王一宇，朱大銘，司昌健，安英海

(1.國網(wǎng)吉林省電力有限公司檢修公司，長春 130022；2.國網(wǎng)吉林省電力有限公司，長春 130028；3.國網(wǎng)吉林省電力有限公司電力科學研究院，長春 130021)

變壓器內(nèi)部結(jié)構(gòu)復雜、制造工藝要求較高且其運行環(huán)境差異較大，如變壓器運行過程中內(nèi)部絕緣發(fā)生故障，一旦未及時發(fā)現(xiàn)并處理，將造成變壓器保護動作甚至爆炸，存在大面積停電等電網(wǎng)安全風險。目前各供電公司普遍采用油色譜定期試驗，初步診斷變壓器內(nèi)部是否存在缺陷。但在設備運行、例行試驗、故障診斷、故障分析處理等設備管理過程中，設備試驗數(shù)據(jù)、診斷方法、故障分析報告、技術方案等知識點較分散，無法為管理人員和現(xiàn)場人員提供較為系統(tǒng)、完整的支撐信息[1]。

針對上述問題，本文利用基于神經(jīng)元(neuron)算法的變壓器油色譜故障診斷方法，建立電網(wǎng)主設備知識庫服務應用，對變壓器油色譜試驗數(shù)據(jù)，運用神經(jīng)元算法智能診斷故障類型，再根據(jù)故障類型、設備型號、生產(chǎn)廠家、電壓等級等特征標簽，自動推送相似故障案例及技術方案，解決了設備管理知識分散、缺少系統(tǒng)性信息支撐等問題，為管理人員制定檢修決策和現(xiàn)場人員實施故障處理提供了有效的技術手段。

1 基于神經(jīng)元算法的變壓器油色譜故障診斷方法

采用神經(jīng)元算法診斷變壓器故障的優(yōu)勢:一是神經(jīng)網(wǎng)絡能任意精度逼近任意非線性函數(shù),可利用這一特點建立故障的非線性數(shù)學模型進行故障診斷；二是神經(jīng)網(wǎng)絡具有強大的分類能力,讓網(wǎng)絡進行故障模式的分類與學習,可準確地診斷出故障。

算法原理：先將輸入樣本送入輸入層神經(jīng)元，逐層將信號進行前傳，直到輸出層輸出結(jié)果；然后計算輸出層實際輸出與預期輸出之間的誤差；再將誤差以逆向傳播送至隱藏層神經(jīng)元；最后利用隱層神經(jīng)元的誤差對權重和閾值給予調(diào)整。該迭代過程循環(huán)進行，直至達到訓練誤差滿足要求為止。

根據(jù)神經(jīng)元拓撲結(jié)構(gòu)網(wǎng)絡(見圖1)，對于第i個神經(jīng)元，x1，x2，…，xj為神經(jīng)元的輸入，w1，w2，…，wj為連接權值調(diào)節(jié)各個輸入量的占量比。θj表示該神經(jīng)元的閾值，選擇S型函數(shù)f(x)=1/(1+e-x)作為激活函數(shù)。設第一個輸入閾值為θj，權值為-1，則得到神經(jīng)網(wǎng)絡輸出公式：

圖1 神經(jīng)元拓撲結(jié)構(gòu)

(1)

給定訓練集D=(x1,y1)，(x2,y2)，…,(xn,yn),xi∈Rd,yi∈Rl,表示輸入示例由d個屬性組成，輸出l維實值變量。BP神經(jīng)網(wǎng)絡模型中有輸入層、隱藏層、輸出層，設vih為輸入層到隱藏層的權值，γh為隱藏層第h個神經(jīng)元的閾值，bh為第h個隱藏神經(jīng)元的輸入，αh為隱藏層第h個神經(jīng)元的輸出，whj為隱藏層到輸出層的權值，θj為輸出層第j個神經(jīng)元的閾值，βj為第j個輸出神經(jīng)元的輸入。則有公式：

(2)

(3)

(4)

輸出值與期望值的均方誤差為Ek，其公式為：

(5)

以輸出的均方誤差最小為目標，給定學習率η∈(0,1)，對權值的負梯度方向給予調(diào)整：

(6)

而w的更新估計式為：

w=w+Δw

(7)

(8)

所以eh可以看做是“調(diào)節(jié)后的誤差”，gj是經(jīng)歷了神經(jīng)網(wǎng)絡以后調(diào)節(jié)過后的誤差。其中，權值調(diào)節(jié)量為學習率、調(diào)節(jié)后誤差與上層節(jié)點輸出的乘積。

選定H2，CH4，C2H6，CH4，C2H25種氣體體積分數(shù)與其混合后的混合氣體體積分數(shù)的比值作為輸入向量。設計輸出向量共6個，分別表示變壓器的6種故障類型：低溫過熱、中溫過熱、高溫過熱、局部放電、電弧放電和火花放電。網(wǎng)絡輸出為1表示屬于此類故障，0則表示不屬于此類故障。神經(jīng)元輸出越接近1說明變壓器屬于該類故障的概率越大，反之越小。據(jù)此，需建立一個正向映射，輸出向量概率在[0,1]，當輸入向量越接近1時輸出向量也接近1，輸入越接近于1時映射的輸出越接近于1，反之接近0[2]。

