CN116579474A - 一种绝缘子污染程度的预测方法、装置、设备及存储介质 - Google Patents

一种绝缘子污染程度的预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116579474A
CN116579474A CN202310508656.3A CN202310508656A CN116579474A CN 116579474 A CN116579474 A CN 116579474A CN 202310508656 A CN202310508656 A CN 202310508656A CN 116579474 A CN116579474 A CN 116579474A
Authority
CN
China
Prior art keywords
insulator
leakage current
pollution
data
regression
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.)
Pending
Application number
CN202310508656.3A
Other languages
English (en)
Inventor
李国强
陈科技
卞荣
顾妙松
张琳琳
孙永军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Zhejiang Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
State Grid Zhejiang Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Zhejiang Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Zhejiang Electric Power Co Ltd, Economic and Technological Research Institute of State Grid Zhejiang Electric Power Co Ltd filed Critical State Grid Zhejiang Electric Power Co Ltd
Priority to CN202310508656.3A priority Critical patent/CN116579474A/zh
Publication of CN116579474A publication Critical patent/CN116579474A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
    • G01R31/1245—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of line insulators or spacers, e.g. ceramic overhead line cap insulators; of insulators in HV bushings
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Evolutionary Biology (AREA)
  • Public Health (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Primary Health Care (AREA)
  • Algebra (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Ceramic Engineering (AREA)
  • Testing Relating To Insulation (AREA)
  • Insulators (AREA)

Abstract

本发明公开了一种绝缘子污染程度的预测方法、装置、设备及存储介质，所述方法包括：获取沿海盐雾地区架空线路绝缘子的环境数据和泄露电流数据；其中，所述环境数据包括操作电压、相对湿度以及等值盐密；所述泄露电流数据包括泄露电流幅值、泄露电流相位、泄露电流最大谐波失真以及泄露电流三次谐波/基波；将所述环境数据和所述泄露电流数据输入至预设的绝缘子污染程度预测模型，得到所述绝缘子污染程度预测模型输出的绝缘子污染程度。本发明考虑了操作电压、相对湿度以及等值盐密对绝缘子泄露电流的影响，从而使得根据绝缘子污染程度预测模型预测到的沿海盐雾地区架空线路绝缘子的污染程度更加准确、有效。

Description

一种绝缘子污染程度的预测方法、装置、设备及存储介质
技术领域
本发明涉及电力保护技术领域，尤其涉及一种绝缘子污染程度的预测方法、装置、设备及存储介质。
背景技术
