基于BP神经网络的SF6在线监测装置压力预测方法研究

刘海锋许 健胡伟涛刘子豪史晓龙

(国网河北省电力有限公司检修分公司,河北 石家庄 050070)

0 引言

SF6气体由于具有良好的电气绝缘性能以及优异的灭弧能力被广泛应用于SF6断路器、封闭式组合电器(GIS)等设备中。在设备运行过程中,SF6气体密度是决定断路器灭弧和绝缘能力的重要因素之一,可通过SF6密度继电器读取相应设备的SF6压力,或通过加装SF6在线监测装置来实现对SF6压力的实时跟踪和记录。

受外部自然环境和内部导体电流等因素的影响,上述2种装置所示的SF6压力数据存在非线性的波动,若显示的SF6压力低于预设值,系统将会误发报警或闭锁信号,影响设备正常运行。因此,有必要对设备SF6压力变化规律进行研究和预测,从而分析判断某时刻设备SF6压力变化是否为正常现象,提升设备运行的可靠性。

文献[1]针对一起SF6瓷柱式断路器SF6气压低报警事件进行研究,指出需要保证SF6密度继电器与主气室所处环境一致或接近,密度继电器的补偿功能才会正确实现；文献[2]通过对1台220 k V断路器误发SF6气体压力低报警信号原因的分析,提出采取感温包的方法使密度继电器能够感知断路器本体所处环境温度,从而避免误发压力闭锁信号；文献[3]研究了冬季严寒地区由于SF6液化造成的断路器闭锁问题,并通过采取对断路器进行临时加热的方法进行解决；文献[4]总结了各种类型SF6密度控制器的结构特点,定性分析了温度补偿方式、海拔、电气设备温升及表计漏油等因素对气体准确监测产生的影响,并结合产品设计、运行维护提出了相关的注意事项；文献[5]研究了减少SF6在线监测装置测量误差的补偿方法,并用试验数据进行了验证。现有的研究主要从SF6压力变化的定性判断和减小测量误差等角度进行,缺乏针对实际运行的SF6气室压力变化的定量分析和预测。

本文主要研究基于BP神经网络的SF6在线监测装置压力预测方法,选取1 000 k V GIS设备某型号SF6在线监测装置压力为研究对象,分析外部自然环境和内部电流等因素对SF6压力变化的影响,建立BP神经网络预测模型,对SF6压力进行预测,提出了分析GIS设备压力降低原因的判别策略,为监测设备运行状态和鉴别压力降低原因提供参考。

1 SF6密度监测装置

现有的SF6密度监测装置主要有SF6密度继电器和SF6在线监测装置2种,分别采用不同的温度补偿方式。

SF6温度补偿原理[6]如下:高压电气设备内的SF6气体密封在固定容器中,在20℃时额定压力下具有一定的密度,在设备不漏气的情况下,气体压力随温度变化而变化,但其密度始终不变。为了有效监测是否漏气,将所测得的实时压力转换为20℃时对应的压力,此转换后的压力可作为SF6气体密度,其实质是用20℃时的气体压力表示固定容积内气体含量。

1.1 SF6密度继电器

目前,高压变电站中所使用的SF6气体密度继电器以机械指针式居多。指针式SF6密度继电器通过表盘内双金属片的膨胀和收缩来实现温度补偿[7]。由于表盘体积较小,虽密度继电器与设备处于同一环境温度下,但其表盘温度变化速度远高于本体,此外,日晒辐射变化对表盘温度的影响也不可忽视。该类型装置的压力数据需要人工读取,数据精度低,且数据不易连续采集,可用于长期数据记录和对比,不适合用于短期的预测分析。

1.2 SF6密度在线监测装置

随着智能监测技术的发展,数据精度高、具备实时监测和数据记录功能的SF6在线监测装置在超特高压变电设备的应用越来越普遍。

SF6在线监测装置通常由信号采集、数据处理和通信、显示几部分构成。信号采集模块主要由压力传感器、温度传感器或密度传感器构成,各类传感器通常安装于断路器或组合电器罐体外延的三通阀口处。数据处理单元根据采集到的物理量,通过SF6气态方程求得20℃时的SF6气体压力。常用的气体方程[6]如式(1)－(3):

