【发电技术】信息融合技术诊断变压器内部故障

电力系统是一个整体，其中每一个组成元件都具有复杂的物理结构，一般都包括机械和电气部分，有的还有液压部分各组成部分之间的除了电气联系之外，还有其它复杂的联系。这类系统的故障诊断过程不仅仅依靠单层次的信息，而应当集成融合系统结构、功能、行为和控制等方面的各类信息。而信息融合技术能够充分利用设备现象、传感器数据、试验数据等各种信息综合处理设备故障。对于变压器故障诊断系统而言，既要包括数据融合，也要包括知识融合，还要包括由数据到知识的融合。在实际信息融合系统中，要先对来自多源的数据进行融合处理，将融合后的信息及来自变压器本体和其他方面的信息，按照一定的规则进行推理，即进行知识融合，同时将有关信息存入数据库系统，利用大量的数据，从中发现潜在而未知的新知识，并根据现有的运行状态来修正原有的知识，以更迅速、更准确、更全面的进行故障监测、报警和诊断。

模块化分级故障诊断模型分为三大模块：数据预处理模块、神经网络初级诊断模块、D-S证据理论融合决策模块。

神经网络初级诊断模块——TNFIN定性模块

定性模块的功能是在变压器不停运的情况下，利用油中溶解气体分析数据对变压器故障的性质及严重程度进行确定，为检修策略的制定提供初步依据。TNFIN作为一种模糊神经网络，结合了模糊系统的推理能力和神经网络的自学习能力在可靠性、容错性和鲁棒性上都有很大的改善。TNFIN为一种多层前馈网络，包括模糊层、归依化层、反模糊层和累加层。

D-S证据理论融合决策模块——定位模块

检测变压器故障的手段多样，与变压器状态评估有直接关系的试验项目可分为油色谱分析、电气试验、油化试验、局部放电试验、红外测温、绕组变形试验等六类，这些检测项目反映不同故障的有效性、灵敏性和及时性也不同。另外，变压器的负荷水平、温升水平等工况信息、温度、污秽度等环境信息、故障历史记录甚至现场工作人员的专业知识水平都对准确评估有着重要的影响。

定位模块实现的关键是对有效的故障信息进行融合。可把定位模块分成两部分，逐步逼近变压器故障的真实状态。

一级定位模块。一级定位模块的功能即在定性模块的基础上，对变压器故障进行粗略的定位。从变压器回路上区别故障，识别框架为，分别对应电路故障、磁路故障、油路故障和其他（套管、浅油泵等附件故障。）油路故障可通过油化试验给出相关的证据；在无明显证据显示上述三个回路发生故障时，附件故障可通过相关的检修以及巡视记录进行确定。此外，比值法、将负荷后气体组分或产气率有无变化均可作为一级定位的相关证据。

二级定位模块。二级定位模块在上述定性模块以及一级定位模块的基础上，可以合理安排相关油化试验和电气试验，并结合运行维修记录，对变压器的故障进一步分析。识别框架，分别代表引线故障、分接开关故障、线圈层匝间短路、绕组过热、铁芯多点接地、铁芯局部短路、漏磁或磁屏蔽过热、围屏及撑条放电、油中气泡引起的局部放电、油中进水或受潮、油流带电和油流受阻、套管故障、潜油泵及散热片故障。

按照上述变压器故障分类方法，最终确定基于神经网络的证据理论集成融合变压器故障诊断模型如图2-1所示：

图2-1 基于神经网络的证据理论集成融合变压器故障诊断模型

上图所示：此模型的神经网络初级诊断模块采用TNFIN诊断模型，它的功能是在变压器不停运的情况下，利用油中溶解气体分析数据对变压器故障的性质及严重程度进行确定，为检修策略的制定提供初步的依据。D.S证据理论融合决策模块主要的功能是把获得的各种故障信息进行有效的融合，即证据推理中证据的确定和合成。

江苏阚山发电厂2号主变型号为SF-720000/500，Yd11接线方式。2006年7月投入运行，油重50t。该变压器自投运以来，运行状况良好，在变压器以往周期电气预防性试验各项指标均合格。现以此变压器2012年8月出现异常后的各项检测数据及处理情况为例，以基于神经网络的证据理论集成融合理论为依据进行分析，验证理论的正确性。

