩式油箱和密封式油箱三种主要结构。根据是否安装散热风机及其他辅助散热机构，变压器冷却方式可分为：油浸自冷方式(ONAN)；油浸风冷方式(ONAF)；强迫油循环风冷方式(OFAF)；强迫油循环水冷方式(OFWF)；强迫导向油循环风冷方式(ODAF)；强迫导向油循环水冷ODWF)方式。
(4)保护装置
保护装置包括储油柜、安全气道、吸湿器、气体继电器、净油器，以及其他类型的传感器和二次装置。
(5)绝缘套管
绝缘套管是油浸式变压器的主要绝缘装置，变压器引出线经过绝缘套管引出到油箱外部。绝缘套管具备足够的电气强度和良好的热稳定性，使引出线对地和外壳绝缘，同时起到固定引线的作用。绝缘套管内部和变压器主体油箱相通，内部充满变压器油。
根据分类标准的不同，变压器故障可以分成很多种类。根据故障位置可分为：外部故障和内部故障。其中内部故障从性质上又可分为电故障和热故障，热故障通常会表现为变压器油箱内部局部过热、温度明显升高。根据热源点不同，热故障可以分为四种情况：热点温度低于150℃时，为轻度过热；热点温度位于150-300℃之间时，为低温过热；热点温度位于300-700℃之间时，为中温过热；热点高于700℃的情况，则属于高温过热。电故障通常指变压器内部在高电场强度的作用下，绝缘材料的绝缘性能发生劣化的故障。根据放电的能量密度不同，电故障又分为局部放电故障、火花放电故障和高能电弧放电故障三种类型。根据故障回路分为：电路故障、磁路故障和油路故障。根据故障的主体结构的不同可分为：绕组故障、铁芯故障、附件故障和油质故障。其他故障还包括变压器出口短路故障、变压器渗漏故障、油流带电故障、保护误动故障。而对变压器本身影响最严重、目前发生几率最高的是变压器出口短路故障，同时还存在变压器渗漏故障、油流带电故障、保护误动故障等等。所有这些不同类型的故障，有的可能反映的是热故障，有的可能反映的是电故障，有的可能既反映过热故障同时又存在放电故障，而变压器渗漏故障在一般情况下可能不存在热或电故障的特征。
根据相关统计资料显示，在变压器故障类型方面，过热性故障占62％；高能量放电故障占17％；过热兼高能量放电故障占11％；火花放电故障占8％；受潮或局部放电故障占2％。在变压器故障部位方面，有载调压故障占40％，绕组线圈故障占30％，套管故障占14％，油箱和铁芯故障分别占6％和5％，其他辅件故障占5％。根据以上统计数据中，不同故障类型比例和主要故障类型的情况，本文所搭建智能化在线监测系统在保证气体监测功能的同时，为缩小诊断故障的范围，安装温度监测系统以监测过热性故障，安装振动监测系统以监测有载调压开关(OLTC)和铁芯绕组机械性故障，安装接地电流在线监测系统以监测铁芯多点接地故障，安装局部放电监测系统以确定局部放电故障。
参见图1，本发明提出的一种变压器监测系统，包括油中气体色谱在线监测单元，油中微水监测单元，温度监测单元，局部放电监测单元，接地电流在线监测单元，变压器及有载调压开关振动监测单元，主站计算机，其中，
油中气体色谱在线监测单元，利用气体色谱监测传感器对变压器油中所含的氢气、一氧化碳、二氧化碳、乙炔、乙烯、甲烷、乙烷的含量进行计算，并将计算的结果通过RS232通信协议传输给主站计算机；
油中微水监测单元，利用水分传感器对变压器油中所含水分含量进行计算，并将计算的结果传输给主站计算机；
温度监测单元，采用光纤测温仪对变压器顶层和底层油温，以及壳体温度进行在线检测，并将检测结果传输给主站计算机；
局部放电监测单元，采用外置高频天线作为UHF传感器，监测变压器内部局部放电产生的超高频电压信号，并将监测结果传输给主站计算机；
接地电流在线监测单元，通过监测铁芯接地线上电流大小变化来反映铁芯情况，并将监测结果传输给主站计算机；
变压器及有载调压开关振动监测单元，利用压电加速度振动传感器监测变压器及有载调压开关的振动情况，并将监测结果传输给主站计算机。
油中气体色谱在线监测单元监测变压器的过热性故障、变压器过载、短路故障、放电故障。
过热性故障：变压器内部过热情况下，大量的热量会使变压器油及部分固体绝缘材料变质氧化，释放出气体。主要引发原因包括变压器过载导致过热故障、变压器突发短路导致过热性故障等。变压器过载：变压器过载时绕组电流超过额定值，散热效率不足的情况下，绕组高温会导致绝缘油分解产生气体。短路故障：变压器突发短路时，其绕组可能承受数十倍与额定值的电流，产生很大的热量，致使绝缘材料受损释放气体。放电故障：变压器内部发生放电故障时，绝缘油或局部固体绝缘会受到腐烛，介质损耗增大，释放出相应的故障气体。
温度监测单元监测变压器的过热性故障。
局部放电监测单元监测变压器的放电性故障。
放电性故障：包括局部放电、火花放电、电弧放电等各种放电故障。
接地电流在线监测单元监测铁芯多点接地故障。
变压器及有载调压开关振动监测单元监测有载分接开关机械性故障和铁芯及绕组机械故障。
有载分接开关机械性故障：振动监测单元可以根据有载开关动作过程中的所检测到的振动情况，进行频谱分析，根据分析结果对有载开关工作状态进行判断，继而监测设备故障。
