基于XGBoost 算法的絕緣子污穢放電在線診斷方法研究

陳興新， 岳一石， 程紫熠， 鄒妍暉， 巢亞鋒

(1.三峽大學(xué)， 湖北 宜昌443002；2.國網(wǎng)湖南省電力有限公司電力科學(xué)研究院， 湖南 長沙410007)

0 引言

架空輸電線路絕緣子由于長期處于高壓強(qiáng)磁場環(huán)境下， 會因損耗和老化而發(fā)生表面劣化等缺陷和污穢閃絡(luò)， 造成線路停運(yùn)， 嚴(yán)重威脅到電力系統(tǒng)的可靠性和安全性[1-4]。 當(dāng)表面累積污穢， 在潮濕中因濕度增加絕緣子的絕緣性能降低， 在這種情況下極易造成污閃[5-6]。 污閃是涉及多學(xué)科交叉的復(fù)雜化學(xué)和物理變化過程。 現(xiàn)代電力系統(tǒng)電壓等級高，絕緣子的研究成果仍然無法滿足實(shí)際運(yùn)行線路的需求， 有必要進(jìn)一步研究絕緣子的污閃監(jiān)測方法， 及時(shí)對污閃進(jìn)行監(jiān)測和預(yù)警[7-9]。 現(xiàn)有研究通過監(jiān)測絕緣子放電聲音， 提出了基于數(shù)學(xué)形態(tài)、 基于主成分分析和基于隨機(jī)森林等絕緣子放電聲音診斷方法[10-12]， 但相關(guān)方法主要基于數(shù)據(jù)頻域特征進(jìn)行分析， 容易受環(huán)境噪聲影響。

本文提出一種絕緣子放電狀態(tài)在線診斷方法，通過研究絕緣子運(yùn)行中的聲音信息與絕緣子不同放電階段狀態(tài)之間的關(guān)系， 實(shí)現(xiàn)絕緣子放電狀態(tài)的準(zhǔn)確判斷[13-14]。 結(jié)果表明， 該方法可有效監(jiān)測絕緣子的不同污穢放電狀態(tài)， 及時(shí)發(fā)現(xiàn)絕緣子運(yùn)行中的隱患， 保證電力系統(tǒng)安全穩(wěn)定運(yùn)行。

1 試驗(yàn)裝置及試驗(yàn)方法

1.1 實(shí)驗(yàn)簡介

本試驗(yàn)主要采集濕污穢瓷絕緣子和干污穢玻璃絕緣子電暈放電、 表面放電、 擊穿電弧放電聲音數(shù)據(jù)。 所設(shè)計(jì)污穢放電試驗(yàn)裝置如圖1 所示， 試驗(yàn)裝置主要有聲音采集裝置、 電容分壓器、 試驗(yàn)變壓器、 調(diào)壓器、 玻璃絕緣子和陶瓷絕緣子。

圖1 聲音污穢試驗(yàn)接線圖

本試驗(yàn)采集了距離2 片濕污穢瓷絕緣子在10種不同位置放電的聲音信號和2 片干污穢玻璃絕緣子在5 種不同污穢程度下的聲音信號， 其中圖2 (a)為試驗(yàn)現(xiàn)場照片， 圖2 (b) 為2 片濕污穢瓷絕緣子在不同情況下的擊穿電弧放電現(xiàn)象。

圖2 試驗(yàn)現(xiàn)場及絕緣子放電照片

1.2 玻璃污穢絕緣子制作

樣品的污穢度用鹽密和灰密表示， 根據(jù)樣品所需的鹽密、 灰密及絕緣子的絕緣體表面積， 計(jì)算出每只樣品所需的氯化鈉(化學(xué)純) 和硅藻土質(zhì)量，將其烘干后放在小瓷碗中攪拌均勻， 全部均勻地涂刷到樣品絕緣體表面[15]。

采用這種定量涂刷染污的樣品， 可不抽檢， 這種方法簡單易行， 國內(nèi)多采用這種染污法。 選取上述涂污玻璃絕緣子2 片作為一組施加工頻電壓， 記錄不同放電狀態(tài)聲音。

