1 引言
换流变是交直流系统中能量转换的关键设备,其运行直接影响交直流系统运行可靠性。对换流变状态参数进行分析和预测可掌握换流变运行状态发展趋势,为换流变状态评估提供有力支撑。
目前换流变运行状态的评估[1 ,2 ,3 ] 主要依赖于各类传感器、测量元器件所提供的在线监测数据信息,包括油温、油位、油色谱信息、振动信号,与阈值进行对比判断或者采用三比值法对油中溶解气体进行分析,以确定换流变状态是否正常。但由于设备运行环境和工况的差异性,目前相关运维规范设定的阈值在异常诊断方面具有一定的局限性,且受负荷、温度、输出表计以及回路缺陷等因素的影响,单一维度的状态量在反映换流变故障演变与表现特征之间的客观规律上有一定片面性。
基于人工智能的多特征融合是提高换流变诊断可靠性的有效手段,文献[4 ]融合油色谱监测数据、试验数据和历史故障数据,构建两级诊断模型;文献[5 ]基于油色谱数据和图谱识别实现低热和放电两种新型故障的识别;文献[6 ]在多源数据基础上利用深度置信网络和贝叶斯推理实现换流变缺陷的分类;文献[7 ]通过DS证据理论融合诊断的准确率来判断随机森林和决策树等5种模型融合诊断的效果,最终通过样本训练得到最优的组合模型。上述智能方法解决了换流变设备故障诊断中单一状态量和故障非线性导致的诊断结果准确性不高问题,但相关数据因专业不同分散于各业务应用系统,造成了数据信息的“隔离”,数据无法在线实时获取。受限于数据“隔离”和参数选择,以复杂模型为主的换流变设备状态诊断方法目前仍难以广泛应用于换流变实际监盘运维工作中。
为提升智能算法在换流变实际工程中的应用实效,文献[8 ,9 ]从数据出发,通过统计运维检修经验形成设备不同缺陷知识库;文献[10 ,11 ]考虑变压器负载、环境温度和热点温度来评估设备状态;文献[12 ]运用线性判别分析对变压器状态参数进行降维,作为故障诊断模型的输入向量;文献[13 ]利用循环神经网络识别时间序列的隐含模式来预测变压器绕组故障。上述研究为本文换流变运行状态多维度分析和预测提供了一定思路。
另外,换流变运行特征呈现出较强的时间差异性,为了对其运行状态进行精确评估,需要建立能体现时间差异性的换流变状态评估模型。在上述背景下,本文从在线监测数据源出发,考虑多状态量之间的相关性,研究多维度时序趋势分析和相关性分析算法,建立多维度分析的换流变缺陷预警模型,并将智能预测算法应用到关键参数预测中,解决状态参数预测中存在的非线性和时滞问题。最后,结合±800 kV换流变在线监测系统,通过采集获得数据来预估变压器物理特性的关键参数——油温变化趋势,验证了所提方法的有效性和可行性。
2 算法模型
2.1 关键状态量分析
影响换流变运行的因素较多,但由于实际运行中可获取的换流变运行维护数据存在信息隔离、信息扭曲等原因,造成各级运维人员掌握的信息不完全,且换流站内日常监盘任务重,运维人员无法同时关注多个状态量。因此需要对多源数据进行降维,提取关键状态量作为智能分析算法的输入特征 向量。
换流站内多采用的是油浸式变压器,油浸式变压器故障主要分为放电性故障和热性故障[9 ] 。综合变压器缺陷样本数据库中运行巡视、停电试验、带电检测数据,利用相关性[14 ] 分析不同状态量与设备故障率之间的关联关系[8 ] ,根据量化得到的相关系数大小排序得到和设备关联的关键状态量。关键状态量如表1 所示。
针对油中溶解气体的分析,现有技术已相当成熟,本文不再对油中溶解气体做进一步分析。而绝缘油、介损及电容量、直流电阻和铁心接地电流是周期性试验结果,无法在线获取,难以满足系统在线实时分析的需求。因此本文从换流变在线监测分析出发,重点关注和分析油温、油位等在线监测状态量,为运维人员监盘提供决策依据。
2.2 多维度评价方法
直流输电系统同一极下一般配置6台换流变,针对同一种连接方式下的换流变三相设备,本文设计纵向和横向的统计分析方法,来判断换流变是否存在异常。具体方法如下所示。
(1) 同一时刻,横向对比3台换流变线温、油温、油位,当相间差大于阈值${\delta _{\rm{1}}}$时,判断为 异常。
(2) 纵向分析换流变线温和油温,计算样本序列$X({x_1},{x_2}, \cdots,{x_t})$的整体趋势变化值,即$\sum {{\rm{(}}{x_t} - {x_{t - {\rm{1}}}}})$,当趋势值大于阈值${\delta _{\rm{2}}}$时,预警,即$\sum {{\rm{(}}{x_t} - {x_{t - {\rm{1}}}}} ) > {\delta _{\rm{2}}}$。
换流变本体油位与油温呈非线性关系,由于滞后性,油温变化时,油位表显示的数值并不能真实地反映本体油体积。因此针对油位的分析需要排除温度对油体积的影响。本文考虑由传统模型式(1)计算出理论的油位变化[15 ] ,再通过与实际油位对比,对计算的理论值进行修正,找到不同换流变在不同温度下了油位经验值,将实际监测的油位与该温度下经验值进行对比,超过一定偏差阈值${\delta _{\rm{3}}}$时进行预警。渗漏油异常识别流程如图1 所示。
(1) $\Delta V = \frac{G}{\rho }\gamma \Delta T$
图1
式中,ΔV 为因温度变化而引起的油的体积变化;G 为变压器油的质量; ρ 为20 ℃变压器油的密度,0.88 kg/dm3 ;γ 为温度膨胀系数,0.78×10-3 K-1 ;ΔT 为温度变化。
分析t 时刻本体油位监测值${V_t}$,与相邻时刻监测值${V_{t - {\rm{1}}}}$,当油位变化率$ ({V_{t - 1}} - {V_t})/{V_{t - 1}} > {\delta _4}$时,判断油位异常。同一时刻三相油位偏差大于${\delta _{\rm{5}}}$时,判断油位异常。
同时考虑油温${x_{\rm{1}}}$与油位${x_{\rm{2sa}}}$的强相关关系,利用相关系数[12 ] 量化油位与油位之间的相关性,计算公式为
