CN112255484A - 一种避雷器运行状态在线监测及评估方法和系统 - Google Patents

Abstract

本申请公开了一种避雷器运行状态在线监测及评估方法和系统，所述方法包括获取避雷器的在线和历史运行状态数据；筛选得到避雷器缺陷特征数据参量及其变化规律；确定避雷器运行状态评估指标；建立避雷器运行状态评估模型；将历史运行状态数据输入避雷器运行状态评估模型进行模型训练，将在线运行状态数据作为实时输入量输入避雷器运行状态评估模型进行预测，从而实现对避雷器设备运行状态评估及发展趋势预测。本发明可广泛应用于智能变电站等一线现场，对于提高试验效率，增强运维水平，预防设备故障具有重要的作用，可用于避雷器的运行状态和寿命评估，可及时监测设备的潜在隐患，降低避雷器故障风险，带来巨大的社会效益。

Description

一种避雷器运行状态在线监测及评估方法和系统

技术领域

本发明属于电力系统避雷器运行状态监测技术领域，涉及一种避雷器运行状态在线监测及评估方法。

背景技术

金属氧化物避雷器(Metal oxide surge arrester，MOA)被广泛应用于电力系统的雷电过电压和操作过电压的防护，为系统的持续安全运行提供了可靠保证。MOA除遭受雷电过电压、操作过电压等威胁外，还承受着温湿、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的性能及电力系统的安全。

最初的在线监测的概念提出后，被大量运用在各种电力设备的检测中。在线监测技术由最初的简单的直接测量，向通过模拟信号、数字信号测量的方向发展，到采用泄漏电流传感器来监测氧化锌避雷器来进行在线监测。随后，又提出了通过硬件电路对容性电流进行补偿的方法，来获取氧化锌避雷器的阻性电流。近年来国内外研究学者在避雷器缺陷在线监测方法上开展了一系列研究，提出了阻性电流谐波补偿法、基于正交分解法、容性电流补偿法、谐波分析法、零序电流法等。

随着大数据与人工智能的发展，国内电网公司有些已经开始根据运维统计数据分析厂家产品质量、故障与负荷关系、频发故障原因等，国内一些研究也开始尝试将人工智能算法应用于金属氧化物避雷器状况的在线监测中，并取得了一定的成果。如利用BP神经网络对金属氧化物避雷器进行故障诊断，结果表明BP神经网络可以较为准确地诊断避雷器故障；又如基于遗传算法的MOA老化在线监测，该方法通过分析避雷器等效模型中的参数变化趋势达到状态的目的，为MOA在线监测提供了新的思路。

近年随着智能变电站建设，大多数电网公司已采用一定数量的避雷器在线监测装置，但目前在线监测数据均仅能上传至站内辅控系统，且只具备单纯报警功能，未对数据进行有效的分析，无法有效的掌握避雷器的厂家品质、故障影响因素、潜在风险来源等重要信息。同时现有在线装置上线率不足10％，且数据准确率较低、数据可用性差，导致数据无法上传后台及数据误传率较高，状态评估及健康诊断的阈值选取方法尚不完善，现有在线监测系统数据及系统反馈结果可信度较差。

现有的MOA状况检测方法中，三次谐波法无法排除电网电压谐波所产生的容性电流、高次谐波对MOA在线监测的影响，因此测量误差较大。容性电流补偿法的阻性电流检测峰值会受电压谐波影响。零序电流法很容易受到电压不平衡性和表面泄漏的影响。目前MOA的状况在线监测方法都无法很好地解决电网中电压波动、频率波动、电压谐波等对监测指标带来的影响。同时在避雷器健康评价指标方面，为了实现状态评估的计算机自动化操作，相关行业制定了一些评估规范，用于从观测量计算设备状态，并将设备状态量表征为一个数值评分。这些规范通常以确定性的算法给出，这些算法依赖于历史经验，缺少理论依据，不能完全刻画数据规律，因此评判结果并不令人满意，因此需要寻找更为有效的检测和评价方法来监测MOA的状况仍是研究热点。

