数据驱动的变压器油中气体浓度预测与故障层级诊断研究

数据驱动的变压器油中气体浓度预测与故障层级诊断研究

布和 王俊敏

内蒙古电力（集团）有限责任公司呼和浩特供电分公司, 内蒙古 呼和浩特010010

摘要：电力变压器在电力系统中担负着电能转化和传输的重要功能，若变压器因各种因素（温度、电场强度、外界环境等因素）出现绝缘老化或运行不稳定，甚至长期不处理进而发展为严重故障，造成电力系统安全运行的不稳定，影响社会正常生产和发展。因此，如何避免因变压器发生故障而影响电网安全稳定性是极其重要的。以在线检测系统采集的油中溶解气体含量为基础，建立精确的变压器油中溶解气体浓度预测模型以及可靠的变压器故障诊断模型，及时准确地诊断出变压器内部潜伏性故障类型以及未来发展趋势。对变压器制定出相应检修措施，降低变压器故障发生率，提高电力系统安全稳定性有重要指导意义和现实意义。

关键词：数据驱动；变压器油；气体浓度预测；故障层级诊断

1变压器油中溶解气体产气机理

变压器在正常运行情况下，由于温度较低，达不到变压器油分子内部化学键断开所需要的能量，因此变压器各项气体浓度都偏低。当变压器发生故障时，随着热能和电能不断升高，破坏了油分子的内部化学键，进而产生大量的气体，且气体的浓度与故障发生的时间成正比。变压器油箱里产生的气体是由变压器绝缘油受到热裂解、电裂解以及固定燃料的分解等作用下，所形成的烷烃、烯烃、芳香烃等各种气体。其中烷烃占比最大，碳元素和氢元素的总和占全部元素90%以上。这些气体是由变压器绝缘油发生游离基链式反应，所形成的劣化产物。游离基链式反应会随着随温度升高和电场能量增加而加快劣化，劣化反应过程如下：RH+e→R*+H*其中，R*和H*为R和H的自由反应基，e为油分子平均做功的能力。变压器油的热裂解。变压器油中是由C-C有机化学键所形成的稳定原子团，再由这些稳定原子团组合成各种烃类。当变压器的温度不断升高，会出现氢原子团与碳氢化合物相互碰撞游离现象且伴随着产生出大量的碳氢游离基，这些游离基产物进一步发生化学反应，就会形成烃类气体和氢类气体。变压器油的电裂解。变压器油在高电压强电场能量作用下，会发生电游离现象并释放出大量的高能电子，当这些高能电子与变压器油分子发生剧烈碰撞时，会破坏油分子的内部结构，使得C-H或C-C键断裂形成自由基，其电裂解反应式为：

其中：e表示高压强电场能量。以足够的场强能量为基础，变压器油中溶解气体的产气速率与化学键的强度成反比。固体绝缘材料的分解。尽管变压器油中的C-H键和固体绝缘中的C-O键都能通过化学反应形成CO或CO2，但在实际中固体绝缘中C-O键的键能远弱与变压器油中的C-H键的键能，因此在温度较高或场强较大时，变压器中的CO和CO2气体多数是由固体绝缘产生同时也是是固体绝缘材料劣化的指标。若变压器故障不涉及固体绝缘情况下，变压器油在受到过热或是强电场的环境下，变压器的油箱中不会产生大量的CO和CO2的。只有固体绝缘的温度达到105℃以上，才有可能把固体绝缘中所含的主要成分纤维素内部破坏，其反应公式表示为：