(2) $dcor({x_{\rm{1}}},{x_{\rm{2}}}) = \frac{{d{\mathop{\rm cov}} ({x_{\rm{1}}},{x_{\rm{2}}})}}{{\sqrt {d{\mathop{\rm var}} ({x_{\rm{1}}})d{\mathop{\rm var}} ({x_{\rm{2}}})} }}$
当两者相关性低于阈值时,即$dcor{\rm{(}}{x_{\rm{1}}},{x_{\rm{2}}}) < {\delta _{\rm{6}}}$,则判断油位有异常。
换流变利用风机进行物理降温,本文考虑风机运行功率,量化换流变冷却系统当前运行工况下的冷却裕度[16 ] ,当冷却裕度小于${\delta _{\rm{5}}}$时,冷却裕度不足,提前预警。
(3) $1 - {f_p} \times \frac{L}{{{L_{{\rm{max}}}}}} \times \frac{{{T_{tep}}}}{{{T_{tep - \max }}}}$
式中,${f_p} = \frac{{[(1 - {u_1}) \times {P_{e1}} + {u_1} \times {P_1}] + \cdots + [(1 - {u_n}) \times {P_{en}} + {u_n} \times {P_n}]}}{{{P_e}}}$,$L$为换流变运行功率,${L_{{\rm{max}}}}$为最大运行功率,${T_{tep}}$为当前环境温度,${T_{tep - \max }}$为最大环境温度,${u_1}, \cdots,{u_n}$表示n 台风机运行状态,取值为0或者1,${P_{e1}}, \cdots,{P_{en}}$表示n 台风机额定功率,${P_e}$为所有风机额定功率之和,${P_1}, \cdots,{P_n}$表示n 台风机运行功率,运行功率为0时,表示风机未投运。
2.3 基于LSTM的油温趋势预测
实际运维中,换流变关键状态量油温的趋势预测可有效预判换流变运行状态。在多因素影响的温度预测方面,长短期记忆网络(Long short-term memory,LSTM)通过引入门控机制来控制信息的输入,有选择性地加入新的信息和遗忘之前累积的信息,相比于其他算法,LSTM在处理非线性和时滞性的温度预测问题中有更强的适应性和泛化能力。因此本文利用LSTM实现换流变油温的预测。
(1) 忘记门层,读取ht -1 和xt ,输出一个0~1之间的数值ft ,计算公式如下
(4) ${f_t} = \sigma ({W_{xf}}{x_t} + {W_{hf}}{h_{t - 1}} + {b_f}{\rm{)}}$
(2) 输入门层,以当前层的输入xt 和上一时刻隐单元的输出ht -1 作为输入,输出结果it 作为将要更新的信息,公式如下
(5) ${i_t} = \sigma ({W_{xi}}{x_i} + {W_{hi}}{h_{t - 1}} + {b_i})$
然后进行细胞状态更新,新的细胞状态Ct 由旧的状态和忘记门、输入门的输出结果决定,公式 如下
(6) ${\tilde C_t} = \tanh ({W_{xc}}{x_t} + {W_{hc}}{h_{t - 1}} + {b_c}{\rm{)}}$
(7) ${C_t} = {f_t}{C_{t - 1}} + {i_t}{\tilde C_t}$
(3) 输出门层,运行一个sigmoid层决定细胞状态的哪部分将输出出去。接着,把细胞状态通过一个tanh进行处理并将其和sigmoid门的输出相乘作为输出。
(8) ${O_t} = \sigma ({W_{xo}}x_t + {W_{ho}}{h_{t - 1}} + {b_o})$
(9) ${h_t} = {o_t}{\rm{ \times }}\tan h({C_t})$
式中,σ 和tanh为激活函数;Wx 代表输入层到隐含层的权重;Wh 代表递归连接的权重;b 代表偏置项。
本文根据换流变油温、环境温度以及有功功率,基于LSTM模型拟合环境温度、运行功率和换流变油温之间的关系,实现油温预测,具体步骤如下所示。
(1) 模型输入和输出参数确定。选取换流变当前时刻油温、换流变运行功率、环境温度作为输入参数,输出为下一时刻油温数据,构建数据集。并利用灰色关联度和K-means聚类方法[17 ] 对数据进行检测和清洗,确保训练样本集数据的可靠性。按照8∶1∶1比例将数据样本集划分为训练集、验证集和测试集。
(2) 将选定的训练集数据归一化处理后作为模型输入,根据输入的变量可知LSTM模型输入的神经元个数为3个：换流变运行功率、环境温度、当前时刻油温,即{x1 ,x2 ,x3 },输出变量为下一时刻油温。神经网络选择2层LSTM,最后连接一个全连接层后通过一个激活函数作为最终的输出。
(3) 在训练过程中若训练平均绝对误差大于阈值,则更新权重与偏置W 、b 、a ,继续与输入相互作用进行计算;若误差小于阈值,则输出结果作为另一个初始化参数。以平均绝对误差值小于阈值为目标通过反向传播不断训练优化神经网络参数,直到达到较好效果并保存训练模型。平均绝对误差的计算公式为
(10) $MAE = \frac{{\rm{1}}}{m}\sum\limits_{i = 1}^m {|{y_i} - {{\tilde y}_i}|}$
式中,m 为样本数,${y_i}$和${\tilde y_i}$为i 时刻油温的实际值和预测值。
(4) 根据训练集得到的网络模型,优先利用验证集进行测试,得到平均绝对误差值。当误差值大于阈值时,调整学习率、迭代次数,再基于训练集进行网络的训练,直到得到最优全局参数矩阵,模型训练完成。根据训练好的模型,输入当前时刻油温、换流变运行功率、环境温度,得到下一时刻的油温。具体实现流程如图2 所示。
图2
