周春陽 李亞錦 鄧光武 劉英男 于大洋

基于多維度分析的換流變預(yù)警技術(shù)研究與應(yīng)用

周春陽1李亞錦2鄧光武1劉英男2于大洋2

(1. 中國南方電網(wǎng)超高壓輸電公司廣州局 廣州 510000；2. 山東大學(xué)電氣工程學(xué)院 濟(jì)南 250061)

由于換流變設(shè)備運(yùn)行環(huán)境和工況的差異性，相關(guān)運(yùn)維規(guī)范設(shè)定的閾值在設(shè)備異常診斷方面具有一定的局限性。從工程實(shí)際應(yīng)用出發(fā)，提出一種換流變多維度分析和預(yù)警方法，針對換流變重點(diǎn)監(jiān)盤的關(guān)鍵參數(shù)建立溫度、油位和冷卻能力的多維度分析算法，對換流變當(dāng)前狀態(tài)進(jìn)行評價。在多維度分析的基礎(chǔ)上，提出基于長短期記憶網(wǎng)絡(luò)的油溫預(yù)測算法，實(shí)現(xiàn)換流變運(yùn)行狀態(tài)的趨勢辨識。在±800 kV穗東站進(jìn)行部署和應(yīng)用算法模型，結(jié)果表明算法模型可有效識別出換流變運(yùn)行狀態(tài)異常。

換流變；在線監(jiān)測；多維度分析；油溫預(yù)測

1 引言

換流變是交直流系統(tǒng)中能量轉(zhuǎn)換的關(guān)鍵設(shè)備，其運(yùn)行直接影響交直流系統(tǒng)運(yùn)行可靠性。對換流變狀態(tài)參數(shù)進(jìn)行分析和預(yù)測可掌握換流變運(yùn)行狀態(tài)發(fā)展趨勢，為換流變狀態(tài)評估提供有力支撐。

目前換流變運(yùn)行狀態(tài)的評估[1-3]主要依賴于各類傳感器、測量元器件所提供的在線監(jiān)測數(shù)據(jù)信息，包括油溫、油位、油色譜信息、振動信號，與閾值進(jìn)行對比判斷或者采用三比值法對油中溶解氣體進(jìn)行分析，以確定換流變狀態(tài)是否正常。但由于設(shè)備運(yùn)行環(huán)境和工況的差異性，目前相關(guān)運(yùn)維規(guī)范設(shè)定的閾值在異常診斷方面具有一定的局限性，且受負(fù)荷、溫度、輸出表計(jì)以及回路缺陷等因素的影響，單一維度的狀態(tài)量在反映換流變故障演變與表現(xiàn)特征之間的客觀規(guī)律上有一定片面性。

基于人工智能的多特征融合是提高換流變診斷可靠性的有效手段，文獻(xiàn)[4]融合油色譜監(jiān)測數(shù)據(jù)、試驗(yàn)數(shù)據(jù)和歷史故障數(shù)據(jù)，構(gòu)建兩級診斷模型；文獻(xiàn)[5]基于油色譜數(shù)據(jù)和圖譜識別實(shí)現(xiàn)低熱和放電兩種新型故障的識別；文獻(xiàn)[6]在多源數(shù)據(jù)基礎(chǔ)上利用深度置信網(wǎng)絡(luò)和貝葉斯推理實(shí)現(xiàn)換流變?nèi)毕莸姆诸?；文獻(xiàn)[7]通過DS證據(jù)理論融合診斷的準(zhǔn)確率來判斷隨機(jī)森林和決策樹等5種模型融合診斷的效果，最終通過樣本訓(xùn)練得到最優(yōu)的組合模型。上述智能方法解決了換流變設(shè)備故障診斷中單一狀態(tài)量和故障非線性導(dǎo)致的診斷結(jié)果準(zhǔn)確性不高問題，但相關(guān)數(shù)據(jù)因?qū)I(yè)不同分散于各業(yè)務(wù)應(yīng)用系統(tǒng)，造成了數(shù)據(jù)信息的“隔離”，數(shù)據(jù)無法在線實(shí)時獲取。受限于數(shù)據(jù)“隔離”和參數(shù)選擇，以復(fù)雜模型為主的換流變設(shè)備狀態(tài)診斷方法目前仍難以廣泛應(yīng)用于換流變實(shí)際監(jiān)盤運(yùn)維工作中。

