基于云计算的高压输电线路雷电流自动监测方法

王 伟，张轶夫，韩春城，王伟达

（国网吉林省电力有限公司超高压公司，长春 130028）

0 引言

雷击灾害是影响区域高压输电线路安全运行的重要因素，也是高压线路跳闸的主要原因。当高压输电线路遭到直接雷击时，输电线路中的流通电流通过被击物体泄入电流，该电流被称为雷电流。为了提高高压输电线路的运行安全，有必要对雷电流进行在线跟踪监测。

目前发展较为成熟的雷电流监测方法主要有磁带法、雷电定位系统等，磁带监测法是根据雷电流经导线时产生的磁场来消除磁带上的记录，根据磁带上被擦除的参考信号的长度，就可以计算出雷电流幅值，而对雷电定位的雷电检测则是采用GPS获取雷电点与探测站之间的时间之差，再根据时间的差异来确定闪电点的坐标，进而得出雷电流的监测结果[1]。然而在实际应用中，上述雷电流监测方法大部分都是在变电站内进行的，雷电波通过线路传输到变电站，会产生大量的电力损耗、耦合以及磁场干扰，使得雷电流监测结果并非实际数据，很难对输电线路的防雷防护起到辅助的作用。

为了提高高压输电线路雷电流的监测性能，保证高压输电线路的防雷能力，在传统监测方法的基础上引入云计算技术，云计算技术是一种将计算任务分散到资源池中，满足用户的需求获取计算能力、存储空间的技术。将云计算技术应用到高压输电线路雷电流自动监测方法的优化设计工作中，以期能够达到预期优化效果。

1 高压输电线路雷电流自动监测方法

1.1 构建高压输电线路等效模型

雷电灾害能够直接攻击的高压输电线路结构为架空输电线路，该类型线路由导线、绝缘子、变压器、断路器等设备组成，根据输电线路的基本组成，构建相应的结构模型如图1所示。

图1 高压输电线路结构图

图1表示单相高压输电线路结构，通过多线路的并联可以得出两相线路以及三相线路的结构模型构建结果。图1中参数C表示的是输电线路电导，L和R分别对应的是电抗和电阻，Y的量化表达如式(1)所示：

式(1)中变量δi表示的是线路电纳，γ和l分别为电阻系数和电抗系数。为了反映出高压输电线路的实际运行过程，需对线路中的各个参数进行计算，并将计算结果代入到高压输电线路结构中。高压输电线路的传输过程可以表示为：

式(2)中Uline为输电线路电压，ξ为输电线路的传播系数，该系数的计算如式(3)所示：

其中σi为输电波阻抗，dline为输电线路长度。由于输电线路中各个相的传输线是互相耦合的，所以在矩阵中的各个单元均不为0。此时可以将传输线方程的矩阵转换成对角阵，将矩阵方程分解成若干个单相传输线方程，得出矩阵传输线方程的求解结果[2]。将高压输电线路的结构和传输原理进行融合，得出高压输电线路等效模型的构建结果。

1.2 布设高压输电线路雷电流监测点

以构建的高压输电线路等效模型为基础，在线路上每隔20m设置一个雷电流监测点，在输电线路与接地节点之间设置多个测点，测点之间的间隔距离均为20m。高压输电线路雷电流的监测需要传感器设备的支持，选择的传感器类型为罗氏线圈传感器，并对传感器的抗干扰性能进行优化[3]。高压输电线路电流传感器的工作原理如图2所示。

图2 高压输电线路电流传感器工作原理图

图2中L′0为罗氏线圈的自感，R′0和R′s分别为阻尼电阻和罗氏线圈内阻，其中R′0可以起到降低环境噪声的作用，从而提高传感器的抗干扰性，另外参数C′0为罗氏线圈的分布电容，传感器的数据采集过程可以表示为：

式(4)中w表示的是输入传感器的电流数据采集信号。那么在罗氏线圈传感器的工作频率内，传感器输出结果与高压输电线路电流之间的关系如式(5)所示：

将式(4)的计算结果代入到式(5)中，即可得出电流传感器的输出结果。将优化设计的雷电流传感器设备安装在设置的测点位置上，完成高压输电线路雷电流监测点的布设工作。

1.3 利用云计算技术自动识别电流类型

监测点位置上采集的电流数据可能为正常电流，也可能为雷电流，为保证雷电流自动监测的精准度，利用云计算技术识别当前采集电流是否为雷电流。一般情况下，雷电具有电流源的性质，流经被击物体的雷电流可以表示为：

