浅析高压设备的故障状态检修

摘 要：变电站作为我国供电系统中最重要的组成部分之一，对于国家电力系统的安全运行有着重要作用，担负起周边电能调配及转换的任务。特别是随着我国城市化进程的不断加快，电力对经济建设的重要性日益凸显，越来越多的大容量发电机组投入运行需要有更加合理的电网调配。如果现在工作仅仅依据人工作业来开展抄表等工作，那将严重阻碍电网工作效率的提高。只有将现代化的技术应用到实践当中，保证设备的安全稳定运行，才能更好的保证电力现代化，保障人们的用电需求。

关键词：高压；电气设备；状态监测；故障诊断

中图分类号：TM507 文献标识码：A

电气设备作为当前高压设备停电事故高发的常见设施，已经严重影响了我国电力设施运行效果，造成了巨大的经济损失。上述停电事故直接影响了人们生活质量，对社会造成了非常大的不良影响。随着电气技术的逐渐发展和完善，电气设备可靠性已经从设备质量、工艺及设备状态监测、故障诊断两方面得到改善，控制指标得到非常明显的提升。在设备质量提升方面，单位选取优质材料，明确了设计内容，依照设备使用寿命状况对故障问题进行处理，从根本上达到了指标控制目的。在设备状态监测及故障诊断方面，单位对各项设备状态控制内容进行明确，依照当前设计指标，针对设备故障及设备老化现象，设定了对应的预防及处理方案。

1 高压设备的故障状态检修内容

设备状态监测及故障诊断主要包括早期诊断及后续维修两部分内容。在早期诊断过程中主要通过自动化装置设备收集电气设备状态数据，分析各项数据，观察电气设备的运行状态。后续维修主要是通过定期试验及维修，实现电力部门的控制，降低和减少事故发生率。后续维修要以预防性维修为中心，形成完善控制体系，将网络处理、数据分析结合在一起，消除可能存在的安全隐患。

在当前的电气设备运行过程中，单位已经实现了状态监测及故障诊断，已经构建了基础的状态维修体系。上述体系建立的过程中从设备的劣化、缺陷的发展内容出发，对电气设备的物理性质、化学性、电气性特征进行控制，有效提升了发展期的控制效益。与此同时，状态维修体系还加强了对电子技术、计算机技术、光电技术、信号处理技术和各种传感技术的应用，提升了设备剩余寿命及设备运行状态判断的可靠性，实现了运行状态下进行连续或随时的监测与判断，避免了预防性试验中存在的缺陷。

状态监测与故障诊断技术有很大的难度。潜伏性故障前期征兆的信号通常极为微弱，而运行条件下现场又存在强烈的电磁干扰。因此，抑制各种干扰，提高信噪比是在线监测中首先必须解决的难题。如果说离线的预防性试验结果的分析，已经积累了大量经验，据此可以制订出相应的规程推广施行。那么对于在线诊断现在则仍处于研究试行、积累经验的阶段。发展在线诊断技术，既需对设备结构及其老化机理有深入的了解，也需应用传感、微电子等高新技术。它是具有交叉学科性质的一门新兴技术，有重大的学术意义，也有显著的经济价值。

2 状态监测与故障诊断的发展方向

近年来，信息技术中的传感器技术、计算机通信技术、光纤传输等都有了理论和实践的重大突破，这些技术也为人工智能化发展提供基础的技术支撑，推动电力系统高压设备故障状态的检修朝着自动、智能跨越。故障的监测与诊断主要工作流程是检测当前信号→简单处理加工→特征值分析与提取→状态判断→变化趋势预测等。在各项信号的监测中，可以通过最后的状态判断来得知系统设备所处的工作状态。而通过故障的诊断，能够在发现异常后及时加以分析，通过定位技术来将故障的部位及原因做好初步分析。

当前解析模型的故障诊断主要应用在线性系统中，已经形成了完善的技术理论体系及监测内容体系，各项控制指标已经得到了明显提升，而该内容在非线性系统中的应用状况却差强人意。将非线性系统的故障诊断监测深化，进一步强化基于鲁棒性的问题研究，已经成为当前人们关注的焦点。小波变换技术作为非线性系统中故障诊断及监测的重要内容，可以有效降低定量数学模型的构建难度，提升复杂系统分析效益，对当前电气发展具有非常积极的意义。小波变换技术中的定性模型通过实际工程分析，构成了精度较高、控制效果较好，实时性分析较强的内容体系，打开了非线性系统中的故障检测及状态控制技术研究的大门。

不论是在线性系统中或是非线性系统中，电网运行时都必须保证各种电气设备的正常工作，防止某一个电气设备发生故障都有可能导致系统的崩溃。如何及时发现设备的故障以做出相应的措施已经成为线性系统或非线性系统构建的关键。因此，在当前系统状态监测及故障分析的过程中，相关人员必须对设备状态和故障诊断的方法进行分析，选用最合适最有用的方法来对特定的设备进行判断。本文将介绍一些常用的监测方法。

