（电气工程专业论文）人工智能在容性设备在线监测中的应用研究.pdf

东南大学工程硕士学位论文 a b s t r a c t i tb e c o m e sv e r yi m p o r t a n tt om o n i t o rt h es t a t u so fp o w e re q u i p m e n t so n - l i n e a n dr e m o t e l yd u et ot h ed e v e l o p m e n to fu n m a n n e ds u b s t a t i o na n dw o r k so f c o n d i t i o nb a s e dm a i n t e n a n c e i n s t a l l i n go n 1 i n em o n i t o r i n gd e v i c e sf o rc a p a c i t y e q u i p m e n t sw i l l b eag o o ds o l u t i o n h o w e v e r , b e c a u s eo ft h es u b s t a t i o n s e n v i r o n m e n ta n dt h ed e v i c e si n t e m a ls t a t e s t h ed a t ao f t h ed i e l e c t r i cl o s ef a c t o r w h i c hm o s tr e f l e c t st h ee q u i p m e n ti n s u l a t i o nh a sb i gf l u c t u a t i o n c u r r e n t l yt h i s p r o b l e me x i s t si na l lr u n n i n gd e v i c e s t h e r e f o r e i t sv e r yi m p o r t a n tt of i n do u t h o wt oa v o i do rr e d u c et h ee x t e m a li n t e r f e r i n gt ot h ed a t ao fd i e l e c t r i cl o s e f a c t o r , t h e nh e l 口u st og e tt h ea c c u r a t es t a t u so fe q u i p m e n ti n s u l a t i o n t ob r i n gu ps o m eu s e f u la n di m p r o v e dm e t h o d so nt h eb a s eo fm a k i n g r e s e a r c h e so ni m p r o v i n gt h eo i l - l i n em o n i t o r i n gd a t ao fc a p a c i t ye q u i p m e n t s b o t ho nh a r d w a r ea n ds o f t w a r ei n s i d ea n do u t s i d et h ec o u n t r y f i r s t f o c u so nt h et h e o r yw h i c ha r ep o p u l a ru s e db yt h eo n l i n em o n i t o r i n g d e v i c e sf o rc a p a c i t ye q u i p m e n t s ，a n a l y s et h eh a r m o n i ca n a l y s i st h e o r y , c o n c l u d e t h er e a s o nc a u s i n gc l l o ra n dg i v es o m ep o s s i b l es o l u t i o n s t h e n g i v et h ed e s c r i p t i o no ft h ea r t i f i c i a ln e u r a ln e t w o r k s ( a n n ) a n dt h e m e t h o d st oa c h i e v ew i mm a t l a bt o o l s p u tf o r w a r dt h em a t e r i a lr e a l i z a t i o nw i t i l a p p l i c a t i o n so fa n n i no n 1 i n em o n i t o r i n gf o rc a p a c i t ye q u i p m e n t s c r e a t e m o d e lw h i c hc o u l df o r e c a s tt h ed i e l e c t r i cl o s ef a c t o ro fc a p a c i t ye q u i p m e n t sb y u s i n ga n n m e a n t i m e u s i n gm a t l a bt o o l st om a k es i m u l a t i o n f i n a l l y , a n a l y s ea n dv a l i d a t et h ed i a g n o s t i ca n da n a l y t i cm o d e lb ye x i s t i n g h i s t o r i cd a t aa n dm a t l a bt o o l s 。 