基于BP神經網絡的SF6在線監測裝置壓力預測方法研究

劉海鋒許 健胡偉濤劉子豪史曉龍

(國網河北省電力有限公司檢修分公司,河北 石家莊 050070)

0 引言

SF6氣體由于具有良好的電氣絕緣性能以及優異的滅弧能力被廣泛應用于SF6斷路器、封閉式組合電器(GIS)等設備中。在設備運行過程中,SF6氣體密度是決定斷路器滅弧和絕緣能力的重要因素之一,可通過SF6密度繼電器讀取相應設備的SF6壓力,或通過加裝SF6在線監測裝置來實現對SF6壓力的實時跟蹤和記錄。

受外部自然環境和內部導體電流等因素的影響,上述2種裝置所示的SF6壓力數據存在非線性的波動,若顯示的SF6壓力低于預設值,系統將會誤發報警或閉鎖信號,影響設備正常運行。因此,有必要對設備SF6壓力變化規律進行研究和預測,從而分析判斷某時刻設備SF6壓力變化是否為正常現象,提升設備運行的可靠性。

文獻[1]針對一起SF6瓷柱式斷路器SF6氣壓低報警事件進行研究,指出需要保證SF6密度繼電器與主氣室所處環境一致或接近,密度繼電器的補償功能才會正確實現；文獻[2]通過對1臺220 k V斷路器誤發SF6氣體壓力低報警信號原因的分析,提出采取感溫包的方法使密度繼電器能夠感知斷路器本體所處環境溫度,從而避免誤發壓力閉鎖信號；文獻[3]研究了冬季嚴寒地區由于SF6液化造成的斷路器閉鎖問題,并通過采取對斷路器進行臨時加熱的方法進行解決；文獻[4]總結了各種類型SF6密度控制器的結構特點,定性分析了溫度補償方式、海拔、電氣設備溫升及表計漏油等因素對氣體準確監測產生的影響,并結合產品設計、運行維護提出了相關的注意事項；文獻[5]研究了減少SF6在線監測裝置測量誤差的補償方法,并用試驗數據進行了驗證。現有的研究主要從SF6壓力變化的定性判斷和減小測量誤差等角度進行,缺乏針對實際運行的SF6氣室壓力變化的定量分析和預測。

本文主要研究基于BP神經網絡的SF6在線監測裝置壓力預測方法,選取1 000 k V GIS設備某型號SF6在線監測裝置壓力為研究對象,分析外部自然環境和內部電流等因素對SF6壓力變化的影響,建立BP神經網絡預測模型,對SF6壓力進行預測,提出了分析GIS設備壓力降低原因的判別策略,為監測設備運行狀態和鑒別壓力降低原因提供參考。

1 SF6密度監測裝置

現有的SF6密度監測裝置主要有SF6密度繼電器和SF6在線監測裝置2種,分別采用不同的溫度補償方式。

SF6溫度補償原理[6]如下:高壓電氣設備內的SF6氣體密封在固定容器中,在20℃時額定壓力下具有一定的密度,在設備不漏氣的情況下,氣體壓力隨溫度變化而變化,但其密度始終不變。為了有效監測是否漏氣,將所測得的實時壓力轉換為20℃時對應的壓力,此轉換后的壓力可作為SF6氣體密度,其實質是用20℃時的氣體壓力表示固定容積內氣體含量。

1.1 SF6密度繼電器

目前,高壓變電站中所使用的SF6氣體密度繼電器以機械指針式居多。指針式SF6密度繼電器通過表盤內雙金屬片的膨脹和收縮來實現溫度補償[7]。由于表盤體積較小,雖密度繼電器與設備處于同一環境溫度下,但其表盤溫度變化速度遠高于本體,此外,日曬輻射變化對表盤溫度的影響也不可忽視。該類型裝置的壓力數據需要人工讀取,數據精度低,且數據不易連續采集,可用于長期數據記錄和對比,不適合用于短期的預測分析。

1.2 SF6密度在線監測裝置

隨著智能監測技術的發展,數據精度高、具備實時監測和數據記錄功能的SF6在線監測裝置在超特高壓變電設備的應用越來越普遍。

SF6在線監測裝置通常由信號采集、數據處理和通信、顯示幾部分構成。信號采集模塊主要由壓力傳感器、溫度傳感器或密度傳感器構成,各類傳感器通常安裝于斷路器或組合電器罐體外延的三通閥口處。數據處理單元根據采集到的物理量,通過SF6氣態方程求得20℃時的SF6氣體壓力。常用的氣體方程[6]如式(1)－(3):

