基于RBF神经网络的绝缘子污秽智能诊断

张恩锋

(1.山东能源枣矿集团供电工程处，山东省枣庄市，277011；2.中国矿业大学，江苏省徐州市，221008)

在输电系统中，绝缘子是连接不同电位导电体的重要部件，其性能的好坏直接影响着电力系统的安全与稳定。由于在未来较长的一段时期内，煤炭发电仍占据我国的主导地位，大气环境中飘浮的污秽颗粒被吸附在绝缘子表面，造成绝缘子表面的污秽程度增加，此时如果绝缘子污秽受潮，将使绝缘子的绝缘性能急剧恶化，从而使绝缘子发生故障，引发大面积停电事故。因此，对绝缘子进行智能诊断是保证电力系统安全运行的重要措施之一。

本文通过采用RBF神经网络对绝缘子泄漏电流进行了分析，然后训练神经网络，最后搭建智能诊断模型并且进行验证。模型搭建的目的是为了在事故来临之前，采取必要的防护措施，对保障电力系统的安全稳定具有十分重要的意义。

1 绝缘子污秽智能诊断模型的结构设计

采用newrb函数创建RBF神经网络，搭建了绝缘子污秽度预测模型。绝缘子污秽度预测模型搭建的过程如图1所示。

在建立绝缘子污秽智能诊断模型的过程中，模型的结构采用五输入一输出的形式，如图2所示。RBF神经网络的输入参数分别为相对湿度RH、温度T、泄漏电流有效值Ⅰa、泄漏电流峰值Ⅰp和泄漏电流不同峰值区间的脉冲频次fn，将这些参数作为评判绝缘子污秽程度的主要依据；网络的输出向量为等值盐密ESDD，ESDD是一个对应于污秽程度的标准量。

图1 绝缘子污秽程度预测建模流程图

图2 绝缘子RBF网络污秽度预测模型的结构

为了定义绝缘子的污秽程度，结合具体的试验环境、试验数据、试验现象以及相关文献资料，将这两个输出划分为4个等级。污秽程度以绝缘子表面的等值盐密ESDD为依据，其4个等级定义为:当ESDD为区间[0，0.1]时，污秽等级为A＝[污秽程度正常或轻微]；当ESDD为区间 (0.1，0.2]时，污秽等级为B＝[污秽程度中等]；当ESDD为区间 (0.2，0.3]时，污秽等级为C＝[污秽程度严重]；当ESDD为区间 (0.3，0.4]时，污秽等级为D＝[污秽程度特别严重]。

2 绝缘子污秽度预测模型的搭建

2.1 选取RBF网络训练样本

建立绝缘子污秽度预测模型要选取合适的神经网络试验数据样本进行训练。目前，普遍认为绝缘子的泄漏电流能在很大程度上反映绝缘子表面的污秽程度。此外在污秽度一定的情况下，绝缘子泄漏电流会随着湿度、温度的变化而变化。因此为了提高绝缘子污秽度预测模型的精确度，本文选取了东南大学500kV电压等级下的试验数据验证利用RBF神经网络建立绝缘子污秽度预测模型的可行性。

2.2 训练样本参数的归一化

样本参数的变化范围较大，不利于RBF神经网络的训练，于是需要将训练样本的参数进行归一化处理。但是考虑神经网络的输出能直接反映出绝缘子的真实污秽度，所以ESDD在此不作归一化处理，只对5类输入参数进行归一化处理。

(1)相对湿度归一化。由相对湿度对绝缘子影响可知，在相对湿度RH低于50%时，绝缘子表面的泄漏电流较小，绝缘子放电现象不明显；当相对湿度RH大于50%时，湿度对绝缘子污层的影响迅速增大，使绝缘子表面的泄漏电流快速增大，直至污层的湿度为85%，达到饱和。因此，选择隶属度函数S型函数 (sigmf)对相对湿度进行归一化处理，相对湿度归一化曲线如图3所示。

图3 相对湿度归一化曲线

(2)温度归一化。温度对绝缘子泄漏电流的影响相对较小，他是通过影响绝缘子污层的湿度间接影响绝缘子泄漏电流的。因此，温度对绝缘子污秽度预测模型的作用与湿度相似，也采用隶属度函数S型函数 (sigmf)。

(3)泄漏电流有效值归一化。根据泄漏电流有效值与绝缘子盐密的关系，用泄漏电流对数的指数形式的模糊函数对泄漏电流有效值进行归一化，泄漏电流有效值归一化曲线如图4所示。

