CN108509700A - 一种基于模拟退火粒子群算法的moa老化在线监测方法 - Google Patents

Abstract

本发明利用MOA老化过程中电气参数的变化来表征其老化情况，并且使用简单的方法获得这些参数的变化情况，且该方法能够克服外部环境因素及电网因素带来的影响。有益效果：该方法既不需要提取总泄漏电流中的阻性电流成分，也不需要监测MOA的温度，只需要采集MOA的泄漏电流，利用SA‑PSO算法求解能够反映MOA老化情况的参数即可。该方法具有简单易实现，监测精度高等特点，能够带来巨大的社会和经济效益。

Description

一种基于模拟退火粒子群算法的MOA老化在线监测方法

技术领域

本发明涉及电力及通讯领域，尤其涉及一种基于模拟退火粒子群算法的MOA老化在线监测方法。

背景技术

金属氧化物避雷器(MOA)以优越的非线性、通流大、响应快、残压低等优点被广泛应用于电力、通信等系统的浪涌保护。MOA在线运行时除遭受雷电过电压、操作过电压等威胁外，还承受着潮湿、化学污染、污秽等外部环境因素的影响。随着运行时间的增加，MOA出现老化劣化现象，通常表现为压敏电压降低、泄漏电流增大、伏安特性曲线变化等，严重时可能出现热失控现象，严重影响MOA的性能及系统的安全。为了预防严重老化的MOA仍在系统中工作，研究学者针对MOA老化监测问题做了很多相关研究，提出了安装在系统中的MOA至少每两年进行一次预防性试验。而安装在系统中的MOA数量庞大，需要很大的人力物力进行拆卸和安装，并且试验对MOA造成的破坏具有不可逆性。因此，需要对MOA的老化监测技术进行改进，以达到经济、稳定、可靠的目的。

目前针对MOA的在线监测技术，通常采用总泄漏电流法、阻性泄漏电流分析法等。如专利《一种MOA避雷器电流监测装置》201420787800.8采用监测MOA的总泄漏电流判断MOA的老化、内部受潮、绝缘性能不良等情况，然而总泄漏电流中的阻性电流成分才能够真实反映MOA的老化情况，且阻性电流成分占总泄漏电流的比例很小，即使阻性电流增大很多，总泄漏电流增大的比例可能也很小。专利《一种输电线路避雷器健康状态在线监测装置》201620303031.9利用泄漏电流和温度监测MOA的健康状况，此方法在一定程度上提高了MOA在线监测的准确性，但是同样存在上述问题，且需要配置大量测温传感器，不利于系统的升级改造。专利《一种MOA避雷器在线监测装置》201420785962.8通过监测总泄漏电流中的阻性电流成分和容性电流成分达到在线监测MOA老化的目的，此方法能够较为准确地监测MOA的真实老化情况，且对电网中的谐波电压和频率波动具有一定的抗干扰性，但是不能够完全消除电压波动的影响。

发明内容

本发明目的在于克服上述现有技术的不足，提供了一种基于模拟退火粒子群算法的MOA老化在线监测方法，具体由以下技术方案实现：

所述基于模拟退火粒子群算法的MOA老化在线监测方法，包括以下步骤：

步骤1)通过穿心电感获取MOA的泄漏电流I_l；

步骤2)根据MOA的泄漏电流公式确定能够反映MOA老化情况的参数C、k、α,C、k、α为所求的解；

步骤3)建立参数C、k、α的解空间，解空间矩阵

步骤4)初始化解空间，使用随机函数初始化种群位置和速度；

步骤5)确立目标函数其中A为即监测时间，i_m为实际测量电流值，根据目标函数计算初始种群每个粒子的适应度值pi，并把最小的适应度值对应的解作为全局最优值pg；

步骤6)根据公式T＝-fitness(pg)/log(0.2)确定初始温度，其中函数fitness()为适应度函数用于计算当前迭代次数下全局最优值pg相对目标函数的适应度值；