铁芯及绕组机械故障：铁芯或绕组发生机械性故障时，比如压紧问题、位移故障、绕组变形时，变压器会发生特定频谱的机械振动，振动监测单元可以对该类型故障进行监测。
各个监测单元所诊断的故障类型均不相同，抽象程度比较高，无法利用单独的一个单元的监测结果对故障进行详细精确的判断和定位。但是同时，不同的监测单元之间对故障的诊断往往又有重叠部分，可以利用不同单元的配合性监测来缩小诊断的故障范围，比如当油中溶解气体色谱监测系统发现过热性故障时，可以结合接地电流监测系统的监测数据进行分析，来排除或者确认是否发生了铁芯多点接地故障导致绝缘过热，从而产生对应气体。通过这种方式，智能监测系统可以进一步缩小故障的范围，某些情况下可以直接确定故障类型。
主站计算机接收油中气体色谱在线监测单元和局部放电监测单元传来的监测结果，当油中气体色谱在线监测单元监测到的乙炔含量占总烃比例的20％至70％，同时氢气含量占烃总量的30％至90％，并且，一氧化碳、二氧化碳、乙烯、甲烷、乙烷的含量在预定的正常范围内，而且局部放电监测单元显示局部放电故障，这时主站计算机确定变压器发生局部放电性故障。
乙炔产生与放电性故障有关，当变压器内部发生电弧放电时，乙炔含量一般占总烃比例的20％至70％，同时氢气占烃总量的30至90％。如果其他成分没超标，而乙炔增长速度较快，并且成为油中气体主要成分且含量超标时，则很可能是设备绕组短路或分接开关切换等产生放电性故障。此时可配合局放监测单元对是否发生了局部放电故障进行确定性诊断。通过结合两个监测单元监测局部放电故障，监测结果更加可靠。
主站计算机接收油中气体色谱在线监测单元和油中微水监测单元传来的监测结果，当油中气体色谱在线监测单元监测到的氢气含量超出预定范围，同时一氧化碳、二氧化碳、乙炔、乙烯、甲烷、乙烷的含量在预定的正常范围内，而且，油中微水监测单元显示油中的水分含量超出预定范围，这时主站计算机确定变压器油中水分超标。
变压器内部进水受潮是一种潜伏性故障，其特征气体氢气含量相应增加，如果油中气体色谱在线监测单元显示氢气含量超标，而其他气体含量无显著增加时，可大致预测变压器内可能含有水分。此时为进一步对故障进行确定或排除，可配合微水监测系统输出数据进行分析，确认氢气含量超标是否是由油中微水含量超标所致。通过结合两个监测单元监测油中含水情况，监测结果更加可靠。
主站计算机接收油中气体色谱在线监测单元和温度监测单元传来的监测结果，当油中气体色谱在线监测单元监测到的甲烷和乙炔二者总量超出总烃的80％，这时主站计算机分析温度监测单元监测的变压器内部各个监测点的温度，确定是否发生过热性故障。
当变压器内部发生过热性故障时，热源处绝缘油分解会产生大量的甲烷和乙烯，并且二者总量一般可占到总烃的80％以上，随着故障点温度的升高，其所占比例也随之增加。此时可配合温度监测单元，对变压器内部不同监测点所采集的温度进行重点分析，对故障类型是否是过热性进行确定性诊断，并确定热源故障点，然后做出适当解决措施。
主站计算机接收温度监测单元和变压器及有载调压开关振动监测单元传来的监测结果，如果温度监测单元的监测结果显示局部过热故障并且振动监测单元显示绕组发生振动变形，则主站计算机确定绕组发生变形故障。
变压器绕组分接区和纠接区安装不平衡会导致附近绕组线饼变形，产生的横向漏磁场使得绕组在变压器出口短路时，线饼受到的电动力要增大很多，导致绕组产生变形和损坏，特别是分接区线饼。当有载分接开关发生分接段短路故障时，绕组会变形成波浪状，影响油道的通畅，降低绝缘系统散热性能。此时可配合振动监测系统进行诊断，当变压器内发生局部过热故障时，如果振动监测系统输出数据显示绕组可能发生振动变形，则可以估测绕组发生变形故障，并进行更进一步的验证性工作及维护。
本发明的油中气体色谱在线监测单元通过RS232串口与主站计算机相连，
其中，所述油中气体色谱在线监测单元的操作系统为嵌入式Linux，所述油中气体色谱在线监测单元通过串口管理模块管理对RS232串口的操作，包括设置串口的属性、串口的打开和串口的读取，所述串口管理模块的串口读取实现过程包括：
添加串口读取程序中用到的头文件；
定义一个新的int型进程ID号；
编写新建子进程功能，读取串口对应文件中的监测数据并输出到新建的data.txt文件中；
通过程序设置父进程睡眠1秒，并用system函数的kill功能来终止子进程；
以只读方式打开存储监测数据的data.txt文件；
从data.txt文件中第一行数据开始读取，并存入缓存buf中；
通过字符串完全匹配函数判断某一时刻读取的数据是否是以“--”开头的，若不是则重新读取下一行，直到读取到完整的数据为止；
将完全匹配的一行数据中的具体数值提取到air-monitor数组存储；
实现以读写方式来打开一新建文件jc.txt文件；
将air-monitor数组中存储的数值写入jc..txt文件供其他设备调用。