k e yw o r d s ： o n - l i n em o n i t o r i n g c a p a c i t ye q u i p m e n t s a r t i f i c i a ln e u r a l n e t w o r k sf o r e c a s t i n gm o d e l 东南大学学位论文独创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成 果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表 或撰写过的研究成果，也不包含为获得东南大学或其它教育机构的学位或证书而使用过 的材料。与我一同工作的同志对本研究所做的任何贡献均己在论文中作了明确的说明并 表示了谢意。 研究生签名：j 丛蚓! 垂日期： z 修b 6 ，6 东南大学学位论文使用授权声明 东南大学、中国科学技术信息研究所、国家图书馆有权保留本人所送交学位论文的 复印件和电子文档，可以采用影印、缩印或其他复制手段保存论文。本人电子文档的内 容和纸质论文的内容相一致。除在保密期内的保密论文外，允许论文被查阅和借阅，可 以公布( 包括刊登) 论文的全部或部分内容。论文的公布( 包括刊登) 授权东南大学研 究生院办理。 研究生签名： 峪堕【i 导师签名：日期：2 0 0 i 6 第一章引言 1 1 问题的提出 第一章引言 高压输变电设备的安全运行是影响电力系统安全、稳定和经济运行的重要因素，高压设备发生 绝缘事故，不仅会造成设备本身损坏，而且还会造成多方面的损失。电压等级越来越高、设备容量 越来越大，使得每次检修的时间较长，不仅检修费用高，而且也影响供电的可靠性。在电力市场环 境下，用户对供电可靠性要求将越来越高，而由设备故障或检修所造成的停电损失有时是相当可观 的。因此既要提高设备的运行可靠性，又要确保较高的供电可靠率，这就对电力设备的维护提出了 更高的要求。 传统的定期检修存在试验周期长，强度大和有效性差等缺点【1 】，难以满足电力系统对可靠性 的要求，以状态检修【2 ，3 】逐步代替定期检修已成为电力系统设备检修的必然趋势。实现状态检 修的前提条件是实现在线监测，只有通过各种手段及时、准确地掌握运行设备的绝缘状况，才能根 据设备自身特点及变化趋势等来确定检修时间和检修策略。 在输变电设备中，电容型设备是重要的设备，它主要包括电流互感器( t a ) 、套管、耦合电容器 ( o y ) 、和电容式电压互感器( c v t ) 等。容性设备绝缘状况的在线监测，受外界环境和周围电场的影响 较大，误差也较大。本文主要对如何使容型设备的在线监测数据能准确真实地反映其绝缘状况进行 一些研究。 1 2 优化容性设备在线监测数据方法比较 对于容性设备的在线监测，首先来介绍一下其基本原理：交流电压作用f 电容型设备流过介质 的电流i 由电容电流分量i c 和有功电流分量瓜组成，通常i c i r 。介质损耗角正切值( t a n5 = i r i c x 1 0 0 ) 即介质损耗因数，是反映绝缘介质损耗程度的特征量。t a n6 仅取决于材料韵特性而与材料 尺寸，形状无关，所以t a n5 作为反映设备绝缘状况的参数是非常合适的。此外，流过介质的电流 l 及介质电容量c 也是反映设备绝缘状况的重要特征参数，因此综合监测t a n6 、i 和c 可以全面地 了解设备的绝缘状况。 在线监测根据不同设备有不同的方法原理，但基本的原则却是一致的，就是通过传感器提取信 号，然后对信号进行一些处理后传输，最后再通过计算机对信号进行分析判断。因此要优化容性设 备在线监测数据，主要就是从这三方面入手： 1 2 1 在线监测信号的提取 为监测电容型设备的绝缘状况，必须提取设备的末屏电流信号，而此电流又非常微弱，通常为 i i l a 级，所以如何有效地提取电流信号是电容型设备在线监测的关键问题。当前国内主要采用电流传 感器( 小t a ) 来测量泄漏电流，为不改变被测一次设备原有接线方式，传感器采用穿心式结构，将传 感器直接套装在被测设备的接地线或末屏问路中。这种接线结构可避免二次测量同路及计算机受过 1 东南大学1 = 程硕上学位论文 电压的直接冲击。传感器可分为无源传感器与有源传感器。无源传感器不需要附加任何辅助电路， 结构简单、维护方便，价格低廉，使用寿命长，但激磁磁势易受温度、输入电流和负荷特性变化的 影响，铁心的磁化特性也受各种因素的影响，使得角差和比差不稳定，影响了测量的稳定性。