結(jié)合實(shí)際積污情況， 本次試驗(yàn)灰鹽比取為5∶1。 將5 組玻璃絕緣子依次編號并涂上不同程度的附鹽密度， 在該灰鹽比下， 不同附鹽密度下絕緣子上、 下表面所需涂刷的鹽、 灰質(zhì)量見表1， 玻璃污穢絕緣子如圖3 所示。

表1 鹽密度及鹽、 灰質(zhì)量

圖3 玻璃污穢絕緣子

2 放電聲音分析算法及數(shù)據(jù)處理

2.1 XGBoost 算法簡介

XGBoost 是一種前沿人工智能技術(shù)， 在機(jī)器學(xué)習(xí)和Kaggle 結(jié)構(gòu)化或數(shù)據(jù)競爭中占據(jù)主導(dǎo)地位，是各大數(shù)據(jù)競賽的必殺武器。 XGBoost 是一種從梯度提升樹模型優(yōu)化的集成學(xué)習(xí)算法， 由許多小預(yù)測器組成的預(yù)測器， 通過特征分裂添加樹模型， 添加的每棵樹相當(dāng)于往模型里增加新函數(shù)， 擬合上次預(yù)測的殘差[16-18]。 由k 顆樹建成的集成樹模型:

式中， fk為一個(gè)回歸樹； xi為對應(yīng)數(shù)據(jù)的特征向量；k 為第k 次迭代；為預(yù)測模型函數(shù)。

模型損失函數(shù)包括兩個(gè)部分， 真實(shí)值yi和預(yù)測值的訓(xùn)練誤差， 如式(2):

正則化懲罰函數(shù)， 防止訓(xùn)練模型過擬合， 如式(3):

式中， γ 和λ 為模型懲罰系數(shù)； T 為模型樹的個(gè)數(shù)； wj為第j 個(gè)葉節(jié)點(diǎn)權(quán)重值。

XGBoost 根據(jù)特征添加樹的個(gè)數(shù)， 使損失目標(biāo)函數(shù)的值最小， 以提高模型的泛化能力和預(yù)測效果。 另一個(gè)關(guān)鍵部分是XGBoost 利用二階泰勒展開來逼近損失函數(shù)的值， 利用一階導(dǎo)數(shù)和二階導(dǎo)數(shù)來選擇基本學(xué)習(xí)樹模型。 綜述所述， XGBoost 是一種基于決策樹的集成學(xué)習(xí)算法， 采用梯度增強(qiáng)的框架。

2.2 濕污穢瓷絕緣子數(shù)據(jù)處理

試驗(yàn)采集了濕污穢瓷絕緣子在不同位置的聲音信號， 其中6 m 處的起暈聲音信號如圖4 所示。 根據(jù)聲音信號數(shù)據(jù)將其最小值、 最大值、 標(biāo)準(zhǔn)差和距離作為信號的特征， 放電的不同階段作為目標(biāo)， 結(jié)果見表2。

圖4 6 m 處的電暈放電聲音信號

濕污穢瓷絕緣子在不同位置的聲音信號包括30 組數(shù)據(jù)， 聲音采集器與絕緣子的距離從2 m 到11 m 不等， 同組距離包括絕緣子的電暈放電、 表面放電和擊穿電弧放電3 個(gè)不同放電狀態(tài)， 且3 個(gè)不同放電狀態(tài)的最小值、 最大值和標(biāo)準(zhǔn)差呈逐漸增大的趨勢， 在擊穿電弧放電階段的最值與標(biāo)準(zhǔn)差有明顯突變的現(xiàn)象。 將前22 組數(shù)據(jù)作為模型的訓(xùn)練集， 將后8 組數(shù)據(jù)作為模型的測試集。