目前基于大数据的在线监测系统模型受到MOA内部影响及外部环境影响的因素较多，对于未曾出现或出现次数很少的因素造成的影响并不能及时发现，在线监测数据和系统反馈结果的可信度还有待提升。因此，如何选取避雷器健康及风险评估方法以及将大数据技术更好地应用到避雷器状态评估中，对电网向智能化、大数据化方向发展有着重要的意义。

发明内容

为解决现有技术中的不足，本申请提供一种避雷器运行状态在线监测及评估方法和系统。

为了实现上述目标，本发明采用如下技术方案：

一种避雷器运行状态在线监测及评估方法，其特征在于：

所述方法包括以下步骤：

步骤1：获取避雷器的在线和历史运行状态数据；

步骤2：分析历史运行状态数据及其各高次谐波分量在不同绝缘劣化状态下的大小和增大倍数响应情况，筛选得到避雷器缺陷特征数据参量及其变化规律；

步骤3：开展避雷器老化观测试验，进行缺陷类型表象与避雷器缺陷特征数据参量的关联分析，确定避雷器运行状态评估指标；

步骤4：基于避雷器运行状态评估指标，建立避雷器运行状态评估模型；

步骤5：将历史运行状态数据输入避雷器运行状态评估模型进行模型训练，将在线运行状态数据作为实时输入量输入避雷器运行状态评估模型进行预测，从而实现对避雷器设备运行状态评估及发展趋势预测。

本发明进一步包括以下优选方案：

优选地，步骤1中，依据目前已安装投运的避雷器监测设备，获取避雷器在线和历史运行状态数据：泄漏电流全电流和泄漏电流阻性电流。

优选地，步骤2所述绝缘劣化状态分为受潮、污秽和老化。

优选地，步骤3所述缺陷类型表象分为内部缺陷结构变化及电压梯度、泄漏电流、J-E曲线和C-V曲线的变化。

优选地，步骤3中，避雷器老化观测试验中，使用介电谱测试系统测量试样的介电性能，从而表征分析内部缺陷；

采用扫描电子显微镜观察微观结构的变化，所述微观结构包括整体晶粒晶界的分布、形状尺寸、局部有无孔洞和熔融现象。

优选地，步骤3所述避雷器运行状态评估指标包括运行状态数据及其各高次谐波分量的幅值和变化率。

优选地，步骤4中，采用遗传算法或粒子群算法，建立避雷器运行状态评估模型，具体包括：

步骤4.1：初始化：个体为需求解的目标函数自变量组成的一组解，N个个体组成种群，种群内的个体之间互相独立；在满足所求解问题的相关约束条件下，随机初始化个体取值，使其在优化问题的可行解域内；

步骤4.2：内循环—迭代类切线寻优：计算种群中个体的适应度值，依次对于个体施加微增量；

步骤4.3：判断是否达到内循环终止条件：对于n+1次迭代，验证是否在优化问题的可行解域内；若出界，则舍弃第n+1次迭代值，内循环迭代终止，更新种群最优解，若未出界，则重复初始化及内循环迭代；

步骤4.4：判断是否达到外循环终止条件：当算法迭代达到最大设定的最大代数或者寻优中某一代的最优解在经过规定的N代后，其值保持稳定不变时，外循环终止，算法寻优过程结束，输出搜索到的最优解及其所对应变量的取值；若未达到，则更新种群个体，进入内循环迭代。

优选地，所述高次谐波分量是指三次、五次和七次谐波分量。

本发明还公开了一种避雷器运行状态在线监测及评估系统，包括：

数据获取模块，用于获取避雷器的在线和历史运行状态数据；

特征数据参量筛选模块，用于分析历史运行状态数据及其各高次谐波分量在不同绝缘劣化状态下的大小和增大倍数响应情况，筛选得到避雷器缺陷特征数据参量；

运行状态评估指标确定模块，用于开展避雷器老化观测试验，进行缺陷类型表象与避雷器缺陷特征数据参量的关联分析，确定避雷器运行状态评估指标；

模型建立模块，用于基于避雷器运行状态评估指标，建立避雷器运行状态评估模型；

预测模块，用于将历史运行状态数据输入避雷器运行状态评估模型进行模型训练，将在线运行状态数据作为实时输入量输入避雷器运行状态评估模型进行预测，从而实现对避雷器设备运行状态评估及发展趋势预测。

