高原盐碱区接触网复合绝缘子污闪电压预测研究

2022-02-28王思华王军军赵珊鹏

电瓷避雷器 2022年1期

王思华，王军军，赵珊鹏

(1.兰州交通大学自动化与电气工程学院，兰州 730070；2.甘肃省轨道交通电气自动化工程实验室(兰州交通大学)，兰州 730070)

0 引言

为加快西北地区经济发展，我国对青藏铁路实施全线电气化改造工程。青藏铁路东起青海省格尔木市，西到西藏自治区拉萨市，全线长1 136.34 km，海拔高于4 000 m的地段占全线总长的85%，是世界上海拔最高的铁路。为保证线路正常通行，不仅要向高海拔地区铁路线路提供足够的电力能源，还要解决盐碱地区风沙扬尘破坏接触网绝缘子电气性能等问题[1]。土壤盐碱化已经是西北地区常见的自然灾害，其中青海省格尔木市就有超过了20%的耕地面积已经成为盐碱土。土壤盐碱化会腐蚀电气化设备，空气中的扬尘若是粘结在绝缘子上还会造成绝缘子污闪事故[2]。2012年5月3日2时28分起青海境内察尔汗变电所频繁跳闸造成加尔苏分区所-察尔汗变电所-盐田分区所上下行线路停电9小时53分钟，造成锡铁山-格尔木东上下行线路电力机车暂停运行，事故原因为绝缘子串盐污严重导致绝缘子发生污闪。2015年5月7日3时31分格尔木所东自闭线过流保护动作；3时39分格尔木至察尔汗贯通线跳闸，格尔木至察尔汗贯通线停电，造成格尔木至察尔汗自闭线、贯通线两路停电。影响Z266次区间停车4分钟，事故原因为绝缘子表面脏污，在雨雪天气下绝缘性能下降，造成瞬间放电引起跳闸。所以研究高原盐碱地区绝缘子污闪对于保障铁路线路安全运行是有重要意义的。

现阶段国内外学者研究的预防绝缘子污闪的方法主要有两种，如文献[3]是根据对绝缘子特征量的检测，如绝缘子污秽沉积量检测、对泄漏电流状态的检测、基于电晕检测装置的状态检测和远程热成像的检测等来判断绝缘子运行状态。这些检测方法针对的是绝缘子某一状态量的变化，如果要达到检测的精准度还要联系盐密和湿度等影响绝缘子积污特性的因素[4]，而且在设备投入上也需要耗费较多的人力和财力；另一种方法是对绝缘子发生闪络时的特征参量进行数学分析，利用数学方法得到预测结果，根据预测结果提前对绝缘子进行清扫等作业。目前使用较多的有最小二乘法、神经网络和支持向量机等。国内外已经利用这些方法得到了很多成果，文献[5-7]采用BP神经网络学习来预测绝缘子污闪电压，文献[8,9]利用支持向量机的方法对绝缘子污闪电压做出预测，文献[10,11]采用最小二乘法对绝缘子污闪电压进行预测。利用上述方法都能得到绝缘子污闪电压预测结果，但文献[12]说明BP神经网络易陷入局部最小解；文献[13]说明支持向量机需要依靠核函数，处理样本不能过大；文献[14]说明最小二乘法对于偏差值较大的点不能很好地处理，会对结果造成很大的影响，且回归方程残差和大。为了得到较精确的预测结果，需综合考虑对预测结果造成影响的各种因素，采用最优的预测方法建立模型实现对积污绝缘子闪络电压的预测。

根据文献[15-19]发现不同海拔的大气压强、绝缘子表面污秽沉积量以及环境温度等都会影响绝缘子的电气性能。本文针对高原盐碱地区铁路接触网复合绝缘子积污严重、闪络事故频发等问题，模拟不同型号因子(δCF)的绝缘子在不同的大气压强(P)、绝缘子表面盐密(ESDD)、灰密(NSDD)、环境温度(T)等条件下的运行状态，采用试验的方法得出复杂条件下接触网复合绝缘子交流平均闪络电压(Uav)，提出利用遗传算法优化BP神经网络建立预测模型，将预测结果用于建立电气化铁路接触网绝缘子污闪预防机制，辅助供电部门加强对染污绝缘子的维护。

1 绝缘子污闪电压计算研究

根据文献[15]绝缘子绝缘性能会跟选择的绝缘子的型号和材质有直接的关系。试验所用的为聚合物材料绝缘子，而爬电距离和干弧距离是决定绝缘子型式的重要参数。文献[20]在高原环境下对爬电距离和干弧距离的比值δCF不同的复合绝缘子污闪特性进行研究，发现δCF对染污绝缘子闪络电压有较大的影响。Topalis和Gonos提出了绝缘子爬电距离与交流临界闪络电压有效值的关系如式(1)所示[21]。

