基于BP神經網絡的輸電線路隱患預放電識別研究

楊 旗，曾華榮，黃 歡，馬曉紅，毛先胤，張露松

(1.貴州電網有限責任公司電力科學研究院，貴州 貴陽 550002 2.南方電網有限責任公司防冰減災重點實驗室，貴州 貴陽 550002)

隨著我國電網規(guī)模的不斷擴大，輸電線線路的安全、穩(wěn)定運行愈加成為電力運維人員關注重點。但由于能源分布的不平衡，送端電源往往處在江河、峽谷等復雜的地理環(huán)境中，在采用高壓輸電線路往外輸送電力過程中時刻面臨各種各樣的風險[1-2]。除雷擊、外力破壞等因素，輸電線路大部分常見故障的發(fā)生都是一個漸進的過程，均由最初的微小異常狀態(tài)逐步發(fā)展成為對輸電線路有一定威脅程度的異常狀態(tài)，進而進一步發(fā)展成為輸電線路故障。這種對輸電線路有一定威脅的異常狀態(tài)即為隱患。如果得不到及時處置，這些隱患將進一步發(fā)展并形成永久性故障，造成線路跳閘、停電等事故，加劇電力系統(tǒng)安全穩(wěn)定運行風險和造成巨大的經濟損失[3]。

目前針對輸電線路的運維，我國主要采取以人工定期巡檢輸電線路走廊為主的方式，由于貴州等西南地區(qū)的地形存在山脈、峽谷等，野生動植物資源非常豐富。在采用常規(guī)巡檢時，巡檢通道開辟采取砍伐清障過程往往受到限制，并且對于巡檢隱患的甄別在很大程度上依賴于運維人員的經驗，效率和準確性均不高，不能滿足電網智能化管理要求[4]。近年來，隨著各種檢測技術以及現(xiàn)代移動通信技術的迅速發(fā)展，對輸電線路監(jiān)測的新方法也應運而生，如紫外成像法[5]、紅外成像法[6-7]、無人機法[8-9]等。相較于傳統(tǒng)人工巡線法，新的方法不僅很大程度的解放人力，同時也在工程上得到應用，推動著架空線路異常放電監(jiān)測朝著實時化、智能化的方向發(fā)展，但是其工作效率與成本投入均難以達到大量推廣的要求。

隨著廣域測量技術[10-11]在電力系統(tǒng)中的應用，電網調度控制實現(xiàn)了在時間同步基礎上獲得了廣域的電氣量數(shù)據(jù)。然而對用于輸電線路放電檢測的廣域監(jiān)測技術尚處于起步研究階段，隱患預警等相關技術尚無標準及成熟運行經驗可依。并且由于隱患放電是一種長時間存在的弱放電過程，其放電具有一定發(fā)展規(guī)律及統(tǒng)計特征，這就為在線監(jiān)測等手段開展提供了前提條件。與局部放電的預警處理辦法相似，通過借鑒輸變電設備的局部放電監(jiān)測及相關識別技術[12-13]，進而實現(xiàn)輸電線路隱患預放電的在線監(jiān)測與識別。

為此，首先在南方電網防冰減災重點實驗室梅花山試驗基地搭建了輸電線路隱患模擬試驗平臺，模擬了輸電線路樹障、污穢絕緣子兩種常見的隱患預放電過程，并通過高頻電流傳感器裝置采集得到放電過程的脈沖電流波形。在此基礎上，通過提取脈沖了放電電流波形的放電量相位分布，平均放電量相位分布和放電次數(shù)相位分布三個二維圖譜，并從中提取并構建得到放電電流的特征參量數(shù)據(jù)庫，再將這些特征量帶入反向傳播神經網絡分類器中對線路隱患類型進行訓練，獲得訓練模型。最后，將測試樣本帶入訓練得到的模型進行測試，結果驗證了采用BP神經網絡算法實現(xiàn)輸電線路隱患識別的準確性。

