氧化锌避雷器绝缘老化与检测技术实验研究

李一鸣，田付强，刘雪梅，穆勇，徐丽华，张运

(1.北京交通大学，北京 100044； 2.国网冀北电力有限公司唐山供电公司，河北 唐山 063000； 3.国网冀北电力有限公司昌黎县供电分公司，河北 秦皇岛 066000)

0 引 言

目前，国内外研究人员对氧化锌避雷器的老化研究已经很多，提出多种表征氧化锌避雷器老化指标，其中以泄漏电流为指标来作为判断是否老化的依据得到大多数学者的认可[1]。但运行中的氧化锌避雷器泄漏电流会受到电压波动、表面污秽、环境温度和湿度等的影响，如在氧化锌避雷器表面污秽比较严重的时候，1小时内的最大温升达到3.6 ℃(表面温度)，考虑到复合外套的隔热性，内部阀片温升应该远高于这个数值[2]。氧化锌避雷器阀片长期处于高发热状态，导致其加速老化。而温度对氧化锌避雷器的影响，是由氧化锌避雷器阀片复杂的晶格结构导致的，在相对低温环境受下到温度的影响较小[3]。但当温度超过40 ℃，氧化锌避雷器的非线性特性会有较大的波动，总泄漏电流会出现成倍的增长。其次是当环境湿度到达一定比例时，氧化锌避雷器表面会变得潮湿，同时会引起电位分布不均，导致电流增大[4]。

在多种环境变化因素同时作用时，氧化锌避雷器监测的特征值变化也会比较复杂，为了可以更加准确的去判断避雷器的绝缘状态，本文采用基于BP神经网络的绝缘状态诊断模型来对氧化锌避雷器的绝缘状态进行评估，BP神经网络通过模拟“人脑”对信息处理的方式来处理一些复杂、非线性程度高的问题。人工神经网络的基本单元就是神经元，而神经元的基本特点是多重输入、单重输出[5]。其中每一个输入都会对应一个权值，输出会对应一个阈值，通过传递函数将输入和输出连接起来，文中通过分析氧化锌避雷器在各种情况下的特征值变化和绝缘状态变化，将温度、湿度、表面污秽情况、总泄漏电流、泄漏电流阻性分量、阻性分量三次谐波量作为输入量，输出量为避雷器绝缘状态，建立BP神经网络的绝缘状态诊断模型，从而对氧化锌避雷器的绝缘状态进行准确的评估。

1 实验设计

1.1 实验系统搭建

避雷器高压实验系统主要包括高压产生装置、高压防护设备、氧化锌避雷器和在线监测装置等。高压产生装置是由TDM(G)-5/100试验变压器、KZT控制台和TDGC接触调压器组成。变压器的高压输出等于变压比和仪表线圈电压的乘积，其变压比为500，可以产生0～20 kV的交流高压。避雷器选用的是在10 kV电网中使用的HY5WS-17/50，额定电压为17 kV，持续运行电压为13.6 kV。

整个实验系统接线方式如图1所示。主要包括试验变压器、电压传感器、电流传感器、氧化锌避雷器和在线监测装置。变压器施加交流高压在氧化锌避雷器上，电压传感器获取系统施加的高电压，电流传感器获取避雷器总泄漏电流，监测装置采集信号，并进行后续的处理。

图1 整体实验接线方案

1.2 实验方案

1.2.1 泄漏电流测量

文中模拟氧化锌避雷器运行情况，采集其在持续运行电压状态下的泄漏电流。这时候氧化锌避雷器主要工作在小电流区，如果忽略极化现象，可以通过一个简化的等效电路来模拟避雷器的工作状况[6]，如图2所示，该电路为简单的 RC 并联电路，分别代表其非线性电阻和固有电容。

图2 氧化锌避雷器简化模型

由图2可知，在测量持续电流时，需要对泄漏电流和系统电压进行同时测量，用于分析总电流和阻性电流，在测量时，同时调整系统电压，测量不同电压下的泄漏电流，用于分析电压波动对于泄漏电流包括阻性电流分量的影响。