式中:P為SF6壓 力；ρ為SF6密 度；T為 環 境 溫度。結合公式(1)—(3),可以求得壓力P與密度ρ的關系如公式(4):

若探測器測得物理量為ρ,則可把測得的ρ和T=293.2 K(20℃)代入式(4),就能得到20℃時的GIS氣室壓力值P20；若探測器測得物理量為P和T,則需要根據公式(1)－(3)進行迭代計算,求得對應溫度的氣體密度,再把ρ和T=293.2 K(20℃)代入式(4),就能得到換算到20℃時的GIS設備的壓力值。

理論上,溫度補償能夠抵消外界環境溫度變化對SF6壓力變化的影響,即正常狀態下,在線監測后臺顯示的壓力曲線應為一條直線。實際上,由于在線監測裝置的傳感器安裝位置位于罐體外延的三通閥口,雖然傳感器在罐體內部,但是其采集的壓力或密度等物理量為罐體內部三通閥接口處數據,該局部位置的壓力或密度受到所處位置溫度變化的影響較大,即便經過氣體方程轉換后得到的數據,也不是近似水平的曲線,而是呈現一定的波動規律,尤其在春秋季節溫差大或天氣情況劇烈變化的時段存在較大波動。

某特高壓變電站GIS設備典型的SF6在線監測數據如圖1所示。由于在線監測裝置壓力數據采樣間隔連續,數據精度高,且呈現一定的波動規律性,適合用來進行預測分析。

圖1 GIS斷路器在線監測裝置典型SF6壓力曲線

2 SF6壓力變化的影響因素分析

基于上述分析,由于SF6在線監測裝置傳感器安裝于GIS設備外殼的三通閥接口處,其采樣點所處位置局部溫度變化將影響傳感器測量結果。本文從影響該采樣點所處位置溫度變化的內部和外部因素入手,研究各因素對SF6在線監測裝置壓力變化的影響,分析過程如圖2所示。

圖2 SF6壓力變化的影響因素分析

2.1 外部因素

外部環境對SF6在線監測裝置傳感器采樣點所處位置溫度的影響較為直接,如陽光暴曬、多云霧雨或溫度劇烈變化情況等。因此,本文首先分析環境溫度、相對濕度和天氣類型等因素對在線監測裝置SF6壓力測量結果的影響。

a.環境溫度。環境溫度的高低直接影響采樣點溫度,進而影響在線監測裝置傳感器測量結果,因此,首先選取環境溫度作為影響因素進行分析,用符號T表示。

b.相對濕度。相對濕度指空氣中水汽壓與飽和水汽壓的百分比,用符號RH表示。不同濕度下物體局部溫度變化情況存在差異,即濕度影響傳感器所處位置溫度變化,因此選取相對濕度為影響SF6壓力的因素。

c.風速。風速是指空氣的流動速度,用符號F表示。考慮到風速大小對局部罐體溫度變化的影響,本文也將風速作為影響SF6在線監測裝置壓力變化的因素之一進行研究。

d.天氣類型。由于不同天氣類型(陰晴雨雪)下傳感器所處位置接受輻射程度不同,進而對傳感器溫度采樣效果產生影響,本文將天氣類型作為影響SF6在線監測裝置壓力變化的因素之一進行研究。為進行量化分析,對天氣類型處理采取模糊集理論方法[8],利用模糊函數表示天氣的特征值,各天氣特征值隸屬度用符號X表示,各天氣特征值見表1。

表1 天氣特征值隸屬度

e.溫度變化率。本文所述溫度變化率,是指單位時間間隔內溫度變化,由于溫度變化劇烈程度對傳感器溫度采樣值影響同樣不可忽視,因此,本文單獨把環境溫度變化情況作為影響因素進行分析,用符號Δθ表示,計算公式如下:

式中:T1為當前采樣時刻溫度值；T0為上一采樣時刻溫度值；t為采樣時間間隔,min。

2.2 內部因素

文獻[4]指出電氣設備內部導體通過電流產生溫升,從而引起GIS氣室內部溫度升高(運行溫升可達65 K),進而對SF6在線監測裝置傳感器所處位置的溫度產生影響。因此,本文選取GIS設備內部導體電流大小作為SF6壓力變化的影響因素,用符號I表示。