在输电线路经过的地区，由于工业污秽、海风的盐雾、空气中的尘埃等污秽物渐渐积累并附着在绝缘子表面，形成污秽层。这些污秽物含有酸碱和盐的成分，在干燥时导电性不好，遇水受潮后具有较高的导电系数。当下雨、积雪融化、下雾等不良天气时，污秽绝缘子的绝缘强度大大降低，引起绝缘子在正常运行电压下闪络，造成大面积停电，称为线路的污闪事故。污闪事故对电力系统的安全运行有重大影响，容易造成大面积停电。随着“西电东送、南北互供、全国联网”电力发展战略的实施和1000kV交流特高压、±800kV直流特高压输电线路的建设，我国的南、北、中线路走廊都存在重污秽、雨雪综合作用的特殊环境地区。随着我国电网建设进入新的发展阶段，需要保证不同气候条件下电力系统的稳定。高海拔、严寒、大气污染严重等恶劣环境条件对绝缘子的可靠性提出了新的挑战。因此，对绝缘子污染水平进行科学、合理的评估是十分必要的。
但是，由于污秽绝缘子的泄漏电流是各种环境因素综合作用的结果，目前污秽绝缘子的泄漏电流与各影响因素之间的关系尚无比较系统的理论和试验研究，缺乏能够准确、有效地预测绝缘子污染程度的方法。
发明内容
本发明所要解决的技术问题在于，提供一种绝缘子污染程度的预测方法、装置、设备及存储介质，考虑了操作电压、相对湿度以及等值盐密对绝缘子泄露电流的影响，从而使得根据绝缘子污染程度预测模型预测到的沿海盐雾地区架空线路绝缘子的污染程度更加准确、有效。
为了实现上述目的，本发明实施例提供了一种绝缘子污染程度的预测方法，包括：获取沿海盐雾地区架空线路绝缘子的环境数据和泄露电流数据；其中，所述环境数据包括操作电压、相对湿度以及等值盐密；所述泄露电流数据包括泄露电流幅值、泄露电流相位、泄露电流最大谐波失真以及泄露电流三次谐波/基波；
将所述环境数据和所述泄露电流数据输入至预设的绝缘子污染程度预测模型，得到所述绝缘子污染程度预测模型输出的绝缘子污染程度。
作为上述方案的改进，所述绝缘子污染程度预测模型的训练方法包括：
基于局部放电模型进行绝缘子污闪机理分析，建立所述泄露电流数据的回归公式；
基于回归数据集以及所述回归公式进行回归分析，并基于验证数据集进行模型验证；
基于层次分析法构建多层污秽闪络指标，确定污秽闪络数值模型，并对所述污秽闪络数值模型中的参数进行优化，得到训练好的绝缘子污染程度预测模型。
作为上述方案的改进，所述泄露电流数据的回归公式具体包括：
其中，Im表示泄露电流幅值，U表示操作电压，RH表示相对湿度，ρ表示等值盐密，表示泄露电流相位，THD表示泄露电流最大谐波失真，K表示泄露电流三次谐波/基波，m、n、p、q、a1、a2、a3、a4、c1、b1、b2、b3均表示常数。
作为上述方案的改进，所述基于回归数据集以及所述回归公式进行回归分析，并基于验证数据集进行模型验证，具体包括：
采集若干组训练数据，并根据预设比例将所述训练数据划分为回归数据集和验证数据集；
基于回归数据集以及所述回归公式进行回归分析，计算得到泄露电流幅值、泄露电流相位、泄露电流最大谐波失真以及泄露电流三次谐波/基波；
基于验证数据集进行模型验证，将计算结果与实验结果进行比较验证。
作为上述方案的改进，所述污秽闪络数值模型具体为：
作为上述方案的改进，所述对所述污秽闪络数值模型中的参数进行优化，得到训练好的绝缘子污染程度预测模型，具体包括：
获取不同参数污闪时的阈值，根据所述阈值对所述污秽闪络数值模型中的参数进行优化，得到训练好的绝缘子污染程度预测模型为：
其中，PFI表示绝缘子污染程度。
本发明实施例还提供了一种绝缘子污染程度的预测装置，包括：
获取模块，用于获取沿海盐雾地区架空线路绝缘子的环境数据和泄露电流数据；其中，所述环境数据包括操作电压、相对湿度以及等值盐密；所述泄露电流数据包括泄露电流幅值、泄露电流相位、泄露电流最大谐波失真以及泄露电流三次谐波/基波；
预测模块，用于将所述环境数据和所述泄露电流数据输入至预设的绝缘子污染程度预测模型，得到所述绝缘子污染程度预测模型输出的绝缘子污染程度。
进一步的，所述绝缘子污染程度预测模型的训练方法包括：
基于局部放电模型进行绝缘子污闪机理分析，建立所述泄露电流数据的回归公式；
基于回归数据集以及所述回归公式进行回归分析，并基于验证数据集进行模型验证；
基于层次分析法构建多层污秽闪络指标，确定污秽闪络数值模型，并对所述污秽闪络数值模型中的参数进行优化，得到训练好的绝缘子污染程度预测模型。
本发明实施例还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的绝缘子污染程度的预测方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任一项所述的绝缘子污染程度的预测方法。
