10 kV電纜接頭局部放電趨勢分析及預警方法研究

趙洪山,孟航,王奎,張則言,張峻豪

(華北電力大學 電氣與電子工程學院,河北 保定 071003)

0 引 言

電力電纜承擔著電能的輸送與分配任務,對保障電網安全穩定運行起著重要作用。在電纜系統中,電纜接頭是最薄弱的環節,是絕緣故障頻繁發生的位置[1-2]。局部放電既是引發絕緣劣化的主要因素,又是絕緣缺陷的重要表征,是電纜絕緣狀態評估的重要指標[3-4]。暫態地電壓(Transient Earth Voltage, TEV) 具有外界干擾信號少的特點,因而檢測系統受外界干擾影響小,具有較高的可靠性和靈敏度,且TEV傳感器易于安裝,在配網設備的局部放電在線監測、診斷與定位中得到了良好地運用[5-6]。通過TEV傳感器對電纜接頭的局部放電進行在線監測,可以及時有效地了解其絕緣運行狀態。

相比局部放電的數值,研究其趨勢變化能為局部放電評估提供更多的信息[7]。目前,關于局部放電變化趨勢的定量計算研究還較少。文獻[8]通過加壓老化試驗,從能量及特征譜圖層面揭示了局部放電趨勢發展的特征規律,但是其基于能量的趨勢分析過程復雜,計算量較大。文獻[7,9]采用價量趨勢(Price Volume Trend, PVT)對局部放電變化趨勢進行研究,而通過PVT研究局部放電還沒有適用的標準。文獻[10]運用移動平均法對局部放電量進行處理,通過計算局部放電序列的線性增長率來判斷趨勢升降。而實際運行中的電纜接頭局部放電影響因素多、波動性大,線性增長率是對局部放電趨勢的一種長期整體性的粗略評估,忽略了趨勢變化的突變點和局部變動特征,在分析時可能遺失關鍵的特征信息。Mann-Kendall檢驗法不僅可以反映時間序列的上升與下降的趨勢,還可以定量計算各時間序列點的趨勢升降程度及進行突變點檢測[11-12],相較于線性擬合法,能更加準確地揭示時間序列的趨勢變化特征。

傳統的電力電纜預警是通過判斷監測的特征量越限來預警電纜故障[13],這種被動監控的方法不僅難以提前預防電纜故障的發生,而且預警指標只考慮了參量幅值大小而忽略了重要的趨勢信息。因此,為了能夠事前預防故障,可通過對監測的局部放電數據進行預測形成主動預警。長短期神經網絡(Long Short-Term Memory, LSTM)是一種改進的循環神經網絡[14](Recurrent Neural Network, RNN),解決了普通RNN長期記憶力不足的缺點。與傳統的預測方法相比,LSTM在分析多因素、不穩定問題中具有更強的適應性,在風速、光伏功率以及汽車能耗等各類時間序列的預測上表現出良好的性能[15]。

鑒于此,文中提出一種基于LSTM神經網絡和Mann-Kendall檢驗法的電力電纜接頭局部放電預警方法。運用采集的變電站開關柜中電纜接頭局部放電特征量,首先利用LSTM對局部放電序列進行預測,然后通過Mann-Kendall檢驗法進行趨勢分析,綜合考慮局部放電序列幅值大小和趨勢參數兩個指標實現電纜接頭局部放電的預警。最后利用實際現場數據驗證了文中算法和模型的有效性。

1 Mann-Kendall檢驗法

Mann-Kendall檢驗法是一種非參數檢驗法,其優點是不需要樣本遵循一定分布,也不受少數異常值干擾,可以定量地計算出時間序列的變化趨勢。文中將Mann-Kendall檢驗法引入局部放電時間序列的趨勢分析中,定量計算局部放電數據的趨勢變化。

Mann-Kendall檢驗法的原理如下：

對于樣本數為n的時間序列x,構造一秩序列：

(1)

其中：

(2)

式中Sk是第i時刻數值大于第j時刻數值個數的累計數。

在時間序列隨機獨立的假定下定義統計量：

(3)

在x1,x2,…,xn相互獨立時,Sk的均值和方差具有相同連續分布,定義如下：

(4)

(5)