2.3 相關性分析

為了計算各影響因素對SF6壓力變化的影響程度,本文選取某特高壓變電站內運行設備的典型季節在線監測壓力數值和對應外部自然環境數據及內部導體電流數據進行相關性計算。數據采樣間隔為15 min,共計1 800組,部分樣本數據情況見表2。

表2 部分樣本數據

得到各影響因素與SF6在線監測壓力值的相關性結果如圖3所示。

圖3 相關性計算結果

在實際應用中,若求得的模糊相關系數在某一較小范圍內,比如包含在[－0.1,0.1]之間,則可認為該相關性較弱,可以不予考慮[9]。本文選取的6種影響因素與壓力的相關系數絕對值均大于0.1,可以認為本文提出的6種影響因素與SF6在線監測裝置的壓力存在相關性。

其中,環境溫度T、導體電流I與SF6在線監測壓力P相關系數的絕對值均超過0.5,且符號為負,因此,環境溫度T和導體電流I與壓力P為顯著負相關關系。這是因為根據公式(4),當在線監測裝置傳感器處溫度T變化時,SF6在線監測壓力P與溫度T之間為負相關(測得的SF6氣體密度在6.088 kg/m3附近波動,可將該密度值代入相關公式計算得到P與T關系)。溫度變化率Δθ和P為實相關,其余影響因素與P為微相關。

3 BP神經網絡算法

BP神經網絡[10]是人工神經網絡中使用最為廣泛的一種,也叫誤差反向傳播網絡,具有學習能力強、非線性映射能力好、容錯性好等優點。在算法運行過程中,信息向前行進而誤差反向傳播進而修正網絡。該網絡的算法核心為一階梯度法(最速下降法),通過優化層與層之間的連接權值,使神經網絡實際輸出值與理想輸出值之間的誤差平方和最小。

典型的BP神經網絡由輸入層、隱含層及輸出層組成,其網絡模型如圖4所示。X為網絡的輸入層,網絡節點數量為N,w i,j為輸入層與隱含層連接權值,b j為隱含層閾值,隱含層網絡節點數量為M,w j,k為隱含層與輸出層連接權值,b k為輸出層閾值,Y為網絡輸出層,節點數量為Q。

圖4 BP神經網絡拓撲結構

網絡中神經元輸出數學模型為

式中:u為神經元輸出；x為神經元輸入；w為權重值；b為該神經元閾值。

激勵函數若選取Sigmoid,則數學模型為

因此,得到隱含層第j個神經元輸出為

同理,可得輸出層第k個神經元輸出為

網絡訓練后的實際輸出值與期望值誤差為

式中:O k為第k個輸出樣本的期望值。

將各層輸出關系代入到誤差公式(10)中,可以得到誤差與各層之間權重的關系,按照誤差梯度下降的方向逐級調整各層級間權重,直至誤差E滿足要求。

4 基于BP神經網絡的SF6壓力預測和分析

4.1 數據選取及處理

本文選取的SF6壓力數據為某特高壓變電站正常運行的1 000 k V某間隔斷路器U相氣室在線監測裝置采集的典型季節壓力數據,對應時刻的斷路器內部電流數據來源于變電站內監控記錄。對應時刻的環境數據通過“中國氣象局”官網獲取。

所有數據的采樣間隔為15 min,數據總量共計1 800組,為提高收斂速度,使用mapminmax函數對各類數據進行歸一化處理,各變量取值范圍為[－1,1]。

4.2 BP神經網絡模型設計

本文采用3層拓撲結構BP神經網絡,網絡模型如圖5所示,輸入層節點為6個,即N=6,分別為影響SF6在線監測裝置壓力的環境溫度、相對濕度、天氣類型、風速、溫度變化率和導體電流；輸出層節點為M=1個。隱含層的傳遞函數設置為tansig,輸出層的傳遞函數設置為logsig,并設置訓練函數為trainlm,學習速率為0.1,目標精度為0.000 01。隱含層節點數量[11]根據經驗公式(11)進行選取。

