以變壓器油中氣體數據為基之工程資產故障診斷模型設計與平台發展

Engineering Asset Fault Diagnosis Modeling and System Development Based on Transformers Dissolved Gas Analysis

張君銘

指導教授 ： 張瑞芬

國立清華大學/工學院/工業工程與工程管理學系/碩士(2013年)

摘要

目前電力輸配系統現有維修保養模式，多屬於事故後維修，故無法即時反應電力變壓器之設備狀態給維修保養人員並採取適合的對應措施。由於事故後維修為採用被動的方式監控變壓器狀態，因此容易造成不可挽回的設備毀壞或龐大的財務損失。本研究則針對電力輸配系統中之核心設備─電力變壓器，利用即時監控設備收集實際於台灣與澳洲兩國運轉中的電力變壓器資訊，以探討電力變壓器整體健康狀況所帶來的影響。在所收集的資訊中有許多訊息，包含油品、油溫、油中溶解氣體含量、糠醛含量、電器與設備位置等關於變壓器的訊息，而本研究以探討電應力與熱應力所造成之故障為研究目的，故從所收集的眾多資訊中擷取九種油中溶解氣體含量為故障診斷因子，並先透過主成份分析法找出影響電力變壓器設備健康狀態的關鍵因子。另外，本研究將開發故障診斷平台並將倒傳遞類神經網路演算法導入其中，而將透過主成份分析法所擷取出的關鍵因子則作為倒傳遞類神經網路之輸入因子，以建立即時故障診斷模型，設備管理者或維修保養人員則可透過故障診斷平台即時獲取電力變壓器之健康狀況。依據故障診斷平台所提供之電力變壓器之健康資訊，則能夠提供足夠且彈性的時間制定最合適的維修保養活動，並降低設備損壞之機率或因為嚴重故障而產生的額外成本。

關鍵字

工程資產管理 ； 倒傳遞類神經網路 ； 主成份分析 ； 故障診斷 ； 變壓器 ； 油中氣體

並列摘要

he traditional maintenance activities in the power transmission and distribution system are usually based on post-accident repairs and periodic maintenance. Thus the maintenance personnel cannot immediately know the health status of transformers and take appropriate reactive measures. Monitoring the status of transformers passively can cause irreparable equipment destruction or huge financial loss. In view of this, this research uses the real-time monitoring equipment to collect the empirical data of operational transformers of Taiwan and Australia and analyzes the impact of the overall health status of transformers. The dataset of transformer from Taiwan and Australia contains much information, such as quality of the oil, the oil temperature, dissolved gas contents, furfural contents, electrical appliances and equipment position. However, this research focuses on the transformer failures which results from electrical stress and thermal stress. We extract nine kinds of dissolved gas contents (i.e. O2, H2, N2, CO2, CO, CH4, C2H6, C2H4 and C2H2) to diagnose the health status of transformers and identify the key factors which affect the health status of transformers by Principal component analysis. In addition, this research develops a fault diagnosis platform and embeds Principal Component Analysis (PCA) and Back-Propagation Artificial Neural Network (BP-ANN) into the platform. The key factors extracted by PCA are put into the fault diagnosis platform as input and a fault diagnosis model is established. The fault diagnosis model can help equipment owners, maintenance personnel or relevant units acquire the information of transformers immediately. The instant information provides adequate and flexible time for relevant units to develop the most appropriate maintenance strategy which can reduce the probability of transformer failure and extra cost by a serious fault.

並列關鍵字

Engineering asset management ； Back-propagation artificial neural network ； Principal component analysis ； Fault diagnosis ； Transformer ； Gases in oil

參考文獻

62. 陳冠儒，2011，「以即時監控資訊為基之變壓器智慧維護保養建議平台-以油浸式變壓器為例」，碩士論文（指導教授：張瑞芬），國立台北科技大學工業工程與管理研究所。

53. 林啟瑋，2009，「以主成份分析及類神經網路為基之專利重要性評估方法論」，碩士論文（指導教授：張瑞芬），國立台北科技大學工業工程與管理學系。

48. 傅粹馨，2002，「主成份分析和共同因素分析相關議題之探究」，教育與社會研究期刊，第三期，pp. 107-131。

51. 林建民及陳俊瑜，「以本質較安全設計探討油浸式變壓器危害預防」，2007年12月，第15卷第4期，pp. 380-398。

68. 揚智宇，2011，「希爾伯特-黃變換結合主成份分析與類神經網路在齒輪故障程度之診斷」，碩士論文（指導教授：吳天堯及黃衍任），國立中央大學機械工程學系。