(1)

因此采用绝缘子爬电距离LS(mm)与干弧距离h(mm)的比值δCF来表征绝缘子型式对污闪电压的影响。

根据文献[16]由于交流污闪试验是在高海拔环境下的青藏高原进行，海拔因素必然会影响绝缘设备的外绝缘特性。海拔与气压之间的关系如式(2)所示。

(2)

式中，H为海拔高度(km)；P0为标准大气压强，即101.3 kPa。

结合Obenaus提出的绝缘子表面污闪物理模型，根据文献[22]当气压为标准大气压时，绝缘子污闪电压U0与气压P0的关系如式(3)所示。

(3)

当海拔高度为H时临闪电压UH与U0的关系如式(4)所示。

(4)

式中，ax为电弧常数；na为与绝缘子表面电弧电流有关的系数，取值由绝缘子表面泄漏电流的大小决定；xc为临界闪络时的电弧长度(m)；n为不同海拔高度下气压对绝缘子闪络的影响指数。

根据文献[17]绝缘子是否污闪以及污闪电压的确定与绝缘子表面受污程度有密切的关系。盐密(ESDD)和灰密(NSDD)是常见的表征绝缘子表面污秽度的量，两者既能单独也能共同对绝缘子电气性能造成影响。根据多次的试验和大量的数据分析得出两者与绝缘子闪络电压的关系式如式(5)和式(6)所示。

Uf=A·(ESDD)-a

(5)

Uf=B·(NSDD)-b

(6)

式中，Uf为绝缘子闪络电压(kV)；a为盐密的影响特征指数；b为灰密的影响特征指数；A、B为常系数。

根据文献[23]可知，绝缘子闪络电压与盐密、灰密间的关系如式(7)所示。

Uf∝(ESDD)-a×(NSDD)-b

(7)

式中，a、b分别为盐密、灰密对绝缘子污层电导率的影响特征指数

根据文献[19]在对绝缘子进行现场试验时需测量现场的环境温度。因为温度升高会使电解质在溶液中的溶解增强，电解质的溶解程度决定了绝缘子表面的电导率，电导率越大绝缘子越容易发生闪络。根据文献[24]得出了温度与闪络电压之间的关系如式(8)所示。

Uf∝[1+0.02(t-20)]-ωt

(8)

式中，t为环境温度(℃)；ωt为温度影响指数，交流一般取0.2。Mizuno也通过研究发现当温度升高1 ℃时，交流闪络电压会下降0.4%[25]。

通过对影响绝缘子外绝缘性能的各个因素进行数据拟合，根据文献[26]得到绝缘子闪络电压Uf与各个因素的关系如式(9)所示。

(9)

k=1+bt(t-20)

(10)

式中，bt为温度影响系数，取0.02/℃；t为温度(℃)。

2 建立接触网复合绝缘子污闪电压预测模型

2.1 BP神经网络

BP神经网络包含输入层、隐含层和输出层，根据模型BP神经网络的网络结构图如图1所示[27]。

图1 BP神经网络结构图Fig.1 Structure of BP neural network

BP神经网络的算法步骤如下：

1)网络初始化，随机赋予连接权值ωij、ωjk∈(-1,1)及阈值a、b，误差函数选择为E，计算精度ε，迭代次数为M时终止迭代。

2)输入需要计算的样本xi和期望值zk进行计算。

3)计算隐含层神经元输入与输出值、实际值与期望值的误差，根据误差函数E对输出层神经元求偏导数δk(t)。

4)利用隐含层与输出层间的连接权值ωjk、输出层偏导数δk(t)和隐含层输出误差函数E，求E对隐含层各神经元的偏导数δj(t)。

5)利用δk(t)和隐含层输出对ωjk修正；利用δj(t)和输入层输入对δj(t)修正。

6)计算误差，判断误差E<ε则结束运算，否则重新开始。误差函数如式(11)所示。

(11)

2.2 遗传算法优化

BP神经网络在寻找最优解时易陷入局部最优，所以对BP神经网络进行优化能够减少或避免这种情况发生。学者通过对自然界生物物种的进化历程研究发现，物种在进化的过程中总能保留最能适应环境的个体和生物特征。于是将遗传算法(Genetic Algorithm，GA)使用在数学计算当中，利用计算机模拟寻找解决问题最优解的途径[28]。

