饒銳，程樂(lè)峰，宋浩永，李正佳，陳于晴（.　廣州供電局有限公司電力試驗(yàn)研究院，廣東　廣州　50000；.　蘇州華天國(guó)科電力科技有限公司，江蘇　蘇州　5000）

基于多頻超聲波原理的變壓器故障檢測(cè)方法探究

饒銳1，程樂(lè)峰2，宋浩永1，李正佳2，陳于晴1
（1.廣州供電局有限公司電力試驗(yàn)研究院，廣東廣州510000；2.蘇州華天國(guó)科電力科技有限公司，江蘇蘇州215000）

摘要：變壓器的運(yùn)行狀態(tài)直接影響到整個(gè)電網(wǎng)的運(yùn)行安全，如何實(shí)現(xiàn)對(duì)變壓器多種故障實(shí)時(shí)監(jiān)測(cè)、保障電網(wǎng)的正常運(yùn)行至關(guān)重要。本文提出基于多頻超聲波的變壓器故障檢測(cè)技術(shù)，即同時(shí)利用上百個(gè)頻率不同的超聲波對(duì)變壓器油不間斷掃描檢測(cè)，并對(duì)接收到的超聲波的各項(xiàng)參數(shù)采用多元統(tǒng)計(jì)分析技術(shù)和復(fù)數(shù)人工神經(jīng)元網(wǎng)絡(luò)數(shù)據(jù)分析技術(shù)進(jìn)行處理，得到不同超聲波的特征值，經(jīng)過(guò)與變壓器故障特征值比對(duì)可得到變壓器的運(yùn)行工況和故障名稱，從而實(shí)現(xiàn)高效、準(zhǔn)確、同時(shí)檢測(cè)出多種故障。本文受中國(guó)南方電網(wǎng)科技項(xiàng)目資助（項(xiàng)目編號(hào)：GZGD20150301240091）。

關(guān)鍵詞：多頻超聲波；變壓器；故障檢測(cè)；多元統(tǒng)計(jì)分析；復(fù)數(shù)人工神經(jīng)元網(wǎng)絡(luò)數(shù)據(jù)分析

本文引用格式：饒銳，程樂(lè)峰，宋浩永，等．基于多頻超聲波原理的變壓器故障檢測(cè)方法探究[J]．新型工業(yè)化，2015，5（7）：57-63

Citation:RAORui,CHENGLe-feng,SONGHao-yong,etal.ResearchonTransformerFaultDetectionMethod basedonthePrincipleofMulti-frequencyUltrasonicWaves[J].TheJournalofNewIndustrialization,2015,5（7）:57-63.

0　引言

電力設(shè)備是構(gòu)成智能電網(wǎng)的核心部分，它的正常運(yùn)行是電網(wǎng)安全的根本保證。其中變壓器是核心設(shè)備，也是電力系統(tǒng)事故相對(duì)較多的設(shè)備之一。其運(yùn)行可靠性直接影響電力工業(yè)的正常生產(chǎn)。隨時(shí)檢查變壓器狀態(tài)，及早發(fā)現(xiàn)并排除其可能發(fā)生的故障，已成為保障供電可靠性的重要手段[1-3]。

傳統(tǒng)的檢測(cè)方法只是單一的抽取樣本后在室溫下進(jìn)行測(cè)量，這樣不能反應(yīng)變壓器油在變壓器運(yùn)行過(guò)程中的正確狀態(tài)。因?yàn)闇囟鹊淖兓瘯?huì)使變壓器絕緣紙中的水分遷移到油中，造成擊穿電壓值的極大變化。為了能更好的觀察這個(gè)變化過(guò)程，需要在實(shí)驗(yàn)室建立一個(gè)同比例的變壓器模型及溫度計(jì)算模型，通過(guò)系統(tǒng)軟件對(duì)模型的分析計(jì)算，以此準(zhǔn)確測(cè)量在不同溫度下，水的動(dòng)態(tài)遷徙過(guò)程對(duì)絕緣油參數(shù)的影響。

目前應(yīng)用于變壓器檢測(cè)的技術(shù)主要是油色譜分析、紅外測(cè)溫和局部放電在線檢測(cè)等技術(shù)。例如，通過(guò)油色譜分析技術(shù)對(duì)變壓器中存在的故障進(jìn)行分析，但是利用氣相色譜法檢測(cè)油中溶解氣體，從取油樣到油氣分離再到色譜分析的全過(guò)程存在著環(huán)節(jié)多、操作手續(xù)繁瑣、試驗(yàn)周期長(zhǎng)等弊病，不可避免地引進(jìn)較大的試驗(yàn)誤差[1，4]，這種方法對(duì)于發(fā)展較快的故障檢測(cè)則感到不夠及時(shí)，難以充分發(fā)揮它的作用。