式中當k=1時,UFk=0;E(Sk)和var(Sk)分別為Sk的均值和方差。

計算分析統計參量UFk和UBk來揭示局部放電數據的變化趨勢和突變時間。UFk為標準正態分布,是按時間序列順序x1,x2,…,xn計算出的統計量序列;再按時間序列逆序xn,…,x2,x1,重復上述過程,并且令UBk=-UFk(n,…,1,2),UB1=0。給定顯著性水平α,一般取顯著性水平a=0.05,則臨界值U0.05=±1.96[11]。若趨勢參數UFk的值大于0,表明序列呈現上升趨勢;若小于0,則表明序列呈現下降趨勢;當曲線UF越過臨界線時,即UFk≥1.96或UFk≤-1.96,則表明上升或下降趨勢顯著,超過臨界線范圍確定為出現突變的時間區域。如果UF和UB這2條曲線有交點,且交點在臨界線之間,則交點對應的時刻即為突變開始的時間。

因此,文中利用Mann-Kendall檢驗法對局部放電數據進行分析,以便清晰地揭示局部放電趨勢變化情況。

2 長短期記憶神經網絡

LSTM神經網絡是在RNN基礎上改進的一種深度神經網絡。通過在隱含層各神經元中增加記憶單元,從而使時間序列上的記憶信息可控,有效解決了RNN在訓練過程中會引起梯度消失或梯度爆炸等缺點[14]。

2.1 LSTM網絡結構

在 LSTM網絡構架中,信號序列在隱藏層神經元間傳遞時通過3個可控門-即輸入門(input gate)、遺忘門(forget gate)及輸出門(output gate),如圖1所示。

圖1 LSTM門控單元結構圖

其中,it表示輸入門,用來控制信息輸入;ot表示輸出門,用來控制信息的輸出;ft表示遺忘門,用來控制歷史信息的保留。門控結構使用sigmoid激活函數,用“σ”表示,其作用是將變量映射至區間[0,1]中,即定義了信息通過的程度。

單元狀態的更新可分為以下幾個步驟。

遺忘門、輸入門和輸出門的計算如式(6)～式(8)所示：

ft=σ(Wf·[ht-1,xt]+bf)

(6)

it=σ(Wi·[ht-1,xt]+bi)

(7)

ot=σ(Wo·[ht-1,xt]+bo)

(8)

式中xt為當前輸入;ht-1為前一時刻的隱含層狀態;ft、it和ot分別為t時刻遺忘門、輸入門和輸出門的狀態值;Wf、Wi和Wo分別為遺忘門、輸入門和輸出門的權重矩陣;bf、bi和bo分別為遺忘門、輸入門和輸出門的偏置項。

最終的輸出由輸出門狀態值ot和單元狀態ct共同確定：

(9)

(10)

ht=ot?tanh(ct)

(11)

2.2 LSTM網絡的訓練過程

在LSTM網絡構架中,LSTM神經網絡的結構具有循環機制,在序列的演進方向進行遞歸且所有節點按鏈式連接。LSTM的時序展開圖如圖2所示,每個框內都是一個LSTM單元結構。

圖2 LSTM時序展開圖

LSTM神經網絡處理時序數據,采用隨時間反向傳播算法[16],即將LSTM按照時間順序展開成一個深層前饋神經網絡,再運用誤差反向傳播算法(BP)進行訓練。網絡的基本訓練步驟如下：

(1)前向計算各神經元的輸出值,即ft、it、ct、ot和ht五個參數,計算方法如2.1所述;

(2)反向計算各神經元的誤差值,包括按時間的反向傳播和將誤差向網絡上一層傳播兩個方向;

(3)基于對應的誤差項,計算各權重的梯度,通過梯度下降法對權重進行更新。

3 局部放電預警閾值和預警模型的確定

局部放電是評判電力設備絕緣性能的重要手段。通常局部放電程度是很小的,不影響設備發揮其功用,然而這個不斷積累的過程最終也會引起絕緣層的損壞,導致設備出現功能性缺陷[17]。因此,及早發現設備的異常狀況尤為重要。鑒于Mann-Kendall檢驗法和LSTM在處理時間序列上的良好表現,基于二者建立了一種電纜接頭局部放電預警模型。

