林 聰,何兆磊,朱夢夢,趙 靜

(1.云南電網(wǎng)有限責(zé)任公司計量中心,云南 昆明 650011) (2.中國南方電網(wǎng)公司電能計量重點實驗室,云南 昆明 650217) (3.云南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院,云南 昆明 650217)

基于新能源的新一代電網(wǎng)呈現(xiàn)出大容量、高電壓、智能化、高可靠性和可持續(xù)發(fā)展的特點[1-3]。智能電網(wǎng)是一種高度智能化、分布廣泛的網(wǎng)絡(luò),它由先進(jìn)的監(jiān)控技術(shù)、高性能的電子設(shè)備和通信技術(shù)組成[4-5]。將各種電子設(shè)備引入電力系統(tǒng)會導(dǎo)致產(chǎn)生更復(fù)雜的諧波,與現(xiàn)有波形不同,從而加速絕緣老化、過熱動力設(shè)備,縮短動力設(shè)備壽命[6]。上述種種特點對變壓器的狀態(tài)監(jiān)測與診斷提出了新的要求。對于電力設(shè)備狀態(tài)的監(jiān)測和評估,通常采用在線和離線方法。近年來,信息技術(shù)、計算機技術(shù)、傳感器技術(shù)等新技術(shù)的快速發(fā)展,使變壓器狀態(tài)監(jiān)測和故障診斷技術(shù)取得了新的進(jìn)展[7-8],對于變壓器實際應(yīng)用具有一定的意義與作用?；诖?本文以110 kV和10 kV變壓器為研究對象,建立了基于最小二乘支持向量機(LS-SVM)算法的變壓器故障診斷模型,并通過變壓器鐵心振動的典型故障狀態(tài)預(yù)測結(jié)果驗證了LS-SVM算法的精準(zhǔn)性,以期為變壓器的檢修提供技術(shù)指導(dǎo)。

1 變壓器故障診斷模型

LS-SVM算法將二次規(guī)劃轉(zhuǎn)化為線性方程組求解問題,加快求解速度的同時有效降低了計算的復(fù)雜性,是標(biāo)準(zhǔn)SVM的一種擴展。算法通過式(1)對未知函數(shù)進(jìn)行求解。

f(x)=ωT·φ(x)+b

(1)

式中:f(x)為分類決策函數(shù),ω為超平面的權(quán)值矢量,φ(x)為映射函數(shù),b為偏置常數(shù)。

給定訓(xùn)練樣本集,將最優(yōu)分類超平面歸一化后,對樣本集數(shù)據(jù)進(jìn)行分類,得到一個帶約束的優(yōu)化問題:

(2)

式中:J為代價函數(shù),λ為正規(guī)化參數(shù),ξi為松弛變量。

約束條件為:

yi=ωφ(xi)+b+ξii=1,2,…,N

(3)

式中:yi為約束函數(shù),b為權(quán)重向量,N為變量總數(shù),φ(xi)為映射函數(shù)變量。

根據(jù)約束條件和目標(biāo)函數(shù)建立拉格朗日函數(shù)L(·),優(yōu)化問題變?yōu)槎蝺?yōu)化問題:

(4)

式中:α為拉格朗日乘數(shù),ξ為松弛變量,αi為拉格朗日乘數(shù)分量。

為加快求解速度,基于庫恩-塔克條件可得:

(5)

本文將無線射頻識別(RFID)標(biāo)簽與振動傳感器相融合,以超級電容作為備用供能設(shè)備,使其具備振動信號測量功能,通過光伏電池實現(xiàn)RFID傳感器的長期持續(xù)性工作。自取能RFID傳感器設(shè)計如圖1所示。

圖1 自取能RFID傳感器結(jié)構(gòu)圖

為確定檢修的時間節(jié)點,需對變壓器進(jìn)行故障預(yù)測?；谧儔浩鳡顟B(tài)數(shù)據(jù)預(yù)測變壓器的剩余壽命值 (remaining useful life, RUL)值,如圖2所示。

圖2 變壓器故障診斷流程

變壓器故障特征提取方法包括時頻域、頻域以及時域特征提取。時域特征提取方法主要有方差、峭度、傾斜度、峰值以及絕對均值等。其中,頻域特征提取對于低頻分辨率礦井變壓器故障特征的提取效果并不理想。由于受強電磁的干擾,礦井變壓器振動信號大多具有非線性和非平穩(wěn)性,導(dǎo)致時域特征提取的診斷精度不高。因此,本文以Hilbert邊際譜圖為變壓器故障特征參數(shù),并利用時頻分析法對其振動信號進(jìn)行采集。

2 結(jié)果與討論

以云南昆明某110 kV三相變壓器和10 kV單相變壓器為研究對象,取2020年12月15日—2021年5月15日時間段內(nèi)的運行數(shù)據(jù)作為樣板數(shù)據(jù)。變壓器正常運行時其振動信號波形和狀態(tài)指數(shù)保持穩(wěn)定,發(fā)生故障時,Hilbert 邊際譜波和振動信號的分布會發(fā)生畸變,狀態(tài)指數(shù)會偏離正常值。因此,故障預(yù)測需要獲取海量狀態(tài)指數(shù)信息用于訓(xùn)練故障預(yù)測模型。針對變壓器進(jìn)行故障預(yù)測,其流程如圖3所示。

