基于XGBoost 算法的绝缘子污秽放电在线诊断方法研究

陈兴新， 岳一石， 程紫熠， 邹妍晖， 巢亚锋

(1.三峡大学， 湖北 宜昌443002；2.国网湖南省电力有限公司电力科学研究院， 湖南 长沙410007)

0 引言

架空输电线路绝缘子由于长期处于高压强磁场环境下， 会因损耗和老化而发生表面劣化等缺陷和污秽闪络， 造成线路停运， 严重威胁到电力系统的可靠性和安全性[1-4]。 当表面累积污秽， 在潮湿中因湿度增加绝缘子的绝缘性能降低， 在这种情况下极易造成污闪[5-6]。 污闪是涉及多学科交叉的复杂化学和物理变化过程。 现代电力系统电压等级高，绝缘子的研究成果仍然无法满足实际运行线路的需求， 有必要进一步研究绝缘子的污闪监测方法， 及时对污闪进行监测和预警[7-9]。 现有研究通过监测绝缘子放电声音， 提出了基于数学形态、 基于主成分分析和基于随机森林等绝缘子放电声音诊断方法[10-12]， 但相关方法主要基于数据频域特征进行分析， 容易受环境噪声影响。

本文提出一种绝缘子放电状态在线诊断方法，通过研究绝缘子运行中的声音信息与绝缘子不同放电阶段状态之间的关系， 实现绝缘子放电状态的准确判断[13-14]。 结果表明， 该方法可有效监测绝缘子的不同污秽放电状态， 及时发现绝缘子运行中的隐患， 保证电力系统安全稳定运行。

1 试验装置及试验方法

1.1 实验简介

本试验主要采集湿污秽瓷绝缘子和干污秽玻璃绝缘子电晕放电、 表面放电、 击穿电弧放电声音数据。 所设计污秽放电试验装置如图1 所示， 试验装置主要有声音采集装置、 电容分压器、 试验变压器、 调压器、 玻璃绝缘子和陶瓷绝缘子。

图1 声音污秽试验接线图

本试验采集了距离2 片湿污秽瓷绝缘子在10种不同位置放电的声音信号和2 片干污秽玻璃绝缘子在5 种不同污秽程度下的声音信号， 其中图2 (a)为试验现场照片， 图2 (b) 为2 片湿污秽瓷绝缘子在不同情况下的击穿电弧放电现象。

图2 试验现场及绝缘子放电照片

1.2 玻璃污秽绝缘子制作

样品的污秽度用盐密和灰密表示， 根据样品所需的盐密、 灰密及绝缘子的绝缘体表面积， 计算出每只样品所需的氯化钠(化学纯) 和硅藻土质量，将其烘干后放在小瓷碗中搅拌均匀， 全部均匀地涂刷到样品绝缘体表面[15]。

采用这种定量涂刷染污的样品， 可不抽检， 这种方法简单易行， 国内多采用这种染污法。 选取上述涂污玻璃绝缘子2 片作为一组施加工频电压， 记录不同放电状态声音。

结合实际积污情况， 本次试验灰盐比取为5∶1。 将5 组玻璃绝缘子依次编号并涂上不同程度的附盐密度， 在该灰盐比下， 不同附盐密度下绝缘子上、 下表面所需涂刷的盐、 灰质量见表1， 玻璃污秽绝缘子如图3 所示。

表1 盐密度及盐、 灰质量

图3 玻璃污秽绝缘子

2 放电声音分析算法及数据处理

2.1 XGBoost 算法简介

XGBoost 是一种前沿人工智能技术， 在机器学习和Kaggle 结构化或数据竞争中占据主导地位，是各大数据竞赛的必杀武器。 XGBoost 是一种从梯度提升树模型优化的集成学习算法， 由许多小预测器组成的预测器， 通过特征分裂添加树模型， 添加的每棵树相当于往模型里增加新函数， 拟合上次预测的残差[16-18]。 由k 颗树建成的集成树模型:

式中， fk为一个回归树； xi为对应数据的特征向量；k 为第k 次迭代；为预测模型函数。

模型损失函数包括两个部分， 真实值yi和预测值的训练误差， 如式(2):

正则化惩罚函数， 防止训练模型过拟合， 如式(3):