3 预警系统总体方案
本文以换流站内现有的站内监控系统采集的信息为基础,同时加装必要的监测和采集装置,采集站内所有换流变实时数据,嵌入智能分析方法,建立物联网架构下的换流变多维度分析和预警系统。系统结构如图3 所示。换流变目前采集的油温、线温、油位、油中溶解气体、换流变运行功率、环境温度数据经过“站内监控系统通信服务器”接入预警系统。风机加装传感器装置采集运行功率,通过IEC61850通信协议获取IED集中通信装置上的数据。系统每5 min更新一次数据,并将多维度分析和油温预测异常诊断结果推送至系统预警信息页,辅助运维人员监盘。
图3
4 实例分析
4.1 样本信息
本文搜集穗东站换流变实际运行数据作为样本集。双极直流输电系统中涵盖24台换流变,每一极配置Y/Δ和Y/Y两种连接方式,6台换流变设备。样本集涵盖2018年12月—2019年11月1年的运维在线监测数据,共计105 120条数据。状态量包括换流变油温、线温、油位、换流变运行功率、风机运行功率、环境温度。
4.2 多维度评价
以2019年8月极2高端Y/ΔA相换流变的监测数据为例,根据换流变风扇投运台数和运行功率,根据式(3)计算可知冷却裕度均大于25%,系统状态正常。1~16日的换流变油温、线温和油位的趋势变化如图4 所示。图4 中3条曲线变化趋势基本相同,油位在某一时刻突然出现断崖式下降,但未低于油位最低告警值15%。因此基于规范规定的阈值难以识别出油位异常。
图4
利用第2.2.2节所述的油位分析方法,对该时段监测数据进行分析。根据换流变稳态时的监测数据可知变压器油质量为85 595 kg,20 ℃时本体油位为38%,利用式(1)中换算该时段监测数据如表2 所示。
根据表2 可知,3:00对应的偏差25%已大于理论计算值和监测值之间偏差阈值${\delta _{\rm{3}}}$ (10%),且实际监测油位和油温之间的相关系数为0.07,远小于相关性阈值0.6,系统预警,换流变存在渗漏油情况,根据后续几个时刻数据发现换流变油持续渗漏。现场运维,发现±800 kV穗东换流站极2高端Y/ΔA相换流变风扇故障导致散热片损坏,导致换流变绝缘油泄漏,换流变本体油位下降至18%。更换后恢复正常,有效解决了换流变绝缘油发生渗漏但未达到告警值时隐患的识别。
针对线温和油温的分析,三相监测值变化趋势如图5 所示。线温和油温在2019年8月8日7:00这一时刻三相最大偏差值分别为24 ℃、13 ℃,超出阈值10 ℃,系统预警,提示换流变C相温度过高。
图5
4.3 油温预测
在穗东换流变样本数据搜集的基础上,搭建基于LSTM算法模型和仿真环境,包括Python3.7环境以及Keras、Scikit-learn、Tensorflow等函数库,对数据进行离线化训练,训练后的模型封装嵌入到预警系统。本例中,学习率初始设定为0.01,输入维度为3,输出节点为1,将所有矩阵初始化,误差阈值设定为2×10-2 ,迭代80次,迭代至20次左右时,训练样本小于误差阈值,得到预测的油温值,训练结束。以换流变A相油温为例进行分析,图6 是测试集和训练集在80次迭代过程中损失值的走势,经过10次迭代之后损失值基本达到了稳定状态,平均误差为0.029,迭代20次后平均误差为0.024,迭代40次之后平均误差稳定在0.02上下。
图6
换流变A相油温测试集的预测值和真实值结果如图7 所示。真实值和预测值的数据走势和波动基本一致,曲线贴合程度较高。
图7
为验证预测算法的准确性,本文在同一数据集上,利用ARIMA方法对油温进行预测,预测结果如图8 所示,从图8 中可看出预测结果误差较大,尤其在波谷时,预测值和真实值之间有一定的差距,预测值相比于真实值有一定的滞后性,误差达到了2.9%。
图8
对比LSTM和ARIMA两种方法,LSTM预测的精确度和拟合程度明显优于ARIMA,LSTM能够在不确定性的环境温度和功率影响下兼顾油温变化的滞后性,达到较高的预测准确率,证明LSTM在换流变压器油温预测方面具有很强的适应性。
5 结论
本文从实际工程应用角度出发,在现有运维规程的基础上,提出换流变多维度分析和状态预警方法,针对换流变重点监盘的关键参数研究三相横向对比和时序趋势分析方法,提出换流变渗漏油识别方法和基于LSTM的油温预测,解决状态参数预测中存在的非线性和时滞问题。算法模型和预警系统应用于穗东站换流变的监测与分析,通过实例应用分析和验证了算法的有效性和可行性。该方法计算过程简单有效,可应用到其他换流变的智能分析,辅助现场运维人员监盘。
参考文献
View Option
[1]
牟龙华 , 石林 , 许旭锋 , 等 . 智能换流变压器在线监测系统的设计与建模
[J]. 电力系统及其自动化学报 , 2013 , 25 (1 ):23 -28 .
[本文引用: 1]
MOU Longhua SHI Lin XU Xufeng , et al . Designing and modeling of on-line monitoring system for smart converter transformer
[J]. Proceedings of the CSU-EPSA , 2013 , 25 (1 ):23 -28 .
[本文引用: 1]
[2]
牛勃 , 马飞越 , 周秀 , 等 . ±800 kV换流变压器在线监测信号的异常分析与处理
[J]. 高压电器 , 2018 , 54 (11 ):245 -252,259 .
[本文引用: 1]
NIU Bo MA Feiyue ZHOU Xiu , et al . Analysis and treatment of on-line monitoring abnormal signal in ±800 kV converter transformer
[J]. High Voltage Apparatus , 2018 , 54 (11 ):245 -252,259 .
