CN114660387A - 基于泄漏电流传感器和bp神经网络算法的避雷器监控方法 - Google Patents
基于泄漏电流传感器和bp神经网络算法的避雷器监控方法 Download PDFInfo
- Publication number
- CN114660387A CN114660387A CN202210272174.8A CN202210272174A CN114660387A CN 114660387 A CN114660387 A CN 114660387A CN 202210272174 A CN202210272174 A CN 202210272174A CN 114660387 A CN114660387 A CN 114660387A
- Authority
- CN
- China
- Prior art keywords
- moa
- leakage current
- neural network
- harmonic
- current
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012544 monitoring process Methods 0.000 title claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 30
- 230000032683 aging Effects 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 25
- 230000005684 electric field Effects 0.000 claims description 22
- 239000000523 sample Substances 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 11
- 229920006227 ethylene-grafted-maleic anhydride Polymers 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 7
- 125000003345 AMP group Chemical group 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- HODRFAVLXIFVTR-RKDXNWHRSA-N tevenel Chemical compound NS(=O)(=O)C1=CC=C([C@@H](O)[C@@H](CO)NC(=O)C(Cl)Cl)C=C1 HODRFAVLXIFVTR-RKDXNWHRSA-N 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000011109 contamination Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000004880 explosion Methods 0.000 claims description 3
- 238000009413 insulation Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 abstract description 13
- 238000004458 analytical method Methods 0.000 abstract description 8
- 238000002474 experimental method Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000013459 approach Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 7
- 230000004044 response Effects 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 230000010363 phase shift Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 238000004873 anchoring Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了基于泄漏电流传感器和BP神经网络算法的避雷器监控方法,涉及氧化物避雷器检测技术领域。该方法通过一种新的泄漏电流传感器用于采集MOA的泄漏电流,提出了基于谐波分析MOA泄漏电流测量的一种新方法,利用BP神经网络训练出能反应MOA老化状况的一些关键参数。实验表明仿真结果得出的泄漏电流拟合逼近实际需要测量的泄漏电流,具有很好的抗干扰性,可以有效地对MOA进行老化监测。实现避雷器运行状态的在线监测,减少停电检修MOA的次数,极大提高电力系统运行可靠性。
Description
技术领域
本发明涉及氧化物避雷器检测技术领域,具体为基于泄漏电流传感器和BP神经网络算法的避雷器监控方法。
背景技术
随着我国经济的快速发展,电量需求呈幂指数增加,变电站设备正常稳定运行是用户可靠用电的前提和保证。氧化物避雷器(metaloxidearrester,MOA)作为变电站安全运行不可或缺地一部分,它不仅可以限制电气设备所承受的瞬态高电压,同时可以限制续流时间和侵入的电流值,防止电气设备遭受过电压的冲击。
研究表明,避雷器的内部阀片受潮严重或者避雷器阀片老化过度是造成避雷器故障的主要原因。氧化性避雷器阀片受潮主要是一些客观因素造成的,比如在生产、安装以及运输过程或多或少的使得避雷器的密封性受到破坏,使得其内部发生贯穿性的裂纹,在之后的长时间运行过程中,避雷器内部慢慢的渗入湿气和水分使得其受潮,因此,避雷器密封性不好是导致其受潮的主要原因之一。因为避雷器阀片的均一性相对比较差,所以发生在其身上的老化程度差别就会很大,这样在漫长的运行过程中就会使得避雷器阀片的电位分布慢慢的产生偏差,最终会导致他们之中的一部分阀片首先产生劣化,然后在运行中使得避雷器自身的泄露电流和功耗增加。
