基于云計算的高壓輸電線路雷電流自動監測方法

王 偉，張軼夫，韓春城，王偉達

（國網吉林省電力有限公司超高壓公司，長春 130028）

0 引言

雷擊災害是影響區域高壓輸電線路安全運行的重要因素，也是高壓線路跳閘的主要原因。當高壓輸電線路遭到直接雷擊時，輸電線路中的流通電流通過被擊物體泄入電流，該電流被稱為雷電流。為了提高高壓輸電線路的運行安全，有必要對雷電流進行在線跟蹤監測。

目前發展較為成熟的雷電流監測方法主要有磁帶法、雷電定位系統等，磁帶監測法是根據雷電流經導線時產生的磁場來消除磁帶上的記錄，根據磁帶上被擦除的參考信號的長度，就可以計算出雷電流幅值，而對雷電定位的雷電檢測則是采用GPS獲取雷電點與探測站之間的時間之差，再根據時間的差異來確定閃電點的坐標，進而得出雷電流的監測結果[1]。然而在實際應用中，上述雷電流監測方法大部分都是在變電站內進行的，雷電波通過線路傳輸到變電站，會產生大量的電力損耗、耦合以及磁場干擾，使得雷電流監測結果并非實際數據，很難對輸電線路的防雷防護起到輔助的作用。

為了提高高壓輸電線路雷電流的監測性能，保證高壓輸電線路的防雷能力，在傳統監測方法的基礎上引入云計算技術，云計算技術是一種將計算任務分散到資源池中，滿足用戶的需求獲取計算能力、存儲空間的技術。將云計算技術應用到高壓輸電線路雷電流自動監測方法的優化設計工作中，以期能夠達到預期優化效果。

1 高壓輸電線路雷電流自動監測方法

1.1 構建高壓輸電線路等效模型

雷電災害能夠直接攻擊的高壓輸電線路結構為架空輸電線路，該類型線路由導線、絕緣子、變壓器、斷路器等設備組成，根據輸電線路的基本組成，構建相應的結構模型如圖1所示。

圖1 高壓輸電線路結構圖

圖1表示單相高壓輸電線路結構，通過多線路的并聯可以得出兩相線路以及三相線路的結構模型構建結果。圖1中參數C表示的是輸電線路電導，L和R分別對應的是電抗和電阻，Y的量化表達如式(1)所示：

式(1)中變量δi表示的是線路電納，γ和l分別為電阻系數和電抗系數。為了反映出高壓輸電線路的實際運行過程，需對線路中的各個參數進行計算，并將計算結果代入到高壓輸電線路結構中。高壓輸電線路的傳輸過程可以表示為：

式(2)中Uline為輸電線路電壓，ξ為輸電線路的傳播系數，該系數的計算如式(3)所示：

其中σi為輸電波阻抗，dline為輸電線路長度。由于輸電線路中各個相的傳輸線是互相耦合的，所以在矩陣中的各個單元均不為0。此時可以將傳輸線方程的矩陣轉換成對角陣，將矩陣方程分解成若干個單相傳輸線方程，得出矩陣傳輸線方程的求解結果[2]。將高壓輸電線路的結構和傳輸原理進行融合，得出高壓輸電線路等效模型的構建結果。

1.2 布設高壓輸電線路雷電流監測點

以構建的高壓輸電線路等效模型為基礎，在線路上每隔20m設置一個雷電流監測點，在輸電線路與接地節點之間設置多個測點，測點之間的間隔距離均為20m。高壓輸電線路雷電流的監測需要傳感器設備的支持，選擇的傳感器類型為羅氏線圈傳感器，并對傳感器的抗干擾性能進行優化[3]。高壓輸電線路電流傳感器的工作原理如圖2所示。

圖2 高壓輸電線路電流傳感器工作原理圖

圖2中L′0為羅氏線圈的自感，R′0和R′s分別為阻尼電阻和羅氏線圈內阻，其中R′0可以起到降低環境噪聲的作用，從而提高傳感器的抗干擾性，另外參數C′0為羅氏線圈的分布電容，傳感器的數據采集過程可以表示為：

式(4)中w表示的是輸入傳感器的電流數據采集信號。那么在羅氏線圈傳感器的工作頻率內，傳感器輸出結果與高壓輸電線路電流之間的關系如式(5)所示：

將式(4)的計算結果代入到式(5)中，即可得出電流傳感器的輸出結果。將優化設計的雷電流傳感器設備安裝在設置的測點位置上，完成高壓輸電線路雷電流監測點的布設工作。

1.3 利用云計算技術自動識別電流類型

監測點位置上采集的電流數據可能為正常電流，也可能為雷電流，為保證雷電流自動監測的精準度，利用云計算技術識別當前采集電流是否為雷電流。一般情況下，雷電具有電流源的性質，流經被擊物體的雷電流可以表示為：