本申请所达到的有益效果：

1、本发明获得避雷器缺陷特征数据参量及其变化规律，根据不同缺陷类型下泄漏电流特征数据参量变化情况，建立更为可靠的避雷器健康状态评估指标和阈值选择方法，减小了电网中电压波动、频率波动、电压谐波等因素对监测结果的影响。

2、本发明基于有监督的回归模型建立避雷器运行状态评估机器学习模型，通过对大量避雷器运行状态的监测数据的分析整理，输入避雷器运行状态评估机器学习模型进行预测，实现对避雷器状态的准确评估，并对其未来状态发展进行预测，对可能出现的严重故障隐患给予预警。

附图说明

图1是发明一种避雷器运行状态在线监测及评估方法的流程示意图。

具体实施方式

下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。

如图1所示，本发明的一种避雷器运行状态在线监测及评估方法，所述方法包括以下步骤：

步骤1：获取避雷器的在线和历史运行状态数据，具体的：

依据目前已安装投运的避雷器监测设备，获取避雷器在线和历史运行状态数据：泄漏电流全电流和泄漏电流阻性电流。

步骤2：分析历史运行状态数据及其各高次谐波分量在不同绝缘劣化状态下的大小和增大倍数响应情况，统计不同绝缘劣化状态下运行状态数据及其各高次谐波分量中会对应发生显著变化的参量作为避雷器缺陷特征数据参量，并获得其变化规律；

具体实施例中，所述高次谐波分量是指三次、五次和七次谐波分量。

所述绝缘劣化状态分为受潮、污秽和老化等；

具体实施例中，根据不同绝缘劣化状态下实时采集的数据，比对其与正常运行值的关系，即可得出在不同绝缘劣化状态下的大小和增大倍数响应情况。

不同绝缘劣化状态下，泄漏电流全电流及泄漏电流阻性电流的高次谐波分量将会产生不同的变化。

根据历史缺陷数据统计结果，统计获取不同绝缘劣化状态对应的泄漏电流全电流及泄漏电流阻性电流的高次谐波分量变化趋势规律，即为避雷器缺陷特征数据参量及其变化规律。

如泄漏电流阻性电流I_R及其高次谐波分量I_R3P、I_R5p等增大一倍以上且增长率达到50％以上，可考虑为避雷器受潮导致的绝缘性能下降。从而得到避雷器运行参数变化宏观表象结果。

步骤3：观测避雷器氧化锌阀片劣化状态下微观结构，来研究不同劣化状态下，微观结构的不同变化，建立微观结构变化与宏观参数变化之间的对应关系，即开展避雷器老化观测试验，进行缺陷类型表象与避雷器缺陷特征数据参量的关联分析，确定避雷器运行状态评估指标。

具体为：

开展避雷器老化观测试验，通过扫描电子显微镜、介电谱测试系统和X射线能谱分析等不同表征手段研究避雷器阀片老化特性，并结合老化特性微观机理研究，进行缺陷类型表象与避雷器缺陷特征数据参量的关联分析，确定避雷器运行状态评估指标和阈值.

所述缺陷类型表象分为内部缺陷结构变化及电压梯度、泄漏电流、J-E曲线和C-V曲线的变化等；

J-E曲线为氧化锌阀片的宏观电气特性的重要表征，即其伏安特性曲线，可获得氧化锌阀片的电流电压特性及其非线性系数。

C-V曲线为氧化锌阀片的微观晶界性能的重要表征，及电容-电压曲线。由曲线可获得氧化锌阀片晶界势垒高度、表面态密度等微观参数。

具体实施例中，避雷器老化观测试验中，使用介电谱测试系统测量试样的介电性能，从而表征分析内部缺陷；

采用扫描电子显微镜观察微观结构的变化，所述微观结构包括整体晶粒晶界的分布、形状尺寸、局部有无孔洞和熔融现象等。

所述避雷器运行状态评估指标包括运行状态数据及其各高次谐波分量的幅值和变化率。

例如，根据分析历史运行数据发现，在发生绝缘劣化时泄漏电流阻性电流三次谐波分量会发生显著变化，此时，特征数据参量即为阻性电流三次谐波分量，运行状态评估指标可为阻性电流三次谐波分量幅值、阻性电流三次谐波分量变化率。