文中使用的氧化锌避雷器的最高持续运行电压为13.6 kV，10 kV系统相电压为6 kV，测量系统电压从5 kV到13.6 kV的泄漏电流。

1.2.2 测试环境条件

(1)避雷器表面污秽。

文中选择了较为普遍使用的盐雾法作为表面处理方法。盐雾法需要配制各种浓度的盐溶液，用于进行不同程度的表面污秽处理。文中参考了GB/T4585-2004《交流系统用高压绝缘子的人工污秽试验》中的要求，选择溶液浓度为20 g/L、40 g/L、80 g/L、112 g/L和160 g/L的五组NaCl溶液，通过盐度的大小来表明表面污秽的程度。

(2)环境温度。

文中采用可控恒温加热箱对氧化锌避雷器进行加热，由于复合外套的阻隔作用，加热时间不小于2 h[7]，实验室内温度约为20 ℃，文中设置温度以10 ℃为间隔进行测量。据实际运行情况分析，氧化锌避雷器表面最高温度可以达到60 ℃以上，文中将加热的最高温度设置为60 ℃。

(3)环境湿度。

文中对氧化锌避雷器处于不同湿度下的监测状况进行研究。主要是用冷热冲击仪来改变环境的湿度，冷热冲击可以增加相对湿度最高至90%左右[8]。在实验环境中相对湿度大约为10%～20%，文中选择相对湿度20%作为实验起点，最高湿度80%进行测量。

(4)加速老化实验。

避雷器的老化是一种常见的绝缘劣化情况，但氧化锌避雷器在正常工作条件下的老化速度比较慢，文中为了分析避雷器老化以后的特征值变化，对避雷器进行加速老化。

文中拟通过对避雷器进行持续加热的方式来实现老化[9]。通过可控恒温加热箱进行加热，加热温度预设为200 ℃。通过测试加热前后避雷器的U1mA和I0.75U来作为是否老化的判断依据。

2 实验结果分析与讨论

2.1 泄漏电流测量

对正常运行电压下的氧化锌避雷器进行交流泄漏电流试验，通过电压互感器和电流互感器检测并记录总泄漏电流及系统运行电压的数据，表 1为不同系统电压下各特性分量的变化情况，图3为不同电压下各特征量的变化曲线。发现氧化锌避雷器的泄漏电流在系统电压小于其持续运行电压时，电流值都在微安级别，一般不会超过1 mA。同时阻性电流的分量也小于全电流的20%。从总泄漏电流和泄漏电流阻性分量来看，与避雷器运行特性是吻合的[10]，这也从侧面验证了本系统的可靠性。

表1 持续泄漏电流测量数据

从图3可知，在小电流区，氧化锌避雷器的泄漏电流和阻性分量会随着系统电压升高而缓慢升高，且随着施加电压的升高，阀片电阻会下降，阻性电流增大幅度更明显。

图3 不同电压下交流泄漏电流实验数据

2.2 表面污秽情况下的测量

在实际的监测测量过程中所采集到的泄漏电流，除了包括阀片内部电流以外，还包括了流过氧化锌避雷器外部的电流。当氧化锌避雷器表面不光洁、出现污秽时，污秽部分相当于一个并联电阻，在进行泄漏电流采集时，就会计入这部分流过并联电阻的电流，导致测量误差[11]。

对正常运行电压下的氧化锌避雷器进行表面污秽处理后的交流泄漏电流试验，测试结果如表 2、图4所示。

图4 不同盐度下的泄漏电流

文中进行不同盐度的五组实验以后，为了分析在污秽情况下避雷器特征值变化的原因，通过如图5 所示的氧化锌避雷器简化等值电路进行分析[12]。

图5 考虑耦合电容的等效电路模型

随着避雷器表面污秽程度的增大，会使得Rx减小，通过上述模型可知道全电流和阻性电流会随着污秽情况的逐渐严重而增大。但由于耦合电容相对于表面污秽电阻较小，所以增大的全电流中主要为阻性电流。结合实验数据进行分析，文中测得的结果也是符合这一变化趋势。全电流增加30.3%，而阻性电流增大了176.0%，阻性电流三次谐波增大了59.7%。