相对于现有技术，本发明实施例提供的一种绝缘子污染程度的预测方法、装置、设备及存储介质的有益效果在于：通过获取沿海盐雾地区架空线路绝缘子的环境数据和泄露电流数据；其中，所述环境数据包括操作电压、相对湿度以及等值盐密；所述泄露电流数据包括泄露电流幅值、泄露电流相位、泄露电流最大谐波失真以及泄露电流三次谐波/基波；将所述环境数据和所述泄露电流数据输入至预设的绝缘子污染程度预测模型，得到所述绝缘子污染程度预测模型输出的绝缘子污染程度。本发明实施例考虑了操作电压、相对湿度以及等值盐密对绝缘子泄露电流的影响，从而使得根据绝缘子污染程度预测模型预测到的沿海盐雾地区架空线路绝缘子的污染程度更加准确、有效。
附图说明
图1是本发明提供的一种绝缘子污染程度的预测方法的一个优选实施例的流程示意图；
图2是本发明提供的一种绝缘子污染程度的预测方法中绝缘子未发生局部放电时的等效电路图；
图3是本发明提供的一种绝缘子污染程度的预测方法中绝缘子发生局部放电时的等效电路图；
图4是本发明提供的一种绝缘子污染程度的预测方法中基于层次分析法的污秽闪络指标示意图；
图5是本发明提供的一种绝缘子污染程度的预测方法中泄露电流幅值(Im)试验和回归结果对比示意图；
图6是本发明提供的一种绝缘子污染程度的预测方法中泄露电流相位试验和回归结果对比示意图；
图7是本发明提供的一种绝缘子污染程度的预测方法中泄露电流最大谐波失真(THD)试验和回归结果对比示意图；
图8是本发明提供的一种绝缘子污染程度的预测方法中泄露电流三次谐波/基波(K)试验和回归结果对比示意图；
图9是本发明提供的一种绝缘子污染程度的预测方法中PFI与相对湿度RH以及等值盐密ρ的关系示意图；
图10是本发明提供的一种绝缘子污染程度的预测装置的一个优选实施例的结构示意图；
图11是本发明提供的一种终端设备的一个优选实施例的结构示意图。
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作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。
请参阅图1，图1是本发明提供的一种绝缘子污染程度的预测方法的一个优选实施例的流程示意图。所述绝缘子污染程度的预测方法，包括：
S1，获取沿海盐雾地区架空线路绝缘子的环境数据和泄露电流数据；其中，所述环境数据包括操作电压、相对湿度以及等值盐密；所述泄露电流数据包括泄露电流幅值、泄露电流相位、泄露电流最大谐波失真以及泄露电流三次谐波/基波；
S2，将所述环境数据和所述泄露电流数据输入至预设的绝缘子污染程度预测模型，得到所述绝缘子污染程度预测模型输出的绝缘子污染程度。
需要说明的是，污闪指电气设备绝缘表面附着的污秽物在潮湿条件下，其可溶物质逐渐溶于水，在绝缘表面形成一层导电膜，使绝缘子的绝缘水平大大降低，在电力场作用下出现的强烈放电现象。闪络指固体绝缘子周围的气体或液体电介质被击穿时，沿固体绝缘子表面放电的现象。基于大量人工污秽试验，确定污秽绝缘子泄漏电流与典型放电现象之间的对应关系，探索泄漏电流与各影响因素之间的关系，建立基于泄漏电流特征量的污秽绝缘子闪络预测模型具有重要的学术意义，能够为电力部门运行、检修提供科学的依据。探索污秽绝缘子泄漏电流与各影响因素之间的关系，也是对污秽绝缘子放电发展深入系统的研究过程，泄漏电流与各影响因素之间的关系目前尚无比较系统的理论和试验研究。由于污秽绝缘子的泄漏电流是各种环境因素综合作用的结果，所以基于泄漏电流特征量的污秽绝缘子安全状态预测模型和闪络判断准则的研究是科学的、可行的，也是目前较受关注的方法之一，同时也将为科学地划分运行线路污秽等级提供一定的参考。
具体的，本发明实施例提供了一种针对沿海盐雾地区的绝缘子污染程度的预测方法，通过获取沿海盐雾地区架空线路绝缘子的环境数据和泄露电流数据。其中，环境数据包括U、相对湿度RH和等值盐密ρ。泄露电流数据包括泄露电流幅值、泄露电流相位、泄露电流最大谐波失真以及泄露电流三次谐波/基波。示例性地，针对沿海盐雾地区架空线路绝缘子污秽闪络相关的环境因素数据和泄露电流数据进行调研、收集以及整理。例如，通过人工污秽实验模拟沿海盐雾地区环境，获取实验所设置的架空线路绝缘子的环境因素数据和结果测试所得的泄露电流数据。将环境数据和泄露电流数据输入至预设的绝缘子污染程度预测模型，得到绝缘子污染程度预测模型输出的绝缘子污染程度。
本实施例在构建绝缘子污染程度预测模型时，对于沿海盐雾地区，考虑了操作电压U、相对湿度RH和等值盐密ρ等环境因素对绝缘子泄露电流的影响，从而使得根据绝缘子污染程度预测模型预测到的沿海盐雾地区架空线路绝缘子的污染程度更加准确、有效。
在另一个优选实施例中，所述绝缘子污染程度预测模型的训练方法包括：
基于局部放电模型进行绝缘子污闪机理分析，建立所述泄露电流数据的回归公式；
基于回归数据集以及所述回归公式进行回归分析，并基于验证数据集进行模型验证；
基于层次分析法构建多层污秽闪络指标，确定污秽闪络数值模型，并对所述污秽闪络数值模型中的参数进行优化，得到训练好的绝缘子污染程度预测模型。
在又一个优选实施例中，所述泄露电流数据的回归公式具体包括：
