复合电压下油纸绝缘局部放电发展过程及缺陷诊断方法

【摘要】：高压直流输电是解决电力负荷供不应求的有效途径,换流变压器是高压直流输电系统中关键设备之一。随着换流变压器投运数量增多,投入时间增长,换流变压器油纸绝缘缺陷问题逐渐增加,严重影响到直流输电系统的可靠运行,因此实现换流变压器缺陷诊断具有重要意义。与交流变压器不同,换流变压器内部以复合电场为主,局部放电和油中溶解气体情况与交流变压器不同,现有交流诊断方法有待商榷,因此亟需开展对复合电压下油纸绝缘缺陷局部放电过程及诊断方法的研究。为了模拟了换流变压器内部运行环境,本文搭建了一套复合电压下油纸绝缘缺陷局部放电试验平台,试验平台由试验腔体、加热箱、循环泵、交流／直流电源、取油口等部分组成,该试验平台实现了任意比例复合电场的模拟,可以在20～130℃之间任意调节油温,并且将流量控制在0-1.2m3/h之间。根据换流变压器常见问题,设计了油纸绝缘气隙、柱板沿面、针板沿面及匝间放电4种模型模拟油纸绝缘典型缺陷。采用传感器系统测量了复合电压下油纸绝缘局部放电过程中的脉冲电流信号、特高频信号、超声波信号及油中溶解气体浓度。研究了交流、1：1、1：3、1：5和1：7比例交直流复合电压下油纸绝缘缺陷模型局部放电过程,观察了局部放电起始到绝缘失效的局部放电现象,分析了局部放电现象与复合电压比例之间的关系,发现了复合电压中直流成分对放电现象的影响规律：随着复合电压中直流成分的增加,局部放电起始电压逐渐升高,局部放电次数减少,局部放电量减小,油中溶解气体组成成分减少,局部放电相位宽度变窄,放电点逐渐零散。给出了复合电压下油纸绝缘缺陷局部放电发展规律,确定了3个放电发展阶段：起始阶段,即局部放电强度较弱,放电次数少,放电相位分布较窄：发展阶段,即局部放电强度逐渐增强或略微加重,放电次数增加,放电相位分布变宽；危险阶段,即局部放电强度达到整个放电过程中最大值。为了实现复合电压下油纸绝缘局部放电模式识别,根据电压比例、缺陷类型及严重程度三个方面,总结了48类放电模式。建立了图谱库,图谱库分为统计图谱库、波形图谱库、色谱库及包含上述三种库的整体图谱库。依据图谱库分别提取了72、13、17及102个原始指纹特征,并构建了相应的指纹库。由于原始指纹特征进行模式识别时的正确率较低,为37.8%,为了提高识别正确率,给出了两种指纹特征降维方法。K-L变换通过空间变换实现降维,对多分类问题中的非线性问题较为有效。经K-L变换降维后的统计图谱指纹库、波形图谱指纹库、色谱指纹库及整体图谱指纹库的指纹特征个数分别减少为9个、5个、8个和4个。分别采用降维前后的指纹特征进行模式识别,通过对比平均测试正确率发现,经K-L降维后,模式识别测试正确率提高了26.6%。粗糙集理论(RST)通过在原始特征中进行选择实现降维,对分类界限模糊的问题较为有效。经RST降维后的统计图谱指纹库、波形图谱指纹库、色谱指纹库及整体图谱指纹库中的指纹特征个数分别减少为7个、5个、12个和24个,经RST优化后,模式识别测试正确率提高了27.1%。两种方法都取得了良好的优化效果。为了得到复合电压下油纸绝缘局部放电的优化模式识别方法,进行了48种放电模式的直接模式识别,即一次性得到电压比例、缺陷类型和严重程度。通过对比重复剪辑、模糊识别、随机森林、支持向量机和BP神经网络5种模式识别方法在复合电压下油纸绝缘局部放电类型诊断的测试正确率,给出了直接进行48种放电类型识别时的优化方法：选用整体图谱库,采用RST降维方法,实施随机森林模式识别,其测试正确率可达到85.4%。为了进一步提高缺陷诊断的识别正确率,提出了分步模式识别方式,即对电压比例、缺陷类型和严重程度进行逐层识别。通过对比5种模式识别方法的测试正确率,给出了分步识别时的优化方式。该方式按照缺陷类型、电压比例和严重程度的分步识别顺序,选用整体图谱库及RST优化方法,采用随机森林模式识别方法,其测试正确率高达90.4%,但所用时间较长,为630s。为了在保证识别正确率的同时缩短识别时间,采用了多指标评价的方法实现了不同情况下模式识别方式选择,给出了同时保证识别正确率和速度的优化方式：按照电压比例、缺陷类型、严重程度识别的分步识别顺序,选用色谱库和K-L变换优化方法,对电压比例和缺陷类型进行识别时采用随机森林模式识别方法,对严重程度进行识别时采用重复剪辑模式识别方法,其测试正确率可保持在89.7%,并且且识别所用时间由630s减少到150s,加快了识别速度。综上所述,本文得到了复合电压下油纸绝缘局部放电的优化模式识别方法,选用色谱库和K-L变换优化方法,采用随机森林和重复剪辑按照电压比例、缺陷类型、严重程度的顺序进行分步识别,实现了快速准确诊断,正确率可达89.7%,时间只有150s,为换流变压器故障诊断提供了依据。