本发明将根据变压器故障性质分类情况(过热性故障、放电性故障、机械性故障和其他故障)，对如何在宽泛性诊断故障性质的基础上，细化故障类型及故障部位的方法提出了解决方法。对所选用的不同监测子系统所能监测的故障类型或故障部位进行了确定；并将不同故障监测系统进行多方面系统级组合，建立故障监测重叠区，从系统配合和连接方式上构建了细化的故障监测系统。
本发明还提出了一种变压器故障诊断方法，通过油中气体色谱在线监测单元对变压器油中的气体进行采样，并通过以下公式计算绝对产气速率：
其中，
γα表示某气体的绝对产气速率，Ct，2表示第二次取样测得油中某气体浓度，Ct，1表示第一次取样测得油中某气体浓度，Δt表示两次取样时间间隔中的实际运行时间，m表示变压器油的总质量，ρ表示油的密度；
当总烃的含量大于第一阈值且小于第一阈值的3倍，并且总烃的绝对产气速率小于第二阈值时，确定变压器存在故障但可继续运行；当绝对产气速率是第二阈值的1到2倍，这时确定要缩短变压器的检验周期；
当总烃的含量大于第一阈值的3倍且总烃的绝对产气速率大于第二阈值的3倍，这时说明变压器有严重的故障，通知工作人员立即采取相应措施；
其中，总烃是指变压器油中所有的烃类气体；总烃的绝对产气速率是指变压器油中所有的烃类气体的绝对产气速率之和。
通过以下公式计算相对产气速率：
其中，
γr表示某气体的相对产气速率，Ct，2表示第二次取样测得油中某气体浓度，Ct，1表示第一次取样测得油中某气体浓度，Δt表示两次取样时间间隔中的实际运行时间；
当总烃的相对产气速率大于10％，确定缩短对变压器的检测周期。
本发明还提出了一种变压器故障诊断方法，采用支持向量机对变压器故障进行诊断。
本发明选取氢气、乙炔、乙烯、甲烷、乙烷五种故障气体作为特征气体，构成的矩阵作为支持向量机的输入向量。输入矩阵的列向量为以上五种特征气体，列向量的维数是5；输入矩阵的行向量为收集到的600组原始数据，行向量的维数是600。因此，输入向量为600X5的矩阵。
建立变压器故障诊断的支持向量机模型是关键和难点。由于样本数据差值很大，需要将样本数据进行归一化处理。在处理样本之前，需耍将样本数据分成两部分，一部分作为训练集，剩余的作为测试集。其模型训练的过程为：首先将训练集和测试集采用相同的方法进行归一化处理，以训练集作为支持向量机的训练样本，通过不断地优化核函数参数来训练支持向量机，如果故障诊断结果的正确率达不到要求，则需要对核函数的参数范围进行重新选择，直到诊断结果的正确率达到要求为止，此时即为最理想的支持向量机，最后用测试集验证所训练的向量机对故障的诊断结果是否正确。
支持向量机在变压器故障诊断中的具体实现步骤可以表述如下：
(1)获取具有明确故障结论的电力变压器油样样本，将油样样本分为训练集和测试集，并对油样样本按照故障类型进行分类，根据故障类型将油样样本分为六类，分别用“1”、“2”、“3”、“4”、“5”、″0″表示，其中，“1”表示中低温过热、“2”表示高温过热、“3”表示低能量放电、“4”表示高能量放电、“5”表示局部放电、″0″表示正常状态；
(2)将油样样本转化为600X5的矩阵，并且采用相同的方法，分别对训练集和测试集进行归一化处理；
(3)选择合适的核函数，首先输入较大的数据搜索范采用网格搜索法粗略地选择参数惩罚因子c和核函数δ，然后在粗略搜索的基础上，合理地减小数据搜索范围，利用网格搜索法精确地选择出最佳参数c和δ；
(4)利用训练集样本训练基于支持向量机的数据模型，并用测试集样本预测诊断结果是否达到要求，如果否，则返同到步骤(3)重新选择核函数的参数范围；
(5)将需耍诊断的油样数据代入模型中获得诊断结果。
分析油样样本，特征气体的最人值和最小值之间的差值很大，油样样本值之间的差值大、变化范围广就会增加计算的复染程度，导致训练的不平衡，且训练时间过长。为了降低由油样样本对训练造成的影响，就需要把油样样本数据进行们一化处理，训练集样本与测试集样本须采用相同的归一化方法。
为了使支持向设机分类器达到较高的分类准确率，避免在学习过程中出现“过学习”成者“欠学习”的情况，选择交叉验证优化支持向量机，采用网格搜索法来选择最优的核函数参数。其原理是将油样样本分为两部分，取其中的一部分作为训练集，剩余的一部分作为测试集。首先用训练集样本对支持向量机进行训练，利用网格搜索法选择得到最优参数，构造合适的决策函数，再用测试集样本来验证训练得到的支持向量机模型，以支持向發机分类器对故障判断的准确率作为评价支持向机分类器的性能指标。
样本数据预处理
本发明收集了600组油中溶解气体数据，每组数据都有明确的故障结论。根据IEC60599规则，将电力变压器故障类型分为以下五种类型：高温过热、高能量放电、低能量放电、中低温过热、局部放电，分别用“1”、“2”、“3”、“4”、“5”、″0″表示，其中，“1”表示中低温过热、“2”表示高温过热、“3”表示低能量放电、“4”表示高能量放电、“5”表示局部放电、″0″表示正常状态。根据以上六种标签，将油样样本分成训练集样本和测试集样本，其中训练集有400个样本，剩余的200个样本作为测试集。将整理获得的600组油样样本数据转化为600X5的矩阵，作为支持向量机的输入数据，