[本文引用: 1]
[3]
阮羚 , 谢齐家 , 高胜友 , 等 . 人工神经网络和信息融合技术在变压器状态评估中的应用
[J]. 高电压技术 , 2014 , 40 (3 ):822 -828 .
[本文引用: 1]
RUAN Ling XIE Qijia GAO Shengyou , et al . Application of artificial neural network and information fusion technology in power transformer condition assessment
[J]. High Voltage Engineering , 2014 , 40 (3 ):822 -828 .
[本文引用: 1]
[4]
李刚 , 于长海 , 范辉 , 等 . 基于多级决策融合模型的电力变压器故障深度诊断方法
[J]. 电力自动化设备 , 2017 (11 ):144 -150 .
[本文引用: 1]
LI Gang YU Changhai FAN Hui , et al . Deep fault diagnosis of power transformer based on multilevel decision fusion model
[J]. Electric Power Automation Equipment , 2017 (11 ):144 -150 .
[本文引用: 1]
[5]
EMARA M M PEPPAS G D GONOS I . Two graphical shapes based on DGA for power transformer fault types discrimination
[J]. IEEE Transactions on Dielectrics and Electrical Insulation , 2021 , 28 (3 ):981 -987 .
DOI:10.1109/TDEI.2021.009415
URL
[本文引用: 1]
[6]
周春阳 , 李亚锦 , 刘英男 , 等 . 基于贝叶斯推理和多传感器信息融合的换流变缺陷分类算法研究
[J]. 变压器 , 2020 , 57 (11 ):15 -20 .
[本文引用: 1]
ZHOU Chunyang LI Yajin LIU Yingnan , et al . Transformer fault diagnosis method based on Bayesian interference and multi-dimensional information fusion
[J]. Transformer , 2020 , 57 (11 ):15 -20 .
[本文引用: 1]
[7]
张育杰 , 李典阳 , 冯健 , 等 . 基于多模型选择性融合的变压器在线故障诊断
[J]. 电力系统自动化 , 2021 , 45 (13 ):95 -101 .
[本文引用: 1]
ZHANG Yujie LI Dianyang FENG Jian , et al . On-line fault diagnosis for transformer based on selective fusion of multiple models
[J]. Automation of Electric Power Systems , 2021 , 45 (13 ):95 -101 .
[本文引用: 1]
[8]
彭红霞 , 文艳 , 王磊 , 等 . 基于两层知识架构的电力设备差异化运维技术
[J]. 高压电器 , 2019 , 55 (7 ):221 -226 .
[本文引用: 2]
PENG Hongxia WEN Yan WANG Lei , et al . Differential operating maintenance technology of power equipment based on two-layer knowledge architecture
[J]. High Voltage Apparatus , 2019 , 55 (7 ):221 -226 .
[本文引用: 2]
[9]
黄海波 , 雷红才 , 周卫华 , 等 . 基于不停电检测的变压器状态检修优化
[J]. 高电压技术 , 2019 , 45 (10 ):3300 -3307 .
[本文引用: 2]
HUANG Haibo LEI Hongcai ZHOU Weihua , et al . Research on transformer condition-based maintenance optimization based on non power-off detection
[J]. High Voltage Engineering , 2019 , 45 (10 ):3300 -3307 .
[本文引用: 2]
[10]
苏宁 , 李亚锦 , 张婉莹 , 等 . 基于LSTM算法的变电设备发热预测技术研究
[J]. 山东电力技术 , 2021 , 48 (6 ):10 -14 .
[本文引用: 1]
SU Ning LI Yajin ZHANG Wanying , et al . Research on heating defect prediction of substation equipment based on LSTM
[J]. Shangdong Electric Power , 2021 , 48 (6 ):10 -14 .
[本文引用: 1]
[11]
何先华 , 张远鹏 , 崔桂兴 , 等 . 基于回归算法的变压器故障检测方法研究
[J]. 电力系统保护与控制 , 2020 , 48 (21 ):132 -139 .
[本文引用: 1]
HE Xianhua ZHANG Yuanpeng CUI Guixing , et al . Research on transformer fault detection method based on a regression algorithm
[J]. Power System Protection and Control , 2020 , 48 (21 ):132 -139 .
[本文引用: 1]
[12]
谢乐 , 衡熙丹 , 刘洋 , 等 . 基于线性判别分析和分步机器学习的变压器故障诊断
[J]. 浙江大学学报 , 2020 , 54 (11 ):2266 -2272 .
[本文引用: 2]
XIE Le HENG Xidan LIU Yang , et al . Transformer fault diagnosis based on linear discriminant analysis and step-by-step machine learning
[J]. Journal of Zhejiang University , 2020 , 54 (11 ):2266 -2272 .
[本文引用: 2]
[13]
ZOLLANVARI A KUNANBAYEV K M BITAGHSIR S A , et al . Transformer fault prognosis using deep recurrent neural network over vibration signals
[J]. IEEE Transactions on Instrumentation and Measurement , 2020 , 70 (99 ):1 -12 .
[本文引用: 1]
[14]
SZÉKELY G J RIZZO M L BAKIROV N K . Measuring and testing dependence by correlation of distances
[J]. Annals of Statistics , 2007 , 35 (6 ):2769 -2794 .
[本文引用: 1]
[15]
杨荆林 , 谢超 , 李乾坤 , 等 . 穗东站换流变压器本体油位异常分析及带电处理
[J]. 南方电网技术 , 2013 , 7 (6 ):63 -65 .
[本文引用: 1]
YANG Jinglin XIE Chao LI Qiankun , et al . Analysis of the oil level abnormity of converter transformer body at suidong substation and its on-line disposal
[J]. Southern Power System Technology , 2013 , 7 (6 ):63 -65 .
[本文引用: 1]
[16]
廖毅 , 罗炜 , 蒋峰伟 , 等 . 换流阀冷却能力多维度分析与预警模型
[J]. 南方电网技术 , 2020 , 14 (7 ):1 -9 .
