基于神经网络算法的变压器油温诊断

明晓航，钱晨语，宋天威，潘岑诚，李仁其，戴劲峰，张明清

(1.国网江苏省电力有限公司南通供电分公司，江苏 南通 226000;2.河海大学能源与电气学院，江苏 南京 211100)

0 引言

2019-08-26T19：16，正值电网夏季迎峰度夏期间，海安变电站的运维人员对所辖的220 kV海安变电站进行特巡，当运维人员经过1号主变时，感觉到有热气流涌到身上，运维人员对主变的油温和冷却系统进行了检查。发现此时变压器油温指示已经达到62 ℃，但是主变风扇却没有启动，而正常情况下主变风扇在变压器油温达到55 ℃时就要启动，并在油温降至45 ℃才自动停止。于是迅速将风冷系统的方式开关切至手动位置，手动强制打开风扇，避免了变压器因为温度过高造成绝缘损坏。

对于变压器顶层油温相关模型，国内外学者已经开展了很多卓有成效的研究，IEEE C57.91—1995标准提出了变压器油温温升指数模型，但该模型未充分反映环境温度变化所造成的影响。亚利桑那州立大学的Tylavsky等人提出了顶层油温预测的半物理模型。重庆大学的陈伟根在半物理模型基础上，考虑滞后时间变量、热辐射和不同离散方法对模型预测结果的影响进行了研究。此外，T-S和Kalman滤波等模型被用于进行油温预测。以上这些模型较为抽象，很难达到较为理想的预测效果。

上述方法只适合于顶层油温的超短期预测，可以准确地预测5 min到1 h的油温值。然而电网调度和运维人员对未来一天内变压器油温所能达到的最高值更为关注，主要原因如下。

(1) 提前安排好变压器和冷却装置的巡检和维护工作。

(2) 提前做好运行方式的调整，避免高负荷引起的变压器内部热损伤。

(3) 通过顶层油温的实测值和预测值得对比，分析变压器内部可能存在的缺陷或隐患。

考虑了环境温度、湿度和负荷与历史油温的因素，通过对历史数据的神经网络算法，来预测未来一天的主变油温，将实时监测数据跟预测数据比对，反馈诊断结果，并达到了理想的效果。

1 相关性分析

选取南通市海安变1号主变数据2019-07-01～2019-09-18的1912组数据进行多变量影响因素相关性分析。1号主变油温和1号主变220 kV侧负荷电流数据从后台机SCADA系统获得。海安地区当地的环境温度和湿度为利用API接口从气象局数据网站抓取。利用matlab科学计算工具里scatter函数画出散点图，如图1～3所示。

图1 主变油温和主变220 kV侧负荷电流

图2 1号主变油温和环境温度

图3 主变油温和相对湿度

计算Pearson相关系数：

式(1)中协方差计算公式：

式(1)中标准差的公式：

x为x1～xn的均值。

计算结果如表1所示。

表1 相关系数

变量的相关系数绝对值|r|≥0.8时，可认为两变量间高度相关，所以主变油温和环境温度高度相关;0.5≤|r|＜0.8，可认为两变量中度相关，所以主变油温和主变220 kV侧负荷电流中度相关;0.3≤|r|＜0.5，可认为两变量低度相关，所以主变油温和相对湿度低度相关。因此环境温度、负荷电流和相对湿度这三个变量可作为相关数据变量。

2 变压器油温异常诊断模型

神经网络算法是机器学习中非常重要的算法，具有较强的自适应、自学习、非线性映射能力以及鲁棒性能，比较适合应用于信号处理、控制、模式识别和故障的诊断等领域。变压器油温异常诊断模型基于神经网络算法实现。

2.1 神经网络预测的方案和设计

神经网络预测选择将负荷电流P1、环境温度P2和相对湿度P3作为神经网络的输入，油温Y1作为神经网络的输出，隐含层节点数设置为3，对历史数据归一化后输入网络，设定网络隐层和输出层激励函数分别为tansig和logsig函数，网络训练函数为traingdx，设定网络参数，包括迭代次数，学习速率和期望误差。

设定完参数后，开始训练网络，网络达到期望误差即完成训练。将实时的负荷电流、环境温度和相对湿度输入网络便可得到预测值，并与实测的油温进行对比，如果误差较大，说明可能有潜在的缺陷，需要马上核实处理。

变压器油温预测网络如图4所示。

图4 变压器油温预测网络

iw[i，j]表示神经元的连接权值，i=1，2，3，j=1，2，3。lw[n，i]表示的是输入层第i个神经元到输出层第n个神经元的连接权值，i=1，2，3，n=1，2，3。b1，b2分别表示输入层的阈值向量和输出层阈值向量。a1表示输入层的输出向量。

2.2 变压器油温异常诊断模型的实现

对模型所需参数进行初始化，然后利用SCADA后台监测的1号主变历史数据进行归一化处理，对建立的神经网络模型进行训练。

P表示的是负荷电流、环境温度和相对湿度。T是主变油温，tr代表的是训练的步数和误差。等号右边的net表示的是训练前的神经网络，训练后，就生成了等号左边的net训练以后的网络。

在训练完成后，利用现有监测的负荷电流P1、环境温度P2和相对湿度P3预测得出结果Y。

其中net表示经过训练满足要求的网络。

预测的结果跟实际结果如果差距很大，主变油温即为异常。

3 模型验证和数据分析

选取2019-07-16海安变1号主变油温无异常状态数据和2019-08-26 1号主变风机未启动油温异常两组数据验证模型。

7月16日预测值、实际值和误差数据如见表2，最大误差为1.8 ℃，最小误差为0 ℃，在允许的范围之内，可以验证此模型对油温的预测是适用的。

8月26日预测值、实际值和误差数据如表3所示，最高温度达到62 ℃，最小误差为0 ℃，最大误差为11.61 ℃。温度在53 ℃以上时误差都大于5 ℃。

表2 2019-07-16数据表 ℃

表3 2019-08-16数据表 ℃

特殊巡视时查看主变的风扇并未动作，19：20，值班员将风扇方式打到手动位置，20：00后误差逐渐减小。

如果发现不及时，油温持续较高，将会造成绝缘损坏，直接影响变压器的使用寿命和负载能力。利用此模型预测油温和实际油温进行比较，可以及时发现隐藏的缺陷。

4 总结

对于220 kV常规变电站，目前主变没有装备油色谱监测装置，不能很好的反应异常。基于机器学习的油温异常诊断模型，结合SCADA的历史数据，以及环境影响因素，预测设备的状态信息，对设备的现实状况进行评价，以便提前挖掘出设备隐藏的不良状态，以及预测设备今后的运行状态，将隐藏故障提前预警。