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(huì)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(jí)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(duì)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(hào)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(hào)， 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(hào)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(duì)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(hào)， 其中6 m 處的起暈聲音信號(hào)如圖4 所示。 根據(jù)聲音信號(hào)數(shù)據(jù)將其最小值、 最大值、 標(biāo)準(zhǔn)差和距離作為信號(hào)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(hào)

濕污穢瓷絕緣子在不同位置的聲音信號(hào)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(hào)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(hào)， 其中1 號(hào)干污穢玻璃絕緣子電暈放電信號(hào)如圖5 所示。 根據(jù)聲音信號(hào)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(hào)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(hào)

表3 信號(hào)特征

干污穢玻璃絕緣子在不同污穢度的聲音信號(hào)包括15 組數(shù)據(jù)， 對(duì)不同污穢密度的絕緣子分別編號(hào)，其中編號(hào)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(duì)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(duì)比， 為保證模型的超參數(shù)對(duì)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(duì)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。