遗传算法基本运算过程：

1)种群初始化：设x为进化的次数，初始为0；最大进化次数为X；种群个体数为N；初始群体为T(0)。

2)计算T(x)中个体适应度。

3)选择操作：计算个体适应度值，依据需要从适应度值最大的个体依次往下挑选，并组成需要的群体。

4)交叉操作：对不同个体内的基因片段进行交叉融合。

5)变异操作：对个体基因片段随机变异，产生有新基因的个体。经选择、交叉、变异将群体T(x)进化成下一代群体T(x+1)。

终止条件判断：当x=X时，迭代次数满足要求，终止计算。

2.3 GA-BP神经网络预测流程

根据遗传算法良好的优化性能，加上BP神经网络强大的学习能力，将BP神经网络训练拟合过程和遗传算法寻优过程相互结合组成GA-BP神经网络算法[29]。这种算法既弥补了BP神经网络寻优时自身的短板，也为遗传算法提供了强有力的数据处理平台。GA-BP神经网络算法具体步骤如下。

1)确定网络拓扑结构

2)初始化BP神经网络权值和阈值。为降低数据中的突变值对整个数据组的影响，需对数据进行“归一化”处理。处理过程如式(12)所示。

xk=(xk-xmin)/(xmax-xmin)

(12)

式中，xmin为数据序列中最小数；xmax为数据序列中最大数。

3)初始值编码。用实数编码的方法，实现实数串数据的优化编码。

4)适应度函数。适应度值F计算公式如式(13)所示。

(13)

式中，yi和oi代表网络中的第i个期望输出和预测输出；k是常量。

5)选择操作。种群个体i被选中的概率Pi如式(14)所示。

(14)

式中，Fi为个体i的适应度值；k为系数；N是种群个体数目。

6)交叉操作。对编码好的个体用交叉法改变个体内部基因构成。

7)变异操作。对第i个个体的第j个基因aij进行变异获得新的个体。

8)计算适应度。对变异完的实数串重新计算适应度值，在每次迭代中挑选最优个体，判断满足条件与否，是则获取最优权值和阈值；否的话转到“选择”重新开始。

9)更新权值和阈值。

GA-BP神经网络算法流程图如图2所示。

图2 GA-BP算法流程图Fig.2 Flow chart of GA-BP algorithm

3 接触网复合绝缘子污闪电压试验

3.1 试验装置

试验在专门的高压试验室进行，试验电压由500 kV/2 000 kVA的交流无晕污秽实验变压器对380 V电源变压产生，且电源电压可调节。绝缘子悬挂于高2.9 m长4.8 m宽4 m的人工气候室内，通过穿墙套管与试验电源连接。气候室内配有温度检测、气压调节器和雾发生器，可以模拟海拔低于7 000 m的大气环境，通过调节试验室温度来改变气候室内的温度。

3.2 试品选择

选择棒形悬式双重绝缘、工频单相交流电压等级为25 kV、爬电距离为1 400 mm的单耳-单耳型绝缘子FQXS-25/125-HHJ和悬式单绝缘、工频单相交流电压等级为25 kV、爬电距离为1 600 mm的帽窝-单耳型绝缘子FQX-25/120-QHG作为试验样本，用试验的方法得出在高原盐碱地区两种不同型号的绝缘子在受到各种不同的环境因素影响下发生闪络的电压，并将试验数据用于之前建立好的预测模型中。

复合绝缘子结构图[30]如图3和图4所示。

图3 FQXS-25/125-HHJ复合绝缘子结构图Fig.3 Structure of FQXS-25/125-HHJ composite insulators

图4 FQX-25/120-QHG复合绝缘子结构图Fig.4 Structure of FQX-25/120-QHG composite insulators

试验用到的复合绝缘子参数[30]如表1所示。

表1 复合绝缘子结构参数表Table 1 Structural parameters of composite insulators

3.3 试验过程

3.3.1 前期准备

在试验之前要先对绝缘子进行甄别。选择电阻大于300 MΩ的绝缘子，并对其进行编号标记。准备去离子水溶液以及能盛装绝缘子浸染的容器。

3.3.2 染污[31]

1)准备污液。盐碱地区土壤中一般含有较多的碳酸盐，碳酸盐和氯化物具有等效电导，故用氯化钠配制可溶盐溶液；根据文献[32]发现不溶物也会影响绝缘子闪络电压，可将硅藻土和二氧化硅按10：1比例混合，用来配制非可溶沉积物溶液。最后将各混合物倒入水中充分搅拌。

2)绝缘子预处理。用脱脂棉在绝缘子表面涂覆一层薄薄的硅藻土，硅藻土可以让绝缘子暂时失去憎水性利于染污。

3)试品染污。对绝缘子预处理后将绝缘子浸泡在配制好的污液中，保证污液完全浸没绝缘子，一段时间后取出并清理绝缘子钢帽、钢脚处多余的污液。当绝缘子伞裙周围不再滴液且观察到其表面的污液已经均匀覆盖到绝缘子的各处时可以认为试品染污成功。