為提升智能算法在換流變實(shí)際工程中的應(yīng)用實(shí)效，文獻(xiàn)[8-9]從數(shù)據(jù)出發(fā)，通過統(tǒng)計(jì)運(yùn)維檢修經(jīng)驗(yàn)形成設(shè)備不同缺陷知識庫；文獻(xiàn)[10-11]考慮變壓器負(fù)載、環(huán)境溫度和熱點(diǎn)溫度來評估設(shè)備狀態(tài)；文獻(xiàn)[12]運(yùn)用線性判別分析對變壓器狀態(tài)參數(shù)進(jìn)行降維，作為故障診斷模型的輸入向量；文獻(xiàn)[13]利用循環(huán)神經(jīng)網(wǎng)絡(luò)識別時間序列的隱含模式來預(yù)測變壓器繞組故障。上述研究為本文換流變運(yùn)行狀態(tài)多維度分析和預(yù)測提供了一定思路。

另外，換流變運(yùn)行特征呈現(xiàn)出較強(qiáng)的時間差異性，為了對其運(yùn)行狀態(tài)進(jìn)行精確評估，需要建立能體現(xiàn)時間差異性的換流變狀態(tài)評估模型。在上述背景下，本文從在線監(jiān)測數(shù)據(jù)源出發(fā)，考慮多狀態(tài)量之間的相關(guān)性，研究多維度時序趨勢分析和相關(guān)性分析算法，建立多維度分析的換流變?nèi)毕蓊A(yù)警模型，并將智能預(yù)測算法應(yīng)用到關(guān)鍵參數(shù)預(yù)測中，解決狀態(tài)參數(shù)預(yù)測中存在的非線性和時滯問題。最后，結(jié)合±800 kV換流變在線監(jiān)測系統(tǒng)，通過采集獲得數(shù)據(jù)來預(yù)估變壓器物理特性的關(guān)鍵參數(shù)——油溫變化趨勢，驗(yàn)證了所提方法的有效性和可行性。

2 算法模型

2.1 關(guān)鍵狀態(tài)量分析

影響換流變運(yùn)行的因素較多，但由于實(shí)際運(yùn)行中可獲取的換流變運(yùn)行維護(hù)數(shù)據(jù)存在信息隔離、信息扭曲等原因，造成各級運(yùn)維人員掌握的信息不完全，且換流站內(nèi)日常監(jiān)盤任務(wù)重，運(yùn)維人員無法同時關(guān)注多個狀態(tài)量。因此需要對多源數(shù)據(jù)進(jìn)行降維，提取關(guān)鍵狀態(tài)量作為智能分析算法的輸入特征 向量。

換流站內(nèi)多采用的是油浸式變壓器，油浸式變壓器故障主要分為放電性故障和熱性故障[9]。綜合變壓器缺陷樣本數(shù)據(jù)庫中運(yùn)行巡視、停電試驗(yàn)、帶電檢測數(shù)據(jù)，利用相關(guān)性[14]分析不同狀態(tài)量與設(shè)備故障率之間的關(guān)聯(lián)關(guān)系[8]，根據(jù)量化得到的相關(guān)系數(shù)大小排序得到和設(shè)備關(guān)聯(lián)的關(guān)鍵狀態(tài)量。關(guān)鍵狀態(tài)量如表1所示。

表1 換流變關(guān)鍵狀態(tài)量

針對油中溶解氣體的分析，現(xiàn)有技術(shù)已相當(dāng)成熟，本文不再對油中溶解氣體做進(jìn)一步分析。而絕緣油、介損及電容量、直流電阻和鐵心接地電流是周期性試驗(yàn)結(jié)果，無法在線獲取，難以滿足系統(tǒng)在線實(shí)時分析的需求。因此本文從換流變在線監(jiān)測分析出發(fā)，重點(diǎn)關(guān)注和分析油溫、油位等在線監(jiān)測狀態(tài)量，為運(yùn)維人員監(jiān)盤提供決策依據(jù)。

