陈虎
特变电工股份有限公司新疆变压器厂 新疆昌吉 831100
摘要：电网运行中的电力变压器由于受到外部冲击、性能、工况变化、人为及环境等因素的干扰，存在较大的故障隐患，在长期工作中，其安全性也会逐渐恶化。为有效应对电力器故障，需采取更加高效的诊断方法，缩短故障识别及处理时间，以最快速度恢复变压器运行状态，保证电力网络整体运行安全。鉴于此，本文就智能诊断方法在电力变压器故障识别中的应用展开探讨，以期为相关工作起到参考作用。
关键词：电力变压器；故障识别；智能诊断方法
1.电力变压器故障机理
电力市场上最常见的是油浸式变压器[1]。根据种类的不同可以分为双绕组、三绕组以及自耦型等；根据用途不同可以分为升压型、联络型以及降压型等等。在变压器在运行过程中，由于内部发生过热、放电等故障，就会使变压器油及固体有机绝缘材料分解出大量的气体，该类气体称为“故障气体”。因此，油中溶解气体的组分和含量可以作为判断变压器是否存在潜伏性过热和放电故障的特征量，利用绝缘油中的溶解气体分析，判别变压器故障类型，分析产生故障的原因,是早期发现变压器故障征兆和掌握故障发展情况的有效方法，对变压器的可靠运行有着重要的意义。
2.电力变压器故障智能诊断方法
2.1基于专家系统的故障识别方法
在电力变压器故障识别中，该方法的应用主要是通过积累故障诊断经验及知识，逐步建立起完善的用于变压器故障分析与诊断的数据库，也就是专家系统，能够根据变压器故障象征及相关测量数据，有效解决变压器故障诊断难题。而且专家系统在应用中，还能够与其他智能算法相结合，进而建立起更加可靠的故障识别系统模型。该方法具有灵活透明的特点，其数据库的建设最为关键，要具备丰富的变压器故障识别经验，还要体现出交互性的特点，即使所获取的故障信息不全面，也能够基本保证复杂变压器故障的有效识别。同时，该技术也有缺陷，较为依赖专家系统知识库，对于复杂、多变的变压器故障情形，存在推断失误的可能，这也是专家系统有待改进的地方[2]。
2.2基于模糊推理的故障识别方法
对于不明确且复杂化的数值问题来说，常规方法很难有效处理，而模糊算法的提出，在该类问题处理上有显著的优势。变压器的故障数据信息具有这一特点，为此，基于模糊推理的智能诊断方法，能够有效识别变压器故障的类型及原因。研究发现，模糊推理在故障识别中的实际应用具体可分为基于模糊聚类、模糊关系以及边界值模糊化处理等3种方式，通过优化组合各类智能识别算法，在所采集变压器故障信息的基础上，能够达到较高的故障分类识别精度。
2.3神经网络智能识别方法
由于电力变压器故障诊断难度大，存在许多非线性的问题，故障模型建立有很大难度，而神经网络智能识别方法，通过组建大量的神经元网络，在故障识别方面表现出较佳的自适应以及自组织的性能优势，而且还具有较好的泛化能力。在变压器故障识别中，神经网络算法有较好的应用前景。经实际故障识别应用中，人工神经元网络在电力变压器故障诊断模型搭建方面大体有两种应用方式：单一神经网络模型和混合诊断模型[3]。后者在变压器故障识别上，能够吸收不同识别算法的优势，神经元的训练更加高效，有效缩短诊断模型的学习时间。
2.4基于智能计算的故障识别方法
目前，在变压器故障诊断中，遗传算法、粒子群算法等智能算法得到较多应用，在智能识别理论中有着重要的地位。
智能计算方法的应用，有着坚实的理论基础，并且具有较好的鲁棒性，在并行处理方面有较大优势，在故障识别上能达到较高效率。同时，智能算法经过优化，能够达到更高的收敛速度，并且能够实现变压器故障诊断准确度的提升。基于其在全局优化中的优势以及智能算法的自学习的特点，智能算法的应用也得到了较大发展。
3.智能诊断方法在电力变压器故障识别中的应用
3.1设备概况
本文选取某大型发电站内的某台变压器为研究对象，变压器运行一天后，检查设备发生的变化，并提取变压器油样，变压器正常运行，没有出现任何异样，变压器运行所用油溶解后的气体一切正常。但是投入使用后，变压器出现故障，通过对故障进行诊断分析，B相油中气体含量不正常，随后抽样检测变压器中部和底部。
3.2故障分析
通过广泛收集变压器故障类型，并根据类型特点进行分类，选取六种不同变压器故障特征，分成五十组进行测试，根据故障特征，把输入向量导入自组织竞争网络模型，从而判断变压器故障特征[4]。首先需要训练自组织竞争网络模式，把训练好的自组织竞争网络模式经过模糊处理，根据测试集样本输入自组织竞争网络模式，既可判断变压器故障[5]。在同等条件下，故障诊断检测模式可以采用多种方法进行，即BP网络、PNN网络与自组织竞争网络，这三种网络模型进行模拟仿真五十次，根据测试结果，选出最优方式。其中，网络模型全局最优解成功次数自我竞争网络次数最高，网络运行成功率持续提高，其迭代寻优步数有所减少，网络运行时间缩短。因此，自组织竞争网络模型根据变压器分类性能，提高了识别精准度。
3.3检查结果
通过抽取变压器油样进行检测分析，检测发现设备使用四天之后发生故障的概率增大。测定溶解气体含量后，发现变压器的总烃含量比标准值略高，通过测试样本数据，分析变压器内油成分，深入剖析变压器故障特征，发现识别变压器故障主要是看总烃含量是否高标准值，如变压器故障严重，需要及时修复，否则会影响其他部位，变压器故障引发的原因是高温环境影响。根据IEEE对相关数据进行统计调查，大型变压器在日常运营中，发生故障的概率为1%~2%，精准识别变压器故障可以减低变压器故障发生率，从而提高其运行效率。
结语
综上所述，随着电网发展，电力变压器的重要性愈加凸显，而受各类内外因素的影响，仍有较多变压器故障发生，严重危害设备及供电安全。而变压器故障原因多样化，故障表象复杂，常规的DGA诊断方法，在变压故障识别方面仍有较大不足，迫切需要智能诊断方法的研发与应用。神经网络、智能计算方法、专家系统等变压器故障智能识别方法的应用，在故障识别精度及效率上有很大提升，也是未来变压器故障诊断领域的重要研究内容。
参考文献：
[1]王斌.智能诊断方法在电力变压器故障识别中的应用研究[J].科技风，2020，(09):173.
[2]张朝龙，何怡刚，杜博伦，张兰芳，江善和.基于深度学习的电力变压器智能故障诊断方法[J].电子测量与仪器学报，2020，34(01):81-89.
[3]赵洋.智能诊断方法在电力变压器故障识别中的应用研究[D].西安工程大学，2018.
[5]杨梅.一种用于电力变压器故障识别的理论方法研究[J].电气传动自动化，2017，39(04):17-20.
[4]杨梅.一种用于电力变压器故障识别的理论方法研究[J].酒钢科技，2017，(03):58-61+75.