有源 传感器采用零磁通技术以降低铁心的激磁磁势，通过有源放大增大了二次端的输出信号，提高了被 测信号的信噪比，因此角差和比差小且稳定【4 】。但由于现场环境恶劣、干扰严重，采用传感器提 取微弱信号仍相当困难。目前国外的一些公司( 如美国的a v o 公司、德国的l d i c 公司) 在检测设备的 地线或末屏直接串入监测电容，利用监测电容电压与t v 电压之问的相位关系求取被测设备的t a n6 。 电容具有电压不突变的特性，通过选择合适的电容，可使输出电压保持在3 0 4 0 v 之间，这样可降低 外界干扰的影响和减少模拟信号传输的衰减，测量结果具有较高的稳定性。之所以采用串入电容而 非串入电阻，是因为串入电阻造成的误差要比串入电容所造成的误差大，而且电容故障多为击穿， 而电阻故障一般为烧断，会造成末屏开路。然而采用直接耦合的方法会影响一次设备的接线结构， 为防止末屏开路、测鼍回路过电压，必须设计合理的保护电路以保证测量回路的安全性。 1 2 2 信号的处理与传输 目前比较通用的都为信号采集后就地直接对信号进行处理转为数字信号，或直接通过数字化测 量，然后传输至远程计算机进行分析。此种方法的优点是能避开高电场情况下对信号的干扰以及远 程传输信号的损耗。即通过各种不同形式的传感器取得被测信号( 包括电的和非电的) ，送入数字波 形采集装置以完成对被测信号的模拟数字( a d ) 转换、放大与滤波等工作，再通过电( 光) 缆 传输至计算机进行分析与处理 对于电容型设备来说，停电后通过电桥监测t a n6 、i 和c 的接线简单且测量结果稳定。但在线 监测的要求比停电监测的要求高，条件差异大，因而实现在线监测难度大，而且测量结果具有一定 的分散性。因此，在线准确监测t a n6 、i 和c 还有一些理论和实际的问题需要研究。如介损数字化 测量属于高电压、微电流、小角度的精密测鼍范畴，对测量方法的要求很高，必须能够有效地降低 测量误差。测量可通过硬件与软件方式实现。硬件处理的方法主要有过零法，即通过监测电流、电 压信号过零点处的时间差来计算介损，该方法的测量精度易受谐波和零漂等因素的影响，因此对过 零点的测量准确性要求很高。一些文献 6 1 提到的双向过零法可以减小由零漂造成的误差，但未提 及对谐波的处理。而另外一些文献【7 】提出将电流、电压信号转换为同幅电压信号后，根据二信号 在过零点处的电压差值和电压幅值来计算相位差。该方法可以降低对过零点监测准确性的要求，但 由于需要对信号进行预处理，从而增加了硬件处理环节，带来了设计较复杂、累计误差较大等问题。 软件方法则采用了对波形分析的思路，硬件只完成采样功能，可以采用多种方法处理干扰和谐波的 影响，较为灵活，是目前主要采用的测量方法。一些文献【7 】采用最小二乘法拟合信号，使实际信 号与拟台信号的误差平方和为晟小，可以计算出信号的参数，从而得到介损值，该方法对频率波动 不敏感，但受谐波和零漂的影响较大。为有效减小谐波、干扰对测量的影响，可以采用小波变换【8 】 或双滤波器【9 】滤波提取基波信号，再计算其自相关函数与互相关函数从而得到介损，小波变换具 有时频局部性和良好的噪声处理特性，用双滤波器来处理测量信号可使单滤波的阶数大为减小。但 这二种方法增加了一级处理环节，计算量大、计算时间长。相比而言，将谐波分析【1 0 的思想用 2 第一章引言 于设备绝缘介损角的数字化测量，可使其监测结果不受电源高次谐波和零漂的影响，采用快速傅立 叶变换( f f t ) 计算速度快、计算量小，但当系统频率波动时会使得采样频率与信号频率不一致，因而 出现频谱泄漏效应和栅栏效应，尤其会影响相位测量，因此必须对算法进行改进，减少频谱泄漏。 1 2 3 计算机分析数据模块 在线监测信号在数字化处理后一般最终传输至计算机通过专用软件系统进行数据分析判断。由 于环境因素、相间干扰和系统频率变化等因素使在线数据的稳定性、重复性差，因而必须对在线数 据进行预处理，剔除不良数据与虚假数据，才能保证诊断的准确性。文献【1 1 】提出了一种改进的 5 3 h 算法即先产生一个曲线的平滑估计，然后将晕测量与此估计值进行比较以识别异常点。该方 法能够有效外推，提高数据的稳定性。但在线诊断绝缘状况，仅以当前的测量值与现有规程的规定 值作比较是不合适的，因为目前尚无确切的在线规稃。目前，相对测量法受到人们较多的关注，该 方法是一种以同相设备互为基准的基于多台设备的著值及变化趋势进行综合分析诊断的方法，由于 设备之间的运行工况、受外界的影响等情况较接近，进行相互比较可以在一定程度上抵消这些因素 的影响，提高数据的稳定性，便于评判。但当同相中有二台以上设备发生故障或彼此绝缘特性有一 定差异时，诊断规则【1 2 】不再适合。 1 3 本文主要工作 容性设备在线监测技术应用于实际已经有十年多了，对及时发现电气设备绝缘缺陷，保证设备 安全运行起到了良好的作用。但是已实际投运的系统运行效果并不理想，没有取得预期的经济效益 和社会效益。造成这种状况的原因是多方面的，除管理维护、质量监督、设计标准等方面的问题外， 反映在监测技术上韵问题主要有： ( 1 ) 电容型设备在线监测装置介损角的测量稳定性和重复性著，抗电磁干扰和抗环境影响的能力 差。 ( 2 ) 缺乏行之有效的诊断理论与方法，仅提供数据，信息丰富，而知识贫乏，不能建立各种监测 信息之间的关联关系，无法解释测鼍结果正常的波动，很难作出准确的绝缘状态在线诊断。 从本文上节可以看出，容性设备绝缘状况的在线监测，有很多方面可以着手改进，如信号的提 取，信号的处理与传输以及最后的计算机分析数据，前两方面有很多人做了研究与改进，而我想对 其计算机分析数据模块在原理上进行一些研究改进，将人工神经网络应用于此。由于人工神经网络 是一种非线性映射的方法，很多难以列出方程式或难以求解的复杂的非线性问题，应用神经网络方 法则可迎刃而解。用神经网络方法，经过大量样本的训练，只要样本集中充分考虑了各种情况，则 应该能较准确的预测出介质损耗因素值，并将其与实际测量值进行比较，以确定真实数据，准确判 断设备状态。 本章以下各章节的内容安排如下：第_ 二章阐述了目前应用较广的容性设备在线监测的机理，分 析了其数据误差的原因以及解决方法。第三章给出了人工神经网络的一般描述以及在m a t l a b 中的实 现，提出了人工神经网络在容性设备在线监测中应用的具体实现。第四章结合m a t l a b 工具和实际数 据对所提方法进行了分析验证。 3 东南大学工程硕士学位论文 第二章容性设备在线监测的原理和误差分析 2 1 容性设备在线监测的工作原理 2 1 1 一般工作原理 目前，国内外普遍采用从试品c x 接地线处的电流传感器获得u i ，它反映了被测设备的泄漏电 流i x ，而从电压互感器二次侧获得与加在被测设备上的电压同相的电压u x 。如果忽略传感器的固有 角差，则u x 应滞后i x 一个角度( 9 0 。一6 ) ，其向量图如图2 - - 1 所示。 0 母线电压u x u x 量图 = 图2 - 2 介质损耗因素在线监测原理图 以软件为主的方法中，多采用谐波分析法【1 3 】。谐波分析法的测试原理是：首先由高灵敏度的 微电流互感器检测设备末端引出的泄漏电流信号，而从电压互感器二次侧抽取电压信号，经整形放 大( 消除共模干扰) 、低通滤波、程控放大后的模拟信号再经过采样保持同步采样由a d 转换为离散 数字信号，然后利用计算机对2 个离散数字信号波形进行快速傅里叶变换( f f i ) ，得到2 个信号韵基 4 兰三! 窒丝堡墨查垡苎型塑堕墨塑堡茎坌堑 波傅里叶系数进一步求出2 个基波的相位差从而得到设备的介质损耗因数，即介质损耗角l e 切 t a n5 。其系统原理如图2 2 所示 设u x 为被测设备的运行电压，i x 为其上流过的电流。u x 、i x 均满足狄里赫利条件( 即给定的 周期性函数在有限的区间内，只有有限个第一类间断点和有限个极大值、极小值) ，即可按傅里叶级 数分解为直流分量和各次谐波分量之和。 u x = u o + u h s m ( k ( , t + a 矗= ，0 + s i n ( 七耐+ 胁) t - 1 ( 2 - 2 ) 式中，u 0 、i o 分别为电压、电流直流分量；u k m 、i k m 分别为电压、电流各次谐波幅值；ak 、 bk 分别为电压、电流的各次谐波相角。求出电压、电流基波相角o1 、b1 后，对于容性试品，电 流相角超前于电压9 0 。，可得 t a n & = t a n 9 0 0 - ( p l a o ( 2 3 ) 在线监测系统的结构形式现在多采用分层分布式多c p u 结构，技术先进，自动化程度高，采朋 模块化设计和现场总线控制技术，由安装在变电站内的数据采集、处理系统和安装在主控室内韵数 据分析和诊断系统组成，可应用于有人值班或无人值班变电站。 2 1 2 离散傅里叶变换( d f r ) 原理 d f t ( 离散傅立叶变换) 其基本原理是利用d f t 的选频特性得到所测信号的相位信息，从而测得 信号的相位差。在容性设备在线监测装置中目前一般利用d s p 芯片来实现。 2 1 2 1d t f t d f r 的物理意义 对一个离散时间序列x ( n ) ( n = o ，1 ，2 ，n - i ) ，其离散时间傅立叶变换( d t f t ) 为： x ( e ”) = x ( n ) e 伽 ( 2 - 4 ) 幅频特性1x ( e j w ) l 表征信号中各频率分量的幅值，相频特性么x ( e j w ) 描述了信号中各频率分量 的相位( 设圆周频率w l 的分量为复正弦e j ( w l n + 由) ，z x ( e j w ) 在w 1 处的取值即为该分量相位咖。 所以对一个信号求其d t f t 即可求得其各频率分量的相位。 因为x ( e j w ) 是w 的连续函数，所以实际应用中为便于计算机进行数值计算，通常必需对x ( e j w ) 进行离散化。d f t ( 离散傅立叶变换) 就是一种便于实现的常用算法： 5 东南大学t 程硕十学位论文 x ( 七) = x ( n ) e 叫2 “ 一=o(2-5) d f t 实际上是d t f t 在频域按n 点等间距进行抽样。x ( k ) 对府圆周频率为2 k n ( 即信号频率 f s * k n 。k = o ，1 ，2 - n _ 1 ) 的复正弦分量。借助于快速算法f f t ，d f t 可在d s p 上方便地实现。 