式中:a——常数，能够反映模糊函数的收敛速度；

b——门槛电流，mA。

对于XP-7型绝缘子而言，两个常量分别选取a＝1，b＝0.1mA。

图4 泄漏电流归一化曲线

(4)泄漏电流峰值归一化。泄漏电流峰值点是绝缘子发生污闪的关键点，受各种因素的影响，泄漏电流的脉冲电流峰值具有随机性，即使在输入样本参数相同的条件下，电流峰值也会不尽相同，但是会在某个范围内波动。因此，本文采用分段隶属度函数的形式将泄漏电流峰值归一化，函数式如下:

(5)泄漏电流脉冲频次归一化。计算出幅值不同的泄漏电流峰值在特定的时间内产生的频次ni，并用隶属度分段函数分别赋予脉冲频次不同的值。泄漏电流脉冲频次的隶属度函数式为:

2.3 RBF神经网络模型的建立

本文采用newrb函数创建RBF神经网络模型。

输入向量:P＝[F(RH)，F(T)，F(Ⅰa)，F(Ⅰp)，F(fn)]T；

输出向量:T＝ESDD。

此处，F(RH)、F(T)、F(Ⅰa)、F(Ⅰp)、F(fn)均是由相应参数归一化后的数据组成的列向量。

建立网 络:net＝newrb (P，T，GOAL，SPREAD)。

在创建网络时，网络会自动确定隐含层的节点数，使均方误差GOAL和径向基函数的扩展速度SPREAD达到设定的值。在RBF网络的设计过程中，尝试采用选取不同的 (GOAL，SPREAD)组合值，并最终找到一个最优值。

2.4 绝缘子污秽度预测模型的验证

在模型建立后，需要验证模型预测的精确性。在相同的条件下，选取训练样本之外的5组数据作为验证样本，如表1所示。

表1 污秽验证样本的原始数据

将验证样本中的5个输入参数进行归一化处理以后，利用建立好的绝缘子污秽度预测模型对验证样本进行仿真预测。RBF神经网络的仿真函数为ty＝sim (net，P1)，其中P1为验证样本的输入参数，ty为RBF神经网络的仿真输出结果。在仿真过程中，需要不断地调整RBF神经网络net＝ne-wrb(P，T，GOAL，SPREAD)中的 (GOAL，SPREAD)组合值。通过对几组不同的 (GOAL，SPREAD)组合值进行预测验证，发现当(GOAL，SPREAD)＝ (0.005，3.0)，可使网络的预测达到最优。同时也验证了RBF神经网络应用于绝缘子污秽预测的可行性，并可以达到很好的效果。因此，本文的绝缘子污秽度预测模型采(GOAL，SPREAD)＝ (0.005，3.0)，此时验证样本的模型预测结果如表2所示。

表2 污秽验证样本的预测结果

3 结语

进行了预测模型的结构设计，并以泄漏电流的特征量为主参考量，结合绝缘子所处的温度和湿度气象因素，建立了基于RBF神经网络的绝缘子污秽度预测模型，并对模型的预测应用进行验证，最终表明预测模型可以使绝缘子的污秽程度实现很好的预测效果，具有一定的实用性，为电力系统的正常运行提供了有力保障。

[1]Gouda O E，Amer G M，Factors affecting the leakage current bursts of high voltage polluted insulators[C].IEEE Universities Power Engineering Conference，Taiwan，2004

[2]李璄延，姚陈果等.污秽绝缘子放电发展区段与污闪预警的研究[J].中国电机工程学报，2008(13)

[3]Ahmad S，Ghosh P S.Modeling of various meteorological effects on contamination level for suspension type of high voltage insulators using ANN[C].Transmission and distribution conference and exhibition 2002，Asia Pacific.IEEE／PES，2002

[4]杨庆，司马文霞等.复杂环境条件下绝缘子闪络电压预测神经网络模型的建立和应用[J].中国电机工程学报，2005(13)

[5]张寒，文习山，丁辉.用神经网络预测基于气象因素的绝缘子等值附盐密度[J].高压电器，2003(6)

[6]尉敏.基于模糊神经网络的绝缘子状态检测新方法的研究[D].东南大学，2006

[7]张恩锋，张浩.高压STATCOM 无功补偿与谐波治理装置在矿井变电所的应用[J].中国煤炭，2012(5)

[8]戴云航，王志刚等.LXY-120绝缘子在不同湿度下泄漏电流特性的研究[J].华东电力，2006(9)

[9]毛颖科，关志成等.基于BP人工神经网络的绝缘子泄漏电流预测[J].中国电机工程学报，2007(9)

[10]张重远，黄彬等.悬式瓷制绝缘子泄漏电流与表面污秽的关系[J].高电压技术，2008(4)

[11]张恩锋.基于GPRS的电力铁塔智能监测系统的设计[J].中国煤炭，2011 (5)