电力变压器故障类型与关键状态量关联规则分析

电力变压器故障类型与关键状态量关联规则分析

王浩林 王永兴 杨豪杰 李胜利 黄兴

国网新疆电力有限公司和田供电公司 新疆和田 848000

摘要：随着人们的生活质量在不断提高，对于电力的需求在不断提高，传统电力变压器设备运维大多采用状态检修技术，但积累的状态监测和检测数据没有得到充分挖掘利用，造成信息资源的浪费。以故障特征量为前项，以故障类型为后项，设置最小支持度和最小置信度，运用Apriori数据挖掘经典算法挖掘出变压器故障和关键状态量之间的关联规则。基于关联规则挖掘原理，利用SPSSModeler软件平台建立电力变压器故障关联规则挖掘模型进行分析，得出了故障诊断的具体流程，旨在采取关联规则挖掘的方法发现状态特征量和故障类别之间的内在联系，对故障进行判定。

关键词：电力设备；变压器；故障推理；数据挖掘；状态量关联

引言

在现代电力系统对油浸式的电力设备的状态监测与故障分析方法中，油中溶解气体分析DGA技术作为重要手段之一，以其对电力充油设备内部故障的诊断灵敏、有效，而得到广泛的应用。目前，以DGA技术为基础的变压器故障诊断方法有许多，工程实际中普遍采用的有关键气体法、IEC三比值法等。这些方法虽然在实际中取得了一些效果，但存在着气体比值编码缺失，编码界限过于绝对，故障方向判断片面、准确度低等缺陷。虽然，近些年来国内外学者提出了一些人工智能算法来优化这些方法，但仍然存在着一些缺点，如：BP神经网络收敛速度缓慢，容易陷入局部极小值且网络结构难以确定；模糊聚类法对于大规模的样本分类效果不理想；SVM同样对大规模训练样本难以适用，且在解决多种分类的问题上存在很大难度；等。故在此提出了一种以DGA技术为基础，利用模拟退火思想的改进K-means（SA-KM）算法优化RBF神经网络的学习中心、宽度阈值和连接权值的初始值，来改善网络结构的方法。经过大量数据的学习训练，使用该方法建立了变压器RBF神经网络故障诊断模型。

1故障类型分析

油浸式变压器的故障类型，主要包括三个方面:(1)变压器的内部故障。变压器内部的元件主要有铁芯和绕组，浸在变压器油中，内部出现故障的类型主要为不同相绕组绝缘损坏产生的相间短路、同一相绕组相邻匝之间绝缘破坏产生的匝间短路和绕组绝缘破坏碰触铁芯和外壳产生的接地短路，如果变压器出现上述三种内部故障，将造成变压器铁芯和绕组的剧烈发热，从而使变压器油分解产生大量的气体(主要成分为甲烷)，此气体为瓦斯气体，对于干式变压器，则不会产生瓦斯气体，内部故障产生很大的短路电流，破坏绕组绝缘，烧坏变压器铁芯，如果保护措施不当，变压器发生故障会导致事故的发生。(2)变压器的外部故障。变压器外部元件主要包括变压器高低压引出接线端子和高低压绝缘套管，外部故障主要包括两种形式，各相引出线之间发生的相间短路和引出线绝缘套管破碎通过变压器外壳接地的接地短路，外部故障的故障类型与线路故障基本相同。(3)变压器的不正常运行状态。变压器除了上述两种故障之外，还有不正常的运行状态，主要包括变压器过负荷运行引起的过电流、变压器长时间运行或漏油引起的油面降低及变压器由于频率降低和电压升高引起的变压器过励磁，上述三种情况都属于变压器的不正常运行状态，需要由保护装置发出信号并不需要跳闸，可以持续运行一段时间。