式中:P为SF6压 力；ρ为SF6密 度；T为 环 境 温度。结合公式(1)—(3),可以求得压力P与密度ρ的关系如公式(4):

若探测器测得物理量为ρ,则可把测得的ρ和T=293.2 K(20℃)代入式(4),就能得到20℃时的GIS气室压力值P20；若探测器测得物理量为P和T,则需要根据公式(1)－(3)进行迭代计算,求得对应温度的气体密度,再把ρ和T=293.2 K(20℃)代入式(4),就能得到换算到20℃时的GIS设备的压力值。

理论上,温度补偿能够抵消外界环境温度变化对SF6压力变化的影响,即正常状态下,在线监测后台显示的压力曲线应为一条直线。实际上,由于在线监测装置的传感器安装位置位于罐体外延的三通阀口,虽然传感器在罐体内部,但是其采集的压力或密度等物理量为罐体内部三通阀接口处数据,该局部位置的压力或密度受到所处位置温度变化的影响较大,即便经过气体方程转换后得到的数据,也不是近似水平的曲线,而是呈现一定的波动规律,尤其在春秋季节温差大或天气情况剧烈变化的时段存在较大波动。

某特高压变电站GIS设备典型的SF6在线监测数据如图1所示。由于在线监测装置压力数据采样间隔连续,数据精度高,且呈现一定的波动规律性,适合用来进行预测分析。

图1 GIS断路器在线监测装置典型SF6压力曲线

2 SF6压力变化的影响因素分析

基于上述分析,由于SF6在线监测装置传感器安装于GIS设备外壳的三通阀接口处,其采样点所处位置局部温度变化将影响传感器测量结果。本文从影响该采样点所处位置温度变化的内部和外部因素入手,研究各因素对SF6在线监测装置压力变化的影响,分析过程如图2所示。

图2 SF6压力变化的影响因素分析

2.1 外部因素

外部环境对SF6在线监测装置传感器采样点所处位置温度的影响较为直接,如阳光暴晒、多云雾雨或温度剧烈变化情况等。因此,本文首先分析环境温度、相对湿度和天气类型等因素对在线监测装置SF6压力测量结果的影响。

a.环境温度。环境温度的高低直接影响采样点温度,进而影响在线监测装置传感器测量结果,因此,首先选取环境温度作为影响因素进行分析,用符号T表示。

b.相对湿度。相对湿度指空气中水汽压与饱和水汽压的百分比,用符号RH表示。不同湿度下物体局部温度变化情况存在差异,即湿度影响传感器所处位置温度变化,因此选取相对湿度为影响SF6压力的因素。

c.风速。风速是指空气的流动速度,用符号F表示。考虑到风速大小对局部罐体温度变化的影响,本文也将风速作为影响SF6在线监测装置压力变化的因素之一进行研究。

d.天气类型。由于不同天气类型(阴晴雨雪)下传感器所处位置接受辐射程度不同,进而对传感器温度采样效果产生影响,本文将天气类型作为影响SF6在线监测装置压力变化的因素之一进行研究。为进行量化分析,对天气类型处理采取模糊集理论方法[8],利用模糊函数表示天气的特征值,各天气特征值隶属度用符号X表示,各天气特征值见表1。

表1 天气特征值隶属度

e.温度变化率。本文所述温度变化率,是指单位时间间隔内温度变化,由于温度变化剧烈程度对传感器温度采样值影响同样不可忽视,因此,本文单独把环境温度变化情况作为影响因素进行分析,用符号Δθ表示,计算公式如下:

式中:T1为当前采样时刻温度值；T0为上一采样时刻温度值；t为采样时间间隔,min。

2.2 内部因素

文献[4]指出电气设备内部导体通过电流产生温升,从而引起GIS气室内部温度升高(运行温升可达65 K),进而对SF6在线监测装置传感器所处位置的温度产生影响。因此,本文选取GIS设备内部导体电流大小作为SF6压力变化的影响因素,用符号I表示。

