2021年9月18日, 国家能源局发布了上半年我国电力工业统计数据: “截至8月底, 全国发电装机容量22.8亿kW, 同比增长9.5%。其中: 风电装机容量约3.0亿kW, 同比增长33.8%;太阳能发电装机容量约2.8亿kW, 同比增长24.6%。”随着用电规模的不断扩大, 输变电结构日益复杂, 在响应国家双碳号召的百年未有之大变局中, 关键的一个阶段就是电厂到用户的输变电阶段。

输变电设备是电力系统发电、输电和配电的重要组成部分, 电网的稳定运行和电能输送与输变电设备的寿命、性能和安全性等因素有直接关系^[1]。输变电设备在实际运行过程中会受到过负荷、过电压、内部绝缘老化、自然环境异常等事件的影响, 这些异常运行状态会导致设备缺陷和故障的发生^[2]。输变电设备作为电力系统的关键部件, 当出现严重故障时, 不仅会影响电力设备本身, 还会影响周围的设施、设备。更换或修理输变电设备, 除了价格十分昂贵之外, 还需要大量的时间。在全国发电、输电和配电系统中, 成千上万这样的电力设备昼夜不停地在运转。因此, 它们的可靠性问题在日益复杂的电力系统中格外突出, 更应引起重视。

当恶劣天气出现时, 电力变压器有可能会出现不可逆转的故障, 无疑会对整个输送电体系造成影响。特别是最近受煤炭资源日益紧张的影响, 电厂成本大幅提高, 输送电的安全性必须得到保证。这也是我国居民用电和工业用电的迫切需要。

国内外学者对输变电设备状态检测的研究取得了丰硕的成果, 包括基于全寿命周期管理的状态检修策略^[3]、输变电设备状态检修在线决策系统^[4]、基于D - S证据理论的输变电设备多目标状态检修^[5]等。

随着电子、计算机、光电、信号处理和各种传感技术的发展, 电力设备在线状态智能化和精确化检测(包括机器视觉检测、深度学习检测和无损缺陷检测等)技术高速发展^[6], 以往输变电设备的人工检测已经逐渐不适应新时代国家能源保障的需求。为了提高电网的稳定性, 保障居民和工业用电需求, 采用新型输变电设备检测技术刻不容缓, 而对电网进行预防式、主动式的预先检测正逐渐成为主流。

目前, 我国电力企业主要采用定期检修(Time Based Maintenance, TBM)和事后检修(Corrective Maintenance, CM)相结合的检修模式^[7]。这些变压器检修策略将线下检查与线上在线设备检测的结果结合起来, 进而对其运行状态趋势及可能出现的受损情况作出评估。再根据具体严重程度派出不同种类的维修分队。其中, 组织电力变压器维修的关键是对设备运行状况进行正确、有效的评估, 并根据受损程度提出经济、合理的维修方案。评估结论和维修决策结果直接关系到维修工作的实施效果^[8]。

随着时间的推移, 有些变压器内部不可避免地出现问题。小故障可能演变成更严重的状况, 导致无法修复或电力设备的损坏。诊断系统的主要目标是检测故障的初始状态, 并识别故障类型^[9]。这能帮助工程师分析情况, 并采取预防和纠正措施, 以最大限度地延长电力变压器的寿命。

根据调查研究显示, 导致输变电设备故障的原因有设备固有缺陷、接触面氧化腐蚀、螺栓松动脱落、导线散股、设计载流量不足等^[10]。设备固有缺陷通常是以往缺陷的积累集合, 一些没被处理的缺陷积少成多, 进而导致设备发生故障。接触面暴露在外时间过长, 没有进行定期的维护与检修, 易发生静电事故。螺栓与导线则是因为设计时没有充分考虑高负荷大规模运转, 产生了金属疲劳。载流量受限于成本, 大规模的输变电对变电站、导线、接触面都是极大的考验。