网格搜索法选取最佳参数c，δ
将归一化处理后的油样样本数据导入数据库，采用网格搜索法选择核函数最佳参数δ和惩罚因子c。综合考虑油样样本数据类型、数据量等因素，选择10折交叉验证法。将600个油样样本数据分成10组，取其中的8组合并作为训练集，剩下的作为测试集，经过训练，将获得10次分类准确率，最后取10次分类准确率的算数平均值作为支持向量机分类器的性能指标。
网格搜索法设置惩罚因子c的取值范围为[2-10，210]，步进为0.4；核函数参数δ的取值范围为[2-10，210]，步进为0.4。通过对支持向量机训练，惩罚因子c的最佳取值为0.83282，核函数参数δ的最佳取值为0.39227，支持向量机分类器选择参数的准确率为77.5536％。
缩小网格搜索法的搜索范围，对支持向量机继续进行训练，以找到最优的参数，提高支持向量机分类器选择参数的准确率。网格搜索法设置惩罚因子c的取值范围为[2-10，20]，步进0.2；核函数参数δ的取值范围为[2-10，20]，步进0.2。经过对支持向量机训练，惩罚因子c的最佳取值为0.40421，核函数参数δ最佳取值为1.00231，支持向量机分类器选择参数的准确率为93.1196％。
网格搜索法设置惩罚因子c的取值范围[20，210]，步进0.2；核函数参数δ的取值范围为[20，210]，步进0.2。经过训练支持向量机，惩罚因子c的最佳取值为1.2986，核函数参数δ最佳取值为1.4093，支持向量机分类器选择参数的准确率为96.088％。
为了分析惩罚因子c和核函数参数δ对支持向量机分类器训练的影响，改变搜索范围，继续训练支持向量机。网格搜索法设置惩罚因子c的取值范围为[20，210]，步进0.2，核函数参数δ的取值范围为[2-10，20]，步进0.2。通过训练支持向量机，惩罚因子c的最佳取值为23.2312，核函数参数δ最佳取值为0.025102，支持向量机分类器选择参数的准确率达到96.6598％。
由以上分析不难得出：核函数参数δ值取得过大或者过小都会造成对油样样本的″欠学习”或者“过学习”。惩罚因子c起着调节最大分类间隔和最小化训练错误的作用，支持向量机分类器进行分类时，如果惩罚因子c值取得较大时，支持向量机的泛化能力较差；如果惩罚因子c取值较小时，支持向量机的泛化能力较好。如果惩罚因子c的值超过一定数值时，就会加大支持向量机的复杂程度，并使其达到数据空间所需的最大值。即使惩罚因子c的范围扩大，支持向量机的训练准确率将不断变化，但支持向量机的测试准确率不再发生变化。
采用网格搜索法获得惩罚因子c的最佳取值为23.2312，核函数参数δ最佳取值为0.025102，支持向量机分类器选择参数的准确率达到96.6598％。利用训练得到的符合要求的支持向量机分类器预测测试集，将测试集200个油样样本输入到支持向量机分类器，支持向量机对测试集样本的分类准确率达到93.36％。
本发明还提出的一种变压器故障诊断方法，其中支持向量机还可以是采用基于粒子群优化的支持向量机，基于粒子群优化的支持向量机的建模过程为：
(1)初始化粒子群，通过调整粒子群惯性权重ω的方法对粒子群支持向量机的核函数δ和惩罚因子c进行优化，使参数c和δ构成一个微粒，即(c，δ)，并设最大速度为Vmax，用pbest表示每个微粒的初始位置，用gbest表示粒子群中所有微粒的最好初始位置；
(2)评价每个微粒的适应度，计算每个微粒的最优位置；
(3)将优化后每个微粒的适应值与其历史最优位置pbest进行比较，如果当前适应值优于最优位置，则将适应值作为粒子当前的最好位置pbest；
(4)将优化后每个微粒的适应值与群体微粒的历史最优位置gbest进行比较，如果适应值优于群体微粒的历史最优位置gbest，则将适应值作为群体微粒的最优位置gbest；
(5)根据改进的粒子群算法调整当前微粒的速度和位置；
(6)当适应值满足条件时，迭代结束，否则返回第二步继续优化参数，当第六步完成后，就会优化出最佳的参数c和δ，这样就可以得到最理想的支持向量机模型，用此模型进行故障预测。
设种群大小N＝20，惯性权重ω＝0.9，加速常数C1＝1.4，C2＝1.6，训练支持向量机，得到惩罚因子c的最佳取值为3.8326，核函数δ的最佳取值为0.50433。经粒子群算法优化，SVM分类器的分类准确率达到98.9234％。
本发明还提出的一种变压器故障诊断方法，其中支持向量机还可以是采用基于遗传算法的支持向量机，基于遗传算法的支持向量机的建模过程为：
(1)初始化种群，生成一定数量的个体作为初始种群，每条染色体由(c，δ)组成，其中c为惩罚因子，δ为核函数；
(2)选定目标函数对初始种群进行支持向量机训练，把支持向量机的均方误差作为目标函数，计算每个个体的适应度；
(3)进行选择运算、交叉运算、变异运算得到新一代种群，对新产生的种群进行支持向量机训练；
(4)如果新产生的种群满足终止规则，则输出具有最大适应度的个体作为最优参数，用最优参数进行预测，否则增加进化代数，转入步骤(3)继续执行；
