绝缘泄漏（精选4篇）
绝缘泄漏 篇1
0 引言
绝缘子泄漏电流是监测绝缘子状态的重要手段。然而,泄漏电流中往往含有噪声,比如文献[1]通过大量现场数据说明了噪声对泄漏电流分析的影响。然而,除了该文献提到的典型噪声、故障噪声和单点噪声外,还存在其他的噪声,比如:数据采集系统产生的固有频率干扰、白噪声等。
已提出的去除绝缘子泄漏电流噪声的方法存在缺陷。文献[1]给出了去除故障噪声和单点噪声的方法,但并没有讨论其他的去噪问题。文献[2]比较了采用小波变换去除安全区绝缘子泄漏电流(<50m A)噪声时四种阈值的去噪效果,但这四种阈值有可能消除部分周期分量;此外,通过徐水某输电线路上绝缘子泄漏电流的去噪结果得出,当信号中的噪声分布较为均匀,没有明显的突变值时,该文献提到的四种阈值的去噪效果均不佳。文献[3]采用自适应对消的方法消除泄漏电流的噪声,该方法在硬件上要求有两个传感器,分别采集泄漏电流信号和噪声信号。而输电线路绝缘子数量巨大,该方法在经济上增加了成本,安装也不方便。文献[4]采用经验模式分解对泄漏电流进行去噪,经试验验证,该方法的去噪效果不及小波去噪效果好,且难以预计固有模态函数的频率范围,增加了去噪效果的不稳定性;此外,此去噪方法有可能去除部分周期分量。
绝缘子泄漏电流包含可作为特征的周期分量和非周期分量。周期分量主要体现在基波、谐波处[5,6,7,8]。非周期分量主要体现在泄漏电流突变值上,这是由于绝缘子受潮后可能会发生放电[9,10,11],放电会导致泄漏电流上出现突变值[12]。小波变换非常适合提取这些突变值[13,14,15]。例如,文献[16-17]分别采用小波变换的方法分析了泄漏电流高频特征。泄漏电流中的周期分量和非周期分量的频率分布较广,往往和噪声的频带相混叠,若采用带通/带阻滤波器对泄漏电流去噪,可能会丢失有用成分;若直接采用小波去噪,则可能会消除周期分量。研究一种既能保留泄漏电流有用成分又能有效去噪的方法,对泄漏电流分析具有重要的价值。
论文分析了现场采集的绝缘子泄漏电流和试验中采集的泄漏电流的噪声,根据泄漏电流既含有周期分量,又含有突变值的特点,提出傅里叶变换和小波变换相结合的泄漏电流去噪方法。分析了该方法中需解决的关键问题,并给出了这些关键问题的解决办法。以现场数据和试验数据为分析对象,采用文中所提出的方法对这些数据进行了去噪。
1 噪声分析
如图1(a)所示为2011年初秋傍晚,以项目组开发的绝缘子泄漏电流传感器在徐水某输电线路上采集到的泄漏电流,此时空气稍微有点湿润。采样频率fs=300 k Hz。图1(b)和图1(c)分别为图1(a)的部分幅度谱。从图1(a)可以看出,泄漏电流中含有大量噪声。从图1(b)和图1(c)可以看出,泄漏电流在基波和30 k Hz处有明显的周期分量,其中,30 k Hz是采集设备的固有频率干扰。图1(d)为提取基波和30 k Hz之后剩下的成分,主要是噪声成分。图1(e)是图1(d)的幅度谱,分布较为均衡。
为了研究泄漏电流中的噪声,在高压试验室中进行绝缘子泄漏电流采集试验。接线原理图如图2所示。采用FXBW4-110/100/大小伞复合绝缘子,YDJ-900/150试验变压器。污秽模拟过程中,可溶性物质用Na Cl,不溶性物质用硅藻土,污秽度为ρESDD/ρNSDD=0.4/2 mg/cm2,将污秽均匀涂刷到清洁干净的绝缘子表面,至干燥通风地方约24 h待用。将绝缘子放入雾室,经过长时间迁移,在连续起雾6 h后,以1 k V/s的速率加压。以fs=10 k Hz采样率采集泄漏电流。