在电网运行中,电网电压一般是稳定的,因为部分阀片劣化,使得避雷器内部别的正常的阀片负荷加剧,使得避雷器的老化加快,周而复始,形成一个恶性循环,最终会演变成避雷器发生爆炸或者是阀片内部被击穿的情况。导致避雷器阀片老化程度加快的另一个重要原因是加载到避雷器两端的运行电压比正常的偏低,避雷器在运行过程当中,特别是在单相接地时加大避雷器的负载,造成避雷器的阀片快速的老化。
因此,为了及时的察觉出避雷器存在的弊端,避免因为避雷器而造成的事故发生和不必要的人力财力的损失,我们需要经常对避雷器的运行状态进行监测评估,确保电网系统能够安全稳定的运行。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了基于泄漏电流传感器和BP神经网络算法的避雷器监控方法,解决了以下技术问题:
1、MOA老化状况参数不易确定;
2、对泄漏电流的测量的干扰元素多,因此难以对MOA老化进行监测。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:为实现上述目的,本发明提供如下技术方案:
基于泄漏电流传感器和BP神经网络算法的避雷器监控方法,包括以下步骤:
步骤1:提出一种电阻传感器的方法来获取MOA的泄漏电流;
步骤2:提出一种基于补偿技术的泄漏电流谐波分析方法;
步骤3:利用BP神经网络训练出能反应MOA老化状况的一些关键参数,从而实现MOA状态的监测。
进一步地,步骤1所述的提出一种电阻传感器的方法来获取MOA的泄漏电流,具体步骤如下:
步骤1.1:设R1,R2,···,Rn为已知的在线监测中用于测量的电阻,由于MOA下端都接有记录MOA动作次数的计数器的电阻Rc以及R1,R2,···,Rn均远小于MOA的阻值(通常为MΩ级以上),所以R1,R2,···,Rn的接入对MOA泄漏电流Ilc的影响可以忽略不计。为防止计数器故障导致Rc阻值太大而影响检测,通常首先将R1并联接入计数器的两端,测R1端的电压为U1,类似地依次通过继电器并接Rn后测得的电压为Un。具体并接个数由要求的精度决定。本发明提出的传感器采用并接两个便可计算出Rc,但是如果多接几个电阻可计算多个计数器电阻值,可以减小误差。
步骤1.2:泄漏电流Ilc和计数器的电阻值Rc定义为公式(1)和公式(2):
求得计数器电阻以后,通过测量两端的电压,综合公式(1)和公式(2)可求出MOA泄漏电流Ilc。
进一步地,一种基于补偿技术的泄漏电流谐波分析方法,得到单独由避雷器引起的三次谐波电流分量。并且,建立阻性电流三次谐波与总的阻性电流之间的关系,具体步骤如下:
步骤2.1:确定容性谐波电流:
通过测量位于避雷器电场中的探头电流Ip来确定容性三次谐波电流Ic (3),Ip经过傅立叶变换,得到三次谐波探头电流Ip (3)。如果Ip (3)的幅值和相角与Ic (3)有关,根据公式(3)得到阻性三次谐波电流Irh (3)。
Irh (3)=It (3)-Ic (3) (3)
假设相电压的三次谐波与每一相的基频频率具有相同的相角Δ是合理的。如果只考虑基频和三次谐波,可以表达为:
n=0,1,2表示三相,ff是基频。
Uh (3)可以看作是由系统基频3倍频率的零序电压。因此Ip (3)与Ic (3)有相同的相角,而与场探头的位置无关。
由于通常不知道场探头的电容,因此本发明引入Ip (3)的一个定标程序,然后才能确定Ic (3)的幅值,定标是基于对基频分量It (1)和Ip (1)的比较。由于It (1)主要是容性的,它的幅值对阻性电流分量的增长不是非常灵敏,在阻性电流实际范围内,基频电流只增长几个百分点。因此实际上可认为It (1)与Ic (1)相等,基频分量It (1)和Ip (1)的幅值的关系可以表示为
根据公式(5)可以确定对容性3次谐波电流:
Ic (3)=AMP3*Ip (3) (6)
通常AMP3与AMP1不等,因而需要引入AMP3,根据公式5,6,并假设It (1)与Ic (1)相等,AMP3可以表示为
对每一个频率,电流正比于场强,因此公式(7)还可以写成
在单相应用中,基频与三次谐波电场分量的关系是固定的,并且与所在空间位置无关,这意味着AMP3与AMP1相等。在三相应用中,电场分量之间的关系与空间位置有关。这是由于三相电压基频分量之间的相移(2π/3)。如前所述,对三次谐波分量有相应的相移,所以,通常三相应用中AMP3与AMP1不相等。
步骤2.2:计算电场:
为了确定在场探头处的AMP3和AMP1的关系,计算了两个典型三相避雷器在它们底基处的场强。为了覆盖大范围的相间距、避雷器的高度和避雷器的数量等,在两个系统电压下进行计算145kV(单个避雷器)和420kV(三相避雷器)。
表1给出了避雷器配置的结构,假设避雷器与墙相邻,它模拟大的接地物体,如变压器,应该注意到墙对电场强度的影响与邻相的影响相比很小。
表1避雷器的结构配置
尺寸 | 145KV | 420KV |
相间距(m) | 1.6 | 5.1 |
总避雷器的高度(m) | 3.4 | 6.5 |
与墙(接地体)的距离(m) | 1.2 | 3.1 |
电场探头所在避雷器的底基处的电场强度通过BEM(边界元方法)计算程序计算,此程序是针对三维,三相应用而开发的,为了计算,避雷器的正常电压供电,如表2所示。
表2电场计算时的标称电压
场强Ec (1)和Ec (3)分布在MOA的底部,而场探针Ep (1)和Ep (3)位于MOA底座以下10cm和5cm处。对两种避雷器配置形式的电场计算结果以AMP3/AMP1的形式在表3中给出。尽管避雷器配置间存在很大差异(相间距、单个或三个等),但从表3中可看出,AMP3/AMP1基本上恒定。对于实际使用,对所有系统电压水平下中间相或两边相都可以用单个的比值。
表3根据电场强度计算出来的AMP3/AMP1比值
步骤2.3:确定阻性三次谐波泄漏电流:
根据公式(3)、(5)、(6),避雷器阻性三次谐波泄漏电流现在可从公式(9)确定:
阻性三次谐波电流Irh (3)=εUα,U为施加于MOA两端的正常工作电压,εandα是由MOA自身非线性特性决定的系数.