表3-1 变压器油样色谱分析报告

定性模块分析。由于现场尚未安装变压器油色谱在线监测装置，无法测量产气速率，此处根据三比值法（见表3-1）计算数据并确定编码如下：

乙炔（C₂H₂）与乙烯(C₂H₄)的体积分数比=0，编码为0；

甲烷（CH₄）与氢气（H₂）的体积分数比=364.8/114=3.2，编码为2；

乙烯（C₂H₄）与乙烷（C₂H₆）的体积分数比=354.6/104.7=3.387，编码为2；

根据GB/T7252-2001编码与故障类型对照表（见表3-2）将8月31日数据对比分析，三比值编码为（0，2，2）属于高温过热故障。

计算故障部位大致温度为：

T=322log（乙烯与乙烷体积分数比）+525=696（℃）。

判断2号主变存在过热现象。

一级定位模块分析。通过三天的运行观察，对2号主变7台潜油泵、外观是否有渗漏、是否有异声进行检查，均无异常，运行方式与日常一致。排除因潜油泵或散热器运行方式造成的影响。从故障的变化程度来看，故障不发生在油路。变压器外观无异常、运行无异响。建立故障识别框架：

上式F1、F2分别代表过热故障发生在电路和磁路。

TNFIN诊断为电路故障——e1；

三比值法中，乙烯（C₂H₄）与乙烷（C₂H₆）的体积分数比=3.387——e2；

用2500V摇表测的铁芯绝缘为1GΩ，对变压器铁芯接地电流做了测试，I=0.1A——e3；

即证据空间E={e1, e2, e3}

根据专家经验和相关统计，计算得出：F1的信任区间为(0.9875，0.9877]，不确定度为0.0002。一级定位结果为电路故障。

由上述一级定位模块结论决定变压器需停运进行进一步的检查。

二级定位模块分析。由一级绝缘模块的结论可确定二级定位模块故障的识别框架为

式中，G1，G2，G3，G4分别代表引线故障、分接开关故障、线圈层匝间短路、绕组过热。

进一步寻找相关证据，由表5-1知，在试验的误差范围内，油中的CO和CO₂含量有所增加，当发热部位涉及绕组的纸绝缘，油中的CO和C0₂含量会迅速增加——e₁。

对变压器做直流电阻试验：将3个月前大修期间#2主变高压绕组直流电阻试验数据与#2主变以往试验数据进行对比，发现C相绕组阻值相对历史数据有增大趋势，三相偏差超出标准值——e₂。

对变压器高压线圈三相8个档位分别测量直流电阻；CO与AO、BO直流电阻平均值之差为一常数，大约为5mΩ，若分接开关一个或几个分接头接触不良，不会每一档都相差5mΩ——e₃。

表3-2 二级定位模块概率分布

信度和似然度分别为

BeI(G1)=0.0021，    Pl(G1)=0.0032

BeI(G2)=0.0921，    Pl(G2)=0.0936

BeI(G3)=0.9643，    Pl(G3)=0.9656

BeI(G4)=0.1585，    Pl(G4)=0.1596

得G1、G2、G3、G4的信任区间分别为[0.0021,0.0032]、[0.0921,0.0936]、[0.9643,0.9655]、[0.1585,0.15962]。

因此，二级决策融合的结果为线圈层匝间短路，其不确定度仅为0.0013。

现场内部检查情况实际现场的处理情况为：将变压器油箱内的油抽干，从人孔处钻入检查：

表3-3 C相绕组测量阻值

从上述表格中的试验数据看出，C相上线圈直流电阻偏大。对上线圈的八根单线分别测量直流电阻，其中两股线圈，单独测量直流电阻值偏小，并联测量直流电阻值偏大。由此得出，此两股线圈存在短路现象。由于故障部位特殊，现场不具备处理条件，决定返厂维修。

变压器器身整体煤油气相干燥处理后，打开C相高压线圈围屏，对C相高压线圈检查，发现故障点位于高压线圈上部从上往下第6段到第7段S型换位处，外部覆盖的绝缘角环局部污染。该S型换位也是上端部方形导线与中间扁线的过渡换位。见图3-2。

图3-2 剥开故障点图片

从而，验证了上述理论分析结果的正确性以及所建模型对故障分析的有效性。

本文提出一种以TNFIN为核心，充分利用变压器各类故障信息，将油中溶解气体分析与电气试验等故障相关信息结合的多信息融合模块化变压器内部故障诊断模型。首先利用TNFIN对变压器的内部故障进行准确、快速的定性分析，然后利用证据推理对故障进行定位。

上述实例表明，该模型有较强的现场实用性，且诊断过程更加接近专业人员的诊断思维，其诊断结论对运行人员调整运行方式以及检修人员制定检修策略更加具有指导意义，将损失降低到最小。定性模块在变压器安装了在线监测装置后可通过计算机实现自动诊断，定位模块中采用人机交互的方式提高诊断的准确性。随着故障知识的不断积累，传感技术以及计算机水平的不断提高，该模型在变压器综合故障在线智能诊断上有着愈加重大的意义。■