变电站高压电气设备热故障自动预警方法

摘 要：【目的】变电站高压电气设备的工作环境复杂多变，设备的热状态受到多种因素影响，容易产生热故障。传统的预警方法往往难以综合考虑这些因素，导致预警精度较低。针对上述问题，提出了变电站高压电气设备热故障自动预警方法。【方法】首先，通过实时收集设备运行过程中的温度数据，掌握设备的运行状况；其次，根据这些数据设置设备故障判别指标，判断设备是否出现热故障的征兆；最后，基于所设置的故障判别指标，建立故障预警模型，训练模型以实现故障的自动预警。【结果】实验结果表明，该方法能够综合考虑影响电气设备的各种因素，决定系数达到了0.947，拟合效果较好，预警精度较高。【结论】该方法的应用，能够进一步提高电气设备热故障的检测和预警效率，降低潜在的设备事故风险，保证电力系统的安全稳定运行。

关键词：变电站；高压电气设备；热故障；自动预警

中图分类号：TM274 文献标志码：A 文章编号：1003-5168（2024）16-0008-05

DOI：10.19968/j.cnki.hnkj.1003-5168.2024.16.002

Automatic Warning Method for Thermal Faults of High-Voltage Electrical Equipment in Substations

LIU Wuling

（China Enfi Engineering Technology Co.， Ltd.，Beijing 100038，China）

Abstract：[Purposes] Because the working environment of high-voltage electrical equipment in substation is complex and changeable， the thermal state of the equipment is affected by many factors， which are easy to cause thermal failure. Traditional early warning methods are often difficult to comprehensively consider these factors， resulting in low early warning accuracy. Therefore， in view of the above problems， an automatic early warning method for thermal faults of high-voltage electrical equipment in substations is proposed. [Methods] By collecting the temperature data in the running process of the equipment in real time， the running status of the equipment can be grasped， and according to these data， the identification index of equipment failure can be set to judge whether the equipment has signs of thermal failure. Based on the set fault discrimination index， a fault early warning model is established and trained to realize automatic early warning of faults. [Findings] The experimental results show that this method can comprehensively consider various factors affecting electrical equipment， and the coefficient of determination reaches 0.947， which means the fitting effect is good and the early warning accuracy is high. [Conclusions] The application of the proposed method can further improve the efficiency of thermal fault detection and early warning of electrical equipment， reduce the potential risk of equipment accidents， and ensure the safe and stable operation of power system.

Keywords： substation; high voltage electrical equipment; thermal failure; automatic warning

0 引言

随着变电站规模的日益扩大，如何保证变电站的可靠、稳定运行成为关键问题。然而，受多种因素的影响，高压电气设备在运行过程中可能会出现热故障，不仅会影响设备的正常运行，而且可能引发安全事故。因此，对高压电气设备热故障进行预警是十分必要的。在变电站高压电气设备中，热故障通常是由于设备长期运行、老化、接触不良等原因引起的。传统的温度监测方法需要人工进行监测，不仅效率低下，而且难以保证监测的实时性和准确性［1］。因此，本研究提出了一种变电站高压电气设备热故障自动预警方法，以便及时发现热故障并进行预警，保障电网的安全、稳定运行。

1 监测变电站高压电气设备温度

监测模块主要由4个模块组成：FBG传感器、光纤传输、光电转换和解调。首先，光纤FBG光栅传感器利用反射随温度变化的窄带光，将温度信息编码为光信号；其次，光电转换和解调模块则负责将光信号转换为电信号，以便进一步处理和分析［2］；最后，通过计算机软件对电信号进行决策分析判断，从而得到高压电气设备测量点的温度变化情况。监测模块构造如图1所示。

2 设置设备故障判别指标

当前，在变电站电气设备监测领域中，对于故障判断的研究正呈现出多元化和前沿化的趋势。众多专家、学者结合神经网络、支持向量机、模糊推理及专家系统等先进的方法，针对设备故障前的数据信号进行深度挖掘。其中，设备温度数据、环境温度数据及设备硬件数据成为研究的重点。这些数据与各种常见故障之间存在着密切的联系，为提前预警和故障预防提供了可能。而本研究通过对温度预测值的细致分析，来预判设备可能发生的故障。

为了更科学地运用温度数据对设备故障进行准确的判断，本研究特别选取了温升、温差和相对温差这3个关键指标［3］。其中，相对温差的表达见式（1）。

[δ=t1-t2t1-t0×100%=Δt1-Δt2Δt1×100%] （1）

式中：[t1]、[t2]为两个测量点温度，且[t1]的温度较高；[t0]为变电站内实际环境温度；[Δt1]、[Δt2]为[t1]、[t2]两个测量点的温升［4］。

在变电站的设备监测过程中，相对温差以环境参照温度为基础，间接地体现了接触电阻的相关偏差。同时，设备的温升与电流负荷的有效值的n次方成正比。因此，整体设备的温升见式（2）。