2 i 2 2 利用d f t 求信号相位 设有两个正弦信号： x l ( t ) = s i n ( 2nf t ) x 2 ( t ) = s i n ( 2 f t + 0 )( f 为信号频率) 对其按采样率f s 进行抽样后得到数字信号： x l ( n ) = s i n ( 2 f n t s ) = s i n ( 2 n f f s ) = s i n ( 2 “q n n ) x 2 ( n ) = s i n ( 2 “q n n + 0 ) 其中q = f n f s ，取值为0 ，i ，2 ，n - i ，即选取采样率f s 使信号频率f 正好在f s 的某一个n 等分点上。对x 1 求d f t ： x 1 ( t ) = x l ( n ) e 一胁“m = s i n ( 2 7 r q n n ) c o s ( 2 z r k n n ) - j s i n ( 2 z r k n n ) 2差e-j2x(q+k)nln_ej2x(q-h)nlnn=o ) ( 2 - 。) r 9 一r 1 当k q 时，x 1 ( k ) - - 0 = 当k = q 时，x l ( k ) = - - n j 2 同理，对x 2 ( n ) 求d f t ： x 2 ( k ) = 丢矿p 刎删“”叫2 州”“) ( 2 - 7 ) x 2 ( k ) ：一盟e m 当k q 时，x 2 ( k ) = o ；当k = q 时， 2 ( 2 8 ) 由以上推导可知，在理想采样情况下，正弦信号频率f 正好位于采样频率f s 的n 等分点上，由 d f t ( f f t ) 计算得到频域的n 个抽样点上的频谱仅在信号频率处f = f s q n 不等于零。由( 4 ) 即可求得 正弦信号x 2 ( n ) 的相位0 。 2 2 谐波分析法误差分析 谐波分析法有其优势之处，这在第一章中也做了一些说明，这里不在赘述。在此主要分析一下 用该方法带来的误差和目前一般使用的解决方法。 2 2 1 相间干扰 电力系统属于三相系统，相间存在着耦合，因此，在线测试a 、b 、c 三相高压电容型试品时 6 第二章容性设备在线监测的原理和误差分析 会有相间干扰，使得介质损耗角a 相偏大，b 相基本不变，c 相偏小( 严重时可能为负) 。从现场数据 ( 图2 3 ) 可以看出，运行在同一母线上的同相设备的介损变化曲线是一致的，非同相设备的介损 变化曲线是不一致的 图2 3 某变电站绝缘在线检测系统的2 # 主变1 1 0 k v 主变套管、1 1 9 4 c t 在2 0 0 3 年8 月2 1 日至9 月8 日的三相介损曲线 相间干扰的严重性取决于试品主电流大小，如果主电流远大于相问干扰电流，可忽略相间干扰 的影响；否则，必须考虑相间干扰的影响。对于电容型设备来说，从末屏得到的电流信号一般都在 毫安级，而相问干扰电流只有微安级，因此可以忽略其影响。 目前，一般解决方法是在故障诊断时采用相对比较法，可认为在同样条件下运行电压对同相别 设备的影响一致，相间和相邻设备的影响固定，通过差分和相减后，相对比较剔除了同类设备中存 在的同类型的干扰，也可以避免相间干扰的影响。 2 2 2 系统谐波的影响 电力系统内谐波含量丰富，且随时变化，谐波频率、谐波波形畸变率，谐波初相角等因素对绝 缘监测影响很大。电压谐波给介质损耗因数测量带来了较大的误差。一般的，可以通过低通滤波滤 去高次谐波，将电力系统常有的3 次谐被含量限制在1 o 以内，由于滤波器对更高次谐波的抑制力 更强再加上电源中高次谐波的含量低，所以很容易将5 次、7 次谐波限制在0 3 和0 1 以内，此 时谐波对介质损耗因数测量的影响可以忽略不计。当采用谐波分析法时，实际的工频信号往往包含 奇次谐波分量，但在实际处理中不可能对一个无限长的信号进行计算分析，而只能取一段信号来求 d f t ( f f t ) ，所以实际上所处理的信号是理想的无限长信号加上了一个矩形窗。考虑矩形窗的影响， 计算得到的频谱是基波及各次谐波频谱与s i n e 函数的卷积的蚕加。因此，实际处理中对正弦信号得 到的频谱并不是理想的线谱，而是s i n c 函数。当正弦信号频率位于频域的等分采样点上时，s i n e 7 东南大学工程硕j 二学位论文 函数在该点的抽取值就是理想的无限长正弦信号的频谱，而其它采样点恰蚵位于s i n c 豳数的过零点 上。所以，在信号频率不变的情况下，选取适当的采样频率( f f s = q n ) ，对有限长正弦信号用o f t ( f f t ) 计算得到的频谱将是线谱。若不计随机噪声的影响，所测得的幅度及相位将是精确值。所以对于谐 波分析法，介质损耗因数受谐波含量的影响很小，这可以从实验室中数据( 表2 - 1 ) 看出。 表2 ，1 不同三次谐波比例下测得的介损值 i 三次谐波含量( ) 71 31 62 0 测量介损值 o 1 8 0 2 40 1 6 - 0 2 40 1 5 0 1 8 0 1 4 0 2 0 2 2 3 电压互感器角差的影响 由于在线监测系统采用母线电压互感器二次测量端子抽取电压作为标准比较信号，而该信号随 着电压互感器二次负载和温度的变化会引起相应的角差变化，从而引起介质损耗因数的测量误差。 