文獻(xiàn)[5，6]提出紅外測(cè)溫技術(shù)對(duì)變壓器檢測(cè)，其具有非接觸式測(cè)量，測(cè)量范圍廣，測(cè)溫速度快等優(yōu)點(diǎn)，但它易受環(huán)境因素影響較大，對(duì)于光亮或者拋光的金屬表面測(cè)溫讀數(shù)影響較大，只能測(cè)量變壓器外部溫度，不能測(cè)量變壓器內(nèi)部和存在障礙物時(shí)的溫度，而且溫度只是變壓器其中的一個(gè)參數(shù)，不能根據(jù)其溫度而準(zhǔn)確反映變壓器的運(yùn)行狀態(tài)。

文獻(xiàn)[7-9]采用局部放電實(shí)驗(yàn)檢測(cè)變壓器故障，這種檢測(cè)方法由于局放信號(hào)很弱，現(xiàn)場(chǎng)的干擾性很強(qiáng)，有時(shí)干擾信號(hào)甚至比局放信號(hào)強(qiáng)2到3個(gè)數(shù)量級(jí)，不能準(zhǔn)確識(shí)別局放信號(hào)和有效抑制干擾，測(cè)量出來(lái)的結(jié)果具有較大的誤差，這是局部放電在線檢測(cè)技術(shù)一個(gè)較大的局限。

本文對(duì)基于多頻超聲波原理的變壓器檢測(cè)方法進(jìn)行探究，利用多頻超聲波技術(shù)可將幾百個(gè)超聲參數(shù)可以在一秒鐘內(nèi)聚集在一個(gè)測(cè)量掃描頻率。之后經(jīng)過(guò)超聲波接收裝置對(duì)反射的超聲波信號(hào)進(jìn)行檢測(cè)和接收，這些超聲波信號(hào)中帶有關(guān)于變壓器油中的不同物質(zhì)的具體特點(diǎn)的信息。對(duì)大量的試驗(yàn)數(shù)據(jù)進(jìn)行分析，得到多種變壓器油參數(shù)包括微水分含量、擊穿電壓、介電損耗因子、油導(dǎo)電性以及油表面張力等；并開(kāi)發(fā)基于多元統(tǒng)計(jì)分析技術(shù)、復(fù)數(shù)人工神經(jīng)元網(wǎng)絡(luò)的數(shù)據(jù)分析軟件，建立一個(gè)各種類型油樣本的數(shù)據(jù)庫(kù)。通過(guò)一系列智能算法將這些特征值（超聲波參數(shù)）和油樣本參數(shù)建立關(guān)聯(lián)。對(duì)變壓器油參數(shù)的分析推斷變壓器真實(shí)的運(yùn)行狀態(tài)。

因此，本文主要進(jìn)行了如下研究工作：

1）提出運(yùn)用多頻超聲波技術(shù)進(jìn)行變壓器油檢測(cè)；

2）開(kāi)發(fā)可以測(cè)量多種變壓器油參數(shù)的單臺(tái)設(shè)備，變壓器油參數(shù)包括微水分含量、擊穿電壓，介電損耗因子，油導(dǎo)電性以及油表面張力；

3）實(shí)現(xiàn)在不停電、不加壓條件下測(cè)量變壓器的擊穿電壓，介電損耗因子等參數(shù)；

4）簡(jiǎn)化傳統(tǒng)的變壓器檢測(cè)操作方法，及時(shí)全面的了解變壓器的運(yùn)行狀況信息。

1　算法研究

開(kāi)發(fā)基于多元統(tǒng)計(jì)分析[10]和復(fù)數(shù)人工神經(jīng)元網(wǎng)絡(luò)的數(shù)據(jù)分析軟件對(duì)采集到的多個(gè)頻率的超聲波參數(shù)，包括超聲波幅值、相位、頻率以及飛行時(shí)間進(jìn)行分析處理，進(jìn)而判斷變壓器具體故障名稱。

1.1多元統(tǒng)計(jì)分析數(shù)學(xué)模型

多元統(tǒng)計(jì)分析可以有效地處理多維或多變量數(shù)據(jù)，剔除一些冗余、無(wú)效的數(shù)據(jù)，達(dá)到降維的目的[11，12]，繼而根據(jù)有限的線性不相關(guān)數(shù)據(jù)可以準(zhǔn)確有效的統(tǒng)計(jì)信息的特征。本文主要采用多元統(tǒng)計(jì)分析中的主分量分析（PrincipalComponentAnalysis，PCA）的改進(jìn)方法——相對(duì)主元算法[12，13]，根據(jù)相關(guān)文獻(xiàn)[13-16]可知其基本算法步驟為：