进入21世纪, 输变电设备状况检测的方法急剧增多, 各类传感器也被应用于检测领域, 包括局部静电侦测、色谱仪、光电传感器等。我国在高精度传感器、润滑油成分检测、特高频信号分析诊断方面的研究较深入, 应用也比较广泛。针对变压器、气体绝缘金属封闭开关设备等电力设备的状态检测手段, 包括但不限于局部放电、油中溶解气体分析(Dissolved Gas Analysis, DGA)、振动波谱以及温度骤变、SF₆压差以及SF₆成分提取等方法。其应用的局部放电检测方法可以分为特高频(Ultra High Frequency, UHF)检测法、暂态地电压(地电波)开关柜局放检测技术(EA Technology)、耦合电容法、化学监测法和光学监测法5类。这里需要指出的是, UHF和EA方法研究结果较成熟, 应用较广, 而用振动信号诊断结果来判断输变电设备中关键部位线圈性能优劣、基于红外和可见光图像识别等检测方法是国内近年来研发出的具有优秀应用成果的新方法^[11]。

输变电设备中油的成分通常包含着设备运转状况的信息, 输变电设备油通常是绝缘、散热和构成介质环境的矿物油。DGA技术可以在电力设备运转的同时提取油样, 最大程度地提高电力系统的可靠性。当热或电故障破坏了油的碳碳键或是碳氢键时, 将分解产生不同含量和类型的碳氢化合物等气体, 由此可以判断出故障类型及其严重程度。

国际标准IEC 60599为气体浓度设置了边界, 将不同的故障进行分类, 在解释边界定义的局限性上, 提供了模糊处理方法, 使得故障易于分类。具体如表 1和图 1所示^[12]。

表 1中, “…”表示无论值是多少并不重要, 阈值太小了。

除这些故障外, 还引入了3种气体比率: $\frac{{{{\rm{C}}_2}{{\rm{H}}_2}}}{{{{\rm{H}}_2}}}$, $\frac{{{{\rm{O}}_2}}}{{{{\rm{N}}_2}}}$, $\frac{{{\rm{C}}{{\rm{O}}_2}}}{{{\rm{CO}}}}$。其中: 第1个与OLTC腔室污染的可能性有关; 第2个与气体异常加热有关; 第3个与纤维素降解有关。这些边界数据为检测输变电设备的故障提供了数据上的支持, 并且由实验结果得到的正确诊断率为93.94%, 满足检测要求。

在故障诊断的调试过程, 人工神经网络(Artificial Neural Network, ANN)由于其优越的学习能力和处理错误数据的内在能力已被用于DGA技术中。这些系统在不断学习样本数据后取得了不错的结果。但是, 神经网络训练往往是一个缓慢的过程, 因为它对局部极小值的存在极其敏感, 而在反向传播这一特征时却存在困难。

当前检测方法也进入了人工智能阶段, 各类智能算法也被应用于状态检测中, 并且也已经取得了良好的应用成果^[13]。

随着以卷积神经网络(Convolutional Neural Networks, CNN)为主要代表的深度学习技术的发展, 给电厂电力设备运行状态的实时智能监测、故障诊断提供了智能化方法, 也给实现电力巡检自动化和智能化提出了新的创新思路和建设方案, 进而实现智慧电厂。云计算、边缘计算、大数据分析等先进信息技术的迅猛发展, 给深度学习技术的推进和发展提供了强有力的支撑, 也促使人们对于深度学习的应用和发展有了更深的关注^[14]。在电力系统领域也有一些涉及到输变电设备评估诊断的相关研究。

深度学习的本质是利用算法, 模拟神经元的工作机制(相互连接、信息传递)处理分析实验数据。在对底层特征进行组合重构的同时, 对顶层特征进行模拟与表示, 继而实现对检测物进行辨别和分类。在对比深度学习和人工分析的结果后, 得出深度学习总结出的特征更符合样本。