通过泄漏电流中阻性电流基波初始值与阻性电流基波检测值计算阻性电流基波变化率；

通过泄漏电流中阻性电流3次谐波初始值与阻性电流3次谐波监测值计算阻性电流3次谐波变化率。

阈值选择需要根据不同电压等级下的实测数据及规程规定确定，实施例中，阈值可选择为变化率≥50％，即增长率≥50％时发出预警。

步骤4：采用遗传算法或粒子群算法，基于避雷器运行状态评估指标，建立避雷器运行状态评估模型，具体包括：

步骤4.1：初始化：个体为需求解的目标函数自变量组成的一组解，N个个体组成种群，种群内的个体之间互相独立；在满足所求解问题的相关约束条件下，随机初始化个体取值，使其在优化问题的可行解域内；

步骤4.2：内循环—迭代类切线寻优：计算种群中个体的适应度值，依次对于个体施加微增量；

步骤4.3：判断是否达到内循环终止条件：对于n+1次迭代，验证是否在优化问题的可行解域内；若出界，则舍弃第n+1次迭代值，内循环迭代终止，更新种群最优解，若未出界，则重复初始化及内循环迭代；

步骤4.4：判断是否达到外循环终止条件：当算法迭代达到最大设定的最大代数或者寻优中某一代的最优解在经过规定的N代后，其值保持稳定不变时，外循环终止，算法寻优过程结束，输出搜索到的最优解及其所对应变量的取值；若未达到，则更新种群个体，进入内循环迭代。

步骤4.1-4.4为所建立模型的算法运行流程，即整个步骤均为所建立的模型；根据步骤4.1-4.4得到的最优解即为达到某种劣化状态评估指标的阈值，从而确定当前避雷器运行状态。

步骤5：将步骤1获取的历史运行状态数据输入避雷器运行状态评估模型进行模型训练，及将步骤1获取的在线运行数据作为实时输入量输入避雷器运行状态评估模型进行预测，从而实现对避雷器设备运行状态评估及发展趋势预测。

输出结果为模型根据过往数据的训练学习对当前实时监测数据的判断分类，即判断当前运行状态有无异常，并根据当前数据的变化预测可能的异常状态发展趋势。

本发明的一种避雷器运行状态在线监测及评估系统，包括：

数据获取模块，用于获取避雷器的在线和历史运行状态数据；

特征数据参量筛选模块，用于分析历史运行状态数据及其各高次谐波分量在不同绝缘劣化状态下的大小和增大倍数响应情况，筛选得到避雷器缺陷特征数据参量；

运行状态评估指标确定模块，用于开展避雷器老化观测试验，进行缺陷类型表象与避雷器缺陷特征数据参量的关联分析，确定避雷器运行状态评估指标；

模型建立模块，用于基于避雷器运行状态评估指标，建立避雷器运行状态评估模型；

预测模块，用于将历史运行状态数据输入避雷器运行状态评估模型进行模型训练，将在线运行状态数据作为实时输入量输入避雷器运行状态评估模型进行预测，从而实现对避雷器设备运行状态评估及发展趋势预测。

本发明可广泛应用于智能变电站等一线现场，对于提高试验效率，增强运维水平，预防设备故障具有重要的作用，可用于避雷器的运行状态和寿命评估，可及时监测设备的潜在隐患，降低避雷器故障风险，带来巨大的社会效益。真正实现“预知、预修、预防”，最终完全代替避雷器带电测试工作，是杜绝避雷器安全隐患，减少一线人员劳动强度，提高工作效率最为有效地方法，将直接对对氧化锌避雷器的安全稳定运行和电力系统整体的稳定性和安全性有着明显的改善作用，也将为智能电网的发展和能源互联网的建设奠定重要基础。

本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (9)

