變電站高壓電氣設備熱故障自動預警方法

摘 要：【目的】變電站高壓電氣設備的工作環境復雜多變，設備的熱狀態受到多種因素影響，容易產生熱故障。傳統的預警方法往往難以綜合考慮這些因素，導致預警精度較低。針對上述問題，提出了變電站高壓電氣設備熱故障自動預警方法?！痉椒ā渴紫龋ㄟ^實時收集設備運行過程中的溫度數據，掌握設備的運行狀況；其次，根據這些數據設置設備故障判別指標，判斷設備是否出現熱故障的征兆；最后，基于所設置的故障判別指標，建立故障預警模型，訓練模型以實現故障的自動預警?！窘Y果】實驗結果表明，該方法能夠綜合考慮影響電氣設備的各種因素，決定系數達到了0.947，擬合效果較好，預警精度較高?！窘Y論】該方法的應用，能夠進一步提高電氣設備熱故障的檢測和預警效率，降低潛在的設備事故風險，保證電力系統的安全穩定運行。

關鍵詞：變電站；高壓電氣設備；熱故障；自動預警

中圖分類號：TM274 文獻標志碼：A 文章編號：1003-5168（2024）16-0008-05

DOI：10.19968/j.cnki.hnkj.1003-5168.2024.16.002

Automatic Warning Method for Thermal Faults of High-Voltage Electrical Equipment in Substations

LIU Wuling

（China Enfi Engineering Technology Co.， Ltd.，Beijing 100038，China）

Abstract：[Purposes] Because the working environment of high-voltage electrical equipment in substation is complex and changeable， the thermal state of the equipment is affected by many factors， which are easy to cause thermal failure. Traditional early warning methods are often difficult to comprehensively consider these factors， resulting in low early warning accuracy. Therefore， in view of the above problems， an automatic early warning method for thermal faults of high-voltage electrical equipment in substations is proposed. [Methods] By collecting the temperature data in the running process of the equipment in real time， the running status of the equipment can be grasped， and according to these data， the identification index of equipment failure can be set to judge whether the equipment has signs of thermal failure. Based on the set fault discrimination index， a fault early warning model is established and trained to realize automatic early warning of faults. [Findings] The experimental results show that this method can comprehensively consider various factors affecting electrical equipment， and the coefficient of determination reaches 0.947， which means the fitting effect is good and the early warning accuracy is high. [Conclusions] The application of the proposed method can further improve the efficiency of thermal fault detection and early warning of electrical equipment， reduce the potential risk of equipment accidents， and ensure the safe and stable operation of power system.

Keywords： substation; high voltage electrical equipment; thermal failure; automatic warning

0 引言

隨著變電站規模的日益擴大，如何保證變電站的可靠、穩定運行成為關鍵問題。然而，受多種因素的影響，高壓電氣設備在運行過程中可能會出現熱故障，不僅會影響設備的正常運行，而且可能引發安全事故。因此，對高壓電氣設備熱故障進行預警是十分必要的。在變電站高壓電氣設備中，熱故障通常是由于設備長期運行、老化、接觸不良等原因引起的。傳統的溫度監測方法需要人工進行監測，不僅效率低下，而且難以保證監測的實時性和準確性［1］。因此，本研究提出了一種變電站高壓電氣設備熱故障自動預警方法，以便及時發現熱故障并進行預警，保障電網的安全、穩定運行。

1 監測變電站高壓電氣設備溫度

監測模塊主要由4個模塊組成：FBG傳感器、光纖傳輸、光電轉換和解調。首先，光纖FBG光柵傳感器利用反射隨溫度變化的窄帶光，將溫度信息編碼為光信號；其次，光電轉換和解調模塊則負責將光信號轉換為電信號，以便進一步處理和分析［2］；最后，通過計算機軟件對電信號進行決策分析判斷，從而得到高壓電氣設備測量點的溫度變化情況。監測模塊構造如圖1所示。

