电力系统站内变压器的油色谱分析.pdf

200电力工程技术随着我国社会经济的不断发展，人民生活水平和社会工业化的逐渐提高，电力系统的容量和电网的覆盖面积也随之不断增加，如何保证当前背景下电力系统的安全、稳定和经济运行是未来国家经济持续增长的重要保障，因此，对电力系统中电力设备运行的安全性和可靠性提出了更高的要求。而其中的油色谱分析法，是基于人工统计学理论，其在变压器故障诊断领域具有一定的实用性，具有操作简便的优点，但针对电力变压器的复杂故障或变压器油中溶解特征气体成分复杂的问题时，油色谱分析法通常难以准确判定变压器的故障类型，随着智能电网的应运而生，对变压器故障诊断的智能化和快速性提出了更高的要求。然而针对变压器故障诊断学科的应用与发展，目前基于油色谱分析的诊断方法仍然是主流，并需要通过变电检修人员的经验弥补其局限性，故障可监控性较差，如何挖掘高效可靠的电力变压器故障诊断方法，是打破学科发展局限的重要手段。基于此，本文将对其展开研究。一、变压器油中溶解气体分析1.变压器油中溶解气体的产生机理绝缘油是一种主要由碳（C）、氢（H）两种元素组成的混合液体，是一种混合物。混合物中的不同原子之间通过化学键形成分子，当电力变压器所处的环境出现受热和放电条件时，氧气和水蒸气将进入绝缘油中并与其发生氧化还原反应，同时也会伴随发生裂解反应和碳化反应，反应过程释放能量，导致碳氢键（C-H）和碳碳键（C-C）断裂。2.变压器常见故障及油中溶解气体的特性分析当变压器正常运行时，随着变压器运行的时间推移，其过程或多或少会产生少量的H2、CO、CO2和低分子质量的烃类气体。通常在变压器正常运行状态下产生的气体会先溶解在变压器油中，直至油中气体饱和后再从油中析出。当变压器过热故障时，油中溶解气体的绝缘性能将直接影响变压器内部裂解反应发生的速度。目前已有研究根据变压器油和绝缘纸板等绝缘材料发生裂解反应的程度，变压器过热故障分成五个等级，具体划分方法如表1所示。表1变压器过热故障时的故障等级故障等级低温过热中低温过热中温过热高温过热温度（单位）150150300300700700当变压器放电故障时，变压器放电故障按照放电能量的强弱分成三个等级，具体划分方法和各等级故障的特点如表2所示。表2变压器放电故障时的故障等级故障等级特点低能量放电放电能量弱、放电行为具有间歇性、易发生在导电管及其上方的均压圈等部位高能量放电放电能量密度高、易在线圈匝间与层间绝缘发生击穿局部放电放电能量密度低、易发生在气隙和悬浮带电体等绝缘薄弱部位当变压器绝缘受潮时，变压器油中溶解的水分增多，在不均匀电场中水分会与铁元素发生化学反应产生H2，同时水分也会与变压器油中的杂质结合形成“通道”，这些“通道”会诱发局部放电现象。通常情况下变压器绝缘受潮会伴随局部放电现象，两种故障下的变压器油气体成分相似，通常实际工程中需要分析现场温度、湿度和光照强度等多维影响因素进行变压器故障状态的综合性判断。此外，基于变压器油中溶解气体特性的变压器故障诊断，目前在学术上主要有特征气体法、三比值法、无编码比值法等，以上相关研究，都为本次电力系统站内变压器的油色谱分析奠定了坚实的理论基础。电力系统站内变压器的油色谱分析覃梅洁宝武装备智能科技有限公司湛江分公司【摘要】随着电力系统电压等级和容量的不断增大，传统基于电气试验和油色谱分析的变压器故障诊断方法的诊断效果变差，因此量化分析变压器油中溶解气体成分并研究变压器故障诊断新方法具有重要的理论意义和工程实用价值。基于此，首先简述变压器油中溶解气体的产生机理，然后再构建一种基于遗传模拟退火算法修正的神经网络模型进行变压器故障诊断研究，并以某220kV和66kV变电站内变压器的历史故障信息为例，通过实际算例，对比传统变压器故障诊断方法和此次方法的诊断效果，验证本次模型的有效性和优越性。【关键词】变压器；故障诊断；油色谱分析【DOI】10.12316/j.issn.1674-0831.2023.16.065201电力工程技术二、变压器故障诊断模型及其优化算法研究1.BP神经网络的基本原理神经网络是运用数学模型对人脑神经元的模拟，从而实现类似于人脑的记忆和学习功能，以及人脑神经元的基本结构。如图1所示，BP神经网络单个人脑神经元通常具有一个轴突和多个树突，树突负责接收信号，轴突负责传输信号，轴突末端有许多轴突末梢，其可以连接其他神经元的树突，实现不同神经元之间的信号传递。输入部分相当于人脑神经元的树突，输出部分相当于轴突，计算功能相当于细胞核的管理功能。权重3权重1权重2求和非线性函数输入1输入2输入3输出图1人工神经元模型的基本结构图2.