- 頭條高壓并聯電抗器運行狀態評估的新方法！可有效識別油箱內部缺陷2022-09-28 作者：高樹國、汲勝昌 等 | 來源：《電工技術學報》 | 點擊率：導語高壓并聯電抗器的聲振信號特征是評估其運行狀態的重要參考依據。當油箱內部重要結構件因長期振動出現松動，油箱振動形態發生改變，而油箱外部的聲振特征變化程度也反映了重要結構件的缺陷程度。 國網河北省電力有限公司電力科學研究院、西安交通大學電力設備與電氣絕緣國家重點實驗室的研究人員高樹國、汲勝昌 等，在2022年第9期《電工技術學報》上撰文，采用電抗器聲振信號在線監測系統，對高壓并聯電抗器油箱表面振動信號和噪聲信號進行持續監測，有效識別出了油箱內部的潛在缺陷和突發狀況。該研究結果可在一定程度上降低變電站設備維護成本，提高設備完好率。
高壓并聯電抗器（高抗）運行期間調節輸電線路的無功功率，對維持電壓具有重要的作用。由于受到繞組電流產生的電磁力，磁通在鐵心餅表面產生的麥克斯韋力和磁致伸縮的影響，電抗器存在顯著的振動與噪聲。在長期振動狀態下容易出現結構疲勞和緊固件松動，而油箱表面聲振特征與內部機械狀態存在緊密關聯，內部結構件松動后其振動形態發生了變化，可能導致箱體局部發生振動幅值波動或出現其他頻率分量，因此可以通過提取油箱表面的聲振信號對電抗器運行狀態進行評估。
國內外大量研究表明，通過建立具有層次變化的特征向量與系統不同嚴重程度下缺陷之間的內在聯系，從而得以有效判斷缺陷類型和故障源區域。由于生產廠家或型號的不同，每臺高壓并聯電抗器在出廠時制造工藝并不完全相同，隨著電抗器投運時間的增加，不同時刻下的聲振信號也會發生不同程度的改變，因此運用傳統的聲振分析法時并不能避免不同時間維度下電抗器本身所處環境和運行工況所帶來的機械狀態影響。
近年來，隨著人工智能的發展，深度學習作為一種深層神經網絡，逐漸成為監測電力設備運行狀態方面備受關注的數據處理方法。深度學習模型擁有多個非線性映射層級，可以對輸入信號逐層抽象并提取特征，從而挖掘出更深層次的潛在規律。同時隨著電力設備數據量上升以及特征復雜化，越來越多的學者將深度學習模型應用于電力設備故障檢測并取得了很好的效果。
具有記憶和遺忘功能的時間序列預測模型在國內外不同領域都得到了應用，這些應用結果證明了它不僅可以出色地捕獲數據的變化趨勢，而且可以表征時序數據的依賴關系。電力設備聲振特征既可作為衡量其內部缺陷嚴重程度的指標，同時具有一定隨時序變化的特有屬性。因此針對每臺制造工藝不同、運行環境各異的高壓并聯電抗器，分別挖掘其聲振特征時序變化的運行狀態評估方法具有一定的自適應性和個性化。
結合現場電力設備狀態監測和聲振特征預測的現實需求，國網河北省電力有限公司電力科學研究院、西安交通大學電力設備與電氣絕緣國家重點實驗室的研究人員，使用時間序列預測的方法來研究電抗器聲振特征的未來變化趨勢。
圖1 數據采集設備
他們開發了一套全天候、抗電磁干擾能力強、具有記錄穩態信號和暫態信號的電抗器聲學振動實時采集系統。針對某1000kV變電站內特高壓并聯電抗器的聲振數據，提出了一種基于門控循環單元（Gated Recurrent Unit, GRU）網絡模型的聲振特征預測方法。該方法包含詳細的網絡結構設計以及實現網絡預測的功能等，結構上包括輸入層、隱藏層和輸出層三個網絡層，功能上可實現多通道信號的多特征參量預測。
圖2 測點布置
研究人員表示，采用長短期記憶（LSTM）和門控循環單元（GRU）預測模型對電抗器聲振特征進行預測，通過與真實測量值對比，預測結果的整體趨勢、波動程度均與實測數據接近吻合，同時模型輸出結果中特征參量的波動趨勢可為狀態評估提供參考。
圖3 缺陷區域
研究結果表明，該電抗器聲振信號在線監測系統能夠滿足變電站現場投入使用需求。通過在線監測系統持續運行，初步形成了以奇偶次諧波比、50Hz比重、基頻幅值與基頻比重為指標的缺陷診斷方法。他們利用本方法對一臺接地線未連接的缺陷高抗聲振特征進行評估，結果表明，模型輸出結果與實測結果是否吻合，可說明電抗器當前振動特征波動是否存在規律性，可判斷箱體內部是否存在機械缺陷。
研究人員最后強調指出，利用在線監測系統和時間序列預測模型對電抗器聲振特征進行對比分析的方法，可有效捕捉并適應電抗器聲振特征的變化規律和波動趨勢，避免了電抗器斷電檢修帶來的整體影響和經濟損失。因此，該方法可以作為電抗器狀態評估的有效途徑，為現場運維人員提供及時、有效的參考價值，在一定程度上可以提高現場電力設備運行的完備率。
本文編自2022年第9期《電工技術學報》，論文標題為“基于在線監測系統與聲振特征預測模型的高壓并聯電抗器運行狀態評估方法”。本課題得到了國家電網有限公司總部科技項目資助的支持。
