基于声发射特性的玻璃绝缘子污闪预测模型

2021-05-12王远东史文江韩兴波蒋兴良张超张志劲

电力建设 2021年5期

王远东，史文江，韩兴波，蒋兴良，张超，张志劲

(1.国网内蒙古东部电力有限公司检修分公司，内蒙古通辽市 028000；2.输配电装备及系统安全与新技术国家重点实验室(重庆大学)，重庆市 400044)

0 引言

在电力系统输电线路中，绝缘子起着至关重要的作用。在大气环境下，在线运行的绝缘子表面会沉积污秽并受潮，导致污闪事故，造成大面积停电和巨大的经济损失，因而污秽闪络是电力系统的主要灾害之一[1-5]。染污绝缘子在局部放电时会产生声发射现象，相关的研究包括绝缘子局部放电声发射特性和局部电弧的声波检测等。作为一种无损、非电量的监测方法，声发射检测技术已运用于电力设备局部放电的检测与定位，声信号中包含的信息量非常丰富，提取声信号中的有用部分，并对提取的特征量进行数学分析，从而研究音频信号特征和绝缘子污秽放电发展的对应关系，对实现绝缘子外绝缘状况的实时监测有着重要意义。

国内外学者在绝缘子污秽放电声信号的采集、特征量的选择和提取以及相关诊断预测数学模型的建立方面做了大量的研究和探索。文献[6]认为绝缘子污秽放电主要分为电晕放电、干区形成、局部电弧、稳定电弧至闪络4个阶段，各个放电阶段的声发射特征不同。文献[7-8]对不同放电阶段的声发射信号进行了监测，结果发现染污绝缘子声发射信号的强度及波形变化和局部放电强弱存在一定联系，局部放电强度越大，声发射信号幅值越大，脉冲频率越高。在此基础上，文献[9]将绝缘子外绝缘状况分为安全、危险、报警三级，设计了基于最小二乘支持向量机的分类器，并运用了声发射信号的处理。类似的，为了进一步高效地提取声发射信号中的有效信息，文献[10-12]尝试了多种数值分析方法，包括(核)主成分分析法、模糊推理法、随机森林分类、BP和小波神经网络等，其模型结果在一定程度上实现了对绝缘子污秽放电发展阶段的预测，但就绝缘子污秽度和污秽成分对模型预测准确度和灵敏度的影响则缺乏针对性研究。

为探索绝缘子污秽放电声发射信号变化发展的影响因素，本文从绝缘子染污成分和污秽度2个角度出发，在人工雾室内开展不同污秽和不同污秽度下的绝缘子带电声发射试验研究，同步采集放电过程中的声发射信号典型特征量。分析声发射信号特征量随污秽成分和污秽度的变化规律。以此为基础建立绝缘子外绝缘危险度的广义回归神经网络(general regression neural network，GRNN)预测模型，并对不同染污条件下模型的预测准确性进行分析。

1 试验装置与方法

1.1 试品与试验装置

本试验分别选取LXY4-160玻璃绝缘子作为试品。玻璃绝缘子均采用三片串，绝缘子基本结构为：高度H为146 mm；盘径D为280 mm；爬电距离L为400 mm，其外形如图1所示。

图1 玻璃绝缘子试品外观

试验在多功能人工气候内进行，其配套有1.5 t低压锅炉提供蒸汽雾。试验工频电源由150 kV/900 kV·A交流试验变压器提供，最大短路电流为30 A。对试品外施的试验电压值通过ZXYF型电容式分压器测量，其分压比为1∶10 000。为模拟绝缘子在污秽湿润条件的放电过程，使用的电气接线如图2所示。试验传感器采用小体积、高灵敏的压电式声传感器，采集得到的声发射信号通过放大、滤波等后续处理后输入计算机保存。

图2 多功能人工气候室试验接线图

1.2 试验程序及方法

1)准备工作。先将事先准备好的玻璃绝缘子反复清洗干净，保证绝缘子上下表面足够清洁。之后让其在实验室自然环境条件下阴干1 h，以备染污。

2)人工染污。使用IEC 60507推荐的固体层法(定量涂刷法)对绝缘子进行染污[13]，其中可溶物用NaCl、CaSO4进行模拟，不溶物用硅藻土和高岭土进行模拟。采取固定灰密(non soluble deposite dentisty，NSDD)ρNSDD或固定可溶污秽附着密度(soluble contamination density，SCD)ρSCD的污秽配制方法，分别制定3种污秽度，设定为低、中、高SCD和低、中、高NSDD，具体数据如表1所示。