在试验中,当存在电晕放电时,采集的泄漏电流如图3(a)所示,含有明显突变值。图3(b)为图3(a)的幅度谱,含有基波、谐波等周期成分,且幅度较高的值分布于2 000 Hz之下。提取图3(b)中较为突出的值,以考察泄漏电流特征,如图3(c)所示。剩下成分的时域如图3(d)所示。图3(e)是图3(d)的幅度谱,可以看出,图3(d)中的信号中含有周期分量,但其幅度较低,无法明显标识泄漏电流的特征,可将其去除。即,在分析泄漏电流时,图3(d)中非突变值可视为噪声,并加以去除,以平滑泄漏电流。
2 去噪方法
2.1 去噪过程概述
根据绝缘子泄漏电流中包含周期分量和非周期分量的特点,采用傅里叶变换和小波变换相结合的方法进行去噪。具体过程如下。
(1)采用傅里叶变换将绝缘子泄漏电流变换到频域,以分离有用的周期分量和小波去噪的输入数据。具体步骤如下:
(i)将泄漏电流变换到频域后,提取泄漏电流的周期分量。
(ii)对于提取的周期分量,判断基波周期是否和电压周期一致,若偏离较大,则认为是故障噪声,丢弃该泄漏电流信号;若一致,则去除周期分量中的固有频率噪声,剩下的成分为有用的周期成分,其时域表示记为r(周期分量的逆傅里叶变换的实部)。
(iii)提取周期分量之后剩下成分的时域表示记为z(逆傅里叶变换的实部),作为小波去噪时的输入信号。
(2)采用小波变换对(1)中的信号z去噪。具体步骤如下:
(i)选择合适母小波将信号z分解为合适的层次。
(ii)选择合适的阈值对分解后的小波系数进行量化,并重构后实现信号z的去噪,记去噪结果为t。
(3)由信号r和t叠加得到原始绝缘子泄漏电流的去噪结果y。
2.2 去噪过程中需解决的关键问题
在2.1节的去噪过程中需要解决如下几个关键问题:
(1)如何选择周期分量?泄漏电流中的周期分量较多,选取合适的周期分量非常关键。
(2)如何去除周期分量中的固有频率噪声?若某一频率处含有固有频率噪声,不能简单地将其归零,因为这一频率处可能是噪声频率和有用成分的叠加结果,所以,应进行截断处理。
(3)小波去噪时,如何选择母小波?母小波不同去噪效果有差异,如何选择最佳母小波是小波去噪时需考虑的参数之一。
(4)小波去噪时,应分解为几层?分解层数不同去噪效果不一样,分解层数是小波去噪时需考虑的又一参数。
(5)小波去噪时,如何选择阈值?绝缘子泄漏电流的波形多样,采用的阈值会影响不同波形下的去噪结果。
2.3 周期分量的选择
选择周期分量的思路有:保留指定频率处的周期分量;通过阈值筛选周期分量。绝缘子泄漏电流中的周期分量分布较广[5,6,7,8],且各分量在绝缘子受潮过程中的表现不一样,若选择固定成分的频率值,可能会忽略某些特征。因此,此处采用阈值的方法选择周期分量。
为了设置该阈值,需要判断原始泄漏电流中的成分经傅里叶变换之后的变化。根据第1部分的讨论,可将绝缘子泄漏电流表示为
其中:n=0,1,2,…,N-1,N为离散信号的长度;s为泄漏电流中的离散周期分量;e为固有周期频率噪声;g为离散白噪声;a为其他噪声;h为局部突变值。
对于公式(1)中的离散白噪声g(n),可用离散高斯白噪声近似。根据离散高斯白噪声和离散傅里叶变换的性质可知:离散高斯白噪声序列由离散傅里叶变换到频域之后,仍为离散高斯白噪声序列(这一结论已在众多书籍中进行了证明)。
对于公式(1)中的噪声a(n),由第1部分讨论可知,经傅里叶变换之后其幅度远低于有用的周期分量,所以,可以通过在幅度上设置阈值的方式将其分离出来。
对于公式(1)中的h(n),其在在波形上可表现为:(1)窗口内某点处幅值的绝对值远高于其他点处幅值的绝对值;(2)窗口内有限点处幅值的绝对值远高于其他点处幅值的绝对值。
当为情况(1)时,不失一般性,可记ni处的绝对值远远高于其他处的绝对值,为了简化处理,可令ni之外点处的幅值为0。根据傅里叶变换的过程可知