深度学习模型很多, 常用的模型有: CNN、深度信念网络(Deep Belief Network, DBN)、生成式对抗网络(Generative Adversarial Networks, GAN)等。本文主要介绍在变压器检测方面使用较多的CNN与DBN。

CNN是一类包含卷积计算且具有深度结构的前馈神经网络, 是深度学习的代表算法之一^[15-16]。其通过建立层层卷积数据的滤波器, 逐层提取输入样本的特征, 输出数据可以得到对输入数据平移旋转或者缩放都不会改变的结果。该网络的特点在于其对大量数据的处理能力较强, 并且省去了将数据矢量化运算的步骤。此外, CNN可并行运算样本数据, 不仅减少了大量自由参数, 而且在运算速度上也得到大幅提升。同时, 当数据输入到CNN中时, CNN表现出较高的畸变容差能力, 能更加准确地提取和表达数据的特征, 可以通过利用局部感受野的方式, 有效减少权值的数量, 从而降低了网络模型的复杂度^[17]。

DBN一般由两层神经网络组合而成, 两层间互相传递数据, 但层中的各网格相互独立。其训练过程包括预调制和后期处理两个步骤: 一是预调制中两层神经网络单独训练, 并最大化减少对特征元素的删减; 二是为了使整体DBN模型的计算结果更准确, 通常使用误差反向传播算法(error Back Propagation, BP)对两层的数据进行后期处理, 保证两层网络的统一性和可靠性。

MIRANDA V^[12]于2012年提出基于溶解气体分析技术的电力变压器早期故障诊断新方法。使用气体浓度比和信息理论均值移位算法结合神经网络研究, 并采用信息论学习MeanShift算法用于创建虚拟点来训练神经网络, 用真实数据补充验证。廖瑞金等人^[18]将神经网络方法用于变压器的故障诊断中, 提出了一种将多神经网络与证据理论相结合的变压器故障诊断方法。该方法将神经网络和证据理论进行相互融合, 即融合变压器色谱数据和试验得到的数据, 充分利用色谱数据和电气试验数据的冗余、互补信息, 使多特征综合诊断结果的准确性和可靠性得到提高, 在电网中有较大发展前景。

刘循等人^[19]在传统DGA方法的基础上, 融入模糊神经网络, 得到一类全局诊断变压器各部位故障的方法。其提出的变压器全局故障诊断方法, 对输入和输出层面上的结果进行模糊处理, 在映射关系上采用模糊算法来减小误差, 避免了传统神经网络经常被局部极值影响的缺点, 提高了针对不同故障类别的诊断精度, 从根本上解决了单一DGA方法存在极值位置不足的问题。具体结果如表 2和表 3所示。

代杰杰等人^[20]在2017年提出了基于DBN的预测方法, 预测油中溶解气体浓度的发展趋势, 建立了一种基于DBN的故障诊断专家系统。该系统理论模型能自动提取输入模型数据间的有效特征信息, 预测和统计状态量的变化趋势, 与传统预测方法相比, 表现出更好的泛化能力, 避免了因主观选择阈值而引起误差。另外, 考虑到气体组分、含量、油温和环境温度的相关性, 比单一气体含量来考虑和预测的方法更加全面科学, 尤其是在数据频繁波动时, 系统模型的拟合能力更强, 从而达到更高的预测精度。

本文通过对基于深度学习技术的输变电设备状态检测现状进行多方面分析, 得到了深度学习技术中CNN和DBN技术对输变电设备状态检测的特点。相比于普通的神经网络来说, 深度学习具有更深层的网络结构以及更广泛的输入输出神经元的特点, 在面对量级大、维度高的数据时, 仍能保持较高的诊断精度。

但深度学习方法也存在一些不足和局限性, 比如时效性等问题, 因此在面对海量的输变电设备状态监测数据时, 如何高效地组建有效率的深度网络, 如何与云计算、边缘计算、分布式等技术有效结合以提高诊断效率, 是深度学习技术在输变电设备状态检测应用中未来的研究重点。