MOA三次谐波泄漏电流的计算为
进一步地,步骤3所述的利用BP神经网络训练出能反应MOA老化状况的一些关键参数,具体步骤如下:
步骤3.1:定义MOA运行现象代号:
将直流1mA时的临界动作电压U1mA变化大于±5%或0.75U1mA下的泄漏S电流大于50μA定义为I;II为阻性电流增大一倍;III为运行电压下交流泄漏电流增大;IV为绝缘电阻低于1000MΩ;V为出现表面闪络;VI为爆炸;VII为温度升高。
步骤3.2:定义MOA故障类型:
1为电阻片受潮:2为初期老化;3为表面污染;4为端子紧固不良;5为并联电阻老化:6为电阻片制造质量不良。
步骤3.3:建立BP神经网络:
列出MOA的故障类型及故障原因,如表4所示,其中0表示该现象不发生,1表示该现象发生。
表4MOA运行中的故障类型及故障原因
使用newff()函数建立一个可训练的BP神经网络。用7个现象做为它的输入,6个故障类型做为它的输出。例如,对于第一个样本,输入向量V1=(1011010),则期望输出值E1=(100000)。
步骤3.4:训练BP神经网络:
学习算法采用自适应修改学习率算法(traingda),traingda是一种网络训练函数,根据梯度下降和自适应学习率更新权重和偏差值。
学习率初值取为0.85,学习速率增长比例因子和学习速率下降比例因子取为缺省值:训练显示过程间隔的训练次数取为50,动量因子取为0.9,最大迭代次数取为l000,学习目标取为0.00001。
假设通过本发明提出的泄漏电流传感器和阻性三次谐波泄漏电流测量方法,得到一组故障现象(0100101),将其输入BP网络中。网络的输出为该故障原因相对于各故障的隶属程度。
下面用模糊信息处理的相关理论来验证BP神经网络的准确性。设故障论域d=(Pl,P2,…,P7)上全体故障子集构成模糊幂集F(d),对于任意故障A∈F(d),可得到故障A对于6种典型故障的相对欧氏距离为:
为了便于比较取隶属函数mfm(P)=cosrem(P),根据最大隶属度原则.可诊断出该避雷器存在的故障。诊断结果如表5所示。
表5 MOA故障诊断结果
故障序号 | BP神经网络诊断结果 | 隶属函数求出的隶属度 |
1 | 0.0000 | 0.5516 |
2 | 0.1728 | 0.9274 |
3 | 0.0001 | 0.7923 |
4 | 0.3536 | 0.8617 |
5 | 0.0005 | 0.6621 |
6 | 0.0395 | 0.6621 |
由表5可知,当诊断的阀值取0.1时,BP网络诊断出避雷器的故障为2号(初期老化)和4号(端子紧固不良)。该结论与隶属函数中取阀值0.8时的诊断结论完全相同。另外,诊断结果中,阀值以上的故障隶属度与阀值以下的隶属度之间的差别比单纯隶属函数中要明显得多,不容易出现误诊断。
(三)有益效果
本发明提供了一种基于泄漏电流传感器和BP神经网络算法的避雷器监控方法。具备以下有益效果:
本发明通过一种新的泄漏电流传感器用于采集MOA的泄漏电流,提出了基于谐波分析MOA泄漏电流测量的一种新方法,利用BP神经网络训练出能反应MOA老化状况的一些关键参数。实验表明仿真结果得出的泄漏电流拟合逼近实际需要测量的泄漏电流,具有很好的抗干扰性,可以有效地对MOA进行老化监测。实现避雷器运行状态的在线监测,减少停电检修MOA的次数,极大提高电力系统运行可靠性。
附图说明
图1为本发明的流程图;
图2为本发明的氧化物避雷器及电流传感器电路图;
图3为本发明情况1的计算结果仿真图;
图4为本发明情况2的计算结果仿真图;
图5为本发明情况3的计算结果仿真图;
图6为本发明情况4的计算结果仿真图;
图7为本发明提出的算法与其他神经网络算法的比较结果仿真图;
图8为本发明提出的算法与其他神经网络算法的响应时间比较结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1-8所示,本实施例的一种基于泄漏电流传感器和BP神经网络算法的避雷器监控方法,包括以下步骤:
步骤1:提出一种电阻传感器的方法来获取MOA的泄漏电流;
步骤2:提出一种基于补偿技术的泄漏电流谐波分析方法;
步骤3:利用BP神经网络训练出能反应MOA老化状况的一些关键参数,从而实现MOA状态的监测。
步骤1.1:设R1,R2,···,Rn为已知的在线监测中用于测量的电阻,由于MOA下端都接有记录MOA动作次数的计数器的电阻Rc以及R1,R2,···,Rn均远小于MOA的阻值(通常为MΩ级以上),所以R1,R2,···,Rn的接入对MOA泄漏电流Ilc的影响可以忽略不计。为防止计数器故障导致Rc阻值太大而影响检测,通常首先将R1并联接入计数器的两端,测R1端的电压为U1,类似地依次通过继电器并接Rn后测得的电压为Un。具体并接个数由要求的精度决定。本发明提出的传感器采用并接两个便可计算出Rc,但是如果多接几个电阻可计算多个计数器电阻值,可以减小误差。
步骤1.2:泄漏电流Ilc和计数器的电阻值Rc定义为公式(1)和公式(2):
