电力变压器故障预测与健康管理探讨

电力变压器故障预测与健康管理探讨

张永迪 李小军

辽河油田电力分公司沈工区 辽宁沈阳 110316

摘要：电力变压器故障机理复杂且维修成本高昂,对电力系统的安全稳定运行具有明显的消极影响。梳理了目前电力变压器研究存在的主要问题,并给出了基于故障预测与健康管理(PHM)的解决思路;然后,初步界定了电力变压器PHM的管理周期,并系统分析了国内外针对电力变压器健康监测和故障诊断的研究成果。

关键词：电力变压器；故障预测；健康管理

1. 引言

电力变压器是电力系统中最关键的设备之一，它承担着电压变换，电能分配和传输，并提供电力服务。随着电力系统规模和变压器单机容量的不断增大，其故障对国民经济造成的损失也愈来愈大。因此，变压器的正常运行是对电力系统安全、可靠、稳定运行的重要保证，必须最大限度地防止和减少变压器故障和事故的发生。

二、电力变压器故障的复杂性分析

从目前电力系统运行的历史统计记录来看,电力变压器外部短路、绝缘受潮、分接开关触头接触不良等故障出现次数最多,故障频发部位的次序大致为绕组、铁芯、分接开关、套管、绝缘油、冷却系统、保护装置、测试系统、油箱。变压器各部件的故障或潜在性故障往往会导致变压器运行状态发生变化,且某些故障间具有诱发性和依从性的因果关系,某种故障可能是由另一种故障所引起,而其本身又可能诱发出其他故障,甚至有时会出现多种故障同时发生的情况,即故障具有并发性。因此,变压器障的这些特点也导致了评估、故障诊断与预测工作的复杂性。此外,电力变压器在运行中会受到来自“电—磁—力—热”等多种内、外应力的综合作用,进而破坏变压器绝缘性能,导致产生缺陷甚至故障。

三、电力变压器PHM的概念与内涵

目前,PHM已经成为许多工程系统或产品的重要组成部分,其理论方法通常被用于发现异常现象、故障诊断和预测RUL。PHM可以给使用者和管理者提供诸多优势,例如:提前预知将要发生故障的时间和位置,预测整个系统的RUL,提高系统的运行可靠性,减少系统的维修费用和提高维修准确性,实现工业设备的状态维护或预测维护等。但当前对电力变压器维护研究中的状态评估、故障诊断、故障预测等活动相对分散,所面向的数据类型、处理方式以及适应条件不同,导致研究成果相对孤立,不能形成有效的集成与性能提升。

1.PHM方法的分类

PHM方法目前主要分为数据驱动方法、模型驱动方法及混合方法3类。更进一步,数据驱动方法又有统计学和机器学习2种;模型驱动方法又有失效物理分析和系统模型方法。目前针对电力变压器状态监测的数据形式与规模比以往有了较大增长。例如,实时运行数据、工况数据、缺陷信息、检修历史、家族质量史等信息并存,这些数据类型多样、数据量大、产生速度快、价值高、真实,具有典型的大数据特征。得益于先进的信息技术与大数据处理方法,在电力变压器的管理、维护领域开展数据驱动的PHM过程具有切实可行的操作性。

2.PHM的主要任务

普适的PHM任务周期可归纳为3个方面,即故障诊断、故障预测和健康管理。这3个任务并非孤立存在,而是具有相互关联性。然而,PHM过程不止包含以上3个任务,完整的PHM过程应该包含从数据采集、处理,到数据的使用。其中,数据的使用又包括故障诊断、故障预测及决策支持等。

四、电力变压器PHM研究现状及趋势分析

需要指出的是,PHM方法并不是一个用来解决变压器状态管理问题的新方法,将其引入电力变压器领域,旨在希望整合当前针对电力变压器较为分散的研究成果,为其提供一个较为完整的健康管理体系。同时,PHM对于关键设备研究的高目标、高要求也会推动电力变压器相关研究的进展,并提高其研究的深度和广度。

1.健康监测

获得丰富的健康监测数据,是对电力变压器实施PHM方法的关键所在。目前用于电力变压器健康监测的一般技术包括:油中溶解气体分析(DGA)、油温监测(OTM)、绕组温度分析、局部放电测量、局部放电超声测量(APDM)、油中糠醛含量、纸中酸值、频率响应分析(FRA),以及振动信号监测等。

