地下变电站变压器室爆炸行为分析.pdf

电 力 系 统 及 其 自 动 化 学 报Proceedings of the CSU-EPSA第 35 卷 第 6 期2023 年 6 月Vol.35 No.6Jun.2023地下变电站变压器室爆炸行为分析谢丰蔚1，吴昊宇1，吕东2，顾辰1，黄伟1（1.国网北京市电力公司经济技术研究院，北京 100055；2.应急管理部天津消防研究所，天津 300381）摘要：针对地下变压器室存在爆炸问题，根据变压器油电弧产气爆炸行为特性，本文提出构建递归神经网络变分自编码器的潜在因子分析方法，获得变压器电弧产气行为的低维特性并刻画爆炸行为。首先，利用实验和计算流体力学软件 FLACS 对某 220 kV 全地下变电站的主变压器室内变压器油释放可燃气体引发的爆炸进行模拟计算，比较不同可燃气体量与不同泄放面积下地下变电站内的压力温度分布；进一步利用递归神经网络变分自编码器方法提取不同气体爆炸时的温度变化和压力变化数据潜在因子，从低维动态轨迹和稳定流形平面角度探测产生爆炸行为特性。分析表明，计算范围内室外最大泄爆压力随泄放面积增大保持相对稳定略有上升，可燃气体当量体积增大也会提升室外最大泄爆压力。本文为变压器产气爆炸特征研究提供了一种新的途径。关键词：变压器油；电弧分解产气；气体爆炸泄放；潜在因子中图分类号：TP183文献标志码：A文章编号：1003-8930（2023）06-0116-08DOI：10.19635/ki.csu-epsa.001238Analysis of Explosion Behavior in Transformer Room of Underground SubstationXIE Fengwei1，WU Haoyu1，L Dong2，GU Chen1，HUANG Wei1（1.Economic and Technological Research Institute，State Grid Beijing Electric Power Company，Beijing100055，China；2.Tianjin Fire Science and Technology Research Institute of Ministry of EmergencyManagement，Tianjin 300381，China）Abstract:In view of the explosion problem in an underground transformer room，a latent factor analysis method of recurrent neural network（RNN）-based variational auto-encoder（VAE）is proposed to analyze the explosion behavior according to explosion characteristics of gas from transformer oil by arc.First，the software FLACS is used to simulate theexplosion caused by the released combustible gas produced from transformer oil in the main transformer room of a 220 kVunderground substation.The pressure and temperature distributions in the underground substation under different volumes of combustible gas and different discharge areas are compared.Furthermore，the RNN VAE method is used to extract latent factors for the variation data of temperature and pressure under different gas explosions，and the explosionbehavior characteristics are detected from the low-dimensional dynamic trajectory with the stable manifold plane.It isfound that the outdoor maximum explosion pressure will keep relatively stable and slightly increase with the increase indischarge areas，and the increase in the equivalent volume of combustible gas will also increase the outdoor maximumexplosion pressure.The research in this paper provides a novel way to study the explosion characteristics of gas produced by arc from transformer oil.Keywords:transformer oil；gas produced by arc；explosive release of gas；latent factor城市变电站作为电网运行的重要组成部分，对电网的安全运行起到了关键的作用。很多城市变电站采用了全户内布置，即所有电气设备均布置于室内。而为了节约地面土地，又将一部分全户内变电站置于地下。在地下变电站中，主变压器室的含油量较高，发生故障危险的影响范围大，是变电站重点预防的位置。