求得计数器电阻以后,通过测量两端的电压,综合公式(1)和公式(2)可求出MOA泄漏电流Ilc。
步骤2.1:确定容性谐波电流:
通过测量位于避雷器电场中的探头电流Ip来确定容性三次谐波电流Ic (3),Ip经过傅立叶变换,得到三次谐波探头电流Ip (3)。如果Ip (3)的幅值和相角与Ic (3)有关,根据公式(3)得到阻性三次谐波电流Irh (3)。
Irh (3)=It (3)-Ic (3) (3)
假设相电压的三次谐波与每一相的基频频率具有相同的相角Δ是合理的。如果只考虑基频和三次谐波,可以表达为:
n=0,1,2表示三相,ff是基频。
Uh (3)可以看作是由系统基频3倍频率的零序电压。因此Ip (3)与Ic (3)有相同的相角,而与场探头的位置无关。
由于通常不知道场探头的电容,因此本发明引入Ip (3)的一个定标程序,然后才能确定Ic (3)的幅值,定标是基于对基频分量It (1)和Ip (1)的比较。由于It (1)主要是容性的,它的幅值对阻性电流分量的增长不是非常灵敏,在阻性电流实际范围内,基频电流只增长几个百分点。因此实际上可认为It (1)与Ic (1)相等,基频分量It (1)和Ip (1)的幅值的关系可以表示为
根据公式(5)可以确定对容性3次谐波电流:
Ic (3)=AMP3*Lp (3) (6)
通常AMP3与AMP1不等,因而需要引入AMP3,根据公式5,6,并假设It (1)与Ic (1)相等,AMP3可以表示为
对每一个频率,电流正比于场强,因此公式(7)还可以写成
在单相应用中,基频与三次谐波电场分量的关系是固定的,并且与所在空间位置无关,这意味着AMP3与AMP1相等。在三相应用中,电场分量之间的关系与空间位置有关。这是由于三相电压基频分量之间的相移(2π/3)。如前所述,对三次谐波分量有相应的相移,所以,通常三相应用中AMP3与AMP1不相等。
步骤2.2:计算电场:
为了确定在场探头处的AMP3和AMP1的关系,计算了两个典型三相避雷器在它们底基处的场强。为了覆盖大范围的相间距、避雷器的高度和避雷器的数量等,在两个系统电压下进行计算145kV(单个避雷器)和420kV(三相避雷器)。
表1给出了避雷器配置的结构,假设避雷器与墙相邻,它模拟大的接地物体,如变压器,应该注意到墙对电场强度的影响与邻相的影响相比很小。
表1避雷器的结构配置
尺寸 | 145kV | 420kV |
相间距(m) | 1.6 | 5.1 |
总避雷器的高度(m) | 3.4 | 6.5 |
与墙(接地体)的距离(m) | 1.2 | 3.1 |
电场探头所在避雷器的底基处的电场强度通过BEM(边界元方法)计算程序计算,此程序是针对三维,三相应用而开发的,为了计算,避雷器的正常电压供电,如表2所示。
表2电场计算时的标称电压
场强Ec (1)和Ec (3)分布在MOA的底部,而场探针Ep (1)和Ep (3)位于MOA底座以下10cm和5cm处。对两种避雷器配置形式的电场计算结果以AMP3/AMP1的形式在表3中给出。尽管避雷器配置间存在很大差异(相间距、单个或三个等),但从表3中可看出,AMP3/AMP1基本上恒定。对于实际使用,对所有系统电压水平下中间相或两边相都可以用单个的比值。
表3根据电场强度计算出来的AMP3/AMP1比值
步骤2.3:确定阻性三次谐波泄漏电流:
根据公式(3)、(5)、(6),避雷器阻性三次谐波泄漏电流现在可从公式(9)确定:
阻性三次谐波电流Irh (3)=εUα,U为施加于MOA两端的正常工作电压,εandα是由MOA自身非线性特性决定的系数。
MOA三次谐波泄漏电流的计算为
步骤3.1:定义MOA运行现象代号:
将直流1mA时的临界动作电压U1mA变化大于±5%或0.75U1mA下的泄漏电流大于50μA定义为I;II为阻性电流增大一倍;III为运行电压下交流泄漏电流增大;IV为绝缘电阻低于1000MΩ;V为出现表面闪络;VI为爆炸;VII为温度升高。
步骤3.2:定义MOA故障类型:
1为电阻片受潮:2为初期老化;3为表面污染;4为端子紧固不良;5为并联电阻老化:6为电阻片制造质量不良。
步骤3.3:建立BP神经网络:
列出MOA的故障类型及故障原因,如表4所示,其中0表示该现象不发生,1表示该现象发生。
表4 MOA运行中的故障类型及故障原因
使用newff()函数建立一个可训练的BP神经网络。用7个现象做为它的输入,6个故障类型做为它的输出。例如,对于第一个样本,输入向量V1=(1011010),则期望输出值E1=(100000)。
步骤3.4:训练BP神经网络:
学习算法采用自适应修改学习率算法(traingda),traingda是一种网络训练函数,根据梯度下降和自适应学习率更新权重和偏差值。
学习率初值取为0.85,学习速率增长比例因子和学习速率下降比例因子取为缺省值:训练显示过程间隔的训练次数取为50,动量因子取为0.9.最大迭代次数取为l000,学习目标取为0.00001。