1）將接收的多頻超聲波按頻率分為N（N>100）個(gè)樣本數(shù)據(jù)，每個(gè)樣本數(shù)據(jù)中含有M個(gè)數(shù)據(jù)，包含每次接收超聲波的幅值、相位、頻率以及飛行時(shí)間。首先利用公式（1）對(duì)這些數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，標(biāo)準(zhǔn)化后數(shù)據(jù)均值為0，方差為1。

其中，XR為X經(jīng)變換矩陣Q計(jì)算后的矩陣，Q變換矩陣，Qi為權(quán)重系數(shù)，其值根據(jù)文獻(xiàn)[18，19]計(jì)算得到。

2）計(jì)算相對(duì)化矩陣XR的協(xié)方差矩陣RXR

3）求解協(xié)方差矩陣RXR的特征值λi與相對(duì)應(yīng)的特征值pi，λi是RXR

的第i個(gè)特征值，滿足

式中I為單位矩陣。

4）由累計(jì)貢獻(xiàn)率求出相對(duì)主元個(gè)數(shù)j，具體公式如下：

1

1

5）計(jì)算矩陣T

式中，矩陣T中包含的數(shù)據(jù)即為將超聲波主要參數(shù)經(jīng)相對(duì)主元算法轉(zhuǎn)換后的數(shù)據(jù)，這些數(shù)據(jù)將進(jìn)一步由復(fù)數(shù)人工神經(jīng)元網(wǎng)絡(luò)算法進(jìn)行處理。

1.2復(fù)數(shù)人工神經(jīng)元網(wǎng)絡(luò)數(shù)據(jù)分析原理

復(fù)數(shù)人工神經(jīng)元網(wǎng)絡(luò)[15，16]不僅具備傳統(tǒng)人工神經(jīng)元網(wǎng)絡(luò)的良好自主學(xué)習(xí)功能，自適應(yīng)的調(diào)節(jié)自身權(quán)值而且能夠克服傳統(tǒng)人工神經(jīng)元在相位處理上的缺陷，實(shí)現(xiàn)節(jié)點(diǎn)和權(quán)值的范圍從傳統(tǒng)的實(shí)數(shù)域擴(kuò)展到復(fù)數(shù)域，并針對(duì)高階統(tǒng)計(jì)量算法數(shù)據(jù)量需求大，以及二階統(tǒng)計(jì)量算法不能處理含公零點(diǎn)信道的缺陷進(jìn)行了優(yōu)化。復(fù)數(shù)人工神經(jīng)元主要思想是對(duì)神經(jīng)元權(quán)值取復(fù)數(shù)，其主要結(jié)構(gòu)如下圖1所示，主要由輸入層、隱藏層及輸出層構(gòu)成。

圖1中，wi為神經(jīng)元之間的連接強(qiáng)度，稱為復(fù)數(shù)加權(quán)值1。首先將數(shù)據(jù)庫(kù)數(shù)據(jù)樣本（與多元統(tǒng)計(jì)分析得到的數(shù)據(jù)一致）和對(duì)應(yīng)故障的特征值作為給定作為給定信號(hào)，利用人工神經(jīng)網(wǎng)絡(luò)自主學(xué)習(xí)，訓(xùn)練出對(duì)應(yīng)輸入的復(fù)數(shù)加權(quán)值

其激活函數(shù)定義為[20，21]：

當(dāng)

其中j∈{0,k?1}，i為虛數(shù)單位，üü=ü11+22...+nn，arg(z)為復(fù)數(shù)z的幅角。

根據(jù)式（6）和（7），計(jì)算出輸入量xi對(duì)應(yīng)的輸出量yi，即*

圖1　人工神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu)Fig.1　Artificial　neural　network　architecture

2　基于多元統(tǒng)計(jì)和復(fù)數(shù)人工神經(jīng)元網(wǎng)絡(luò)的變壓器故障檢測(cè)

2.1基于人工神經(jīng)元網(wǎng)絡(luò)的變壓器故障自主學(xué)習(xí)

人工神經(jīng)網(wǎng)絡(luò)中的各項(xiàng)參數(shù)是根據(jù)學(xué)習(xí)樣本[18]，本文采用的學(xué)習(xí)樣本是變壓器各項(xiàng)故障特征值。由于變壓器各項(xiàng)故障所變現(xiàn)出的特征值是

不同的，根據(jù)對(duì)常見(jiàn)變壓器故障，比如低壓相間短路放電、絕緣結(jié)構(gòu)體絕緣過(guò)熱以及分接開(kāi)關(guān)飛弧或者火花放電等等各種變壓器故障。數(shù)據(jù)庫(kù)中的樣本數(shù)，即變壓器故障特征值，共計(jì)有1200組數(shù)據(jù)作為學(xué)習(xí)樣本。因此，本文中所選用的復(fù)數(shù)人工神經(jīng)元網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)為20，輸出節(jié)點(diǎn)為23，所使用的隱藏層中的節(jié)點(diǎn)數(shù)具體由網(wǎng)絡(luò)自主學(xué)習(xí)不斷調(diào)整得出。