遗传算法和模拟退火算法的基本原理遗传算法是一种运用数学模型模拟生物自然选择行为的算法，其本质为一种通过重复迭代进行最优化搜索的算法。而模拟退火算法，则是一种运用数学模型模拟金属退火过程的算法。在已知初始温度时，金属具有较高的能量，通过重复循环的退火操作使温度和金属能量降低，最终达到金属能量最低值，算法的迭代过程即可视为退火操作过程，通过不断的迭代直至获得最优值。模拟退火算法具有概率突跳特性，可以解决传统优化算法的局部最优问题，能提升算法精度并降低计算速度。3.遗传算法与模拟退火算法的结合当运用遗传算法优化神经网络内部初始权重系数和偏置等参数时，遗传算法的易收敛特性使其优化迭代过程易陷入局部最优状态，影响初值的选取效果。在遗传算法中引入模拟退火算法，利用模拟退火算法的概率突跳特性，增强遗传算法的全局搜索能力，解决模型迭代过程的局部最优问题。但同时模拟退火算法的引入会导致算法收敛速度减慢，增大计算时间，本文主要针对遗传算法和模拟退火算法结合过程的模拟退火算法进行合理设定，旨在求解优化问题时尽量避免模型陷入局部最优，减少求解时长，并提高最优解的质量。三、基于实测数据的变压器故障诊断模型算例分析1.实测数据的筛选由于本课题进行变压器故障诊断的研究，是基于变压器油中溶解气体的成分分析展开的，特征气体法、三比值法和无编码比值法均以H2、CH4、C2H6、C2H4和C2H2的浓度作为诊断变压器故障的依据，因此神经网络的输入特征集合选取为该五种特征气体的浓度。在多数情况下变压器的故障并不单独发生，因此将输出特征设定为发生七种变压器故障的概率，用01的数值表示。输出特征信号与故障类别的对应关系如表3所示。表3输出特征与故障类别编号故障类别输出信号1低温过热1 0 0 0 0 0 02中低温过热0 1 0 0 0 0 03中温过热0 0 1 0 0 0 04高温过热0 0 0 1 0 0 05局部放电0 0 0 0 1 0 06低能量放电0 0 0 0 0 1 07高能量放电0 0 0 0 0 0 1结合某220kV和66kV变电站内的变压器实际运行数据，分别确定了200组样本数据。由于算例分析过程需要进行模型训练和效果测试，因此将整体样本数据分成训练集和测试集两部分，其中训练集包含170组样本数据，测试集包含30组样本数据。以220kV变电站变压器为例，表4给出了8组测试集样本。表4220kV变电站变压器故障诊断测试集样本数据（部分）编号各特征气体浓度故障类别H2CH4C2H4C2H6C2H2132.4562.98723.46425.7840.921正常232.65937.94112.49810.1460低温过热39.23225.16140.78917.1310.943中低温过热419.16117.12351.4986.1230.161中温过热51.4567.02680.4828.1316.164高温过热626.12316.4652.64929.13424.797局部放电728.99419.0232.54629.16426.185低能量放电856.13110.8462.02616.84419.756高能量放电2.样本数据的预处理架构确定的神经网络相当于一个黑箱系统，对于输入和输出数据的量纲具有一定限制，数据量纲差别大将会造成信息传递过程的计算发散或信息传递至输出神经元时的信号失真，从而无法完成神经网络的指定功能。在运用基于遗传模拟退火算法优化的神经网络进行变压器故障诊断时，为了保证模型的训练效果和预测精度，需要对模型输入特征进行预处理，其预处理指通过数学公式变换将神经网络的输入和输出特征取值定位在(-1，1)或(0，1)之间。本研究选取的神经网络输入数据预处理方法如公式1所示，该方法既能够保证输入特征变量数值在01之间，也能统一相同区域内各样本间的数据差异。minmaxmin0.950.05()iiiiiaaaaa=+式式中：ai为预处理后的模型输入特征；ai为预处理202电力工程技术前的模型输入特征；aimax和aimin分别为预处理前的模型输入特征的最大值的最小值。3.变压器故障诊断模型的内部参数设置首先，是BP神经网络的参数设置。根据输入和输出特征集合的维度，构建包含5个神经元且输出层包含7个神经元的网络架构，确定隐层神经元的层数和各层神经元的数目。其次，是遗传模拟退火算法的参数设置。在确定种群个体编码方式和适应度函数后，遗传模拟退火算法优化神经网络的参数设置包括种初始种群密度、初始温度、冷却参数值和交叉变异概率。