直流系统单极闭锁下中性母线避雷器故障产生的原因分析

宫宇飞， 陈珊珊， 朱晓松， 徐烨

(国华能源投资有限公司， 北京 100007)

0 引 言

中性母线避雷器是实现设备和建筑避雷的重要装置，直流系统单极闭锁下中性母线避雷器由于长期处于过负荷和雷击的强电流冲击，容易导致避雷器故障，需要进行直流系统单极闭锁下中性母线避雷器故障的诊断优化设计，客观科学地评价直流系统单极闭锁下中性母线避雷器故障产生的原因[1]。结合对直流系统单极闭锁下中性母线避雷器的故障数据的特征分析和大数据融合处理，进行关联因素分析，发掘避雷器故障数据之间的类别属性因素，根据数据的属性特征分析结果实现故障类别判断，提高故障的检测和识别能力，相关的故障诊断方法研究受到人们的极大关注[2]。

对直流系统单极闭锁下中性母线避雷器故障产生的原因分析是建立在故障数据特征检测的基础上的。当前诊断直流系统单极闭锁下中性母线避雷器故障的方法主要有统计分析法、分数阶傅里叶变换法以及融合差分聚类法[3-4]。统计分析法需结合人工经验判断，进行直流系统单极闭锁下中性母线避雷器的输出稳定性测试，实现对直流系统单极闭锁下中性母线避雷器的故障诊断，但该方法需人为介入，具有一定误差。而分数阶傅里叶变换法是通过高阶累积量特征提取直流系统单极闭锁下中性母线避雷器故障，采用传感信号监测方法，进行故障特征分析和故障类别识别，但该方法的计算复杂度较高，对故障检测的实时性差。融合差分聚类法是借助融合差分聚类对故障进行自动诊断方法的一种方法，采用大数据融合分析方法，实现直流系统单极闭锁下中性母线避雷器故障诊断识别，但该方法对不确定故障的诊断智能性差。

针对上述问题，本文提出基于多隐层深度网络学习的直流系统单极闭锁下中性母线避雷器故障检测和原因分析方法，最后进行仿真试验分析，展示了本文方法在提高对母线避雷器的故障辨识和原因分析能力方面的优越性能。

1 母线避雷器故障数据采集及特征自学习

1.1 故障样本信息采集

为实现直流系统单极闭锁下中性母线避雷器故障检测和原因分析，首先构建直流系统单极闭锁下中性母线避雷器故障信息采集模型，对采集的母线避雷器故障以冲击电流等特征量进行因素关联[5]。假设母线避雷器故障检测的阶数为p，统计特征分布参量为ai(t)，在关联规则分布窗口t内，得到直流系统单极闭锁下中性母线避雷器故障样本统计特征集，可用下式表示。

(1)

式中：σ(t)为母线避雷器故障样本特征值;w(t)为母线避雷器故障样本基数。根据雷击风险因素，分析直流系统单极闭锁下中性母线避雷器故障分布原始信息，原始信息获取过程为：

(2)

式中：雷击故障数据挖掘的变性函数m(t)在区间[m0-Δm/2,m0+Δm/2]上服从均匀分布，避雷器故障高维数据为一个复杂结构，在Δm和Δθ中，避雷器遭受雷害风险评估的特征值满足n(t)，且服从正态分布。

综上分析，通过加大训练误差来进行自适应学习训练，得到多源信息的有机融合特征值m和n，且两者满足m=n。在满足α≠Dπ的条件下，建立避雷器故障样本数据采集的最优的深度网络模型：

X=FαXα

(3)

其中：

Xα=[Xα(0),Xα(1),…，Xα(N-1)]

(4)

式中：Fα为N×N维矩阵。采用置信度来量化不同特征因子，得到故障训练样本集的输出属性特征分布集，其表达式为：

Fα(m,n)=Fαe-1

(5)

在多维信息融合体系进行故障样本数据的时域分布统计，结合本体因素和雷击风险导致的故障原因进行特征分析[6]。通过上述方法，完成母线避雷器故障数据采集，得到故障样本集为：

(6)

式中：P为直流系统单极闭锁下中性母线避雷器故障样本分布的特征因子；I为训练集。在存在扰动误差的条件下，输入直流系统单极闭锁下中性母线避雷器故障信号x(t)。

根据母线避雷器故障数据采集结果，进行特征自学习，以提高故障的检测识别能力[7]。

1.2 输出冲激模型

在采用传感监测方法进行母线避雷器故障数据采集的基础上，对采集的故障数据进行特征自学习，第j个特征因子的偏移量为α=pπ/2，可描述为：

(7)

式中：n为整数，n∈Z。单极闭锁下中性母线避雷器的区间属性特征计算公式为：

(8)

式中：pi为第i个直流系统单极闭锁下中性母线避雷器故障大数据规则特征量。现对直流系统单极闭锁下中性母线避雷器故障自动诊断[8]，设置流延迟控制器进行直流系统单极闭锁下中性母线避雷器构件的雷击风险数据采集，得到直流系统单极闭锁下中性母线避雷器故障检测统计量为{δxi+1(jk)=xjk+1-xi+1|k∈1,…,Nb}，得到直流系统单极闭锁下中性母线避雷器故障的统计分析模型为：

(9)

式中：si(t)为直流系统单极闭锁下中性母线避雷器中的射频特征量第i个输出基阵单元信号；xm(t)为直流系统单极闭锁下中性母线避雷器信号；nm(t)为采集阵元m接收到的故障信号的高频分量[9]。构建直流系统单极闭锁下中性母线避雷器故障信号采集的输出冲激模型为：