2.2 多維度評價方法

2.2.1 溫度分析

直流輸電系統(tǒng)同一極下一般配置6臺換流變，針對同一種連接方式下的換流變?nèi)嘣O(shè)備，本文設(shè)計(jì)縱向和橫向的統(tǒng)計(jì)分析方法，來判斷換流變是否存在異常。具體方法如下所示。

2.2.2 油位分析

圖1 滲漏油異常識別流程

式中，D為因溫度變化而引起的油的體積變化；為變壓器油的質(zhì)量；為20 ℃變壓器油的密度，0.88 kg/dm3；為溫度膨脹系數(shù)，0.78×10-3K-1；D為溫度變化。

2.2.3 冷卻系統(tǒng)分析

2.3 基于LSTM的油溫趨勢預(yù)測

實(shí)際運(yùn)維中，換流變關(guān)鍵狀態(tài)量油溫的趨勢預(yù)測可有效預(yù)判換流變運(yùn)行狀態(tài)。在多因素影響的溫度預(yù)測方面，長短期記憶網(wǎng)絡(luò)(Long short-term memory，LSTM)通過引入門控機(jī)制來控制信息的輸入，有選擇性地加入新的信息和遺忘之前累積的信息，相比于其他算法，LSTM在處理非線性和時滯性的溫度預(yù)測問題中有更強(qiáng)的適應(yīng)性和泛化能力。因此本文利用LSTM實(shí)現(xiàn)換流變油溫的預(yù)測。

2.3.1 基本原理

LSTM網(wǎng)絡(luò)模型包括忘記門、輸入門和輸出門。

(1) 忘記門層，讀取h-1和x，輸出一個0～1之間的數(shù)值f，計(jì)算公式如下

(2) 輸入門層，以當(dāng)前層的輸入x和上一時刻隱單元的輸出h-1作為輸入，輸出結(jié)果i作為將要更新的信息，公式如下

然后進(jìn)行細(xì)胞狀態(tài)更新，新的細(xì)胞狀態(tài)C由舊的狀態(tài)和忘記門、輸入門的輸出結(jié)果決定，公式 如下

(3) 輸出門層，運(yùn)行一個sigmoid層決定細(xì)胞狀態(tài)的哪部分將輸出出去。接著，把細(xì)胞狀態(tài)通過一個tanh進(jìn)行處理并將其和sigmoid門的輸出相乘作為輸出。

式中，和tanh為激活函數(shù)；W代表輸入層到隱含層的權(quán)重；W代表遞歸連接的權(quán)重；代表偏置項(xiàng)。

2.3.2 實(shí)現(xiàn)流程

本文根據(jù)換流變油溫、環(huán)境溫度以及有功功率，基于LSTM模型擬合環(huán)境溫度、運(yùn)行功率和換流變油溫之間的關(guān)系，實(shí)現(xiàn)油溫預(yù)測，具體步驟如下所示。

(1) 模型輸入和輸出參數(shù)確定。選取換流變當(dāng)前時刻油溫、換流變運(yùn)行功率、環(huán)境溫度作為輸入?yún)?shù)，輸出為下一時刻油溫?cái)?shù)據(jù)，構(gòu)建數(shù)據(jù)集。并利用灰色關(guān)聯(lián)度和K-means聚類方法[17]對數(shù)據(jù)進(jìn)行檢測和清洗，確保訓(xùn)練樣本集數(shù)據(jù)的可靠性。按照8∶1∶1比例將數(shù)據(jù)樣本集劃分為訓(xùn)練集、驗(yàn)證集和測試集。

(3) 在訓(xùn)練過程中若訓(xùn)練平均絕對誤差大于閾值，則更新權(quán)重與偏置、、，繼續(xù)與輸入相互作用進(jìn)行計(jì)算；若誤差小于閾值，則輸出結(jié)果作為另一個初始化參數(shù)。以平均絕對誤差值小于閾值為目標(biāo)通過反向傳播不斷訓(xùn)練優(yōu)化神經(jīng)網(wǎng)絡(luò)參數(shù)，直到達(dá)到較好效果并保存訓(xùn)練模型。平均絕對誤差的計(jì)算公式為