[本文引用: 1]
LIAO Yi LUO Wei JIANG Fengwei , et al . Multi-dimensional analysis and early warning model for the cooling capacity of converter valve
[J]. Southern Power System Technology , 2020 , 14 (7 ):1 -9 .
[本文引用: 1]
[17]
钱宇骋 , 甄超 , 季坤 , 等 . 变压器在线监测数据异常值检测与清洗
[J]. 哈尔滨理工大学学报 , 2020 , 25 (5 ):15 -22 .
[本文引用: 1]
QIAN Yucheng ZHEN Chao JI Kun , et al . Transformer online monitoring data abnormal value detection and cleaning
[J]. Journal of Harbin University of Science and Technology , 2020 , 25 (5 ):15 -22 .
[本文引用: 1]
智能换流变压器在线监测系统的设计与建模
1
2013
... 目前换流变运行状态的评估[1 ,2 ,3 ] 主要依赖于各类传感器、测量元器件所提供的在线监测数据信息,包括油温、油位、油色谱信息、振动信号,与阈值进行对比判断或者采用三比值法对油中溶解气体进行分析,以确定换流变状态是否正常.但由于设备运行环境和工况的差异性,目前相关运维规范设定的阈值在异常诊断方面具有一定的局限性,且受负荷、温度、输出表计以及回路缺陷等因素的影响,单一维度的状态量在反映换流变故障演变与表现特征之间的客观规律上有一定片面性. ...
智能换流变压器在线监测系统的设计与建模
1
2013
... 目前换流变运行状态的评估[1 ,2 ,3 ] 主要依赖于各类传感器、测量元器件所提供的在线监测数据信息,包括油温、油位、油色谱信息、振动信号,与阈值进行对比判断或者采用三比值法对油中溶解气体进行分析,以确定换流变状态是否正常.但由于设备运行环境和工况的差异性,目前相关运维规范设定的阈值在异常诊断方面具有一定的局限性,且受负荷、温度、输出表计以及回路缺陷等因素的影响,单一维度的状态量在反映换流变故障演变与表现特征之间的客观规律上有一定片面性. ...
±800 kV换流变压器在线监测信号的异常分析与处理
1
2018
... 目前换流变运行状态的评估[1 ,2 ,3 ] 主要依赖于各类传感器、测量元器件所提供的在线监测数据信息,包括油温、油位、油色谱信息、振动信号,与阈值进行对比判断或者采用三比值法对油中溶解气体进行分析,以确定换流变状态是否正常.但由于设备运行环境和工况的差异性,目前相关运维规范设定的阈值在异常诊断方面具有一定的局限性,且受负荷、温度、输出表计以及回路缺陷等因素的影响,单一维度的状态量在反映换流变故障演变与表现特征之间的客观规律上有一定片面性. ...
±800 kV换流变压器在线监测信号的异常分析与处理
1
2018
... 目前换流变运行状态的评估[1 ,2 ,3 ] 主要依赖于各类传感器、测量元器件所提供的在线监测数据信息,包括油温、油位、油色谱信息、振动信号,与阈值进行对比判断或者采用三比值法对油中溶解气体进行分析,以确定换流变状态是否正常.但由于设备运行环境和工况的差异性,目前相关运维规范设定的阈值在异常诊断方面具有一定的局限性,且受负荷、温度、输出表计以及回路缺陷等因素的影响,单一维度的状态量在反映换流变故障演变与表现特征之间的客观规律上有一定片面性. ...
人工神经网络和信息融合技术在变压器状态评估中的应用
1
2014
... 目前换流变运行状态的评估[1 ,2 ,3 ] 主要依赖于各类传感器、测量元器件所提供的在线监测数据信息,包括油温、油位、油色谱信息、振动信号,与阈值进行对比判断或者采用三比值法对油中溶解气体进行分析,以确定换流变状态是否正常.但由于设备运行环境和工况的差异性,目前相关运维规范设定的阈值在异常诊断方面具有一定的局限性,且受负荷、温度、输出表计以及回路缺陷等因素的影响,单一维度的状态量在反映换流变故障演变与表现特征之间的客观规律上有一定片面性. ...
人工神经网络和信息融合技术在变压器状态评估中的应用
1
2014
... 目前换流变运行状态的评估[1 ,2 ,3 ] 主要依赖于各类传感器、测量元器件所提供的在线监测数据信息,包括油温、油位、油色谱信息、振动信号,与阈值进行对比判断或者采用三比值法对油中溶解气体进行分析,以确定换流变状态是否正常.但由于设备运行环境和工况的差异性,目前相关运维规范设定的阈值在异常诊断方面具有一定的局限性,且受负荷、温度、输出表计以及回路缺陷等因素的影响,单一维度的状态量在反映换流变故障演变与表现特征之间的客观规律上有一定片面性. ...
基于多级决策融合模型的电力变压器故障深度诊断方法
1
2017
... 基于人工智能的多特征融合是提高换流变诊断可靠性的有效手段,文献[4 ]融合油色谱监测数据、试验数据和历史故障数据,构建两级诊断模型;文献[5 ]基于油色谱数据和图谱识别实现低热和放电两种新型故障的识别;文献[6 ]在多源数据基础上利用深度置信网络和贝叶斯推理实现换流变缺陷的分类;文献[7 ]通过DS证据理论融合诊断的准确率来判断随机森林和决策树等5种模型融合诊断的效果,最终通过样本训练得到最优的组合模型.上述智能方法解决了换流变设备故障诊断中单一状态量和故障非线性导致的诊断结果准确性不高问题,但相关数据因专业不同分散于各业务应用系统,造成了数据信息的“隔离”,数据无法在线实时获取.受限于数据“隔离”和参数选择,以复杂模型为主的换流变设备状态诊断方法目前仍难以广泛应用于换流变实际监盘运维工作中. ...