[Δ t=aRIn] （2）

式中：[a]为设备散热系数；[R]为设备有效电阻值；[In]为电流负荷有效值。

将式（2）代入式（1）中，可以得到式（3）。

[δ=a1R1In1-a2R2In2a1R1In1≈R1-R2R1] （3）

式中：[a1]、[a2]分别为[t1]、[t2]两个测量点的设备散热系数；[R1]、[R2]分别为[t1]、[t2]两个测量点的设备有效电阻值；[In1]、[In2]分别为[t1]、[t2]两个测量点的电流负荷有效值。

在变电站的设备监测过程中，为了更快速地判断设备的电阻状态，本研究通过温度这一直观的参数来进行粗略的评估。当设备的各个测温点的电流情况大致相同时，本研究假设[I1=I2]。同时，由于单一设备的绝缘材料的散热系数相近，本研究认为[a1≈a2]［5］。

3 建立故障预警模型

假定输入层的神经元数目是[n]，隐含层的神经元数目是[m]，输出层的神经元数目是[k]［6-7］，则式（4）成立。

[m=2n+1m=n+k+am=（0.43nk+0.12k2+2.54n+0.77k+0.35）+0.51] （4）

在神经网络的结构设计中，本研究最终确定的参数配置如下：输入层包含负荷电流和环境温度两个变量，输出层则是预测温度。隐含层数被设定为1，而隐含层节点数则为5。在神经网络结构设计完成后，利用样本数据来建立模型，并利用神经网络进行自主学习。当预测值与预期值之间的偏差不能达到预期的精度时，可适当地调节神经网络的权重及门限值，使其达到预期的精度。BP神经网络流程如图2所示。

将预测值与真实值进行比较，如果误差满足预测精度要求且网络泛化能力良好，则表明训练的神经网络可以用于完成温度预测任务。这一过程确保了神经网络的准确性和可靠性，为后续的故障预警和维护提供了有力支持。

4 训练模型实现故障自动预警

在载流导线的热量平衡关系中，研究内容可分为5个部分。分别为由电阻损失引起的热功率[Pj]、吸收的太阳能辐射功率[Pa]、对流散热功率[Ph]、辐射散热功率[Pr]及仅与相邻位置的传导功率[Pc]。这些部分之间通过复杂的相互作用，共同决定了导体的温升状态，相互之间的关系见式（5）。

[Pj+Pa=Ph+Pr+Pc] （5）

在电气开关柜这种密闭环境中，由于太阳辐射在封闭的环境中难以穿透，对导体的热量产生影响微乎其微，因此导体吸收的太阳辐射功率忽略不计。但导体的热量主要来源于载流导体损耗产生的热功率[Pj]，这一热功率与电流I的平方成正比。具体关系见式（6）。

[Pj=KfI2R] （6）

附加损失因子[Kf]和电阻[R]是两个关键参数。[Kf]表示在交流回路中，考虑到相邻效应与趋肤效应时，电阻增加的系数。趋肤效应是指在交流电流通过导体时，电流会在导体表面集中，导致导体中心区域的电流减少。对于多股绞合股，附加损失因子[Kf]典型值为1。

电气设备的散热是一个复杂的过程，涉及对流、辐射和传导。本研究根据牛顿的对流散热理论、斯蒂芬—玻尔兹曼的热辐射理论和傅立叶的传热理论，并结合式（6）载流导体损耗产生的热功率与电流[I]的平方成正比的关系，推导出当温度稳定时，电气设备热平衡方程见式（7）。

[δεSτT4+aSaT+λSλdTdn=I2R+aSaT0+δεSτT40] （7）

式中：[T]为设备发热部分的表面当前温度；[T0]为设备表面初始温度；[δ]为斯蒂芬—玻尔兹曼常数，是一个描述热辐射的基本物理常数，与辐射换热有关；[ε]、[a]、[λ]分别为发射率、对流换热系数和导热系数，分别反映了设备表面辐射热量、与周围流体进行对流换热的能力及内部热传导的能力；设备的辐射面积[Sτ]、对流换热面积[Sa]和热传导面积[Sλ]提供了设备散热的三维尺寸信息，决定了设备散热能力的强弱；[dTdn]为温度梯度，描述了温度在不同空间位置的变化情况。在传热过程中，温度梯度决定了热量传递的方向和速率，是热量传递的基本驱动力。

由于式（7）是一个涉及多个变量的高次方程，求解过程相当复杂，导致定量分析温升与导体阻值之间的准确函数关系变得极为困难。同时，考虑到接触电阻的测量难度，为了简化问题且更加有效地进行预警，本研究决定不直接采集接触电阻的阻值。取而代之的是，利用传感器采集负荷电流和环境温度数据，这二者被视为影响温升的主要因素。通过神经网络模型，可以预测在正常情况下的设备温度值。预警阈值的确定则采用相对温差法，该方法有助于消除接触电阻阻值对温升的影响。通过比较实际测得的温度与预测温度之间的差异，判断设备是否处于异常温升状态。部分温差判据见表1。