(4) 根據(jù)訓(xùn)練集得到的網(wǎng)絡(luò)模型，優(yōu)先利用驗(yàn)證集進(jìn)行測試，得到平均絕對誤差值。當(dāng)誤差值大于閾值時，調(diào)整學(xué)習(xí)率、迭代次數(shù)，再基于訓(xùn)練集進(jìn)行網(wǎng)絡(luò)的訓(xùn)練，直到得到最優(yōu)全局參數(shù)矩陣，模型訓(xùn)練完成。根據(jù)訓(xùn)練好的模型，輸入當(dāng)前時刻油溫、換流變運(yùn)行功率、環(huán)境溫度，得到下一時刻的油溫。具體實(shí)現(xiàn)流程如圖2所示。

圖2 LSTM整流變油溫預(yù)測模型流程圖

3 預(yù)警系統(tǒng)總體方案

本文以換流站內(nèi)現(xiàn)有的站內(nèi)監(jiān)控系統(tǒng)采集的信息為基礎(chǔ)，同時加裝必要的監(jiān)測和采集裝置，采集站內(nèi)所有換流變實(shí)時數(shù)據(jù)，嵌入智能分析方法，建立物聯(lián)網(wǎng)架構(gòu)下的換流變多維度分析和預(yù)警系統(tǒng)。系統(tǒng)結(jié)構(gòu)如圖3所示。換流變目前采集的油溫、線溫、油位、油中溶解氣體、換流變運(yùn)行功率、環(huán)境溫度數(shù)據(jù)經(jīng)過“站內(nèi)監(jiān)控系統(tǒng)通信服務(wù)器”接入預(yù)警系統(tǒng)。風(fēng)機(jī)加裝傳感器裝置采集運(yùn)行功率，通過IEC61850通信協(xié)議獲取IED集中通信裝置上的數(shù)據(jù)。系統(tǒng)每5 min更新一次數(shù)據(jù)，并將多維度分析和油溫預(yù)測異常診斷結(jié)果推送至系統(tǒng)預(yù)警信息頁，輔助運(yùn)維人員監(jiān)盤。

圖3 系統(tǒng)結(jié)構(gòu)

4 實(shí)例分析

4.1 樣本信息

本文搜集穗東站換流變實(shí)際運(yùn)行數(shù)據(jù)作為樣本集。雙極直流輸電系統(tǒng)中涵蓋24臺換流變，每一極配置Y/D和Y/Y兩種連接方式，6臺換流變設(shè)備。樣本集涵蓋2018年12月—2019年11月1年的運(yùn)維在線監(jiān)測數(shù)據(jù)，共計(jì)105 120條數(shù)據(jù)。狀態(tài)量包括換流變油溫、線溫、油位、換流變運(yùn)行功率、風(fēng)機(jī)運(yùn)行功率、環(huán)境溫度。

4.2 多維度評價

以2019年8月極2高端Y/DA相換流變的監(jiān)測數(shù)據(jù)為例，根據(jù)換流變風(fēng)扇投運(yùn)臺數(shù)和運(yùn)行功率，根據(jù)式(3)計(jì)算可知冷卻裕度均大于25%，系統(tǒng)狀態(tài)正常。1～16日的換流變油溫、線溫和油位的趨勢變化如圖4所示。圖4中3條曲線變化趨勢基本相同，油位在某一時刻突然出現(xiàn)斷崖式下降，但未低于油位最低告警值15%。因此基于規(guī)范規(guī)定的閾值難以識別出油位異常。

圖4 換流變溫度和油位變化趨勢

利用第2.2.2節(jié)所述的油位分析方法，對該時段監(jiān)測數(shù)據(jù)進(jìn)行分析。根據(jù)換流變穩(wěn)態(tài)時的監(jiān)測數(shù)據(jù)可知變壓器油質(zhì)量為85 595 kg，20 ℃時本體油位為38%，利用式(1)中換算該時段監(jiān)測數(shù)據(jù)如表2所示。

表2 換流變油位換算

針對線溫和油溫的分析，三相監(jiān)測值變化趨勢如圖5所示。線溫和油溫在2019年8月8日7:00這一時刻三相最大偏差值分別為24 ℃、13 ℃，超出閾值10 ℃，系統(tǒng)預(yù)警，提示換流變C相溫度過高。