(10)

式中：ai(t)为直流系统单极闭锁下中性母线避雷器射频特征量；Ts为采用故障特征自学习方法得到的直流系统单极闭锁下中性母线避雷器故障信号的延展宽度。故障特征自学习模型如图1所示。

2 故障检测及原因判别

2.1 中性母线避雷器的故障检测

在上述采用传感监测方法进行母线避雷器故障数据采集，并对采集的故障数据进行特征自学习的基础上，进行直流系统单极闭锁下中性母线避雷器故障检测和原因分析。本文提出基于多隐层的深度网络学习的直流系统单极闭锁下中性母线避雷器故障检测方法，结合直流系统单极闭锁下中性母线避雷器中的射频传感器分布[10]，得知Kp(t,u)满足如下条件。

(11)

(12)

通过时频变换处理，结合直流系统单极闭锁下中性母线避雷器受扰响应特性进行有功功率增量特征分析，实现对直流系统单极闭锁下中性母线避雷器中的射频信号识别[11]，将直流系统单极闭锁下中性母线避雷器的故障信号分解为若干个固有模态分量，所得ai(t)可视为单分量信号，将原直流系统单极闭锁下中性母线避雷器的故障信号x(t)表示为：

(13)

式中：Re为原直流系统单极闭锁下中性母线避雷器的故障信号频率分量。根据区间属性特征分析此类避雷器杆塔单元发生雷击的故障支持度属性，得到线路杆塔单元的故障特征分量表示为H(ω,t)，即：

(14)

以关联规则量化不同特征为测试样本，并以H(ω,t)作为母线避雷器的特征因子，得到直流系统单极闭锁下中性母线避雷器的故障信号的边际谱：

(15)

对于某一端包含有n个故障特征的直流系统单极闭锁下中性母线避雷器故障干扰信号，在窗口以外的信号特性，进行中性母线避雷器的故障检测，去掉低频分量，由此获得直流系统单极闭锁下中性母线避雷器故障样本的分布值λi(n)，在此基础上，对避雷器进行故障检测，其检测过程表示为：

(16)

根据上述完成中性母线避雷器的故障检测。通过特征分布，结合直流系统单极闭锁下中性母线避雷器受扰响应特性进行有功功率增量特征分析。

2.2 基于隐层的深度网络学习函数

分析母线避雷器聚合的微小负荷进行故障异常特征检测，对检测到的故障异常特征量采用多隐层的深度网络学习方法进行故障辨识和故障原因分析[12]。首先构建母线避雷器故障诊断的阈值函数为：

(17)

式中：W为属性类别的窄时域窗；α为宽时域窗调节系数，取值范围为0≤α≤1；Ts为直流系统单极闭锁下中性母线避雷器故障检测的最大监测阈值。得到直流系统单极闭锁下中性母线避雷器故障样本集的正交项Qx(t)之间存在如下偏差：

(18)

式中：Qx(t)为不同特征因子的傅氏谱；Hx(t)为不同特征因子的曲线谱；Sx(ω)为雷击故障的关联关系。计算故障检测的期望输出为：

(19)

式中：ci(n)为第j个特征因子的模态分量;r(n)为特征因子的形态分量。通过分析母线避雷器聚合的微小负荷进行故障异常特征检测，实现直流系统单极闭锁下中性母线避雷器的故障诊断和检测识别，对检测到的故障异常特征量采用多隐层的深度网络学习方法进行故障辨识和故障原因分析，多隐层的深度网络学习函数为：

(20)

(21)

3 仿真测试分析

在MATLAB仿真环境中分析直流系统单极闭锁下中性母线避雷器的故障检测性能并进行故障原因分析，设置初始采样频率f0=1 kHz，雷击故障相关因素的采样时长T=0.1 s，故障数据的采样长度为0.1，训练集为500,直流系统单极闭锁下中性母线避雷器故障调制的上变频为60 Hz，下变频为50 Hz，本体特征因子为0.45，根据上述仿真环境和参数设定，进行直流系统单极闭锁下中性母线避雷器的故障自动检测和原因分析，得到故障数据采样样本分布如图2所示。

取母线避雷器故障样本数据的300个样本作为测试集，测试雷击故障的检测效率。首先需获取正常工作情况下某一时段中避雷器工作效率，其结果如图3所示。

分析图3可知在正常工作情况下该建筑遭受的雷击频率。通过本文方法获取避雷器异常特征量，以实现对雷击故障的智能检测，并在此基础上分析避雷器的故障检测的误差率，测试结果如图4所示。

本文方法能够在短时间内完成避雷器的故障检测，且故障的特征辨识能力较好。通过上述分析，了解到母线避雷器故障产生的原因主要有电压扰动、频率扰动和负荷波动等，通过对不同故障原因下的故障特征进行相关一致性分析，实现故障智能检测和诊断。

4 结束语

通过直流系统单极闭锁下中性母线避雷器故障的优化诊断设计，能够客观科学地评价直流系统单极闭锁下中性母线避雷器故障产生的原因。本文结合对直流系统单极闭锁下中性母线避雷器的故障数据的特征分析和大数据融合处理，提出基于多隐层的深度网络学习的直流系统单极闭锁下中性母线避雷器故障检测和原因分析方法。研究证明，本文方法能准确分析故障原因，实现避雷器雷击故障检测识别。