|
随着现代化大生产的发展和科学技术的进步，对电力的需求与日俱增，对电力生产设备的可靠性、经济性以及稳定性提出了更高的要求。随着电力的大规模生产，电力设备的结构越来越复杂，功能越来越完善，自动化程度也越来越高，各子系统的关系也越来越密切，一旦设备的某个部分在运转过程中出现故障，就很可能中断生产，造成巨大的经济损失，甚至带来灾难性的后果。为保证电力系统安全、经济、稳定运行，电力设备的故障监测诊断将从以时间为基准的方式转变到以状态为基准的方式，其内容包括状态监测与故障诊断两个方面：前者通过提取故障的特征信号为状态维修提供检修依据，后者则分析、处理所采集的状态信息。 （图片） 电力设备在线监测技术研究大致包括以下内容 ：1、在线监测手段 ；2、监测信息的传递、处理和存储 ；3、故障特征量的提取 ；4、故障机理分析；5、故障诊断的方法和理论分析。其系统流程见图1。其中，在线状态监测技术以及故障诊断的方法和理论分析是其两大研究方向。（图片）
图1 电力设备状态监测与故障诊断系统 电力设备在线状态监测技术与系统
◆ 信号采集
电力设备在线监测系统是指在设备使用期内连续不断检查和判断设备状态，预测设备状态发展趋势的系统。通常通过设备运行状态量反映设备运行情况，首先获取诊断对象的状态信息，采集电力设备的电压、电流、频率、局部放电量以及磁力线密度等信号(包括正常信号和异常信号)。根据表征设备状态量的各种信号的不同特性而采用不同的信号采集方法，常用的采样方法有：
● 一次性采样，每次只采集一个足够数据处理所需长度的信号样本。
● 定时采样，按事前整定的周期进行采样。
● 利用发生随机故障时的信号突变自动采样。
● 根据故障诊断的特殊要求采取转速跟踪采样、峰值采样等特殊采样方式。
针对不同的电力设备和任务要求其状态监测方法不同。变压器故障主要由内部绝缘老化造成，因而根据变压器各种机械和电气特性，采用局部放电、油中气体分析、振动分析、极化波谱、恢复电压法等方法监测其运行状态。交流旋转电机发生故障的类型不同，故趋向于结合神经网络、小波分析等监测电机的状态。断路器状态的好坏的监测主要采用跳闸轮廓法和振动监测法获得断路器的状态信息。
◆ 数据传送
信号处理系统通常距监测设备较远，因为在传输过程中易受干扰、易损失及相移难以一致(受环境因素影响较大)，故需先作模数转换、预处理和压缩打包，再经通信路径传输到处理控制中心。通信设备现已广泛应用于电力领域，光纤传输数字信号可较好地抑制干扰，保证信号质量。
◆ 数据处理
工控数据处理中心收到通信线路传输来的状态量数据包后，利用各种不同数学方法对数据解包处理。例如：频谱分析、自（互）相关性分析、小波分析、神经网络、人工智能等。数字信息技术和智能技术应用到电力设备监测系统的数据处理使电力设备在线监测更加实时准确。
目前，在线状态监测还未达到完善、可靠的程度，尚存在以下问题 ：1、信号采集受传感器可靠性和现场电磁干扰和设备灵敏度等因素影响；2、在并发诊断能力、自学习和自适应能力、大量数据的处理、管理能力方面不够完善；3、理论上缺乏系统的知识体系、概念体系。
电力设备故障诊断技术
◆ 电力设备在线监测与诊断技术发展趋势
● 电力系统监测与前沿性技术成果紧密结合，将计算机技术、通讯技术、人工智能技术、电力电子技术与设备诊断技术结合，使诊断技术不断提高。
● 由以单台设备为目标的在线监测向整体监测延伸。设备的状态由多种参数综合决定，故障维修不再局限某一设备，而是同时考虑整个电网设备的运行以及电力供求关系的调整。与集中式监测系统相比，从设备附近采集和处理数据的分布式多参数在线监测系统可以节省信号电缆，降低监测量，提高了监测的可靠性，同时还可以做到资源共享。
● 设备状态的远程监测和网络化的跟踪。分布式系统的发展以及通信技术在电力系统的广泛应用，使设备诊断技术与计算机网络技术结合，采集设备的状态参数后可远程传送数据，远程协作诊断。
● 状态监测系统与其他系统联网和集成。如在分布式的监控系统中将状态监测系统与继电保护有机结合。
总之，随着传感器技术和信息技术的日益成熟，在智能化理论(如神经网络和专家系统) 的基础上结合信号采集、数据分析为主的计算机辅助监测和诊断技术，可预见电力设备状态监测与故障诊断将进入智能化的新时代。
电力设备故障诊断的过程可以概括为图2所示框图。（图片）
图2 电力设备故障诊断的过程 可以看到，机械故障诊断主要包括四个步骤，即信号测取、特征提取、状态诊断和状态分析。在机械故障诊断的发展过程中，人们发现最重要、也是最困难的问题之一就是故障特征信号的特征提取。从某种意义上说，特征提取可以说是当前电力设备故障诊断研究中的瓶颈问题，它直接关系到故障诊断的准确性和故障早期预报的可靠性。为了解决特征提取这个关键问题，对于电力设备故障的特殊性，诊断方法就具有一定的特殊性。随着电站发电容量的增大以及人工智能和计算机技术的迅猛发展，智能诊断方法在电力设备故障诊断中得到了广泛的应用。目前应用较多的智能诊断方法是模糊诊断方法和规则诊断方法。