步骤7)进入迭代循环，根据公式确定温度T时p_i相对p_g的突跳概率，其中f_pi为种群粒子的适应度值，f_pg为全局最优适应度值；

步骤8)通过随机函数初始化个体粒子突跳概率最优值p_best，将p_best与所有粒子p_i的突跳概率比较，从p_i中选出全局最优替代值p_g；

步骤9)确定压缩因子其中S＝s₁+s₂，S>4，s₁、s₂为正的学习因子，s₁决定了算法的局部搜索能力，s₂决定了算法的全局搜索能力；

步骤10)根据速度更新公式与位置更新公式循环更新粒子速度和位置，速度更新公式为：v(i+1)＝χ[v(i)+s₁*r₁*(p_i(i)-x(i))+s₂*r₂*(p_g(i)-x(i))]，位置更新公式为：x(i+1)＝x(i)+v(i+1)，其中r₁和r₂为0-1之间的随机数；其中v(i)和x(i)分别为种群中第i个粒子的当前速度和位置；

步骤11)计算更新后粒子的适应度值，若新粒子的适应度值小于pi，更新pi为最小值，并更新所对应的粒子为最新粒子，同时更新全局最优适应度值及全局最优值pg；

步骤12)根据公式T＝T*λ确定当前温度，重复步骤6)，直到满足最大迭代次数；

步骤13)将求解出的C、k、α值作为基准，MOA在线运行中定时采集其泄漏电流，重复步骤3)～12)对参数进行求解，将求解出的结果与基准结果进行比较即可判断其老化情况。

所述基于模拟退火粒子群算法的MOA老化在线监测方法的进一步设计在于，所述解空间矩阵的每一行代表一组可能的解，每一列代表一个参数。

所述基于模拟退火粒子群算法的MOA老化在线监测方法的进一步设计在于，所述解空间矩阵的大小为100×3。

所述基于模拟退火粒子群算法的MOA老化在线监测方法的进一步设计在于，步骤5)中将ε设置为ε＝1×10^-8。

所述基于模拟退火粒子群算法的MOA老化在线监测方法的进一步设计在于，所述步骤7)中设置最大迭代次数M＝100。

所述基于模拟退火粒子群算法的MOA老化在线监测方法的进一步设计在于，步骤9)中设定s₁＝s₂＝2.05。

所述基于模拟退火粒子群算法的MOA老化在线监测方法的进一步设计在于，所述步骤12)中设置λ＝0.5。

本发明的优点如下：

1.本发明中的算法结构简单，具有收敛速度快、寻优能力强等优点，只需要采集MOA泄漏电流信号，不需要滤波装置、测温传感装置等，经济易实现。

2.本发明利用MOA等效模型中能够反映其老化情况的参数C、k、α对MOA老化情况进行监测，具有较高的监测精度，当电网中存在谐波电压、频率波动及电压波动时，本发明中的算法求解出的C、k、α值最大相对误差分别为0.0005％、0.1％、0.0113％。

3.本发明中的算法不受电网中的谐波电压、电网频率波动、电压波动的影响，具有较好的稳定性和抗干扰性。

附图说明

图1为本发明的MOA等效模型图。

图2为本发明所述方法实施过程流程图。

图3为本发明的MOA伏安特性曲线图，其中图(a)为i_r与k的关系图，图(b)为i_r与α的关系图。

图4为本发明所述方法求解参数还原的泄漏电流与实际泄漏电流对比效果图。

图5为本发明所述方法在谐波电压影响下求解参数还原的泄漏电流与实际泄漏电流对比效果图，其中图(c)为电网中只含有三次谐波下的效果图，图(d)为电网中含有三次谐波和五次谐波下的效果图，图(e)为电网中含有三次谐波、五次谐波和七次谐波下的效果图。

图6为本发明所述方法在电网频率波动影响下求解参数还原的泄漏电流与实际泄漏电流对比效果图，其中图(f)为电网频率波动±0.2Hz下的效果图，图(g)为电网频率波动±0.5Hz下的效果图。

