基于瞬时故障分析的配电网在线绝缘监测

俞嘉， 汪超， 陈昊， 王鹏， 吴雷， 潘小胜， 王昕

(1.国网安徽省电力有限公司 芜湖供电公司，安徽 芜湖 241000；2.上海交通大学 电工与电子技术中心，上海 200240)

0 引 言

在我国各电压等级的电网中， 35 kV及以下的中低压电网是发生故障最多的部分，而其中大多数的故障均属于接地故障[1-3]。当接地故障发生时，其系统接地电流较小，但接地电流的存在会加剧接地点的系统绝缘劣化程度，对系统、设备甚至人身安全都将造成较大的威胁[4-5]。因此，通过研发配电网接地系统绝缘监测方法对系统绝缘状态进行在线监测，实现对接地故障的提前预测，可以将故障扼杀在萌芽之中，有效保障系统安全运行。

文献[6]采用K-means和反向传播(back propagation，BP)神经网络实现故障电弧的辨识，采用小波变换得到细节特征值，但小波变换存在基函数选择不便的问题。文献[7]采用振荡波局部放电的方法评估电缆绝缘老化状况，但不适用于在线检测。文献[8]结合红外光传感器和紫外光传感器采集的信息并采用自适应模糊神经网络来判断开关柜绝缘状态，但无法预测短路冲击时绝缘状态的变换情况。

因此，本文在研发配电网智能运行监测系统的基础上，提出了基于瞬时故障特征分析的配电网在线绝缘监测方法。该方法通过对系统中瞬时接地故障的监测，统计其瞬时故障的累计次数、零序电压、持续时间以及故障频率作为特征量进行统计，形成瞬时故障数据库。数据库形成后，使用该数据库对BP神经网络模型进行训练，最终通过瞬时故障数据的模式识别实现对系统绝缘状态的在线监测，有效预测永久故障的发生。

1 瞬时故障特征量统计分析

电力设备绝缘性能的变化会受到材料本身和环境等因素的影响，因此变化过程是一个非线性的过程，需要用统计方法进行特征量分析。综上所述，本文选取瞬时故障的累计次数、零序电压、持续时间以及故障频率作为特征量进行统计分析。以某条发生了永久接地故障的10 kV线路为例，其发生永久故障前的瞬时故障统计数据如图1所示。

图1 永久故障前的瞬时故障统计数据

第一，从累计次数来看，永久故障发生前8周，每周内的瞬时故障次数是总体增加的趋势，其中在第2周和第6周出现了下降，但在第7周和第8周出现了大幅上涨。此结果说明了在永久故障发生前，瞬时故障的累积次数会出现大幅的上涨，产生 “雪崩”效应。

第二，从零序电压来看，永久故障发生前14次的瞬时故障零序电压，是总体上升的趋势，在靠近永久故障发生时上升的趋势会加剧。这说明了随着瞬时故障发生次数的增多，绝缘劣化程度加剧，对地放电的接地电阻减小，造成了放电的零序电压增大。

第三，从持续时间来看，永久故障发生前14次的瞬时故障持续时间，总体同样呈上升趋势。但是上升趋势过程中波动较大，说明对地放电熄弧的过程受环境因素影响明显，但总体与绝缘劣化程度时有着强相关性。

第四，从发生频率来看，永久故障发生前14次的瞬时故障，每次发生时的最近5次瞬时故障平均间隔时间是逐渐缩短的，说明随着绝缘劣化程度的加深，对地放电发生的阈值也在降低，更多的因素可以满足对地放电的触发条件，瞬时故障的频率越来越高。

通过以上的特征量统计分析可知，通过累计次数、零序电压、持续时间以及故障频率这四个特征量对系统绝缘状态进行监测是可行的。可以以此建立数学模型，将非线性的过程具体化，实现绝缘状态分析以及永久故障的预测。

2 系统概述

本文提出的基于瞬时故障特征分析的配电网在线绝缘监测方法，依托开发的配电网智能运行监测系统实现，监测流程如图2所示。

图2 本文绝缘监测方法流程图

系统检测装置实施监测范围内电力系统的零序电压信号。当检测到异常信号时，通过信号持续时间和信号幅值等检测逻辑判断故障类型。若为永久故障，则触发保护装置的动作；若为瞬时故障，则进入本系统下一步的逻辑判断。

第二，对该次瞬时故障信号进行特征量统计，包括累计次数、零序电压、持续时间以及故障频率，作为一组特征量数据录入瞬时故障数据库。同时，通过人工将每组瞬时故障数据进行故障严重程度归类，分为正常、一般、严重以及紧急四类录入数据库。当该组数据对应的故障点最终发生了永久接地故障时，会将该信息录入数据库，形成数据闭环。