1 輸電線路隱患模擬試驗

為獲取輸電線路隱患發(fā)生預放電時的特征，首先在南方電網防冰減災重點實驗室梅花山試驗基地進行了隱患放電模擬試驗。通過模擬輸電線路常見的樹障、污穢絕緣子隱患放電過程，實現(xiàn)對放電脈沖電流參數(shù)采集。

1.1 模擬試驗平臺

如圖1所示為整個模擬試驗平臺原理接線圖，平臺主要由調壓變壓器(額定容量1200 kVA，額定輸出電壓0～400 kV，額定輸入電壓0～10 kV，額定輸入電流120A，額定輸出電流3A，阻抗電壓<8%)、工頻電容分壓器(標稱電容器500pF，標稱分壓比1000：1，額定電壓400 kV)、保護電阻(限制短路電流)、模擬導線、監(jiān)測終端和模擬試品(試驗樹木和污穢絕緣子)組成。

1.2 監(jiān)測裝置

試驗中檢測裝置采用自積分羅氏線圈作為輸電線路隱患放電電流的采集前端，該傳感器具有線性度好、測量頻帶寬、抗干擾能力強等優(yōu)點。后端主要包括對信號進行調理的調理單元、模數(shù)轉換的采集單元、信號處理與發(fā)射單元、GPS時鐘與電池單元等。裝置外殼為一圓柱形鋁合金金屬容器，所有的模塊均放置于其內部。試驗時外殼與導線等電位連接，可以有效保護內部功能模塊免受高壓及電磁環(huán)境干擾。監(jiān)測終端主要組成部分的技術參數(shù)如下：

①傳感器單元：測量范圍1 mA～10 A，帶寬范圍10 Hz～10 MHz；

②調理單元：采集頻率范圍為300 Hz～10 MHz；

③采集單元：采樣頻率10 MHz。

監(jiān)測裝置實時采集模擬導線上高頻電流，模擬導線和監(jiān)測裝置均安裝懸掛在梅花山試驗基地12 m×12 m×12 m的雨凇架進行，如圖2所示。對于試驗中的電流數(shù)據(jù)的采集主要有兩種方式：一是在試驗結束后，通過離線方式對數(shù)據(jù)進行拷貝；二是直接利用無線方式將采集到的放電電流信息直接發(fā)送至后臺數(shù)據(jù)中心，最后對采集信息進行分析并輸出結果。

1.3 模擬試品

在模擬輸電線路隱患時，主要選取了高壓輸電線路典型隱患中樹障、污穢絕緣子的放電過程進行試驗。樹障模擬試驗采用種類相同、高度相近且生長狀態(tài)基本一致的樹木作為試品，通過絕緣繩懸掛試品樹木，并改變試品與模擬導線之間的距離模擬自然狀態(tài)下不同生長高度樹障隱患的發(fā)展過程。

絕緣子污穢試驗采用應用較為廣泛的玻璃絕緣子。玻璃絕緣子為貴州電網地區(qū)110 kV線路常用的7片玻璃絕緣子進行試驗。采用定量涂刷法將污穢溶液完全、均勻地涂刷于絕緣子表面。涂污等級按照貴州地區(qū)最常見的b、c級污區(qū)，即典型鹽密為0.05 mg/cm2和0.1 mg/cm2進行涂污試驗。試驗所采用玻璃絕緣子主要參數(shù)如下表1所示。

表1 試驗用絕緣子參數(shù)

1.4 試驗過程

在模擬試驗過程中，對于樹障放電試驗，試驗施加電壓為輸電線路額定電壓，通過改變樹木與輸電線路的距離模擬實現(xiàn)不同生長高度下輸電線對樹木的放電過程，并監(jiān)測記錄放電電流數(shù)據(jù)。對于污穢絕緣子的放電試驗過程，主要采取均勻升壓試驗方法，逐步升壓至額定電壓值，記錄絕緣子的放電過程中電流波形數(shù)據(jù)。在測量兩種隱患的放電過程中，監(jiān)測終端觸發(fā)閾值設置為測試回路電暈放電電流幅值的1.5倍，避免因電暈放電帶來的干擾。