圖5 換流變?nèi)嗑€溫和油溫變化趨勢

4.3 油溫預(yù)測

在穗東換流變樣本數(shù)據(jù)搜集的基礎(chǔ)上，搭建基于LSTM算法模型和仿真環(huán)境，包括Python3.7環(huán)境以及Keras、Scikit-learn、Tensorflow等函數(shù)庫，對數(shù)據(jù)進(jìn)行離線化訓(xùn)練，訓(xùn)練后的模型封裝嵌入到預(yù)警系統(tǒng)。本例中，學(xué)習(xí)率初始設(shè)定為0.01，輸入維度為3，輸出節(jié)點(diǎn)為1，將所有矩陣初始化，誤差閾值設(shè)定為2×10-2，迭代80次，迭代至20次左右時，訓(xùn)練樣本小于誤差閾值，得到預(yù)測的油溫值，訓(xùn)練結(jié)束。以換流變A相油溫為例進(jìn)行分析，圖6是測試集和訓(xùn)練集在80次迭代過程中損失值的走勢，經(jīng)過10次迭代之后損失值基本達(dá)到了穩(wěn)定狀態(tài)，平均誤差為0.029，迭代20次后平均誤差為0.024，迭代40次之后平均誤差穩(wěn)定在0.02上下。

圖6 A相油溫訓(xùn)練集和測試集損失值

換流變A相油溫測試集的預(yù)測值和真實(shí)值結(jié)果如圖7所示。真實(shí)值和預(yù)測值的數(shù)據(jù)走勢和波動基本一致，曲線貼合程度較高。

圖7 LSTM算法下油溫測試集真實(shí)值和預(yù)測值

為驗(yàn)證預(yù)測算法的準(zhǔn)確性，本文在同一數(shù)據(jù)集上，利用ARIMA方法對油溫進(jìn)行預(yù)測，預(yù)測結(jié)果如圖8所示，從圖8中可看出預(yù)測結(jié)果誤差較大，尤其在波谷時，預(yù)測值和真實(shí)值之間有一定的差距，預(yù)測值相比于真實(shí)值有一定的滯后性，誤差達(dá)到了2.9%。

圖8 ARIMA算法下油溫測試集真實(shí)值和預(yù)測值

對比LSTM和ARIMA兩種方法，LSTM預(yù)測的精確度和擬合程度明顯優(yōu)于ARIMA，LSTM能夠在不確定性的環(huán)境溫度和功率影響下兼顧油溫變化的滯后性，達(dá)到較高的預(yù)測準(zhǔn)確率，證明LSTM在換流變壓器油溫預(yù)測方面具有很強(qiáng)的適應(yīng)性。

5 結(jié)論

本文從實(shí)際工程應(yīng)用角度出發(fā)，在現(xiàn)有運(yùn)維規(guī)程的基礎(chǔ)上，提出換流變多維度分析和狀態(tài)預(yù)警方法，針對換流變重點(diǎn)監(jiān)盤的關(guān)鍵參數(shù)研究三相橫向?qū)Ρ群蜁r序趨勢分析方法，提出換流變滲漏油識別方法和基于LSTM的油溫預(yù)測，解決狀態(tài)參數(shù)預(yù)測中存在的非線性和時滯問題。算法模型和預(yù)警系統(tǒng)應(yīng)用于穗東站換流變的監(jiān)測與分析，通過實(shí)例應(yīng)用分析和驗(yàn)證了算法的有效性和可行性。該方法計(jì)算過程簡單有效，可應(yīng)用到其他換流變的智能分析，輔助現(xiàn)場運(yùn)維人員監(jiān)盤。

[1] 牟龍華，石林，許旭鋒，等. 智能換流變壓器在線監(jiān)測系統(tǒng)的設(shè)計(jì)與建模[J]. 電力系統(tǒng)及其自動化學(xué)報(bào)，2013，25(1)：23-28.

MOU Longhua，SHI Lin，XU Xufeng，et al. Designing and modeling of on-line monitoring system for smart converter transformer[J]. Proceedings of the CSU-EPSA，2013，25(1)：23-28.