图7为本发明所述方法在电压波动影响下求解参数还原的泄漏电流与实际泄漏电流对比效果图，其中图(h)为电压波动±5％下的效果图，图(i)为电压波动±7％下的效果图，图(j)为电压波动±10％下的效果图。

具体实施方式

以下结合附图，对本发明的技术方案进行详细说明。

如图1所示，MOA等效电路由组成压敏电阻的晶粒性质所决定。晶粒间的电阻构成了非线性特性，形成了非线性电阻R，晶粒间的晶界层构成了电容网，可以用电容C集中表示。

因此，MOA的泄漏电流可以表示为：

I_l＝i_r+i_c (1)

其中，i_r为流过非线性电阻R产生的阻性泄漏电流，它与非线性电阻的非线性特性有关，i_c为流过晶界层电容C的容性电流。

随着MOA运行时间的增加，泄漏电流中的阻性电流成分会逐渐增大，目前常用公式(2)计算阻性泄漏电流：

i_r＝k·u^α (2)

式中k，α为非线性系数，由MOA自身结构和ZnO压敏电阻成分决定，其V-I特性曲线如图(3)所示。从图3中可以看出，阻性泄漏电流随着k值的增大而增大，随着α值的增大而减小，即非线性系数k和α可以用来判断MOA的老化情况。

MOA泄漏电流中的容性电流成分i_c与MOA主要器件ZnO压敏电阻的材料和施加在MOA两端的电压有关，其可用公式(3)表示：

式中：C为MOA自身电容；u为施加在MOA两端的电压。随着MOA老化程度的增加，其电容C会不断增大。

因此，流过MOA两端的泄漏电流可以表示为：

由此可知，MOA不同老化状态下，其非线性系数k，α和自身电容C会呈现出不同的变化趋势，因此可以利用PSO求解MOA等效模型中的这三个参数在线监测MOA的老化状况。参数的最优解可由式(5)求得：

式中：T为在线监测时间；i_m为实际测量泄漏电流值；I_l为计算泄漏电流值；ε为两者差值的平方和。

以式(5)作为目标函数，本发明中ε值取1×10^-8，利用SA-PSO求解变量C、k、α，将求解的变量与安装时MOA的这三个参数进行对比即可达到监测MOA老化情况的目的。

为了验证本发明中的算法在MOA老化在线监测运用中的有效性，本文通过MATLAB对10kV的金属氧化物避雷器进行仿真，仿真中的MOA等效模型采用图1中的模型，本发明中该等效模型初始参数选取分别为C＝300pF、k＝0.1、α＝15，电压幅值为1.5kV，电压频率为50Hz，初相位为0°。本发明的算法实现流程图如图2，具体步骤如下：

(1)参数初始化。本发明中算法的参数具体设置为：粒子群的粒子数取值100；种群规模取值3；最大迭代次数取值100；学习因子s₁和学习因子s₂取值2.05；

(2)种群初始化。利用rand()函数随机生成一个200×3的种群x(200,3)，并随机生成一个200×3的速度矩阵v(200,3)；

(3)计算初始种群的个体适应度值pi和全体适应度值pg，将个体最小适应度值与全体适应度值比较，如果个体最小适应度值小于全体适应度值，将个体最小适应度值作为全体适应度值，并将此适应度值对应的个体作为全局最优解；

(4)更新粒子位置和速度。根据公式T＝-fitness(pg)/log(0.2)确定初始温度，进入迭代循环，根据公式确定温度T时p_i相对p_g的突跳概率，其中f_pi为种群粒子的适应度值，f_pg为全局最优适应度值；

(5)利用随机函数初始化个体粒子突跳概率最优值p_best，将p_best与所有粒子p_i的突跳概率比较，从p_i中选出全局最优替代值p_g(6)输出结果。将循环结束时全局最小适应度值对应下的个体作为全局最优解输出；

