供配电系统中压开关设备温升在线监测方法

李文冬，吴其乐，张 莉，黄小泵，贺 兵，田 鹏

(1.国网宁夏电力有限公司吴忠供电公司，宁夏 吴忠 751100；2.江苏大全长江电器股份有限公司，江苏 扬中 361024；3.上海乐研电气有限公司，上海 201802)

0 引言

供配电系统是供电系统和配电系统的统称，其中，供电系统包含两个系统，分别是电源和输配电；配电系统是由多种配电设备和设施组成，能够实现电压的变换和分配[1]。供配电系统在运行过程中，想要实现电能的供应和分配，均需依靠中压开关设备完成，中压开关设备是用于实现中压供配电系统的控制与保护的关键设备，其运行状态与中压供电系统的运行安全存在直接关联[2]。中压开关设备指的是中压电力系统中的配电柜、发电机、变压器、开关柜、控制箱等设备的统称，其在运行过程中，如果发生温度过高[3]，则会导致电力系统发生不同程度的故障，影响供配电系统的正常电力服务的提供。因此，实时监测中压开关设备的温度情况，是保证供配电系统运行安全程度的基础[4]。王永平等[5]以实现开关设备的异常发热点检测为目标，研究基于YOLO v3的检测方法；唐喜等[6]为实现开关设备的综合在线监测，研究IED在线监测配置，实现开关设备的监测和预警。

上述方法在应用过程中，针对已经发生温度高的设备异常或者故障，能够实现可靠检测，但是在开关设备温度上升的过程中，难以准确识别尚未演变为故障时的中压开关设备温度上升情况，即温度状态感知的实时性较差，针对此，该文研究供配电系统中开关设备温升在线监测方法，该方法能够实时监测设备运行过程中的温度变化情况，在线掌控设备运行状态，当开关设备的温度发生上升时，会发送温升预警，及时向相关人员传递设备的运行状态信息，保证供配电系统的安全运行。

1 中压开关设备温升在线监测

1.1 在线监测方法

中压开关设备温升在线监测方法包含两个部分，一是开关设备温度数据采集、二是在线监控，在线监控包含开关设备温度状态感知、红外监测画面显示和温升预警，整体框架如图1所示。

图1 在线监测方法架构

图1中，将温度检测节点部署在各个开关设备上，该检测节点包含温度传感器、图像采集装置、红外成像装置、微处理器以及无线发送模块等。检测节点能够获取开关设备的实时温度信息[7]，并传送至在线监测模块；在线监测模块通过DS证据理论融合采集温度信息，并通过多重对抗网络模型进行异常诊断以及数据分析，判断是否发生温升现象，感知开关设备的温度状态[8]，对发生温升的开关设备进行预警，并且通过上位机呈现红外监测画面。

1.2 中压开关设备状态诊断

该文为实现中压开关设备状态诊断，将生成器、分类器和判别器融入对抗网络中，形成多重对抗网络(Triple Generative Adversarial Network，TGAN)模型，用于实现中压开关设备数据的异常诊断。

1.2.1 网络原理

(1)生成器

TGAN中的生成器主要作用是完成融合后温度感知数据的分类和标签，与此同时，可形成样本，其具备虚拟以及多样性特点，数量为若干个；并且数据类标签联合分布实现的前提是完成隐函数的建立[9]。z和C分别表示噪声和开关设备状态，将两者输入至生成器中，PG(z,C)=P(z|C)为输出，其表示z和C的联合分布。生成器形成的虚拟样本，能够增强初始训练集的数据以及预测类标签的预测性能较大程度提升。其公式为：

∇θg[(1-α)E(x,y)～PG(z,C)log [D(G(y,z),y)]

(1)

式中：θ表示待更新参数，属于生成器；(x,y)～PG(z,C)表示样本；D(G(y,z),y)表示输出，且为判别器判别后；α表示调节参数，且α∈(0,1)；E表示求期望。

(2)分类器

生成器中输出的PG(z,C)和数据类标签通过分类器进行配对信息的学习，对其中隐含规律进行挖掘，实现中压开关设备温度状态的感知[10]。真实数据类标签集合用(m(A),C)表示，将其和PG(z,C)同时输入至分类器中，则输出联合分布PC(m(A),C)，描述开关设备的特征参数以及类标签[11]。