基于多级决策融合模型的电力变压器故障深度诊断方法
1
2017
... 基于人工智能的多特征融合是提高换流变诊断可靠性的有效手段,文献[4 ]融合油色谱监测数据、试验数据和历史故障数据,构建两级诊断模型;文献[5 ]基于油色谱数据和图谱识别实现低热和放电两种新型故障的识别;文献[6 ]在多源数据基础上利用深度置信网络和贝叶斯推理实现换流变缺陷的分类;文献[7 ]通过DS证据理论融合诊断的准确率来判断随机森林和决策树等5种模型融合诊断的效果,最终通过样本训练得到最优的组合模型.上述智能方法解决了换流变设备故障诊断中单一状态量和故障非线性导致的诊断结果准确性不高问题,但相关数据因专业不同分散于各业务应用系统,造成了数据信息的“隔离”,数据无法在线实时获取.受限于数据“隔离”和参数选择,以复杂模型为主的换流变设备状态诊断方法目前仍难以广泛应用于换流变实际监盘运维工作中. ...
Two graphical shapes based on DGA for power transformer fault types discrimination
1
2021
... 基于人工智能的多特征融合是提高换流变诊断可靠性的有效手段,文献[4 ]融合油色谱监测数据、试验数据和历史故障数据,构建两级诊断模型;文献[5 ]基于油色谱数据和图谱识别实现低热和放电两种新型故障的识别;文献[6 ]在多源数据基础上利用深度置信网络和贝叶斯推理实现换流变缺陷的分类;文献[7 ]通过DS证据理论融合诊断的准确率来判断随机森林和决策树等5种模型融合诊断的效果,最终通过样本训练得到最优的组合模型.上述智能方法解决了换流变设备故障诊断中单一状态量和故障非线性导致的诊断结果准确性不高问题,但相关数据因专业不同分散于各业务应用系统,造成了数据信息的“隔离”,数据无法在线实时获取.受限于数据“隔离”和参数选择,以复杂模型为主的换流变设备状态诊断方法目前仍难以广泛应用于换流变实际监盘运维工作中. ...
基于贝叶斯推理和多传感器信息融合的换流变缺陷分类算法研究
1
2020
... 基于人工智能的多特征融合是提高换流变诊断可靠性的有效手段,文献[4 ]融合油色谱监测数据、试验数据和历史故障数据,构建两级诊断模型;文献[5 ]基于油色谱数据和图谱识别实现低热和放电两种新型故障的识别;文献[6 ]在多源数据基础上利用深度置信网络和贝叶斯推理实现换流变缺陷的分类;文献[7 ]通过DS证据理论融合诊断的准确率来判断随机森林和决策树等5种模型融合诊断的效果,最终通过样本训练得到最优的组合模型.上述智能方法解决了换流变设备故障诊断中单一状态量和故障非线性导致的诊断结果准确性不高问题,但相关数据因专业不同分散于各业务应用系统,造成了数据信息的“隔离”,数据无法在线实时获取.受限于数据“隔离”和参数选择,以复杂模型为主的换流变设备状态诊断方法目前仍难以广泛应用于换流变实际监盘运维工作中. ...
基于贝叶斯推理和多传感器信息融合的换流变缺陷分类算法研究
1
2020
... 基于人工智能的多特征融合是提高换流变诊断可靠性的有效手段,文献[4 ]融合油色谱监测数据、试验数据和历史故障数据,构建两级诊断模型;文献[5 ]基于油色谱数据和图谱识别实现低热和放电两种新型故障的识别;文献[6 ]在多源数据基础上利用深度置信网络和贝叶斯推理实现换流变缺陷的分类;文献[7 ]通过DS证据理论融合诊断的准确率来判断随机森林和决策树等5种模型融合诊断的效果,最终通过样本训练得到最优的组合模型.上述智能方法解决了换流变设备故障诊断中单一状态量和故障非线性导致的诊断结果准确性不高问题,但相关数据因专业不同分散于各业务应用系统,造成了数据信息的“隔离”,数据无法在线实时获取.受限于数据“隔离”和参数选择,以复杂模型为主的换流变设备状态诊断方法目前仍难以广泛应用于换流变实际监盘运维工作中. ...
基于多模型选择性融合的变压器在线故障诊断
1
2021
... 基于人工智能的多特征融合是提高换流变诊断可靠性的有效手段,文献[4 ]融合油色谱监测数据、试验数据和历史故障数据,构建两级诊断模型;文献[5 ]基于油色谱数据和图谱识别实现低热和放电两种新型故障的识别;文献[6 ]在多源数据基础上利用深度置信网络和贝叶斯推理实现换流变缺陷的分类;文献[7 ]通过DS证据理论融合诊断的准确率来判断随机森林和决策树等5种模型融合诊断的效果,最终通过样本训练得到最优的组合模型.上述智能方法解决了换流变设备故障诊断中单一状态量和故障非线性导致的诊断结果准确性不高问题,但相关数据因专业不同分散于各业务应用系统,造成了数据信息的“隔离”,数据无法在线实时获取.受限于数据“隔离”和参数选择,以复杂模型为主的换流变设备状态诊断方法目前仍难以广泛应用于换流变实际监盘运维工作中. ...
基于多模型选择性融合的变压器在线故障诊断
1
2021
... 基于人工智能的多特征融合是提高换流变诊断可靠性的有效手段,文献[4 ]融合油色谱监测数据、试验数据和历史故障数据,构建两级诊断模型;文献[5 ]基于油色谱数据和图谱识别实现低热和放电两种新型故障的识别;文献[6 ]在多源数据基础上利用深度置信网络和贝叶斯推理实现换流变缺陷的分类;文献[7 ]通过DS证据理论融合诊断的准确率来判断随机森林和决策树等5种模型融合诊断的效果,最终通过样本训练得到最优的组合模型.上述智能方法解决了换流变设备故障诊断中单一状态量和故障非线性导致的诊断结果准确性不高问题,但相关数据因专业不同分散于各业务应用系统,造成了数据信息的“隔离”,数据无法在线实时获取.受限于数据“隔离”和参数选择,以复杂模型为主的换流变设备状态诊断方法目前仍难以广泛应用于换流变实际监盘运维工作中. ...