3.3.3 试验

配置不同浓度的污秽溶液，每次浸染至少三串绝缘子。将染污成功的绝缘子悬挂至气候室内进行闪络实验，试验时通过调压器改变绝缘子两端所加的电压，气压调节器可以改变气候室内的压强，模拟绝缘子在不同海拔高度工作时的大气环境，利用温度监测装置对绝缘子发生闪络时的环境温度进行记录。用“恒压升降法”对每串绝缘子试验4～5次，每次试验闪络后利用雾发生器对绝缘子表面喷雾，以绝缘子表面污秽完全湿润且边缘不滴水为标准。试验原理图如图5所示。

图5 试验原理图Fig.5 Test schematic diagram

3.4 试验结果及分析

测取绝缘子50%闪络电压，计算相应的电压标准偏差,对得到的绝缘子闪络试验结果进行筛选，舍弃标准偏差百分比大于5%的试验数据，保留标准偏差百分比在5%以内的所有数据。平均闪络电压Uav与电压标准偏差σ的计算公式[33]如式(15)和式(16)所示。

(15)

(16)

通过试验得到共计52组数据，部分试验结果如表2所示。

如表2中所示，在试验过程中通过更换绝缘子型号、改变气候室压强、配制不同盐密、灰密的污液以及改变环境温度得到不同的绝缘子闪络电压。对试验测得的绝缘子闪络电压利用公式(15)计算得到绝缘子平均闪络电压，从数据可以看出试验结果分散程度较小，其标准偏差不大于5%，试验过程中各环节可控，试验结果满足最初的试验要求。

表2 绝缘子污闪试验结果Table 2 Insulator pollution flashover test results

4 模型预测染污的复合绝缘子闪络电压结果

利用仿真软件MATLAB编程实现对绝缘子污闪电压的预测。将可能导致青藏铁路沿线接触网绝缘子发生闪络的5种影响因素：型号因子(δCF)、大气压强(P)、盐密(ESDD)、灰密(NSDD)、绝缘子所处环境温度(T)作为输入参数，将试验所得到的52组数据进行随机排列，其中42组数据用作网络训练，剩下10组数据作为测试数据，绝缘子污闪预测电压作为输出值，EPOCHS 为网络训练步数，MSE为预测精度，学习速率为0.1，目标误差为0.001。训练结果见表3所示。

由表3可以看出，BP神经网络隐含层节点数选择6对结果是有利的。

表3 隐含层神经元数Table 3 Number of neurons in the hidden layer

4.1 GA-BP神经网络预测结果

图6 GA-BP神经网络适应度曲线Fig.6 Fitness curve of GA-BP neural network

图7 GA-BP神经网络预测输出Fig.7 Prediction output of GA-BP neural network

图8 GA-BP神经网络预测输出偏差Fig.8 Prediction output error of GA-BP neural network

图9 GA-BP神经网络预测输出偏差百分比Fig.9 Prediction output error percentage of GA-BP neural network

根据图6所示，遗传算法中种群进化时，适应度函数呈阶梯递增趋势。在第三代出现最优个体，其平均适应度为22.26。阶梯状的适应度曲线说明算法在迭代的过程中不断地寻找适应度最佳的个体，通过选择、交叉、变异等操作提高个体的适应度，在达到最佳适应度后保持不变直到迭代结束。曲线的阶梯状走势代表了算法寻找最优解的过程。

将表2试验结果作为预测样本，对GA-BP神经网络的预测结果进行整理和分析。预测结果如表4所示。

表4 GA-BP神经网络预测结果Table 4 Prediction results of GA-BP neural network

4.2 结果分析

对预测结果分析发现：利用GA-BP神经网络预测的污秽绝缘子平均闪络电压与期望电压输出值间的最小偏差为0.57 kV，是期望值的1.28%，最大偏差为3.22 kV，占到期望值的6.50%，所有预测样本的平均偏差为1.58 kV，且电压偏差均小于4 kV。预测平均闪络电压偏差百分比绝对值最小为1.28%，最大偏差百分比为9.25%，所有样本的平均偏差百分比为4.49%。采用散点图的方式可以直观地看到数据的分布特点和范围。GA-BP神经网络预测结果分布图如图10所示。

图10 两种方式测量偏差百分比对比图Fig.10 Comparison chart of measurement error percentage of two methods

将GA-BP神经网络预测污闪电压的偏差值和偏差百分比两组数据分列图中不难发现：污闪电压的预测偏差值都分布在±4 kV的范围内，在±2 kV 以内的点有7个，占到全部样本数据的70%；污闪电压预测偏差百分比在±5%范围内的点有7个，占到全部样本数据的70%，偏差超过5%的只有3个，占到全部样本数据的30%，所有预测偏差百分比皆小于10%。

可以看到遗传算法优化的BP神经网络对于预测绝缘子污闪电压的结果是比较可靠的，预测污闪电压都接近于期望值，70%的样本预测值偏差百分比都在5%以内，所有样本预测值的平均偏差百分比小于5%，满足现场基本的工程应用要求，在绝缘子污闪防护工作中有应用参考价值。