式(6)中變量μthunder和μline分別對應的是雷電通道和被擊物體的波阻抗，Iline表示的是輸電線路未被雷擊時的運行電流值[4]。從高壓輸電線路管理數據庫中，利用云計算技術調取雷電流數據，作為電流類型的識別對比標準。圖3表示的利用云計算技術調取雷電流數據流程。

圖3 云計算技術下雷電流數據調取時序圖

調取的雷電流數據滿足式(7)表示的波形雙指數函數：

式(7)中A0為雷電流幅值，K0和Kn分別為雷電流波前和波后的衰減系數，?表示的是雷電流波形的校正系數，公式6的計算結果Iinstan(τ)表示的是τ時刻的雷電流瞬時值。利用式(8)計算傳感器實時采集輸電線路電流與雷電流標準特征之間的匹配度：

若式(7)的計算結果高于閾值 0?，證明當前測點位置上監測到的輸電線路電流為雷電流，否則認為當前線路電流為正常電流。

1.4 選擇高壓輸電線路雷電流監測指數

為反映出高壓輸電線路雷電流的實際情況，設置雷電流有效值、雷電流量、電流幅值以及振幅累積頻譜等作為具體的監測指數。其中電流有效值指的是輸電線路通過相同阻值的電阻在單位時間內平均電流的大小，計算如(9)所示：

式(9)中Tsampling為測點位置上傳感器設備設置的采樣周期，將雷電流的瞬時值求解結果代入到公式9中，即可得出雷電流有效值指數的計算結果[5]。另外電流量指的是單位時間內高壓輸電線路中產生雷電流的總量，電流幅值為指的是電流變化的最大值，上述兩個監測指標的計算如式(10)所示：

其中t為高壓輸電線路監測的總時長，Ag表示得是雷電波振幅。同理可以得出所有高壓輸電線路雷電流監測指數的量化計算結果。

1.5 實現高壓輸電線路雷電流自動監測

優化設計高壓輸電線路雷電流自動監測方法的最終監測結果以可視化的形式進行輸出，計算得出的雷電流指數數據為基礎，繪制雷電流監測波形圖，波形圖的繪制結果可以量化表示為：

式(11)中ηamplitude為雷擊相初始電流行波幅值與雷電流源幅值的比例系數。將監測到的所有高壓輸電線路雷電流數據輸入到公式11中，即可自動生成對應的監測波形。最終將包含各個測點監測數據與監測波形的結果通過硬件設備顯示，完成高壓輸電線路雷電流的自動監測工作。

2 監測性能測試實驗分析

以測試基于云計算的高壓輸電線路雷電流自動監測方法的監測性能為目的，選擇多個高壓輸電線路為研究對象，采用對比實驗的方式設計性能測試實驗，通過與傳統監測方法的對比，驗證優化設計方法的監測性能優勢。

2.1 搭建云計算平臺環境

由于優化設計的高壓輸電線路雷電流自動監測方法應用了云計算技術，為了保證該技術能夠在實驗過程中正常運行，需搭建云計算平臺。Spark作為一種快速、易用、通用、高效整合Hadoop優勢的輕型大數據處理平臺，Spark能夠兼容Hadoop架構，因此選擇Spark云計算平臺作為云計算技術的運行平臺。運用Spark進行狀態監測數據的分析過程中，需要從HDFS、Hbase等Hadoop分布式文件系統上獲取數據，因此在建立Spark集群時，首先要對Hadoop集群進行配置，再將Spark和它的相關組件安裝到Hadoop集群上。在實驗環境中，構建了由16個節點組成的Hadoop集群，標記每個節點的機器名和IP地址數據，同時配置一個Inteli3CPU@2.40GHz,64GB的存儲空間。Hadoop和HBase版本分別是2.6.5和1.4.1。將云計算平臺中的任意節點Master上的Hadoop文件夾拷貝到相應的slave節點，然后在Master節點上啟動Hadoop，由此測試Hadoop集群是否配置成功。

2.2 選擇高壓輸電線路監測對象

此次以某市的電力系統作為研究背景，選擇電壓值分別為220kV和500kV的輸電線路作為研究對象，其中220kV輸電線路長度為13626km，500kV輸電線路的長度為5250km。在初始狀態下，高壓輸電線路上的絕緣子為FXWP65010型號，也就是雙層傘形盤狀的復合材料懸式絕緣子，而輸電線材料選擇的是鋼線。據不完全統計，選擇的高壓輸電線路監測對象發生雷擊事故的頻率約為33起/年，具有較高的監測價值。將選擇的高壓輸電線路監測對象接入到相同的發電設備上，通過對發電設備運行參數的設置與控制，實現對輸電線路運行狀態的控制，并測得正常狀態下輸電線路的運行電流值，用來作為判定電流類型的比對標準。