目前,电力变压器评估、故障诊断与预测的相关研究多是基于DGA数据,一方面是由于健康监测手段单一所致,另一方面是DGA数据具有获取较易、成本相对较低的优势。然而,DGA方法本身存在一定的缺陷,主要是因为气体成分分析困难,气体间关系复杂,且受到变压器制造水平的影响,差异大。因此,基于DGA数据的理论研究成果在实际应用中表现出了很大的局限性。

振动信号分析法与整个电力系统无电气连接,对电力系统的正常运行无任何影响,具有较强的抗干扰能力和灵敏度,能够安全可靠地监测电力变压器的状态。因此,近几年基于振动数据的变压器PHM方法受到广泛关注,该方法通过实时振动数据反映变压器内部的相关状态信息。除了以上提到的变压器健康监测技术,相关领域的专家学者应该关注更多的监测数据类型,以及新型数据监测方法,从而为变压器PHM提供更多的数据参考以及数据储备。从目前的健康监测技术来看,更多的是对于结构化数据的监测,面对非结构化数据的监测,目前研究较少。一些研究尝试利用图像处理技术对变压器渗漏油进行检测,其主要思想是首先确定异常区域,对异常区域使用H-S颜色直方图进行分析,判断图像油色部分的变化程度。该方法能够较准确地检测出变压器渗漏油异常,但对于监测图像质量要求较高,且存在其他诸多问题。尽管如此,从图像识别的角度对电力变压器进行健康监测,仍具有一定的借鉴意义。

2.特征提取与故障诊断

健康因子(HI)在表征电力变压器健康状态和退化程度中占有重要地位,构建HI的核心任务包括相关特征的提取、选择和融合。同时,特征提取的优劣很大程度上决定了变压器故障诊断及故障预测的性能。

目前已有多种特征提取方法被提出,如统计分析、自回归模型、小波分析、经验模式分解和奇异值分解等。然而,以上方法大多需要复杂且大量的数学计算,适用于简单系统。对于电力变压器这样的复杂系统,间接或直接地受到外部环境作用和内部结构的相互影响,导致传统的方法不足以挖掘出对所有故障类型敏感的特征。因此,在智能电网的大数据时代,如果仅仅依赖专家经验和领域知识,往往显得捉襟见肘。充分利用现代人工智能技术解决故障特征提取难题,是未来的发展方向。已有研究尝试将深度置信网络等深度学习方法用于特征提取,且取得了较为不错的效果。

目前行业内的电力变压器故障诊断通常采用电力行业标准DL/T722—2000《变压器油中溶解气体分析和判断导则》推荐的改良三比值法,该方法针对DGA操作简便,但在实际应用中暴露出缺编码、编码界限过于绝对等缺陷。因此,研究者们提出了许多智能化故障诊断算法,例如模糊理论、人工神经网络、支持向量机、相关向量机、粗糙集、灰色系统理论、深度学习等。然而单一智能故障诊断算法的模型通常难以准确建立,参数主要依靠经验选取,这在某种程度上制约了诊断准确度的提升。一些研究集成了分类回归树(CART)算法、装袋算法、遗传算法对电力变压器进行故障诊断,诊断准确度可达91.33%。但该研究与其他诊断研究存在共性的问题,即数据种类少,数据量小,仅使用了少量的DGA数据;且分类规则较为粗糙,故障类别较为浅显,即故障类型局限于过热、放电以及过热兼放电等。为此,未来的电力变压器故障诊断将是以完备数据为基础的,多算法融合的深度诊断。

总之，随着特高压输变电工程建设步伐的加快,以及能源互联网建设的不断推进,未来在电力系统中,将会部署越来越多的大型电力变压器,这对电力变压器的管理、维护工作提出了更高的要求,借鉴PHM思想的成熟理论,对丰富电力行业运行维护体系的内涵具有良好的推进作用。

参考文献

[1]邓军,孟杰,潘志城,谢志成,张占龙,武雍烨.基于振动检测技术的电力变压器故障概率预测模型[J].变压器,2020,57(11):37-40+68.

[2]刘洋. 电力变压器电气故障诊断与剩余寿命预测技术研究[D].沈阳工业大学,2020.