城市轨道交通干式变压器全寿命周期分析的研究文献综述

文献综述（或调研报告）：

全寿命周期费用（Life-cycle Cost）分析是指从设备或者项目的长期利益出发，全面考虑项目的整个寿命周期，在保证可靠性的前提下，使总费用最低的方法。此方法最早始于上世纪的瑞典[6]，直到 20世纪后半叶才在军事领域得到了一定的发展[7]。近年来，全寿命周期法逐渐被应用到交通运输、航空航天和电气能源等行业中。 欧美的发达国家将全寿命周期法运用于核电站建设，大型变压器、发电机和中低压配电系统[8]、计算电力系统运维成本时考虑环境因素[9]等。

国内在研究全寿命周期法应用于轨道交通等特殊工作环境下的干式变压器时，碰到了不少难题。主要有两方面：一方面，全寿命周期分析包含的费用模块很多，每个模块存在不同的计算模型，模块和计算模型的选择缺乏统一的标准，大部分理论缺乏数据的支撑；另一方面，大部分全寿命周期分析在考虑负荷时，往往采用电力系统的负荷曲线，对地铁这一特定场所的负荷的考虑和研究不足。

蔡波等人认为全寿命周期主要包括初期投资费用、空载损耗初始等效费用和负载损耗初始等效费用三部分，给出了空载损耗和负载损耗为总容量的 95%时，费用最小的结论[10]。但是此方法对费用模型做了太多简化，并不实用。刘亚男等人则认为全寿命周期费用主要应该包括初期投资费、运行成本、故障成本、报废成本和上级规划成本，同时对于每一项费用进行了具体讨论，给出了详细可行的计算公式，并且考虑通货膨胀进行了计算参数修正。同时，为了进一步简化计算，用最小二乘法拟合了空载损耗和额定容量、负载损耗和额定容量的近似曲线，用额定容量一个参数代替了两个变量。最后给出了一个实际算法案例[11]。但是该文是针对城市变电站变压器进行研究，部分模型不适用于地铁这一场合。并且文章也没有给出具体的选型法案，只是对现有方案进行了费用计算。王玉忠等人则从区间联系数的角度出发，对于变压器的初始报价、运行时间、维修成本等数据往往是处于某个区间之间，而非具体确定数值的问题给出了较好的解决方式[12]。高凡等人选用了和蔡波相似的计算模型，但是多了对于整流变压器的考虑，给出了整流变压器和动力变压器都应选择运行成本小，初始报价较高的定性结论[13]。李国正等人给出了地铁列车的全寿命周期模型，其包含投资费用、运行维修费用、待工费用和风险费用。该模型是建立在关键组件的建模基础上，对于变压器的借鉴价值有限[14]。

近年来，轨道交通建设在全世界引起热潮，为减少故障发生，有效保障地铁、轻轨的运行，多个国家和地区开始把RAMS理念和技术引进了轨道交通行业。RAMS模型，是指对器件的可靠性（Reliability）、可用性（Availability）、可维修性（Maintainability）和安全性（Safety）进行建模。其中，可靠性是指产品在规定条件下和规定时间内完成规定功能的能力；可用性是指在要求的外部资源得到保证的前提下，产品在规定的条件下和规定的时间内处于可执行规定功能状态的能力；可维修性是指规定的条件下和规定时间间隔内，按规定的程序和资源进行维修时能完成规定的维修工作的能力；安全性则是指不发生不可接受的风险的特性[15]。这四者之间有着紧密的联系。传统的可靠性分析方法主要分为解析法和模拟法两大类，以及二者相结合的混合方法。解析法即根据系统的结构和元件之间的逻辑关系，建立系统的可靠性模型，通过递推或迭代等方法求解，具有非常高的精度。但是一旦系统的复杂程度上升，结构和元件数量将迅速增加，建模难度较大。常用的解析法有：可靠性框图法，故障模式后果分析法，故障树分析法，Petri网、贝叶斯网络等等[16]-[18]。而模拟方法则是指按一定的步骤模拟随机出现的各种系统状态。从大量的结果中统计出系统的可靠性指标，模拟次数和系统的规模无关，所以具有良好的适用性，但是模型精度受模拟算法影响很大。

安全性评估则是系统工程学的一个分支。区别于可靠性评估，安全性评估的目的是建立表征系统风险程度的指标。我国高速铁路的安全性的主要步骤是：评估材料收集、危险有害因素识别、划分评估单元、确定评估方法并进行定性或定量评估、对策与建议、评估结论[19]。常用的方法有专家评估法和数值图形类分析方法。专家评估法较为基础，主要是将系统划分为诸多小系统，以打分的形式逐一进行检查分析，对存在隐患的部分给出建议。数值图形类分析法则是对系统进行必要的检验测试，包括计算机仿真等，常常需要引入各种人工智能算法。

