基于RBF神經網絡的絕緣子污穢智能診斷

張恩鋒

(1.山東能源棗礦集團供電工程處，山東省棗莊市，277011；2.中國礦業大學，江蘇省徐州市，221008)

在輸電系統中，絕緣子是連接不同電位導電體的重要部件，其性能的好壞直接影響著電力系統的安全與穩定。由于在未來較長的一段時期內，煤炭發電仍占據我國的主導地位，大氣環境中飄浮的污穢顆粒被吸附在絕緣子表面，造成絕緣子表面的污穢程度增加，此時如果絕緣子污穢受潮，將使絕緣子的絕緣性能急劇惡化，從而使絕緣子發生故障，引發大面積停電事故。因此，對絕緣子進行智能診斷是保證電力系統安全運行的重要措施之一。

本文通過采用RBF神經網絡對絕緣子泄漏電流進行了分析，然后訓練神經網絡，最后搭建智能診斷模型并且進行驗證。模型搭建的目的是為了在事故來臨之前，采取必要的防護措施，對保障電力系統的安全穩定具有十分重要的意義。

1 絕緣子污穢智能診斷模型的結構設計

采用newrb函數創建RBF神經網絡，搭建了絕緣子污穢度預測模型。絕緣子污穢度預測模型搭建的過程如圖1所示。

在建立絕緣子污穢智能診斷模型的過程中，模型的結構采用五輸入一輸出的形式，如圖2所示。RBF神經網絡的輸入參數分別為相對濕度RH、溫度T、泄漏電流有效值Ⅰa、泄漏電流峰值Ⅰp和泄漏電流不同峰值區間的脈沖頻次fn，將這些參數作為評判絕緣子污穢程度的主要依據；網絡的輸出向量為等值鹽密ESDD，ESDD是一個對應于污穢程度的標準量。

圖1 絕緣子污穢程度預測建模流程圖

圖2 絕緣子RBF網絡污穢度預測模型的結構

為了定義絕緣子的污穢程度，結合具體的試驗環境、試驗數據、試驗現象以及相關文獻資料，將這兩個輸出劃分為4個等級。污穢程度以絕緣子表面的等值鹽密ESDD為依據，其4個等級定義為:當ESDD為區間[0，0.1]時，污穢等級為A＝[污穢程度正常或輕微]；當ESDD為區間 (0.1，0.2]時，污穢等級為B＝[污穢程度中等]；當ESDD為區間 (0.2，0.3]時，污穢等級為C＝[污穢程度嚴重]；當ESDD為區間 (0.3，0.4]時，污穢等級為D＝[污穢程度特別嚴重]。

2 絕緣子污穢度預測模型的搭建

2.1 選取RBF網絡訓練樣本

建立絕緣子污穢度預測模型要選取合適的神經網絡試驗數據樣本進行訓練。目前，普遍認為絕緣子的泄漏電流能在很大程度上反映絕緣子表面的污穢程度。此外在污穢度一定的情況下，絕緣子泄漏電流會隨著濕度、溫度的變化而變化。因此為了提高絕緣子污穢度預測模型的精確度，本文選取了東南大學500kV電壓等級下的試驗數據驗證利用RBF神經網絡建立絕緣子污穢度預測模型的可行性。

2.2 訓練樣本參數的歸一化

樣本參數的變化范圍較大，不利于RBF神經網絡的訓練，于是需要將訓練樣本的參數進行歸一化處理。但是考慮神經網絡的輸出能直接反映出絕緣子的真實污穢度，所以ESDD在此不作歸一化處理，只對5類輸入參數進行歸一化處理。

(1)相對濕度歸一化。由相對濕度對絕緣子影響可知，在相對濕度RH低于50%時，絕緣子表面的泄漏電流較小，絕緣子放電現象不明顯；當相對濕度RH大于50%時，濕度對絕緣子污層的影響迅速增大，使絕緣子表面的泄漏電流快速增大，直至污層的濕度為85%，達到飽和。因此，選擇隸屬度函數S型函數 (sigmf)對相對濕度進行歸一化處理，相對濕度歸一化曲線如圖3所示。

圖3 相對濕度歸一化曲線

(2)溫度歸一化。溫度對絕緣子泄漏電流的影響相對較小，他是通過影響絕緣子污層的濕度間接影響絕緣子泄漏電流的。因此，溫度對絕緣子污穢度預測模型的作用與濕度相似，也采用隸屬度函數S型函數 (sigmf)。

(3)泄漏電流有效值歸一化。根據泄漏電流有效值與絕緣子鹽密的關系，用泄漏電流對數的指數形式的模糊函數對泄漏電流有效值進行歸一化，泄漏電流有效值歸一化曲線如圖4所示。

