青青草色青伊人-青青草人人-青青草欧美-青青草精品在线视频-精品伊人久久大香线蕉网站-精品伊人久久大线蕉色首页

                    變壓器廠家：變壓器故障測試與判斷

特高壓變壓器是交流特高壓（UHV）工程的關鍵設備之一。隨著晉東南-南陽-荊門百萬伏級交流輸變電工程的啟動，對特高壓變壓器采用相對完備的監測技術，建立可靠的故障檢測與診斷平臺，有助于在設備故障發展早期提前發現危害設備運行的潛伏性故障，防止突發性事故的發生，并為今后的檢修提供必要的技術支持。
　　電力變壓器發生故障的部位多，原因、現象復雜，單一的檢測手段無法避開自身方法的不足，易出現判斷盲區；且目前很多監測、診斷方法仍大多局限于氣相色譜分析，最終的判斷結果僅能給出故障所表現的征兆，而不能實現故障定位，對維修策略的制訂缺乏指導意義；故障診斷中的專家經驗也都未能信息化。針對這種現狀，本文嘗試將色譜數據和電氣試驗數據、人工智能與專家分析、理論計算與經驗分析結合起來，建立起特高壓變壓器故障監測與診斷信息化決策平臺。
　　1平臺的結構
　　本文提出的特高壓變壓器故障監測與診斷信息化決策平臺共分4大模塊：數據預處理模塊；故障性質初級診斷模塊；基于支持向量機、專家系統與專家網絡會議的故障定位模塊；證據推理融合診斷模塊。
　　首先數據由開放式數據庫登錄，并由數據預處理模塊對色譜、電氣試驗數據進行處理；再將處理后的數據送入故障性質初級診斷模塊初步確定變壓器是否故障及故障性質；確定故障性質后，數據送到故障定位模塊，分別以基于支持向量機、專家系統的智能方式及召開專家網絡視頻會議的人工方式對故障分析、定位，最后由證據推理融合診斷模塊綜合各方面意見，得出最終診斷結論。
　　2平臺的各模塊原理
　　2.1數據預處理模塊
　　數據預處理模塊包括全國互聯開放式數據庫和參數預處理。前者是整個平臺的基石，它不僅用于接收全國各地發送到平臺的待診斷變壓器數據，且為各診斷模塊提供樣本庫，知識庫和案例庫，其有效利用了實踐中的變壓器故障診斷實例及數據，為診斷模塊提供了充分的支持，更為變壓器故障異地診斷創造了條件。后者則根據各個診斷模塊的要求，將原始數據規范化處理，方便診斷模塊的計算。
　　2.2故障初級診斷模塊
　　變壓器故障診斷有很多手段與方法，其中油中溶解氣體分析（DGA）技術是全世界廣泛認可的預防充油電氣設備故障最有效和費用最低的方法之一。故對特高壓變壓器采用DGA技術作為變壓器故障初級診斷的手段是非常可行與必要的。
　　作為變壓器故障初級診斷模塊，該模塊并不需要精確判定故障性質、部位。它只要能夠根據上一級模塊送過來的氣體組分含量數據初步判斷變壓器是否故障，大概故障性質即可。如果故障初級診斷模塊判定變壓器存在故障，那么色譜數據、電氣數據和歷史數據都被調到故障定位模塊，進一步分析定位，反之認為變壓器正常，結束診斷。故本文提出變壓器故障初級診斷模塊僅接收色譜試驗數據，根據DGA技術對變壓器故障進行初步判斷。
　　2.3故障定位模塊
　　特高壓變壓器制造工藝不成熟，運行檢修經驗缺乏；且變壓器的運行環境復雜，變壓器故障和絕緣損耗常常伴有氣體、溫度、聲波等物理量變化，這些不利因素給故障診斷造成了很大不確定性和困難。
　　現有的各種故障診斷方法又具有局限性，如能將各種方法取長補短，勢必能夠極大的提高變壓器故障診斷的正確率，故將支持向量機、專家系統及專家網絡視頻會議幾種方式結合，從不同的側面對變壓器進行故障分析定位，從而得到更全面的診斷效果。
　　2.3.1支持向量機