經(jīng)多元統(tǒng)計(jì)分析得到的數(shù)據(jù)，作為人工神經(jīng)網(wǎng)絡(luò)輸入矩陣X（1200×20），目標(biāo)輸出矩陣Y （1200×23），學(xué)習(xí)速率η=0.1，誤差系數(shù)[14，15]為0.0001。初始化時(shí)候?qū)⒏鱾€(gè)神經(jīng)元支路加權(quán)值統(tǒng)一設(shè)為1，開(kāi)始根據(jù)變壓器故障特征值和接收到的多頻超聲波特征值進(jìn)行自主學(xué)習(xí)，訓(xùn)練出各個(gè)故障特征對(duì)應(yīng)的復(fù)數(shù)加權(quán)值wi。

人工神經(jīng)網(wǎng)絡(luò)自主學(xué)習(xí)流程圖如圖2所示。

自主學(xué)習(xí)流程詳述如下：

Step1：復(fù)數(shù)加權(quán)值、誤差系數(shù)及學(xué)習(xí)次數(shù)初始化，本文中將wi賦值為常數(shù)1，誤差系數(shù)為0.0001，學(xué)習(xí)次數(shù)設(shè)置為10000。

Step2：計(jì)算輸出值yi，利用，計(jì)算出輸入量xi對(duì)應(yīng)的輸出量yi，

其中激活函數(shù)的定義方法如下

當(dāng)

為復(fù)數(shù)z的幅角。

圖2　人工神經(jīng)網(wǎng)絡(luò)自主學(xué)習(xí)流程圖Fig.2　Flow　Chart　of　Artificial　Neural　Networks　Self-study

Step4：根據(jù)Step3計(jì)算得到的偏差值Δyi判斷是否滿足誤差要求，本文中設(shè)置的誤差系數(shù)為0.0001，若 Δ yi>0.0001，則執(zhí)行Step5，若Δyi<0.0001則執(zhí)本次自主學(xué)習(xí)結(jié)束。

Step5：判斷是否達(dá)到預(yù)設(shè)的學(xué)習(xí)次數(shù)。本文中預(yù)設(shè)的學(xué)習(xí)循環(huán)次數(shù)n為10000，若n>10000，則此次學(xué)習(xí)結(jié)束；若n<10000，則執(zhí)行Step6。

Step6：調(diào)整復(fù)數(shù)加權(quán)值。根據(jù)公式（6）～（7）計(jì)算出加權(quán)值變化量，并疊加到之前的復(fù)數(shù)權(quán)值，即其中，η稱為學(xué)習(xí)速率輸入矢量的共軛復(fù)數(shù)，為當(dāng)前權(quán)值，表示學(xué)習(xí)后的權(quán)值。

Step7：重復(fù)Step1至Step6，直至學(xué)習(xí)結(jié)束，即可得到學(xué)習(xí)后的復(fù)數(shù)加權(quán)值。

2.2求解變壓器故障問(wèn)題

最后，根據(jù)1.1節(jié)中多元統(tǒng)計(jì)分析得到的數(shù)據(jù)矩陣T和1.2節(jié)中訓(xùn)練出的復(fù)數(shù)權(quán)值，對(duì)1.1節(jié)的變壓器油參數(shù)進(jìn)行計(jì)算，并將最后計(jì)算得到的特征值和數(shù)據(jù)庫(kù)中的特征值進(jìn)行比對(duì)，進(jìn)而得到故障名稱。

3　多頻超聲波變壓器檢測(cè)系統(tǒng)設(shè)計(jì)

3.1總系統(tǒng)結(jié)構(gòu)設(shè)計(jì)

如下圖3所示，多頻超聲波變壓器檢測(cè)系統(tǒng)設(shè)計(jì)結(jié)構(gòu)包括：超聲波發(fā)射接收控制單元、多頻超聲波傳感器和數(shù)據(jù)分析軟件。

圖3　多頻檢測(cè)系統(tǒng)框圖Fig.3　Multi-frequency　Detection　System　Diagram

其中，超聲波發(fā)射接收控制單元上安裝有電源接口、電源開(kāi)關(guān)、Internet網(wǎng)絡(luò)接口、超聲波信號(hào)輸出接口及接收接口。各主要功能部分簡(jiǎn)要介紹如下。

