10 kV电缆接头局部放电趋势分析及预警方法研究

赵洪山,孟航,王奎,张则言,张峻豪

(华北电力大学 电气与电子工程学院,河北 保定 071003)

0 引 言

电力电缆承担着电能的输送与分配任务,对保障电网安全稳定运行起着重要作用。在电缆系统中,电缆接头是最薄弱的环节,是绝缘故障频繁发生的位置[1-2]。局部放电既是引发绝缘劣化的主要因素,又是绝缘缺陷的重要表征,是电缆绝缘状态评估的重要指标[3-4]。暂态地电压(Transient Earth Voltage, TEV) 具有外界干扰信号少的特点,因而检测系统受外界干扰影响小,具有较高的可靠性和灵敏度,且TEV传感器易于安装,在配网设备的局部放电在线监测、诊断与定位中得到了良好地运用[5-6]。通过TEV传感器对电缆接头的局部放电进行在线监测,可以及时有效地了解其绝缘运行状态。

相比局部放电的数值,研究其趋势变化能为局部放电评估提供更多的信息[7]。目前,关于局部放电变化趋势的定量计算研究还较少。文献[8]通过加压老化试验,从能量及特征谱图层面揭示了局部放电趋势发展的特征规律,但是其基于能量的趋势分析过程复杂,计算量较大。文献[7,9]采用价量趋势(Price Volume Trend, PVT)对局部放电变化趋势进行研究,而通过PVT研究局部放电还没有适用的标准。文献[10]运用移动平均法对局部放电量进行处理,通过计算局部放电序列的线性增长率来判断趋势升降。而实际运行中的电缆接头局部放电影响因素多、波动性大,线性增长率是对局部放电趋势的一种长期整体性的粗略评估,忽略了趋势变化的突变点和局部变动特征,在分析时可能遗失关键的特征信息。Mann-Kendall检验法不仅可以反映时间序列的上升与下降的趋势,还可以定量计算各时间序列点的趋势升降程度及进行突变点检测[11-12],相较于线性拟合法,能更加准确地揭示时间序列的趋势变化特征。

传统的电力电缆预警是通过判断监测的特征量越限来预警电缆故障[13],这种被动监控的方法不仅难以提前预防电缆故障的发生,而且预警指标只考虑了参量幅值大小而忽略了重要的趋势信息。因此,为了能够事前预防故障,可通过对监测的局部放电数据进行预测形成主动预警。长短期神经网络(Long Short-Term Memory, LSTM)是一种改进的循环神经网络[14](Recurrent Neural Network, RNN),解决了普通RNN长期记忆力不足的缺点。与传统的预测方法相比,LSTM在分析多因素、不稳定问题中具有更强的适应性,在风速、光伏功率以及汽车能耗等各类时间序列的预测上表现出良好的性能[15]。

鉴于此,文中提出一种基于LSTM神经网络和Mann-Kendall检验法的电力电缆接头局部放电预警方法。运用采集的变电站开关柜中电缆接头局部放电特征量,首先利用LSTM对局部放电序列进行预测,然后通过Mann-Kendall检验法进行趋势分析,综合考虑局部放电序列幅值大小和趋势参数两个指标实现电缆接头局部放电的预警。最后利用实际现场数据验证了文中算法和模型的有效性。

1 Mann-Kendall检验法

Mann-Kendall检验法是一种非参数检验法,其优点是不需要样本遵循一定分布,也不受少数异常值干扰,可以定量地计算出时间序列的变化趋势。文中将Mann-Kendall检验法引入局部放电时间序列的趋势分析中,定量计算局部放电数据的趋势变化。

Mann-Kendall检验法的原理如下：

对于样本数为n的时间序列x,构造一秩序列：

(1)

其中：

(2)

式中Sk是第i时刻数值大于第j时刻数值个数的累计数。

在时间序列随机独立的假定下定义统计量：

(3)

在x1,x2,…,xn相互独立时,Sk的均值和方差具有相同连续分布,定义如下：

(4)

(5)