2 設置設備故障判別指標

當前，在變電站電氣設備監測領域中，對于故障判斷的研究正呈現出多元化和前沿化的趨勢。眾多專家、學者結合神經網絡、支持向量機、模糊推理及專家系統等先進的方法，針對設備故障前的數據信號進行深度挖掘。其中，設備溫度數據、環境溫度數據及設備硬件數據成為研究的重點。這些數據與各種常見故障之間存在著密切的聯系，為提前預警和故障預防提供了可能。而本研究通過對溫度預測值的細致分析，來預判設備可能發生的故障。

為了更科學地運用溫度數據對設備故障進行準確的判斷，本研究特別選取了溫升、溫差和相對溫差這3個關鍵指標［3］。其中，相對溫差的表達見式（1）。

[δ=t1-t2t1-t0×100%=Δt1-Δt2Δt1×100%] （1）

式中：[t1]、[t2]為兩個測量點溫度，且[t1]的溫度較高；[t0]為變電站內實際環境溫度；[Δt1]、[Δt2]為[t1]、[t2]兩個測量點的溫升［4］。

在變電站的設備監測過程中，相對溫差以環境參照溫度為基礎，間接地體現了接觸電阻的相關偏差。同時，設備的溫升與電流負荷的有效值的n次方成正比。因此，整體設備的溫升見式（2）。

[Δ t=aRIn] （2）

式中：[a]為設備散熱系數；[R]為設備有效電阻值；[In]為電流負荷有效值。

將式（2）代入式（1）中，可以得到式（3）。

[δ=a1R1In1-a2R2In2a1R1In1≈R1-R2R1] （3）

式中：[a1]、[a2]分別為[t1]、[t2]兩個測量點的設備散熱系數；[R1]、[R2]分別為[t1]、[t2]兩個測量點的設備有效電阻值；[In1]、[In2]分別為[t1]、[t2]兩個測量點的電流負荷有效值。

在變電站的設備監測過程中，為了更快速地判斷設備的電阻狀態，本研究通過溫度這一直觀的參數來進行粗略的評估。當設備的各個測溫點的電流情況大致相同時，本研究假設[I1=I2]。同時，由于單一設備的絕緣材料的散熱系數相近，本研究認為[a1≈a2]［5］。

3 建立故障預警模型

假定輸入層的神經元數目是[n]，隱含層的神經元數目是[m]，輸出層的神經元數目是[k]［6-7］，則式（4）成立。

[m=2n+1m=n+k+am=（0.43nk+0.12k2+2.54n+0.77k+0.35）+0.51] （4）

在神經網絡的結構設計中，本研究最終確定的參數配置如下：輸入層包含負荷電流和環境溫度兩個變量，輸出層則是預測溫度。隱含層數被設定為1，而隱含層節點數則為5。在神經網絡結構設計完成后，利用樣本數據來建立模型，并利用神經網絡進行自主學習。當預測值與預期值之間的偏差不能達到預期的精度時，可適當地調節神經網絡的權重及門限值，使其達到預期的精度。BP神經網絡流程如圖2所示。

將預測值與真實值進行比較，如果誤差滿足預測精度要求且網絡泛化能力良好，則表明訓練的神經網絡可以用于完成溫度預測任務。這一過程確保了神經網絡的準確性和可靠性，為后續的故障預警和維護提供了有力支持。

4 訓練模型實現故障自動預警

在載流導線的熱量平衡關系中，研究內容可分為5個部分。分別為由電阻損失引起的熱功率[Pj]、吸收的太陽能輻射功率[Pa]、對流散熱功率[Ph]、輻射散熱功率[Pr]及僅與相鄰位置的傳導功率[Pc]。這些部分之間通過復雜的相互作用，共同決定了導體的溫升狀態，相互之間的關系見式（5）。

[Pj+Pa=Ph+Pr+Pc] （5）

在電氣開關柜這種密閉環境中，由于太陽輻射在封閉的環境中難以穿透，對導體的熱量產生影響微乎其微，因此導體吸收的太陽輻射功率忽略不計。但導體的熱量主要來源于載流導體損耗產生的熱功率[Pj]，這一熱功率與電流I的平方成正比。具體關系見式（6）。