表1 绝缘子污秽度

3)加压方法。控制好蒸汽雾的速率为(0.05±0.01)kg/(h·m3)，并通过雾室底部周围均匀布置的多个放气孔均匀放出。当试品绝缘子表面污秽层充分湿润约1 min后，采用均匀升压法以一定的速率升高电压直至闪络，得到该污秽度下绝缘子的闪络电压。

换相同污秽度的另一串试品，按所得闪络电压10%～20%的速度升压，当达到需要的电压值(如20、30、40 kV)时停止加压并耐压1 min，然后继续升压，每一种污秽度按照此方式升压至试品闪络，得到各阶段放电的声发射信号波形。为保证结果的有效性，每串绝缘子限做3个电压梯度。

对同种绝缘子的每种污秽度做3次试验，取平均值作为试验结果。

2 试验结果与分析

2.1 声发射信号时域波形特征

声发射信号的幅值、频率变化可以间接反映绝缘子表面污秽放电的强弱。本文试验结果表明：当外施电压逐步接近其污闪电压Uf时，绝缘子声发射信号呈现出三阶段式的变化规律，如图3所示。

图3 不同危险度等级下玻璃绝缘子声发射信号波形

阶段1：当电压较小(0～0.4Uf)时，绝缘子表面泄漏电流很小，几乎监测不到声波信号；

阶段2：继续升高电压(0.4Uf～0.6Uf)，绝缘子表面开始出现间歇性的电弧和局部放电，此时声波信号幅值也随着电弧的产生而增大；

阶段3：当外施电压接近试品污闪电压(0.6Uf～Uf)时，电弧产生频率大大增加，间歇时间缩短，最后直至闪络，对应声波信号幅值和频率也显著提高。

定义污秽绝缘子外施电压与污闪电压的比值为绝缘子接近闪络的危险度系数α，其表达式为：

(1)

式中：Ua、Uf分别表示绝缘子外施电压和污闪电压，kV。

按照声发射信号呈现出三阶段特征，将其绝缘子外绝缘状况分为三级危险度，如表2所示。

表2 绝缘子外绝缘危险度分级

2.2 声发射信号有效特征量与SCD的关系

声发射信号的有效特征量很多，包括最大幅值、幅值平均值、均方根值、最大工频半周包络线面积、最小工频半周包络线面积、工频半周包络线面积平均值、平均振铃次数、平均事件数等[14-17]。

为研究绝缘子表面的污秽成分对放电声信号变化的影响，本文选取声信号幅值平均值Aavg和工频半周包络线面积最大值Smax这2个典型特征量进行分析。统计在不同SCD数值的NaCl和CaSO4条件下玻璃绝缘子的声发射特征量数值，如表3所示，绘制特征量平均振幅、最大工频半周期包络线面积随着SCD的变化曲线，如图4、5所示。

表3 不同SCD条件下LXY4-160绝缘子声发射特征量统计

图4 绝缘子污秽放电声信号平均振幅与SCD的关系

结合表3和图4、5可得：

1)随着绝缘子表面SCD的增加，不同危险度下的污秽放电声发射信号的平均振幅Aavg和最大半周期包络线面积Smax都有所增长。危险度等级越高，SCD对特征量Aavg和Smax的影响越为明显。一级危险度条件下，特征量Aavg在低、中、高SCD下的值分别是0.008 7、0.009 3、0.022 1 V/s，最大相差0.013 V/s。三级危险度下，特征量Aavg在高、低SCD下的值相差0.074 V/s，相对于一级危险度大幅度提高。

2)在同等SCD、相同危险度等级条件下，使用不同种类的盐染污得到的绝缘子声发射信号特征量变化规律差异较大。本文中使用NaCl得到的特征量Aavg值明显大于CaSO4。二级危险度下，高、中、低3种SCD下的特征量Aavg值分别相差71%、50%、65%。这是由于绝缘子在饱和湿润条件下，NaCl易溶于水形成离子，使得污秽电导率增加，放电强度提高，声发射信号随之增强。CaSO4微溶于水，相同湿润条件下污秽放电声发射信号较弱。这种现象随着绝缘子危险度等级的提高而更加明显。

3)使用CaSO4模拟不溶物质时，特征量最大半周期包络线面积Smax随着SCD的增加具有一定的饱和特性。如图5所示，在二、三级危险度条件下，当SCD>0.15 mg/cm2，特征量Smax增长的趋势明显放缓。原因也可归于CaSO4微溶于水的特性，对应地，放电产生的声发射信号幅值和频率的增长速率也在降低。