在种群个体编码方式上，本研究构建的神经网络模型的拓扑结构为：5-15-7，初始种群密度为50、交叉概率为0.43、变异概率为0.059、最优初始温度为1000、冷却参数为0.995，不同层间的权重和阈值个数如表5所示。表5不同层间的权重和阈值个数输入层与隐层连接权重 隐层阈值 隐层与输出层连接权重 输出层阈值751510574.基于遗传模拟退火和神经网络的变压器故障实例分析通过设置三比值法和传统BP神经网络两组对照模型，与本文构建的改进神经网络模型分别进行220kV和66kV变电站变压器故障诊断效果的对比分析，其中220kV变电站变压器的部分故障诊断结果如表6所示。表6220kV变电站内某变压器的故障诊断结果各特征气体浓度故障类别三比值法传统BP 改进BPH2CH4C2H4C2H6C2H232.4562.98723.464 25.7840.921正常低温过热正常低温过热32.659 37.941 12.498 10.1460低温过热低温过热低温过热低温过热85.1437.0244.9920.9940低能量放电低能量放电低能量放电低能量放电9.23225.161 40.789 17.1310.943中低温过热中低温过热中低温过热中低温过热19.161 17.123 51.4986.1230.161中温过热中温过热中温过热中温过热1.4567.02680.4828.1316.164高温过热低能量放电高温过热高温过热15.491 20.956 17.845 44.2210中低温过热无法判断中低温过热中低温过热26.123 16.4652.64929.134 24.797局部放电无法判断局部放电局部放电12.589 20.494 13.161 45.6192.498高温过热高温过热高能量放电高温过热19.165 16.6161.48122.156 34.952高能量放电高能量放电中低温过热高能量放电28.994 19.0232.54629.164 26.185低能量放电高温过热低能量放电低能量放电56.131 10.8462.02616.844 19.756高能量放电高能量放电高能量放电高能量放电测试集数据共为30组，其中基于遗传模拟退火算法优化BP模型的准确率达到了93.3%，传统BP模型的准确率为83.3%，三比值法的准确率为40%。通过算例表明，针对220kV变电站内某变压器的故障诊断中，基于遗传模拟退火算法优化BP模型的变压器故障诊断系统具有很高的准确度，明显高于传统BP模型和以GB/T7595-2008标准为基础的三比值法。同理，对60kV变电站内某变压器进行故障诊断的算例分析，测试集数据同样为30组，通过BP神经网络与遗传模拟退火算法的组合电力变压器故障诊断模型得出，其可以比三比值法和传统BP神经网络模型具有更好的诊断效果。基于此，将训练好的改进BP电力变压器故障诊断模型结合产气速率法来进行电力变压器的故障诊断研究，数据同样采用220kV和66kV变电站变压器故障数据。最终得出，其中大部分故障诊断结果与未计及产气速率法的诊断效果相同，220kV和66kV变电站变压器的不同诊断结果分别如表7和8所示。表7某变压器在计及产气速率法与否条件下的不同故障诊断结果各特征气体浓度故障类别改进BP计及产气速率H2CH4C2H4C2H6C2H232.4562.98723.464 25.784 0.921正常低温过热正常66.753 10.4578.3722.7370高能量放电低能量放电高能量放电表8某变压器在计及产气速率法与否条件下的不同故障诊断结果各特征气体浓度故障类别改进BP计及产气速率H2CH4C2H4C2H6C2H210.2893.1952.2519.4610.094正常低温过热正常59.273 36.727 55.375 3.997 42.087高能量放电低能量放电高能量放电从上表可以得到：在220kV和66kV变电站变压器故障诊断效果的对比分析中，当运用计及产气速率法的改进BP模型进行电力变压器故障诊断研究时，可以提升对低温过热和高能量放电的诊断效果，并保证其他故障的诊断精度不变，即在电力变压器故障诊断模型中引入产气速率法可以提高诊断精度。四、结论本文针对电力系统中运行的变压器发生故障时，故障特征与故障类型具有非线性关系的问题，研究用基于油色谱分析的神经网络模型进行故障诊断，并引入遗传算法和模拟退火算法进行模型初始参数修正，最后将故障诊断结果与传统的三比值法和神经网络法进行对比分析，得到结论如下：第一，遗传模拟退火算法可以提高模型求解过程的精确度和收敛速度，能够快速选取最优的初始权重，有效提高神经网络训练过程的收敛速度，并防止陷入局部最优；第二，在遗传模拟退火算法优化BP神经网络进行电力变压器故障诊断过程中，既可以利用BP神经网络的非线性拟合能力学习特征变量与变压器故障类别之间的映射关系，又能够利用遗传模拟退火算法的全局搜索能力，使构建模型能够更好地适用于电力（下转第248页）248综述产生静电积聚，静电火花可能引起火灾、爆炸危险，人体也可能因静电电击引起精神紧张、摔倒、坠落，造成二次伤害。