圖3 變壓器故障診斷流程

為測試變壓器鐵芯和繞組更換過程對模型測量精度的干擾程度,對不同條件下變壓器高壓C相進(jìn)行掃頻測試,變壓器頻率響應(yīng)變化如圖4所示。由圖可以看出,拆卸變壓器并更換鐵芯和繞組后變壓器的頻率響應(yīng)曲線無明顯變化,即更換變壓器鐵芯與繞組未對本身結(jié)構(gòu)造成影響,進(jìn)一步表明診斷結(jié)果不會因鐵芯和繞組的更換而發(fā)生變化。

圖4 變壓器頻率響應(yīng)曲線

選擇鐵芯松動、鐵芯形變、繞組松動以及繞組形變4種典型的機械故障類型進(jìn)行預(yù)測;此外,對于混合故障需通過振動信號分別對繞組和鐵芯的每一種故障進(jìn)行診斷。對于故障診斷而言,需確定狀態(tài)指數(shù)的失效閾值,為此,分別測試了故障發(fā)生時變壓器鐵芯及繞組對應(yīng)的Hilbert邊際譜圖,如圖5所示。根據(jù)變壓器Hilbert邊際譜圖計算得到相應(yīng)的失效閾值,見表1?？梢钥闯?不同變壓器組件的失效閾值有較大差異,主要是由于變壓器鐵芯與繞組二者間的故障機制和振動頻譜存在較大差異,不同故障的表現(xiàn)并不一致。

圖5 不同故障條件下變壓器的Hilbert邊際譜圖

表1 不同故障下變壓器組件的失效閾值

核函數(shù)系數(shù)通過量子遺傳算法優(yōu)化生成,分別測量4種故障類型1 200個時間節(jié)點數(shù)據(jù),其中800個時間節(jié)點數(shù)據(jù)用于測試模型性能,400個時間節(jié)點數(shù)據(jù)用于訓(xùn)練LS-SVM模型。以10 kV鐵芯形變?yōu)槔?其診斷結(jié)果如圖6所示。可以看出,優(yōu)化生成LS-SVM模型的預(yù)測總諧波畸變(THD)值與真實THD值基本一致,進(jìn)一步表明LS-SVM故障診斷模型能夠準(zhǔn)確預(yù)測變壓器故障狀態(tài)指數(shù)隨時間的變化情況。

圖6 10 kV鐵芯形變總諧波畸變

故障預(yù)測中一般將剩余使用壽命(RUL)、相對誤差(RA)和絕對誤差(AE)作為預(yù)測效果評價指標(biāo)。各實例中的診斷RUL、AE以及RA值見表2?？梢钥闯?各個實例中的RA與AE均較小,其中實例6(110 kV三相變壓器鐵芯形變)的誤差最大,其相對誤差最大為2.67%;實例1(10 kV單相變壓器鐵芯松動)和實例7(110 kV三相變壓器繞組松動)的誤差最小,其相對誤差僅為0.99%。上述結(jié)果證明LS-SVM算法能夠有效增強變壓器的檢修指導(dǎo),可以獲取較為精確的故障發(fā)展趨勢數(shù)據(jù)。

表2 各實例中的診斷RUL、AE以及RA值

為驗證變壓器故障診斷模型的泛化能力,對不同服役年限(2 a、4 a、6 a以及8 a)變壓器進(jìn)行故障預(yù)測,結(jié)果如圖7所示?？梢钥闯?訓(xùn)練樣本數(shù)大于200時,故障診斷模型對服役年限為2 a和4 a的變壓器的預(yù)測誤差最小,主要是因為模型運行5 a的變壓器運行數(shù)據(jù)為訓(xùn)練數(shù)據(jù)。而對于服役年限為6 a和8 a的變壓器而言,模型的預(yù)測診斷誤差依次增大,但均處于可接受范圍內(nèi)。

圖7 不同服役年限變壓器的預(yù)測結(jié)果

考慮到振動數(shù)據(jù)通過RFID傳感器來進(jìn)行采集和傳輸,可能會存在數(shù)據(jù)包誤傳輸以及丟失的情況。不同誤碼率下模型預(yù)測精度如圖8所示?？梢钥闯?核函數(shù)明顯提升了預(yù)測模型的泛化能力,當(dāng)誤碼率小于0.01時,模型的預(yù)測誤差低于0.05%,故障預(yù)測模型能夠?qū)崿F(xiàn)最佳的診斷精度;當(dāng)誤碼率大于0.03時,模型預(yù)測誤差將急劇上升,最高達(dá)0.40%。然而,正常工作時RFID系統(tǒng)誤碼率一般小于0.000 1,即模型能實現(xiàn)良好的預(yù)測性能。

圖8 不同誤碼率下的預(yù)測性能

3 結(jié)束語

本文從便利性與低成本的角度,設(shè)計了基于RFID的變壓器振動信號采集和傳輸裝置。并以Hilbert邊際譜圖為變壓器故障特征參數(shù),利用時頻分析法對其振動信號進(jìn)行采集和分析,研究表明:核函數(shù)可明顯提升預(yù)測模型的泛化能力,當(dāng)誤碼率小于0.01時,模型的預(yù)測誤差低于0.05%,故障預(yù)測模型能夠?qū)崿F(xiàn)最佳的診斷精度;LS-SVM算法具有良好的泛化能力,能夠精準(zhǔn)預(yù)測鐵芯及繞組機械故障的發(fā)展趨勢。