本发明中上述方法得到的c取值为50，δ取值为0.52时，分类准确率为94.5％。
本发明还提出的一种变压器故障诊断方法，使用基于粒子群算法的支持向量机预测变压器绕组热点温度。采集变压器的绕组热点温度(θhst)、顶层油温(θtot)、有功损耗(PL)、无功损耗(RL)、负载电流(I)以及环境温度(Tamb)、湿度(H)、风速(vw)，作为基于粒子群算法的支持向量机模型的输入输出数据集合，将变压器的顶层油温(θtot)、有功损耗(PL)、无功损耗(RL)、负载电流(I)以及环境温度(Tamb)、湿度(H)、风速(vw)作为基于粒子群算法的支持向量机模型的输入，变压器的绕组热点温度(θhst)作为输出。
对于SVM参数的选取，一般凭借经验选取，或者给定范围利用网格搜索找到CV意义下的全局最优解，如果在更大范围内遍历网格搜索，将会耗费大量计算资源，不利于绕组热点温度的实时预测。采用启发式的粒子群算法，对SVM参数进行寻优，通过粒子在解空间追随最优例子进行搜索，选取最高准确率所对应的参数，如果最高准确率对应多组参数，则选取惩罚因子c相对较小的一组作为最优参数，如果对应最小惩罚因子c的有多组参数，则选取搜索到的第一组最小惩罚因子对应的一组参数为最优SVM参数。
在基于粒子群算法对支持向量机模型参数优化过程中，选取种群数量为20，位移变化的限定因子取为c1＝c2＝2，惯性权重因子ω取初始值为0.9进行逐代线性递减至0.4终止，终止代数为200，选取均方误差(RMSE)作为粒子群算法的适应度函数。经过粒子群算法优化后的最优SVM参数取值为，惩罚因子c＝17.0021，核函数δ＝0.5962，适应度函数值为：RMSE＝0.0039823。将粒子群算法优化得到的参数值送回SVM模型便可以重建回归模型对绕组热点温度进行预测。
本发明将支持向量回归方法应用于油浸式变压器的绕组热点温度预测，首先根据影响变压器绕组热点温度的各因素，选择合适的特征参量建立支持向量回归模型。基于这些特征参量的历史监测数据，对其中隐含的与热点温度之间的关系进行“智能学习”，建立变压器特有的温度模型。模型参数采用粒子群算法(Particle Swarm Optimization，PSO)进行优化，利用优化后的模型对变压器的绕组热点温度进行实时预测，并与其实测结果进行对比以验证模型的准确性和适用性。然后利用实际运行电力变压器连续监测的绕组热点温度、实时负荷电流以及变压器所在地的天气信息和现场环境温度等信息，应用粒子群算法对支持向量回归模型的参数进行优化，实现对电力变压器绕组热点温度的实时预测。
本发明提出的一种变压器监测系统和故障诊断方法，能够实时监测变压器各种状态信息，并据此诊断变压器的故障，提高了变压器故障诊断效率。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (6)
1.一种变压器故障诊断方法，使用变压器监测系统对变压器进行故障诊断，
所述变压器监测系统包括：油中气体色谱在线监测单元，局部放电监测单元，主站计算机，其中，
油中气体色谱在线监测单元，利用气体色谱监测传感器对变压器油中所含的氢气、一氧化碳、二氧化碳、乙炔、乙烯、甲烷、乙烷的含量进行计算，并将计算的结果通过RS232通信协议传输给主站计算机；
局部放电监测单元，采用外置高频天线作为UHF传感器，监测变压器内部局部放电产生的超高频电压信号，并将监测结果传输给主站计算机；
所述方法包括：
通过所述油中气体色谱在线监测单元对变压器油中的气体进行采样，并通过以下公式计算绝对产气速率：
其中，
γα表示某气体的绝对产气速率，Ct，2表示第二次取样测得油中某气体浓度，Ct，1表示第一次取样测得油中某气体浓度，Δt表示两次取样时间间隔中的实际运行时间，m表示变压器油的总质量，ρ表示油的密度；
当总烃的含量大于第一阈值且小于第一阈值的3倍，并且总烃的绝对产气速率小于第二阈值时，确定变压器存在故障但可继续运行；当绝对产气速率是第二阈值的1到2倍，这时确定要缩短变压器的检验周期；
当总烃的含量大于第一阈值的3倍且总烃的绝对产气速率大于第二阈值的3倍，这时说明变压器有严重的故障，通知工作人员立即采取相应措施；
其中，总烃是指变压器油中所有的烃类气体；总烃的绝对产气速率是指变压器油中所有的烃类气体的绝对产气速率之和，
通过以下公式计算相对产气速率：
其中，
γr表示某气体的相对产气速率，Ct，2表示第二次取样测得油中某气体浓度，Ct，1表示第一次取样测得油中某气体浓度，Δt表示两次取样时间间隔中的实际运行时间；
当总烃的相对产气速率大于10％，确定缩短对变压器的检测周期。
2.如权利要求1所述的变压器故障诊断方法，采用支持向量机模型对变压器故障进行诊断，选取氢气、乙炔、乙烯、甲烷、乙烷五种故障气体作为特征气体，构成的矩阵作为支持向量机模型的输入向量，输入矩阵的列向量为以上五种特征气体，列向量的维数是5；输入矩阵的行向量为收集到的原始数据，行向量的维数是原始数据的个数。