(6)更新粒子速度和位置。速度更新公式为：v(i+1)＝χ[v(i)+s₁*r₁*(p_i(i)-x(i))+s₂*r₂*(p_g(i)-x(i))]，位置更新公式为：x(i+1)＝x(i)+v(i+1)，其中r₁和r₂为0-1之间的随机数，χ为压缩因子，其中S＝s₁+s₂，S>4，s₁、s₂为正的学习因子。

(7)计算更新后粒子的适应度值，若新粒子的适应度值小于pi，更新pi为最小值，并更新所对应的粒子为最新粒子，同时更新全局最优适应度值及全局最优值pg；

(8)根据公式T＝T*λ确定当前温度，设置λ＝0.5，重复步骤(6)，直到满足最大迭代次数。

(9)输出结果，输出全局最优适应度值对应的解即为全局最优解。

使用本发明中的算法求解出的结果与实际结果对比图如图4。本发明中的算法所计算出的电流值与实际值具有较好的一致性，通过计算标准差可知，本发明中的算法计算出的电流值标准差为1.3768×10^-4，计算出的C、k、α参数相对误差分别为0.000167％、0.1％、0.00467％，说明本发明具有较高的监测精度。

为了验证本发明中算法的稳定性及抗干扰性，利用MATLAB仿真电网中的谐波电压、电网频率波动、电压波动，MOA模型及初始参数与上述仿真相同。对于谐波电压，仿真以下三种情况，分别以情况1、情况2、情况3表示：

情况1：电网中只含有三次谐波，其中U₃＝5％，θ₃＝0°；

情况2：电网中含有三次谐波和五次谐波，U₃＝5％，θ₃＝90°，U₅＝3％，θ₅＝0；

情况3：电网中含有三次谐波、五次谐波、七次谐波，U₃＝5％，θ₃＝180°，U₅＝3％，θ₅＝90°，U₇＝2％，θ₇＝0°。

其中U_n为n次谐波电压的幅值，θ_n为n次谐波电压的初相位。

利用本发明中的算法分别求解以上三种情况下的参数值，本发明中的算法求解出的结果与实际结果对比图如图5所示。从图5中可以看出，上述三种情况下的计算电流值与实际测量值基本吻合，通过计算标准差可知，三种情况下两者之间的标准差分别为1.36×10^-4、2.83×10^-4、2.73×10^-4，说明该算法对谐波电压的敏感性很小，能够很好地应用于MOA的老化在线监测。在上述三种情况下，本发明中的算法求解出的三个参数值最大误差分别为0.000133％、0.1％、0.004％，因此，该算法在谐波电压下对参数的求解也具有极高的精确度。

对于电网频率波动，仿真以下两种情况，分别以情况4、情况5表示：

情况4：电网频率波动±0.2Hz，第一个周期为49.8Hz，第二个周期为50.2Hz；

情况5：电网频率波动±0.5Hz，第一个周期为49.5Hz，第二个周期为50.5Hz。

利用本发明中的算法分别求解以上两种情况下的参数值，本发明中的算法求解出的结果与实际结果对比图如图6所示。从图6可以看出，PSO对实际波形的还原较为精确，在上述两种情况下的计算电流值与实测电流值的标准差分别为2.73×10^-4和2.53×10^-4，求解出的参数最大相对误差分别为0.0005％、0、0.0053％。

对于电压波动，仿真以下三种情况，分别以情况6、情况7、情况8表示：

情况6：电压波动±5％，第一个周期为电压幅值为1.425kV，第二个周期电压幅值为1.575kV；

情况7：电压波动±7％，第一个周期为电压幅值为1.395kV，第二个周期电压幅值为1.605kV；

情况8：电压波动±10％，第一个周期为电压幅值为1.425kV，第二个周期电压幅值为1.65kV。

利用本发明中的算法分别求解以上三种情况下的参数值，本发明中的算法求解出的结果与实际结果对比图如图7所示。从图7可以看出，在上述三种电压波动情况下，随着电压波动的增大，泄漏电流值与阻性泄漏电流值也随之增大，但是本发明中的算法计算出的电流值依然较为精确。上述三种电压波动情况下的标准差分别为3.03×10^-4、3.53×10^-3、4.58×10^-3，本发明中的算法求解出的参数最大相对误差分别为0.0002％、0.1％、0.0113％。