式(6)中变量μthunder和μline分别对应的是雷电通道和被击物体的波阻抗，Iline表示的是输电线路未被雷击时的运行电流值[4]。从高压输电线路管理数据库中，利用云计算技术调取雷电流数据，作为电流类型的识别对比标准。图3表示的利用云计算技术调取雷电流数据流程。

图3 云计算技术下雷电流数据调取时序图

调取的雷电流数据满足式(7)表示的波形双指数函数：

式(7)中A0为雷电流幅值，K0和Kn分别为雷电流波前和波后的衰减系数，ς表示的是雷电流波形的校正系数，公式6的计算结果Iinstan(τ)表示的是τ时刻的雷电流瞬时值。利用式(8)计算传感器实时采集输电线路电流与雷电流标准特征之间的匹配度：

若式(7)的计算结果高于阈值 0ϑ，证明当前测点位置上监测到的输电线路电流为雷电流，否则认为当前线路电流为正常电流。

1.4 选择高压输电线路雷电流监测指数

为反映出高压输电线路雷电流的实际情况，设置雷电流有效值、雷电流量、电流幅值以及振幅累积频谱等作为具体的监测指数。其中电流有效值指的是输电线路通过相同阻值的电阻在单位时间内平均电流的大小，计算如(9)所示：

式(9)中Tsampling为测点位置上传感器设备设置的采样周期，将雷电流的瞬时值求解结果代入到公式9中，即可得出雷电流有效值指数的计算结果[5]。另外电流量指的是单位时间内高压输电线路中产生雷电流的总量，电流幅值为指的是电流变化的最大值，上述两个监测指标的计算如式(10)所示：

其中t为高压输电线路监测的总时长，Ag表示得是雷电波振幅。同理可以得出所有高压输电线路雷电流监测指数的量化计算结果。

1.5 实现高压输电线路雷电流自动监测

优化设计高压输电线路雷电流自动监测方法的最终监测结果以可视化的形式进行输出，计算得出的雷电流指数数据为基础，绘制雷电流监测波形图，波形图的绘制结果可以量化表示为：

式(11)中ηamplitude为雷击相初始电流行波幅值与雷电流源幅值的比例系数。将监测到的所有高压输电线路雷电流数据输入到公式11中，即可自动生成对应的监测波形。最终将包含各个测点监测数据与监测波形的结果通过硬件设备显示，完成高压输电线路雷电流的自动监测工作。

2 监测性能测试实验分析

以测试基于云计算的高压输电线路雷电流自动监测方法的监测性能为目的，选择多个高压输电线路为研究对象，采用对比实验的方式设计性能测试实验，通过与传统监测方法的对比，验证优化设计方法的监测性能优势。

2.1 搭建云计算平台环境

由于优化设计的高压输电线路雷电流自动监测方法应用了云计算技术，为了保证该技术能够在实验过程中正常运行，需搭建云计算平台。Spark作为一种快速、易用、通用、高效整合Hadoop优势的轻型大数据处理平台，Spark能够兼容Hadoop架构，因此选择Spark云计算平台作为云计算技术的运行平台。运用Spark进行状态监测数据的分析过程中，需要从HDFS、Hbase等Hadoop分布式文件系统上获取数据，因此在建立Spark集群时，首先要对Hadoop集群进行配置，再将Spark和它的相关组件安装到Hadoop集群上。在实验环境中，构建了由16个节点组成的Hadoop集群，标记每个节点的机器名和IP地址数据，同时配置一个Inteli3CPU@2.40GHz,64GB的存储空间。Hadoop和HBase版本分别是2.6.5和1.4.1。将云计算平台中的任意节点Master上的Hadoop文件夹拷贝到相应的slave节点，然后在Master节点上启动Hadoop，由此测试Hadoop集群是否配置成功。

2.2 选择高压输电线路监测对象

此次以某市的电力系统作为研究背景，选择电压值分别为220kV和500kV的输电线路作为研究对象，其中220kV输电线路长度为13626km，500kV输电线路的长度为5250km。在初始状态下，高压输电线路上的绝缘子为FXWP65010型号，也就是双层伞形盘状的复合材料悬式绝缘子，而输电线材料选择的是钢线。据不完全统计，选择的高压输电线路监测对象发生雷击事故的频率约为33起/年，具有较高的监测价值。将选择的高压输电线路监测对象接入到相同的发电设备上，通过对发电设备运行参数的设置与控制，实现对输电线路运行状态的控制，并测得正常状态下输电线路的运行电流值，用来作为判定电流类型的比对标准。