式中当k=1时,UFk=0;E(Sk)和var(Sk)分别为Sk的均值和方差。

计算分析统计参量UFk和UBk来揭示局部放电数据的变化趋势和突变时间。UFk为标准正态分布,是按时间序列顺序x1,x2,…,xn计算出的统计量序列;再按时间序列逆序xn,…,x2,x1,重复上述过程,并且令UBk=-UFk(n,…,1,2),UB1=0。给定显著性水平α,一般取显著性水平a=0.05,则临界值U0.05=±1.96[11]。若趋势参数UFk的值大于0,表明序列呈现上升趋势;若小于0,则表明序列呈现下降趋势;当曲线UF越过临界线时,即UFk≥1.96或UFk≤-1.96,则表明上升或下降趋势显著,超过临界线范围确定为出现突变的时间区域。如果UF和UB这2条曲线有交点,且交点在临界线之间,则交点对应的时刻即为突变开始的时间。

因此,文中利用Mann-Kendall检验法对局部放电数据进行分析,以便清晰地揭示局部放电趋势变化情况。

2 长短期记忆神经网络

LSTM神经网络是在RNN基础上改进的一种深度神经网络。通过在隐含层各神经元中增加记忆单元,从而使时间序列上的记忆信息可控,有效解决了RNN在训练过程中会引起梯度消失或梯度爆炸等缺点[14]。

2.1 LSTM网络结构

在 LSTM网络构架中,信号序列在隐藏层神经元间传递时通过3个可控门-即输入门(input gate)、遗忘门(forget gate)及输出门(output gate),如图1所示。

图1 LSTM门控单元结构图

其中,it表示输入门,用来控制信息输入;ot表示输出门,用来控制信息的输出;ft表示遗忘门,用来控制历史信息的保留。门控结构使用sigmoid激活函数,用“σ”表示,其作用是将变量映射至区间[0,1]中,即定义了信息通过的程度。

单元状态的更新可分为以下几个步骤。

遗忘门、输入门和输出门的计算如式(6)～式(8)所示：

ft=σ(Wf·[ht-1,xt]+bf)

(6)

it=σ(Wi·[ht-1,xt]+bi)

(7)

ot=σ(Wo·[ht-1,xt]+bo)

(8)

式中xt为当前输入;ht-1为前一时刻的隐含层状态;ft、it和ot分别为t时刻遗忘门、输入门和输出门的状态值;Wf、Wi和Wo分别为遗忘门、输入门和输出门的权重矩阵;bf、bi和bo分别为遗忘门、输入门和输出门的偏置项。

最终的输出由输出门状态值ot和单元状态ct共同确定：

(9)

(10)

ht=ot⊗tanh(ct)

(11)

2.2 LSTM网络的训练过程

在LSTM网络构架中,LSTM神经网络的结构具有循环机制,在序列的演进方向进行递归且所有节点按链式连接。LSTM的时序展开图如图2所示,每个框内都是一个LSTM单元结构。

图2 LSTM时序展开图

LSTM神经网络处理时序数据,采用随时间反向传播算法[16],即将LSTM按照时间顺序展开成一个深层前馈神经网络,再运用误差反向传播算法(BP)进行训练。网络的基本训练步骤如下：

(1)前向计算各神经元的输出值,即ft、it、ct、ot和ht五个参数,计算方法如2.1所述;

(2)反向计算各神经元的误差值,包括按时间的反向传播和将误差向网络上一层传播两个方向;

(3)基于对应的误差项,计算各权重的梯度,通过梯度下降法对权重进行更新。

3 局部放电预警阈值和预警模型的确定

局部放电是评判电力设备绝缘性能的重要手段。通常局部放电程度是很小的,不影响设备发挥其功用,然而这个不断积累的过程最终也会引起绝缘层的损坏,导致设备出现功能性缺陷[17]。因此,及早发现设备的异常状况尤为重要。鉴于Mann-Kendall检验法和LSTM在处理时间序列上的良好表现,基于二者建立了一种电缆接头局部放电预警模型。