英国、新加坡、香港及台湾等地区已有成功应用RAMS于轨道交通系统的例子，我国内陆城市也尝试把RAMS管理引进轨道交通建设中。比如，深圳4号线、北京4号线、成都1号线、上海10号线、苏州1号线等项目，在不同程度上运用了RAMS管理技术[15]。曾德荣等人将故障模式后果分析（FMEA）和故障树分析（FTA）两种方法相结合, 对地铁牵引变电所进行可靠性分析。文中建立了详细的FMEA表格，找出了牵引变电所中所有可能出现的故障类型，并计算了其发生概率。在此基础上，建立故障树，运用最小割集法，找出了影响地铁牵引变电所可靠性的关键设备或环节[20]。胡海涛等人采用了类似的方法，求取了整个地铁牵引系统（包括牵引变电所、继电保护系统、接触网系统等）的故障概率，并以沙特麦加地铁牵引供电系统项目为例，证明其方法可靠性，得出了在牵引变电所进线处的高压和中压断路器对系统的可靠性影响较大的定性结论[21]。孙建明等人同样采用故障模式后果分析法，对高铁10kV系统的RAMS模型进行了定量研究。文中列出了系统各组成器件的可靠性参数，依然采用最小路、最小割集的方法，对所需的指标进行计算，并比较了不同接线方式（单贯通、双贯通、T形接法、环网接法）的优劣势[22]。以上三篇文章主要的针对目标都是系统，而非具体的单一器件，在顶事件的拆分方面，借鉴价值有限。杨俊杰等人对电力机车的牵引通风机及其电机组进行了可靠性分析，采用的方法依旧是故障树，但是其在顶事件的拆分上较为细致，包括电源、接线口、定转子、电缆等基本组成元件[23]。而王鹏等人则是对电子式电流互感器进行了研究，对相互隔离的高低压侧各自进行了故障树分析[24]。这样的分析方法对于由整流变压器和整流器组成的整流机组有很好的参考价值。但是由于动力变压器在顶事件的拆分上存在一定困难，可以将其视为整体考虑。研究表明，其可靠性满足双参数的威布尔分布[25]，但是部分数据需要进行预处理，常见的预处理方式为平均秩次法和残存比率法[14]。

变压器状态评估是指对变压器运行状况的记录、分类和分析。故障预测和故障诊断是变压器状态评估的特例[26]，故障预测是指预测变压器的故障（故障部位、严重程度），评估其发展趋势；故障诊断则是当变压器故障发生后，对故障进行诊断、定位，评价故障程度，从而为状态维修提供决策依据。

评估变压器状态的手段和方法有很多，大致可以分为变压器电气特性分析、油气特性分析、物理量分析以及其他信息。其中对电气特性的分析包括返回电压、介质损耗检测、绕组阻抗、绕组变比测量、在线功率因数测量等；油气特性分析包括油中溶解气体分析、油中微水含量、油介损值、油酸值、油的体积电阻率等；物理量分析包括内部温度测量、绕组位移变形测量等；其他信息包含变压器的运行工况（负载情况、保护动作和短路情况等），检修记录，家族记录，配件运行情况等[27]-[32]。

变压器的状态评估主要包含两大部分：评估变压器的剩余寿命和评估变压器的健康状况。估算变压器的绝对剩余寿命需要作许多未知的假设，因此根据变压器当前运行状态估计剩余寿命十分困难，在这方面的研究也比较少。多数研究人员选择从不同的角度对进行变压器健康状况进行评价，即状态分级。研究人员通过综合考虑变压器的各类状态信息（电气特性分析、油气特性分析、物理量分析和其他信息中的多种评估手段），运用评分方法[33]、模糊数学法[34]、贝叶斯网络[35]、灰色聚类决策[36]等方法进行状态分级。

刘有为等人综合设备的运行工况、预试状态、缺陷、检修、家族质量史、在线检测等状态信息, 对设备状态进行评分，分值为0分至100分之间（0分代表设备需要立即维修，100分代表设备健康）。评分能够细化变压器的状态情况，并在评分中综合考虑了静态分值和动态分值两个指标，静态分值表示预试数据接近注意值的程度，动态评分体现了变压器状态的劣化速度[37]。虽然此方案存在诸如设备状态间的界线划分过于绝对，预试评分时考虑动态分值的方法较简单等问题，但建立了设备状态维修的基本框架，具有重要的意义和较高的参考价值。

