电力系统中的故障诊断与智能维护技术研究

电力电缆故障诊断技术在智能电网中的应用

摘要：现代生活各行各业都离不开电力电缆设施，因此一旦出现故障就应该及时的进行处理，尽量减少停电停网给人们生产生活带来的影响。当前的电力电缆故障修复主要分为两个步骤，首先是故障的诊断和分析，然后就是故障的修复。而智能电网系统实际上就是依靠SCADA系统对电力网络进行系统性分析，然后定位具体的故障点，进而进行修复。这种系统需要大量的逻辑模块以及数字模型，在这些基础上就可以很快的定位故障所在的部位同时进行及时的处理。下面就是针对这一技术来进行探讨。

关键词：电力电缆；智能电网；故障诊断

引言

电力电缆工作的时候容易出现一些问题和故障，本文主要分析了电力电缆故障问题，并且列举了一些有效的电力电缆故障判断方法和技术。希望可以更好地提高智能电网的故障判断效果，从而更好地排除电力电缆的故障问题，促进电力电缆的正常使用，提高智能电网运行治理和水平。

一、线路老化的故障原因

一般来说，输电线是由绝缘层、导体层和保护层构成，那些经常投入使用的电力电缆就会出现线路老化的问题，主要是电线的保护层和绝缘层出现老化现象。这类充油式电缆本体、接头以及终端绝缘体经常包裹在绝缘油里面，就不容易出现老化现象。但是如果电缆发生形变或首受到外部力的影响而出现绝缘层或保护层断裂的现象，那么充油电缆的绝缘性会变差，甚至出现更大的安全事故。充电的绝缘油容易和空气中的水分形成化学反应，之后就会引发老化现象，从而进一步降低绝缘的效果。

金属屏蔽层的损坏和水树的老化都是交联聚乙烯电缆所存在问题，如果电缆的绝缘体有水分，电场部分集中在绝缘体中形成树枝状老化破损则视为水树现象。如果长时间处在高温环境当中，水树会进一步氧化，从而大大增强其吸水效果，也会增加其导电性能，还会出现热击穿的现象；如果长时间处在较低温度之下，水树枝会因为氧化和转化而变成电树枝。

液压系统故障智能诊断技术研究

摘 要：分析了神经网络诊断技术、专家系统诊断技术和小波分析诊断技术等智能故障诊断技术在液压系统故障诊断中的应用现状，指出了智能故障诊断技术今后的研究方向。

关键词：液压系统；智能；故障诊断；神经网络

液压系统是结构复杂的机电液综合系统，具有机电液耦合，结构时变性、非线性等特性，液压装置对污染敏感，容易产生各种故障，且故障形式多样，难于检测和判断。智能诊断技术在知识层次上实现了辨证逻辑与数理逻辑的集成、符号逻辑与数值处理的统一、推理过程与算法过程的统一、知识库与数据库的交互等功能，为构建智能化的液压故障诊断系统提供了坚实的基础。本文对液压系统的智能故障诊断技术现状进行了分析，并提出了今后的研究方向。

1.基于神经网络的液压系统智能诊断方法

1982年美国物理学家J. J. Hopfield提出了HNN神经网络模型，使神经网络的研究有了突破性进展。在液压系统的故障诊断中，广泛应用的是多层前向神经网络及反向传播算法。

基于神经网络系统的诊断基本原则是：把领域专家的经验输入网络，通过对故障实例和诊断经验的训练学习，依据一定的训练算法，使网络的实际输出在某种数学意义下是理想输出的最佳接近，对应于特定的输入征兆，产生一故障输出模式，可以模仿人类专家的直觉、联想、记忆等能力，能较好地解决知识不完全性或不确定情况下的故障诊断问题。

文献[1]以轴向柱塞泵外壳的振动加速度信号为依据，采用3层神经网络，运用BP训练算法（通过误差反向传播修正权重，使网络的实际输出与期望输出之差的平方和达到极小），用C语言在微机上建立了泵的故障信号采集、预处理及神经网络的故障诊断框架。经实际检验，证明了神经网络诊断法的有效性。

