油浸式變壓器內(nèi)部潛在熱電故障的診斷研究與實(shí)現(xiàn)

1、    油浸式變壓器內(nèi)部潛在熱電故障的診斷研究與實(shí)現(xiàn)    韓媛媛【摘  要】國(guó)外某港口作為其國(guó)家第一大港，承擔(dān)了70%的外貿(mào)進(jìn)出口業(yè)務(wù)，配套集裝箱散貨碼頭提供了區(qū)域內(nèi)國(guó)際遠(yuǎn)洋航線船舶靠泊裝卸的最佳選擇。因此，港區(qū)內(nèi)穩(wěn)定可靠的供電將會(huì)直接影響整體電力系統(tǒng)的安全與經(jīng)濟(jì)效益的增損。油浸式變壓器作為供電系統(tǒng)中至關(guān)重要的電力設(shè)備，及時(shí)發(fā)現(xiàn)其油箱內(nèi)部潛在熱電故障，并盡早排除，可有效提高供電系統(tǒng)的可靠性與設(shè)備的可用度。本文將基于油中溶解氣體分析（dissovled gas analysis，簡(jiǎn)稱(chēng)dga）數(shù)據(jù)，利用knime平臺(tái)中決策樹(shù)c4.5算法，對(duì)變壓器

2、油箱內(nèi)潛在熱電故障進(jìn)行診斷，通過(guò)在平臺(tái)中搭建故障診斷工作流，實(shí)現(xiàn)對(duì)參數(shù)便捷的設(shè)置操作，高效率得到較為準(zhǔn)確的故障診斷結(jié)果，保證變壓器的正常運(yùn)行?！娟P(guān)鍵詞】油浸式變壓器;內(nèi)部潛在熱電故障;knime;決策樹(shù);故障診斷1油浸式變壓器故障表現(xiàn)形式油浸式變壓器可以通過(guò)檢測(cè)油內(nèi)溶解氣體的成分來(lái)進(jìn)行內(nèi)部潛在熱電故障的判斷。這是由于在變壓器復(fù)雜結(jié)構(gòu)內(nèi)部發(fā)生熱作用或電反應(yīng)時(shí)，某些特征氣體的產(chǎn)生速度加快、種類(lèi)增多，導(dǎo)致油箱中成分發(fā)生改變進(jìn)而可能引發(fā)故障，造成重大經(jīng)濟(jì)損失1。下表羅列出基于dga技術(shù)的變壓器故障類(lèi)型與特征氣體的對(duì)應(yīng)關(guān)系2：2油浸式變壓器故障檢測(cè)方法（1）傳統(tǒng)比值法。其原理即計(jì)算烴類(lèi)氣體組分及含量與邊

3、界閾值比較的方式進(jìn)行編碼，再參照列表對(duì)應(yīng)故障類(lèi)型。優(yōu)勢(shì)在于雖然與預(yù)防性電氣試驗(yàn)相比，不需停電、不受電場(chǎng)干擾、分析速度快。但是其本身仍然存在比值編碼缺失、邊界過(guò)于絕對(duì)等缺陷，都會(huì)給故障診斷與設(shè)備檢修帶來(lái)不必要的麻煩。（2）智能診斷法。隨著人工智能方法的發(fā)展，越來(lái)越多的智能診斷理論與油浸式變壓器故障診斷相結(jié)合。雖然如遺傳算法、粗糙集、神經(jīng)網(wǎng)絡(luò)、專(zhuān)家系統(tǒng)等方式建立模型、知識(shí)庫(kù)，降低了判斷的絕對(duì)性，彌補(bǔ)了傳統(tǒng)方法對(duì)多種復(fù)雜故障組合判斷限制的不足。但在實(shí)際采用matlab軟件進(jìn)行建模應(yīng)用時(shí)，在可視化與效率方面有所欠缺3。因此本文擬利用knime平臺(tái)設(shè)計(jì)一種基于決策樹(shù)c4.5算法的油浸式變壓器潛在熱電故障