超聲波發(fā)射接收控制單元：安裝有電源接口、電源開(kāi)關(guān)、Internet網(wǎng)絡(luò)接口、超聲波信號(hào)輸出接口及接收接口，該模塊主要用于控制多頻超聲波的發(fā)射及多頻超聲波信號(hào)的接收。內(nèi)設(shè)有多頻超聲波發(fā)生裝置，多頻超聲波發(fā)生裝置內(nèi)部連接至超聲波發(fā)射接收控制單元的超聲波信號(hào)輸出接口，輸出接口經(jīng)導(dǎo)線連接到多頻超聲波傳感器，多頻傳感器的輸出信號(hào)經(jīng)導(dǎo)線連接至超聲波發(fā)射接收控制單元的超聲波信號(hào)接收接口，超聲波信號(hào)接收接口將信號(hào)傳輸至超聲波發(fā)射接收控制單元的信號(hào)處理電路，基于DSP技術(shù)的控制電路可以準(zhǔn)確地完成超聲波原始信號(hào)到振幅、相位以及超聲波速度等超聲波參數(shù)的計(jì)算。然后通過(guò)網(wǎng)絡(luò)端口將超聲波各項(xiàng)參數(shù)傳輸給上位機(jī)軟件。

多頻超聲波傳感器：為了確保檢測(cè)精度，需要保持所有傳感器表面是一致的，因此，需要采用電子方式保證傳感器的統(tǒng)一校正。

上位機(jī)數(shù)據(jù)分析軟件：主要用來(lái)對(duì)采集出的多頻超聲波特征值進(jìn)行分析，從而建立特征值與油參數(shù)之間的關(guān)聯(lián)。這里的上位機(jī)數(shù)據(jù)分析軟件是基于多元統(tǒng)計(jì)分析技術(shù)（如PCA、LDA）來(lái)實(shí)現(xiàn)的。

根據(jù)圖3，總的來(lái)說(shuō)，發(fā)射控制模塊根據(jù)頻率控制模塊和功率控制模塊的輸出信號(hào)，產(chǎn)生換能器發(fā)射需要的載波脈沖信號(hào)，送到發(fā)射驅(qū)動(dòng)模塊，頻率控制決定載波頻率，功率控制決定脈沖寬度和幅度，從而達(dá)到控制換能器發(fā)射功率的作用。發(fā)射驅(qū)動(dòng)模塊將發(fā)射控制模塊送來(lái)的脈沖信號(hào)經(jīng)升壓處理后產(chǎn)生大功率的輸出信號(hào)，推動(dòng)換能器發(fā)射合適的多頻超聲波。該部分可以依據(jù)變壓器容量的大小，設(shè)置合適的頻率及功率，大大地提高了檢測(cè)的效率。

在上位機(jī)中包含有多元統(tǒng)計(jì)分析和復(fù)數(shù)人工神經(jīng)元網(wǎng)絡(luò)分析算法，通過(guò)相關(guān)算法從超聲波參數(shù)中提取出變壓器油的水分含量、擊穿電壓、介損、體積電阻率、油界面張力等參數(shù)，將這些變壓器油參數(shù)與數(shù)據(jù)庫(kù)中的變壓器故障特征值進(jìn)行對(duì)比，從而判斷變壓器的運(yùn)行工況以及發(fā)現(xiàn)變壓器故障。

3.2超聲波發(fā)射接收控制單元的發(fā)射部分和接收部分設(shè)計(jì)

3.2.1發(fā)射部分設(shè)計(jì)

如下圖4為超聲波發(fā)射接收控制單元的發(fā)射部分示意圖，該部分主要包括：功率控制模塊、發(fā)射控制模塊、頻率控制模塊及發(fā)射驅(qū)動(dòng)模塊。

其中，功率控制模塊：根據(jù)變壓器的類型和變壓器容量的大小選擇合適的功率信號(hào)指令，送發(fā)射控制模塊處理；發(fā)射控制模塊：根據(jù)頻率控制模塊和功率控制模塊的輸出信號(hào)，產(chǎn)生換能器發(fā)射需要的載波脈沖信號(hào)，送到發(fā)射驅(qū)動(dòng)模塊，頻率控制決定載波頻率，功率控制決定脈沖寬度和幅度，從而達(dá)到控制換能器發(fā)射功率的作用；發(fā)射驅(qū)動(dòng)模塊：將發(fā)射控制模塊送來(lái)的脈沖信號(hào)經(jīng)升壓處理后產(chǎn)生大功率的輸出信號(hào)，推動(dòng)換能器發(fā)射合適的多頻超聲波。