在预警模型中,预警阈值的选取和预警机制的建立都尤为关键,所以文中首先在3.1通过模拟电缆接头的典型缺陷的局部放电试验来确定TEV预警阈值,然后基于确定的阈值,在3.2中构建了局部放电预警模型。

3.1 基于局部放电试验的TEV预警阈值

3.1.1 局部放电试验设计

(1)放电缺陷模拟

为了能有效检测到电缆接头刚好出现局部放电时对应的TEV幅值,模拟了10 kV电缆接头的主绝缘划伤、主绝缘表面污秽、绝缘表面有金属尖端及半导电口剥离不整齐这4种典型放电模型[18-19]。各缺陷的制作方法如下：主绝缘有划伤,在距离半导电层断口8 cm的主绝缘外表面划一道深约2 mm的刀痕;主绝缘表面有污秽,在主绝缘表面涂抹导电漆;主绝缘有金属尖端,在距离半导电层断口4 cm的主绝缘上插入一个小铁钉;半导电层断口剥切不平整,在断口处剥切出一个长1 cm、高1 cm的齿状尖端。

(2)试验装置搭建

图3为试验系统的接线示意图。

图3 实验回路示意图

试验中,将分别把几种典型的电力电缆接头缺陷模型置于开关柜内部,因电缆绝缘终端等部位不连续,局部放电的高频信号会由此传输到设备屏蔽外壳形成暂态地电压[20]。电缆试样的型号为高压冷缩电缆终端头10 kV户内终端,型号NLS-10-3.2,电缆截面70 mm2～120 mm2;试验采用KYN28-12高压柜,柜体尺寸(W×D×H)为800×1 500×2 300,单位mm。利用调压器和升压变压器将0～380 V交流电升高至0～10 kV,作为试验电压。为确定TEV预警阈值,采用某的SL-TEV3100型号的TEV传感器(分辨率1 dB mV)进行监测,将传感器安装在靠近电缆仓侧面接缝处[21],确保获得较为准确的局部放电信息。示波器用来显示局部放电脉冲,Micro终端用于显示放电稳定后TEV幅值大小,存储装置用于存放局部放电数据。

3.1.2 局部放电测试

实验步骤：首先对实验室开关柜进行背景噪声测量,得到背景噪声的TEV测量结果;然后将电力电缆几种典型的放电模型依次接入试验回路中进行试验。试验前期通过调压器缓慢升压直至出现局部放电现象后,记录起始放电电压,并记录此电压下放电信号稳定后Micro终端显示装置的TEV幅值;继续升高电压,记录各种缺陷在10 kV下对应的局部放电TEV幅值。

通过试验测定,背景噪声4 dB。电缆接头4种典型缺陷局部放电参数如表1所示。

表1 典型缺陷的局部放电TEV参数

由表1可知,经SL-TEV3100传感器测定,4种电缆接头典型缺陷起始局部放电(刚好可以检测到局部放电脉冲的最小放电程度值)的TEV幅值均大于或等于25 dB,故将SL-TEV3100测量电缆接头局部放电状态的TEV预警阈值定为25 dB。参考某公司研发的Ultra TEV plus、PDL1等TEV检测设备局部放电阈值判断标准[22],以5 dB为一个间隔进行状态划分,故将|TEV|≥25 dB定为预警状态,20 dB≤|TEV|<25 dB定为关注状态,|TEV|<20 dB则为正常状态。

3.2 电缆接头局部放电预警模型

文中依据3.1确定的TEV状态阈值,利用LSTM预测方法和Mann-Kendall趋势分析方法进行局部放电预警机制的构建,预警模型同时考虑TEV在线监测数据的幅值大小和趋势变化,如图4所示。

图4 局部放电趋势预警流程图

(1)记局部放电特征参量序列x1,x2,…,xn,将其进行归一化处理;

(2)通过LSTM 神经网络预测模型对局部放电数据进行预测,得到预测值y1,y2,…,ym,m为局部放电数据的预测步长;