因此,|H(k)|=|h(n i)|,即其傅里叶变换之后的幅度为一常数。
当为情况(2)时,可令ni1,ni2,ni3,…,nM处幅值的绝对值远大于其他处幅值的绝对值,这几处的分布不呈现周期性且数量有限。为了简化处理过程,令其他点处的幅值为0。根据傅里叶变换的过程可知,此时,|H(k)|的取值根据ni1,ni2,ni3,…,nM点处的取值在一定范围内波动。
可见,局部突变信号h(n)经傅里叶变换之后的取值与突变值的幅值有关,且其幅度在一定范围内波动,可通过对幅度设置阈值实现这些成分的分离。
由以上分析可知,公式(1)中的信号g(n)、a(n)和h(n)经傅里叶变换之后,幅度均分布在一定范围内,可通过采用合适的阈值将其分离出来。
由于g(n)经傅里叶变换之后仍为白噪声,所以,可仿照小波去噪时的阈值设置,构造从|X(k)|分离|G(k)|时的阈值,其中,|X(k)|为泄漏电流x(n)经傅里叶变换之后的幅度。又由于信号x(n)中还可能存在a(n)和h(n),且二者经傅里叶变换之后,均可限制在一定的范围内,因此,此处设置分离周期分量的阈值为
其中:k为调节因子,可控制周期分量的个数;N是信号长度;(28)median(|X(n)|)/0.6745,用以计算噪声方差的估计值,X(n)为泄漏电流x(n)的傅里叶变换结果,median表示取中值。
2.4 消除固有频率噪声
在干燥情况下采集的绝缘子泄漏电流主要含有基波分量,在潮湿环境下污秽绝缘子会出现谐波分量[9,10]。因此,可取干燥情况下的绝缘子泄漏电流中明显的非基波分量作为固有频率噪声,并依此对潮湿情况下采集泄漏电流做截断处理,以消除干扰。
2.5 母小波的选择
在提取放电分量时,非对称小波比对称小波更适合提取放电分量[18],而db小波系非常好的满足该条件。因此选择db小波系作为选择母小波的集合,从中选择最佳母小波。由于所研究的课题要求去噪时消耗的时间不能过长,所以,在选择母小波时,还要考虑时间消耗。为了简化,截取图3(a)的部分泄漏电流如图4所示,在该波形的26 ms处有明显的幅值突变。当db小波取不同的阶数时,所消耗的时间如图5所示。其中,计算消耗时间时的硬件环境为Intel(R)Core(TM)2 Duo CPU E7500@2.93GHz(2 CPUs)、2G DDR内存;软件环境为Microsoft Windows XP professional(版本2002)、Matlab Version 7.6.0.324(R2008a)。从中可以看出db2~db9小波消耗时间较少。分别选择db2、db4、db8小波分解图4的波形,结果分别如图6~图8所示。由图6可以看出,图4的波形经db2小波分解后在3个细节上的26 ms处均有明显的局部突变值,反映了图4在26 ms处的突变特征;由图7可以看出,图4的波形经db4小波分解后,细节cd1和细节cd2在26 ms处的幅值与其他位置处的幅值相比并不特别突出,只有细节cd3在26 ms处有明显的突变值;由图8可以看出,图4的波形经db8小波分解后,细节cd1和细节cd2在26 ms处的幅值较之其他位置处的幅值也不突出,只有细节cd3在26ms处有局部突变值。再综合与其他小波的比较,db2小波更能从各个细节上反映出图4的波形在26 ms处的突变值。因此,采用db2小波作为去噪时的最佳母小波。
2.6 小波分解层数的确定
分解层数对小波去噪的结果影响重大。应根据信号的自然特性或合适的标准选择分解层数[19,20,21]。虽然有文献提出了计算分解层数的方法[22,23],但实际对信号z去噪效果表明,这些方法均存在一定的缺陷。