2.3 相关性分析

为了计算各影响因素对SF6压力变化的影响程度,本文选取某特高压变电站内运行设备的典型季节在线监测压力数值和对应外部自然环境数据及内部导体电流数据进行相关性计算。数据采样间隔为15 min,共计1 800组,部分样本数据情况见表2。

表2 部分样本数据

得到各影响因素与SF6在线监测压力值的相关性结果如图3所示。

图3 相关性计算结果

在实际应用中,若求得的模糊相关系数在某一较小范围内,比如包含在[－0.1,0.1]之间,则可认为该相关性较弱,可以不予考虑[9]。本文选取的6种影响因素与压力的相关系数绝对值均大于0.1,可以认为本文提出的6种影响因素与SF6在线监测装置的压力存在相关性。

其中,环境温度T、导体电流I与SF6在线监测压力P相关系数的绝对值均超过0.5,且符号为负,因此,环境温度T和导体电流I与压力P为显著负相关关系。这是因为根据公式(4),当在线监测装置传感器处温度T变化时,SF6在线监测压力P与温度T之间为负相关(测得的SF6气体密度在6.088 kg/m3附近波动,可将该密度值代入相关公式计算得到P与T关系)。温度变化率Δθ和P为实相关,其余影响因素与P为微相关。

3 BP神经网络算法

BP神经网络[10]是人工神经网络中使用最为广泛的一种,也叫误差反向传播网络,具有学习能力强、非线性映射能力好、容错性好等优点。在算法运行过程中,信息向前行进而误差反向传播进而修正网络。该网络的算法核心为一阶梯度法(最速下降法),通过优化层与层之间的连接权值,使神经网络实际输出值与理想输出值之间的误差平方和最小。

典型的BP神经网络由输入层、隐含层及输出层组成,其网络模型如图4所示。X为网络的输入层,网络节点数量为N,w i,j为输入层与隐含层连接权值,b j为隐含层阈值,隐含层网络节点数量为M,w j,k为隐含层与输出层连接权值,b k为输出层阈值,Y为网络输出层,节点数量为Q。

图4 BP神经网络拓扑结构

网络中神经元输出数学模型为

式中:u为神经元输出；x为神经元输入；w为权重值；b为该神经元阈值。

激励函数若选取Sigmoid,则数学模型为

因此,得到隐含层第j个神经元输出为

同理,可得输出层第k个神经元输出为

网络训练后的实际输出值与期望值误差为

式中:O k为第k个输出样本的期望值。

将各层输出关系代入到误差公式(10)中,可以得到误差与各层之间权重的关系,按照误差梯度下降的方向逐级调整各层级间权重,直至误差E满足要求。

4 基于BP神经网络的SF6压力预测和分析

4.1 数据选取及处理

本文选取的SF6压力数据为某特高压变电站正常运行的1 000 k V某间隔断路器U相气室在线监测装置采集的典型季节压力数据,对应时刻的断路器内部电流数据来源于变电站内监控记录。对应时刻的环境数据通过“中国气象局”官网获取。

所有数据的采样间隔为15 min,数据总量共计1 800组,为提高收敛速度,使用mapminmax函数对各类数据进行归一化处理,各变量取值范围为[－1,1]。

4.2 BP神经网络模型设计

本文采用3层拓扑结构BP神经网络,网络模型如图5所示,输入层节点为6个,即N=6,分别为影响SF6在线监测装置压力的环境温度、相对湿度、天气类型、风速、温度变化率和导体电流；输出层节点为M=1个。隐含层的传递函数设置为tansig,输出层的传递函数设置为logsig,并设置训练函数为trainlm,学习速率为0.1,目标精度为0.000 01。隐含层节点数量[11]根据经验公式(11)进行选取。