图5 绝缘子污秽放电声信号最大工频半周期包络线面积与SCD的关系

2.3 声发射信号有效特征量与灰密的关系

大量研究表明：灰密是通过对水分的吸收和保持影响绝缘子表面的污层电导率，进而影响污秽放电的强弱和污闪电压的大小。为探索在灰密改变时，绝缘子声发射信号典型特征量对污秽放电强度的反映情况，固定可溶物NaCl的可溶污秽附着密度为0.15 mg/cm2，改变不溶物硅藻土和高岭土的等值密度。得到声发射特征量Aavg和Smax的变化曲线如图6、7所示。

图6 绝缘子污秽放电声信号平均振幅与灰密的关系

图7 绝缘子污秽放电声信号最大工频半周期面积与灰密的关系

由图6、7可知：

1)在同一危险度下，使用硅藻土和高岭土染污均出现声发射信号特征量Aavg、Smax随着灰密的增大而缓慢增长，增长幅度都较小。这说明相对于SCD，灰密对声发射信号强度变化的影响较小。

2)不溶物的种类对于声发射信号特征量Aavg、Smax的影响显著。在相同危险度、相同等值灰密条件下，高岭土得到的特征值大于硅藻土，且危险度等级越高，2种不溶物染污得到的特征量值相差越大。

3 基于声发射信号典型特征量的绝缘子外绝缘危险状况的预测模型

3.1 广义回归神经网络模型

广义回归神经网络是径向基神经网络的一种，具有很强的非线性映射能力和柔性网络结构以及高度的容错性和鲁棒性，适合于解决非线性回归问题，被广泛运用于模式识别、故障诊断及趋势预测等方面[18-21]，其结构如图8所示。因此，本文采用GRNN模型来预测不同污秽成分下绝缘子外绝缘的危险度状况。

图8 广义回归网络结构

3.2 污秽绝缘子绝缘危险度预测模型

1)训练样本的选择。

为了充分利用声发射信号的特征信息，除上述2个典型特征量外，补充选取另外5个特征量：声发射信号最大振幅Amax、振幅均方根值q、最小工频半周包络线面积Smin、工频半周包络线面积平均值Savg和平均振铃次数N[9-10]。选取的玻璃绝缘子声发射特征量总共为7个。声发射信号具有随机性强的特点，为了保证预测模型的准确性，必须提高样本数据量。在每种污秽度下收集80组数据，再从这80组数据中随机抽取50组数据进行学习训练，选取玻璃绝缘子的危险度系数α作为GRNN模型的输出，剩余的30组数据用于验证模型的准确性。

2)GRNN模型的训练。

由于特征量之间在数值方面大小不一，为避免由于输入输出数值相差过大而影响预测模型的准确度，在GRNN模型训练前先将所有输入输出量进行归一化处理。GRNN预测模型训练过程大致如图9所示。在训练过程中通过循环调试的方法调整光滑因子σ使每一个污秽度下的预测性能达到最佳状态。

图9 玻璃绝缘子外绝缘危险度预测GRNN模型流程

3.3 不同污秽成分GRNN预测模型准确度对比

不同污秽成分、不同污秽度下，玻璃绝缘子声发射信号的特征量随着绝缘子外绝缘危险度变化的规律不同，特征量的值相差也较大。将不同污秽成分和污秽度的特征量数据按照图9所示的GRNN预测流程进行多次学习训练和验证，将多次预测的结果取平均值，得到如表4所示的预测结果。其中，ρdiatomite、ρNaCl、ρCaSO4分别表示硅藻土、NaCl、CaSO4在绝缘子表面的涂敷密度。准确数据一栏表示30组验证数据中预测结果与实际结果相符合的个数(预测得到的危险度系数与实际危险度等级对比)。

表4 不同污秽度玻璃绝缘子危险度GRNN预测结果

使用NaCl和CaSO4的6种污秽度下预测的准确度都可以达到60%以上，2种盐染污都呈现出SCD越高，GRNN模型的预测准确度越高，低SCD和高SCD的预测准确度相差近20%。这与玻璃绝缘子声发射典型特征量Aavg、Smax等随SCD的变化规律相吻合，低SCD条件下，不同危险度等级得到的声发射信号特征量值相差不大，且随机性较强，导致GRNN模型预测的准确度低。SCD越高，绝缘子声发射信号随危险度变化的线性度提高，从声发射信号中提取特征量的随机性降低，GRNN的预测准确度增大。

使用不同可溶物染污得到的预测结果也不同，由于CaSO4的微溶性，绝缘子声发射信号特征量值对污秽放电的反映灵敏度不如NaCl。相同SCD下，NaCl染污得到的GRNN预测准确度要大于CaSO4。玻璃绝缘子外绝缘危险度预测结果与实际结果对比如图10所示，在高SCD下，玻璃绝缘子危险度系数值预测结果和实际数据基本吻合，30组数据中有28组预测成功，预测准确度达到93.3%。