110 千伏穿墻套管末屏溫濕度測量及經驗量化分析系統的研發

摘要：隨著我國現代化程度的提高，電力需求和依賴程度迅速增長，用電負荷不斷增加，對供電可靠性的要求日益提升。在電網中，由于現場環境的污染程度限制，部分高壓設備需要安裝在室內，室內外高壓設備的連接需要大量的穿墻套管。目前，110千伏穿墻套管主要采用電容型套管。在生產實踐中發現，這類穿墻套管的末屏容易因受潮、局部放電等原因導致絕緣損壞。由于電容型套管數量龐大，傳統的末屏絕緣電阻和介質損耗等試驗需要停電，造成經濟損失。為了實時監測末屏所處環境，判斷絕緣狀態，研發了一套針對110千伏穿墻套管末屏的溫濕度測量裝置，并基于測量數據構建了經驗量化分析系統，通過挖掘數據特征實現對套管末屏的絕緣監督。最終試驗數據表明，溫濕度測量裝置能夠實時連續顯示套管末屏的溫濕度，經驗量化算法對數據的擬合程度達到誤差要求，系統可以為末屏絕緣狀態提供科學判據。

關鍵詞：110千伏；穿墻套管；末屏；溫濕度測量；在線監測；經驗量化分析系統

中圖分類號：TM761 文獻標識碼：A

文章編號：1009-3044（2025）05-0091-03 開放科學（資源服務） 標識碼（OSID） ：

1 課題背景

目前，電網公司所轄變電站已全面推廣無人值守。然而，對變電站內電氣設備的環境要素（包括溫度、濕度） 無法實現遠程監測。長期的雨天、水災、室內滲漏、電纜室積水，以及炎熱夏季封閉高壓室的溫濕度異常變化，都會導致電氣設備運行工況急劇惡化，影響對外供電，甚至造成設備和電纜等燒毀或爆炸。遠程監控通過電氣量遙測無法判斷現場故障情況[1]，而輔助視頻監控功能缺乏溫濕度和紅外測試功能，無法全面掌控變電站設備的運行狀況。這是當前監控系統存在的不足。

在例行試驗中發現某些交流330千伏變電站的110千伏出線穿墻套管末屏絕緣電阻較低[2]，介質損耗角正切值較大。打開末屏引出的小套管保護封蓋后，發現引出線的絕緣護套存在燒蝕痕跡，小套管內表面有腐蝕現象，懷疑是受潮導致的絕緣損壞，并伴隨發熱現象。因此，開展了110千伏穿墻套管末屏溫濕度測量及經驗量化分析系統的研發，以求及時發現缺陷，進行檢修處理。

針對交流330千伏變電站的110千伏穿墻套管末屏受潮發熱等問題，開展了110千伏穿墻套管末屏溫濕度測量及經驗量化分析系統的研發。該系統基于選型的硬件，設計了一套軟件系統，即經驗量化數據分析系統。

2 系統需求

2.1 安全生產需求

穿墻套管末屏受潮可通過濕度測量進行監測，而局部放電的長期積累會引起溫度異常升高，因此有必要同時測量末屏的溫度數據。基于上述需求，需要選型一套能夠在線監測穿墻套管末屏溫濕度數據的儀器，并設計一套故障監測計算系統。

2.2 儀器的選型需求

1） 數據上傳：采集套管末屏在正常運行、故障初期、故障發生和故障后的溫度和濕度數據，進行多點、多時段的采集[3]。

2） 邊緣計算報警：在底層單片機中，對采集的溫度和濕度信息進行比較和邏輯運算，設置溫度限值報警和溫度增長預測報警。

3） 數據分類存儲：數據首先在底層單片機中緩存，定期發送到上位機。上位機將數據存儲進數據庫。

4） 數據顯示：上位機在顯示屏上按照時間先后順序滾動顯示溫濕度數據，形成溫濕度曲線。

2.3 故障監測計算系統需求

1） 縱向分析：根據歷史溫濕度數據預測未來數據，并將預測數據與新測得的數據進行比對，發現數據異常差異。

2） 橫向分析：對同一時間節點、同類型套管的溫濕度數據進行聚類分析，找到異常數據。

3） 匯總分析：根據橫向和縱向分析結果，提取異常溫濕度數據，進行對比分析，設置控制邏輯圖，對應象限點即為當前穿墻套管的異常狀態分析結果。

4） 圖形展現：使用圖形方式展示分析結果，便于運維檢修人員判斷套管的異常狀態。

2.4 需求差異分析

由于電容型穿墻套管數量龐大，停電試驗需要大量的人力和物力支持，且無法實現在線監測。根據例行試驗結果判斷套管繼續運行的風險大小，特別依賴現場試驗人員的經驗。有經驗的師傅可以判斷出套管內部的損壞程度，而缺乏經驗的人員則難以對套管的整體健康狀態作出正確判斷。這種經驗差異為安全生產埋下隱患。

