李 洵, 龍玉江, 舒 彧, 楊濡蔓, 衛(wèi) 薇

(貴州電網有限責任公司信息中心, 貴州 貴陽 550000)

2021年9月18日,國家能源局發(fā)布了上半年我國電力工業(yè)統計數據:“截至8月底,全國發(fā)電裝機容量22.8億kW,同比增長9.5%。其中:風電裝機容量約3.0億kW,同比增長33.8%;太陽能發(fā)電裝機容量約2.8億kW,同比增長24.6%?！彪S著用電規(guī)模的不斷擴大,輸變電結構日益復雜,在響應國家雙碳號召的百年未有之大變局中,關鍵的一個階段就是電廠到用戶的輸變電階段。

輸變電設備是電力系統發(fā)電、輸電和配電的重要組成部分,電網的穩(wěn)定運行和電能輸送與輸變電設備的壽命、性能和安全性等因素有直接關系[1]。輸變電設備在實際運行過程中會受到過負荷、過電壓、內部絕緣老化、自然環(huán)境異常等事件的影響,這些異常運行狀態(tài)會導致設備缺陷和故障的發(fā)生[2]。輸變電設備作為電力系統的關鍵部件,當出現嚴重故障時,不僅會影響電力設備本身,還會影響周圍的設施、設備。更換或修理輸變電設備,除了價格十分昂貴之外,還需要大量的時間。在全國發(fā)電、輸電和配電系統中,成千上萬這樣的電力設備晝夜不停地在運轉。因此,它們的可靠性問題在日益復雜的電力系統中格外突出,更應引起重視。

當惡劣天氣出現時,電力變壓器有可能會出現不可逆轉的故障,無疑會對整個輸送電體系造成影響。特別是最近受煤炭資源日益緊張的影響,電廠成本大幅提高,輸送電的安全性必須得到保證。這也是我國居民用電和工業(yè)用電的迫切需要。

國內外學者對輸變電設備狀態(tài)檢測的研究取得了豐碩的成果,包括基于全壽命周期管理的狀態(tài)檢修策略[3]、輸變電設備狀態(tài)檢修在線決策系統[4]、基于D-S證據理論的輸變電設備多目標狀態(tài)檢修[5]等。

隨著電子、計算機、光電、信號處理和各種傳感技術的發(fā)展,電力設備在線狀態(tài)智能化和精確化檢測(包括機器視覺檢測、深度學習檢測和無損缺陷檢測等)技術高速發(fā)展[6],以往輸變電設備的人工檢測已經逐漸不適應新時代國家能源保障的需求。為了提高電網的穩(wěn)定性,保障居民和工業(yè)用電需求,采用新型輸變電設備檢測技術刻不容緩,而對電網進行預防式、主動式的預先檢測正逐漸成為主流。

1 輸變電設備狀態(tài)檢測現狀

目前,我國電力企業(yè)主要采用定期檢修(Time Based Maintenance,TBM)和事后檢修(Corrective Maintenance,CM)相結合的檢修模式[7]。這些變壓器檢修策略將線下檢查與線上在線設備檢測的結果結合起來,進而對其運行狀態(tài)趨勢及可能出現的受損情況作出評估。再根據具體嚴重程度派出不同種類的維修分隊。其中,組織電力變壓器維修的關鍵是對設備運行狀況進行正確、有效的評估,并根據受損程度提出經濟、合理的維修方案。評估結論和維修決策結果直接關系到維修工作的實施效果[8]。

隨著時間的推移,有些變壓器內部不可避免地出現問題。小故障可能演變成更嚴重的狀況,導致無法修復或電力設備的損壞。診斷系統的主要目標是檢測故障的初始狀態(tài),并識別故障類型[9]。這能幫助工程師分析情況,并采取預防和糾正措施,以最大限度地延長電力變壓器的壽命。

根據調查研究顯示,導致輸變電設備故障的原因有設備固有缺陷、接觸面氧化腐蝕、螺栓松動脫落、導線散股、設計載流量不足等[10]。設備固有缺陷通常是以往缺陷的積累集合,一些沒被處理的缺陷積少成多,進而導致設備發(fā)生故障。接觸面暴露在外時間過長,沒有進行定期的維護與檢修,易發(fā)生靜電事故。螺栓與導線則是因為設計時沒有充分考慮高負荷大規(guī)模運轉,產生了金屬疲勞。載流量受限于成本,大規(guī)模的輸變電對變電站、導線、接觸面都是極大的考驗。