2 輸電線路隱患識別

對檢測到的輸電線路隱患放電信號進行分析可以實現(xiàn)不同放電類型的模式識別，明確放電類型后不僅可以幫助運維人員有針對性的對線路進行維修，也可以確定什么缺陷導致放電信號的發(fā)生，對后續(xù)輸電線路隱患放電的預防具有前瞻性的作用。

為此，采用如圖3所示方式：首先從輸電線路隱患放電信號中提取兩種類型放電電流波形中放電量，放電次數(shù)，相位參數(shù)，構建得到放電電流二位圖譜，并從圖譜中提取并構建特征參量數(shù)據(jù)庫，最后將特征量帶入設計的反向傳播神經網絡分類器中進行訓練[14-15]，并分析獲得的訓練模型。

BP算法的基本原理是輸入信號通過中間節(jié)點(隱含層點)作用于輸出節(jié)點，經過非線形變換，產生輸出信號，網絡訓練的每個樣本包括輸入向量和期望輸出量，網絡輸出值與期望輸出值之間的偏差，通過調整輸入節(jié)點與隱含層節(jié)點的聯(lián)接強度取值和隱含層節(jié)點與輸出節(jié)點之間的聯(lián)接強度以及初始化隱含層閾值，輸出層閾值，使誤差沿梯度方向下降，經過反復學習訓練，確定與最小誤差相對應的網絡參數(shù)(權值和閾值)，訓練即告停止。此時得到的加權參數(shù)使得模型具有一定的識別功能，當輸入新的特征量時，由于經過重復性訓練，根據(jù)特征通過加權參數(shù)對輸入量進行識別。

2.1 特征量提取

在輸電線路隱患放電過程中會產生許多電氣特征，不同類型的輸電線路隱患放電或不同嚴重程度放電的輸電線路隱患放電都會產生不同的電氣特征。通過這些特征量的提取，可以深入了解放電過程，識別放電類型，確定缺陷位置。目前輸電線路隱患放電中被廣泛應用的PRPD模式圖，即輸電線路隱患放電相位分布模式圖。然而三維圖譜中提取特征量處理效率較低。為此本文將采集的放電脈沖電流信息進行分解為最大放電量相位分布Hqm(φ)二維圖譜，平均放電量相位分布Hqn(φ)二維圖譜和放電次數(shù)相位分布Hn(φ)二維圖譜進行統(tǒng)計。

由于輸電線路隱患放電具有隨機性，通過對大量數(shù)據(jù)的特征參量進行處理可以有效消除受到隨機特性影響的特征參量，較大程度提高輸電線路隱患放電特性的有效性和放電類型識別的準確性。為此，對得到的放電圖譜分別從中提取表示輸電線路隱患放電圖譜偏斜程度的Sk參數(shù)[16]：

(1)

上式n為半個周期內的相位窗數(shù)；xi為輸電線路隱患放電某一分布參量；pi為輸電線路隱患放電該分布參量xi出現(xiàn)的概率；μ為輸電線路隱患放電該分布參量xi的均值；σ為輸電線路隱患放電該分布參量xi的方差。當Sk>0時，表示放電圖譜分布相對于正態(tài)分布向左偏；當Sk<0時，表示放電譜圖分布相對于正態(tài)分布而右偏；當Sk=0時，表示放電譜圖分布恰好符合正態(tài)分布。

表征輸電線路隱患放電譜圖的陡峭度Ku參數(shù)：

(2)

上式(2)中：當Ku>0時，譜圖形狀相對于正態(tài)分布來說比較尖銳陡峭，說明該情況下輸電線路隱患放電分布比較集中；當Ku<0時，表示譜圖形狀與正態(tài)分布相比較而言坡度較為平緩，此時放電的分布較為離散；當Ku=0時，表示此時譜圖的形狀為正態(tài)分布。

在輸電線路隱患放電譜圖中的一定范圍內選取放電量極大值和極小值差來確定一定范圍內放電量的變化情況Pk：

Pk=max(xi)-min(xj)