依据数据融合的特征信息，分类器能够实现开关设备温度状态的感知，其计算梯度公式为：

∇θc[βE(x,y)～PC(m(A),C)log [1-D(x,y)]]

(2)

式中：θc表示待更新参数，属于分类器；D(x,y)表示判别器判别后的输入值。

(3)判别器

判断输入数据类标签的来源是判别器的主要作用，将上述获取的D(G(y,z),y)、D(x,y)和真实数据同时输入判别器，经过逐层求解后，需结合损失函数建立目标函数[12]，保证该函数识别误差率最小化，以此，可获取输入的全部数据中真实数据的分布概率。其公式为：

(3)

式中：真实数据样本用(x,y)～PC(m(A),C)表示。

以公式(3)为基础，采用随机梯度方法，将开关设备的历史温度状态数据作为训练集，构建目标函数，且保证识别误差率的最小化；同时完成网络参数的更新以及误差逆序的遍历，且前者的数量为3。依据公式(1)和(2)可得出判别器的计算梯度公式：

(4)

式中：θd表示待更新参数，属于判别器。

1.2.2 温度在线感知

将采集的开关设备温度状态信息经由DS证据理论融合后，获取数组开关设备的感知获取的温度特征值，通过该特征值描述理论的证据体，组与组对应；同时获取假设情况下的基本信任分配mi(Ai)，属于每一个证据体。基本可信度用m(A)表示，结合DS证据理论对全部的mi(Ai)进行融合，完成m(A)获取，其计算公式为：

(5)

将m(A)、C输入构建的TGAN模型中，进行前行计算，以公式(3)为优化目标，通过公式(1)(2)(4)完成对应的各器参数更新，实现中压开关设备温度感知。

1.3 开关设备温升预警

中低压开关设备温升是一个温度变化的过程，该文为保证供配电系统的安全运行，将其理解成一个温度劣化的过程，避免在高温影响下，开关设备发生故障[13]，因此，监测开关设备温度劣化过程，在该过程中监测出预警信号，为电力系统提前进行干预和检修提供更多依据。因此，该文采用自联想核回归算法(Auto Associative Kernel Re-gression，AAKR)完成开关设备温升预警。

AAKR算法能够完成开关设备温度多变量状态估计，其可对开关设备的海量历史温度数据进行分析和建模，获取开关设备正常运行时的温度工况矩阵，并将2.2小节获取的感知结果和正常温度数进行关系拟合，得出监测指标[14]，当指标发生趋势性的超限现象时，及时发送预警。

若xobs(t)=(xobs,1(t),...,xobs,1(t))表示感知的开关设备温度状态向量，且在t时刻；Xn,c(n×m)表示开关设备的历史温度状态矩阵，其中，n为矩阵行数，代表历史温度状态向量的存储数量、m为矩阵的列数，代表开关设备温度状态含有的参数数量，则状态矩阵可用公式(4)对其描述：

(6)

AAKR算法通过映射的方式对xobs(t)进行自适应处理，形成温度监测的期望值，该期望值由公式(6)决定，其获取的方式为组合状态向量，为：

(7)

式中：RJ表示向量空间，其维数为J。

通过公式(7)可知，在映射过程中，空间维数不会发生变化，因此映射可看成重构计算，采用组合的方式对Xn,c(n×m)中的开关设备温度状态向量进行处理，即可得出：

(8)

式中：权重系数为w(k)，描述相似性测度结果，且属于第k个xobs(t)和Xn,c(k)。

相似性测度的求解通过高维空间映射的方式完成，将核函数内积引入该过程中，为：

RJ×RJ→Rs.t∃φ:RJ→H,

Ker(x,y)=〈φ(x),φ(y)〉

(9)

式中：映射函数用φ表示；用于实现RJ→H的两空间的映射；〈·〉表示内积运算。

AAKR算法在运算过程中，采用高斯函数完成w(k)的计算，其计算公式为：

(10)

式中：xobs-xn,c(k)表示距离算子，该文在对其进行选择时，以降低量纲差异对算法的影响，提升稳定性为目的，选择马氏距离算子，其公式为：

-‖xobs-xn,c(k)‖2=(xobs-xn,c(k))TS-1

(xobs-xn,c(k))

(11)