信号z的小波分解示意图如图9所示。其中,cdi为细节,cai为概貌,i=1,…,m,m为分解层数。图9中标记出了各个细节分量cdi和概貌cam所对应的频率范围。可见,cd1~cdm、cam的频率范围构成了整个可分辨的频率区间。
为了评价去噪效果,记
其中:di为信号z去噪后i处的幅值;zi为信号z在i处的幅值。R值反映了去噪后损失的噪声能量。
为了分析信号z的R值和分解层数的关系,根据图3(d)的产生过程,可令z为图3(d)表示的信号。图10为采用db2小波将图3(d)的信号分解为不同层数时,按照公式(3)计算R的结果。
由图10可以看出,图3(d)的信号经小波去噪之后,去除的噪声的能量变化并不是随着分解层数的增加而提高的,而是当分解为6层时R的取值成为一个拐点。可见,可以依据R的值作为判断分解层数的依据。然而,计算R的值需要先去噪,然后计算能量损失,这消耗太多的时间,在实际应用中并不方便。因此,希望能够有更加简洁的算法实现分解层数的计算。
为了弄清楚分解为6层之后能量损失逐渐平衡的原因,建立图3(d)信号分解为不同层数时,最后一层概貌能够识别的上限频率和R之间的对应关系,如表1所示。从表1中可看出,当分解层数高于6时,概貌能够识别的频率范围均在50 Hz之内。放大图3(e)的低频部分的幅度,如图11所示。由图11可以看出,在50 Hz附近的幅度为0,究其原因是由于原始泄漏电流在50 Hz附近的周期分量很突出(可由图3(b)观测出来),提取周期分量时这些成分被分离到周期分量的范围内,导致了图11中大量0值的出现。因此,当图3(d)的信号经小波分解后,若最后一层的概貌的上限频率在50 Hz附近后,即使再增加分解层数,去噪效果也不会有明显的提高。故,对于图3(d)表示的信号,可以将最后一层概貌能够识别的上限频率为50 Hz作为停止分解的频率值。
更具一般性,将50 Hz以变量fm代替,表征停止分解的频率。根据图9所示的分解示意图,可得出小波分解停止的依据如结论1所述。
结论1:采用小波变换去除信号z中的噪声时,若绝缘子泄漏电流采样率记为fs;小波分解层数记为m,且m>0;停止分解的频率记为fm,且fm>0。判断m是否为最佳值的依据是:
由结论1可以得到小波变换去除信号z中的噪声时,分解层数的计算公式,如推论1中的公式(4)所述。
推论1:采用小波变换去除信号z中的噪声时,若绝缘子泄漏电流采样率记为fs;停止分解的频率记为fm,且fm>0。小波分解层数m的计算公式为
证明:
又因为m为非负整数,所以公式(4)必成立。
2.7 小波阈值的选择
绝缘子泄漏电流的波形较为多样,比如:当绝缘子没有发生放电时,泄漏电流提取周期分量后,剩下的成分主要为噪声,没有明显的突变值;当绝缘子发生放电时,由于放电的冲击,有可能产生明显的突变值,应该予以保留。即,对于不同的泄漏电流波形应采用不同的阈值进行去噪。对图1(a)的泄漏电流去噪,由于此时没有放电冲击导致的突变值,应设置小波系数为0,这等效于直接将信号z归零。即,此时不必在进行小波变换。对于图3(a)的泄漏电流阈值,由于有放电冲击导致的突变值,就不应该将小波系数设置为0,而应根据泄漏电流的特征选择合适的阈值。经过比较,试验中采集的泄漏电流存在突变值时,采用sqtwolog阈值去噪时效果较好。
3 去噪效果验证
按照第2部分所述的方法对图1(a)的泄漏电流去噪。
首先,采用快速傅里叶变换将图1(a)的泄漏电流变换到频域。
其次,根据公式(2)设置阈值提取周期分量。其中,令调节因子k=1。提取出来的周期分量的幅度谱主要为基波分量和30 k Hz处的固有频率噪声。消除固有频率噪声后的波形如图12(a)所示。
提取周期分量之后剩下成分的时域波形如图1(d)所示。由图1(d)可知,这一部分成分没有值得保留的突变分量,按照2.7节对小波阈值的讨论,将小波系数设置为0进行去噪。即,将这一部分归零。因此,图12(a)即为去噪的结果。
