摘 要 目前随着传感技术、计算机技术、网络技术等的进步,作为状态检修技术支撑之一的设备在线监测技术已经呈现出较快发展的趋势。在变电站电气设备中,电容型设备的数量约占40%左右,大多数采用电容式绝缘,通过对其介电特性的监测可以发现尚处于早期发展阶段的缺陷。然而介电特性中最能反映设备绝缘状态的介质损耗角正切值tanδ(即介质损耗因数)的数据波动通常较大,本文通过人工神经网络的一般描述,提出其在容性设备在线监测中的应用。以期其能够减少外界环境的干扰,使设备绝缘状态监测更加稳定和准确。
【关键词】人工智能 容性设备 绝缘监测
从2011年开始至今的5年时间,贵州电网对变电设备在线监测技术进行了大规模的推广应用。主要包括:变压器油色谱在线监测、GIS局部放电在线监测、配电开关柜温度在线监测以及容性设备绝缘在线监测四大类。其中的容性设备绝缘监测,最能反映设备绝缘状态的介质损耗因数极易受到外界干扰,增加了监测人员准确判断被监测设备状态的难度。由于很难采用一个具体的函数来表达数据和这些因数之间的关系,人工神经网络在此就可以发挥巨大的功能。其大规模并行性、集团运算性、自学容错和自适应性等强大功能,使得尽快将人工智能技术应用在容性设备绝缘监测中是很有必要的。
1 容性设备绝缘在线监测
1.1 种类
目前容性设备绝缘监测测量方法形成了硬件法和软件法两个分支,硬件法包括电桥法、三相不平衡法、过零比较法,软件法中又分为谐波分析法、正弦波参数法、高阶正弦拟合法、相关函数法。
谐波分析方法最为常见,监测原理为:使用灵敏度高的微电流互感器发出电流信号,并使之对二次侧电压信号进行抽取,完成整形、放大以后将工模干扰与滤波消除,能够对程控放大信号同步与模拟,使用A/D转换为离散型数字信号,使用计算机对数字信号进行傅里叶变换处理(FFT),能够将傅里叶系数得出,得出2个基波相位差。
1.3 误差分析
三相系统是电力系统的主要表现形式,并且以耦合形式存在,由此,在对三相高压电容器测试时会出现干扰,造成介质损耗A角变大,不变的是B相,C相变化较小。现场数据分析发现母线介质变化曲线同一侧位置相同,而不相同介质损耗曲线差异较大。
2 绝缘监测人工智能模型构建
2.1 ANN人工神经网络
通常,神经网络与经典计算存在较大差异,神经网络优越性更加明显,数学模型表示不出来的都可以使用神经网络表示,比如,诊断故障、预测、非线性系统预控等。鉴于介质损耗较多,不能使用基本函数表示数据之间的关系,由此,利用神经网络比拟一个函数,能够将介质损耗预测,比较实际测得的数据,进而了解设备绝缘情况。
2.2 前馈型人工神经网络(BP网)结构与算法
三层人工神经网络是三层前馈网络最为基本的构成,网络误差能够在连接中出现“过错”,然后将输出层单元误差“分摊”到下面每一层单元中,
得到每一个层面的参考误差,获得对应的连接权限。
在k个模式中,模拟值模式AK=(alk,...,ank),CK=(cik,...,cqk)。误差修正梯度下能够对样本数据学习,使用离散方式,完成学习以后,人工神经网络会按照存储连接权做出反应。算法如下:
首先是顺序传播过程,使用赋予初值学习样本数据;然后赋初值输入层LA、LB连接权,将LB输出层的Lc与连接,再与LB层阈值连接,赋予Vj在[-1,+1]区间上随机值;学习模式(AK,CK),在LA层单元中使用AK值,激活LA层的ak,与矩阵γ连接,输送到LB单元内,刺激隐含层。
2.3 BP网络构建
Nnbox会提供神经网络专用函数,用Newff()表示。此函数格式如下:
Net=newff(A,l,TrainFun),在上述格式中,net表示的是网络属性与参数值,4个输入变量如下:R*2矩阵――A,表示每一个要素输入向量与最大、最小值;行向量――l,表示每一个层神经元数量;字符串向量――c,表示神经元传输函数;TrainFun――字符串变量,表示训练函数域名。
3 人工智能在容性设备绝缘监测的应用实例验证及分析
构建神经网络以后,具有灵敏反应,并且精准度能够达到诊断指标。使用人工神经网络对容性设备介质损耗预测时,需要结合实际预测数据,充分收集历史数据,明确相关变量关系才能将预测精度提升。
4 结语
随着变电站无人值班越来越普遍,人工智能检测设备状态显得尤为重要,通过本文论述与分析了解在线检测装置是一个有的监测手段,能减少外界环境对装置的影响,真实反映出设备绝缘状态。
参考文献
[3]王新超,苏秀苹,张丽丽等.短暂扰动注入法对于小电流接地系统线路状态在线监测的探讨[J].电力系统保护与控制,2010,38(6):141-145.