在預警模型中,預警閾值的選取和預警機制的建立都尤為關鍵,所以文中首先在3.1通過模擬電纜接頭的典型缺陷的局部放電試驗來確定TEV預警閾值,然后基于確定的閾值,在3.2中構建了局部放電預警模型。

3.1 基于局部放電試驗的TEV預警閾值

3.1.1 局部放電試驗設計

(1)放電缺陷模擬

為了能有效檢測到電纜接頭剛好出現局部放電時對應的TEV幅值,模擬了10 kV電纜接頭的主絕緣劃傷、主絕緣表面污穢、絕緣表面有金屬尖端及半導電口剝離不整齊這4種典型放電模型[18-19]。各缺陷的制作方法如下：主絕緣有劃傷,在距離半導電層斷口8 cm的主絕緣外表面劃一道深約2 mm的刀痕;主絕緣表面有污穢,在主絕緣表面涂抹導電漆;主絕緣有金屬尖端,在距離半導電層斷口4 cm的主絕緣上插入一個小鐵釘;半導電層斷口剝切不平整,在斷口處剝切出一個長1 cm、高1 cm的齒狀尖端。

(2)試驗裝置搭建

圖3為試驗系統的接線示意圖。

圖3 實驗回路示意圖

試驗中,將分別把幾種典型的電力電纜接頭缺陷模型置于開關柜內部,因電纜絕緣終端等部位不連續,局部放電的高頻信號會由此傳輸到設備屏蔽外殼形成暫態地電壓[20]。電纜試樣的型號為高壓冷縮電纜終端頭10 kV戶內終端,型號NLS-10-3.2,電纜截面70 mm2～120 mm2;試驗采用KYN28-12高壓柜,柜體尺寸(W×D×H)為800×1 500×2 300,單位mm。利用調壓器和升壓變壓器將0～380 V交流電升高至0～10 kV,作為試驗電壓。為確定TEV預警閾值,采用某的SL-TEV3100型號的TEV傳感器(分辨率1 dB mV)進行監測,將傳感器安裝在靠近電纜倉側面接縫處[21],確保獲得較為準確的局部放電信息。示波器用來顯示局部放電脈沖,Micro終端用于顯示放電穩定后TEV幅值大小,存儲裝置用于存放局部放電數據。

3.1.2 局部放電測試

實驗步驟：首先對實驗室開關柜進行背景噪聲測量,得到背景噪聲的TEV測量結果;然后將電力電纜幾種典型的放電模型依次接入試驗回路中進行試驗。試驗前期通過調壓器緩慢升壓直至出現局部放電現象后,記錄起始放電電壓,并記錄此電壓下放電信號穩定后Micro終端顯示裝置的TEV幅值;繼續升高電壓,記錄各種缺陷在10 kV下對應的局部放電TEV幅值。

通過試驗測定,背景噪聲4 dB。電纜接頭4種典型缺陷局部放電參數如表1所示。

表1 典型缺陷的局部放電TEV參數

由表1可知,經SL-TEV3100傳感器測定,4種電纜接頭典型缺陷起始局部放電(剛好可以檢測到局部放電脈沖的最小放電程度值)的TEV幅值均大于或等于25 dB,故將SL-TEV3100測量電纜接頭局部放電狀態的TEV預警閾值定為25 dB。參考某公司研發的Ultra TEV plus、PDL1等TEV檢測設備局部放電閾值判斷標準[22],以5 dB為一個間隔進行狀態劃分,故將|TEV|≥25 dB定為預警狀態,20 dB≤|TEV|<25 dB定為關注狀態,|TEV|<20 dB則為正常狀態。

3.2 電纜接頭局部放電預警模型

文中依據3.1確定的TEV狀態閾值,利用LSTM預測方法和Mann-Kendall趨勢分析方法進行局部放電預警機制的構建,預警模型同時考慮TEV在線監測數據的幅值大小和趨勢變化,如圖4所示。

圖4 局部放電趨勢預警流程圖

(1)記局部放電特征參量序列x1,x2,…,xn,將其進行歸一化處理;

(2)通過LSTM 神經網絡預測模型對局部放電數據進行預測,得到預測值y1,y2,…,ym,m為局部放電數據的預測步長;