为了对比,采用sqtwolog阈值对图1(d)的信号进行去噪。首先,采用db2小波对图1(d)信号进行分解。fs=300 k Hz,由图1(b)可知,图1(a)的周期分量集中于50 Hz处,因此,取fm=50 Hz。将fs和fm的取值代入公式(4),计算得到分解层数m=11。即,将图1(d)的信号分解为11层,得到11个细节和第11层概貌。取sqtwolog阈值,并根据对各个细节噪声方差的估计,进一步调整sqtwolog阈值后,对每个细节进行硬阈值处理,得到量化结果。由量化后的细节和概貌重构得到z的去噪结果,如图12(b)所示。由图12(a)的信号和图12(b)的信号叠加得到最终去噪结果如图12(c)所示。
由图12(c)可知,去噪后的泄漏电流仍然含有大量的噪声,而图12(a)的去噪效果平滑的多。即,图12(a)的去噪结果更加可取。这也验证了所提方法的有效性。
按照第2部分所述的方法对图3(a)的泄漏电流去噪。
首先,采用快速傅里叶将图3(a)的泄漏电流变换到频域,其幅度谱如图3(b)所示。
其次,根据公式(2)设置阈值提取周期分量。其中,令调节因子k=19。周期分量的幅度谱如图3(c)所示。由图3(c)可以看出,周期分量主要为基波和奇次谐波,其中的固有频率噪声被阈值去除了。图3(c)的时域波形如图13(a)所示。
提取周期分量之后剩下的成分如图3(d)所示。由图3(d)可以看出,成分中包含了明显的突变值。因此,采用sqtwolog小波阈值对图3(d)的信号去噪。采用db2小波对图3(d)的成分进行分解。fs=10 k Hz,由图3(b)可知泄漏电流在50 Hz处存在较大的周期分量,因此,取fm=50 Hz,将fs和fm的取值代入公式(4)得分解层数m=6。即,将图3(d)的信号分解为6层,得到6层细节和第6层概貌。取sqtwolog阈值,并根据对各个细节噪声方差的估计,进一步调整sqtwolog阈值后,对每个细节进行硬阈值量化。由量化后的细节和概貌重构得到z的去噪结果,如图13(b)所示。由图13(a)和图13(b)的信号重构泄漏电流信号得到图3(a)的去噪结果,如图13(c)所示。
为了对比,图3(d)的信号在小波去噪时设置小波系数为0,最终的去噪结果就是图13(a)所示的波形。
由图13(a)和图13(c)可以看出,图13(c)的去噪结果含有明显的突变值,反映了放电的冲击结果。而图13(a)的去噪结果却大量的消除了这些成分,因此,图13(c)的去噪结果更可取。这也验证了所提方法的有效性。
4 结论
绝缘子泄漏电流中既含有周期分量又含有突变值。为了充分保留这些特征成分,采用了傅里叶变换和小波变换相结合的方法对泄漏电流去噪。在去噪过程中,采用傅里叶变换提取泄漏电流的有用周期分量。通过分析泄漏电流中的各种成分的频谱特征,给出了提取周期分量的阈值。采用小波变换对提取周期分量后剩下的泄漏电流成分进行去噪,并保留突变值。根据提取突变值的效果,确定了最佳母小波为db2小波;根据去噪对象的频率分布特征,提出了小波分解层数的计算公式;根据泄漏电流的多样性,给出了有突变值和不存在突变值时设置的不同小波阈值。通过对现场数据和试验数据去噪,验证了所提方法在去除噪声的同时,能够有效保留特征数据。
绝缘泄漏 篇2