假设通过本发明提出的泄漏电流传感器和阻性三次谐波泄漏电流测量方法,得到一组故障现象(0100101),将其输入BP网络中.网络的输出为该故障原因相对于各故障的隶属程度。
下面用模糊信息处理的相关理论来验证BP神经网络的准确性。设故障论域d=(Pl,P2,…,P7)上全体故障子集构成模糊幂集F(d),对于任意故障A∈F(d),可得到故障A对于6种典型故障的相对欧氏距离为:
为了便于比较取隶属函数mfm(P)=cosrem(P),根据最大隶属度原则.可诊断出该避雷器存在的故障。诊断结果如表5所示。
表5 MOA故障诊断结果
故障序号 | BP神经网络诊断结果 | 隶属函数求出的隶属度 |
1 | 0.0000 | 0.5516 |
2 | 0.1728 | 0.9274 |
3 | 0.0001 | 0.7923 |
4 | 0.3536 | 0.8617 |
5 | 0.0005 | 0.6621 |
6 | 0.0395 | 0.6621 |
由表5可知,当诊断的阀值取0.1时,BP网络诊断出避雷器的故障为2号(初期老化)和4号(端子紧固不良)。该结论与隶属函数中取阀值0.8时的诊断结论完全相同。另外,诊断结果中,阀值以上的故障隶属度与阀值以下的隶属度之间的差别比单纯隶属函数中要明显得多,不容易出现误诊断。
为验证本文提出的基于谐波分析MOA泄漏电流测量的一种新方法对于谐波电压具有很好的抗干扰性.我们利用Matlab仿真电压中含有谐波电压的情况.将其代入本文方法进行计算仿真分析.步骤如下:
步骤1:仿真含有不同谐波电压的运行电压,用其代替实际使用中施加在MOA两端的运行电压。
步骤2:设定公式(10)初始值(α,ε,c),将计算的泄漏电流作为实际测量的泄漏电流。在本文仿真中,我们将模型初始值设定为α=15,ε=0。1,c=10-10pF。
步骤3:利用基于谐波分析MOA泄漏电流测量的一种新方法较好的拟合逼近能力。将计算泄漏电流拟合逼近实际测量的泄漏电流(此处实际泄漏电流即为模型初始设置值计算的泄漏电流)。
根据以上3个步骤,求解运行电压含有不同谐波电压情况下α,ε,c值,从而实现对MOA的监测。
根据第一步中仿真含有不同谐波电压情况,我们提出四种含有不同谐波电压情况下的运行电压。
情况1:运行电压不含谐波电压。
由图3可知,实际测量的泄漏电流I(Im)和计算拟合的泄漏电流Il(i)波形图几乎重合,可见电流中存在谐波,而本发明提出的方法可以很好的消除谐波对泄漏电流测量的影响,因为本发明使用的方法受到电网中的谐波电压含量以及初相位的影响几乎很小,因此算法稳定性高。除此之外,从图3还可以知道,当电压谐波含量增加的时候,阻性谐波电流Irh也会随之增大。这也表明了运行电压中的谐波含量是促使MOA老化的一个重要因素。
本发明提出的方法对电网电压中谐波电压含量和初相位均具有较好的抗干扰性,该方法可以较好应用于MOA状态监测中。
基于BP神经网络的MOA监控方法的评价指标包括精确率(P)、召回率(R)和F1(F1综合考虑P和R的结果,F1较高时则能说明实验方法比较有效)。为了验证本发明使用的BP神经网络训练优于其他神经网络训练方法。我们选择了GA_FasterR-CNN(基于快速区域的卷积神经网络的引导锚定方法)、YMufT-DNN(产生式多重训练深度神经网络)、DPA-HNN(基于部分短语注意力机制的层次递归神经网络)和OM_MOA-pRFID(基于无源RFID的MOA在线监控方法)进行比较。实验结果如表6、图4~图8所示。
精确率(P) | 召回率(R) | F1 | |
GA_FasterR-CNN | 0.701 | 0.727 | 0.713 |
YMufT-DNN | 0.736 | 0.756 | 0.849 |
DPA-HNN | 0.742 | 0.759 | 0.765 |
本发明 | 0.822 | 0.838 | 0.898 |
从表6和图4可以看出,本发明提出的方法在P、R和F1上都有很好的表现。BP神经网络可以通过学习具有正确答案的实例集,自动提取合理的解决方案,即具有自主学习能力。
另外,响应时间是监控MOA的一个重要指标。在图5中,我们比较了本发明提出的算法与其他四个比较算法的响应时间。可以看出,本发明提出的算法训练MOA监控所需的总响应时间和训练响应时间比其他4个比较算法都要少。
综上所述,本发明基于泄漏电流传感器和BP神经网络算法的避雷器监控方法是有效且精确的,提出了基于谐波分析MOA泄漏电流测量的一种新方法,利用BP神经网络训练出能反应MOA老化状况的一些关键参数。实验表明仿真结果得出的泄漏电流拟合逼近实际需要测量的泄漏电流,具有很好的抗干扰性,可以有效地对MOA进行老化监测,通过BP神经网络的训练,实验证明本发明的训练方法优于其他神经网络训练方法。证明了所提算法的合理性和可靠性能够达到在线故障监测和运行状态评估的要求。
需要说明的是,在发明的描述中,术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示对本发明结构的说明,仅是为了便于描述本发明的简便,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
