高压输电线路绝缘子工况评估模型及仿真研究

李 毅，唐德东，石 岩

（重庆科技学院 电气工程学院，重庆 401331）

0 引言

绝缘子的污闪是高压输电线路普遍存在的问题，其原因是大气中的尘埃沉积到绝缘子表面遇到各种天气因素，尘埃受潮后形成一层薄薄的导电层，它能使绝缘子水平发生灾难性的下降，进而造成输电线路事故。近年来，由于中国经济的快速发展，导致输电电压持续升高和环境问题日益恶化，从而使输电线路污闪问题已日趋严重，现已发展成为仅次于雷击之后的输电线路事故“肇事者”。

污闪构成对输电线路安全运行的严重威胁，且作为选择绝缘水平的决定性因素，这已成为国内外专家的一致共识[1]。电力部门高度重视，积极采取了相关防范措施。但是电力部门采用的常规防污手段，如定期清扫和调整设备爬距等具有盲目性和欠合理性等缺点。正在发展的特高压输电线路若继续采用常规的防污手段必将造成人力和经济上的更大浪费。只有建立更加科学的绝缘子工况在线监测体系，才能合理地确定清扫周期或是否调整爬距，避免盲目浪费。

1 绝缘工况间接评估原理

国内外大量研究表明，输电线路绝缘子的绝缘工况与流经其表面的泄漏电流有密切联系，且其两者之间呈近似线性反比的关系[1,2]。一般认为，当单片悬式绝缘子的泄漏电流幅值在0mA～25mA之间时，可以认为绝缘子为绝缘良好状态[1]，或根据《国家电网公司DL/T741-2010架空输电线路运行规程》的相关规定，电压等级在500kV及以上的输电线路绝缘电阻不小于500MΩ（28片绝缘子组合成串）也能被认为是绝缘良好状态。此外，还有绝缘合格（300MΩ～500MΩ），绝缘低值（240MΩ～300MΩ），零值绝缘（小于240MΩ）等绝缘子工况。

但在实际工程中，不论是绝缘电阻还是泄漏电流都不便于不停电测量或直接测量。考虑到保证特高压输电线路的供电可靠性，实现泄漏电流的间接测量进而评估绝缘子的绝缘工况就显得尤为重要和高效。

绝缘子工况间接评估，即根据电力部门大量的历史运行数据，利用MATLAB人工神经网络来拟合绝缘子的作用电压U、盐密ρESDD和环境相对湿度RH与泄漏电流Ih之间的复杂非线性关系，工程中利用这一关系，在掌握特定绝缘子的作用电压U、盐密ρESDD和环境相对湿度RH的前提下即可实现泄漏电流的间接测量，进而根据运行规程的相关规定即可评估绝缘子的绝缘工况。

该方法的前提条件是获得大量的污秽实验数据，同时神经网络的结构和传递函数也影响评估的可信度，论文将在这两个方面进行研究。

2 训练数据的获得与预处理

2.1 污秽实验数据的获取

实验环境：试验中大气压强保持不变（取试验室所处大气压强975kPa），温度取试验时室内温度约26℃，在试验过程中温度变化控制在±2℃。

实验装备：选用悬式瓷绝缘子（FXB-10/70）为试品，在图1所示试验原理图下进行。试品染污采用GB/T458522004 推荐的固体涂层法[3,4]。

实验过程：首先，将按比例配制的染污液对4组试验绝缘子分别进行均匀染污，然后将染污后的试验绝缘子悬挂静置24h，自然阴干，不可加热与风干。然后，将阴干后的绝缘子逐个转移至利用干燥剂和超声波发雾器营造的人工雾室中进行试验。试验时迅速加压至实验电压后，稳定电压3s～5s后即可记录下图1电路中精密电阻R1加压后流经的泄漏电流的前10个周期波形[3]。需要注意的是，实验过程中要严格控制作用电压，以保证实验绝缘子不发生闪络，其表面染污不被破坏。

图1 人工污秽实验装置电气原理图Fig.1 Electrical schematic diagram of artificial contamination experiment device

表1 原始污秽实验原始数据和归一化数据对照表Table 1 Raw data and normalized data comparison tables for original contamination experiments

最后，污秽实验所得实验数据经过波形分析后，即可得到对应实验绝缘子在特定的温湿度和作用电压下表面的泄漏电流幅值。但该值还不能直接用于网络的训练和仿真，在网络训练前，还需对其进行坏值剔除和归一化预处理。

2.2 污秽实验数据的预处理

为了降低或消除神经网络训练过程中可能发生的数值问题、量纲差异问题、神经元过饱和问题和“大数吞小数”问题，以及使网络快速地收敛，提高绝缘子工况评估模型的仿真性能，经过比较分析，选定采用最大最小法来进行数据的归一化预处理，其原理如下：