因此，需要一套軟件系統，智能融合量化經驗和各項試驗規程。通過穿墻套管的各項在線狀態數據，精準判斷其健康狀態[4]。

3 設定目標及目標可行性分析

3.1 溫濕度數據采集儀器的實現

經驗量化算法中縱向分析以及橫向分析的對比標準如圖1所示。

為實現溫濕度數據的準確采集，制定以下目標：RGB屏連續滾動顯示功能，完成度100%；SD卡數據記錄準確率，達到100%；底層預警功能，完成度100%。

實現手段：

1） 將變電站內的套管按照地理位置分區域，每個區域設置數據匯集模塊。區域內通信采用藍牙無線透傳，區域間傳輸則采用Wi-Fi透傳技術。

2） 在控制理論中，滯環控制報警系統可消除系統不穩定性。通過對離散量進行后向差分，可以判斷其變化趨勢。當任一報警達到規定值時，裝置將發出告警蜂鳴聲信號。

3） 上位機通過文件系統將數據存儲在SD卡中，并將溫濕度數據傳輸到RGB顯示屏。溫濕度數據曲線將滾動顯示，新增加的數據在右側顯示，之前的數據左移，最左側的數據被覆蓋，實現數據的實時更新。這樣不僅能觀測當前溫度，還能觀察之前一年的溫度變化趨勢，從而了解設備的運行狀態。

3.2 經驗量化分析系統的實現

3.2.1 縱向分析目標量化

選擇隱含層數，滿足數據統計指標：

1） MAE（平均絕對誤差） ＜0.005；

2） RMSE（均方根誤差） ＜0.02；

3） MAPE（平均絕對百分比誤差） ＜1%。

實現手段：采用Elman神經網絡預測算法[4]，根據歷史溫濕度數據預測未來數據，并與新測得的數據進行比對，分析問題。參考文獻[4]提出的基于Elman神經網絡的天然氣負荷預測模型，實現了高精度預測。

3.2.2 橫向分析目標量化

枚舉計算并尋優輪廓值，滿足精準度比例d%大于95%。

實現手段：

采用K-means聚類算法[5]，對同一時間節點、同類型套管的溫濕度數據進行聚類分析，尋找異常。參考文獻[5]提出的基于K-means聚類算法的用戶復雜用電特征挖掘方法，其精準度最高達到99%。

4 提出方案并確定最佳方案

4.1 溫濕度數據采集儀器

硬件組成包括以下部分：邊緣計算STC51單片機（STC公司生產的一種51單片機，兼容英特爾8051指令系統） ；DS18B20溫度采集模塊（一種由DALLAS半導體公司推出的數字溫度傳感器） ；DHT11濕度采集模塊（一款已校準數字信號輸出的溫濕度傳感器） ；HC-05藍牙串口模塊（HC-05是一種主從一體化的藍牙串口模塊） ；ESP8266 Wi-Fi模塊（集成了TCP/IP協議棧與自身ESP8266芯片，具有強大的通信功能） ；上位機STM32數據處理器（嵌入式單片機） 。

具體方案設計：

1） 在套管末屏處加裝溫度、濕度傳感器，對正常運行、故障初期、故障發生及故障后的溫濕度數據進行多點采集。

2） 邊緣計算STC51單片機從溫度、濕度傳感器讀取數據，每10分鐘通過串口發送一次溫濕度數據。串口連接HC-05藍牙從機模塊，通過藍牙透傳功能將數據上傳至數據匯集單片機。

3） 將變電站劃分為不同區域，區域劃分根據ESP8266 Wi-Fi傳輸半徑設置。每個區域中心設置數據匯集單片機，與底層單片機通過藍牙通信，與上位機通過Wi-Fi通信。

4） 在SD卡中存儲數據，每1小時記錄6次數據的平均值。RGB 屏上顯示一天內24 小時數據的最大值。通過對6組數據求平均，并剔除與平均值差異較大的數據，確保上傳數據的準確性。