其中，Im表示泄露电流幅值，U表示操作电压，RH表示相对湿度，ρ表示等值盐密，表示泄露电流相位，THD表示泄露电流最大谐波失真，K表示泄露电流三次谐波/基波，m、n、p、q、a1、a2、a3、a4、c1、b1、b2、b3均表示常数。
具体的，本发明实施例在对绝缘子污染程度预测模型进行训练时，基于局部放电模型进行绝缘子污闪机理分析，建立泄露电流数据的回归公式。示例性地，当沿海盐雾地区环境的相对湿度较低时，绝缘子的污染层不够湿润。此时污染层的电导率很小，导致泄露电流很低。由于表面溶解的导电物质有限，等值盐密的变化对泄漏电流的影响很小，此时基本没有局部电弧的产生，因此，受污染的绝缘子的相应等效电路模型如图2所示，图2是本发明提供的一种绝缘子污染程度的预测方法中绝缘子未发生局部放电时的等效电路图。污染层的平均电导率由公式确定；其中，Y表示污染层等效电导，Rp表示污染层电阻，C表示污染层电容。同时，污染层的电阻(Rp)很大，这意味着污染层的等效电导(Y＝Rp-jωC)很小。因此，电容性电流占主要部分，还有少量的电阻性电流。
随着沿海盐雾地区环境的相对湿度的增加，绝缘子的污染层会逐渐变得湿润。空气中的水分使绝缘子表面的部分盐密度以离子形式存在。由于污染层中的盐密度随着湿度的增加而逐渐被电离，漏电电流也将随着湿度的增加而增加。虽然平均电导率增加，但电容保持不变。因此，电流的相应变化导致泄漏电流逐渐减少。
当沿海盐雾地区环境的相对湿度增加到一个较高的水平时，绝缘子表面就会充分湿润，这时漏电电流就会显著增加，产生焦耳效应，形成干燥区，绝缘子表面出现部分电弧。因此，受污染的绝缘子的相应等效电路模型如图3所示，图3是本发明提供的一种绝缘子污染程度的预测方法中绝缘子发生局部放电时的等效电路图。污染层的平均电导率由公式确定；其中，I表示泄露电流，U表示操作电压。此时电流波形被扭曲，不再是一个规则的正弦波。同时，由于部分电弧的存在，泄漏电流变为负值。此外，部分电弧放电越明显，落后于运行电压的泄漏电流就越大。
因此，基于以上分析，建立泄露电流幅值(Im)、泄露电流相位泄露电流最大谐波失真(THD)和泄露电流三次谐波/基波(K)的回归公式。回归公式如下：
其中，Im表示泄露电流幅值，U表示操作电压，RH表示相对湿度，ρ表示等值盐密，表示泄露电流相位，THD表示泄露电流最大谐波失真，K表示泄露电流三次谐波/基波，m、n、p、q、a1、a2、a3、a4、c1、b1、b2、b3均表示常数。
基于回归数据集以及上述回归公式进行回归分析，并基于验证数据集进行模型验证。基于层次分析法构建多层污秽闪络指标(Pollution flashover index，PFI)，确定PFI污秽闪络数值模型，并对污秽闪络数值模型中的参数进行优化，得到训练好的绝缘子污染程度预测模型。层次分析法，简称AHP，是指将与决策总是有关的元素分解成目标、准则、方案等层次，在此基础之上进行定性和定量分析的决策方法。该方法是美国运筹学家匹茨堡大学教授萨蒂于20世纪70年代初，在为美国国防部研究“根据各个工业部门对国家福利的贡献大小而进行电力分配”课题时，应用网络系统理论和多目标综合评价方法，提出的一种层次权重决策分析方法。通过回归公式的分析，明确环境因素对泄漏电流参数的影响，从而构建第一层影响关系。同时根据四种泄漏电流参数，从泄露电流时域和频域角度综合构建第二层评估指标。值得说明的是，PFI污秽闪络数值模型是一种评价模型，只要有关联就可以构建该评价模型，主观因素较强，用户可根据实际需求进行调整。示例性地，基于层次分析法的PFI指标构建如图4所示，图4是本发明提供的一种绝缘子污染程度的预测方法中基于层次分析法的污秽闪络指标示意图。
在又一个优选实施例中，所述基于回归数据集以及所述回归公式进行回归分析，并基于验证数据集进行模型验证，具体包括：
采集若干组训练数据，并根据预设比例将所述训练数据划分为回归数据集和验证数据集；
基于回归数据集以及所述回归公式进行回归分析，计算得到泄露电流幅值、泄露电流相位、泄露电流最大谐波失真以及泄露电流三次谐波/基波；
基于验证数据集进行模型验证，将计算结果与实验结果进行比较验证。
具体的，本发明实施例在基于回归数据集以及所述回归公式进行回归分析，并基于验证数据集进行模型验证时，首先采集若干组训练数据，并根据预设比例将训练数据划分为回归数据集和验证数据集。然后基于回归数据集以及回归公式进行回归分析，计算得到泄露电流幅值、泄露电流相位、泄露电流最大谐波失真以及泄露电流三次谐波/基波。最后基于验证数据集进行模型验证，将计算结果与实验结果进行比较验证。示例性地，可以利用文献数据进行回归分析和模型验证。例如，采集120组数据，其中104组数据作为回归数据集用于回归分析，剩余的16组数据作为验证数据集用于模型验证。通过回归公式计算出四个漏电流参数，并将计算结果与实验结果进行比较验证，验证结果见图5至图8的实验数据支撑。图5是本发明提供的一种绝缘子污染程度的预测方法中泄露电流幅值(Im)试验和回归结果对比示意图；图6是本发明提供的一种绝缘子污染程度的预测方法中泄露电流相位试验和回归结果对比示意图；图7是本发明提供的一种绝缘子污染程度的预测方法中泄露电流最大谐波失真(THD)试验和回归结果对比示意图；图8是本发明提供的一种绝缘子污染程度的预测方法中泄露电流三次谐波/基波(K)试验和回归结果对比示意图。