式中:a——常數，能夠反映模糊函數的收斂速度；

b——門檻電流，mA。

對于XP-7型絕緣子而言，兩個常量分別選取a＝1，b＝0.1mA。

圖4 泄漏電流歸一化曲線

(4)泄漏電流峰值歸一化。泄漏電流峰值點是絕緣子發生污閃的關鍵點，受各種因素的影響，泄漏電流的脈沖電流峰值具有隨機性，即使在輸入樣本參數相同的條件下，電流峰值也會不盡相同，但是會在某個范圍內波動。因此，本文采用分段隸屬度函數的形式將泄漏電流峰值歸一化，函數式如下:

(5)泄漏電流脈沖頻次歸一化。計算出幅值不同的泄漏電流峰值在特定的時間內產生的頻次ni，并用隸屬度分段函數分別賦予脈沖頻次不同的值。泄漏電流脈沖頻次的隸屬度函數式為:

2.3 RBF神經網絡模型的建立

本文采用newrb函數創建RBF神經網絡模型。

輸入向量:P＝[F(RH)，F(T)，F(Ⅰa)，F(Ⅰp)，F(fn)]T；

輸出向量:T＝ESDD。

此處，F(RH)、F(T)、F(Ⅰa)、F(Ⅰp)、F(fn)均是由相應參數歸一化后的數據組成的列向量。

建立網 絡:net＝newrb (P，T，GOAL，SPREAD)。

在創建網絡時，網絡會自動確定隱含層的節點數，使均方誤差GOAL和徑向基函數的擴展速度SPREAD達到設定的值。在RBF網絡的設計過程中，嘗試采用選取不同的 (GOAL，SPREAD)組合值，并最終找到一個最優值。

2.4 絕緣子污穢度預測模型的驗證

在模型建立后，需要驗證模型預測的精確性。在相同的條件下，選取訓練樣本之外的5組數據作為驗證樣本，如表1所示。

表1 污穢驗證樣本的原始數據

將驗證樣本中的5個輸入參數進行歸一化處理以后，利用建立好的絕緣子污穢度預測模型對驗證樣本進行仿真預測。RBF神經網絡的仿真函數為ty＝sim (net，P1)，其中P1為驗證樣本的輸入參數，ty為RBF神經網絡的仿真輸出結果。在仿真過程中，需要不斷地調整RBF神經網絡net＝ne-wrb(P，T，GOAL，SPREAD)中的 (GOAL，SPREAD)組合值。通過對幾組不同的 (GOAL，SPREAD)組合值進行預測驗證，發現當(GOAL，SPREAD)＝ (0.005，3.0)，可使網絡的預測達到最優。同時也驗證了RBF神經網絡應用于絕緣子污穢預測的可行性，并可以達到很好的效果。因此，本文的絕緣子污穢度預測模型采(GOAL，SPREAD)＝ (0.005，3.0)，此時驗證樣本的模型預測結果如表2所示。

表2 污穢驗證樣本的預測結果

3 結語

進行了預測模型的結構設計，并以泄漏電流的特征量為主參考量，結合絕緣子所處的溫度和濕度氣象因素，建立了基于RBF神經網絡的絕緣子污穢度預測模型，并對模型的預測應用進行驗證，最終表明預測模型可以使絕緣子的污穢程度實現很好的預測效果，具有一定的實用性，為電力系統的正常運行提供了有力保障。

[1]Gouda O E，Amer G M，Factors affecting the leakage current bursts of high voltage polluted insulators[C].IEEE Universities Power Engineering Conference，Taiwan，2004

[2]李璄延，姚陳果等.污穢絕緣子放電發展區段與污閃預警的研究[J].中國電機工程學報，2008(13)

[3]Ahmad S，Ghosh P S.Modeling of various meteorological effects on contamination level for suspension type of high voltage insulators using ANN[C].Transmission and distribution conference and exhibition 2002，Asia Pacific.IEEE／PES，2002

[4]楊慶，司馬文霞等.復雜環境條件下絕緣子閃絡電壓預測神經網絡模型的建立和應用[J].中國電機工程學報，2005(13)

[5]張寒，文習山，丁輝.用神經網絡預測基于氣象因素的絕緣子等值附鹽密度[J].高壓電器，2003(6)

[6]尉敏.基于模糊神經網絡的絕緣子狀態檢測新方法的研究[D].東南大學，2006

[7]張恩鋒，張浩.高壓STATCOM 無功補償與諧波治理裝置在礦井變電所的應用[J].中國煤炭，2012(5)

[8]戴云航，王志剛等.LXY-120絕緣子在不同濕度下泄漏電流特性的研究[J].華東電力，2006(9)

[9]毛穎科，關志成等.基于BP人工神經網絡的絕緣子泄漏電流預測[J].中國電機工程學報，2007(9)

[10]張重遠，黃彬等.懸式瓷制絕緣子泄漏電流與表面污穢的關系[J].高電壓技術，2008(4)

[11]張恩鋒.基于GPRS的電力鐵塔智能監測系統的設計[J].中國煤炭，2011 (5)