2.3 不同环境温度下的测量

国内外都有研究各种环境因素对氧化锌避雷器在线监测的影响，其中温度也是一个比较常见的影响因素[13]，由环境温度引起的测量误差甚至是状态误判，可以通过引入环境温度监测的方式，分析环境温度对氧化锌避雷器在线监测特征量的影响，再通过软件计算和硬件补偿等方式来消除温度的影响。

对正常运行电压下的氧化锌避雷器进行不同温度处理，再进行交流泄漏电流试验，测试结果如表 3、图6所示。测量结果如下表：

在实验进行测量的温度范围内，可以明显的看出总泄漏电流和阻性电流都随着温度升高而逐渐增大，变化原因为氧化锌避雷器是由氧化锌阀片构成，而氧化锌阀片是具有负的温度系数，在运行过程中，环境温度升高后会导致其绝缘电阻降低，这时候通过氧化锌避雷器阀片的阻性电流就会增大。

表3 不同温度下的实验结果

图6 不同温度下泄漏电流

2.4 不同相对湿度下的测量

对正常运行电压下的氧化锌避雷器进行不同相对湿度处理后的交流泄漏电流试验，测试结果如表 4、图7所示。

图7 不同湿度下泄漏电流

从图7、表4中可以看到，氧化锌避雷器的总泄漏电流和阻性电流分量随着湿度的上升而逐渐增大。因为相对湿度简单来说就是体现了空气中水分的含量，当水分含量上升到一定程度时，会使氧化锌避雷器的表面变得湿润，甚至出现一层很薄的“水膜”[14]。而表面的水分会形成一个导电通路，从而使得总电流和阻性电流增大。

表4 不同湿度下的实验结果

2.5 加速老化实验

通过可控恒温加热箱对避雷器进行持续加热，将加热前后避雷器的U1mA和I0.75U变化作为是否老化判断依据。具体实验结果如表5所示。同时还进行了交流泄漏电流实验，全电流和阻性电流的数据如表6所示。

表5 老化实验测试结果

表6 交流泄漏电流测试

3 基于BP神经网络的绝缘状态诊断研究

前面分析了在各种环境变化因素分别作用时，氧化锌避雷器监测特征值的变化，但实际避雷器运行中，各种影响因素往往是同时作用的，为了更加准确的去判断避雷器的绝缘状态，本文采用基于BP神经网络的绝缘状态诊断模型来对氧化锌避雷器的绝缘状态进行评估。

3.1 BP神经网络

BP神经网络的基本结构主要分为三部分：输入层、隐含层、输出层。主要特征是训练过程中运用反向传播，也就是双向传播的方式[15]。BP神经网络是一种多层的前馈网络，其学习过程主要分为两部分：首先是正向训练，基本方式是逐层传导，通过各层节点计算输出值，并输入到下一节点，然后根据此时输出层的输出结果与期望值的误差来判断，当误差大于预期值，就会进行反向训练，与之前传导方向相反进行传递，进行递归计算，修正各层的权值。重复正向和反向的过程，不断调整和修正权值，最终使误差小于预期值[16-17]。图8就是典型的三层BP神经网络的结构。x为输入量，Δ为输出层的误差。

图8 BP神经网络结构

文中输入层神经元节点数为M，对应着氧化锌避雷器的M个变化特征量，训练样本数为10个，每个输入层的神经元节点都是长为10的向量。令网络模型输入输出为(Xp，Tp)，Xp为第p个样本输入向量，Xp=(xp1，…，xpM)；Tp为第p个样本输出向量，Tp=(tp1，…，tpN)，N为输出向量维数，文中N=1，对应着MOA的运行状态；网络的实际输出向量为Op=(op1，…，opN)。隐含层的节点数为H，H只是一个范围值，一般的做法是采用逐次分析的方法获得。输入层与隐层之间、隐层与输出层之间的连接权值用ωij表示，ωij表示前一层第i个节点到后一层第j个节点之间的连接权值。隐含层和输出层的传递函数均采用Sigmoid型函数[18]。