式中， γ 和λ 为模型惩罚系数； T 为模型树的个数； wj为第j 个叶节点权重值。

XGBoost 根据特征添加树的个数， 使损失目标函数的值最小， 以提高模型的泛化能力和预测效果。 另一个关键部分是XGBoost 利用二阶泰勒展开来逼近损失函数的值， 利用一阶导数和二阶导数来选择基本学习树模型。 综述所述， XGBoost 是一种基于决策树的集成学习算法， 采用梯度增强的框架。

2.2 湿污秽瓷绝缘子数据处理

试验采集了湿污秽瓷绝缘子在不同位置的声音信号， 其中6 m 处的起晕声音信号如图4 所示。 根据声音信号数据将其最小值、 最大值、 标准差和距离作为信号的特征， 放电的不同阶段作为目标， 结果见表2。

图4 6 m 处的电晕放电声音信号

湿污秽瓷绝缘子在不同位置的声音信号包括30 组数据， 声音采集器与绝缘子的距离从2 m 到11 m 不等， 同组距离包括绝缘子的电晕放电、 表面放电和击穿电弧放电3 个不同放电状态， 且3 个不同放电状态的最小值、 最大值和标准差呈逐渐增大的趋势， 在击穿电弧放电阶段的最值与标准差有明显突变的现象。 将前22 组数据作为模型的训练集， 将后8 组数据作为模型的测试集。

表2 不同距离信号特征

2.3 干污秽玻璃绝缘子数据处理

试验采集了干污秽玻璃绝缘子在不同污秽程度下的声音信号， 其中1 号干污秽玻璃绝缘子电晕放电信号如图5 所示。 根据声音信号数据将其最小值、 最大值、 标准差和污秽密度作为信号的特征，放电的不同阶段作为目标， 结果见表3。 将前9 组数据作为模型的训练集， 将后6 组数据作为模型的测试集。

图5 典型电晕放电声音信号

表3 信号特征

干污秽玻璃绝缘子在不同污秽度的声音信号包括15 组数据， 对不同污秽密度的绝缘子分别编号，其中编号5 是干净绝缘子， 在同组污秽密度下开展电晕放电、 表面放电、 击穿电弧放电3 个不同放电状态下的试验。 干污秽与湿污秽相比， 达到击穿电弧放电的电压更高， 绝缘子有发生击穿电弧放电的趋势。 与湿污秽瓷绝缘子一样， 3 个不同放电状态的最小值、 最大值和标准差有增大的趋势， 在击穿电弧放电阶段的最值与标准差有明显突变的现象。将数据的前9 组数据作为模型的训练集， 将后6 组数据作为模型的测试集。

3 数据分析

通过python3.7 调用XGBoost 包， 进行构建模型、 训练模型和预测。

为说明XGBoost 对放电阶段在线诊断的准确率， 将其与随机森林[16](Random Forests， RF) 和梯度提升决策树[17](Gradient Boosting Decision Tree， GBDT) 算法进行对比， 为保证模型的超参数对模型的影响， 最后将模型的超参数设为默认值。

由表4 可得， 基于XGBoost 算法的湿污秽瓷绝缘子在不同位置放电在线诊断方法准确率可达87.5%， 随机森林算法的准确率为62.5%， 梯度提升决策树算法的准确率为75%。

表4 湿污秽瓷绝缘子放电状态诊断

由表5 可得， 基于XGBoost 算法的干污秽玻璃绝缘子在不同污秽程度放电在线诊断方法准确率可达83.3%， 随机森林算法的准确率为83.3.5%，梯度提升决策树算法的准确率为66.67%。

表5 干污秽玻璃绝缘子放电状态诊断

综上所述， XGBoost 算法对于绝缘子的放电在线诊断的准确率较高， 能高效发现绝缘子运行中的隐患。

4 结论

本文提出了一种基于XGBoost 算法的绝缘子放电状态在线诊断方法， 选取绝缘子运行中放电声音信息的最小值、 最大值、 标准差、 距离和污秽密度作为特征， 将其作为XGBoost 算法的输入， 预测绝缘子的放电状态。 结果表明， 湿污秽瓷绝缘子不同位置放电在线诊断方法的准确率可达87.5%， 干污秽玻璃绝缘子不同污秽放电在线诊断方法的准确率可达83.3%， 与同类算法相比准确率更高。 该方法可有效实现绝缘子污秽状态监测， 及时发现绝缘子运行中的隐患， 保证电力系统安全可靠稳定运行。