進入21世紀,輸變電設備狀況檢測的方法急劇增多,各類傳感器也被應用于檢測領域,包括局部靜電偵測、色譜儀、光電傳感器等。我國在高精度傳感器、潤滑油成分檢測、特高頻信號分析診斷方面的研究較深入,應用也比較廣泛。針對變壓器、氣體絕緣金屬封閉開關設備等電力設備的狀態(tài)檢測手段,包括但不限于局部放電、油中溶解氣體分析(Dissolved Gas Analysis,DGA)、振動波譜以及溫度驟變、SF6壓差以及SF6成分提取等方法。其應用的局部放電檢測方法可以分為特高頻(Ultra High Frequency,UHF)檢測法、暫態(tài)地電壓(地電波)開關柜局放檢測技術(EA Technology)、耦合電容法、化學監(jiān)測法和光學監(jiān)測法5類。這里需要指出的是,UHF和EA方法研究結果較成熟,應用較廣,而用振動信號診斷結果來判斷輸變電設備中關鍵部位線圈性能優(yōu)劣、基于紅外和可見光圖像識別等檢測方法是國內近年來研發(fā)出的具有優(yōu)秀應用成果的新方法[11]。

輸變電設備中油的成分通常包含著設備運轉狀況的信息,輸變電設備油通常是絕緣、散熱和構成介質環(huán)境的礦物油。DGA技術可以在電力設備運轉的同時提取油樣,最大程度地提高電力系統的可靠性。當熱或電故障破壞了油的碳碳鍵或是碳氫鍵時,將分解產生不同含量和類型的碳氫化合物等氣體,由此可以判斷出故障類型及其嚴重程度。

國際標準IEC 60599為氣體濃度設置了邊界,將不同的故障進行分類,在解釋邊界定義的局限性上,提供了模糊處理方法,使得故障易于分類。具體如表1和圖1所示[12]。

表1 IEC 60599氣體比率間隔

圖1 IEC 60599氣體比率的圖形表示

表1中,“…”表示無論值是多少并不重要,閾值太小了。

在故障診斷的調試過程,人工神經網絡(Artificial Neural Network,ANN)由于其優(yōu)越的學習能力和處理錯誤數據的內在能力已被用于DGA技術中。這些系統在不斷學習樣本數據后取得了不錯的結果。但是,神經網絡訓練往往是一個緩慢的過程,因為它對局部極小值的存在極其敏感,而在反向傳播這一特征時卻存在困難。

當前檢測方法也進入了人工智能階段,各類智能算法也被應用于狀態(tài)檢測中,并且也已經取得了良好的應用成果[13]。

2 深度學習技術在輸變電設備狀態(tài)檢測中的研究現狀

隨著以卷積神經網絡(Convolutional Neural Networks,CNN)為主要代表的深度學習技術的發(fā)展,給電廠電力設備運行狀態(tài)的實時智能監(jiān)測、故障診斷提供了智能化方法,也給實現電力巡檢自動化和智能化提出了新的創(chuàng)新思路和建設方案,進而實現智慧電廠。云計算、邊緣計算、大數據分析等先進信息技術的迅猛發(fā)展,給深度學習技術的推進和發(fā)展提供了強有力的支撐,也促使人們對于深度學習的應用和發(fā)展有了更深的關注[14]。在電力系統領域也有一些涉及到輸變電設備評估診斷的相關研究。

深度學習的本質是利用算法,模擬神經元的工作機制(相互連接、信息傳遞)處理分析實驗數據。在對底層特征進行組合重構的同時,對頂層特征進行模擬與表示,繼而實現對檢測物進行辨別和分類。在對比深度學習和人工分析的結果后,得出深度學習總結出的特征更符合樣本。

深度學習模型很多,常用的模型有:CNN、深度信念網絡(Deep Belief Network,DBN)、生成式對抗網絡(Generative Adversarial Networks,GAN)等。本文主要介紹在變壓器檢測方面使用較多的CNN與DBN。