2 電網(wǎng)主設備知識庫知識服務的搭建

電網(wǎng)主設備知識庫立足于設備知識管理與信息技術整合應用，建立電網(wǎng)設備數(shù)據(jù)共享接入、數(shù)據(jù)結(jié)構(gòu)化處理、設備知識智能應用的電網(wǎng)主設備知識管理體系，實現(xiàn)“不知道的查看、不明白的解析、不會做的指導、想不到的推送”目標定位。支持設備運行維護人員、管理人員對不明白的知識提供解釋和幫助，如設備色譜試驗數(shù)據(jù)異常，判斷是放電還是過熱，影響多大、一般發(fā)展速度是什么等。

電網(wǎng)主設備知識庫整合了目前輸變電生產(chǎn)數(shù)據(jù)、在線監(jiān)測數(shù)據(jù)、試驗報告、技術標準、企業(yè)制度、設備故障異常分析報告等各方面知識，結(jié)合變壓器油色譜智能診斷算法，當設備診斷為異常故障時，按設備型號、設備類型等特征標簽，自動推送同型號、同設備類型故障分析及故障處理信息，輔助現(xiàn)場人員找出各類異常故障的分布、特點，為現(xiàn)場搶修消缺、大修技改、監(jiān)測維護等提供決策輔助性支持。

2.1 油色譜智能診斷

電網(wǎng)主設備知識庫色譜智能功能包含三種智能診斷方法，分別是神經(jīng)元算法、三比值方法及拆分法。利用三種智能診斷方法，系統(tǒng)自動判斷變壓器異常故障，給出判斷結(jié)論，為專家提供輔助診斷依據(jù)。

2.2 智能推送案例

為進一步擴展知識服務應用，將設備基礎數(shù)據(jù)、智能診斷結(jié)果、故障分析報告、技術標準等多方面知識融合應用，利用智能診斷結(jié)果，提取設備特征值，自動推送相關故障案例或技術方案。以設備類別、部件、生產(chǎn)廠家、型號、現(xiàn)象關鍵詞、試驗科目等作為特征值，系統(tǒng)通過數(shù)據(jù)抽取、數(shù)據(jù)消歧、數(shù)據(jù)匹配等數(shù)據(jù)處理過程，將案例庫中的故障資料、往期故障案例與輸入的特征值進行匹配，計算出匹配相似度，精準推送出故障相關案例和技術方案，并提供設備臺賬、技術標準等相關知識的快捷鏈接，為現(xiàn)場人員提供故障處理指導。故障案例推送過程見圖2。

圖2 故障案例推送過程

3 應用實例

本文選取某供電公司220 kV變電站 66 kV 1號所用變壓器2019年4月到2020年5月四次油色譜例行試驗數(shù)據(jù)，數(shù)據(jù)見表1。

表1 某220 kV變電站 66 kV 1號所用變壓器例行試驗數(shù)據(jù) μL/L

從表1中可以看出，在2020年5月的兩次例行試驗中，乙炔體積分數(shù)均超過2 μL/L，利用系統(tǒng)色譜智能功能，三比值法與神經(jīng)元算法的診斷結(jié)果均為電弧放電。

經(jīng)專家認定，該220 kV變電站66 kV 1號所用變壓器故障為電弧放電。進一步應用輔助診斷功能，將該設備基本信息、油色譜試驗數(shù)據(jù)、智能診斷結(jié)果做為基礎輸入數(shù)據(jù)，從基礎數(shù)據(jù)中，提取了設備類型、部件、廠家、型號、現(xiàn)象關鍵詞、試驗科目6個特征值，通過數(shù)據(jù)匹配及相似度計算，系統(tǒng)自動推送“春城變電站220 kV變電站3號主變跳閘”等6個相關案例。同時，在相關搜索中可直接查看該設備臺賬數(shù)據(jù)、油色譜歷史數(shù)據(jù)、同型號設備說明書、設備資料及相關的技術標準等。

利用系統(tǒng)給出的66 kV 1號所用變壓器油色譜智能診斷結(jié)果，并結(jié)合輔助診斷自動推送的相關案例知識，設備管理人員迅速制定檢修方案，對該設備進行故障處理。

4 結(jié)束語

利用基于神經(jīng)元算法的變壓器油色譜故障診斷方法，建立電網(wǎng)主設備知識庫服務應用，將設備基礎數(shù)據(jù)、智能診斷結(jié)果、故障分析報告、技術標準等多方面知識融合應用，構(gòu)建設備知識管理體系，為設備管理人員、現(xiàn)場人員提供故障診斷、輔助決策、實施方案等多方面知識，實現(xiàn)知識共享與應用，有效提高供電企業(yè)設備知識管理水平。在實際應用中，更發(fā)揮了智能診斷與知識融合應用的優(yōu)勢，為設備智能化、精益化管理奠定基石。