在刘有为等人的研究基础上，吴立增用贝叶斯网络分类器对变压器状态综合评估方法进行了优化。他提出的方法综合了变压器的历史状态、当前状态和预测状态，将电力变压器的状态分为A、B、C、D、E五个级别，并且最终建立了基于数据集的变压器状态综合评估系统框架。在变压器故障预测方面，他提出了通用型非等间隔GM(1,1)灰色预测模型和通用型非等间隔Verhulst灰色预测模型，并基于油中溶解气体对变压器故障进行了预测，同样的预测模型也能够准确预测电气实验数据，证明了模型的通用性。在变压器故障诊断方面，他将贝叶斯网络分类器与粗糙集有机地结合，有效地处理不精确数据和不完备数据，以溶解气体分析结果和其它电气试验结果作为故障分类的属性集对贝叶斯分类器网络进行训练，故障诊断的结果正判率较高，验证了方案的有效性[35]。吴立增的研究的局限性在于其历史数据库的建立并非很完善，他着重使用的是DGA数据和电气试验数据；预测故障时不能较好地处理具有明显的随机波动现象的电气实验数据；状态评估与维修策略的关系局限于定性关系。

变压器的故障诊断属于变压器状态评估的特例[26]。变压器由于其部件和配套检测设备较多且各部件之间存在较强的联系，其故障的类型繁多，且故障之间并非完全独立，往往是并发性的故障[37]-[39]。变压器的故障按照故障部位分，包括主体故障和配件故障。其中，主体故障主要为绕组故障和铁心故障；配件故障包含分接开关故障、套管故障、冷却系统故障、主绝缘及引线故障等。若按照故障类型分，主要有机械故障，绝缘老化故障和过热故障等。

油浸式变压器的故障诊断常常以油中溶解气体分析为主，结合其他电气实验结果，利用例如概率推理、判决树、信息融合等方法进行综合诊断。干式变压器的故障诊断研究相对较少，但随着干式变压器的应用需求和应用范围变广，越来越多的单位意识到提高干式变压器运行可靠性的重要性，有关干式变压器故障诊断的研究也开始展开。魏丽峰等人将专家系统引入到故障诊断中，指出了该系统的基本组成为数据库、知识库、推理机、解释器，构造了干式变压器故障诊断专家系统的基本模型，为干式变压器的智能化诊断奠定了一定的基础，但没有提出具体的解决方案，还有许多工作需要进一步研究探讨[40]。万志强等人针对传统的矿用干式变压器采用热电偶监测干式变压器内部温度，而存在监测量单一，不能有效反映干式变压器绝缘实时状态的问题，综合采集温度和电压电流信息，通过特征量提取和神经网络算法进行变压器故障诊断，并建立了干式变压器匝间绝缘故障类型库[41]。温敏敏等人基于 LabVIEW 平台，实时采集电流、电压、温度及局部放电等矿用隔爆型干式变压器参量作为故障征兆信息，并提取各监测参量的特征量，基于RBF神经网络进行故障诊断，在实践中应用，并成功进行了故障预警和故障诊断[42]。但万志强和温敏敏等人对信息特征量的提取处理较为简单，并没有考虑到信息之间的联系，同时故障诊断结果不能判别故障位置和故障程度，仍然有较大局限性。高立业从干式变压器内部温度场出发,通过干变的温度场分布特性找出故障部位并分析故障原因[43]。他采用了直接测量与软测量技术相结合的方法对干变的温度信息进行采集，对干变的5种运行状况（正常、局部放电、高压击穿、绝缘损坏、瞬间冲击大电流）进行仿真模拟，获取温度数据样本作为用遗传算法改进的神经网络算法的训练集，最终得出诊断结果。该研究的不足之处在于：仅从温度场的角度出发进行故障诊断，其诊断结果不能涵盖变压器所有的故障类型，且温度场携带的故障信息有限；其诊断算法的训练样本来自于仿真结果而非实际数据，模型没有经过实践检验，在实际应用中的适应性还需要进一步试验证明。

有研究和统计表明，绕组变形是变压器的主要故障类型[27]，故而针对这一特定故障类型的诊断研究也获得了广泛的关注。利用变压器绕组的电气特性，国内外诸多学者已经提出了相对成熟的离线检测方法来判别变压器绕组的机械状态，如：频率响应法[44]-[45]、低压脉冲法[46]、短路阻抗法[47]等，其诊断思路大都是从变压器绕组发生机械形变将会引起漏磁场分布改变，从而引起互感、自感、电容等分布参数的改变这个角度出发进行研究。其中短路阻抗法已经发展成为检测绕组机械形变的主要手段，被写入国家标准[48]。但是这些传统方法仍存在相当的局限性。