3 状态监测与故障诊断的常用方法

故障诊断技术主要是在不同领域、不同学科交叉、结合的基础上形成的故障诊断方法，该技术能够实现故障预防、分析、监测，可以有效提升设备的运行状态。当前故障诊断技术主要包括传统故障诊断技术和基于人工智能的故障诊断技术两大类，传统故障诊断方法又可再分为基于信号处理的技术和基于解析模型的技术。

3.1 基于解析模型的故障诊断方法

基于模型的故障诊断技术构建的过程中主要 是通过解析冗余取代硬件冗余，通过造观测器估计出系统的输出值，将输出值与输出的测量值进行比较，实现对故障信息的处理，分析故障状态。

解析模型上的故障诊断构建的过程中需要对残差产生的方式进行明确，通过状态估计、运行参数等，实现各项数据指标控制，达到一致性检验，提升运行状态控制效益。在上述模型构建的过程中要首先重构被控过程的状态，通过与真实系统的输出变量比较构成残差序列，其次构造适当的模型，用统计检验法从残差序列中提取故障特征并把故障检验出来，最后，对各项数据进行对比，实施故障诊断。

3.2 基于参数估计的方法

基于参数估计的方法在使用的过程中要首先实施机理分析，对各项系统模型参数及物理元器件参数进行明确。要依照上述关系方程识别系统模型实际参数 。与此同时，要通过和 求解实际的物理元器件参数，通过对 和P的标称值比较数据，分析系统是否出现故障。

3.3 一致性检验法

一致性检验法在操作的过程中主要是通过对实际模型与正常模型（或叫标称模型）之间的一致性关系观察设备运行状态。上述监测的过程中可以通过能观性子空间及子空间的正补交实现信号的投射，将输出信号投影在正补交上，形成残差。

3.4 基于信号处理的方法

信号处理的过程中无需针对不同的对象构建准确模型，可以产生一定差异，具有非常高的实用性。当前的信号处理方法主要包括Kull2back信息准则检测法和小波变换故障诊断法两种。

（1）基于Kullback信息准则检测的故障诊断

基于Kullback信息准则检测的故障诊断时可以通过Goodwin的随机嵌入式方法把未建模动态特性当作软界估计，利用遗传算法和梯度方法辨识参数和软界，然后在Ku112back信息准则中引入一个新指标评价未建模动态特性，计算阀值，分析设备故障状况。

（2）基于小波变换的故障诊断

基于小波变换的故障诊断是当前处理信号的一种新方法，主要是通过时间-尺度分析法完成各项分辨，实现信号控制。在上述处理的过程中，需要对小波连续变换中信号的奇异性进行明确，依照信号指标区分信号突变及噪声。需要检测信号频率结构的突变，通过频率分析设备的故障状况。

基于小波变换的故障诊断在运行的过程中主要是通过两方面实现故障状态分析：（1）利用观测器信号的奇异性。（2）利用观测器信号频率结构的变化进行故障诊断。小波变换的故障诊断实现了连续的非线性映射，完成了对神经网络分析的优化及提升，有效提升了对非线性信号的辨识效果。但是在运用小波变换的故障诊断的过程中，人员需要不断对信号尺度行为进行刻画，需要实施动态分析，对系统自动化监控标准要求较高。

3.5 基于人工智能的方法

基于人工智能的故障诊断方法简称为智能故障诊断，又称基于知识的故障诊断方法。基于人工智能的故障诊断方法主要是是通过神经网络技术、专家系统技术两方面内容发展而来的故障诊断内容，能够从根本上改善高压电气设备分析的有效性、合理性、可靠性。当前基于人工智能的故障诊断方法主要包括有基于人工神经网络的方法、基于案例的方法、基于专家系统的方法、基于模糊数学的方法和基于故障树的方法五种。其中基于专家系统的故障诊断技术与机遇神经网络故障诊断技术应用最为广泛。

基于专家系统的故障诊断技术主要指依靠计算机对各项信息数据进行采集，完成信息数据诊断的一项操作。该项技术应用的过程中需要对计算机技术进行全方位提升，需要综合运用知识库中的经验规则进行推理，从而实现对高压电气设备运行状态的准确判断。基于专家系统的故障诊断体系主要是由人机接口、数据库、知识库、推理机四部分构成。人机接口可以为用户提供友好的人机界面。数据库对各项中间信息进行存放，实现动态数据、推理过程、原始数据等的存贮。知识库依照各项原有数据资料，为专家系统建立提供扎实理论内容及“规则”形式，提升诊断有效性。推理机通过对各项数据的总结，完成系统知识及经验的分析，实现与人判断能力相仿的推理，对故障状态及故障位置进行判断。

