TWM626860U - 礙子洩漏電流預測系統 - Google Patents

Abstract

一種礙子洩漏電流預測系統，用以預測設置於指定地點之待預測加壓中礙子之當前洩漏電流預估值。礙子洩漏電流預測系統包括儲存模組及處理模組。儲存模組儲存待預測加壓中礙子周圍之複數氣象資料。處理模組訊號連接儲存模組，處理模組將複數氣象資料處理為複數氣象參數，並依據複數氣象參數並使用長期短期記憶神經網路演算法訓練建立之洩漏電流預測模型運算出待預測加壓中礙子之當前洩漏電流預估值。

Description

礙子洩漏電流預測系統

本新型關於一種礙子洩漏電流預測系統，特別是一種使用長期短期記憶神經網路演算法訓練建立之洩漏電流預測模型運算並利用加壓中礙子周圍之氣象參數資料預測加壓中礙子之洩漏電流值之礙子洩漏電流預測系統。

台灣輸電線路之絕緣礙子長期暴露在外，電塔周圍之自然環境因素將導致絕緣礙子表面有污染物堆積，而這些污染物當中含有許多具導電性的物質。當輸電線路之絕緣礙子處在潮濕的環境時，絕緣礙子表面的污染物中具有導電性物質將逐漸溶於水中，使得絕緣礙子表面洩漏電流值增大，進而影響加壓中絕緣礙子的性能。為了維持加壓中絕緣礙子表面的清潔，每年耗費大量的人力與金錢指派線路維護人員定期到輸電線路現場使用強力水柱沖洗或布擦拭絕緣礙子表面來維護絕緣礙子的性能。目前輸電線路之絕緣礙子的維護方式多為週期性維護，並以夜間觀測絕緣礙子是否有不正常放電，若是有觀測到絕緣礙子有放電現象才進行必要性之維 護，故無法及時精準掌控輸電線路中各個礙子的絕緣情況，因此有改進之必要。

同時經長期研究發現，絕緣礙子周圍的自然環境條件，會影響輸電線路絕緣礙子之性能，而絕緣礙子性能好壞可透過礙子的洩漏電流值得知，洩漏電流值越高，代表礙子絕緣能力越差需要清洗或維護，因此若能用絕緣礙子周圍的自然環境資料，如：氣象資料預測當地絕緣礙子的性能，不但可降低人員定期巡視或夜間觀測的疏漏，同時可以避免僅對輸電線路中礙子進行定期維護，而忽略各地氣象差異或突然發生的極端氣候讓當地礙子性能非預期的降低，因此有必要提供一種根據當地氣象條件建立的礙子洩漏電流預測模型，來加強對於輸電線路之絕緣礙子維護的機動性與效率。

本新型之主要目的係在提供一種使用長期短期記憶神經網路演算法訓練建立之洩漏電流預測模型運算並利用加壓中礙子周圍之氣象參數資料預測加壓中礙子之洩漏電流值之礙子洩漏電流預測系統。

為達成上述之目的，本新型之礙子洩漏電流預測系統，用以預測設置於指定地點之待預測加壓中礙子之當前洩漏電流預估值。本新型之系統包括儲存模組及處理模組。儲存模組儲存待預測加壓中礙子周圍之複數氣象資料。處理模組訊號連接儲存模組，處理模組將複數氣象資料處理為複數氣象參數，並依據複數氣象參數並使用長期短期記憶神經網路演 算法訓練建立之洩漏電流預測模型運算出待預測加壓中礙子之當前洩漏電流預估值。

藉由本新型之礙子洩漏電流預測系統，維護人員可透過礙子狀態呈現介面得知加壓中礙子周遭即時之氣象資訊與預估洩漏電流值，將有助於維護人員即時掌握線路加壓中礙子的絕緣情況，不但可以防止線路加壓中礙子污染而造成線路跳脫事故發生，亦可減少維護人員出勤次數、減輕維護人員負擔，同時提升線路加壓中礙子之維護效率。