(3)在特征参量预测的过程中,取3次预测值的平均值作为最终预测值,将局部放电监测数据和预测数据组成[x1,x2,…,xn,y1,y2,…,ym]序列,对序列及其逆序运用Mann-Kendall检验法进行分析,定量计算局部放电数据的趋势参数UFk;

(4)为综合考量TEV的幅值大小和变化趋势,将TEV大小和趋势参数UFk一起作为预警标准。当TEV幅值超过预警值(即|TEV|≥25 dB)或当TEV参量同时满足幅值大小超过关注值(即|TEV|≥20 dB)且趋势显著上升(即UFk≥1.96),则进行电力电缆局部放电预警。

4 算例分析

文中选取某变电站开关柜对应测点的SL-TEV3100传感器采集的电缆接头TEV在线监测数据作为研究对象(背景噪声6 dB),此电缆接头TEV监测参量指标高于其他电缆接头监测数据。

文中在4.1对Mann-Kendall检验法在局部放电序列趋势分析中的效果进行了验证分析;在4.2.1中对LSTM在局部放电时间序列的预测性能上进行了对比分析;在4.2.2中对文中所提预警模型有效性进行了工程实用分析和预警模型效果对比验证。

4.1 局部放电趋势实验分析

采集的局部放电TEV序列和对其移动平均处理后的趋势变化如图5所示,TEV序列每6 min在监测系统上完成一次传递显示。

图5 局部放电强度趋势及其移动平均趋势

由图5可知,TEV局部放电幅值大小在13 dB～22 dB范围内波动,远大于背景噪声。为了抑制短期波动因素对局放强度的影响,使用移动平均法对TEV数据进行平滑处理,其计算公式为：

(12)

取k=3,即7点移动平均,经移动平均处理后,在一定程度削弱了原序列中的不规则变动,但TEV强度仍处于大幅波动之中,未能清晰地揭示局部放电的趋势变化。

对移动平均后的局部放电序列采用线性拟合法计算时间序列的线性增长率,计算公式如下：

(13)

式中ti为第i个时间序号;yi为第i个序列数值。

通过计算,图5中的局部放电TEV序列的线性增长率kl=0.010 7,即其整体性趋势随着时间呈现上升趋势。由此可知,kl在趋势分析方面,可简单直观的展现局部放电特征量的整体性的递增或递减趋势,但未能揭示TEV序列的局部趋势变动情况,可能引起关键趋势信息的遗漏。

基于Mann-Kendall检验法得到的TEV序列的趋势变化UF和UB曲线如图6所示。根据UF曲线的变化可知,在第0～120个监测数据,UF曲线对应的TEV序列的趋势参数UFk值有正有负,即表明局部放电序列的趋势变化是有增有减的,部分TEV序列对应的UF参量超过了U0.05=±1.96临界线,此时TEV大小上升或下降趋势显著,波动幅度较大;在第120～150个TEV序列,趋势参数UFk的值均大于0,TEV序列有上升的趋势,且趋势上升的程度在逐渐增加,但未超过显著上升临界线U0.05=+1.96;在第150～180个TEV序列,UF曲线在U0.05=+1.96临界线附近上下波动,且多次超过临界线,上升趋势显著。进一步观察局部放电趋势的突变点,在U0.05=±1.96临界线之间,TEV序列的UF和UB两条曲线共有4个交点,分别为第114、129、159及168个点,即TEV序列的趋势发生了4次突变,4个突变点即为对应的突变时刻。由此可知,Mann-Kendall检验法能够清晰地揭示TEV序列在各时间段的变化趋势,且趋势参数UFk能准确、定量地度量其趋势升降程度。此外,Mann-Kendall检验法还能识别TEV序列的趋势突变点,在局部放电的趋势分析中表现良好。

图6 局部放电TEV序列的Mann-Kendall检验

因此,与线性拟合法相比,Mann-Kendall检验法更能实现对局部放电数据趋势变化的准确跟踪和分析,所以趋势参数UFk相较于线性增长率kl,更适合作为趋势预警指标。