圖5 網絡模型

式中:a為調節常數,取值1～10,經過多次訓練比較,最終確定本網絡隱含層節點為13個,即M=13。

4.3 BP神經網絡訓練與測試

本文使用MATLAB中的BP神經網絡工具箱進行仿真,選取樣本總量75%,即1 260組數據作為網絡的訓練樣本；選取樣本總量15%,即270組數據作為測試樣本；剩余15%,即270組數據用于驗證。迭代至第26次時,網絡預測結果達到最佳狀態,如圖6所示。回歸性分析如圖7所示。

圖6 BP網絡訓練結果

圖7 回歸性分析

通過回歸分析可以看出,仿真得到的BP神經網絡訓練、驗證和測試情況較好,總體數據的R值約為0.94。所得BP神經網絡整體預測誤差(訓練數據、驗證和測試數據)情況如圖8所示,1 800組樣本的最大誤差值不超過±0.008 MPa,預測準確度在98.5%以上,預測結果精度較高,理論分析的正確性得到了驗證。

圖8 BP神經網絡整體預測誤差

BP神經網絡預測誤差的統計學Q-Q示意如圖9所示,該圖中大部分數據點趨近落在第1象限內的一條直線上,因此可近似認為SF6在線監測裝置壓力預測誤差服從正態分布。

圖9 正態分布Q-Q示意

該BP網絡的預測誤差分布直方圖如圖10所示。

圖10 預測誤差分布直方圖(×10－4)

預測誤差均值估計值為－5.53×10－6MPa,誤差均值95%置信區間為[－1.52×10－5,4.14×10－6]MPa。

將訓練得到的BP神經網絡模型用于仿真,得到結果如圖11所示,所得預測模型能夠較好地跟蹤實際的變化趨勢,對由于外部自然環境和內部電流變化引起的壓力波動進行有效預測。

圖11 BP神經網絡預測

4.4 預測應用

根據廠家提供的使用說明和運維人員運維實際,該型號SF6在線監測裝置在日常運行過程中,由于外界環境的變化造成SF6壓力誤報警情況時有發生[12]。這種缺陷發生時,運維人員往往無法通過在線監測數據判別壓力變化是由于氣室漏氣造成還是由于外界環境變化造成。

根據前文分析,本文建立的BP神經網絡模型預測得到的壓力誤差數據近似服從正態分布,且95%的置信區間內,誤差期望值為－5.53×10－6MPa,因此可以設置適當的誤差閾值P0,衡量測量誤差的有效性,進而對設備實際狀態進行準確分析。

根據對在線監測裝置實際壓力數據變化范圍的分析和設備本身記錄精度,可將預測誤差閾值P0設置為2×10－3MPa。當GIS設備氣室SF6壓力P低于報警值PW,發出“壓力低報警”信號時,設備運維人員可通過以下策略進行漏氣缺陷分析。

將由BP神經網絡預測所得結果P'與實際壓力值P進行比較。如果連續2 h內(15 min為1個采樣點,共8個采樣點)P'與P差值基本小于P0,則可以判定氣室壓力數據正常,氣室壓力變化為由外界環境變化引起,并非設備發生漏氣故障。若連續2 h內,P'與P差值基本大于P0,且P值隨著時間變化呈現下降趨勢,則可判斷為設備發生了漏氣。

對于不同類型、不同相別的GIS設備,可根據其自身外部環境和內部導體電流數據訓練合適的BP神經網絡進行壓力預測,并設定適當的壓力預測誤差閾值P0。當設備發生“氣壓低報警”信號時,可通過連續觀測預測結果P'與實際壓力P之間的差值關系對氣室SF6壓力降低進行原因鑒別。

5 結論

本文主要研究基于BP神經網絡的SF6在線監測裝置壓力預測方法,通過分析外部自然環境和內部導體電流等因素對SF6壓力變化的影響,建立BP神經網絡預測模型,對SF6在線監測裝置的壓力值進行預測,為監測設備正常運行提供數據參考。

選取某特高壓變電站GIS設備典型SF6在線監測裝置氣體壓力數據和對應的自然環境及導體電流數據進行仿真分析,結果表明:壓力預測值與真實值相比,預測準確度可達98.5%以上,驗證了本文預測模型的有效性。在此基礎上,提出了分析GIS設備SF6壓力降低原因的判別策略,為快速分析設備壓力降低原因,提升設備運行可靠性提供有力支撐。