测量角差的误差主要是由激磁支路引起的空载误差和负荷支路引起的负载误差造成，相角差每变化 1 就会引起介质损耗因数的误差为0 0 2 9 7 6 。负载角差与负载大小成正比，当二次负载大小一定时， 负载角差的曲线是负载阻抗角的正弦函数。因此，电压互感器负载阻抗变化引起的角差变化是影响 在线监测介质损耗因数准确性的主要因素。从实验室中数据( 表2 - 2 ) 可以看出 表2 - 2 不同p t 二次负荷下测得的介损值 p t 二次负荷( i n ) 2 05 08 01 0 0 测量介损值 0 0 6 - 0 0 80 1 6 - 0 2 00 2 5 一o 3 l0 2 8 - 0 3 3 而在现场运行的在线监测数据( 图2 4 ) 可以看出电压的变化等效于p t 二次负荷的变化，使 介损测量值每天呈规律性变化。 8 第二章容性设备存线监测的原理和误差分析 图2 4 某变电站绝缘在线检测系统的1 1 9 5 c t 介损与电压在2 0 0 3 年8 月2 1 日至9 月8 日变化曲线 一般认为，就同一母线而言，其上所有设备介质损耗因数测晕值的变化幅值基本相同，而且其 历次运行方式的变化引起的角差变化也基本一致，若所有设备的数据都同时增大或减少一定数值， 则可以认为是由电压互感器角差变化引起的。 2 2 4 电网频率波动的影响 在介质损耗因数在线监测中，一般认为在短时间内测得的电压、电流信号都可以看作是平稳的 周期信号。根据数字信号处理理论可知，只要能够按照被采样信号周期整数倍长度进行采样，即整 周期采样，用离散傅里叶变换( d f t ) 进行频谱分析，频域不会发生泄漏，就可以实现对信号频谱的 准确分析，获得信号各次谐被的幅值和相位。 但是，采集的工频信号往往并不是固定在5 0 h z ，而是在一个范围内动态地变化。因此在实际应 用中，如果保持固定的采样率，则前面分析中的理想采样情况无法实现，即无法保证信号频率恰好 在频域的等分采样点上。此时，对s i n c 函数进行抽样将不会位于其过零点处，同时也不会正好抽得 信号频率点的频谱。此即为栅栏效应和泄漏效应，给计算的频谱尤其是给相位带来较大的误差，影 响测晕的精度。在运行现场，实际系统的电源频率常有波动，整周期采样的条件很难满足，如果采 用谐波分析法，则频率的波动也是影响介质损耗因素测量准确度的一个重要因素。 2 2 5 环境温度、湿度的影响 由于被测设备周围环境温度、湿度每天都有周期性的变化，而绝缘材料的介质损耗因数与其本 身的温度有关环境湿度会影响设备表面的电场分布，从而影响介质损耗因数的测量值。 一般也是在进行绝缘诊断时，采用相对比较法。相对比较法的原理是：同一母线下，同一相、 应用同一电压互感器电压基准测鼍的多台同类型设备，它们的绝缘结构相似，处于相同的运行条件 和环境条件下，各种因素对同相设备介质损耗因数测量结果的影响相似，测量数据应该有同时变化 的迹象。如果设备绝缘状况良好，则测试结果基本相同，如果测试数据间有明显差异，则其中某台 设备的绝缘状况可能出现异常。 2 2 6 偶然因素的影响 在线监测介质损耗因数时，在线监测的数据常常会因某些不确定因素的干扰而出现虚假点( 野 点) ，这些虚假点对数据的分析有很大影响，所以在绝缘诊断前必须对在线测得的数据进行预处理。 一般解决方法是根据正常状态下在线监测数据及实际测量值确定其变化规律，若不符合就认为 9 东南大学工程硕十学位论文 是虚假点，并用相应的内插值代替。 从以上分析来看，利用谐波分析法影响在线监测介损值的主要因素是电压互感器角差，频率波 动，环境温湿度和一些偶然因素。在线数据的稳定性、重复性差，因而必须对在线数据进行预处理， 剔除不良数据与虚假数据，才能保证诊断的准确性。目前有很多人做了研究，也提出了一些解决方 法。在引言中我也简单介绍了一些。而文献【1 4 提出的方法给了我一些启发，考虑到在线数据具 有动态特性，文献根据系统正常状态下的数据建立相应的自回归滑动模型( a r m a ) ，将测量数据与模 型计算数据的残差作为判断故障的依据，但仅以历史数据作为依据，难以考虑诸多干扰因素对介质 损耗的影响，因而其具有一定的局限性。 我认为可以利用几个与介质损耗因素直接相关的量建立神经网络模型，再将模型计算数据与装 置实际测量数据进行比较，剔除不良数据，从而准确判断设备绝缘状态。由于t a n6 仅取决于材 料的特性，因此与直接作用于其上的电压u ，流过的电流i 及介质电容量c 有着最密切的关系，可 以用这几个量和历史数据作为输入量建立模型，这样也可以避免仅以历史数据做依据的局限性。在 第三章中将介绍一下人工神经网络方法，并利用其建立预测模犁。而在第四章中将利用m a t l a b 工具 和一些具体数据加以分析验证。 l o 第三章容性设备在线监测的人工神经网络模型 第三章容性设备在线监测的人工神经网络模型 本章根据第二章对容性设备在线监测的原理和误差分析，介绍了人工神经网络和前馈型人工神 经网络( b p 网) 的结构及算法，并且利用m a t l a b 工具建立容性设备在线监测的人工神经网络模型。 