在又一个优选实施例中，所述污秽闪络数值模型具体为：
在又一个优选实施例中，所述对所述污秽闪络数值模型中的参数进行优化，得到训练好的绝缘子污染程度预测模型，具体包括：
获取不同参数污闪时的阈值，根据所述阈值对所述污秽闪络数值模型中的参数进行优化，得到训练好的绝缘子污染程度预测模型为：
其中，PFI表示绝缘子污染程度。
具体的，在调研中发现，危险的泄漏电流Im应大于150mA。根据试验数据推断污染闪络严重时漏电电流约为-20°。同时，发现当THD超过45％时，绝缘子表面电弧密集，容易发展成完全闪络。当K值接近0.4时，绝缘子污染已经很严重。根据以上调研获取不同参数污闪时的阈值，根据阈值对污秽闪络数值模型中的参数进行优化，得到训练好的绝缘子污染程度预测模型为：
其中，PFI表示绝缘子污染程度。
在该PFI数值模型中输入沿海盐雾地区架空线路绝缘子的泄露电流幅值(Im)、泄露电流相位泄露电流最大谐波失真(THD)和泄露电流三次谐波/基波(K)，通过该PFI数值模型即可输出该沿海盐雾地区架空线路绝缘子的污秽程度。PFI与相对湿度RH以及等值盐密ρ的关系示意图如图9所示，图9是本发明提供的一种绝缘子污染程度的预测方法中PFI与相对湿度RH以及等值盐密ρ的关系示意图。
本发明实施例对于沿海盐雾地区，同时考虑了操作电压U、相对湿度RH和等值盐密ρ等环境因素对绝缘子泄露电流的影响，将定性影响转变为定量影响，从而使得根据绝缘子污染程度预测模型预测到的沿海盐雾地区架空线路绝缘子的污染程度更加准确、有效。同时考虑泄漏电流幅值Im、泄漏电流相位泄漏电流最大谐波失真THD和泄漏电流三次谐波/基波K等四个泄漏电流时域和频域参的变化特性并进行回归分析，可以得到相关系数大于0.9的回归较好的结果，由此提升了模型回归效果，有利于后续准确预测沿海盐雾地区架空线路绝缘子污染程度。基于三层层次分析，引入污秽闪络指标PFI，并计算出PFI＝1(PFI＝1时污秽水平接近污闪)的严重污染等级判据，从而便于对绝缘子污染闪络等级进行综合评估。该污秽闪络水平数值模型可为现场绝缘子的污染闪络水平提供理论依据。
相应地，本发明还提供一种绝缘子污染程度的预测装置，能够实现上述实施例中的绝缘子污染程度的预测方法的所有流程。
请参阅图10，图10是本发明提供的一种绝缘子污染程度的预测装置的一个优选实施例的结构示意图。所述绝缘子污染程度的预测装置，包括：
获取模块101，用于获取沿海盐雾地区架空线路绝缘子的环境数据和泄露电流数据；其中，所述环境数据包括操作电压、相对湿度以及等值盐密；所述泄露电流数据包括泄露电流幅值、泄露电流相位、泄露电流最大谐波失真以及泄露电流三次谐波/基波；
预测模块102，用于将所述环境数据和所述泄露电流数据输入至预设的绝缘子污染程度预测模型，得到所述绝缘子污染程度预测模型输出的绝缘子污染程度。
优选地，所述绝缘子污染程度预测模型的训练方法包括：
基于局部放电模型进行绝缘子污闪机理分析，建立所述泄露电流数据的回归公式；
基于回归数据集以及所述回归公式进行回归分析，并基于验证数据集进行模型验证；
基于层次分析法构建多层污秽闪络指标，确定污秽闪络数值模型，并对所述污秽闪络数值模型中的参数进行优化，得到训练好的绝缘子污染程度预测模型。
优选地，所述泄露电流数据的回归公式具体包括：
其中，Im表示泄露电流幅值，U表示操作电压，RH表示相对湿度，ρ表示等值盐密，表示泄露电流相位，THD表示泄露电流最大谐波失真，K表示泄露电流三次谐波/基波，m、n、p、q、a1、a2、a3、a4、c1、b1、b2、b3均表示常数。
优选地，所述基于回归数据集以及所述回归公式进行回归分析，并基于验证数据集进行模型验证，具体包括：
采集若干组训练数据，并根据预设比例将所述训练数据划分为回归数据集和验证数据集；
基于回归数据集以及所述回归公式进行回归分析，计算得到泄露电流幅值、泄露电流相位、泄露电流最大谐波失真以及泄露电流三次谐波/基波；
基于验证数据集进行模型验证，将计算结果与实验结果进行比较验证。
优选地，所述污秽闪络数值模型具体为：
优选地，所述对所述污秽闪络数值模型中的参数进行优化，得到训练好的绝缘子污染程度预测模型，具体包括：
获取不同参数污闪时的阈值，根据所述阈值对所述污秽闪络数值模型中的参数进行优化，得到训练好的绝缘子污染程度预测模型为：
其中，PFI表示绝缘子污染程度。
在具体实施当中，本发明实施例提供的绝缘子污染程度的预测装置的工作原理、控制流程及实现的技术效果，与上述实施例中的绝缘子污染程度的预测方法对应相同，在此不再赘述。
请参阅图11，图11是本发明提供的一种终端设备的一个优选实施例的结构示意图。所述终端设备包括处理器1101、存储器1102以及存储在所述存储器1102中且被配置为由所述处理器1101执行的计算机程序，所述处理器1101执行所述计算机程序时实现上述任一实施例所述的绝缘子污染程度的预测方法。