很多文献研究了变电站变压器油的潜在风险、燃爆特征及监测方法。一般认为变电站爆炸与变压器油电弧分解关系较大。例如文献1-2指出变压器油电弧放电的产气问题，而电弧产生一般与变压器组件及变压器油的介电特征相关3-5；文献6-8研究了电弧作用后的变压器油的燃爆性；文献9-12对变压器油溶解气体检测装置做了研究。总的来说，相关学者对变压器油使用中潜收稿日期：2022-12-29；修回日期：2023-03-21网络出版时间：2023-03-30 13：39：39基金项目：国家电网有限公司科技项目（52023420000S）谢丰蔚等：地下变电站变压器室爆炸行为分析谢丰蔚等：地下变电站变压器室爆炸行为分析117第 35 卷在的危害性已有较为全面的认知，围绕其特性尤其是介电特性开展了丰富的研究工作，并对变压器油在电弧下产气有所关注。但是随着电网容量和输电线路的不断增多，不同密闭环境下变压器油电弧产气爆炸的危险性与日俱增，而其检测手段仍存在效率不平衡和人工检测精度不高等缺点。随着人工智能技术的发展，开展地下变压器油电弧爆炸行为的检测和关键参数对爆炸行为影响的研究，并设计一种爆炸行为特性分析的智能检测方法是十分必要的。目前，随着深度学习的发展，对于具有高维特征的多传感器数据能够实现其复杂网络和本质特征的分析。例如递归神经网络RNN（recursive neural network）模型等不仅分析了不同传感器检测得到的特征和统计研究，也获得了不同传感器检测和环境变化之间的内在联系13-14。而在变压器爆炸行为分析方面，其数据检测存在诸多噪声，因此如何在复杂的高维环境中提取环境固有本质特征以实现爆炸行为检测和实时分析成为了爆炸特性研究的关键。已有研究表明，对于大量时序数据表征的活动，其本质上都是低维的，能够由多个数据潜在因子进行表征15。不同潜在因子的动态轨迹能够反映外界环境中不同传感器检测活动的动态差异，具有明显的气体行为检测特征16。机器学习的发展为刻画变压器时序特性提供了工具基础17。在时序数据特征提取方面，传统的经典降维方法包括主成分分析 PCA（principal component analysis）、自编码器AE（auto-encoder）。这些传统方法能够将原始数据映射到线性函数上，但是不易刻画多传感器检测得到的非线性数据规律。变分自编码器VAE（variational auto-encoder）是一种基于RNN的无监督深度学习模型，在数据降维、图像分类、目标检测等领域具有广泛的应用18-19。在数据低维特征提取和研究等方面具有显著优势。综上所述，为解决目前地下变压器爆炸行为检测中的问题，本文提出一种基于VAE潜在因子的爆炸检测方法。首先采集爆炸行为的温度和压力变化数据，然后利用VAE方法提取不同泄放面积和可燃气体体积下爆炸行为低维动态轨迹，通过数值计算模拟变压器油电弧产气爆炸后果，对其压力温度特征开展分析，评估泄放设计对地下变电站爆炸的有效性。1产气装置及智能检测方法1.1产气实验装置搭建本文所研究的爆炸是基于电弧作用下变压器油分解产生可燃性气体导致的。为研究不同温度下变压器油在高压电弧放电条件下的产气特征，搭建了如图1所示的变压器油电弧分解实验装置。装置主要由保温加热腔体、控制系统、电弧发生组件和采样气路4部分组成。保温加热腔体表面分布有电加热装置及多个热电偶，从而实现对腔体的加热和表面温度的监控。腔体内部设有热电偶监控样品实际温度，外部包裹有保温层以确保腔体内样品温度稳定。控制系统可实现对电弧放电组件动作的控制与计数、腔体内外温度监控及加热功率的监测调节。实际中变压器电弧能量非常高，而常规电弧由于电能释放完毕需要较长放电时间导致电弧的能量密度较低，因此本文选择高能量、间断式瞬间放电的高能电火花替代，每次产生的电火花平均能量约20 J。电弧器尖端浸于油面以下15 cm，采样器连接真空泵及气体采样袋，用于收集电弧分解绝缘油产生的气体。本实验采用25#变压器油，实验前首先加注定量变压器油，通过采样气路抽空腔体内空气，控制加热器加热样品至设定温度并恒定后开始启动电弧放电。为尽可能还原实际场景下的电弧放电行为，减少电弧放电行为对变压器油的影响，实验时控制组件连续放电10次为1个放电周期，每个放电周期间隔10 s，重复500次后收集产生气体。图2展示了变压器油在常温（25）和高温（100）下的电弧产气结果。本文在后续爆炸计算中所使用的气体组分即为图2所示产气成分。为更加准确地评估地下变电站存在的气体燃爆风险，在实验结果的基础上，建立地下变电站几何建模并通过火焰加速模拟器FLACS（flame accelerate simulator）软件对可燃气云爆炸进行数值模拟计算。FLACS软件计算采用k-湍流模型，在非均匀笛卡尔网络上求解三维Reynolds-Averaged Navi图 1实验装置Fig.1Experimental setup数据采集实验控制加热调节电加热温度监控热电偶数据采集电弧监测电弧器数据采集外保温层气体样品收集数据采集真空泵变压器油电 力 系 统 及 其 自 动 化 学 报118第 6 期er-Stokes 方程，以计算蒸汽云的扩散和爆炸等行为。为便于比较不同工况下气体燃爆对地下变电站的影响，以及泄放措施对其破坏的削弱20，对不同工况下燃爆泄放过程进行模拟计算。表1展示了模拟工况参数设置。根据普通220 kV地下变电站墙体特点，泄放面积A筛选了从4120 m2的系列过渡，而可燃气体体积V则筛选了从1/10充满变压器室到全充满的系列过渡。这种选择方式是根据多次近乎全区域爆炸粗网格试算结果，选择变化较为显著的部分详细计算获得。1.2VAE 构建VAE是一种基于RNN的深度学习模型，适用于对多传感器数据的概率分布建模的问题场景。与传统的AE模型相比，VAE提供了一种闭环的输入数据分布形式，能够实现多数据融合的检测。本文所构建的VAE模型采用编码器-解码器的研究框架，其中每个模型均采用RNN的双