1.一种避雷器运行状态在线监测及评估方法，其特征在于：

所述方法包括以下步骤：

步骤1：获取避雷器的在线和历史运行状态数据；

步骤2：分析历史运行状态数据及其各高次谐波分量在不同绝缘劣化状态下的大小和增大倍数响应情况，筛选得到避雷器缺陷特征数据参量及其变化规律；

步骤3：开展避雷器老化观测试验，进行缺陷类型表象与避雷器缺陷特征数据参量的关联分析，确定避雷器运行状态评估指标；

步骤4：基于避雷器运行状态评估指标，建立避雷器运行状态评估模型；

步骤5：将历史运行状态数据输入避雷器运行状态评估模型进行模型训练，将在线运行状态数据作为实时输入量输入避雷器运行状态评估模型进行预测，从而实现对避雷器设备运行状态评估及发展趋势预测。

2.根据权利要求1所述的一种避雷器运行状态在线监测及评估方法，其特征在于：

步骤1中，依据目前已安装投运的避雷器监测设备，获取避雷器在线和历史运行状态数据：泄漏电流全电流和泄漏电流阻性电流。

3.根据权利要求1或2所述的一种避雷器运行状态在线监测及评估方法，其特征在于：

步骤2所述绝缘劣化状态分为受潮、污秽和老化。

4.根据权利要求3所述的一种避雷器运行状态在线监测及评估方法，其特征在于：

步骤3所述缺陷类型表象分为内部缺陷结构变化及电压梯度、泄漏电流、J-E曲线和C-V曲线的变化。

5.根据权利要求1-4任一所述的一种避雷器运行状态在线监测及评估方法，其特征在于：

步骤3中，避雷器老化观测试验中，使用介电谱测试系统测量试样的介电性能，从而表征分析内部缺陷；

采用扫描电子显微镜观察微观结构的变化，所述微观结构包括整体晶粒晶界的分布、形状尺寸、局部有无孔洞和熔融现象。

6.根据权利要求1或5所述的一种避雷器运行状态在线监测及评估方法，其特征在于：

步骤3所述避雷器运行状态评估指标包括运行状态数据及其各高次谐波分量的幅值和变化率。

7.根据权利要求1或6所述的一种避雷器运行状态在线监测及评估方法，其特征在于：

步骤4中，采用遗传算法或粒子群算法，建立避雷器运行状态评估模型，具体包括：

步骤4.1：初始化：个体为需求解的目标函数自变量组成的一组解，N个个体组成种群，种群内的个体之间互相独立；在满足所求解问题的相关约束条件下，随机初始化个体取值，使其在优化问题的可行解域内；

步骤4.2：内循环—迭代类切线寻优：计算种群中个体的适应度值，依次对于个体施加微增量；

步骤4.3：判断是否达到内循环终止条件：对于n+1次迭代，验证是否在优化问题的可行解域内；若出界，则舍弃第n+1次迭代值，内循环迭代终止，更新种群最优解，若未出界，则重复初始化及内循环迭代；

步骤4.4：判断是否达到外循环终止条件：当算法迭代达到最大设定的最大代数或者寻优中某一代的最优解在经过规定的N代后，其值保持稳定不变时，外循环终止，算法寻优过程结束，输出搜索到的最优解及其所对应变量的取值；若未达到，则更新种群个体，进入内循环迭代。

8.根据权利要求1-7任一所述的一种避雷器运行状态在线监测及评估方法，其特征在于：

所述高次谐波分量是指三次、五次和七次谐波分量。

9.根据权利要求1-8任一所述的一种避雷器运行状态在线监测及评估方法的避雷器运行状态在线监测及评估系统，其特征在于：

所述系统包括：

数据获取模块，用于获取避雷器的在线和历史运行状态数据；

特征数据参量筛选模块，用于分析历史运行状态数据及其各高次谐波分量在不同绝缘劣化状态下的大小和增大倍数响应情况，筛选得到避雷器缺陷特征数据参量；

运行状态评估指标确定模块，用于开展避雷器老化观测试验，进行缺陷类型表象与避雷器缺陷特征数据参量的关联分析，确定避雷器运行状态评估指标；

模型建立模块，用于基于避雷器运行状态评估指标，建立避雷器运行状态评估模型；

预测模块，用于将历史运行状态数据输入避雷器运行状态评估模型进行模型训练，将在线运行状态数据作为实时输入量输入避雷器运行状态评估模型进行预测，从而实现对避雷器设备运行状态评估及发展趋势预测。

Images