3.如权利要求2所述的变压器故障诊断方法，其中，所述支持向量机模型的训练过程包括：
首先将训练集和测试集采用相同的方法进行归一化处理，以训练集作为支持向量机的训练样本，通过不断地优化核函数参数来训练支持向量机，如果故障诊断结果的正确率达不到要求，则需要对核函数的参数范围进行重新选择，直到诊断结果的正确率达到要求为止，此时得到满足要求的支持向量机模型，最后用测试集验证所训练的支持向量机对故障的诊断结果是否正确。
4.如权利要求3所述的变压器故障诊断方法，其中，采用所述支持向量机模型进行变压器故障诊断具体包括：
(1)获取具有明确故障结论的电力变压器油样样本600个，将油样样本分为训练集和测试集，并对油样样本按照故障类型进行分类，根据故障类型将油样样本分为六类，分别用“1”、“2”、“3”、“4”、“5”、″0″表示，其中，“1”表示中低温过热、“2”表示高温过热、“3”表示低能量放电、“4”表示高能量放电、“5”表示局部放电、″0″表示正常状态；其中训练集包含400个样本，测试集包含200个样本；
(2)将油样样本转化为600X5的矩阵，并且采用相同的方法，分别对训练集和测试集进行归一化处理；
(3)选择合适的核函数，首先输入较大的数据搜索范采用网格搜索法粗略地选择参数惩罚因子c和核函数δ，然后在粗略搜索的基础上，合理地减小数据搜索范围，利用网格搜索法精确地选择出最佳参数c和δ；
(4)利用训练集样本训练支持向量机模型，并用测试集样本预测诊断结果是否达到要求，如果否，则返同到步骤(3)重新选择核函数的参数范围；
(5)将需要诊断的变压器油样数据代入所述支持向量机模型中获得诊断结果。
5.如权利要求4所述的变压器故障诊断方法，其中，利用网格搜索法设置惩罚因子c的取值范围为[2-10，210]，步进为0.4；核函数参数δ的取值范围为[2-10，210]，步进为0.4，通过对支持向量机训练，惩罚因子c的最佳取值为0.83282，核函数参数δ的最佳取值为0.39227，支持向量机分类器选择参数的准确率为77.5536％。
6.如权利要求4所述的变压器故障诊断方法，其中，利用网格搜索法设置惩罚因子c的取值范围为[2-10，20]，步进0.2；核函数参数δ的取值范围为[2-10，20]，步进0.2，经过对支持向量机训练，惩罚因子c的最佳取值为0.40421，核函数参数δ最佳取值为1.00231，支持向量机分类器选择参数的准确率为93.1196％。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510607872.9A CN105241497B (zh) | 2015-09-23 | 2015-09-23 | 一种变压器监测系统和故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510607872.9A CN105241497B (zh) | 2015-09-23 | 2015-09-23 | 一种变压器监测系统和故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105241497A CN105241497A (zh) | 2016-01-13 |
| CN105241497B true CN105241497B (zh) | 2018-03-23 |
Family
ID=55039224
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510607872.9A Expired - Fee Related CN105241497B (zh) | 2015-09-23 | 2015-09-23 | 一种变压器监测系统和故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105241497B (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108414684A (zh) * | 2018-01-31 | 2018-08-17 | 贵州乌江水电开发有限责任公司东风发电厂 | 一种用于变压器状态评估及故障诊断方法 |
| CN109060892B (zh) * | 2018-06-26 | 2020-12-25 | 西安交通大学 | 基于石墨烯复合材料传感器阵列的sf6分解物检测方法 |
| CN109030998B (zh) * | 2018-07-19 | 2023-01-20 | 浙江浙能常山天然气发电有限公司 | 一种基于三轴振动技术的智能化变压器监测系统 |
| CN110857869A (zh) * | 2018-08-23 | 2020-03-03 | 国网天津市电力公司 | 一种电力变压器在线状态监测和故障诊断系统 |
| CN110197222A (zh) * | 2019-05-29 | 2019-09-03 | 国网河北省电力有限公司石家庄供电分公司 | 一种基于多分类支持向量机变压器故障诊断的方法 |