4.2 预警模型的实验分析

4.2.1 预测结果分析

局部放电参量的准确预测是成功预警的关键。为了验证LSTM神经网络在局部放电时间序列预测上的性能,基于4.1中的1～180个TEV序列,将LSTM与传统的BP、SVM及GM算法进行了对比分析。将第1～145个的TEV数据作为训练样本xtrain,第146～180个的TEV数据作为测试样本xtest。文中选取均方根误差(Root Mean Square Error, RMSE)、平均绝对误差(Mean Absolute Error, MAE)和平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)作为预测结果的评价指标,计算公式如下：

(14)

(15)

(16)

式中N表示实验预测个数;20 dB≤|TEV|<25 dB为TEV强度预测值;yn为真实值。

LSTM、BP、SVM及GM这4种算法对局部放电序列预测结果的误差指标如表2所示。根据表2中的3种误差指标可得,相较于BP、SVM和GM算法的预测结果,LSTM神经网络的RMSE分别降低了66.09%、50.51%和31.80%,MAE分别降低了75.36%、57.86%和29.21%,MAPE指标分别降低了54.81%、 30.27%和18.02%。LSTM预测结果的3项误差评价指标均最小,说明LSTM在局部放电时间序列的预测中效果良好。

表2 4种预测方法评价指标比较

4.2.2 预警模型有效性验证

为验证模型的有效性,将文中预警模型方法在某公司的在线监测平台进行实际应用研究,用于河北沧州某变电站的电缆接头局部放电预警。基于文中预警模型,在2020年9月6日准确预警,成功排除电缆接头处一个潜伏性故障,预警效果如图7所示。

图7 预警模型效果图

在图7中,图(a)和图(b)分别展示了预警模型的TEV序列的幅值大小及其趋势参数UFk,图(a)和图(a)中虚线分别对应|TEV|=20 dB的注意值临界线和趋势参数显著上升,即U0.05=+1.96临界线。由图7可知,第14～18这5个TEV序列,|TEV|>20 dB且UFk>1.96,在文中构建的预警机制下连续5次进行预警。因此,检修人员基于系统预警信息,对开关柜电缆仓进行检查,排查故障原因发现电缆接头处有少量污秽并及时处理,避免了污秽进一步累积而导致电缆发生功能性缺陷。

在图7中,文中模型在TEV幅值大小未达到预警状态阈值25 dB时,通过有效地利用趋势变化特征信息,实现主动预警电缆故障。

为进一步验证文中预警模型的有效性,与文献[23-24]中的故障预警模型进行了对比分析,以文中数据作为样本,将准确预警次数计为正例(PT),没有正确预警的计为反例(NT),准确率计算公式如式(17)所示：

(17)

通过1 000次仿真实验,得到的结果如表3所示。

表3 3种预警模型有效性比较

文献[23]中是基于相似度模型的预警模型,主要是通过对比期望值与当前测量值的差异,以判断机组的振动状态是否发生异常。文献[24]中是基于分布模型的预警模型,主要通过对数据进行分类建立预警机制。但是上述算法主要依靠局部放电的幅值信息,缺乏趋势信息,而本文的预警模型综合考虑了幅值大小和趋势特征,所以在表3的对比分析中表现出更优的结果。

5 结束语

(1)文中利用Mann-Kendall检验法对局部放电TEV序列进行分析,清晰地反映了其上升或下降的趋势,定量地计算了其趋势变化程度,并且准确地找出趋势的突变时刻;

(2)文中构建的电缆接头局部放电预警模型,借助LSTM 神经网络在局部放电时间序列预测上的良好性能和Mann-Kendall检验法对局部放电数据趋势变化定量计算及特征揭示上的良好表现,将TEV的幅值大小和趋势参数共同作为预警指标。通过和其他预警模型对比分析以及在监测系统上的工程应用研究,有效验证了趋势信息在预警方面的重要性,能实现对局部放电的主动预警。

后续在局部放电趋势分析中,将通过多种局部放电特征量监测手段继续研究电缆接头典型缺陷局部放电的状态特征。