2.3 安装高压输电线路监测设备

高压输电线路雷电流自动监测方法要求能够测量95%以上的雷电，因此需要将设计的电流传感器设备安装在高压输电线路中，该传感器的最大雷电流测试幅值为150kA，最小电流电压比为55000∶1。图4表示的是高压输电线路上监测设备的安装分布情况。

图4 高压输电线路雷电流监测点布设图

如果监测传感器安装在单相输电线路上，测量的数据即为单相线路的雷电流。在雷击发生时，两根并排的电线之间必然会有一定的干扰，为降低其他线路的干扰，在传感器的外侧加装一套传感器防护罩。防护罩是由不锈钢制成的单侧开式方形，在隔热支架的上部安装有感应金属片，并用螺钉和螺帽将隔离支架固定在防护罩的中部。将所有安装的监测传感器接入到云计算平台中，保证实时监测到的电流数据数据能够成功上传到云端。

2.4 描述性能测试实验过程

收集高压输电线路监测对象的雷击事故数据，以此作为检测雷电流数据监测精度的对比数据。设置雷电流的监测时间间隔为0.5s，连续监测时长为12h。同时启动雷电流自动监测程序和云计算程序，得出雷击灾害下高压输电线路的雷电流监测结果，如图5所示。

图5 高压输电线路雷电流监测结果

为了体现雷电流自动监测方法在性能方面的优势，设置传统的基于暂态波形特征的雷电流自动监测方法作为实验的对比方法，按照上述流程得出对比方法的雷电流监测结果。

2.5 设置监测性能量化测试指标

此次实验分别从高压输电线路雷电流的监测精度和监测范围两个方面进行测试，设置雷电流量监测误差和雷电流幅值监测误差作为监测精度的量化测试指标，上述测试测试指标的数值结果如式(12)所示：

式(12)中变量Itotal,,monitor和Itotal,,actual分别表示雷电流量的监测值和实际值，而A0,monitor和A0,actual对应的是雷电流幅值的监测数据与实际数据。最终计算得出σtotal和σamplitude的值越小，说明监测结果越逼近输电线路的真实情况，即监测方法的精度性能越优。另外监测范围设置的量化测试指标为监测面积，其数值结果为：

式(13)中(x0,i,y0,i)和(xfar,i,yfar,i)对应的是第i个监测点及其能够监测到最远点的位置坐标，np为高压输电线路上设置的测点数量，φcoin为测点监测范围之间的重合面积。最终计算得出φ指标的值越大，证明对应监测方法的监测范围越大。

2.6 实验结果分析

统计各个测点的雷电流数据监测结果与收集的标准数据进行比对，得出反映方法监测精度性能的测试结果，如表1所示。

表1 高压输电线路雷电流监测精度测试数据表

将表1中的数据代入式(12)中，计算得出传统监测方法的平均雷电流量监测误差和平均雷电流幅值监测误差分别为3.04kA和2.69kA，而优化设计方法在雷电流量和雷电流幅值两方面的平均监测误差分别为0.18kA和0.21kA。另外两种方法监测范围的测试结果如图6所示。

图6 高压输电线路雷电流监测范围测试结果

从图6中可以直观的看出，优化设计雷电流监测方法的监测范围明显大于传统方法的监测范围，通过公式13的计算可以得出两种方法的监测范围分别为800.84m2和2029.00m2。综上所述，优化设计的基于云计算的高压输电线路雷电流自动监测方法在保证监测精度的同时，扩大了监测范围。

3 结语

为了提高高压输电线路的防雷能力，降低雷电灾害对线路产生的负面影响，设计并开发了高压输电线路雷电流自动监测方法，为高压输电线路的防雷管理提供有效的参考数据。通过云计算技术的应用，为输电线路中电流类型的识别提供技术支持的同时，也加快了输电线路雷电流监测数据的更新速度。而优化设计的监测方法需要多个电流传感器接入到云计算环境中，运行成本较高，针对这一问题还需要在今后的研究工作中进一步优化。