通过以上仿真可知，本发明具有较高的监测精度，且本发明中的算法具有较好的稳定性和抗干扰性，有利于提高MOA在线监测技术的经济性、稳定性、准确性。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (7)

1.一种基于模拟退火粒子群算法的MOA老化在线监测方法，包括以下步骤：

步骤1)通过穿心电感获取MOA的泄漏电流I_l；

步骤2)根据MOA的泄漏电流公式确定能够反映MOA老化情况的参数C、k、α,C、k、α为所求的解；

步骤3)建立参数C、k、α的解空间，解空间矩阵

步骤4)初始化解空间，使用随机函数初始化种群位置和速度；

步骤5)确立目标函数其中A为即监测时间，i_m为实际测量电流值，根据目标函数计算初始种群每个粒子的适应度值pi，并把最小的适应度值对应的解作为全局最优值pg；

步骤6)根据公式T＝-fitness(pg)/log(0.2)确定初始温度，其中函数fitness()为适应度函数用于计算当前迭代次数下全局最优值pg相对目标函数的适应度值；

步骤7)进入迭代循环，根据公式确定温度T时p_i相对p_g的突跳概率，其中f_pi为种群粒子的适应度值，f_pg为全局最优适应度值；

步骤8)通过随机函数初始化个体粒子突跳概率最优值p_best，将p_best与所有粒子p_i的突跳概率比较，从p_i中选出全局最优替代值p_g；

步骤9)确定压缩因子其中S＝s₁+s₂，S>4，s₁、s₂为正的学习因子，s₁决定了算法的局部搜索能力，s₂决定了算法的全局搜索能力；

步骤10)根据速度更新公式与位置更新公式循环更新粒子速度和位置，速度更新公式为：v(i+1)＝χ[v(i)+s₁*r₁*(p_i(i)-x(i))+s₂*r₂*(p_g(i)-x(i))]，位置更新公式为：x(i+1)＝x(i)+v(i+1)，其中r₁和r₂为0-1之间的随机数；其中v(i)和x(i)分别为种群中第i个粒子的当前速度和位置；

步骤11)计算更新后粒子的适应度值，若新粒子的适应度值小于pi，更新pi为最小值，并更新所对应的粒子为最新粒子，同时更新全局最优适应度值及全局最优值pg；

步骤12)根据公式T＝T*λ确定当前温度，重复步骤6)，直到满足最大迭代次数；

步骤13)将求解出的C、k、α值作为基准，MOA在线运行中定时采集其泄漏电流，重复步骤3)～12)对参数进行求解，将求解出的结果与基准结果进行比较即可判断其老化情况。

2.根据权利要求1所述的基于模拟退火粒子群算法的MOA老化在线监测方法，其特征在于所述解空间矩阵的每一行代表一组可能的解，每一列代表一个参数。

3.根据权利要求1所述的基于模拟退火粒子群算法的MOA老化在线监测方法，其特征在于所述解空间矩阵的大小为100×3。

4.根据权利要求1所述的基于模拟退火粒子群算法的MOA老化在线监测方法，其特征在于步骤5)中将ε设置为ε＝1×10^-8。

5.根据权利要求1所述的基于模拟退火粒子群算法的MOA老化在线监测方法，其特征在于所述步骤7)中设置最大迭代次数M＝100。

6.根据权利要求1所述的基于模拟退火粒子群算法的MOA老化在线监测方法，其特征在于步骤9)中设定s₁＝s₂＝2.05。

7.根据权利要求1所述的基于模拟退火粒子群算法的MOA老化在线监测方法，其特征在于所述步骤12)中设置λ＝0.5。