对于本技术方案中的“第一”和“第二”,仅为对相同或相似结构,或者起相似功能的对应结构的称谓区分,不是对这些结构重要性的排列,也没有排序、或比较大小、或其他含义。
另外,除非另有明确的规定和限定,术语“安装”、“连接”应做广义理解,例如,连接可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个结构内部的连通。对于本领域的普通技术人员而言,可以根据本发明的总体思路,联系本方案上下文具体情况理解上述术语在本发明中的具体含义。
Claims (5)
1.基于泄漏电流传感器和BP神经网络算法的避雷器监控方法,其特征在于:包括如下步骤:
步骤1:采用电阻传感器获取MOA的泄漏电流;
步骤2:采用补偿技术得到单独由避雷器引起的三次谐波电流分量;
步骤3:利用BP神级网络训练出能反应MOA老化状况的关键参数,从而实现MOA状态的监测;
步骤3.1:定义MOA运行现象代号:
将直流1mA时的临界动作电压U1mA变化大于±5%或0.75U1mA下的泄漏电流大于50μA定义为I;II为阻性电流增大一倍;III为运行电压下交流泄漏电流增大;IV为绝缘电阻低于1000MΩ;V为出现表面闪络;VI为爆炸;VII为温度升高;
步骤3.2:定义MOA故障类型:
1为电阻片受潮:2为初期老化;3为表面污染;4为端子紧固不良;5为并联电阻老化:6为电阻片制造质量不良;
步骤3.3:建立BP神经网络:
列出MOA的故障类型及故障原因,其中0表示该现象不发生,1表示该现象发生;
使用newff()函数建立一个可训练的BP神经网络,用7个现象做为它的输入,6个故障类型做为它的输出;
步骤3.4:训练BP神经网络:
学习算法采用自适应修改学习率算法traingda,traingda是一种网络训练函数,根据梯度下降和自适应学习率更新权重和偏差值;
学习率初值取为0.85,学习速率增长比例因子和学习速率下降比例因子取为缺省值,训练显示过程间隔的训练次数取为50,动量因子取为0.9.最大迭代次数取为l000,学习目标取为0.00001;
步骤3.5:验证BP神经网络的准确性:
设故障论域d=(Pl,P2,…,P7)上全体故障子集构成模糊幂集F(d),对于任意故障A∈F(d),可得到故障A对于6种典型故障的相对欧氏距离为:
为了便于比较取隶属函数mfm(P)=cosrem(P),根据最大隶属度原则,诊断出该避雷器存在的故障。
3.根据权利要求1所述的基于泄漏电流传感器和BP神经网络算法的避雷器监控方法,其特征在于:步骤2的具体步骤如下:
步骤2.1:确定容性谐波电流:
通过测量位于避雷器电场中的探头电流Ip来确定容性三次谐波电流Ic (3),Ip经过傅立叶变换,得到三次谐波探头电流Ip (3),如果Ip (3)的幅值和相角与Ic (3)有关,根据公式(3)得到阻性三次谐波电流Irh (3):
Irh (3)=It (3)-Ic (3) (3)
由于通常不知道场探头的电容,因此本发明引入Ip (3)的一个定标程序,然后才能确定Ic (3)的幅值,定标是基于对基频分量It (1)和Ip (1)的比较,由于It (1)主要是容性的,它的幅值对阻性电流分量的增长不是非常灵敏,在阻性电流实际范围内,基频电流只增长几个百分点,因此实际上认为It (1)与Ic (1)相等,基频分量It (1)和Ip (1)的幅值的关系表示为:
根据公式(5)确定对容性3次谐波电流:
Ic (3)=AMP3*Ip (3) (6)
通常AMP3与AMP1不等,因而需要引入AMP3,根据公式(5)、公式(6),并假设It (1)与Ic (1)相等,AMP3可以表示为:
步骤2.2:计算电场:
将场探针Ep (1)和Ep (3)分别设置于MOA底座以下10cm和5cm处,场强Ec (1)和Ec (3)分布在MOA的底部,计算AMP3/AMP1;
步骤2.3:确定阻性三次谐波泄漏电流:
根据公式(3)、(5)、(6),避雷器阻性三次谐波泄漏电流现在可从公式(9)确定:
阻性三次谐波电流Irh (3)=εUα,U为施加于MOA两端的正常工作电压,εandα是由MOA自身非线性特性决定的系数;
MOA三次谐波泄漏电流的计算公式为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210272174.8A CN114660387B (zh) | 2022-03-18 | 2022-03-18 | 基于泄漏电流传感器和bp神经网络算法的避雷器监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210272174.8A CN114660387B (zh) | 2022-03-18 | 2022-03-18 | 基于泄漏电流传感器和bp神经网络算法的避雷器监控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114660387A true CN114660387A (zh) | 2022-06-24 |