由于温升与导体阻值之间存在复杂的非线性关系，很难通过精确的数学公式来描述。为了解决这一问题，本研究利用BP神经网络的优势，建立了电气设备热故障诊断预警算法模型。模型通过传感器实时采集电气设备的环境温度、负荷电流及设备监测点的实时温度数据，并将这些数据上传至PC端。在PC机上，可以实现传感器的实时显示与数据存储。采集的数据经过处理后被当作训练样本，用于训练温度预测的BP神经网络模型。训练好的BP神经网络则根据实时的负荷电流和环境温度，计算出设备的正常温度值。为了确定温度预警阈值，本研究采用了相对温差法。根据表1中的数据，按照相对温差的公式对一般缺陷、严重缺陷和视同紧急缺陷的温度预警阈值进行计算，并实时修正动态预警阈值。随后，将动态报警值与装置的实际温度进行对比，从而判断出该装置的工作状况。电气设备热故障自动预警流程如图3所示。

通过该预警算法，可以更加准确、高效地监测开关柜的温度变化情况，及时发现潜在的热故障风险，有助于减少设备故障的概率，提高设备的运行稳定性和可靠性。

5 实验

5.1 实验准备

为了验证本研究所提的变电站高压电气设备热故障自动预警方法的可行性，进行一系列的实验。首先，选择合适的传感器，对变电站高压电气设备的关键部位进行温度监测。通过实时采集设备的温度数据，及时获取设备的运行状态和热故障信息；其次，建立基于神经网络的温度预测模型。对采集的温度数据进行学习和处理，根据设备的运行状态和历史数据，预测设备正常温度值。通过与实际温度进行对比，及时发现设备异常温升情况；最后，采用相对温差法来确定温度预警阈值。根据设备正常运行时的温度数据和环境温度，计算出相对温差值。根据相对温差值的大小，判断设备是否存在热故障风险。开关柜温度部分实验数据见表2。

为了评估本研究所提方法的预警效果，需要对模型的预测能力进行全面而客观的评价。由于各种性能评价方法各有侧重，为了更准确地反映模型的预测性能，采用综合评价体系来进行评价。综合评价体系由模式确定系数[R2]、均方根误差、平均绝对误差及平均绝对百分数误差这4个评价指标构成。这些指标从不同的角度对模型的预测效果进

行全面的考量，确保评价结果的准确性和可靠性。模式确定系数[R2]用于衡量模型拟合数据的好坏，其数值越接近于1，说明模型的拟合效果越好，预测精度越高。

5.2 实验结果与分析

为了验证本研究所提方法的优越性，将该方法与基于传统统计方法及基于经验模型方法进行对比，分别对变电站高压电气设备热故障进行预警，预测对比结果如图4所示。实验结果见表3。

由表3可知，本研究所提方法的决定系数为0.947，基于传统统计方法的决定系数为0.854，基于经验模型的决定系数为0.912，结果表明本研究所提方法的模型的拟合效果好，具有较高的预测精度。相比之下，基于传统统计方法和基于经验模型方法在决定系数和某些评价指标上存在一定的差距，可能是因为这两种方法在处理复杂和非线性的温度变化时受到限制，无法充分捕捉和拟合数据中的复杂关系。综上所述，本研究的预警方法在预测精度方面表现出色。在实际应用中，该模型能够为设备运行和维护提供更有价值的预警信息，有助于提高设备运行的稳定性和可靠性，降低故障风险。

6 结语

本研究的预警方法能够在温度异常时自动预警，有效地预防了热故障的发生。虽然该方法在实验条件下取得了良好的效果，但在实际应用中仍可能面临一些挑战。例如，环境因素、设备运行状态变化及设备种类多样性等都可能影响温度监测的准确性。此外，在未来还需要深入研究高压电气设备热故障的根本原因，以实现从源头上预防热故障的发生。同时，随着物联网、大数据等技术的发展，望将这些技术应用于高压电气设备热故障预警中，进一步提高预警的准确性和实时性。

参考文献：

［1］张永伟，云再鹏，陈宏同.电气设备振动故障实时监测预警方法［J］.自动化与仪表，2023，38（11）：21-24，83.

［2］魏岸若.基于数据驱动的电气自动化设备运行故障预警研究［J］.电气技术与经济，2023（6）：71-74，89.

［3］崔兵，朱保国，薛启航.浅析石油钻井电气设备漏电故障自动预警方法［J］.中国设备工程，2023（11）：139-141.

［4］潘伟伟.基于深度学习的建筑消防电气设备故障智能预警系统研究［J］.中国新技术新产品，2023（10）：143-145.

［5］李建业.电气设备热故障智能诊断预警技术研究［J］.中国新技术新产品，2023（7）：18-20.

［6］李丹宁，郑闯.一种模糊神经网络的采煤机滚筒温度实时故障预警方法［J］.煤炭科学技术，2021，49（S1）：161-166.

［7］乔福宇，马良玉，马永光.基于功率曲线分析与神经网络的风电机组故障预警方法［J］.中国测试，2020，46（8）：44-50.