[Pj=KfI2R] （6）

附加損失因子[Kf]和電阻[R]是兩個關鍵參數。[Kf]表示在交流回路中，考慮到相鄰效應與趨膚效應時，電阻增加的系數。趨膚效應是指在交流電流通過導體時，電流會在導體表面集中，導致導體中心區域的電流減少。對于多股絞合股，附加損失因子[Kf]典型值為1。

電氣設備的散熱是一個復雜的過程，涉及對流、輻射和傳導。本研究根據牛頓的對流散熱理論、斯蒂芬—玻爾茲曼的熱輻射理論和傅立葉的傳熱理論，并結合式（6）載流導體損耗產生的熱功率與電流[I]的平方成正比的關系，推導出當溫度穩定時，電氣設備熱平衡方程見式（7）。

[δεSτT4+aSaT+λSλdTdn=I2R+aSaT0+δεSτT40] （7）

式中：[T]為設備發熱部分的表面當前溫度；[T0]為設備表面初始溫度；[δ]為斯蒂芬—玻爾茲曼常數，是一個描述熱輻射的基本物理常數，與輻射換熱有關；[ε]、[a]、[λ]分別為發射率、對流換熱系數和導熱系數，分別反映了設備表面輻射熱量、與周圍流體進行對流換熱的能力及內部熱傳導的能力；設備的輻射面積[Sτ]、對流換熱面積[Sa]和熱傳導面積[Sλ]提供了設備散熱的三維尺寸信息，決定了設備散熱能力的強弱；[dTdn]為溫度梯度，描述了溫度在不同空間位置的變化情況。在傳熱過程中，溫度梯度決定了熱量傳遞的方向和速率，是熱量傳遞的基本驅動力。

由于式（7）是一個涉及多個變量的高次方程，求解過程相當復雜，導致定量分析溫升與導體阻值之間的準確函數關系變得極為困難。同時，考慮到接觸電阻的測量難度，為了簡化問題且更加有效地進行預警，本研究決定不直接采集接觸電阻的阻值。取而代之的是，利用傳感器采集負荷電流和環境溫度數據，這二者被視為影響溫升的主要因素。通過神經網絡模型，可以預測在正常情況下的設備溫度值。預警閾值的確定則采用相對溫差法，該方法有助于消除接觸電阻阻值對溫升的影響。通過比較實際測得的溫度與預測溫度之間的差異，判斷設備是否處于異常溫升狀態。部分溫差判據見表1。

由于溫升與導體阻值之間存在復雜的非線性關系，很難通過精確的數學公式來描述。為了解決這一問題，本研究利用BP神經網絡的優勢，建立了電氣設備熱故障診斷預警算法模型。模型通過傳感器實時采集電氣設備的環境溫度、負荷電流及設備監測點的實時溫度數據，并將這些數據上傳至PC端。在PC機上，可以實現傳感器的實時顯示與數據存儲。采集的數據經過處理后被當作訓練樣本，用于訓練溫度預測的BP神經網絡模型。訓練好的BP神經網絡則根據實時的負荷電流和環境溫度，計算出設備的正常溫度值。為了確定溫度預警閾值，本研究采用了相對溫差法。根據表1中的數據，按照相對溫差的公式對一般缺陷、嚴重缺陷和視同緊急缺陷的溫度預警閾值進行計算，并實時修正動態預警閾值。隨后，將動態報警值與裝置的實際溫度進行對比，從而判斷出該裝置的工作狀況。電氣設備熱故障自動預警流程如圖3所示。