其中，xmax为数据序列中最大数；xmin为数据序列中的最小数。

在Excel中，对原始污秽实验数据进行分类并调用公式进行处理，见表1。

把归一化后的数据分组导入MATLAB的Workspace中绘制出分布图，如图2所示。

图2 最大最小值法归一化后数据分布图Fig.2 Data distribution after normalization of maximum minimum method

3 建立工况评估模型

3.1 神经网络的创建

选用BP（Back propagation）神经网络进行建模分析，采用MATLAB神经网络工具箱（Nntool）中的newff函数用于创建BP神经网络。其形式如下：

net=newff（P,T,S,TF,BTF,BLF,PF,IPF,OPF,DDF）

该网络设定P为用于网络训练的3×143维输入数据矩阵，3个输入向量分别为作用电压U、盐密ρESDD和环境相对湿度RH；T为用于网络训练的1×143维输出数据矩阵，输出向量为泄漏电流Ih；隐含层的层数选定为双层，神经元个数根据经验公式sqrt(n+m)+a，（n为输入节点数，m为输出节点数，a为1～10的数）和优化分析后确定为9和1[5]；传递函数TF初步选定为tansig，purelin；网络训练函数BTF选择常用的动量反传和动态自适应学习速率的梯度下降函数traingdx，Levenberg-Marquardt。

此外，将X定义为用于网络仿真测试的3×15维输入数据矩阵；Y为用于网络仿真测试的1×15的输出数据矩阵。其选取规则为：在所有的污秽实验数据构成的点集合中，选择能反映对应的较大点集合特征的一个特征点，并保证该数据矩阵中的数据尽量等可能地取自于4组实验环境，从而保证目标神经网络的适用性。

3.2 模型的仿真

利用A=sim(net,X1)函数将所建立的神经网络模型来进行预测输出，并把原输出和预测输出绘制到一张图上进行对比分析，如图3所示，预测误差见表2。

图3 net4仿真输出和原输出对照图Fig.3 Net4 Simulation output and original output control diagram

表2 net4的仿真结果Table 2 Simulation results of net4

分析表4所示的模型仿真结果，发现当泄漏电流幅值＜10mA时，最大绝对误差约为3.1mA，考虑到泄漏电流值较小时易受噪音、气压等外界不可控影响因素的影响，因而这样的预测结果也是可以接受的；当泄漏电流幅值处于10mA～25mA时，虽然部分数据相对误差较大，高达21%，但是同样的绝对误差并不大，不足以导致绝缘子绝缘状态的误判，因为当绝缘子的泄漏电流幅值在0mA～25mA之间时为安全状态[1]；当泄漏电流幅值＞25mA时，神经网络的仿真结果是十分优秀的，最大相对误差为1.6%，最大绝对误差不足1.2mA，与试验结果基本相符，完全能满足工程中通过泄漏电流估算来进行绝缘子污秽度状态评估的需要。因此，采用神经网络仿真的方法得到的泄漏电流幅值与试验结果相比具有较好的一致性。

图4 神经网络回归性能图示Fig.4 Neural network regression performance diagram

3.3 模型的评价

仿真分析结果表明，本文所建立的神经网络模型的仿真性能是比较不错的。如图4中分别反映的是神经网络对训练、确认、测试、所有数据的回归性能，其中关键的确认和测试样本的相关系数均不低于0.975，所有样本数据的平均回归性能表现为0.98，且其拟合线附近散点较少，拟合线的截距也较小，此外仿真均方差表现为8.58e-05，误差曲面梯度为0.00573，完全能满足工程上对泄漏电流预测的需要。

4 结论

泄漏电流的幅值作为表征绝缘子绝缘状态的特征量，可以直接反应绝缘子的绝缘工况，进而对防止污闪事故具有重要的参考价值。课题以大量人工污秽试验数据为依据，利用MATLAB中神经网络库函数对数据进行分析处理，建立了一种预测泄漏电流幅值的BP神经网络模型，仿真分析表明：单片污秽绝缘子的泄漏电流幅值与作用电压、相对湿度和盐密之间满足一定的潜在关系，该关系可用本文所建立的模型来较为准确地映射，其仿真均方差表现为8.58e-05，误差曲面梯度为0.00573，回归系数为0.98，且在阈值附近有良好的识别性。因此，采用人工神经网络方法对该函数关系进行逼近及建立相应的评估模型，是直接且有效的，并且其仿真结果有助于工程上对泄漏电流的估算、绝缘子工况的评估和指导污闪事故的预防。