优选地，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序1、计算机程序2、……)，所述一个或者多个模块/单元被存储在所述存储器1102中，并由所述处理器1101执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述处理器1101可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器1101也可以是任何常规的处理器，所述处理器1101是所述终端设备的控制中心，利用各种接口和线路连接所述终端设备的各个部分。
所述存储器1102主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器1102可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡和闪存卡(Flash Card)等，或所述存储器1102也可以是其他易失性固态存储器件。
需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，图11的结构示意图仅仅是上述终端设备的示例，并不构成对上述终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任一实施例所述的绝缘子污染程度的预测方法。
本发明实施例提供了一种绝缘子污染程度的预测方法、装置、设备及存储介质，通过获取沿海盐雾地区架空线路绝缘子的环境数据和泄露电流数据；其中，所述环境数据包括操作电压、相对湿度以及等值盐密；所述泄露电流数据包括泄露电流幅值、泄露电流相位、泄露电流最大谐波失真以及泄露电流三次谐波/基波；将所述环境数据和所述泄露电流数据输入至预设的绝缘子污染程度预测模型，得到所述绝缘子污染程度预测模型输出的绝缘子污染程度。本发明实施例考虑了操作电压、相对湿度以及等值盐密对绝缘子泄露电流的影响，从而使得根据绝缘子污染程度预测模型预测到的沿海盐雾地区架空线路绝缘子的污染程度更加准确、有效。
需说明的是，以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的系统实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种绝缘子污染程度的预测方法，其特征在于，包括：
获取沿海盐雾地区架空线路绝缘子的环境数据和泄露电流数据；其中，所述环境数据包括操作电压、相对湿度以及等值盐密；所述泄露电流数据包括泄露电流幅值、泄露电流相位、泄露电流最大谐波失真以及泄露电流三次谐波/基波；
将所述环境数据和所述泄露电流数据输入至预设的绝缘子污染程度预测模型，得到所述绝缘子污染程度预测模型输出的绝缘子污染程度。
2.如权利要求1所述的绝缘子污染程度的预测方法，其特征在于，所述绝缘子污染程度预测模型的训练方法包括：
基于局部放电模型进行绝缘子污闪机理分析，建立所述泄露电流数据的回归公式；
基于回归数据集以及所述回归公式进行回归分析，并基于验证数据集进行模型验证；
基于层次分析法构建多层污秽闪络指标，确定污秽闪络数值模型，并对所述污秽闪络数值模型中的参数进行优化，得到训练好的绝缘子污染程度预测模型。
3.如权利要求2所述的绝缘子污染程度的预测方法，其特征在于，所述泄露电流数据的回归公式具体包括：
其中，Im表示泄露电流幅值，U表示操作电压，RH表示相对湿度，ρ表示等值盐密，表示泄露电流相位，THD表示泄露电流最大谐波失真，K表示泄露电流三次谐波/基波，m、n、p、q、a1、a2、a3、a4、c1、b1、b2、b3均表示常数。
4.如权利要求3所述的绝缘子污染程度的预测方法，其特征在于，所述基于回归数据集以及所述回归公式进行回归分析，并基于验证数据集进行模型验证，具体包括：
采集若干组训练数据，并根据预设比例将所述训练数据划分为回归数据集和验证数据集；
基于回归数据集以及所述回归公式进行回归分析，计算得到泄露电流幅值、泄露电流相位、泄露电流最大谐波失真以及泄露电流三次谐波/基波；
基于验证数据集进行模型验证，将计算结果与实验结果进行比较验证。
5.如权利要求4所述的绝缘子污染程度的预测方法，其特征在于，所述污秽闪络数值模型具体为：
6.如权利要求5所述的绝缘子污染程度的预测方法，其特征在于，所述对所述污秽闪络数值模型中的参数进行优化，得到训练好的绝缘子污染程度预测模型，具体包括：
获取不同参数污闪时的阈值，根据所述阈值对所述污秽闪络数值模型中的参数进行优化，得到训练好的绝缘子污染程度预测模型为：
其中，PFI表示绝缘子污染程度。
7.一种绝缘子污染程度的预测装置，其特征在于，包括：