3 1 人工神经网络( a n n ) 人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k ) 理论是一门新兴的交叉学科，有极其广泛的应用领 域。正是因为它适合于解决实际问题，所以其应用领域在不断的扩大，它不仅可以广泛应用于工程、 科学和数学领域，也可广泛应用于医学、商业、金融和文学等领域。一般地，神经网络与经典计算 方法相比并非优越只有当常规方法无法解决或效果不佳时神经网络能显其优越性尤其是当对问 题的机理等规律不甚了解或不能用数学模型表示的系统，如故障诊断、特征的提取和预测、非线 性系统的自适应控制等问题，神经网络往往是最有利的工具另一方面，神经网络对处理大量原始 数据且不能用规则或公式描述的问题表现出极大的灵活性和自适应性。 在容性设备绝缘状况的在线监测中，由于影响其介质损耗因素的因素是相当多的，很难采用一 个具体的函数来表达数据和各种因素之间的关系，因此，人工神经网络在此时就可以发挥其巨大的 功能，使得网络来逼近一个函数，从而预测出较为准确的介质损耗因素值，然后与实际测得数据进 行比较，准确判断设备的绝缘状况。 3 1 1 人工神经网络的发展 从人脑的生理结构出发来研究人的智能行为，模拟人脑信息处理的功能，即a n n 的研究始于上 世纪4 0 年代。早在1 9 4 3 年，心理学家m c c u l l o c h 和数学家p i t t s 在数学生物物理学会刊 b u l l e t i n o fm a t h e m a t i c a lb i o p h y s i c s ) 上发表文章，提出了形式神经元的数学描述与结构方法，即m p 模 型，引起了对神经网络的研究；1 9 4 9 年心理学家d 0 h e b b 提出神经元之间突触联系强度可变的假 设，根据这一假设提出的学习率为神经网络的学习算法奠定了基础；在5 0 年代末，r o s e n b l a t t 提 出感知机，第一次把神经网络的研究付诸工程实践；6 0 年代，美国著名人工智能学者m i n s k y 和p a p e r t 对r o s e n b l a t t 的工作进行了深入的研究，指出如果引入隐含神经元，增加神经网络的层次，可提高 神经网络的处理能力；在1 9 8 4 年h o p f i e l d 设计与研制了他所提出的神经网络模型的电路；近些年 来，许多科学家提出了许多种具备不同信息处理能力的神经网络模型，至今为止，约已开发了3 0 多 种，神经网络也被应用到了许多信息处理领域，如模式识别、自动控制、信号处理、辅助决策、人 工智能等。 3 1 2 人工神经网络的基本特点 人工神经网络( a n n ) 的主要思想是模拟人脑功能的若干基本特性，但只是人脑功能的某种模仿、 简化和抽象，包括对信息的加工、处理、存储及搜索等。神经网络模型是由大量的简单神经元组成 1 1 东南大学工程硕上学位论文 的非线性系统，每个神经元的结构和功能都比较简单，仅仅是对输入信号的加权求和，然后计算该 处理单元新的活跃值和输出信号，而大量的神经元组合产生的系统行为却非常复杂；同时，神经网 络模型具有高度复杂的互连。所以人工神经网络具有较强的学习能力、计算能力、变结构适应能力、 复杂映射能力、记忆能力、容错能力以及各种智能处理能力。人工神经网络由于其结构特点，具有 许多类似于人脑功能的能力： 3 1 2 1 神经网络的大规模并行性、集团运算和容错能力。 在大规模的神经网络系统中，有许多能同时进行运算的处理单元，信息处理是在大量处理单元 中并行而又有层次地进行，计算速度快。而且，在一个处理神经元中的失效并不能引起整个网络系 统的失效，只不过是导致整个网络系统性能的降低，因此神经网络具有很好的容错能力。 3 1 2 2 神经网络的分布式信息存储能力。 人工神经网络是通过各个神经元之间的复杂连接把处理问题的所有信息保存起来，这些信息的 存储并非仅仅存在于一个神经元，而是分散在整个神经网络中，这样即使部分网络受损也不至于失 去全部信息。 3 1 2 3 神经网络的学习和自组织能力 确定神经网络中连接权的过程是神经网络的学习过程，并且随着样本输入条件的不问而有不同 的神经网络学习结果。 3 1 2 4 神经网络的强大的计算能力和处理实际问题的能力。 人工神经网络对信息的处理和推理过程具有并行的特点，每个神经元根据接收到的输入信息( 刺 激) 独立进行计算，而最终的网络输出( 反应) 却是两络综合的结果。 3 1 3 人工神经网络的基本分类及学习规则 自从本世纪4 0 年代a n n 的开始研究至今，中外学者已经开发出数十种具有代表性的人工神经网 络模型。随着人工神经网络应用研究的不断深入，新的模型也在不断推出。目前，研究和应用晟多 的是四种基本模型，即h o p f i e l d 神经网络、多层感知器、自组织神经网络和概率神经网络以及它们 的改进模型。 到目前为止，已经出现许多神经网络模型相应的学习规则算法。几种具有普遍意义的学习规则 是：误差修正型学习( e r r o r - c o r r e c t i o nl e a r n i n g ) 、随机性学习( s t o h a s t i cl e a r n i n g ) 、赫布型学 习( h e b b i a nl e a r n i r i g ) 以及竞争型学习( c o m p e t i t i v el e a r n i n g ) 。