第十五，电气设备、仪表、线路和照明设施的选型未根据作业环境和条件选择安全电压，或安全电压值和设施不符合有关规定，或电气设备安装不符合相关规范，均可能导致电气伤害事故的发生。5.氯化铵除钴的安全管理对策措施第一，在操作过程中，操作人员要身着防酸碱防护服，防护手套，安全帽，护目镜等作为个人防护，避免物料喷溅灼伤。第二，在氯化铵除钴工序新增尾气吸收喷淋塔，采用氢氧化钠预吸收尾气中的H2S后再通过尾气管道进入酸喷淋塔后再并入尾气总排。第三，除钴尾气采用单一风管，不与其他尾气共用，杜绝含钴物料被引进风管，消灭着火源。第四，更改沉淀槽硫化铵溶液加入方式，由上加改为下加（加入沉降槽氯化铵浓水液面以下），减少硫化铵挥发进入尾气。第五，除钴工序及风管途径位置、尾气吸收平台均设有消火栓覆盖，并配备足够的消防应急水带、水枪。第六，尾气处理平台设置视频探头，对涉及硫化氢管道加装管道温度监测装置，将视频信号和温度监测信号显示在主控界面并设置报警功能。第七，定期打开尾气管线，检查清理内部积累的硫单质，提前清理可燃物，如每3个月清理一次。第八，硫化铵溶液打料间按乙类爆炸危险区域进行电气设计，并对相应的设备、管道等采取静电接地措施。第九，硫酸、液碱输送管道法兰之间设置防喷溅措施。参考文献：1许开华，张云河，郭苗苗.一种深度除去氯化铵溶液中钴离子的方法：CN106629776AP.2017.2蒋浩，姚国欣.国外对硫化氢安全管理的措施及可借鉴的经验J.当代石油石化，1993(07):20-23.3王慈慈，吴玉婷.化工企业设备安全风险管理和隐患排查措施J.化学工程与装备，2020(3):3.（上接第166页）（上接第202页）变压器的故障智能诊断；第三，在基于油色谱分析的基础上，利用采集数据进行试验分析，构建适用于故障诊断的5-15-7架构的BP神经网络。通过算例分析，验证了优化后BP神经网络的收敛性明显优于传统BP神经网络，诊断效果明显优于传统BP神经网络和三比值法，同时引入产气速率法可以提高诊断精度。参考文献：1伊锋，朱庆东，许伟，等.一起基于油色谱分析的变压器潜伏性故障分析J.变压器，2022，59(2):7.2张铭健.电厂变压器油色谱异常的分析及处理J.中文科技期刊数据库(全文版)工程技术，2023(2):4.3孙磊.大型电力变压器通过油色谱分析判断故障J.经济技术协作信息，2021(21):113-114.4韩金华，马云飞，王立楠，等.电力变压器绝缘油色谱氢气超标故障的分类分析J.变压器，2023，60(2):6.作者简介：覃梅洁（1993），女，汉族，广西宾阳人，本科，技术员，研究方向：实验室化工检测（油品）。（上接第214页）行合理制定。除此之外，还需要保证备品备件的时效性，防止备品备件多占的资金比例过程，制订合理的采购计划。因此，采购人员应当采纳一线人员的采购意见，了解施工现场的设备使用情况，减少盲目采购。在采购过程中可以通过减少个性化需求、推广通用设备及配件，加强社会招标，打破单一合作模式等方式，为后期备品备件管理打下良好基础。五、结语综上所述，设备备品备件管理工作是矿山企业发展的重要组成部分，是保障企业发展的主要因素。近几年，设备备品备件管理工作取得了很大的进步，并借助相关信息技术形成了信息集成管理系统。矿业企业应当结合当前实际发展情况来完善设备备品备件管理制度，优化管理方式和管理理念，在保证设备备品备件质量的基础上提高企业的整体经济效益，从而实现企业的可持续发展。参考文献：1孙胜亮.外包模式下的矿山企业设备管理方式的探索与应用J.装备维修技术，2021(1):0257-0257.2张彬彬.矿山企业运营设备和备件采购管理的优化策略探析J.中国科技期刊数据库工业A，2022(10):3.3赵辉明.矿山机械设备管理与维护保养工作研究J.中国金属通报，2021(13):2.4蒋志芳.企业备品备件管理问题及库存管理模式转型探讨J.2021(07):157-1595钟杰.矿山设备物资管理信息系统研究J.采矿技术，2022，22(3):186-189.作者简介：柏江（1983），男，汉族，山东泰安人，本科，中级经济师，研究方向：安全、保供。