2故障状态量的划分及数据离散化处理

2.1故障特征量和故障类型划分

变压器在故障状态下会生成多种气体，本文采用基于PCA（主成分分析）的输入参数分析方法对相关量进行优选。利用PCA法选取诊断模型对应的最优参数，并同步剔除影响诊断正确率的冗余参量，最终取8种气体（CH4，C2H2，C2H4，C2H6，H，CO，CO2和总烃）作为故障特征量，即故障诊断中的条件变量，而故障类型选取过热兼放电、低温过热、中温过热、高温过热、低能放电和高能放电，并标记相应的变量。将故障特征与变压器典型故障相结合，可形成关于关联分析规则分析中的数据项集I，记为：I={x1，x2，…，x11，y1，y2，…，y6}.以下电力变压器故障与特征量的关联分析，是对特征量集X={x1，x2，…，x11}与故障集Y={y1，y2，…，y6}的相关性进行分析，计算获得X→Y的模糊关系规则。

2.2瓦斯保护

变压器局部发生击穿或短路故障时，常常是破坏绝缘或变压器油产生气体。监视气体发生的速度，分析气体的各种特征及成分，可以间接地推测故障发生原因、部位和严重程度，在变压器出现突然性严重故障时自动报警或切断电源。瓦斯保护分为两种：一是轻瓦斯保护动作于信号，发现异常，而检查瓦斯继电器没有异常，并再抽取少量变压器绝缘油，因此初步判断时经过化验也没有发现异常，波形存在间断，变压器内部出现了故障，还有丰富的高次谐波成分。变压器跳闸表现为还有较大成分的非周期分量，电流使得开关二次谐波为主，励磁涌流在变压器中发生了跳闸，此时涌流偏向于时间轴一侧，在不考虑绕组电阻的情况下，电流的峰值出现合闸后半周的瞬间。此时电流随着绕组的电阻出现衰减，根据变压器容量，在线圈电阻值不一样的情况下，变压器线圈发生异常，使得变压器出现了持续十几秒的衰减时间。这是投运后差动保护动作发生的原因，由于励磁涌流衰退较慢，因此没有躲过励磁涌流的变压器，在励磁的作用下出现了保护动作。

2.3由于励磁涌流产生的不平衡电流

变压器是在一次侧励磁的，尤其在变压器空载投入或故障切除后，电压恢复过程中，都会产生很大的励磁涌流，励磁涌流包含很大的非周期分量、高次谐波并且波形之间出现间断，采取的措施主要是根据上述特点来完成的，主要的措施是采用速饱和变流器消除非周期分量的影响，非周期分量不能通过速饱和变流器传送给KD，而短路电流仍然是周期分量，可以传送给KD，也可以通过电流是否具有高次谐波和波形是否有间断来判定是否为励磁涌流，如果具有励磁涌流的特性，则不动作。

2.4过电流保护

除了上述两种变压器的主保护外，变压器还需要设置相应的后备保护，其中过电流保护主要用于对相间短路的后备保护，相间短路的后备保护种类比较多，对于不同容量的变压器需要采取不同的措施，主要的后备保护包括过电流保护、低电压起动的过电流保护和复合电压起动的过电流保护等。

结语

本文以电力变压器故障特征量为前项，以故障类型为后项，设置最小支持度和最小置信度，运用Apriori数据挖掘经典算法挖掘出变压器故障和故障状态量之间的关联规则。基于关联规则挖掘基本原理，利用SPSSModeler软件平台建立电力变压器故障关联规则挖掘模型进行建模分析，得到以下故障诊断流程：（1）利用PCA法对输入特征参量进行优选，得到优选后的特征参量。（2）基于模糊集合理论对优选后的特征量（油色谱及电气试验数据）进行模糊离散处理，得到相应离散后的特征数据库。（3）基于离散后的特征数据库，使用Apriori算法进行关联规则的提取。（4）利用所提取的关联规则对待诊断设备进行故障判定。该流程能够从历史数据中获取潜在的诊断知识，有效解决故障诊断中知识获取困难的问题。实际应用时，在得到相应特征参量（油色谱数据及电气试验）的数据后，及时转化为结构化数据并对结构化数据进行模糊离散化处理，再将离散数据输入到模糊关联规则模型后即可得到变压器异常状态的诊断及分析情况。

参考文献

[1]赵庆周，李勇，田世明，等.基于智能配电网大数据分析的状态监测与故障处理方法[J].电网技术，2016，40（3）:774-780.

[2]屈子程，高亮，康保林，等.基于多源数据的电力系统故障全信息诊断模型[J].电力系统保护与控制，2019，47（22）:59-66.