基于神经网络的诊断法是利用神经网络具有非线性和自学习以及并行计算能力，使其在液压系统故障诊断方而具有很大的优势。其具体应用方式有：从模式识别角度应用神经网络作为分类器进行液压系统故障诊断；从故障预测角度应用神经网络作为动态模型进行液压系统故障预测；从检测故障的角度应用神经网络得到残差进行液压系统故障检测。

Ｃｈｉｎａ　ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ　Ｒｅｖｉｅｗ　

人工智能技术在电力系统故障诊断中应用　

唐亚琴　

（江苏省电力公司溧阳市供电公司江苏２１３３００）　应用技术　

啊Ｉ　

［摘要］人工智能技术在电力系统的故障诊断上有着重要的作用，本文针对人工智能技术在电力系统故障诊断中的应用进行分析，仅供大家参考。　［关键词］人工智能、电力系统、故障诊断　

中囱分类号：ＴＰ３　文献标识码：Ａ　文章编号：１００９～９１４Ｘ（２０１５）２６—０２２７—０１　

一．前言　目前人工智能系统在电力系统中应用广泛，但在系统故障的诊断中仍然存　

在着一些问题和不足，在新时期下加强人工智能技术在电力系统故障诊断中应　

用分析，对电力系统的正常运行有着重要的作用。　＝，人工智能技术概述　

人工智能技术集脑科学、神经学、信息技术为一体，目前广泛运用于多个领　

域，同时也是近年来科技领域的一个研究热点。它通过对人脑的原理和行为进　

行模仿，从而研制出一种自动化的机器，这种机器能分析、识别、发现问题　很多　

电力企业都运用了这种技术，它提高了电力运行的效率，减少了故障发生的机　

率，还节约了人力、物力、财力。同时，它也能解决电力系统中非常复杂的问题，　

比如非线性映射。不仅如此，它还被继电保护所应用。因此，在发生故障的时候，　

设备能够快速反应并且发出警报。　

兰　人工系统对电力故障状态监测与故障诊断　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，局部放电是造成其绝缘故障的重要原因，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　变压器局部放电超高频检测技术　

风电机组故障智能诊断技术及系统研究

摘要：风电机组的状态监测和故障诊断是保证机组长期稳定运行和安全发电的关键。基于风电机组的基本结构，介绍了机组的故障类型和机理，论述了实际应用中机组的状态监测和故障诊断技术;基于BP神经网络的原理和优点，深入讨论了如何应用人工神经网络构建风电机组智能诊断系统，并给出了可行的系统设计方案和软件实现流程图。

关键词：风电机组;状态监测;故障诊断;神经网络

风力发电是世界上公认的最接近商业化的可再生能源技术之一[1]。在当今强调保护环境、可持续发展的背景下，不消耗化石燃料、无环境污染的风力发电被认为是最清洁的能源利用形式。在过去的10年里，由于年平均增长率接近28%，风力发电已成为世界上增长最快的可再生能源[2]。随着风能的快速发展和大规模风电机组的投入运行，且由于大部分机组安装在偏远地区，负荷不稳定等因素，我国不少风电机组都出现了运行故障，直接影响了风力发电的安全性和经济性。为保持风电的长期稳定发展，增强它与传统能源的竞争力，必须不断降低风力发电的成本(包括制造安装成本和运行维护成本)。服役超过20年的风电机组，其运行维护费用估计占能源成本的10%～20%[3];海上风电机组由于运行环境更恶劣、维护操作更困难，这个比例更是高达30%～35%[4]。2004年丹麦Horns Rev海上风电场的多台机组出现了电机失效等技术故障，更换风机并运至陆上维修，直接导致设备供应商年度亏损近4 000万欧元。

因此，风电机组的状态检测和故障诊断显得尤为重要，是保证机组长期稳定运行和安全发电的关键。风电机组故障诊断利于降低故障率、减少维修时间、增加年发电量和提高风电场的经济效益;利于发现早期故障，不仅能为机组维护人员安排备用器件和物资提供必要的时间，而且也能为设计人员提供指导和意见。随着人工智能技术的发展，特别是知识工程、专家系统、人工神经网络等在诊断领域的进一步应用，故障智能诊断已逐渐成为现实。