但是仅仅依靠泄漏电流的数值来确定绝缘子表面的污秽情况并预报污闪是不可行的。而且在众多的泄漏电流检测分析中, 如何优选出最具代表性最合理的预测依据特征量, 一直是困扰研究人员的难题。泄漏电流时域特征量提取通常采用泄漏电流有效值、泄漏电流最大值以及临闪前最大泄漏电流等。其中泄漏电流有效值是所有泄漏电流特征参量中最容易检测和处理的, 也是被大家广泛认同的最有效特征量之一。本课题主要研究了泄漏电流的有效值, 提取出三个有效值特征量, 分别是泄漏电流有效值均值Ime, 泄漏电流有效值的最大值Imaxe, 泄漏电流有效值的标准差 σ。因此, 本文以人工污秽试验为基础, 使用XP-70 和XWP2-70 两种型号绝缘子, 对比研究了泄漏电流的有效值均值、最大值及标准差三个特征量与绝缘子表面污秽状态的数学关系。然后利用人工神经网络初步建立基于泄漏电流三个有效值特征量的绝缘子污秽状态预测模型, 并确定初步分析了泄漏电流三个特征量在绝缘子污秽状态预测模型中的权重, 为输电线路绝缘子的清扫提供参考。
1 基于泄漏电流的神经网络预测
1.1 建立模型
因为不同的绝缘子在同一泄漏电流特征值信息下的污秽度是不同的, 所以对于不同的绝缘子, 必须建立其各自的人工神经网络模型。
对于70k N的普通型绝缘子XP-70 和防污型绝缘子XWP2-70, 其相同状态下的输入参量是不同的, 但他们之间有一定的回归拟合关系, 可以类推。因此本文以XP-70 绝缘子为对象建立污秽预测模型, 输入则为泄漏电流的三个特征量, 输出为污秽度, 模型为BP神经网络, 采用有监督学习方式, 在学习过程中通过误差对隐层神经元个数进行调整, 最后得到一个最优的人工神经网络模型, 其预测模型示意图见图1。
网络的神经元结构如图1 所示。图1 中x1, x2, …, xn为神经元的输入, w1, w2, …, wn为相应输入的权值, b为神经网络的阈值, 则
1.2 归一化处理
本模型输入量为实验室饱和湿润下的3 片XP-70 绝缘子耐压试验所测的泄漏电流有效值提取出的3 个特征量泄漏电流有效值均值Ime, 泄漏电流有效值最大值Imaxe和泄漏电流有效值标准差 σ。为了统一量纲和防止因净输入的绝对值过大而使神经元输出饱和, 继而使权值调整进入误差曲面的平坦区。BP神经网络的训练样本在输入网络之前要进行必要的归一化, 也就是通过变换处理将网络的输入、输出数据限制在[0, 1]或[-1, 1]区间内。因此本课题把3 个输入参量进行归一化处理, 归一到区间[0, 1]里, 归一化处理按以下方式进行:
设x为某一泄漏电流有效特征值信息, xmax为此特征值信息中最大的量值 (可以是根据现场情况而得的估计值) , xmin为此特征值信息中最小的量值, 那么对于任意的环境信息x, 按以下方式进行归一化处理:
其中xmin、xmax分别为Ime和Imaxe的最小值和最大值, 其中 σ 本身就在[0, 1]区间内, 无需再做归一。对于Imaxe而言, 通过试验验证在安全区区间断的泄漏电流最大有效值一般在250m A以内, 故对于Imaxe仍可以采用公式 (2) 的归一化方法, 而不必加以区段化。
1.3 网络训练与结果
根据实验室实测的普通型绝缘子XP-70 和防污型绝缘子XWP2-70 泄漏电流有效值三特征量的回归拟合公式, 选择50 个点进行网络学习训练。在此过程中调整隐含神经元的个数, 最后用实验实测的10 组数据验证网络性能优劣, 得到两种绝缘子污秽状态的最优人工神经网络预测模型。此模型输入为3 个信息向量Ime、Imaxe和 σ, 输入层有3 个神经元, 隐含层有7 个神经元, 输出层有1 个神经元即污秽等级ESDD。
2 基于泄漏电流的污闪预警判据
2.1 三个特征量权重的比较分析
为了进一步分析由泄漏电流有效值而提取的三个特征量与绝缘子表面污秽度之间的关系, 从而更深入地验证三个特征量的有效性和可用性, 以XP-70绝缘子污秽预测网络为例, 采用固定三个特征量中的一个, 把另外两个作为网络输入, 即可获得两个参量同时变化时污秽度的变化趋势。为了求取三个特征量对污秽预测影响的大小提供一个趋势分析, 将三个特征量的变化范围比实际测量值适当放大一些, 以便更适合从理论上来分析三个特征量对污秽预测的影响。