1:礙子洩漏電流預測系統

10:儲存模組

20:處理模組

30:預測狀態呈現模組

70:資料擷取系統

81:洩漏電流訓練資料

82:氣象訓練資料

821:氣象特徵訓練參數

90:氣象資料

800:維護人員

200:洩漏電流預測模型

230:計數器

40:傳輸模組

31、31a、31b:礙子狀態

700:維護中心

33:礙子編號

32、32a、32b:礙子狀態呈現介面

220、220a、220b:當前洩漏電流預估值

圖1係本新型之礙子洩漏電流預測系統之一實施例之硬體架構示意圖。

圖2係本新型之礙子洩漏電流預測結果之示意圖之一。

圖3係本新型之礙子洩漏電流預測結果之示意圖之二。

圖4係本新型之礙子洩漏電流預測結果之示意圖之三。

圖5係建立本新型之洩漏電流預測模型之步驟流程圖。

為能更瞭解本新型之技術內容，特舉較佳具體實施例說明如下。以下請一併參考圖1至圖4關於本新型之礙子洩漏電流預測系統之一實施例之使用硬體架構示意圖及礙子洩漏電流預測結果之示意圖。

如圖1所示，本新型之礙子洩漏電流預測系統1譬如是一台或數台電腦伺服器，其係用以預測設置於一指定地點之一待預測加壓中礙子 之一當前洩漏電流預估值220、220a、220b。本新型之礙子洩漏電流預測系統1包括儲存模組10、處理模組20、預測狀態呈現模組30及傳輸模組40，其中儲存模組10儲存經傳輸模組40接收由資料擷取系統70傳送之待預測加壓中礙子周圍之氣象資料90。在本實施例中，指定地點為彰濱工業區，氣象資料90指的是彰濱工業區內待預測加壓中礙子周圍每分鐘之溫度資料、相對溼度資料、風速資料、紫外線資料、氣壓資料或/及雨量資料。該些數據可由設置於彰濱工業區，預測加壓中礙子周圍之氣象觀測站(資料擷取系統70)取得該些氣象資料90(如表一所示)，並將該些氣象資料90傳送至礙子洩漏電流預測系統1。

處理模組20訊號連接儲存模組10，處理模組20將複數氣象資料90處理為複數氣象參數，並將複數氣象參數投入由長期短期記憶神經網路演算法訓練建立之一洩漏電流預測模型200以運算出待預測加壓中礙子之當前洩漏電流預估值。在本實施例中氣象參數包括溫度參數、相對溼度參數、風速參數、紫外線參數、氣壓參數、或/及雨量參數。在此須注意的是，如表一所示，氣象資料90為氣象觀測站測得知氣象原始數據，氣象參數(如表二所示)則是將該些氣象資料90進行如標準化(Normalize)與參數加權後，將氣象資料90轉為數值介於0至1之間的氣象參數，以便將氣象參 數輸入由長期短期記憶神經網路演算法訓練建立之一洩漏電流預測模型進行運算。

處理模組20將如表二所述之複數氣象參數投入由長期短期記憶神經網路演算法訓練建立之一洩漏電流預測模型200運算出如圖2至圖4所示之設置於彰濱工業區的待預測加壓中礙子之當前洩漏電流預估值220、220a、220b。因研究顯示，雨量對於礙子表面汙染物具有清洗效果，故針對雨量的變化，故本新型之洩漏電流預測模型200增設計數器230來模擬降雨後的狀態變化，當雨量參數累計超過一降雨量門檻(降雨量到達一定門檻)後，計數器230歸零。而在沒有降雨時汙染物會持續累積在礙子上，故在沒有降雨時，洩漏電流預測模型200之計數器230以線性等比例增加模式，來加強洩漏電流預測模型200對於待預測加壓中礙子實際汙染狀態的掌握能力。

預測狀態呈現模組30訊號連接該處理模組20，當於一時間區間內(30分鐘內)，待預測加壓中礙子之當前洩漏電流預估值220都低於一第一電流門檻值時，如圖2所示，預測狀態呈現模組30呈現時間區間內(30分鐘內)的當前洩漏電流預估值220，並標記待預測加壓中礙子之一礙子狀態31為正常。當待預測加壓中礙子之當前洩漏電流預估值220a高於第一電 流門檻值並小於一第二電流門檻值時，如圖3所示，預測狀態呈現模組30呈現於一時間區間內(30分鐘內)之當前洩漏電流預估值220a，並累計當前洩漏電流預估值220a高於第一電流門檻值的次數，若前述的累計次數超過一預設值，則預測狀態呈現模組30將加壓中礙子之礙子狀態31a標記為警戒，並於礙子狀態呈現介面32a中顯示當前洩電流預估值220a高於第一電流門檻值的次數。