近年来，利用振动特性进行电力变压器绕组故障诊断的方法逐渐获得了国内外学者的关注。有研究表明，相比于常用的频响分析法和短路阻抗法，振动分析法能够更加灵敏地发现变压器绕组地松动或变形故障，具有较高的工程应用价值[49]。现有的研究大多从变压器振动信号的频谱分析、能量分析、稳定性分析实现对变压器绕组的监测。刘金鑫以SCB10-1000/10型干式变压器为研究对象，建立了干式变压器多耦合场振动的仿真模型并对绕组故障时的振动特性进行了研究，采用改进变分模态分解与权重散度的方法进行绕组振动信号特征提取，并且提出了基于优化相关向量机的变压器绕组状态识别算法[50]。该研究的不足之处在于仅对于正常工况下仿真模型的验证，没有对绕组机械故障仿真模型进行验证；另外，他提出的算法也是在仿真数据的基础上进行的，没有进行现场应用，其实际适应性需要进一步试验证明。吴书有在进行了变压器振动特性试验的基础上，提出了基于变压器箱体振动预测模型的绕组变形在线检测方法和基于时间-尺度-频率法的铁心压紧状态检测方法[51]。其中，绕组变形在线检测方法以加载电压和负载电流为输入变量，根据振动机理对健康状态的变压器进行振动信号预测，然后与实测振动信号进行对比，定性判断变压器绕组是否故障。该方法综合了电气信息和振动信息，能够避免变压器低压侧短路运行，且不需要变压器离线就能监测绕组状态。但考虑到该预测模型中的参数是根据某台特定的单相变压器的试验数据确定的，若对其他变压器建立预测模型仍然需要大量试验，这在实际应用中是十分麻烦的。另外，研究中对三相变压器推广使用此模型仅作了可行性分析，所以该模型的普适化还需要进一步讨论研究。王硕辉针对挂网运行变压器油箱壁振动信号中铁心和绕组振动信号混叠问题，利用子空间独立分量分析（SDICA）对实际运行变压器振动信号进行分解，成功分离了绕组和铁心信号，并集合互补总体经验模态分解（CEEMD）能量熵计算变压器绕组振动信号熵值作为所提取的特征信息，进行绕组状态检测和故障诊断（熵值大于 0.40 可判别绕组为正常绕组，熵值在 0.30~0.40 则判定为潜在故障绕组，熵值小于 0.20 则判别为故障绕组），试验发现35kV和 220kV变压器绕组正常情况下熵值均在 0.40~0.50 区间，证明了该方法可有效应用于不同类型变压器绕组状态监测和故障诊断[52]。王硕辉的研究实现了铁心振动信号和绕组振动信号的分离，但他模拟的故障仅限于低压绕组辐向压缩故障，并没有涉及到其他故障的振动特征分析，且绕组故障诊断也仅局限于定性判断。

四、方案（设计方案、或研究方案、研制方案）论证：

本研究以广州地铁1号线采用的干式变压器为主要研究对象，确定基于全寿命周期分析的地铁干式变压器选型策略，综合考虑轨道交通系统的运行特点和负荷特征，给出变压器全寿命周期费用计算模型，提出适用于城市轨道交通系统的干式变压器设计和选型方法。

建立地铁干式变压器的RAMS模型，依据前人的研究，采用故障模式后果分析法和故障树，对于降压变电所中的动力变压器和牵引变电所里的整流变压器和整流机组分别建立RAMS模型。其中动力变压器由于顶事件的拆分上存在一定困难，将其视为整体考虑，其可靠性满足双参数的威布尔分布，采用平均秩次法和残存比率法对数据进行预处理。对于整流变压器，则分别对高压侧、低压侧进行故障树分析。

此外，对于干式变压器的运行状态和故障诊断，考虑到温度场携带的故障信息有限，本研究选择采用以干式变压器内部温度为主要参考信息，综合考虑不同运行状态下变压器振动特性，再进行变压器故障诊断。首先利用有限元软件Maxwell和多物理场仿真软件COMSOL搭建干式变压器模型，在不同运行状态下进行温度场和振动特性仿真。由于干式变压器运行时出现的故障情况很复杂，故采用仿真获得的数据作为训练集，利用神经网络等智能算法进行状态分析和故障诊断。

五、进度安排：

3月1日-3月21日 学习Maxwell和COMSOL软件，掌握有限元仿真、多场联合仿真的方法，学习干式变压器温度场和绕组振动特性的仿真。

3月22日-４月１日 根据相关数据（例如广州1号线中的干式变压器数据），在Maxwell中建立变压器模型，运用COMSOL进行温度场仿真和振动特性仿真，获得仿真模型在不同运行状态下的各点的温度数据、振动数据。

4月2日-4月15日 学习智能算法，掌握Python相关库的使用。

4月16日-4月30日　研究确定具体算法和改进策略，以干式变压器仿真数据为主要训练集，进行状态检测和故障诊断。

5月1日-5月10日　针对某地铁运行历史数据，探索在线预测变压器状态和故障诊断的可能性。

5月11日-5月15日 建立轨道交通系统中干式变压器全生命周期中的设计和选型方案。

5月15日-5月30日 建立干式变压器RAMS模型和量化指标体系。

5月31日-6月20日 整理研究结果，进行论文撰写，准备答辩。