2变压器油中溶解气体浓度分频预测

变压器油中溶解气体浓度序列的局部具有较强的随机特性，使得传统的单一预测方法难以准确学习其中的规律。本文使用EMD方法对油中溶解气体浓度的原始序列进行分解，分解出具有不同频率的子序列分量，然后计算各子序列分量的过零率，进一步分为高低频分量。其中低频分量具有规律性强的特点，代表油中溶解气体浓度序列的整体变化趋势，而高频分量具有随机性强的特点，代表了油中溶解气体浓度序列的局部特征。过零率定义：在时序序列中，如果当前数据点与相连接的数据点为一正一负，则当前数据点称为过零点。过零点的总数与序列中所有点的比值称为过零率。由于电力变压器油中溶解气体的浓度序列具有非线性和非平稳特点，采用常规的预测方法难以准确地进行预测。结合EMD方法在时间序列平稳化处理的优势，LSTM神经网络具有较强的非线性拟合能力以及ELM网络具有训练速度快和超参数少等优点。本文提出一种变压器油中溶解气体分频预测模型，具体建模流程如下：步骤1：选取变压器油中溶解气体浓度序列，利用EMD方法将变压器油中溶解气体时序序列分解为不同频率IMF分量；步骤2：计算各IMF分量和剩余分量的过零率，将过零率大于等于判断标准的分量定义为高频子序列，过零率小于判断标准的分量定义为低频子序列；步骤3：对各IMF分量和剩余分量分别进行归一化，以提高模型的数据处理效率，并按同样比例划分训练集与测试集；步骤4：对于低频分量的子序列，为了快速、准确地得到预测的结果，采用ELM网络进行预测。而对于高频分量的子序列，为了最大限度地挖掘出局部规律，采用LSTM网络进行预测；步骤5：对LSTM网络和ELM网络的超参数调试后进行训练，将各网络的预测结果叠加得到最终的预测结果。

3基于相制似度机制AdaBoost-DBN的变压器故障层级诊断

次级分类器是变压器故障层级诊断模型的核心，因此选择一个分类精度高，泛化能力强，且适用变压故障辨识任务的分类器是至关重要的。由于变压器故障诊断具有非线性特点，而DBN网络具有较强非线性拟合能力，因此将DBN算法应用在变压器故障辨识任务中。但采用单一DBN网络容易发生过拟合现象。AdaBoost是一种迭代集成算法，其原理是通过对分类错误的样本给予更多重视，增加辨识错误样本的权重，每次对样本权重进行更新时就可获得一个弱学习器，最终通过集合策略将所有弱学习器合成一个强的学习器。基于AdaBoost算法这种更新机制，能够有效解决单一DBN网络发生过拟合问题，因此本文提出一种AdaBoost-DBN算法，强化模型的分类能力以及泛化能力。当采用AdaBoost-DBN算法进行诊断时，测试样本的特征变量与训练样本特征变量越相似，则最终的运行状态越相近。因此，在建立模型时需考虑测试样本与训练样本特征变量的相似度，本文通过构建相似度函数，对AdaBoost框架的样本初始权重进行赋值，以相似度函数表征相似样本的重要程度，有效改善诊断中样本随机因数对诊断结果的影响。应用层级分类思想把变压器故障诊断模型分为初级分类器和次级分类器，其中以基学习器为树模型的Bagging-XGBoost算法作为初级分类器，以相似度机制AdaBoost-DBN作为次级分类器。把初级分类器的诊断结果与初级特征变量进行特征融合作为次级分类器的输入，最终预测出变压器运行状态。步骤1：构建初级分类器的训练样本数据；将变压器正常、过热故障和放电故障这3种运行状态为作为初级分类器的标签；以电力变压器特征变量气体浓度和其浓度比值(CH4、H2、C2H4、C2H2、C2H6、C2H2/C2H4、C2H4/C2H6和CH4/H2)共8种特征作为初级分类器的输入特征变量。步骤2：构建初级分类器的训练样本数据输入到Bagging-XGBoost模型中用于初级变压器故障诊断模型的建立。步骤3：构造次级分类器的训练样本数据：将初级诊断模型的样本标签(正常、过热故障和放电故障)与初级的输入特征进行特征融合作为次级模型建立的特征变量；将变压器7种运行状态作为次级分类模型的标签。步骤4：通过计算测试样本与训练样本的相似度来对每一个训练样本的初始权重赋权值来表征数据样本的重要程度。步骤5：将次级训练样本输入到相似度机制AdaBoost-DBN算法中，建立次级诊断模型。步骤6：将测试样本的特征变量输入到训练好的模型中，得到最终的预测结果。

4结束语

本文主要对变压器故障辨识和油中溶解气体浓度预测这两个方面展开深度研究，且分别建立了故障层级辨识模型和时序分频预测模型，具有一定的研究成效。但随着电力系统越来越智能化、数据化以及复杂化，电力数据会不断更新且繁杂。因此，本文所提的模型仍存在一些不足，需要不断完善。

参考文献

[1]崔宇,侯慧娟,胥明凯,等.基于双重注意力机制的变压器油中溶解气体预测模型[J].中国电机工程学报,2020,40(1):338-347,400.

[2]胡秦然,丁昊晖,陈心宜,等.美国加州2020年轮流停电事故分析及其对中国电网的启示[J].电力系统自动化,2020,44(24):11-18.