當前洩漏電流預估值220b高於第二電流門檻值時，如圖4所示，預測狀態呈現模組30呈現於一時間區間內(30分鐘內)之當前洩漏電流預估值220b，並累計於時間區間(30分鐘內)內，當前洩漏電流預估值220b高於第二電流門檻值的次數是否超過預設值，若是，則預測狀態呈現模組30將礙子狀態31b標記為警告，並於礙子狀態呈現介面32b中顯示當前洩電流預估值220b高於第一電流門檻值的次數。在本實施例中，第二電流門檻值大於第一電流門檻值，第一電流門檻值設定為0.5mA，第二電流門檻值設定為1mA，時間區間為30分鐘。

具體來說，依據研究結果顯示，當礙子之洩漏電流超過1mA時，礙子即開始發生小型火花放電，故本新型將第一電流門檻值設定為0.5mA，第二電流門檻值設定為1mA，並依照洩漏電流預測模型200預估的當前洩漏電流預估值220、220a、220b，以30分鐘為時間區間，計算在時間區間(30分鐘)中待預測加壓中礙子之當前洩漏電流預估值220、220a、220b超過0.5mA與1mA的次數，而形成如圖2至圖4所示之礙子狀態呈現介面32、32a、32b供維護人員800參考。根據本新型之一具體實施例，預測狀態呈現模組30可以網頁方式將礙子狀態呈現介面32、32a、32b呈現於維 護中心700之顯示螢幕上，以供維護人員800隨時查看待預測加壓中礙子之當前洩漏電流預估值220、220a、220b，維護人員800可於礙子狀態轉為警戒(Danger)時，對該待預測加壓中礙子進行礙掃或其他維護工作。

本新型之礙子洩漏電流預測系統1礙子狀態呈現介面32、32a、32b可呈現的數據包括待預測加壓中礙子周遭之現場環境狀態、礙子編號33與其所在位置、及/或待預測加壓中礙子之汙損狀態。具體來說，預測加壓中礙子周遭之現場環境狀態可包括預測加壓中礙子周遭之包括氣壓、氣溫、相對濕度、風速、紫外線；礙子編號33與其所在位置可包含鐵塔所在位置、輸電線路、編號、電壓等級等資訊；待預測加壓中礙子之汙損狀態，礙子狀態包括正常、警戒與危險，並可以顏色區分，讓維護人員800一目了然待預測加壓中礙子狀態並可對處於警告狀態或警戒狀態礙子加強維護或巡視。

在本實施例中，儲存模組10可以為固定式或可移動式的非暫態的電腦可讀取儲存媒體，包括但不限於隨機存取記憶體(random access memory，RAM)、唯讀記憶體(read-only memory，ROM)、快閃記憶體、光碟、或其他類似元件、或上述元件的組合，處理模組20可例如但不限於一或多個中央處理單元(central processing unit，CPU)、微控制器(micro control unit,MCU)、數位訊號處理器(digital signal processor，DSP)、或其他具有信號處理、邏輯運算與電子裝置控制能力的電子元件或積體電路(IC)。處理模組20與儲存模組10電性連接以存取資料。傳輸模組40為符合例如乙太網絡、3G、Wi-Fi或4G LTE等傳輸模組。需注意的是，預測狀態呈現模組30除可配置為硬體裝置、軟體程式、韌體或其組合 外，亦可藉電路迴路或其他適當型式配置；並且一個較佳實施例是預測狀態呈現模組30為軟體程式儲存於記憶體上，藉由礙子洩漏電流預測系統1中的處理模組20執行預測狀態呈現模組30以達成本新型之功能。

以下請繼續參考圖1並一起參考圖5關於建立本新型之洩漏電流預測模型之步驟流程圖。如前述，本新型之礙子洩漏電流預測系統1所使用之洩漏電流預測模型200的建立方法，包括下列步驟：