通過該預警算法，可以更加準確、高效地監測開關柜的溫度變化情況，及時發現潛在的熱故障風險，有助于減少設備故障的概率，提高設備的運行穩定性和可靠性。

5 實驗

5.1 實驗準備

為了驗證本研究所提的變電站高壓電氣設備熱故障自動預警方法的可行性，進行一系列的實驗。首先，選擇合適的傳感器，對變電站高壓電氣設備的關鍵部位進行溫度監測。通過實時采集設備的溫度數據，及時獲取設備的運行狀態和熱故障信息；其次，建立基于神經網絡的溫度預測模型。對采集的溫度數據進行學習和處理，根據設備的運行狀態和歷史數據，預測設備正常溫度值。通過與實際溫度進行對比，及時發現設備異常溫升情況；最后，采用相對溫差法來確定溫度預警閾值。根據設備正常運行時的溫度數據和環境溫度，計算出相對溫差值。根據相對溫差值的大小，判斷設備是否存在熱故障風險。開關柜溫度部分實驗數據見表2。

為了評估本研究所提方法的預警效果，需要對模型的預測能力進行全面而客觀的評價。由于各種性能評價方法各有側重，為了更準確地反映模型的預測性能，采用綜合評價體系來進行評價。綜合評價體系由模式確定系數[R2]、均方根誤差、平均絕對誤差及平均絕對百分數誤差這4個評價指標構成。這些指標從不同的角度對模型的預測效果進

行全面的考量，確保評價結果的準確性和可靠性。模式確定系數[R2]用于衡量模型擬合數據的好壞，其數值越接近于1，說明模型的擬合效果越好，預測精度越高。

5.2 實驗結果與分析

為了驗證本研究所提方法的優越性，將該方法與基于傳統統計方法及基于經驗模型方法進行對比，分別對變電站高壓電氣設備熱故障進行預警，預測對比結果如圖4所示。實驗結果見表3。

由表3可知，本研究所提方法的決定系數為0.947，基于傳統統計方法的決定系數為0.854，基于經驗模型的決定系數為0.912，結果表明本研究所提方法的模型的擬合效果好，具有較高的預測精度。相比之下，基于傳統統計方法和基于經驗模型方法在決定系數和某些評價指標上存在一定的差距，可能是因為這兩種方法在處理復雜和非線性的溫度變化時受到限制，無法充分捕捉和擬合數據中的復雜關系。綜上所述，本研究的預警方法在預測精度方面表現出色。在實際應用中，該模型能夠為設備運行和維護提供更有價值的預警信息，有助于提高設備運行的穩定性和可靠性，降低故障風險。

6 結語

本研究的預警方法能夠在溫度異常時自動預警，有效地預防了熱故障的發生。雖然該方法在實驗條件下取得了良好的效果，但在實際應用中仍可能面臨一些挑戰。例如，環境因素、設備運行狀態變化及設備種類多樣性等都可能影響溫度監測的準確性。此外，在未來還需要深入研究高壓電氣設備熱故障的根本原因，以實現從源頭上預防熱故障的發生。同時，隨著物聯網、大數據等技術的發展，望將這些技術應用于高壓電氣設備熱故障預警中，進一步提高預警的準確性和實時性。

參考文獻：

［1］張永偉，云再鵬，陳宏同.電氣設備振動故障實時監測預警方法［J］.自動化與儀表，2023，38（11）：21-24，83.

［2］魏岸若.基于數據驅動的電氣自動化設備運行故障預警研究［J］.電氣技術與經濟，2023（6）：71-74，89.

［3］崔兵，朱保國，薛啟航.淺析石油鉆井電氣設備漏電故障自動預警方法［J］.中國設備工程，2023（11）：139-141.

［4］潘偉偉.基于深度學習的建筑消防電氣設備故障智能預警系統研究［J］.中國新技術新產品，2023（10）：143-145.

［5］李建業.電氣設備熱故障智能診斷預警技術研究［J］.中國新技術新產品，2023（7）：18-20.

［6］李丹寧，鄭闖.一種模糊神經網絡的采煤機滾筒溫度實時故障預警方法［J］.煤炭科學技術，2021，49（S1）：161-166.

［7］喬福宇，馬良玉，馬永光.基于功率曲線分析與神經網絡的風電機組故障預警方法［J］.中國測試，2020，46（8）：44-50.