4、診斷方法，以解決如下問(wèn)題：（3）在較短時(shí)間內(nèi)，判斷出正確故障類(lèi)型;（4）操作便捷，界面可視化，能夠智能化進(jìn)行參數(shù)設(shè)置。3決策樹(shù)c4.5算法原理論述3.1數(shù)據(jù)描述4.2knime決策樹(shù)節(jié)點(diǎn)參數(shù)設(shè)置決策樹(shù)學(xué)習(xí)器的參數(shù)的設(shè)置對(duì)于預(yù)測(cè)結(jié)果起到至關(guān)重要的作用，如圖2為knime軟件中決策樹(shù)學(xué)習(xí)器節(jié)點(diǎn)參數(shù)的具體設(shè)置。（1）選擇信息增益度作為學(xué)習(xí)方法，對(duì)故障類(lèi)型進(jìn)行目標(biāo)列學(xué)習(xí);（2）防止因過(guò)度擬合而影響結(jié)果的準(zhǔn)確性及預(yù)測(cè)的高效性，設(shè)置以mdl（minimum description length）方法為準(zhǔn)則，采用reduced-error pruning（rep，錯(cuò)誤率降低剪枝）的后剪枝方法，擬得到一棵期望

5、錯(cuò)誤率最小的決策樹(shù)。（3）同時(shí)選擇合適的前剪枝閾值，可以提高其準(zhǔn)確率及樹(shù)生成的效率。4.3故障診斷工作流的搭建故障診斷工作流由數(shù)據(jù)庫(kù)讀寫(xiě)節(jié)點(diǎn)、決策樹(shù)學(xué)習(xí)預(yù)測(cè)節(jié)點(diǎn)以及評(píng)分等節(jié)點(diǎn)組成。工作流工作流程如下：從數(shù)據(jù)庫(kù)讀取500條油浸式變壓器故障數(shù)據(jù)，隨機(jī)將其分為450條樣本數(shù)據(jù)和50條測(cè)試數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行歸一化處理后，利用決策樹(shù)學(xué)習(xí)器對(duì)數(shù)據(jù)進(jìn)行學(xué)習(xí)，并用建立的模型對(duì)測(cè)試數(shù)據(jù)進(jìn)行故障預(yù)測(cè)，通過(guò)將預(yù)測(cè)結(jié)果與原有結(jié)果的評(píng)分比較，計(jì)算預(yù)測(cè)正確率。故障診斷工作流如圖3所示。4.4結(jié)果分析使用不同算法，對(duì)相同樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)，對(duì)相同測(cè)試數(shù)據(jù)進(jìn)行故障判斷，神經(jīng)網(wǎng)絡(luò)、模糊算法、貝葉斯算法與決策樹(shù)的仿真結(jié)果如圖4-7所

6、示。結(jié)果顯示，基于決策樹(shù)的故障診斷方法準(zhǔn)確率達(dá)到86%，遠(yuǎn)高于其他智能算法的預(yù)測(cè)結(jié)果準(zhǔn)確度，故油浸式變壓器內(nèi)部潛在熱電故障使用決策樹(shù)c4.5算法的判斷準(zhǔn)確率可以達(dá)到滿意的效果。同時(shí)，將設(shè)計(jì)的方法與使用matlab編程方法的故障診斷進(jìn)行了比較，見(jiàn)表2。通過(guò)測(cè)試，本文設(shè)計(jì)的優(yōu)點(diǎn)如下：可視化的界面操作。直觀可靠、控制簡(jiǎn)單、方便操作;提供大數(shù)據(jù)接口。故障診斷工作流提供與hbase數(shù)據(jù)庫(kù)連接的端口，可對(duì)數(shù)據(jù)量龐大的大數(shù)據(jù)進(jìn)行預(yù)測(cè)分析;調(diào)試方便?？蓪?duì)于異常信息進(jìn)行錯(cuò)誤捕捉，方便用戶調(diào)試;快捷的參數(shù)設(shè)置。5結(jié)論本文依托國(guó)外某碼頭項(xiàng)目，詳細(xì)介紹了基于knime平臺(tái)決策樹(shù)算法的油浸式變壓器內(nèi)部潛在熱電故障診斷工作流的方法。通過(guò)對(duì)大量dga樣本數(shù)據(jù)的學(xué)習(xí)，以及方便快捷的參數(shù)設(shè)置，最終得到一棵較優(yōu)質(zhì)的樹(shù)模型。預(yù)測(cè)結(jié)果顯示，預(yù)測(cè)結(jié)果準(zhǔn)確性較高，且具有高工作效率，表現(xiàn)了對(duì)故障良好的辨識(shí)能力。參考文獻(xiàn)：1蔣維，李鋮.基于小波變換的變壓器局部放電信號(hào)的分析方法研究j.儀器儀表用戶，2006，第6期2基于相關(guān)向量機(jī)的油浸式電力變壓器故障診斷方法研究d.華北電力