　　支持向量機（SVM）是一種新的基于統計學習理論的機器學習方法，具有嚴格的數學基礎，因其建立在結構風險最小化準則上，從而使得支持向量機分類器具有較好的推廣能力，并已在故障診斷方面得到了廣泛的實際應用。將色譜與電氣試驗數據相結合，選取C2H2/C2H4，CH4/H2，C2H4/C2H6，繞組直流電阻不平衡率，變比變化率，鐵心絕緣電阻，空載損耗實測值與出廠值之比，局部放電，介質損耗為輸入空間。7種常見故障部位：①鐵心多點接地；②漏磁引起金屬發熱；③線圈匝間短路；④分接開關接觸不良；⑤繞組引線接觸不良；⑥圍屏放電；⑦變壓器受潮為輸出空間。
　　因單個SVM分類器只能解決兩分類問題，故采用6個子SVM分類器構成多層二叉樹分類器進行模式識別。多層二叉樹的分類器先將所有故障類型分成兩個子類，再將子類進一步劃分成兩個次級子類，如此循環直到所有的節點都只包含一個單獨的類別為止，此節點也是二叉樹中的葉子，這樣就得到一個倒立的二叉分類樹。該方法將原有的多類問題同樣分解成了一系列的兩類分類問題，其中兩個子類間的分類算法采用二值SVM.對于6個子SVM分類器的訓練樣本的組成，可用各中試所發送到開放式數據庫中經過吊芯檢查明確故障點的變壓器試驗(環保環境試驗設備市場前景十分廣闊)數據（>110kV）.
　　2.3.2專家系統
　　因變壓器故障的復雜性和不確定性，故很難建立精確數學模型，專家系統解決此類問題有獨特優勢已廣泛用于故障診斷領域。本文專家系統有知識庫、推理機和人機接口3部分。
　　知識庫由數據庫，規則庫與案例庫組成，而這3者均可搭建在全國互聯開放式數據庫上。數據庫存放有變壓器故障原始數據，中間結果及求解結果信息。規則庫包含一組產生式規則，它們是推理機進行邏輯推理的根據。這些規則可表示為IF（前提）和THEN（結論），把變壓器試驗數據和變壓器故障聯系起來。案例庫包括案例的表示、組織和檢索等。
　　變壓器故障案例的表示就是對變壓器故障盡可能詳細地描述，包括故障的直接原因和故障特征等。變壓器故障案例的組織是在變壓器故障案例表示的基礎上，根據故障案例的特征和檢索的需要，對故障案例整理、歸類和統計。故障案例的檢索是根據一定的檢索策略找到與待診斷的相似案例。
　　推理機是專家系統的核心部分，是專家系統解決問題的基本方法。其主要是依靠對知識庫的搜索，將系統獲取的信息與知識庫的規則與案例進行匹配來實現。人機接口用來方便專家系統和用戶間的交流。它收到用戶的請求后，進行推斷、更新系統數據和啟發式規則，也向用戶發送信息。
　　2.3.3專家網絡視頻會議
　　專家網絡視頻會議系統可實現多人對多人交流。專家也可由此系統實現一對一，多對多的視頻交流。專家不但可和其他專家語音交流，還可由系統實現圖文演示、聲音演示、網絡投票等功能。
　　2.4綜合診斷模塊
　　在故障定位模塊中，采用了3種手段對變壓器故障進行分析定位，即支持向量機，專家系統，人類專家通過視頻會議討論。這3種手段所提供的診斷結果即證據都有一定程度的不確定性。綜合考慮這3種手段給出的診斷結果，得到最終結論的過程，實際為一個不確定性推理的過程。證據推理以其在不確定性的表示、測量和組合方面的優勢及能在不同抽象層次上應用的特點而倍受重視。本文也采用證據推理方式對多種故障定位手段給出的診斷意見進行證據合成得出最終的診斷結果。其過程為：①構建診斷系統的識別框架與證據體診斷系統的識別框架應為各故障子空間的并集。故故障定位模塊中3種診斷手段的輸出空間并集即為診斷系統的識別框架。每種診斷手段的輸出作為一個獨立的證據體。②對各證據體進行基本概率分配用證據理論解決上述證據合成問題時，識別框架為Θ={A1，A2，…，AM}，其中Ai，i∈{1，2，…，M}為不相交的子集，此時也就是前文所述的M=7種故障部位。