基于两层知识架构的电力设备差异化运维技术
2
2019
... 为提升智能算法在换流变实际工程中的应用实效,文献[8 ,9 ]从数据出发,通过统计运维检修经验形成设备不同缺陷知识库;文献[10 ,11 ]考虑变压器负载、环境温度和热点温度来评估设备状态;文献[12 ]运用线性判别分析对变压器状态参数进行降维,作为故障诊断模型的输入向量;文献[13 ]利用循环神经网络识别时间序列的隐含模式来预测变压器绕组故障.上述研究为本文换流变运行状态多维度分析和预测提供了一定思路. ...
... 换流站内多采用的是油浸式变压器,油浸式变压器故障主要分为放电性故障和热性故障[9 ] .综合变压器缺陷样本数据库中运行巡视、停电试验、带电检测数据,利用相关性[14 ] 分析不同状态量与设备故障率之间的关联关系[8 ] ,根据量化得到的相关系数大小排序得到和设备关联的关键状态量.关键状态量如表1 所示. ...
基于两层知识架构的电力设备差异化运维技术
2
2019
... 为提升智能算法在换流变实际工程中的应用实效,文献[8 ,9 ]从数据出发,通过统计运维检修经验形成设备不同缺陷知识库;文献[10 ,11 ]考虑变压器负载、环境温度和热点温度来评估设备状态;文献[12 ]运用线性判别分析对变压器状态参数进行降维,作为故障诊断模型的输入向量;文献[13 ]利用循环神经网络识别时间序列的隐含模式来预测变压器绕组故障.上述研究为本文换流变运行状态多维度分析和预测提供了一定思路. ...
... 换流站内多采用的是油浸式变压器,油浸式变压器故障主要分为放电性故障和热性故障[9 ] .综合变压器缺陷样本数据库中运行巡视、停电试验、带电检测数据,利用相关性[14 ] 分析不同状态量与设备故障率之间的关联关系[8 ] ,根据量化得到的相关系数大小排序得到和设备关联的关键状态量.关键状态量如表1 所示. ...
基于不停电检测的变压器状态检修优化
2
2019
... 为提升智能算法在换流变实际工程中的应用实效,文献[8 ,9 ]从数据出发,通过统计运维检修经验形成设备不同缺陷知识库;文献[10 ,11 ]考虑变压器负载、环境温度和热点温度来评估设备状态;文献[12 ]运用线性判别分析对变压器状态参数进行降维,作为故障诊断模型的输入向量;文献[13 ]利用循环神经网络识别时间序列的隐含模式来预测变压器绕组故障.上述研究为本文换流变运行状态多维度分析和预测提供了一定思路. ...
... 换流站内多采用的是油浸式变压器,油浸式变压器故障主要分为放电性故障和热性故障[9 ] .综合变压器缺陷样本数据库中运行巡视、停电试验、带电检测数据,利用相关性[14 ] 分析不同状态量与设备故障率之间的关联关系[8 ] ,根据量化得到的相关系数大小排序得到和设备关联的关键状态量.关键状态量如表1 所示. ...
基于不停电检测的变压器状态检修优化
2
2019
... 为提升智能算法在换流变实际工程中的应用实效,文献[8 ,9 ]从数据出发,通过统计运维检修经验形成设备不同缺陷知识库;文献[10 ,11 ]考虑变压器负载、环境温度和热点温度来评估设备状态;文献[12 ]运用线性判别分析对变压器状态参数进行降维,作为故障诊断模型的输入向量;文献[13 ]利用循环神经网络识别时间序列的隐含模式来预测变压器绕组故障.上述研究为本文换流变运行状态多维度分析和预测提供了一定思路. ...
... 换流站内多采用的是油浸式变压器,油浸式变压器故障主要分为放电性故障和热性故障[9 ] .综合变压器缺陷样本数据库中运行巡视、停电试验、带电检测数据,利用相关性[14 ] 分析不同状态量与设备故障率之间的关联关系[8 ] ,根据量化得到的相关系数大小排序得到和设备关联的关键状态量.关键状态量如表1 所示. ...
基于LSTM算法的变电设备发热预测技术研究
1
2021
... 为提升智能算法在换流变实际工程中的应用实效,文献[8 ,9 ]从数据出发,通过统计运维检修经验形成设备不同缺陷知识库;文献[10 ,11 ]考虑变压器负载、环境温度和热点温度来评估设备状态;文献[12 ]运用线性判别分析对变压器状态参数进行降维,作为故障诊断模型的输入向量;文献[13 ]利用循环神经网络识别时间序列的隐含模式来预测变压器绕组故障.上述研究为本文换流变运行状态多维度分析和预测提供了一定思路. ...
基于LSTM算法的变电设备发热预测技术研究
1
2021
... 为提升智能算法在换流变实际工程中的应用实效,文献[8 ,9 ]从数据出发,通过统计运维检修经验形成设备不同缺陷知识库;文献[10 ,11 ]考虑变压器负载、环境温度和热点温度来评估设备状态;文献[12 ]运用线性判别分析对变压器状态参数进行降维,作为故障诊断模型的输入向量;文献[13 ]利用循环神经网络识别时间序列的隐含模式来预测变压器绕组故障.上述研究为本文换流变运行状态多维度分析和预测提供了一定思路. ...
基于回归算法的变压器故障检测方法研究
1
2020
... 为提升智能算法在换流变实际工程中的应用实效,文献[8 ,9 ]从数据出发,通过统计运维检修经验形成设备不同缺陷知识库;文献[10 ,11 ]考虑变压器负载、环境温度和热点温度来评估设备状态;文献[12 ]运用线性判别分析对变压器状态参数进行降维,作为故障诊断模型的输入向量;文献[13 ]利用循环神经网络识别时间序列的隐含模式来预测变压器绕组故障.上述研究为本文换流变运行状态多维度分析和预测提供了一定思路. ...