(3)在特征參量預測的過程中,取3次預測值的平均值作為最終預測值,將局部放電監測數據和預測數據組成[x1,x2,…,xn,y1,y2,…,ym]序列,對序列及其逆序運用Mann-Kendall檢驗法進行分析,定量計算局部放電數據的趨勢參數UFk;

(4)為綜合考量TEV的幅值大小和變化趨勢,將TEV大小和趨勢參數UFk一起作為預警標準。當TEV幅值超過預警值(即|TEV|≥25 dB)或當TEV參量同時滿足幅值大小超過關注值(即|TEV|≥20 dB)且趨勢顯著上升(即UFk≥1.96),則進行電力電纜局部放電預警。

4 算例分析

文中選取某變電站開關柜對應測點的SL-TEV3100傳感器采集的電纜接頭TEV在線監測數據作為研究對象(背景噪聲6 dB),此電纜接頭TEV監測參量指標高于其他電纜接頭監測數據。

文中在4.1對Mann-Kendall檢驗法在局部放電序列趨勢分析中的效果進行了驗證分析;在4.2.1中對LSTM在局部放電時間序列的預測性能上進行了對比分析;在4.2.2中對文中所提預警模型有效性進行了工程實用分析和預警模型效果對比驗證。

4.1 局部放電趨勢實驗分析

采集的局部放電TEV序列和對其移動平均處理后的趨勢變化如圖5所示,TEV序列每6 min在監測系統上完成一次傳遞顯示。

圖5 局部放電強度趨勢及其移動平均趨勢

由圖5可知,TEV局部放電幅值大小在13 dB～22 dB范圍內波動,遠大于背景噪聲。為了抑制短期波動因素對局放強度的影響,使用移動平均法對TEV數據進行平滑處理,其計算公式為：

(12)

取k=3,即7點移動平均,經移動平均處理后,在一定程度削弱了原序列中的不規則變動,但TEV強度仍處于大幅波動之中,未能清晰地揭示局部放電的趨勢變化。

對移動平均后的局部放電序列采用線性擬合法計算時間序列的線性增長率,計算公式如下：

(13)

式中ti為第i個時間序號;yi為第i個序列數值。

通過計算,圖5中的局部放電TEV序列的線性增長率kl=0.010 7,即其整體性趨勢隨著時間呈現上升趨勢。由此可知,kl在趨勢分析方面,可簡單直觀的展現局部放電特征量的整體性的遞增或遞減趨勢,但未能揭示TEV序列的局部趨勢變動情況,可能引起關鍵趨勢信息的遺漏。

基于Mann-Kendall檢驗法得到的TEV序列的趨勢變化UF和UB曲線如圖6所示。根據UF曲線的變化可知,在第0～120個監測數據,UF曲線對應的TEV序列的趨勢參數UFk值有正有負,即表明局部放電序列的趨勢變化是有增有減的,部分TEV序列對應的UF參量超過了U0.05=±1.96臨界線,此時TEV大小上升或下降趨勢顯著,波動幅度較大;在第120～150個TEV序列,趨勢參數UFk的值均大于0,TEV序列有上升的趨勢,且趨勢上升的程度在逐漸增加,但未超過顯著上升臨界線U0.05=+1.96;在第150～180個TEV序列,UF曲線在U0.05=+1.96臨界線附近上下波動,且多次超過臨界線,上升趨勢顯著。進一步觀察局部放電趨勢的突變點,在U0.05=±1.96臨界線之間,TEV序列的UF和UB兩條曲線共有4個交點,分別為第114、129、159及168個點,即TEV序列的趨勢發生了4次突變,4個突變點即為對應的突變時刻。由此可知,Mann-Kendall檢驗法能夠清晰地揭示TEV序列在各時間段的變化趨勢,且趨勢參數UFk能準確、定量地度量其趨勢升降程度。此外,Mann-Kendall檢驗法還能識別TEV序列的趨勢突變點,在局部放電的趨勢分析中表現良好。

圖6 局部放電TEV序列的Mann-Kendall檢驗

因此,與線性擬合法相比,Mann-Kendall檢驗法更能實現對局部放電數據趨勢變化的準確跟蹤和分析,所以趨勢參數UFk相較于線性增長率kl,更適合作為趨勢預警指標。