2.1 CNN

CNN是一類包含卷積計算且具有深度結構的前饋神經網絡,是深度學習的代表算法之一[15-16]。其通過建立層層卷積數據的濾波器,逐層提取輸入樣本的特征,輸出數據可以得到對輸入數據平移旋轉或者縮放都不會改變的結果。該網絡的特點在于其對大量數據的處理能力較強,并且省去了將數據矢量化運算的步驟。此外,CNN可并行運算樣本數據,不僅減少了大量自由參數,而且在運算速度上也得到大幅提升。同時,當數據輸入到CNN中時,CNN表現出較高的畸變容差能力,能更加準確地提取和表達數據的特征,可以通過利用局部感受野的方式,有效減少權值的數量,從而降低了網絡模型的復雜度[17]。

2.2 DBN

DBN一般由兩層神經網絡組合而成,兩層間互相傳遞數據,但層中的各網格相互獨立。其訓練過程包括預調制和后期處理兩個步驟:一是預調制中兩層神經網絡單獨訓練,并最大化減少對特征元素的刪減;二是為了使整體DBN模型的計算結果更準確,通常使用誤差反向傳播算法(error Back Propagation,BP)對兩層的數據進行后期處理,保證兩層網絡的統一性和可靠性。

MIRANDA V[12]于2012年提出基于溶解氣體分析技術的電力變壓器早期故障診斷新方法。使用氣體濃度比和信息理論均值移位算法結合神經網絡研究,并采用信息論學習MeanShift算法用于創(chuàng)建虛擬點來訓練神經網絡,用真實數據補充驗證。廖瑞金等人[18]將神經網絡方法用于變壓器的故障診斷中,提出了一種將多神經網絡與證據理論相結合的變壓器故障診斷方法。該方法將神經網絡和證據理論進行相互融合,即融合變壓器色譜數據和試驗得到的數據,充分利用色譜數據和電氣試驗數據的冗余、互補信息,使多特征綜合診斷結果的準確性和可靠性得到提高,在電網中有較大發(fā)展前景。

劉循等人[19]在傳統DGA方法的基礎上,融入模糊神經網絡,得到一類全局診斷變壓器各部位故障的方法。其提出的變壓器全局故障診斷方法,對輸入和輸出層面上的結果進行模糊處理,在映射關系上采用模糊算法來減小誤差,避免了傳統神經網絡經常被局部極值影響的缺點,提高了針對不同故障類別的診斷精度,從根本上解決了單一DGA方法存在極值位置不足的問題。具體結果如表2和表3所示。

表2 故障征兆和故障類別集

表3 訓練及診斷精度統計

代杰杰等人[20]在2017年提出了基于DBN的預測方法,預測油中溶解氣體濃度的發(fā)展趨勢,建立了一種基于DBN的故障診斷專家系統。該系統理論模型能自動提取輸入模型數據間的有效特征信息,預測和統計狀態(tài)量的變化趨勢,與傳統預測方法相比,表現出更好的泛化能力,避免了因主觀選擇閾值而引起誤差。另外,考慮到氣體組分、含量、油溫和環(huán)境溫度的相關性,比單一氣體含量來考慮和預測的方法更加全面科學,尤其是在數據頻繁波動時,系統模型的擬合能力更強,從而達到更高的預測精度。

3 結 語

本文通過對基于深度學習技術的輸變電設備狀態(tài)檢測現狀進行多方面分析,得到了深度學習技術中CNN和DBN技術對輸變電設備狀態(tài)檢測的特點。相比于普通的神經網絡來說,深度學習具有更深層的網絡結構以及更廣泛的輸入輸出神經元的特點,在面對量級大、維度高的數據時,仍能保持較高的診斷精度。

但深度學習方法也存在一些不足和局限性,比如時效性等問題,因此在面對海量的輸變電設備狀態(tài)監(jiān)測數據時,如何高效地組建有效率的深度網絡,如何與云計算、邊緣計算、分布式等技術有效結合以提高診斷效率,是深度學習技術在輸變電設備狀態(tài)檢測應用中未來的研究重點。