圖4　發(fā)射部分結(jié)構(gòu)原理圖Fig.4　Structure　principle　diagram　of　transmitting　part

該部分原理描述為：功率控制模塊根據(jù)變壓器的類型和變壓器容量的大小選擇合適的功率信號(hào)指令，送發(fā)射控制模塊處理。發(fā)射控制模塊根據(jù)頻率控制模塊和功率控制模塊的輸出信號(hào)，產(chǎn)生換能器發(fā)射需要的載波脈沖信號(hào)，送到發(fā)射驅(qū)動(dòng)模塊，頻率控制決定載波頻率，功率控制決定脈沖寬度和幅度，從而達(dá)到控制換能器發(fā)射功率的作用。發(fā)射驅(qū)動(dòng)模塊將發(fā)射控制模塊送來(lái)的脈沖信號(hào)經(jīng)升壓處理后產(chǎn)生大功率的輸出信號(hào)，推動(dòng)換能器發(fā)射合適的多頻超聲波。該部分可以依據(jù)變壓器容量的大小，設(shè)置合適的頻率及功率，大大地提高了檢測(cè)的效率。

3.2.2接收部分設(shè)計(jì)

圖5是超聲波發(fā)射接收控制單元的接收部分示意圖，該部分包括：信號(hào)放大模塊、選頻模塊及數(shù)模轉(zhuǎn)換模塊（A/D）。

圖5　發(fā)射部分結(jié)構(gòu)原理圖Fig.5　Structure　principle　diagram　of　receiving　part

根據(jù)圖5，其中，信號(hào)放大模塊將超聲波傳感器傳輸回來(lái)的信號(hào)進(jìn)行放大，然后送至選頻模塊，對(duì)信號(hào)頻率進(jìn)行篩選，確定合適的頻率范圍，濾除干擾信號(hào)，從而得到準(zhǔn)確的多頻超聲波信號(hào)模擬量。選頻模塊將多頻超聲波信號(hào)模擬量送到數(shù)模轉(zhuǎn)換模塊，數(shù)模轉(zhuǎn)換模塊將多頻超聲波信號(hào)模擬量轉(zhuǎn)換為數(shù)字信號(hào)傳輸給微處理器。

4　總結(jié)

本文基于多頻超聲波技術(shù)，采用多元統(tǒng)計(jì)和復(fù)數(shù)人工神經(jīng)元網(wǎng)絡(luò)數(shù)據(jù)分析算法，對(duì)變壓器油進(jìn)行檢測(cè)，判斷變壓器故障類型。主要針對(duì)多元統(tǒng)計(jì)分析中的相對(duì)主元分析和復(fù)數(shù)人工神經(jīng)元網(wǎng)絡(luò)進(jìn)行理論分析，詳細(xì)介紹算法的理論推導(dǎo)和自主學(xué)習(xí)的實(shí)現(xiàn)過(guò)程。并開(kāi)發(fā)基于多元統(tǒng)計(jì)分析技術(shù)、復(fù)數(shù)人工神經(jīng)元網(wǎng)絡(luò)的數(shù)據(jù)分析軟件，建立一個(gè)各種類型油樣本的數(shù)據(jù)庫(kù)。通過(guò)復(fù)數(shù)人工神經(jīng)元網(wǎng)絡(luò)智能算法可以將這些特征值和油樣本參數(shù)建立關(guān)聯(lián)。

最后，設(shè)計(jì)了多頻超聲波變壓器檢測(cè)系統(tǒng)，利用多頻超聲波技術(shù)對(duì)變壓器油參數(shù)進(jìn)行在線檢測(cè)，上位機(jī)軟件基于多元統(tǒng)計(jì)分析算法對(duì)檢測(cè)到的變壓器油參數(shù)進(jìn)行分析，提取特征量，建立變壓器油的狀態(tài)與超聲波特征量之間的關(guān)聯(lián)，進(jìn)而判斷變壓器的運(yùn)行狀態(tài)。

通過(guò)本文設(shè)計(jì)可以有效地提高電力企業(yè)對(duì)變壓器的檢測(cè)能力，有助于及時(shí)全面了解變壓器的運(yùn)行狀況信息，檢測(cè)數(shù)據(jù)可以真實(shí)準(zhǔn)確的反映變壓器的運(yùn)行狀況，可以有效地保障變壓器的安全穩(wěn)定運(yùn)行，有效解決了傳統(tǒng)檢測(cè)裝置檢測(cè)步驟繁瑣、不能在線檢測(cè)等問(wèn)題，提高檢測(cè)靈敏性，降低檢測(cè)成本。

參考文獻(xiàn)

[1]余瓊.變壓器油色譜在線監(jiān)測(cè)專家系統(tǒng)研究[D].上海交通大學(xué)，2007.

YuQiong.Onlinemonitoringexpertsystemoftransformeroilchromatography[D].ShanghaiJiaoTongUniversity，2007.