　　N個獨立分類方法的集合E={e1，e2，…，eN}，因本文只用3種分類方法，故N=3.每種方法的輸出就是一個證據，根據分類方法的性能指標，每個證據的不確定性表征即基本概率分配可定義為：若分類方法ek完全不知道模式x所屬類別，則有mk（Θ）=1，對任意的A≠Θ，mk（A）=0；若分類方法ek將模式x識別為某種類別，則根據ek的正確識別率，其基本概率分配為mk（A）=ε（k）r，mk（Θ）=1-ε（k）r，其中ε（k）r為分類方法ek的正確識別率。通常，可先用一定量的樣本，分別對支持向量機與專家系統進行測試，得到其正確識別率，然后將此正確識別率設定成其基本概率分配。至于“專家網絡視頻會議”的基本概率分配，可視情況將其設定成（0，1]中合適的值。③綜合診斷輸出結果若所有的分類方法均無法識別模式x最終結論應為無法判斷；若某分類器的正確識別率為100，由D2S組合規則可知，此分類方法的結果就是組合后的結果，其它分類方法輸出對最終組合結果無任何影響。如當只考慮人類專家的意見，忽略其它診斷方法的結論時，可以將“專家網絡視頻會議”的正確識別率設定為1.
　　對于一般情況可先把支持同一假設的各分類方法的信息組合起來。設N′（N′為剔除拒識的分類方法后，所有分類方法總數）個分類方法中有Si個分類方法支持假設Ai，i∈{1，2，…，M}，融合Si個支持同一假設的證據后所得新證據的BPA為：mSi（Ai）=1-∏Sij=1mij（Θ），（1）mSi（Θ）=∏Sij=1mij（Θ）。
　　（2）組合N′個分類方法中支持同一假設的證據后，即得到支持不同假設的互斥新證據。令|Si|=1，Si≠00，Si=0，那么R=∑Mi=1|Si|，R就是互斥證據的數目。根據D2S合成法則，可計算出R個互斥證據組合后新證據的BPA，也即是分類方法集合中所有分類方法信息融合結果。因組合后的新證據的焦元為單元素集，故有Bel（Ai）=mN（Ai），mN（Ai）就是所有證據組合后新證據的BPA.有了待識別模式屬于每一類別的信任度Bel（Ai），由決策規則就可得到綜合診斷模塊的輸出結果[15]。
　　E（x）=i，Bel（Ai）=maxBel>α，拒識，（3）其中0<α<1是閥值，折衷在誤識率和拒識率間。
　　3仿真實例
　　因目前尚無實際運行的實驗數據，故以>110kV的變壓器數據測試。充分考慮到變壓器型式、容量、運行環境等因素的影響，搜集了700組不同制造廠生產>110kV、經吊芯檢查有明確結論的變壓器故障數據（包括色譜數據與電氣試驗數據），并精心選取500組為訓練樣本，對故障定位模塊中的支持向量機分類器進行訓練，然后，另選的100組數據組成測樣本。分別對支持向量機與專家系統進行測試，得到其正確識別率，然后將此正確識別率設定成其基本概率分配，并根據需要對“專家網絡視頻會議”的基本概率分配設置適當的值。再選100組數據對本文提出的平臺進行測試。
　　4結論
　　本文提出建立以全國互聯開放式數據庫為支持，基于證據推理的特高壓變壓器故障監測與診斷的信息化決策平臺。該平臺包括4大模塊：數據預處理模塊，故障性質初級診斷模塊，基于支持向量機，專家系統及專家網絡會議診斷的故障定位模塊，證據推理融合診斷模塊。
　　實例分析表明，該平臺充分利用色譜數據和電氣試驗數據的互補信息，運用D2S證據理論，有效的綜合了不同機理的多種診斷方法、手段，使得故障診斷、定位的正確率以及自動化程度有了顯著的提高，對現場變壓器故障的診斷或維修策略的制定都具有現實意義。