其中误差修正型学习是利用神经 元希望输出与实际输出之间的偏差作为连接权调整的参考，最终来减小这种偏差，感知机、m a d a l i n e 的学习都是基于这种规则进行。 本文在设计过程中采用的是带有隐含层的前馈犁神经网络，它也是属于误差修正型学习的应用。 1 2 第三章容性设各在线j | ；f 测的人工神经网络模型 3 2 前馈型人工神经网络( b p 网) 的结构及算法 3 2 1b p 网络的结构分析 三层前馈型网络是最为简单的三层人工神经网络，得到了最广泛的应用，它的学习机理是误差 反向传播( e r r o r b a c k p r o p a g a t i o n ) 。把网络输出的误差归结为各连接权的“过错”，通过把输出层 单元的误差逐层向输入层逆向传播以“分摊”给各层单元，从而获得各层单元的参考误差以便调整 相应的连接权。其典型结构如下图( 3 1 ) 所示，由输入层l a 、隐含层l b 和输出层l c 单元之间前向 连接，其中a k i ，( i = 1 ，2 ，n ) 为神经网络的输入，y 和u 分别是l a 与l b 、l b 与l c 层神经元 间的连接权，c k i i ( i i = l ，2 ，q ) 代表l c 层神经元的输出值： y c o l 一厶叱 图3 一l 单隐层b p 神经网络结构 这里仅对上圈所示的最基本的b p 网络加以说明。该b p 用作异或联想函数估值器，能存储任意 连续值的模式对( a k ，c k ) ，其中k 代表模式对的个数。在第k 个模式对中，模拟值模式a k = ( a l k ， a n k ) ，c k = ( c l k ，c q k ) 。网络通过多层误差修正梯度下降法对样本数据进行离线学习，按照离散 时间方式运行。在学习完毕后，人工神经网络能够按照连接权所存储的反应模式做出反应，进行推 理、联想。 b p 网络的特征是它可以学习或训练，学习或训练的过程实质上是根据给定输入和希望输出( 即 模式对( a l ( ，c k ) ) ，不断地调整权重。在训练过程中，各权重都收敛到一确切值，以便每一输入向量 a k 都会产生一输出向量，与希望输出向量c k 相比来修正权重。调节权重所遵循的预定规则就是训 练算法。 人工神经网络的输出是由神经元响应函数( 又称为能量函数、网络节点函数等) ，是为了模拟神 经细胞的兴奋、抑制、疲劳以及阀值等非线性特征。网络的输入变量经过加权和线性系统处理后形 成刺激因子，再通过神经元的响应函数得到神经元的新的激活值，即反应、输出。常用的神经元响 应函数有很多，如阀值函数、双向阀值函数、s 型函数( 即s i g m o i d 函数) 、双曲正切函数、指数函 1 3 东南大学t 程硕十学位论文 数、高斯函数、阶跃函数、分段线性函数、恒等线性函数等等。通常b p 网络采用的是s 型函数，这 主要是因为它的突变性和饱和性很好地反应了神经细胞兴奋过程所产生的神经冲动以及疲劳性。 3 2 2b p 网络的算法分析 b p 网学习通过一个使代价函数最小化过程完成从输入到输出的映射。通常，代价函数定义为所 有输入模式上输出层单元的希望输出与实际输出的误差平方和。由于b p 模型的误差反向传播学习实 现了定义在整个模式训练集代价函数曲面上的梯度下降，它可以看作是晟d , - 乘法( u i s ) 算法在多层 网络中的推广。根据前馈网络的误差反向传播特征可知，三层b p 网络采用的训练学习算法可以分为 两步：网络的顺序传播过程和误差反向传播( e r r o rb a c k - p r o p a g a t i o n ) 过程，其算法表述如下： 3 2 2 1 顺序传播过程 顺序传播过程是神经元接收刺激和做出响应的过稃，利用赋予的初值来进行样本数据的学习。 1 ) 赋初值 给图3 1 中的输入层l a 到隐含层l b 的连接权yh i ，l b 到输出层l c 的连接权。i j 、以及l b 层单元的阈值0i ，l c 层单元的闽值v j 赋以位于 一1 ，+ 1 区间上的随机值。 2 ) 学习 对于每个模式对( a k ，c k ) ( k 是表示模式对的数目，且k = l ，2 ，m ) 进行下列操作过程： ( 1 ) 将a k 的值送到l a 层单元，再将l a 层单元的激活值a k 、通过连接权矩阵y 送到l b 层单元， 得到隐含层各单元接受的刺激： n e t b ，= y h t a h h = l ( 3 一1 ) 这样隐含层单元新的激活值为： b i = f ( n e t b ，+ 研) = ，( y h a h + a ) h = l ( 3 - - 2 ) 式中，n 为输入层神经元总数： i = l ，2 ，p ，其中p 为隐含层神经元数目： f 为s 型函数，即 删= 专 。吲 ( 2 ) 输出层l c 各神经元接受的刺激为： n e t c j = 6 ， h = l ( 3 4 ) 其新的激活值为： o = f ( n e t o + ) = ，( 艺q 6 f + 1 ，) i = 1 ( 3 5 ) 式中，j = 1 ，2 ，