4.2 預警模型的實驗分析

4.2.1 預測結果分析

局部放電參量的準確預測是成功預警的關鍵。為了驗證LSTM神經網絡在局部放電時間序列預測上的性能,基于4.1中的1～180個TEV序列,將LSTM與傳統的BP、SVM及GM算法進行了對比分析。將第1～145個的TEV數據作為訓練樣本xtrain,第146～180個的TEV數據作為測試樣本xtest。文中選取均方根誤差(Root Mean Square Error, RMSE)、平均絕對誤差(Mean Absolute Error, MAE)和平均絕對百分比誤差(Mean Absolute Percentage Error, MAPE)作為預測結果的評價指標,計算公式如下：

(14)

(15)

(16)

式中N表示實驗預測個數;20 dB≤|TEV|<25 dB為TEV強度預測值;yn為真實值。

LSTM、BP、SVM及GM這4種算法對局部放電序列預測結果的誤差指標如表2所示。根據表2中的3種誤差指標可得,相較于BP、SVM和GM算法的預測結果,LSTM神經網絡的RMSE分別降低了66.09%、50.51%和31.80%,MAE分別降低了75.36%、57.86%和29.21%,MAPE指標分別降低了54.81%、 30.27%和18.02%。LSTM預測結果的3項誤差評價指標均最小,說明LSTM在局部放電時間序列的預測中效果良好。

表2 4種預測方法評價指標比較

4.2.2 預警模型有效性驗證

為驗證模型的有效性,將文中預警模型方法在某公司的在線監測平臺進行實際應用研究,用于河北滄州某變電站的電纜接頭局部放電預警?；谖闹蓄A警模型,在2020年9月6日準確預警,成功排除電纜接頭處一個潛伏性故障,預警效果如圖7所示。

圖7 預警模型效果圖

在圖7中,圖(a)和圖(b)分別展示了預警模型的TEV序列的幅值大小及其趨勢參數UFk,圖(a)和圖(a)中虛線分別對應|TEV|=20 dB的注意值臨界線和趨勢參數顯著上升,即U0.05=+1.96臨界線。由圖7可知,第14～18這5個TEV序列,|TEV|>20 dB且UFk>1.96,在文中構建的預警機制下連續5次進行預警。因此,檢修人員基于系統預警信息,對開關柜電纜倉進行檢查,排查故障原因發現電纜接頭處有少量污穢并及時處理,避免了污穢進一步累積而導致電纜發生功能性缺陷。

在圖7中,文中模型在TEV幅值大小未達到預警狀態閾值25 dB時,通過有效地利用趨勢變化特征信息,實現主動預警電纜故障。

為進一步驗證文中預警模型的有效性,與文獻[23-24]中的故障預警模型進行了對比分析,以文中數據作為樣本,將準確預警次數計為正例(PT),沒有正確預警的計為反例(NT),準確率計算公式如式(17)所示：

(17)

通過1 000次仿真實驗,得到的結果如表3所示。

表3 3種預警模型有效性比較

文獻[23]中是基于相似度模型的預警模型,主要是通過對比期望值與當前測量值的差異,以判斷機組的振動狀態是否發生異常。文獻[24]中是基于分布模型的預警模型,主要通過對數據進行分類建立預警機制。但是上述算法主要依靠局部放電的幅值信息,缺乏趨勢信息,而本文的預警模型綜合考慮了幅值大小和趨勢特征,所以在表3的對比分析中表現出更優的結果。

5 結束語

(1)文中利用Mann-Kendall檢驗法對局部放電TEV序列進行分析,清晰地反映了其上升或下降的趨勢,定量地計算了其趨勢變化程度,并且準確地找出趨勢的突變時刻;

(2)文中構建的電纜接頭局部放電預警模型,借助LSTM 神經網絡在局部放電時間序列預測上的良好性能和Mann-Kendall檢驗法對局部放電數據趨勢變化定量計算及特征揭示上的良好表現,將TEV的幅值大小和趨勢參數共同作為預警指標。通過和其他預警模型對比分析以及在監測系統上的工程應用研究,有效驗證了趨勢信息在預警方面的重要性,能實現對局部放電的主動預警。

后續在局部放電趨勢分析中,將通過多種局部放電特征量監測手段繼續研究電纜接頭典型缺陷局部放電的狀態特征。