CN114660387B CN114660387B (zh) | 2024-06-25 |
Family
ID=82029124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210272174.8A Active CN114660387B (zh) | 2022-03-18 | 2022-03-18 | 基于泄漏电流传感器和bp神经网络算法的避雷器监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114660387B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117406137A (zh) * | 2023-12-12 | 2024-01-16 | 国网辽宁省电力有限公司抚顺供电公司 | 一种输电线路雷电泄电流监测方法及系统 |
CN117407675A (zh) * | 2023-10-26 | 2024-01-16 | 国网青海省电力公司海北供电公司 | 基于多变量重构联合动态权重的避雷器泄漏电流预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000050488A (ja) * | 1998-07-28 | 2000-02-18 | Kansai Tech Corp | 高圧配電線の地絡故障原因判別方法 |
CN102901856A (zh) * | 2012-09-17 | 2013-01-30 | 吉林省电力有限公司长春供电公司 | 基于相位搜索的电缆线路避雷器阻性电流检测方法 |
KR101553005B1 (ko) * | 2015-04-20 | 2015-10-01 | 지투파워 (주) | 전력설비의 부분방전 감시진단 시스템 |
CN105469156A (zh) * | 2014-09-11 | 2016-04-06 | 国网四川省电力公司电力科学研究院 | Moa健康管理和故障预测方法及系统 |
CN112255484A (zh) * | 2020-10-19 | 2021-01-22 | 国网河南省电力公司电力科学研究院 | 一种避雷器运行状态在线监测及评估方法和系统 |
CN214375062U (zh) * | 2021-02-06 | 2021-10-08 | 飞思众越科技(成都)有限责任公司 | 避雷器运行性能在线监测系统 |
-
2022
- 2022-03-18 CN CN202210272174.8A patent/CN114660387B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000050488A (ja) * | 1998-07-28 | 2000-02-18 | Kansai Tech Corp | 高圧配電線の地絡故障原因判別方法 |
CN102901856A (zh) * | 2012-09-17 | 2013-01-30 | 吉林省电力有限公司长春供电公司 | 基于相位搜索的电缆线路避雷器阻性电流检测方法 |
CN105469156A (zh) * | 2014-09-11 | 2016-04-06 | 国网四川省电力公司电力科学研究院 | Moa健康管理和故障预测方法及系统 |
KR101553005B1 (ko) * | 2015-04-20 | 2015-10-01 | 지투파워 (주) | 전력설비의 부분방전 감시진단 시스템 |
CN112255484A (zh) * | 2020-10-19 | 2021-01-22 | 国网河南省电力公司电力科学研究院 | 一种避雷器运行状态在线监测及评估方法和系统 |
CN214375062U (zh) * | 2021-02-06 | 2021-10-08 | 飞思众越科技(成都)有限责任公司 | 避雷器运行性能在线监测系统 |
Non-Patent Citations (3)
Title |
---|
何培东;蒲丽娟;杜斌;杨丽莎;王晨丞;: "金属氧化物避雷器老化监测的新型智能算法研究", 电瓷避雷器, no. 06, 25 December 2019 (2019-12-25) * |
张佩;王灵梅;赵兴勇;: "基于BP神经网络氧化锌避雷器的故障诊断研究", 山西电力, no. 04, 15 August 2013 (2013-08-15) * |
张忠蕾, 李庆民, 陈鹏: "谐波条件下高压电气设备介质损耗因数的定义和数字化算法", 高压电器, no. 05, 25 October 2004 (2004-10-25) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117407675A (zh) * | 2023-10-26 | 2024-01-16 | 国网青海省电力公司海北供电公司 | 基于多变量重构联合动态权重的避雷器泄漏电流预测方法 |