5） 上位機STM32的串口3（波特率為9 600）連接ESP8266 Wi-Fi模塊，接收溫濕度數據并存儲于內部緩存。

6） 實現雙環警報系統，通過溫度限值和溫度增長差分觸發蜂鳴器報警。

7） RGB屏上以黑、紅、藍三種顏色顯示三種狀態：黑色表示溫度正常，紅色表示溫度達到限值報警，藍色表示溫度達到差分報警。

8） 溫度數據曲線滾動顯示，新數據在右側加入，舊數據左移。觀測當前溫度的同時，能夠觀察之前的溫度變化趨勢，從而了解設備的運行狀態。

4.2 經驗量化分析系統

4.2.1 縱向分析

利用Elman神經網絡，根據過去24小時的數據預測未來一小時的數據，并判斷預測數據與實際數據的偏差。在前饋網絡的隱含層中增加一個承接層，以實現一步延時的記憶功能。參數選取方面，迭代次數設定為1 000次，并選擇適當的隱藏層節點數。

4.2.2 橫向分析

采用K-means聚類算法，對同一時間多個套管的末屏溫濕度數據進行聚類，并對異常點進行標記，形成獨特類。在每次聚類前選擇分類數，通過計算輪廓系數來選擇最佳的分類數。以最小化目標函數為優化目標，不斷迭代，選擇k個初始聚類中心，以達到局部最優的聚類效果。使用最大期望算法求解高斯混合模型，在正態分布的協方差為單位矩陣且隱變量的后驗分布為狄拉克δ函數時，獲得特例。

5 對策實施

5.1 溫濕度數據采集儀器選型

1） SD卡數據記錄：在SD卡中記錄警報內容，警報碼分為0、1、2三種。0表示正常，1表示溫度限值警報，2表示溫度差分警報，如圖2所示。

2） RGB屏顯示：RGB屏以黑、紅、藍三色顯示當前狀態，黑色正常，紅色表示溫度達到限值報警，藍色表示溫度變化達到差分報警。

5.2 Elman 神經網絡數據學習及縱向分析

隱含層節點數的選擇：增加隱含層節點數可以降低網絡誤差，提高精度，但也會增加網絡的復雜度，延長訓練時間，且可能導致過擬合。如果節點數過少，將無法訓練出合適的網絡，容錯性較差；而如果節點數過多，泛化能力將降低，誤差不一定最小。因此，需要根據實際情況選擇最佳的隱含層節點數。

5.3 K-means 聚類算法輪廓系數計算及橫向分析

輪廓系數計算：輪廓系數結合了聚類的凝聚度和分離度，用于評估聚類效果。其值介于-1到1之間，值越大，聚類效果越好。通過計算不同聚類數下的輪廓系數，可以選擇最佳的聚類數。

6 效果檢查

6.1 縱向分析結果

結果展示：將縱向分析的試驗結果以表格形式展示，如表1。

分析結果：從表1可以看出，溫度和濕度的MAE、RMSE、MAPE均滿足預設指標，模型預測精度較高。

6.2 橫向分析結果

結果展示：將橫向分析的試驗結果以表格形式展示，如表2。

分析結果：從表2可以看出，溫度和濕度聚類的特征挖掘精準度比例d%均大于95%，滿足預設目標。

7 結論

本文研制的RGB屏可以實現溫濕度數據的連續滾動顯示，SD卡數據記錄準確率達到100%。底層預警功能實現了溫度限值報警和溫度差分報警。經驗量化分析系統的縱向分析通過合理選擇隱含層數，滿足了數據統計指標（MAE＜0.005、RMSE＜0.02、MAPE ＜1%） ；橫向分析則通過枚舉計算并尋優輪廓值，精準度比例d%均大于95%。

通過縱向分析，可以得出當前穿墻套管數據與歷史趨勢的偏離程度；通過橫向分析，可以得出當前穿墻套管數據與同一時間其他套管測量數據的偏離程度。當縱向和橫向分析的偏離值均為最大時，可判斷該穿墻套管狀態異常，需要停電試驗進一步確定是否更換，從而為最終決策提供科學依據。

參考文獻：

[1] 邱虎.變壓器套管絕緣在線監測系統的研究[D].武漢：武漢理工大學，2011.

[2] 孫勝濤，咸日常，邵澤霖，等.一起110kV干式穿墻套管介損超標的原因分析和處理[J].變壓器，2012，49（4）：50-51.

[3] 吳昊，彭懋磊，張亦梅.基于STM32和ZigBee的臺站觀測環境監測系統設計[J].物聯網技術，2016，6（11）：54-56，60.

[4] 宋超，宋娟，任軍.基于EIman神經網絡的短期天然氣負荷預測建模與仿真[J].工業控制計算機，2016，29（4）：87-88.

[5] 蔣勇斌，趙煒，曹晶晶，等.基于k-means聚類算法的用戶復雜用電特征挖掘方法研究[J].電子設計工程，2020，28（18）：11-15.

【通聯編輯：張薇】