图5 网络模型

式中:a为调节常数,取值1～10,经过多次训练比较,最终确定本网络隐含层节点为13个,即M=13。

4.3 BP神经网络训练与测试

本文使用MATLAB中的BP神经网络工具箱进行仿真,选取样本总量75%,即1 260组数据作为网络的训练样本；选取样本总量15%,即270组数据作为测试样本；剩余15%,即270组数据用于验证。迭代至第26次时,网络预测结果达到最佳状态,如图6所示。回归性分析如图7所示。

图6 BP网络训练结果

图7 回归性分析

通过回归分析可以看出,仿真得到的BP神经网络训练、验证和测试情况较好,总体数据的R值约为0.94。所得BP神经网络整体预测误差(训练数据、验证和测试数据)情况如图8所示,1 800组样本的最大误差值不超过±0.008 MPa,预测准确度在98.5%以上,预测结果精度较高,理论分析的正确性得到了验证。

图8 BP神经网络整体预测误差

BP神经网络预测误差的统计学Q-Q示意如图9所示,该图中大部分数据点趋近落在第1象限内的一条直线上,因此可近似认为SF6在线监测装置压力预测误差服从正态分布。

图9 正态分布Q-Q示意

该BP网络的预测误差分布直方图如图10所示。

图10 预测误差分布直方图(×10－4)

预测误差均值估计值为－5.53×10－6MPa,误差均值95%置信区间为[－1.52×10－5,4.14×10－6]MPa。

将训练得到的BP神经网络模型用于仿真,得到结果如图11所示,所得预测模型能够较好地跟踪实际的变化趋势,对由于外部自然环境和内部电流变化引起的压力波动进行有效预测。

图11 BP神经网络预测

4.4 预测应用

根据厂家提供的使用说明和运维人员运维实际,该型号SF6在线监测装置在日常运行过程中,由于外界环境的变化造成SF6压力误报警情况时有发生[12]。这种缺陷发生时,运维人员往往无法通过在线监测数据判别压力变化是由于气室漏气造成还是由于外界环境变化造成。

根据前文分析,本文建立的BP神经网络模型预测得到的压力误差数据近似服从正态分布,且95%的置信区间内,误差期望值为－5.53×10－6MPa,因此可以设置适当的误差阈值P0,衡量测量误差的有效性,进而对设备实际状态进行准确分析。

根据对在线监测装置实际压力数据变化范围的分析和设备本身记录精度,可将预测误差阈值P0设置为2×10－3MPa。当GIS设备气室SF6压力P低于报警值PW,发出“压力低报警”信号时,设备运维人员可通过以下策略进行漏气缺陷分析。

将由BP神经网络预测所得结果P'与实际压力值P进行比较。如果连续2 h内(15 min为1个采样点,共8个采样点)P'与P差值基本小于P0,则可以判定气室压力数据正常,气室压力变化为由外界环境变化引起,并非设备发生漏气故障。若连续2 h内,P'与P差值基本大于P0,且P值随着时间变化呈现下降趋势,则可判断为设备发生了漏气。

对于不同类型、不同相别的GIS设备,可根据其自身外部环境和内部导体电流数据训练合适的BP神经网络进行压力预测,并设定适当的压力预测误差阈值P0。当设备发生“气压低报警”信号时,可通过连续观测预测结果P'与实际压力P之间的差值关系对气室SF6压力降低进行原因鉴别。

5 结论

本文主要研究基于BP神经网络的SF6在线监测装置压力预测方法,通过分析外部自然环境和内部导体电流等因素对SF6压力变化的影响,建立BP神经网络预测模型,对SF6在线监测装置的压力值进行预测,为监测设备正常运行提供数据参考。

选取某特高压变电站GIS设备典型SF6在线监测装置气体压力数据和对应的自然环境及导体电流数据进行仿真分析,结果表明:压力预测值与真实值相比,预测准确度可达98.5%以上,验证了本文预测模型的有效性。在此基础上,提出了分析GIS设备SF6压力降低原因的判别策略,为快速分析设备压力降低原因,提升设备运行可靠性提供有力支撑。