◆ 诊断技术
● 模糊诊断方法
在电力设备故障诊断中存在许多边界不分明的事情，不能再用经典集合论中的二值逻辑关系来描述，必须用模糊集合论中的“隶属度”来描述。这无疑可以提高故障诊断的准确性。但是借鉴模糊数学的基本理论发展起来的模糊诊断方法，通常是利用反映征兆与故障相关程度的模糊关系矩阵，通过模糊变换来诊断故障，这是不正确的。因为从征兆出发去诊断故障，是根据征兆逐步确定和排除故障的过程，因此，需要明确的是征兆对故障的肯定和否定程度。根据征兆对故障的肯定和否定程度，可以建立模糊筛选矩阵，建立故障诊断的数学模型；利用模糊筛选矩阵可以反映故障存在的充分条件，可以考虑不同征兆之间的相互影响，能够对故障隶属度进行精确计算。但涉及的故障和征兆数目太多时，就可能难以分辨征兆之间的相互作用，且模糊筛选矩阵一般是根据机组故障的典型情况建立的，一旦确定后不能根据故障的具体情况灵活地进行调整。由于故障和征兆表现的多样性，必须根据机组的不同状态和故障可能表现的形式对模糊筛选矩阵进行修正。
● 规则诊断方法
规则是一种表示故障和征兆之间因果关系的形式。规则必须能够准确地反映专家处理实际问题的整个思维过程，确切地表达故障和征兆之间的复杂映射性，不能简单地认为规则只是某故障所有的征兆的任意组合。
在基于规则的诊断推理中，一般要求同一故障不同规则之间的前提条件是相互独立的，这在故障和征兆存在复杂映射性的情况下是不可能实现的。因此，需要对不精确推理算法进行改进，不能在规则的前提条件之间和规则之间进行简单的模糊加权运算，不能简单地认为故障是通过某些征兆得到的。基于规则的诊断方法能够根据机组故障的实际情况组织规则，具有较大的灵活性。能够根据情况不同激活相应的规则，迅速确定和排除某些故障。能够根据推理路径对诊断结果进行合理解释。能够在一定的程度上改善单规则容易发生冲突和不一致的现象。
● 混合诊断规则
显然，单一的诊断方法已不能适应水轮机机组复杂故障诊断的要求。在其他的智能故障诊断方法中，人工神经网络诊断方法能够根据大量的故障机理研究以及经验性的直觉知识归纳出典型样本，通过对神经网络内部的竞争达到问题的求解，从本质上模拟专家的直觉。基于案例的诊断推理能够利用以前解决类似问题的经验，诊断结果易于理解和接受。基于模糊诊断推理能够利用机组结构和故障机理等深知识来区分故障之间的层次关系和因果关系，能够诊断出系统中从未发生过的故障。当然，它们只是这些诊断方法理论上所具有的优越性，能否在实践中真正发挥作用，取决于这些诊断方法是否真正体现了故障诊断的本质。如果对所有征兆的作用不加区分，仅根据不同的征兆的权值计算案例的相似度，可能得不到准确的诊断结果。
状态监测与故障诊断实例
超高压主干变压器是电力传输系统的枢纽设备，其运行的可靠性直接关系到电力系统的安全与稳定，而局部放电又是造成其绝缘故障的重要原因，因此对变压器进行局部放电在线监测，为电站的变压器实现状态检修与维护提供可靠、准确的决策依据和符合市场经济规律的现代管理和维修的科学模式具有重要意义。与传统的检测方法相比，变压器局部放电超高频(UHF)检测技术具有检测频率高、抗干扰性强和灵敏度高等优点，更适合局部放电在线监测。它通过接收电力变压器局部放电产生的超高频电磁波，实现局部放电的检测和定位，现已被国内外的众多电力变压器监测研究机构所认可。（图片）
图3 电力变压器在线状态监测与故障诊断系统实例 变压器超高频局部放电信号的频率均在300MHz以上，甚至超过1GHz，如此超高频放电信号，常用的A/D采集卡在采样率和存储深度等方面是很难满足要求，而且局部放电测量通常只关心信号的峰值及其出现的相位，因此，必须对信号进行处理，将信号调整到通用大动态范围高速采集卡能处理的频率范围，并保留其峰值和相位等特征，达到既能检测信号，避开干扰，又降低技术要求的目的。基于混频技术的超高频局部放电检测便能实现这一功能。（图片）
图4 基于专家智能系统的变压器诊断系统的框架 变压器局部放电超高频检测技术的具体方法为：变压器中局部放电发射的电磁波经超高频传感器(检测频带为400～800MHz) 耦合接收后，将放电信号转换为电压脉冲信号，然后经过超高频接收机的混频、滤波、检波和放大处理后，局部放电超高频信号可降频为0～5MHz信号，最后将处理过的高频窄带信号送入研华工控机ACP－4001内的数据采集卡PCI－1714（采样频率为30MS/s采样率）进行数据采集、处理和分析，整个硬件系统的结构如图3所示。由于变压器故障的特殊性，诊断方法就具有一定的特殊性。随着人工智能、专家系统和计算机技术的迅猛发展，智能诊断方法在水轮机机组故障诊断中得到了广泛的应用。基于专家智能诊断系统的变压器故障诊断的框架见图4所示。
9/21/2005
| 