步驟S1：取得設置於該指定地點之一測試礙子之複數洩漏電流訓練資料及該測試礙子周圍之複數氣象訓練資料。

本實施例之指定地點為彰濱工業區，測試礙子設於彰濱超高壓變電所之161kV長期加壓測試場。本實施例之使用之測試礙子為B-25形式礙子並塗抹矽油膏。此測試場於2016年6月建置完成後連續加壓送電，本實施例之測試礙子的形式為一串12只均塗抹矽油膏之絕緣礙子，其與接地間另裝設1只隔離礙子，並且在隔離礙子之前另行將礙子之洩漏電流引接出來，以便進行即時之礙子洩漏電流之量測，自2016年6月至2019年12月經30個月長期每分鐘蒐集1筆加壓中測試礙子洩漏電流及周遭環境氣象資料。在本實施例中，除洩漏電流量測設備之外，另於加壓測試場旁建置一套氣象資料蒐集系統(資料擷取系統70)以記錄當時之大氣環境資料，前述資料包括溫度資料、濕度資料、風向資料、風速資料、紫外線資料等氣象資料。

步驟S2：將該複數氣象訓練資料處理為複數氣象訓練參數。

前述之測試礙子洩漏電流及周遭環境氣象資料經過須初步的資料前處理並排除儀器故障所紀錄的錯誤量測資料，以確保輸入待訓練 模型之資料的準確性。由於模型預期要有連續的資料，但測試礙子洩漏電流及周遭環境氣象資料無可避免地會出現缺失資料，故本新型使用線性插值方式，補足有缺失的資料。此外為了避免產生過多經過插值的資料點，若測試礙子洩漏電流及周遭環境氣象資料斷點大於5分鐘，則丟棄該部分的資料。並刪除量測過程中不合理的資料，其中不合理的資料包括感應器異常所造成的錯誤數據，如空氣中的濕度不可能為0，數據中卻包含濕度為0的資料。對於此類資料，若是在5分鐘內的短期異常，即忽略該數值，並採用線性插值方式補齊資料，若異常時間過長，則不進行內插，而將資料截斷為兩個獨立的片段，並丟棄連續時間長度小於一小時的片段。由於30個月內蒐集的測試礙子洩漏電流及周遭環境氣象資料的各資料數值間的大小差異很大(如：氣溫35℃，紫外線4)，故在進行模型訓練前，會先對的測試礙子洩漏電流及周遭環境氣象資料包括之各項數值進行min-max標準化(Normalize)到0與1之間(如公式1所示)，以避免特定屬性數值區間過大對於模型訓練結果造成不良影響。

步驟S3：將該複數氣象訓練參數與該複數洩漏電流訓練資料分為一訓練資料集與一測試資料集。

將步驟S2整理好的資料集分為訓練資料(Training Set)與測試資料(Testing Set)。將訓練資料的部分輸入長期短期記憶神經網路(Long Short-Term Memory Neural Network,LSTM)以進行洩漏電流預測模型200的建立與訓練。

步驟S4：將訓練資料集訓練投入長期短期記憶神經網路並利用測試資料集驗證該長期短期記憶神經網路之運算結果以形成洩漏電流預測模型。

長期短期記憶神經網路(Long Short-Term Memory Neural Network,LSTM)是一種循環神經網路，適合處理數據分類以及時間數據預測問題。此神經網路之神經元狀態主要利用三個閘控機制進行控制，分別為(Input Gate)、過濾閘(Forget Gate)及輸出閘(Output Gate)，而藉由此控制架構，神經網路在傳遞神經元資料的過程中，得以將更早之前的預測數據加以保留，並將不重要資訊予於刪除，以強化整體學習效果。經過誤差反向傳播(Backpropagation,BP)修正各輸入氣象特徵訓練參數的權重，反覆的演算、重覆訓練並調整LSTM訓練資料的參數與權重(units、Dropout等)建立最佳輸出結果之洩漏電流預測模型200，以供礙子洩漏電流預測系統1根據待預測加壓中礙子周圍之氣象資料90即可運算出待預測加壓中礙子之當前洩漏電流預估值。