如果每一个参数之间相互独立，则S的表示公式为：

(12)

式中：标准差用σj表示，对应第j个参数，属于历史存储状态向量，其可通过数据标准化处理完成：

(13)

式中：μj表示平均值，对应第j个参数，其属于Xn,c(n×m)；标准化处理的标准值用yj表示。

通过上述步骤即可获取相似性关系确定权值，属于实时开关设备温度状态感知向量与历史存储状态向量之间的关系，基于此，可获取实时的温度状态估计值[15]，将其与观测值进行对比，判断两者之间的残差，是否越限，如果越限则发送温升预警，预警流程如图2所示。

图2 中压开关设备温升在线预警流程

2 实例测试分析

选取某地区局部中压供配电系统作为研究对象，该系统包含断路器、隔离开关、变压器，局部结构如图3所示。其中温度传感器分别部署在每个变压器的位置，变压器数量为4个，每个变压器部署3个温度传感器，共12个。变压器的设定预警温度为38 ℃。

图3 实验对象开关设备结构图

为保证该文方法对开关设备温升监测效果，需保证该文方法采集的温度值与实际温度值之间的差值上下不超过1 ℃，因此，需先确定该文采用的12个温度传感器采集的温度情况，结果如图4所示。其中，实际温度值为采用人工测温仪测量变压器的温度值。

图4 采集温度与实际温度的差值结果

由图4的结果可得，该文监测方法部署的温度传感器获取的温度值与实际测量温度值之间的差值均在±0.6 ℃以内，满足使用标准，因此，传感器获取的变压器温度值能够用于温升在线监测。

该文方法在感知过程中，需设定最大迭代次数，以相对误差作为其确定标准，将相对误差最小时的迭代次数作为最大迭代次数，结果如图5所示。

图5 该文方法的收敛性能测试结果

由图5测试结果可得，随着迭代次数的增加，相对误差结果逐渐下降，迭代次数达到60次以后，下降趋势显著，当迭代次数达到150次时，相对误差结果达到最小，趋于平稳，因此，确定该文方法的迭代次数为150次，并用于后续实验中。

为进一步测试该文方法的温度信息感知效果，采用该文方法感知供配电系统在正常运行和故障运行两种情况下的温度状态结果，以感知结果的残差作为衡量标准，结果图6所示。其中，标准残差范围在±1.5以内。

图6 供配电系统不同运行状态下的温度感知测试结果

由图6测试结果可知，该文方法在供配电系统正常运行情况下，能够可靠感知变压器的温度信息，其数量的增加没有导致感知结果受到较大影响，标准残差均在标准范围内变化；当供配电系统发生故障时，该文方法依旧能够完成不同数量变压器的温度感知，感知结果的标准残差依旧处于标准范围内。证明该文方法具备良好的温度感知性能。

为测试该文方法对于开关设备温升时的预警效果，采用健康度指标作为判断指标，该指标是通过残差构建，其计算公式为：

(14)

(15)

式中：s和sj均表示健康度，前者对应开关设备，后者对应测量点，两者的结果越接近1，表示设备处于正常温度，如果该值越小表示设备的温度发生温升现象。依据该指标获取该文方法的预警效果；同时为测试该文方法的温升监测应用性，获取文本方法在检测过程中，对于开关设备的监测情况以及预警显示界面，两个结果均如图7所示。

图7 变压器在线监测结果

由图7测试结果可得，当健康度指标发生明显下降趋势时，该文方法能够及时发送预警信息，提醒开关设备发生温升现象，并且在预警窗口显示；除此之外，该文方法能够获取开关设备的实时温度情况，并且，各个开关设备的红外图像能够清晰体现设备的实时温度监测情况。因此，该文方法具备良好的开关设备温升监测效果，可实时监测开关设备的温度情况，能够在温度发生劣化的过程中及时预警，提前进行干预和相应处理，为供配电系统的安全运行提供保障。

3 结论

为避免开关设备温度过高，引发相应的故障，研究供配电系统中压开关设备温升在线监测方法，及时监测温度劣化过程，准确感知开关设备的温度状态，并且，在供配电系统发生其他故障时依旧能够准确感知开关设备的状态，且感知结果的残差较小，均在0.7以内的范围变化，并且能够在温度劣化过程中及时预警，有效实现开关设备的实时、在线监测。