论文部分内容阅读
【摘 要】 为克服现场环境对监测数据的影响，NS821电气设备绝缘在线监测系统引进使用Elman神经网络自学习及调整方法的环境校正因子。实际应用中在线监测数据稳定可靠，从而为高压设备实施真正的状态检修提供有力的依据。
【关键词】 绝缘在线监测系统;环境校正因子;Elman神经网络
引言：
高压设备的安全运行是电网安全运行的基础，如果高压设备内部存在因制造不良、老化等造成的绝缘缺陷，会发生设备安全运行的绝缘事故[1]。我国主要是根据电气设备预防性试验规程对电气设备进行定期的停电试验、检修和维护。由于这种检修和试验是定期进行，难以及时反映设备内部的故障隐患，因此，其对某些缺陷反映不够灵敏。随着电力系统朝着高电压、大容量的方向发展，定期检修越来越不适应我国建设智能电网的需求。电气设备在线监测系统则能满足状态检修及智能电网的要求。
本文提出加入环境校正因子的监测数据处理及故障诊断方法，并在广东电网公司珠海供电局220kV琴韵变电站进行实施和应用。
1、珠海琴韵变电站NS821电气设备绝缘在线监测系统
珠海琴韵变电站NS821电气设备绝缘在线监测系统采用站供电及无线同步通讯的方式，其中，NS821绝缘在线监测系统可划分为三层：客户层、中间层（应用服务器层）、数据层（数据库服务器层）。
琴韵变电站位于珠海横琴岛，毗邻南海。考虑到该地区相对湿度较大，对套管tanδ在不同湿度和污秽度有显著的影响[2]，因此为了让本系统监测数据更接近实际值，我们加入环境校正因子θ，该校正因子θ由训练好的Elman神经网络计算得到。
本在线监测系统采用Elman神经网络[3-5]对电气设备绝缘进行评估，有如下非线性状态空间表达式
（1）
当网络为多输入多输出时，令网络的输入层下标变元为i（i=1，2，…，N），隐含层下标元为j（j=1，2，…，m），承接层为l（l=1，2，…，m），输出层为k（k=1，2，…，n）。为输入层到隐含层的连接权值，为承接层的连接权值，为隐含层到输出层的连接权值。
网络的误差函数为
（2）
式中，为输出层各节点的期望值，P为样本数。于是，对于第P（P=1，2，…，P）个样本，输入输出关系为：
輸入层
输入
输出
隐含层
输入
输出
承接层
输入
输出
隐含层
输入
输出
隐含层到输出层的权值和输出层阈值的调整方法为：
（3）
（4）
其中，
同样，输入层到隐含层的权值和输出层阈值的调整方法为：
（5）
（6）
其中，
计算承接层的权值
（7）
其中，
由上可知，式（3）～（7）即可实现Elman网络层间连接权和阈值的调整。
环境校正因子输入向量取温度、湿度和污秽度，上述三种因素的量化值范围定为[01]。将绝缘在线监测系统工作时的温度、湿度和污秽度，进行预处理后得到Elman神经网络需要的特征向量，然后输入到已经训练好的Elman网络中得到环境校正因子θ值。本文采用了单隐层的网络并通过大量的实验选择隐含层神经元的个数。测试结果见图1，可以明显看出在某些神经元数目下，网络训练步数和网络误差范数会发生突变。本文比较了各神经元数目下网络的性能变化规律，并综合了网络的各性能指标选择了35个隐层神经元。
图1 Elman隐层神经元数目测试
2、环境校正因子现场应用情况
作为琴韵变电站整体在线监测的一部分，广东电网公司珠海供电局和南自海吉公司合作研发了4套主变套管在线监测装置（每套3相）、2套主变铁芯在线监测装置和15套避雷器在线监测装置。该绝缘在线监测设备于12月份进行预投运，至4月份已经监测5个月。期间经历了珠海旱季和雨季，积累了丰富的数据资料。现以1#主变套管、铁芯及母线避雷器于12月20日13：00的数据和4月18日13：00的数据进行对比分析，见表1所示：
由表1可以看出，在绝缘在线监测实际应用中，环境因素对监测值有一定影响，特别是在沿海地区，湿度在一年中的变化比较大。如不加入环境校正因子，监测值与实际值误差可到达20%以上。本工程在投运前就已经考虑到环境校正因子，并运用自学习的神经网络方法进行环境校正因子的计算，实际证明该方法的正确性。
3、结论
NS821电气设备绝缘在线监测系统在珠海琴韵变电站投入应用以来，系统运行稳定，数据准确可靠，具有广泛的推广意义。
参考文献：
[1]李卫国，屠志健.电气设备绝缘试验与检测[M].北京：中国电力出版社，2006.
[2]王永强.考虑环境影响的电容型设备绝缘监测与故障诊断研究（博士）[D].保定：华北电力大学，2008.