| CN110441500A (zh) * | 2019-08-15 | 2019-11-12 | 昆明理工大学 | 一种基于长短期记忆网络的变压器油中溶解气体浓度预测方法 |
| CN112461942A (zh) * | 2020-10-10 | 2021-03-09 | 广西电网有限责任公司电力科学研究院 | 一种高压套管电容芯故障诊断方法及系统 |
| CN112926620B (zh) * | 2021-01-21 | 2023-06-30 | 国网山东省电力公司检修公司 | 一种变压器套管局部放电的缺陷类型识别方法及系统 |
| CN113063314B (zh) * | 2021-03-23 | 2022-03-22 | 哈尔滨工程大学 | 基于svm和ga-svm支持向量机的火炮发射系统故障诊断方法 |
| CN113933695A (zh) * | 2021-10-12 | 2022-01-14 | 云南电网有限责任公司电力科学研究院 | 基于气体组分识别的在线判断真空有载分接开关故障方法 |
| CN113945838A (zh) * | 2021-10-21 | 2022-01-18 | 国电青山热电有限公司 | 一种在线变压器及升压站智能监测方法及系统 |
| CN114444734B (zh) * | 2022-01-27 | 2024-07-19 | 山东电工电气集团有限公司 | 一种基于边缘计算的变压器多模态故障诊断方法 |
| CN115421075A (zh) * | 2022-08-05 | 2022-12-02 | 国网江西省电力有限公司电力科学研究院 | 一种特高压换流变压器异常产气故障的诊断方法 |
| CN115290798B (zh) * | 2022-09-13 | 2023-10-31 | 国网河北省电力有限公司电力科学研究院 | 变压器油色谱在线监测装置的稳定性能监测方法及终端 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6675635B2 (en) * | 2002-04-17 | 2004-01-13 | Caterpillar Inc | System and method for determining oil quality |
| CN2736782Y (zh) * | 2004-08-09 | 2005-10-26 | 华北电力大学（北京） | 变压器局部放电超高频（uhf）在线监测装置 |
| US7219536B2 (en) * | 2005-04-29 | 2007-05-22 | Honeywell International Inc. | System and method to determine oil quality utilizing a single multi-function surface acoustic wave sensor |
| CN102539283A (zh) * | 2011-01-06 | 2012-07-04 | 北京盈胜泰科技术有限公司 | 一种监测变压器绝缘油成分变化的系统 |
| CN202748346U (zh) * | 2012-08-21 | 2013-02-20 | 广西电网公司电力科学研究院 | 一种电力变压器绝缘油中溶解气体智能在线监测装置 |
-
2015
- 2015-09-23 CN CN201510607872.9A patent/CN105241497B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6675635B2 (en) * | 2002-04-17 | 2004-01-13 | Caterpillar Inc | System and method for determining oil quality |
| CN2736782Y (zh) * | 2004-08-09 | 2005-10-26 | 华北电力大学（北京） | 变压器局部放电超高频（uhf）在线监测装置 |
| US7219536B2 (en) * | 2005-04-29 | 2007-05-22 | Honeywell International Inc. | System and method to determine oil quality utilizing a single multi-function surface acoustic wave sensor |
| CN102539283A (zh) * | 2011-01-06 | 2012-07-04 | 北京盈胜泰科技术有限公司 | 一种监测变压器绝缘油成分变化的系统 |