(3)

將輸電線路隱患放電處理后得到的放電譜圖分為正負半周期兩部分，將這兩部分之間的相關程度用參量Cc表示：

(4)

上式n表示半個周期內的相位窗數(shù)；xi表示正半周期內的輸電線路隱患放電量；yi則表示負半周期內的輸電線路隱患放電量。對于相關度參量Cc越接近于1，表示這兩部分之間的相似度越高；而Cc越接近于0，則表示這兩部分之間的相似度越低。

在對輸電線路隱患放電進行研究時，將輸電線路隱患放電處理后得到的放電譜圖分為正負半周期兩個部分，將這兩個部分的放電量之差與這兩個部分放電量之和相比的，得到不對稱度Asy。不對稱度參數(shù)Asy計算公式為：

(5)

w表示一個周期內相角度數(shù)，即360°。當Asy越靠近1或者-1時，表示這兩部分不對稱度極大，而Asy越接近于0時，則表示這兩部分的不對稱度越低

將上述參數(shù)分別統(tǒng)計工頻電壓周期中正負半周三階統(tǒng)計量偏斜度Sk+，Sk-，正負半周四階統(tǒng)計量突出度Ku+，Ku-，正負半周的極值差Pk+，Pk-，正負半周之間的相關度Cc和不對稱度Asy。得到整個放電二維圖譜提取的特征參數(shù)如表2所示。

表2 特征參量提取

2.2 神經網絡設計與實現(xiàn)

在采用BP神經網絡設對輸電線路預放電模型進行訓練時需要考慮網絡層數(shù)，神經元個數(shù)及學習速率等。

對于神經網絡中的網絡層數(shù)的選取，盡管在一定程度上通過增加訓練層數(shù)可以提高訓練模型的精度，但是層數(shù)的無限增加也會加大網絡本身的復雜度，增加訓練過程的計算量[17]。在訓練中經多組數(shù)據(jù)測試表明單層輸電線路隱患放電辨識率已達到較高水平，并且計算速度較快，響應性好。

同樣地，對于模型中隱層的神經元數(shù)量選取，適當增加神經元的數(shù)目可以提高輸電線路隱患預放電的辨識度。但是過多的神經元數(shù)則會造成訓練過程中的運算速度慢，甚至出現(xiàn)過擬合現(xiàn)象，如果選取的神經元過少則會造成網絡學習能力差[18]。在實際的輸電線路隱患預放電的模型訓練中隱藏層的神經元數(shù)目經對比試驗確定隱含層神經元數(shù)為20。

對于學習速率的選取，取值過大往往會造成迭代計算過程中出現(xiàn)不穩(wěn)定，甚至出現(xiàn)發(fā)散情況，而過小則往往導致訓練時間過長的不足[19-21]。因而在多次設計訓練過程中，學習速率值設定為0.01。整個神經網絡訓練過程的參數(shù)設定如表3所示。

表3 BP神經網絡參數(shù)設定

在利用神經網絡模型訓練時，首先將收集到兩種放電原始圖譜進行降噪處理，這因為提取到的譜圖中含有較多空間環(huán)境噪聲等脈沖噪聲，因此首先在沒有其他輸入的情況下檢測環(huán)境噪聲，觀察噪聲閾值，在后續(xù)實驗中根據(jù)噪聲合理確定過濾閾值，盡可能的減小環(huán)境噪聲影響。然后根據(jù)前面特征量提取的方式，從譜圖中提取出多組特征量，每一次實驗得到的三個譜圖中可以得到一組實驗數(shù)據(jù)。此外，為保證模型訓練的速度，需要對所有輸入的特征參數(shù)進行歸一化處理，加快運算速度。最后將特征產量帶入模型中進行訓練及測試模型準確性，整個神經網絡分類的實現(xiàn)流程如下圖4所示。