第三，使用构建好的数据库对BP神经网络模型进行迭代训练，逐渐完备其对于瞬时故障加剧绝缘劣化过程的刻画。

第四，当瞬时故障发生时，将该次故障对应的特征量数据输入训练好的BP神经网络，进行模式匹配，即可输出瞬时故障发生线路的绝缘状态研判结果，即正常、一般、严重以及紧急四种绝缘缺陷严重程度。

3 BP神经网络模式识别算法

模式识别是一种通过模型对数据库的充分学习实现自动目标匹配的人工智能算法[9-10]。主流的模式是识别算法，主要包括神经网络算法、KNN(k-nearest neighbor)算法以及贝叶斯算法等[11-14]。在神经网络算法中，BP神经网络作为一种多层的前馈型神经网络，具有迭代速度快和鲁棒性高的特点，在数据模糊的条件下也能够实现较高的识别精度[15]。BP神经网络通常是三层结构，即输入层、隐含层和输出层。本文使用的BP神经网络结构如图3所示。

图3 本文BP神经网络结构图

在本文中，神经网络模型输入参量即为瞬时故障特征量，包括累计次数S、零序电压U、持续时间T以及故障频率F，因此输入层包含了四个神经元。本文模型的输出参量为绝缘状态严重程度，即1位数代码，因此输出层的神经元个数为1。隐含层的神经元个数没有严格的限制，可以作为调节神经网络模型性能的工具，本文通过迭代试验，将隐含层神经元个数确定为12个。各神经元的权值同样通过迭代试验优化选取。

BP神经网络各层之间的数据传递通过传递函数实现。本文在输入层与隐含层之间选用sigmoid函数作为传递函数，其表达式为：

(1)

式中:Hj为第j个隐含层的神经元值；wij为神经元权重；Ri为第i个输入值。

在隐含层和输出层之间选取线性函数作为传递函数。神经网络模型的训练算法则选用改进牛顿算法：Levenberg-Marquardt算法，该算法可以加快迭代收敛的速度，其迭代表达式为：

yk+1=yk-(JTJ+μI)-1JTE

(2)

式中:J为雅克比矩阵；μ为阻尼参数；E为网络的误差向量。

4 试验验证

4.1 仿真试验设置

仿真试验基于实时数字仿真装置实现，搭建10 kV配电网系统模型与仿真数据库，本文算法内嵌于研发的XY-800型配电网智能运行监测系统。

4.2 试验结果分析

首先，试验使用瞬时故障仿真数据库，对系统进行瞬时故障模拟冲击，同时使用本文方法对瞬时故障进行特征分析，监测输出系统绝缘状态。为了更好地验证算法性能，本文将KNN算法、贝叶斯算法加入仿真进行对比试验，试验结果如图4所示。

图4 三种算法识别准确率结果

从图4可以看出，本文算法在识别准确率上有着明显的优势，平均识别准确率分别高于KNN算法5.73%，高于贝叶斯算法7.6%。本文算法对正常、一般、严重、紧急四种故障识别准确率均高于90%，验证了算法的准确性和稳定性。其中，对一般故障的识别准确率相对较低，说明一般故障的数据模糊程度较高，是系统识别的薄弱点，但紧急故障识别准确率达到了97.4%，对于守住系统安全底线提供了较为充分的保障。

紧急缺陷代表了该瞬时故障将较高概率地转化为永久故障。因此，本文在仿真试验中对紧急缺陷的永久故障转化比例进行了探究，具体结果如表1所示。

表1 紧急缺陷转化为永久故障的比例 %

从表1可以看出，三种算法均有着较高的转化比例，其中本文算法转化比例达到了85.6%，说明本文算法对于系统绝缘状态的监测是有效的，可以高精度预测永久接地故障的发生，从而方便工作人员提前介入，将故障扼杀在萌芽之中，提升系统运行安全性。

5 结束语

本文在研发的配电网智能运行监测系统的基础上，提出了基于瞬时故障特征分析的配电网在线绝缘监测方法，该方法通过对配网中瞬时故障的统计分析实现对于系统绝缘状态的监测。首先，通过试验分析选取了累计次数、零序电压、持续时间以及故障频率四个特征量，并以此建立特征量数据库。然后，使用建立好的数据库对BP神经网络模型进行迭代训练。最后，仿真试验表明，本文算法可以以高于90%的准确率将系统瞬时故障分类为正常、一般、严重、紧急四种类型，即表征了系统绝缘状态。同时，在识别出紧急状态的故障点中，85.6%的故障点最终发生了永久故障，充分说明了本文算法的有效性。本文算法内嵌于已研发的配电网智能运行监测系统平台，已在国网芜湖供电公司实施配电网10 kV线路绝缘预警工作，目前在应用过程中已发出56次绝缘风险预警通知单，经特巡查到109个隐患故障点，说明了本文方法在电力系统中应用性较强，具有一定的推广意义。