[2]來(lái)金鋼，周洪.基于多維型逆變器的并網(wǎng)實(shí)驗(yàn)研究[J].新型工業(yè)化，2014，4（5）:60-68，76.

LAIJingang，ZHOUHong.Experimentalresearchonparalleloperationformultiplemicro-inverters[J].TheJournalofNew Industrialization，2014，4（5）：60-68，76.

[3]黃世敢，朱曉青，彭賽莊，等.向孤立無(wú)源負(fù)荷供電的VSC-HVDC系統(tǒng)控制策略[J]，新型工業(yè)化，2015，5（3）：54-60.

SGHuang，XQZhu，SZPeng，etal.ControlstrategyofVSC-HVDCsystemsupplyingpowerforisolatedpassiveload[J]，TheJournalof NewIndustrialization，2015，5（3）：54-60.

[4]陳曉暉，夏瓊.利用油色譜分析判斷變壓器故障及處理思路構(gòu)建[J].中國(guó)高新技術(shù)企業(yè)，2014，36:76-77.

ChenXiaohui，XiaQiong.Usingchromatographicanalysisoftransformerfailuresandtheirideasjudgeconstruction[J].ChineseHigh-tech Enterprises，2014，36:76-77.

[5]李文芳.基于紅外圖像的電力變壓器故障的在線檢測(cè)[D].安徽理工大學(xué)，2014.

LiWenfang.Powertransformerfaultlinedetectionbasedoninfraredimages[D].AnhuiUniversityOfScience&Technology，2014.

[6]任云明.運(yùn)用紅外測(cè)溫技術(shù)進(jìn)行電力變壓器故障診斷[J].中小企業(yè)管理與科技（中旬刊），2015，02:205-206.

RenYunming.Theuseofinfraredtemperaturemeasurementtechnologyforpowertransformerfaultdiagnosis[J].Managementandtechnology ofsmallandmediumsizedenterprises.2015，02:205-206.

[7]尹海晶.基于紅外測(cè)溫技術(shù)的電力變壓器過(guò)熱故障在線監(jiān)測(cè)系統(tǒng)的設(shè)計(jì)與開(kāi)發(fā)[D].南京理工大學(xué)，2010.

YinHaijing.Thedesignanddevelopmentofonlinemonitoringsystemforpowertransformerbasedoninfraredtemperaturemeasurement technology[D].NanjingUniversityofScience&Technology，2010.

[8]張慶磊.基于油中氣體分析和局部放電檢測(cè)的變壓器故障診斷技術(shù)研究[D].南京理工大學(xué)，2014.

ZhangQinglei.Faultdiagnosistechnologyoftransformerbasedongasanalysisandpartialdischargedetectioninoil[D].NanjingUniversity ofScience&Technology，2014.

[9]邢偉娜.電力變壓器局部放電檢測(cè)技術(shù)的研究與設(shè)計(jì)[D].河北農(nóng)業(yè)大學(xué)，2014.

XingWeina.ResearchanddesignofpartialDischargedetectioninpowertransformers[D].AgriculturalUniversityofHebeiProvince，2014.

[10]孟程程.基于多元統(tǒng)計(jì)分析的故障檢測(cè)與應(yīng)用研究[D].中國(guó)計(jì)量學(xué)院，2013.

MengChengcheng.Researchonfaultdetectionandapplicationbasedonmulti-variatestatisticalanalysis[D].ChinaJilingUniversity，2013.

[11]劉美玲.基于多元統(tǒng)計(jì)分析的過(guò)程系統(tǒng)故障診斷方法研究[D].南京理工大學(xué)，2013.

LiuMeiling.Faultdiagnosisdethodbasedonmulti-variatestatisticalanalysis[D].NanjingUniversityofScience&Technology，2013.

[12]席磊，張孝順，程樂(lè)峰，等.基于JADE多智能體動(dòng)態(tài)博弈的自動(dòng)發(fā)電控制仿真平臺(tái)研究[J].新型工業(yè)化，2014，4（11）：5-17.

XILei，ZHANGXiaoshun，CHENGLefeng，etal..Researchonmulti-agentsimulationplatformforAGCbasedonJADE[J].TheJournal ofNewIndustrialization，2014，4（11）：5-17.

[13]武中利.電力變壓器故障診斷方法研究[D].華北電力大學(xué)，2013.

WuZhongli.Faultdiagnosismethodofpowertransformer[D].NorthChinaElectricPowerUniversity，2013.

[14]CherryG，QinSJ.Multiblockprincipalcomponentanalysisbasedonacombinedindexforsemiconductorfaultdetectionanddiagnosis[J]. InstituteforElectricalandElectronicEngineersTransactionsonSemiconductorManufacturing，2006，19（2）：159-172.