| CN202748346U (zh) * | 2012-08-21 | 2013-02-20 | 广西电网公司电力科学研究院 | 一种电力变压器绝缘油中溶解气体智能在线监测装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105241497A (zh) | 2016-01-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105241497B (zh) | 一种变压器监测系统和故障诊断方法 | |
| CN105259435A (zh) | 一种变压器监测装置和故障诊断方法 | |
| CN105182161A (zh) | 一种变压器监测系统和方法 | |
| CN106908674B (zh) | 一种基于多状态量预测的变压器状态评估方法 | |
| Abu-Elanien et al. | Asset management techniques for transformers | |
| CN103778575B (zh) | 变压器状态评估方法及系统 | |
| CN104217110B (zh) | 一种利用基准态分析的gis状态评估方法及装置 | |
| US20140222355A1 (en) | System and method for power transmission and distribution asset condition prediction and diagnosis | |
| Yang et al. | State evaluation of power transformer based on digital twin | |
| Guo et al. | Health index for power transformer condition assessment based on operation history and test data | |
| Huang et al. | Modeling the aging-dependent reliability of transformers considering the individualized aging threshold and lifetime | |
| Dreisbusch et al. | Determination of a Failure Probability Prognosis based on PD-Diagnostics in GIS | |
| CN109164248A (zh) | 一种变压器油中溶解气体浓度预测方法 | |
| CN108680814A (zh) | 一种多维度变压器运行状态评价方法 | |
| CN108629491A (zh) | 一种换流变检修质量综合评估方法 | |
| Laayati et al. | Design of an oil immersed power transformer monitoring and self diagnostic system integrated in Smart Energy Management System | |
| CN104360194A (zh) | 一种智能电网故障诊断方法 | |
| CN103675518A (zh) | 油浸式高压设备检修方法及装置 | |
| CN108845074A (zh) | 油浸式变压器状态评价方法 | |
| Gumilang et al. | Condition assessment method for power transformer as a part of condition based maintenance program in PLN P3B Jawa Bali | |
| Ciulavu et al. | Power transformer incipient faults monitoring | |
| Ippolito et al. | Identification of Tagaki–Sugeno–Kang fuzzy model for power transformers' predictive overload system | |
| CN117826025A (zh) | 变压器空负载损耗、容量及短路阻抗的测量方法及系统 | |
| Hashemi et al. | Real-Time Condition Monitoring of Power Transformers Using the Internet of Things (IoT) and Dissolved Gas Analysis | |
| CN115792461A (zh) | 一种以可靠性为中心的变压器状态检修方法及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180323 Termination date: 20180923 |