摘要
干式变压器应用广泛，传统的计划检修不仅会造成资源浪费，而且会对其运行状态发展趋势造成负面影响。状态检修以设备运行状态为依据安排检修决策，能提高干式变压器运行可靠性和经济性，但目前对干式变压器状态检修的研究很少。而干式变压器异常运行状态的宏观表现往往是其异常温度、异常运行声音，本文在声纹监测法的基础上，研究了干式变压器的运行声音异常监测方法和运行状态评估方法。 对干式变压器的运行状态进行了研究，分析了其结构特点及运行状态发展态势，并对干式变压器常见故障以及相应变化的运行状态量进行了分析梳理，选取了能在线快速获取并具有代表性的巡检类状态量，构建了一种包含运行声音这一状态指标的干式变压器运行状态评估指标体系。 基于声音信号处理算法和人工智能算法，对于式变压器运行声音的异常监测进行了研究。选择更符合人耳的感知机制的梅尔频率倒谱系数作为运行声音的声纹特征，即异常监测模型的输入，然后分析了自编码神经网络算法和长短时记忆神经网络算法的优势和不足，结合两种算法的互补优势构建了运行声音异常监测模型，并利用具有更强的泛化能力和更高的优化精度的贝叶斯优化算法对模型超参数进行了优化。实例分析表明了贝叶斯优化可以兼顾异常监测的灵敏度和速度，异常监测模型对异常运行声音的识别率达99.5％。 干式变压器运行声音异常监测模型可以将运行声音转化为模型输出的重构误差定量描述，在此基础上，考虑状态评估过程和结果的不确定性因素，对干式变压器运行状态评估方法进行了研究。首先利用可拓云模型对状态指标进行了劣化评估，然后计算了层次分析法、熵权法和反熵权法这三种赋权法下的状态指标权重，对这三种权重进行合作博弈得到精确度更高的组合权重，并采用劣化变权理论考虑了状态指标劣化对权重分配的影响，实现了对权重更准确的度量，最后基于改进的证据理论对各状态指标的模糊评估结果进行了有效融合。通过实例分析验证了运行状态评估方法的有效性。
NETL