[3] Ramazan Gencay， Tung Liu. Nonlinear modelling and prediction with feedforward and recurrent networks[J]， Physica D： Nonlinear Phenomena. 1997，108： 119～134
[4] Serhat Seker， Emine Ayaz， Erdinc Türkcan. Elman's recurrent neural network applications to condition monitoring in nuclear power plant and rotating machinery[J]， Engineering Applications of Artificial Intelligence， 2003，16：647～656
[5]飞思科技开发研究中心.神经网络理论与MATLAB实现[M]，北京：电子工业出版社，2005
作者简介：林钰灵（1985-），女，学士，助理工程师，从事电力系统预防性试验工作。
【关键词】 绝缘在线监测系统;环境校正因子;Elman神经网络
引言：
高压设备的安全运行是电网安全运行的基础，如果高压设备内部存在因制造不良、老化等造成的绝缘缺陷，会发生设备安全运行的绝缘事故[1]。我国主要是根据电气设备预防性试验规程对电气设备进行定期的停电试验、检修和维护。由于这种检修和试验是定期进行，难以及时反映设备内部的故障隐患，因此，其对某些缺陷反映不够灵敏。随着电力系统朝着高电压、大容量的方向发展，定期检修越来越不适应我国建设智能电网的需求。电气设备在线监测系统则能满足状态检修及智能电网的要求。
本文提出加入环境校正因子的监测数据处理及故障诊断方法，并在广东电网公司珠海供电局220kV琴韵变电站进行实施和应用。
1、珠海琴韵变电站NS821电气设备绝缘在线监测系统
珠海琴韵变电站NS821电气设备绝缘在线监测系统采用站供电及无线同步通讯的方式，其中，NS821绝缘在线监测系统可划分为三层：客户层、中间层（应用服务器层）、数据层（数据库服务器层）。
琴韵变电站位于珠海横琴岛，毗邻南海。考虑到该地区相对湿度较大，对套管tanδ在不同湿度和污秽度有显著的影响[2]，因此为了让本系统监测数据更接近实际值，我们加入环境校正因子θ，该校正因子θ由训练好的Elman神经网络计算得到。
本在线监测系统采用Elman神经网络[3-5]对电气设备绝缘进行评估，有如下非线性状态空间表达式
（1）
当网络为多输入多输出时，令网络的输入层下标变元为i（i=1，2，…，N），隐含层下标元为j（j=1，2，…，m），承接层为l（l=1，2，…，m），输出层为k（k=1，2，…，n）。为输入层到隐含层的连接权值，为承接层的连接权值，为隐含层到输出层的连接权值。
网络的误差函数为
（2）
式中，为输出层各节点的期望值，P为样本数。于是，对于第P（P=1，2，…，P）个样本，输入输出关系为：
輸入层
输入
输出
隐含层
输入
输出
承接层
输入
输出
隐含层
输入
输出
隐含层到输出层的权值和输出层阈值的调整方法为：
（3）
（4）
其中，
同样，输入层到隐含层的权值和输出层阈值的调整方法为：
（5）
（6）
其中，
计算承接层的权值
（7）
其中，
由上可知，式（3）～（7）即可实现Elman网络层间连接权和阈值的调整。
环境校正因子输入向量取温度、湿度和污秽度，上述三种因素的量化值范围定为[01]。将绝缘在线监测系统工作时的温度、湿度和污秽度，进行预处理后得到Elman神经网络需要的特征向量，然后输入到已经训练好的Elman网络中得到环境校正因子θ值。本文采用了单隐层的网络并通过大量的实验选择隐含层神经元的个数。测试结果见图1，可以明显看出在某些神经元数目下，网络训练步数和网络误差范数会发生突变。本文比较了各神经元数目下网络的性能变化规律，并综合了网络的各性能指标选择了35个隐层神经元。
图1 Elman隐层神经元数目测试
2、环境校正因子现场应用情况
作为琴韵变电站整体在线监测的一部分，广东电网公司珠海供电局和南自海吉公司合作研发了4套主变套管在线监测装置（每套3相）、2套主变铁芯在线监测装置和15套避雷器在线监测装置。该绝缘在线监测设备于12月份进行预投运，至4月份已经监测5个月。期间经历了珠海旱季和雨季，积累了丰富的数据资料。现以1#主变套管、铁芯及母线避雷器于12月20日13：00的数据和4月18日13：00的数据进行对比分析，见表1所示：
由表1可以看出，在绝缘在线监测实际应用中，环境因素对监测值有一定影响，特别是在沿海地区，湿度在一年中的变化比较大。如不加入环境校正因子，监测值与实际值误差可到达20%以上。本工程在投运前就已经考虑到环境校正因子，并运用自学习的神经网络方法进行环境校正因子的计算，实际证明该方法的正确性。
3、结论
NS821电气设备绝缘在线监测系统在珠海琴韵变电站投入应用以来，系统运行稳定，数据准确可靠，具有广泛的推广意义。
参考文献：
[1]李卫国，屠志健.电气设备绝缘试验与检测[M].北京：中国电力出版社，2006.
[2]王永强.考虑环境影响的电容型设备绝缘监测与故障诊断研究（博士）[D].保定：华北电力大学，2008.
[3] Ramazan Gencay， Tung Liu. Nonlinear modelling and prediction with feedforward and recurrent networks[J]， Physica D： Nonlinear Phenomena. 1997，108： 119～134
[4] Serhat Seker， Emine Ayaz， Erdinc Türkcan. Elman's recurrent neural network applications to condition monitoring in nuclear power plant and rotating machinery[J]， Engineering Applications of Artificial Intelligence， 2003，16：647～656
[5]飞思科技开发研究中心.神经网络理论与MATLAB实现[M]，北京：电子工业出版社，2005
作者简介：林钰灵（1985-），女，学士，助理工程师，从事电力系统预防性试验工作。