[2] 牛勃，馬飛越，周秀，等. ±800 kV換流變壓器在線監(jiān)測信號的異常分析與處理[J]. 高壓電器，2018，54(11)：245-252，259.

NIU Bo，MA Feiyue，ZHOU Xiu，et al. Analysis and treatment of on-line monitoring abnormal signal in ±800 kV converter transformer[J]. High Voltage Apparatus，2018，54(11)：245-252，259.

[3] 阮羚，謝齊家，高勝友，等. 人工神經(jīng)網(wǎng)絡(luò)和信息融合技術(shù)在變壓器狀態(tài)評估中的應(yīng)用[J]. 高電壓技術(shù)，2014，40(3)：822-828.

RUAN Ling，XIE Qijia，GAO Shengyou，et al. Application of artificial neural network and information fusion technology in power transformer condition assessment[J]. High Voltage Engineering，2014，40(3)：822-828.

[4] 李剛，于長海，范輝，等. 基于多級決策融合模型的電力變壓器故障深度診斷方法[J]. 電力自動化設(shè)備，2017(11)：144-150.

LI Gang，YU Changhai，F(xiàn)AN Hui，et al. Deep fault diagnosis of power transformer based on multilevel decision fusion model[J]. Electric Power Automation Equipment，2017(11)：144-150.

[5] EMARA M M，PEPPAS G D，GONOS I. Two graphical shapes based on DGA for power transformer fault types discrimination[J]. IEEE Transactions on Dielectrics and Electrical Insulation，2021，28(3)：981-987.

[6] 周春陽，李亞錦，劉英男，等. 基于貝葉斯推理和多傳感器信息融合的換流變?nèi)毕莘诸愃惴ㄑ芯縖J]. 變壓器，2020，57(11)：15-20.

ZHOU Chunyang，LI Yajin，LIU Yingnan，et al. Transformer fault diagnosis method based on Bayesian interference and multi-dimensional information fusion[J]. Transformer，2020，57(11)：15-20.

[7] 張育杰，李典陽，馮健，等. 基于多模型選擇性融合的變壓器在線故障診斷[J]. 電力系統(tǒng)自動化，2021，45(13)：95-101.

ZHANG Yujie，LI Dianyang，F(xiàn)ENG Jian，et al. On-line fault diagnosis for transformer based on selective fusion of multiple models[J]. Automation of Electric Power Systems，2021，45(13)：95-101.

[8] 彭紅霞，文艷，王磊，等. 基于兩層知識架構(gòu)的電力設(shè)備差異化運(yùn)維技術(shù)[J]. 高壓電器，2019，55(7)：221-226.

PENG Hongxia，WEN Yan，WANG Lei，et al. Differential operating maintenance technology of power equipment based on two-layer knowledge architecture[J]. High Voltage Apparatus，2019，55(7)：221-226.

[9] 黃海波，雷紅才，周衛(wèi)華，等. 基于不停電檢測的變壓器狀態(tài)檢修優(yōu)化[J]. 高電壓技術(shù)，2019，45(10)：3300-3307.

HUANG Haibo，LEI Hongcai，ZHOU Weihua，et al. Research on transformer condition-based maintenance optimization based on non power-off detection[J]. High Voltage Engineering，2019，45(10)：3300-3307.

[10] 蘇寧，李亞錦，張婉瑩，等. 基于LSTM算法的變電設(shè)備發(fā)熱預(yù)測技術(shù)研究[J]. 山東電力技術(shù)，2021，48(6)：10-14.

SU Ning，LI Yajin，ZHANG Wanying，et al. Research on heating defect prediction of substation equipment based on LSTM[J]. Shangdong Electric Power，2021，48(6)：10-14.

[11] 何先華，張遠(yuǎn)鵬，崔桂興，等. 基于回歸算法的變壓器故障檢測方法研究[J]. 電力系統(tǒng)保護(hù)與控制，2020，48(21)：132-139.

HE Xianhua，ZHANG Yuanpeng，CUI Guixing，et al. Research on transformer fault detection method based on a regression algorithm[J]. Power System Protection and Control，2020，48(21)：132-139.

[12] 謝樂，衡熙丹，劉洋，等. 基于線性判別分析和分步機(jī)器學(xué)習(xí)的變壓器故障診斷[J]. 浙江大學(xué)學(xué)報(bào)，2020，54(11)：2266-2272.