获取模块，用于获取沿海盐雾地区架空线路绝缘子的环境数据和泄露电流数据；其中，所述环境数据包括操作电压、相对湿度以及等值盐密；所述泄露电流数据包括泄露电流幅值、泄露电流相位、泄露电流最大谐波失真以及泄露电流三次谐波/基波；
预测模块，用于将所述环境数据和所述泄露电流数据输入至预设的绝缘子污染程度预测模型，得到所述绝缘子污染程度预测模型输出的绝缘子污染程度。
8.如权利要求7所述的绝缘子污染程度的预测装置，其特征在于，所述绝缘子污染程度预测模型的训练方法包括：
基于局部放电模型进行绝缘子污闪机理分析，建立所述泄露电流数据的回归公式；
基于回归数据集以及所述回归公式进行回归分析，并基于验证数据集进行模型验证；
基于层次分析法构建多层污秽闪络指标，确定污秽闪络数值模型，并对所述污秽闪络数值模型中的参数进行优化，得到训练好的绝缘子污染程度预测模型。
9.一种终端设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，且所述计算机程序被配置为由所述处理器执行，所述处理器执行所述计算机程序时实现如权利要求1至6中任意一项所述的绝缘子污染程度的预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，其中，所述计算机可读存储介质所在设备执行所述计算机程序时，实现如权利要求1至6中任意一项所述的绝缘子污染程度的预测方法。
CN202310508656.3A 2023-05-08 2023-05-08 一种绝缘子污染程度的预测方法、装置、设备及存储介质 Pending CN116579474A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310508656.3A CN116579474A (zh) 2023-05-08 2023-05-08 一种绝缘子污染程度的预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310508656.3A CN116579474A (zh) 2023-05-08 2023-05-08 一种绝缘子污染程度的预测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN116579474A true CN116579474A (zh) 2023-08-11

Family

ID=87542566

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310508656.3A Pending CN116579474A (zh) 2023-05-08 2023-05-08 一种绝缘子污染程度的预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116579474A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117368797A (zh) * 2023-11-17 2024-01-09 国网青海省电力公司海南供电公司 一种基于泄漏电流和efs的复合绝缘子闪络预警方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117368797A (zh) * 2023-11-17 2024-01-09 国网青海省电力公司海南供电公司 一种基于泄漏电流和efs的复合绝缘子闪络预警方法

Similar Documents

Publication Publication Date Title
Salem et al. Pollution flashover under different contamination profiles on high voltage insulator: Numerical and experiment investigation
Stefenon et al. Hybrid wavelet stacking ensemble model for insulators contamination forecasting
Stefenon et al. Wavelet group method of data handling for fault prediction in electrical power insulators
Stefenon et al. Echo state network applied for classification of medium voltage insulators
Salem et al. Risk assessment of polluted glass insulator using leakage current index under different operating conditions