2.3 安裝高壓輸電線路監測設備

高壓輸電線路雷電流自動監測方法要求能夠測量95%以上的雷電，因此需要將設計的電流傳感器設備安裝在高壓輸電線路中，該傳感器的最大雷電流測試幅值為150kA，最小電流電壓比為55000∶1。圖4表示的是高壓輸電線路上監測設備的安裝分布情況。

圖4 高壓輸電線路雷電流監測點布設圖

如果監測傳感器安裝在單相輸電線路上，測量的數據即為單相線路的雷電流。在雷擊發生時，兩根并排的電線之間必然會有一定的干擾，為降低其他線路的干擾，在傳感器的外側加裝一套傳感器防護罩。防護罩是由不銹鋼制成的單側開式方形，在隔熱支架的上部安裝有感應金屬片，并用螺釘和螺帽將隔離支架固定在防護罩的中部。將所有安裝的監測傳感器接入到云計算平臺中，保證實時監測到的電流數據數據能夠成功上傳到云端。

2.4 描述性能測試實驗過程

收集高壓輸電線路監測對象的雷擊事故數據，以此作為檢測雷電流數據監測精度的對比數據。設置雷電流的監測時間間隔為0.5s，連續監測時長為12h。同時啟動雷電流自動監測程序和云計算程序，得出雷擊災害下高壓輸電線路的雷電流監測結果，如圖5所示。

圖5 高壓輸電線路雷電流監測結果

為了體現雷電流自動監測方法在性能方面的優勢，設置傳統的基于暫態波形特征的雷電流自動監測方法作為實驗的對比方法，按照上述流程得出對比方法的雷電流監測結果。

2.5 設置監測性能量化測試指標

此次實驗分別從高壓輸電線路雷電流的監測精度和監測范圍兩個方面進行測試，設置雷電流量監測誤差和雷電流幅值監測誤差作為監測精度的量化測試指標，上述測試測試指標的數值結果如式(12)所示：

式(12)中變量Itotal,,monitor和Itotal,,actual分別表示雷電流量的監測值和實際值，而A0,monitor和A0,actual對應的是雷電流幅值的監測數據與實際數據。最終計算得出σtotal和σamplitude的值越小，說明監測結果越逼近輸電線路的真實情況，即監測方法的精度性能越優。另外監測范圍設置的量化測試指標為監測面積，其數值結果為：

式(13)中(x0,i,y0,i)和(xfar,i,yfar,i)對應的是第i個監測點及其能夠監測到最遠點的位置坐標，np為高壓輸電線路上設置的測點數量，φcoin為測點監測范圍之間的重合面積。最終計算得出φ指標的值越大，證明對應監測方法的監測范圍越大。

2.6 實驗結果分析

統計各個測點的雷電流數據監測結果與收集的標準數據進行比對，得出反映方法監測精度性能的測試結果，如表1所示。

表1 高壓輸電線路雷電流監測精度測試數據表

將表1中的數據代入式(12)中，計算得出傳統監測方法的平均雷電流量監測誤差和平均雷電流幅值監測誤差分別為3.04kA和2.69kA，而優化設計方法在雷電流量和雷電流幅值兩方面的平均監測誤差分別為0.18kA和0.21kA。另外兩種方法監測范圍的測試結果如圖6所示。

圖6 高壓輸電線路雷電流監測范圍測試結果

從圖6中可以直觀的看出，優化設計雷電流監測方法的監測范圍明顯大于傳統方法的監測范圍，通過公式13的計算可以得出兩種方法的監測范圍分別為800.84m2和2029.00m2。綜上所述，優化設計的基于云計算的高壓輸電線路雷電流自動監測方法在保證監測精度的同時，擴大了監測范圍。

3 結語

為了提高高壓輸電線路的防雷能力，降低雷電災害對線路產生的負面影響，設計并開發了高壓輸電線路雷電流自動監測方法，為高壓輸電線路的防雷管理提供有效的參考數據。通過云計算技術的應用，為輸電線路中電流類型的識別提供技術支持的同時，也加快了輸電線路雷電流監測數據的更新速度。而優化設計的監測方法需要多個電流傳感器接入到云計算環境中，運行成本較高，針對這一問題還需要在今后的研究工作中進一步優化。