表2 不同距離信號特征

2.3 干污穢玻璃絕緣子數(shù)據(jù)處理

試驗(yàn)采集了干污穢玻璃絕緣子在不同污穢程度下的聲音信號， 其中1 號干污穢玻璃絕緣子電暈放電信號如圖5 所示。 根據(jù)聲音信號數(shù)據(jù)將其最小值、 最大值、 標(biāo)準(zhǔn)差和污穢密度作為信號的特征，放電的不同階段作為目標(biāo)， 結(jié)果見表3。 將前9 組數(shù)據(jù)作為模型的訓(xùn)練集， 將后6 組數(shù)據(jù)作為模型的測試集。

圖5 典型電暈放電聲音信號

表3 信號特征

干污穢玻璃絕緣子在不同污穢度的聲音信號包括15 組數(shù)據(jù)， 對不同污穢密度的絕緣子分別編號，其中編號5 是干凈絕緣子， 在同組污穢密度下開展電暈放電、 表面放電、 擊穿電弧放電3 個(gè)不同放電狀態(tài)下的試驗(yàn)。 干污穢與濕污穢相比， 達(dá)到擊穿電弧放電的電壓更高， 絕緣子有發(fā)生擊穿電弧放電的趨勢。 與濕污穢瓷絕緣子一樣， 3 個(gè)不同放電狀態(tài)的最小值、 最大值和標(biāo)準(zhǔn)差有增大的趨勢， 在擊穿電弧放電階段的最值與標(biāo)準(zhǔn)差有明顯突變的現(xiàn)象。將數(shù)據(jù)的前9 組數(shù)據(jù)作為模型的訓(xùn)練集， 將后6 組數(shù)據(jù)作為模型的測試集。

3 數(shù)據(jù)分析

通過python3.7 調(diào)用XGBoost 包， 進(jìn)行構(gòu)建模型、 訓(xùn)練模型和預(yù)測。

為說明XGBoost 對放電階段在線診斷的準(zhǔn)確率， 將其與隨機(jī)森林[16](Random Forests， RF) 和梯度提升決策樹[17](Gradient Boosting Decision Tree， GBDT) 算法進(jìn)行對比， 為保證模型的超參數(shù)對模型的影響， 最后將模型的超參數(shù)設(shè)為默認(rèn)值。

由表4 可得， 基于XGBoost 算法的濕污穢瓷絕緣子在不同位置放電在線診斷方法準(zhǔn)確率可達(dá)87.5%， 隨機(jī)森林算法的準(zhǔn)確率為62.5%， 梯度提升決策樹算法的準(zhǔn)確率為75%。

表4 濕污穢瓷絕緣子放電狀態(tài)診斷

由表5 可得， 基于XGBoost 算法的干污穢玻璃絕緣子在不同污穢程度放電在線診斷方法準(zhǔn)確率可達(dá)83.3%， 隨機(jī)森林算法的準(zhǔn)確率為83.3.5%，梯度提升決策樹算法的準(zhǔn)確率為66.67%。

表5 干污穢玻璃絕緣子放電狀態(tài)診斷

綜上所述， XGBoost 算法對于絕緣子的放電在線診斷的準(zhǔn)確率較高， 能高效發(fā)現(xiàn)絕緣子運(yùn)行中的隱患。

4 結(jié)論

本文提出了一種基于XGBoost 算法的絕緣子放電狀態(tài)在線診斷方法， 選取絕緣子運(yùn)行中放電聲音信息的最小值、 最大值、 標(biāo)準(zhǔn)差、 距離和污穢密度作為特征， 將其作為XGBoost 算法的輸入， 預(yù)測絕緣子的放電狀態(tài)。 結(jié)果表明， 濕污穢瓷絕緣子不同位置放電在線診斷方法的準(zhǔn)確率可達(dá)87.5%， 干污穢玻璃絕緣子不同污穢放電在線診斷方法的準(zhǔn)確率可達(dá)83.3%， 與同類算法相比準(zhǔn)確率更高。 該方法可有效實(shí)現(xiàn)絕緣子污穢狀態(tài)監(jiān)測， 及時(shí)發(fā)現(xiàn)絕緣子運(yùn)行中的隱患， 保證電力系統(tǒng)安全可靠穩(wěn)定運(yùn)行。