CN117406137A (zh) * | 2023-12-12 | 2024-01-16 | 国网辽宁省电力有限公司抚顺供电公司 | 一种输电线路雷电泄电流监测方法及系统 |
CN117406137B (zh) * | 2023-12-12 | 2024-05-28 | 国网辽宁省电力有限公司抚顺供电公司 | 一种输电线路雷电泄电流监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114660387B (zh) | 2024-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114660387B (zh) | 基于泄漏电流传感器和bp神经网络算法的避雷器监控方法 | |
CN102749521B (zh) | 一种电力系统谐波阻抗计算方法 | |
CN108897951B (zh) | 避雷器非线性伏安特性“拐弯点”及其“弯曲系数”拟合方法 | |
CN102288804B (zh) | 一种基于正交变换的避雷器阻性电流计算方法 | |
CN104360197B (zh) | 基于阻容网络的避雷器阀片电阻监测方法 | |
CN107247222A (zh) | 一种变电站接地网故障诊断方法 | |
CN110647924A (zh) | 一种基于支持向量描述与k近邻算法的gis设备状态评估方法 | |
CN107632231B (zh) | 一种使用多激励源的变电站接地网腐蚀故障在线诊断方法 | |
Khavari et al. | Circuit-based method for extracting the resistive leakage current of metal oxide surge arrester | |
Tang et al. | Method for detecting harmonic responsibility misjudgements based on waveform correlation analysis | |
CN108828292B (zh) | 考虑接地排影响的氧化锌避雷器阻性电流在线监测方法 | |
Chen et al. | Location for single‐phase grounding fault in distribution network based on equivalent admittance distortion rate | |
CN109933883A (zh) | 一种基于多元线性回归的阻性电流增长率计算方法 | |
CN112083299B (zh) | 一种基于卡尔曼滤波的直流系统绝缘故障预测方法 | |
CN117990979A (zh) | 适用于并网逆变器频率耦合导纳的高精度测量方法及系统 | |
Munir et al. | Resistive leakage current based condition assessment of zinc oxide surge arrester: a review | |
CN115343579B (zh) | 一种电网故障分析方法、装置及电子设备 | |
CN108896947B (zh) | 换流站直流场暂态电压非接触式测量装置的现场校准方法及暂态电压测量方法 | |
CN111965497A (zh) | 一种高压电缆早期缺陷联合诊断方法 | |
Linde et al. | Comparison of Dielectric Loss Measuring Methods on Epoxy Samples under Harmonic Distorted Voltages | |
CN116400285A (zh) | 一种电力互感器初始误差计量方法 | |
Xu et al. | Improved method for extracting resistive leakage current of surge protectors | |
He et al. | Leakage current sensor and neural network for MOA monitoring | |
CN112464848B (zh) | 一种基于密度空间聚类的信息流异常数据监测方法及装置 | |
Hou et al. | Discriminant approach to the GIS mechanical fault diagnosis based on the KL divergence of vibration signals |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |