论文部分内容阅读
近年来，随着智能电网在全球快速的发展，关于其中智能变电站的研究也越来越多，国际电工委员会也为变电站自动化的通信专门制定了IEC61850标准，在这一标准的指导下，本文为变电站中最为重要的高压一次设备——电力变压器，构建了变压器智能组件的雏形，在此基础上开发了一个集成在线监测、在线控制和在线测量三大模块的“智能变压器在线监测与诊断系统”软件。其监测模块包含了局部放电、油中溶解气体和绕组变形三个在线监测功能，控制模块包含了冷却系统和有载分接开关两个在线控制功能，测量模块包含了变压器各部位温度和负载两个在线测量功能。通过查阅大量文献，在构建变压器智能组件雏形的过程中，本文以局部放电和油中溶解气体作为评估变压器故障特征的关键参数，并设计了基于关键参数的变压器故障特征实验研究系统。本文选取了悬浮放电、尖端放电、沿面放电和气隙放电等作为变压器内部的典型故障，设计了这四类放电源和模拟变压器，采用脉冲电流法和超高频法相结合的局放监测技术，光声光谱油中溶解气体在线监测和离线色谱法相结合的DGA技术，完成了变压器故障联合监测实验。从实验结果中看出，四种放电模式各有特点，但却很难通过单独的一种检测技术来对四种不同的放电模式进行定量识别。因此本文构建了一个基于BP神经网络的变压器关键参数联合诊断模型。该神经网络选取了超高频法局放信号的频域特性，求取在150MHz450MHz、450MHz750MHz、750MHz1.05GHz等三个频段的归一化功率谱含量并与光声光谱法与离线色谱法测得的H2、CO、CO2、C2H2、C2H4、CH4和C2H6等七种故障气体的相对百分含量作为其10维的输入向量，以四种不同放电模式的故障编码作为其4维的输出向量，并通过试凑法确定了其隐藏层的节点数为30个，通过试验获得12组数据作为学习样本，完成BP人工神经网络的训练。最后，选取实验中的八组不同放电模式下且不属于学习样本的检测结果输入该BP网络，该诊断模型成功对这四类故障模式完成识别。