Bian et al. Influence of aged conductor surface conditions on AC corona-generated audible noise with a corona cage
CN116579474A (zh) 一种绝缘子污染程度的预测方法、装置、设备及存储介质
Qiao et al. Application of grey theory in pollution prediction on insulator surface in power systems
CN104615811A (zh) 一种输电线路冰冻气象风险等级分布图测绘方法
Shu et al. Three‐dimensional electric field simulation and flashover path analysis of ice‐covered suspension insulators
Ahmed et al. Online condition monitoring and leakage current effect based on local area environment
Hu et al. DC flashover performance of ice‐covered insulators under complex ambient conditions
CN115951185A (zh) 绝缘子闪络检测方法、装置、电子设备及存储介质
Deb et al. Effect of humidity on leakage current of a contaminated 11 kV Porcelain Pin Insulator
Dadashizadeh Samakosh et al. Experimental‐based models for predicting the flashover voltage of polluted SiR insulators using leakage current characteristics
Banik et al. Studies the effect of Equivalent Salt Deposit Density on leakage current and flashover voltage of artificially contaminated disc insulators
Matthews The effect of weather on corona ion emission from AC high voltage power lines
de Santos et al. A machine learning approach for condition monitoring of high voltage insulators in polluted environments
El-Hag et al. Prediction of leakage current of non-ceramic insulators in early aging period
Abo-Elyousr et al. Evaluation of flashover voltage levels of contaminated hydrophobic polymer insulators using regression trees, neural networks, and adaptive neuro-fuzzy
Liu et al. Insulator fouling assessment model based on RBF neural network
Ahmad et al. Modeling of various meteorological effects on contamination level for suspension type of high voltage insulators using ANN
CN108896870A (zh) 工频和冲击联合作用下的输电线路故障识别方法
de Azevedo et al. Transient analysis of power transmission towers above lossy ground with frequency dependent electrical parameters considering the water content of soil
Ahmad et al. Estimation of salt contamination level on the high voltage insulators' surfaces during rainy season using artificial neural network

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