藉由本新型之礙子洩漏電流預測系統1，維護人員800可透過礙子狀態呈現介面32、32a、32b得知加壓中礙子周遭即時之預估洩漏電流值，將有助於維護人員800即時掌握輸電線路加壓中礙子的絕緣情況，不但可以防止輸電線路加壓中礙子污染而造成線路跳脫事故發生，亦可減少維護人員800出勤次數、減輕維護人員負擔，同時提升線路加壓中礙子之維護效率。

應注意的是，上述諸多實施例僅係為了便於說明而舉例而已，本新型所主張之權利範圍自應以申請專利範圍所述為準，而非僅限於上述實施例。

1:礙子洩漏電流預測系統

10:儲存模組

20:處理模組

30:預測狀態呈現模組

70:資料擷取系統

90:氣象資料

200:洩漏電流預測模型

230:計數器

40:傳輸模組

800:維護人員

220、220a、220b:當前洩漏電流預估值

31:礙子狀態

700:維護中心

Claims (10)

1. 一種礙子洩漏電流預測系統，用以預測設置於一指定地點之一待預測加壓中礙子之一當前洩漏電流預估值，該系統包括：一儲存模組，用於儲存該待預測加壓中礙子周圍之複數氣象資料；一處理模組，訊號連接該儲存模組，該處理模組將該複數氣象資料處理為複數氣象參數，並將該複數氣象參數投入由長期短期記憶神經網路演算法訓練建立之一洩漏電流預測模型運算出該待預測加壓中礙子之該當前洩漏電流預估值。
2. 如請求項1所述之礙子洩漏電流預測系統，其中該複數氣象參數包括一溫度參數、一相對溼度參數、一風速參數、一紫外線參數、一氣壓參數、或/及一雨量參數。
3. 如請求項2所述之礙子洩漏電流預測系統，其中該洩漏電流預測模型包括一計數器，其中當該雨量參數累計超過一降雨量門檻後，該計數器歸零。
4. 如請求項1所述之礙子洩漏電流預測系統，更包括一預測狀態呈現模組，其係訊號連接該處理模組，若當前洩漏電流預估值小於一第一電流門檻值，則該預測狀態呈現模組標記該待預測加壓中礙子之一礙子狀態為正常。
5. 如請求項4所述之礙子洩漏電流預測系統，若該當前洩漏電流預估值高於該第一電流門檻值並小於一第二電流門檻值，則該預測狀態呈現模組呈現並累計於一時間區間內，該當前洩漏電流預估值高於該第 一電流門檻值的次數，若該次數超過一預設值，該預測狀態呈現模組30將該礙子狀態標記為警戒。
6. 如請求項5所述之礙子洩漏電流預測系統，其中當前洩漏電流預估值高於該第二電流門檻值時，則該預測狀態呈現模組呈現並累計於該時間區間內，該當前洩漏電流預估值高於該第二電流門檻值的次數是否超過該預設值，若是，則該預測狀態呈現模組將該礙子狀態標記為警告。
7. 如請求項6所述之礙子洩漏電流預測系統，其中該第二電流門檻值大於該第一電流門檻值，該時間區間為30分鐘。
8. 如請求項1所述之礙子洩漏電流預測系統，其中該洩漏電流預測模型之建立方法包括下列步驟：取得設置於該指定地點之一測試礙子之複數洩漏電流訓練資料及該測試礙子周圍之複數氣象訓練資料；將該複數氣象訓練資料處理為複數氣象特練參數；將該複數氣象訓練參數與該複數洩漏電流訓練資料分為一訓練資料集與一測試資料集；以及將該訓練資料集訓練投入該長期短期記憶神經網路(Long Short-Term Memory Neural Network，LSTM)並利用該測試資料集驗證該長期短期記憶神經網路之運算結果以形成該洩漏電流預測模型。
9. 如請求項8所述之礙子洩漏電流預測系統，其中該複數氣象訓練參數包括一溫度參數、一相對溼度參數、一風速參數、一紫外線參數、一氣壓參數、或/及一雨量參數。
10. 如請求項8所述之礙子洩漏電流預測系統，其中係藉由一資料擷取系統每分鐘蒐集該加壓中礙子之一洩漏電流資料及該加壓中礙子周圍之複數氣象訓練資料。

Images