其中传递函数和误差函数分别是：

(1)

隐含层节点的输出：

(2)

输出层节点的输出：

(3)

下降梯度的定义为：

(4)

权值的更新公式为：

ωji(t+1)-ωji(t)=ηδioj

(5)

3.2 基于BP神经网路的绝缘状态诊断

为了让绝缘状态可以量化，文中将绝缘状态设定为0～1范围内的实数。输出越接近0，表示绝缘状态越好，或者说是存在缺陷的概率越小。输出越接近1，表示绝缘性能越差，存在缺陷的概率越大。

通过分析实验数据，将总泄漏电流、阻性电流基波分量、阻性电流三次谐波分量作为输入量，则输入层神经元节点数M=3，即每个样本有3个输入量Xp=(xp1，xp2，xp3)，氧化锌避雷器绝缘状态作为输出量，N=1，Tp=(tp1)。将某一只避雷器的特征量数据作为训练数据，训练样本数为10个，对建立的诊断模型进行训练。训练数据如表7所示。

表7 训练数据(节选)

对模型完成训练以后，用另一只同型号的避雷器在完全相同的测试环境下取得的特征值数据作为测试数据，对模型精度进行测试。表8为节选的部分测试结果。

从表8可以看出，实际状态和诊断状态(模型输出值)之间的误差很小，真实值与预测值之间的绝对误差小于0.001，同时相对误差比例也远在0.1%以下。

表8 训练数据(节选)

但是将相同型号避雷器，在不同测试环境下取得的三个特征值作为另一组测试数据进行模型测试，其部分结果如表9所示。

表9 训练数据(节选)

由表9可知，当环境因素变化时，特征值变化较为复杂，导致原始模型的预测结果出现了较大误差，因此我们对原始模型进行了进一步的调整和改进。

3.3 诊断结果分析和改进

当环境干扰较大时，初始模型判断精度迅速下降。分析精度下降的原因为，在环境因素的短时间作用下不会直接导致绝缘性能下降或者发生缺陷，但是它们会直接影响避雷器的特征值。所以本文将这些环境变量也作为诊断模型的输入量，对模型进行修改，新模型的输入量为总泄漏电流、泄漏电流阻性分量、阻性分量三次谐波量，加上环境变化因素温度、湿度、表面污秽情况，将这六个量作为输入层神经元节点，即M=6，Xp=(xp1，xp2，xp3，xp4，xp5，xp6)，输出量不变，Tp=(tp1)。

文中将某一只避雷器的特征量数据作为训练数据，训练样本数为12个，对建立的诊断模型进行训练，表10为模型的节选训练数据。

表10 训练数据(节选)

表11为新模型的节选测试数据。从表11可以看出，实际状态和诊断状态(模型输出值)之间的误差很小，真实值与预测值之间的绝对误差小于0.01，同时相对误差比例也远在1%以下。所以认为该模型提高了在环境因素影响下的诊断精度，符合本文的预期要求。

表11 训练数据(节选)

4 结束语

通过在不同污秽程度、环境温度和湿度、电压下对氧化锌避雷器进行模拟工况老化，并实时监测其泄露电流和阻性电流变化，研究了各种老化因素下对氧化锌避雷器绝缘状态变化的影响，确定了可以表征氧化锌避雷器绝缘老化的特征值，即总泄漏电流、泄漏电流阻性分量、阻性分量三次谐波量。以监测实验获得的特征量和环境变量作为输入量，其绝缘状态为输出量，建立了基于BP神经网络模型对氧化锌避雷器绝缘状态进行评估。对BP神经网络算法模型进行训练后，其对避雷器绝缘状态评估误差在1%以下，可以准确地反映出运行在复杂环境条件下的避雷器绝缘状态。该方法对氧化锌避雷器的绝缘在线监测和状态评估研究具有一定的指导意义。