[15]錢政等.用可靠性數(shù)據(jù)分析及BP網(wǎng)絡(luò)診斷變壓器故障[J].高電壓技術(shù)，1999，25（1）:13-15.

QianZhengetc.ApplicationofdatareliabilityanalysisandBPneuralnetworkfortransformerfaultdiagnosis[J].HighVoltage Engineering，1999，25（1）:13-15.

[16]周菲菲.基于神經(jīng)網(wǎng)絡(luò)和證據(jù)理論的電力變壓器故障診斷研究[D].西華大學(xué)，2009.

ZhouFeifei.Faultdiagnosisofpowertransformerbasedonneuralnetworkandnvidencetheory[D].XihuaUniversity，2009.

[17]XuW，etal.Faultdiagnosisofpowertransformersapplicationoffuzzysettheoryexpertsystemsandartificialneuralnetworks[J].IEE Proc.Sci.Meas.Technol，1997，144（1）：39-44.

[18]YongshengQi，PuWang，XunjinGao，etal.On-linemonitoringoffed-batchpenicillincultivationusingtime-varyingandmultivariate statisticalanalysis[C].In：20104thInternationalConferenceonBioinformaticsandBiomedicalEngineering（ICBBE），2010，1-6.

[19]VanegasO，etal.Diagnosisofoil-insulatedpowerapparatusbyusingneuralnetworksimulation[J].IEEETrans.Diele.andElect.Insul，1997，4（3）：290-299.

[20]胡靜.相對(duì)主元分析理論及其應(yīng)用研究[D].開(kāi)封:河南大學(xué)，2008.

HuJing.RelativePrincipalComponentAnalysistheoryandItsApplication[D].Kaifeng：HenanUniversity，2008.

[21]呂偉鋒，林彌，華柏興.基于復(fù)數(shù)權(quán)值神經(jīng)元的數(shù)字邏輯最穩(wěn)健設(shè)計(jì)[J].電路與系統(tǒng)學(xué)報(bào)，2008，04：77-80.

LvWeifeng，LinMi，HuaBoxing.TheMostRobustDesignofDigitalLogicBasedonthePluralArtificialNeuralNetwork[J].Journalof CircuitsandSystems，2008，04:77-80.

DOI：10.3969/j.issn.2095-6649.2015.07.009

基金項(xiàng)目：＊中國(guó)南方電網(wǎng)科技項(xiàng)目資助（GZGD20150301240091）。

作者簡(jiǎn)介：饒銳（1981-），男，工程師，碩士，主要從事于電力化學(xué)監(jiān)督管理工作；程樂(lè)峰（1990-），男，通信作者，碩士，主要研究領(lǐng)域?yàn)榕渚W(wǎng)自動(dòng)化、電能質(zhì)量分析與控制；宋浩永（1985-），男，工程師，碩士，主要從事電氣化學(xué)試驗(yàn)及電力新技術(shù)研究工作；李正佳（1972-），男，高級(jí)工程師，碩士，主要工作領(lǐng)域：電力通信、電力系統(tǒng)行業(yè)等；陳于晴（1991-），女，漢族，廣東廣州，主要從事電氣化學(xué)試驗(yàn)及電力新技術(shù)研究工作。

Research on Transformer Fault Detection Method based on the Principle of Multifrequency Ultrasonic Waves

RAORui1,CHENGLe-feng2,SONGHao-yong1,LIZheng-jia2,CHENYu-qing1
(1. Electric Power Research Institute of Guangzhou Power Supply Bureau Co.,Ltd, Guangzhou 510000; 2. Suzhou Huatian Power Technology Co., Ltd,, Suzhou 215000)

Abstract:Thispaperproposesaneffective,acuteandsynchronoustransformerfaultdetectionmethodbasedonthe principleofmulti-frequencyultrasonicwaves.Thismethodutilizeshundredsofultrasonicwaveswithdifferentfrequencies tocontinuouslydetectthetransformeroilandhandlesthewaves’parameterswithmultivariatestatisticalanalysistechnology andpluralartificialneuralnetworkdataanalysistechnology.Inthisway,wecangettheoperationalstatusandnamesofthe faultsbycomparingtheeigenvaluesofthefaults.Theoperationalstatusoftransformersmaydirectlyaffectthesafetyofthe entirepowergrid.Therefore,itisessentialtomonitoravarietyoftransformerfaultsandensuretheregularworkingofthe powergrid.ThispaperissupportedbyScienceandTechnologyProjectsofChinaSouthernPowerGrid(ProjectNumber: GZGD20150301240091).

Keywords:Multi-frequencyultrasonicwaves;Transformer;Faultdetection;Multivariatestatisticalanalysis;Dataanalysis ofcomplexartificialneuralnetwork