作为一种新型的设备故障诊断方法，基于专家系统的故障诊断技术不仅可以模仿人的逻辑思维过程，能够有效提升各项逻辑问题的诊断效益。基于专家系统的故障诊断技术应用各项数据符号，完成了数据细节知识的处理，从根本上改善了基本规则内容监测效益及运行效益。除此之外，上述体系在操作的过程中便于模块化，具有传统符号数据库接口，能够及时对各项事实进行修改，通过图像、文字等展示推理过程。

专家系统诊断故障时主要包括以下几方面内容：

（1）收集在线检测的过程数据，观察现象和事实：在专家系统诊断的过程中，人员要对各项在线监测数据进行汇总，通过人机接口添加各项处理数据，完成数据的采集。人员可以适当对故障发生前或故障发生时的一些现象和事实进行添加，在专家系统中建立现象及事实内容，提升数据采集的真实性。（2）数据推理，完成各项信息故障预测：专家系统诊断时要依照上述采集数据及信息，对各项内容进行推理，由用户证实，最短时间内寻找到故障位置。（3）监测评价，故障内容分析：专家系统诊断要依照各项故障源位置，对原有固定故障评价过程进行明确，依照各项“经验”，对电气设备的故障状态进行分析，制定相应专家决策。专家系统诊断故障系统基本组成如图2所示。

3.6 基于神经网络的方法

随着神经网络的逐渐容错、联想、推测、记忆、适应、学习等，基于神经网络的故障诊断内容逐渐丰富。该技术可以应用在复杂的环境中，具有非常高的应用前景及应用价值。

神经网络作为一种新型的处理方法，可以有效提升故障诊断的有效性。该项操作主要是通过建立简单的数学模型对各项负载系统体系进行展现，有效提升了故障诊断领域的监测范围，尤其是在领域独特性展现中，得到了本质的转变：

（1）经过训练的神经网络能够对各项过程知识进行存贮，完成神经网络信息的学习，形成系统的故障状态监测内容。上述主体能够将各项日常数据通过网络展现出来，将信息与测量数据进行对比，明确各项故障类型。

（2）经过训练的神经网络可以有效消除各项噪声，降低噪声对各项数据的影响，提升数据的准确性。该项神经网络能够识别各项故障信息，依照各项噪声环境诊断故障状态，对内容进行评价。

（3）神经网强具有分辨故障原因及故障类型的能力。

神经网络是由大量的处理单元（神经元、处理元件、电子元件、光电元件等）广泛互连而成的网络。在处理的过程中可以依照人类信息处理内容，通过硬件或软硬件结合，形成系统的神经网络体系。

在上述处理的过程中，神经网络系统具有并行处理能力、非线性映射能力、分布式存储能力、自学习、自组织和自适应能力。上述特点有效提升了神经网络系统状态监测在线性及非线性中的控制效果，已经在当前高压电气中得到广泛应用。

神经网络系统在应用的过程中主要通过以下内容完成各项控制，实现数据监测：（1）神经网络诊断系统。神经网络诊断系统可以依照各项问题数据，建立专门的神经故障诊断体系，形成系统的神经系统内容。上述特定问题处理的过程中可以通过输入数据（代表故障症状）直接推出输出数据（代表故障原因），实现故障检测与诊断。（2）利用神经网络产生残差。神经网络在运行的过程中可以由其自身特性，针对各项神经网络拟合系统内容，形成完善控制体系。该内容可以利用系统的输入重构某些特定的参数，将上诉参数值与系统的实际值进行对，得到残差，通过神经网络评价残差进行聚类分析，得到高压电气设备系统的故障情况。（3）采用神经网络作进一步诊断。采用神经网络作进一步诊断的过程中需要利用神经网络诊断系统执行器的饱和故障，通过神经网络拟合各项系统运行参数及执行器的饱和状态，判断上述内容与故障之间的非线性关系。要通过上述分析达到对各故障的判断，进行误差补偿，提升常规神经网络诊断及模糊神经网络诊断的效果。

3.7卡尔曼滤波的方法

卡尔曼滤波的方法就是根据上一时刻的测量值来推断出下一时刻的估计值，在有秒两者之间的差值判断设备的故障与否，下文将重点介绍这中方法在互感器中的应用，在此就不予以详述。

结语

当前，高压电力设备的故障状态检修正朝着自动化、智能化的方法发展，通过对多项技术的综合应用来完成设备故障的监测、分析及处理。实现在线监测和故障诊断是开展状态检修的重要前提，相信自动化技术的不断进步将更大的推动电网现代化发展。

参考文献

[1]程明，金明，李建英.无人值班变电站监控技术[M].北京：中国电力出版社，2009，07：130-150.

[2]雷鸣.电力设备诊断手册[M].北京：中国电力出版社，2001，08：69-80.