基于回归算法的变压器故障检测方法研究
1
2020
... 为提升智能算法在换流变实际工程中的应用实效,文献[8 ,9 ]从数据出发,通过统计运维检修经验形成设备不同缺陷知识库;文献[10 ,11 ]考虑变压器负载、环境温度和热点温度来评估设备状态;文献[12 ]运用线性判别分析对变压器状态参数进行降维,作为故障诊断模型的输入向量;文献[13 ]利用循环神经网络识别时间序列的隐含模式来预测变压器绕组故障.上述研究为本文换流变运行状态多维度分析和预测提供了一定思路. ...
基于线性判别分析和分步机器学习的变压器故障诊断
2
2020
... 为提升智能算法在换流变实际工程中的应用实效,文献[8 ,9 ]从数据出发,通过统计运维检修经验形成设备不同缺陷知识库;文献[10 ,11 ]考虑变压器负载、环境温度和热点温度来评估设备状态;文献[12 ]运用线性判别分析对变压器状态参数进行降维,作为故障诊断模型的输入向量;文献[13 ]利用循环神经网络识别时间序列的隐含模式来预测变压器绕组故障.上述研究为本文换流变运行状态多维度分析和预测提供了一定思路. ...
... 同时考虑油温${x_{\rm{1}}}$与油位${x_{\rm{2sa}}}$的强相关关系,利用相关系数[12 ] 量化油位与油位之间的相关性,计算公式为 ...
基于线性判别分析和分步机器学习的变压器故障诊断
2
2020
... 为提升智能算法在换流变实际工程中的应用实效,文献[8 ,9 ]从数据出发,通过统计运维检修经验形成设备不同缺陷知识库;文献[10 ,11 ]考虑变压器负载、环境温度和热点温度来评估设备状态;文献[12 ]运用线性判别分析对变压器状态参数进行降维,作为故障诊断模型的输入向量;文献[13 ]利用循环神经网络识别时间序列的隐含模式来预测变压器绕组故障.上述研究为本文换流变运行状态多维度分析和预测提供了一定思路. ...
... 同时考虑油温${x_{\rm{1}}}$与油位${x_{\rm{2sa}}}$的强相关关系,利用相关系数[12 ] 量化油位与油位之间的相关性,计算公式为 ...
Transformer fault prognosis using deep recurrent neural network over vibration signals
1
2020
... 为提升智能算法在换流变实际工程中的应用实效,文献[8 ,9 ]从数据出发,通过统计运维检修经验形成设备不同缺陷知识库;文献[10 ,11 ]考虑变压器负载、环境温度和热点温度来评估设备状态;文献[12 ]运用线性判别分析对变压器状态参数进行降维,作为故障诊断模型的输入向量;文献[13 ]利用循环神经网络识别时间序列的隐含模式来预测变压器绕组故障.上述研究为本文换流变运行状态多维度分析和预测提供了一定思路. ...
Measuring and testing dependence by correlation of distances
1
2007
... 换流站内多采用的是油浸式变压器,油浸式变压器故障主要分为放电性故障和热性故障[9 ] .综合变压器缺陷样本数据库中运行巡视、停电试验、带电检测数据,利用相关性[14 ] 分析不同状态量与设备故障率之间的关联关系[8 ] ,根据量化得到的相关系数大小排序得到和设备关联的关键状态量.关键状态量如表1 所示. ...
穗东站换流变压器本体油位异常分析及带电处理
1
2013
... 换流变本体油位与油温呈非线性关系,由于滞后性,油温变化时,油位表显示的数值并不能真实地反映本体油体积.因此针对油位的分析需要排除温度对油体积的影响.本文考虑由传统模型式(1)计算出理论的油位变化[15 ] ,再通过与实际油位对比,对计算的理论值进行修正,找到不同换流变在不同温度下了油位经验值,将实际监测的油位与该温度下经验值进行对比,超过一定偏差阈值${\delta _{\rm{3}}}$时进行预警.渗漏油异常识别流程如图1 所示. ...
穗东站换流变压器本体油位异常分析及带电处理
1
2013
... 换流变本体油位与油温呈非线性关系,由于滞后性,油温变化时,油位表显示的数值并不能真实地反映本体油体积.因此针对油位的分析需要排除温度对油体积的影响.本文考虑由传统模型式(1)计算出理论的油位变化[15 ] ,再通过与实际油位对比,对计算的理论值进行修正,找到不同换流变在不同温度下了油位经验值,将实际监测的油位与该温度下经验值进行对比,超过一定偏差阈值${\delta _{\rm{3}}}$时进行预警.渗漏油异常识别流程如图1 所示. ...
换流阀冷却能力多维度分析与预警模型
1
2020
... 换流变利用风机进行物理降温,本文考虑风机运行功率,量化换流变冷却系统当前运行工况下的冷却裕度[16 ] ,当冷却裕度小于${\delta _{\rm{5}}}$时,冷却裕度不足,提前预警. ...
换流阀冷却能力多维度分析与预警模型
1
2020
... 换流变利用风机进行物理降温,本文考虑风机运行功率,量化换流变冷却系统当前运行工况下的冷却裕度[16 ] ,当冷却裕度小于${\delta _{\rm{5}}}$时,冷却裕度不足,提前预警. ...
变压器在线监测数据异常值检测与清洗
1
2020
... (1) 模型输入和输出参数确定.选取换流变当前时刻油温、换流变运行功率、环境温度作为输入参数,输出为下一时刻油温数据,构建数据集.并利用灰色关联度和K-means聚类方法[17 ] 对数据进行检测和清洗,确保训练样本集数据的可靠性.按照8∶1∶1比例将数据样本集划分为训练集、验证集和测试集. ...
变压器在线监测数据异常值检测与清洗
1
2020
... (1) 模型输入和输出参数确定.选取换流变当前时刻油温、换流变运行功率、环境温度作为输入参数,输出为下一时刻油温数据,构建数据集.并利用灰色关联度和K-means聚类方法[17 ] 对数据进行检测和清洗,确保训练样本集数据的可靠性.按照8∶1∶1比例将数据样本集划分为训练集、验证集和测试集. ...