XIE Le，HENG Xidan，LIU Yang，et al.Transformer fault diagnosis based on linear discriminant analysis and step-by-step machine learning[J]. Journal of Zhejiang University，2020，54(11)：2266-2272.

[13] ZOLLANVARI A，KUNANBAYEV K M，BITAGHSIR S A，et al. Transformer fault prognosis using deep recurrent neural network over vibration signals[J]. IEEE Transactions on Instrumentation and Measurement，2020，70(99)：1-12.

[14] SZéKELY G J，RIZZO M L，BAKIROV N K. Measuring and testing dependence by correlation of distances[J]. Annals of Statistics，2007，35(6)：2769-2794.

[15] 楊荊林，謝超，李乾坤，等. 穗東站換流變壓器本體油位異常分析及帶電處理[J]. 南方電網(wǎng)技術(shù)，2013，7(6)：63-65.

YANG Jinglin，XIE Chao，LI Qiankun，et al. Analysis of the oil level abnormity of converter transformer body at suidong substation and its on-line disposal[J]. Southern Power System Technology，2013，7(6)：63-65.

[16] 廖毅，羅煒，蔣峰偉，等. 換流閥冷卻能力多維度分析與預(yù)警模型[J]. 南方電網(wǎng)技術(shù)，2020，14(7)：1-9.

LIAO Yi，LUO Wei，JIANG Fengwei，et al. Multi-dimensional analysis and early warning model for the cooling capacity of converter valve[J]. Southern Power System Technology，2020，14(7)：1-9.

[17] 錢宇騁，甄超，季坤，等. 變壓器在線監(jiān)測數(shù)據(jù)異常值檢測與清洗[J]. 哈爾濱理工大學(xué)學(xué)報(bào)，2020，25(5)：15-22.

QIAN Yucheng，ZHEN Chao，JI Kun，et al. Transformer online monitoring data abnormal value detection and cleaning[J]. Journal of Harbin University of Science and Technology，2020，25(5)：15-22.

Multi-dimensional Analysis and Early Warning Model of Converter Transformer

ZHOU Chunyang1LI Yajin2DENG Guangwu1LIU Yingnan2YU Dayang2

(1. Guangzhou Bureau EHV Power Transmission Company of CSG, Guangzhou 510000；2. School of Electrical Engineering, Shandong University, Jinan 250061)

Due to the difference of operation environment and working conditions of converter equipment, the threshold set by relevant operation and maintenance specifications has certain limitations in abnormal diagnosis. Based on the engineering application, a multi-dimensional analysis and early warning method is proposed. The multi-dimensional analysis algorithm of temperature, oil level and cooling capacity are established to evaluate the current state of converterfor the key parameters of converter transformer. On the basis of multi-dimensional analysis, the oil temperature prediction algorithm based on LSTM is proposed to realize the trend identification of the operation state of the converter. The algorithm model is deployed and applied in ±800 kV Suidong substation, and the results show that the algorithm model can effectively identify the abnormal operation state of converter transformer.

Converter transformer；online monitoring；multi-dimensional analysis；temperature prediction

10.11985/2021.04.019

TM407

20210527收到初稿，20210715收到修改稿

周春陽，男，1985年生，碩士，高級工程師。主要從事高壓直流換流站設(shè)備運(yùn)行及維護(hù)。E-mail：zcy8512@163.com

李亞錦(通信作者)，女，1989年生，碩士，助理研究員。主要從事電力系統(tǒng)優(yōu)化建模與設(shè)計(jì)研究。E-mail：liyajin@sdu.edu.cn

鄧光武，男，1977年生，碩士，高級工程師。主要從事高壓直流輸電技術(shù)研究及運(yùn)行維護(hù)管理。E-mail：guangwudeng@163.com

劉英男，男，1987年生，碩士，助理研究員。主要從事變電站在線監(jiān)測及智能運(yùn)維技術(shù)研究。E-mail：liuyingnan@sdu.edu.cn

于大洋，男，1979年生，博士，副教授。主要從事電力系統(tǒng)優(yōu)化技術(shù)研究。E-mail：yudayang@sdu.edu.cn