2.3 結果分析

由于有樹障隱患放電、污穢絕緣子放電等放電類型，為保證圖譜的識別率，為保證識別率，需要足夠的訓練樣本。在試驗中將輸電線路的每種放電采集了150組數(shù)據(jù)，隨機選取100組數(shù)據(jù)作為訓練樣本，另外50組作為測試樣本。

獲得歸一化的特征量后將得到的特征量訓練樣本輸入matlab神經網絡中進行計算，可以得到如圖5的訓練結果。從圖5中可以看出訓練樣本迭代5 827次后就已經達到收斂并且達到0.01的期望誤差，同時整個訓練時間為4 s。由于神經網絡具有不斷地學習能力，當后續(xù)有更多訓練樣本進入時，可以進一步保證訓練的效率。

圖6中可以得到訓練結果的均方誤差在樣本整體多次迭代的過程中不斷減小，每次迭代都會有一次反向傳播?？梢钥吹?，隨著輸出值與期望值的誤差不斷降低，各個層間神經元的權重也不斷調整并最終達到計算誤差小于設定的誤差值的要求。

圖7中給出了整個訓練過程中的狀態(tài)曲線，分別為梯度曲線(gradient)，最大失敗驗證次數(shù)(validation checks)以及學習速率(learning rate)。

梯度曲線是指在正向傳播過程中最終的輸出結果是由每一層的各個神經元權重決定的，通過鏈式法則，梯度是一層一層向后傳遞，在反向傳播時利用梯度來調整各個神經元間的權重，當梯度大于設定值時為保證系統(tǒng)收斂須立即停止訓練。最大失敗驗證次數(shù)默認是6，當系統(tǒng)判斷這個驗證集誤差是否在連續(xù)6次檢驗后不下降，如果不下降或者甚至上升，說明訓練的誤差已經不再減小，沒有更好的效果了，這時再訓練就沒必要了，就停止訓練，不然可能陷入過擬合。學習速率初始設置為0.01，在迭代過程初期，學習速率較大，對比可以看出，迭代過程初期誤差下降速度較快，輸出較快的與期望輸出靠近，迭代后期為保證不會發(fā)生過擬合，學習速率逐漸下降保持穩(wěn)定。

作為測試樣本的數(shù)據(jù)輸入分類器后，將分類出來的結果與真實情況放電類型進行對比，獲得識別的正確率。定義第i類放電類型的識別正確率Pi為：

Pi=Yi/Yt

(6)

其中Yi和Yt分別表示測試樣本中第i類缺陷線路放電信號的分類器正確分類數(shù)量和測試樣本的總數(shù)量。將測試集樣本輸入BP神經網絡分類器后識別結果如表4所示。

表4 二維統(tǒng)計圖譜特征參數(shù)識別結果

由表可知以提取輸電線路兩種隱患放電的二維統(tǒng)計圖譜的特征參數(shù)作為模式識別的輸入向量，在進入輸入的BP神經網絡分類器的識別率分別為94%和92%，能夠對輸電線路兩種典型隱患的放電實現(xiàn)很好的識別。

3 結論

為實現(xiàn)對輸電線路隱患預放電識別，論文首先在南方電網防冰減災重點實驗室梅花山試驗基地搭建了模擬輸電線路樹障、污穢絕緣子兩種常見的典型的隱患預放電試驗平臺。其次通過高頻電流傳感器裝置采集輸電線路隱患放電脈沖電流波形數(shù)據(jù)，并在此基礎上提取了放電波形參數(shù)中最大放電量相位分布Hqm(φ)，平均放電量相位分布Hqn(φ)和放電次數(shù)相位分布Hn(φ)三個二維圖譜，并從中提取統(tǒng)計特征參量，獲得圖譜的特征參量數(shù)據(jù)庫，再將特征量帶入反向傳播神經網絡分類器中對進行訓練，得到輸電線路隱患放電特征訓練模型。最后，利用將放電脈沖電流測試樣本帶入得到的訓練模型進行測試，驗證了采用BP神經網絡算法實現(xiàn)輸電線路隱患識別的準確性。該方法為開展輸電線路隱患監(jiān)測與診斷提供了參考。