2.2 确定预警判据
大量的试验比较研究表明:泄漏电流有效值 (1 分钟积分) 变化区间性明显, 可以划分为3 个区段, 即安全区、预报区 (即一级预警区) 和危险区 (即二级预警区) 。
在安全区、预报区和危险区内, 泄漏电流有效值均值Ime和有效值与均值的标准偏差 σ 也表现出较明显的分段性, 各污秽等级下20 分钟泄漏电流有效均值在安全区、预报区和危险区分段为0~30m A, 30m A~85m A, >85m A;各污秽等级下20 分钟泄漏电流有效值与均值标准偏差在安全区、预报区和危险区分段为0~12%。
3 结论
以大量人工污秽试验数据为基础, 利用人工神经网络的方法, 本文深入研究了绝缘子表面污秽度与泄漏电流有效值特征量之间的关系, 主要得出结论有:
3.1 泄漏电流有效值均值、最大值及标准差这三个特征量随着等值盐密的增加均呈上升趋势, 且拟合度均在0.95 以上。
3.2 以泄漏电流的有效值均值、最大值及标准差三个特征量作为输入变量建立的绝缘子污秽状态人工神经网络输出误差在8%以内, 满足工程要求。
3.3 泄漏电流三个特征量与污秽度的相关程度依次为有效值均值、最大值及标准差, 该结果可作为确定污闪预警特征量不同权重的依据。本文根据试验数据给出了一种基于泄漏电流的污闪预警初步判据。
摘要：污秽度和潮湿是影响输电线路绝缘子耐污闪性能的基本因素。潮湿属于不可控因素, 因此实时掌握绝缘子表面污秽度的状态对防污闪工作, 有针对性地制定清扫计划, 保障电网安全运行有重要意义。本文以人工污秽试验为基础, 使用XP-70和XWP2-70两种型号绝缘子, 着重对比研究了泄漏电流的有效值均值、最大值及标准差三个特征量与绝缘子表面污秽状态的数学关系。主要得出:泄漏电流这三个特征量随着等值盐密的增加均呈上升趋势;以泄漏电流的有效值均值、最大值及标准差三个特征量作为输入变量建立的绝缘子污秽状态人工神经网络输出误差在8%以内;泄漏电流三个特征量与污秽度的相关程度依次为有效值均值、最大值及标准差, 该结果可作为确定污闪预警特征量不同权重的依据。
关键词：绝缘子,泄漏电流,污秽,预测
参考文献
[1]孙才新, 司马文霞, 舒立春.大气环境与外绝缘[M].北京:中国电力出版社, 2002.
[2]陶元中, 包建强.输电线路绝缘子运行技术手册[M].北京:中国电力出版社, 2003.
[3]应伟国.架空送电线路状态检修实用技术[M].北京:中国电力出版社, 2004.
[4]宿志一, 刘燕生.我国北方内陆地区线路与变电站用绝缘子的直、交流自然积污试验结果的比较[J].电网技术, 2004, Vol.28, No.10:13-17.
[5]周建国, 肖嵘, 张宇, 尤一安, 梁保英.三峡送上海直流500 k V换流站外绝缘污秽水平的研究[J].华东电力, 2001, No.12:11-14.
[6]Ahmad S, Modeling of Various Meteorological Effects on Contamination Level for Suspension Type of High Voltage Insulators Using ANN, IEEE, 2002, 4 (2) :1030-1035.
绝缘泄漏 篇3
目前普遍采用的防污闪措施如:选用新型绝缘子，调爬增距，使用RTV涂料，定期清扫等均属于被动防污措施，在实施过程中，由于缺乏对于现场绝缘子表面积污及放电状态的准确了解，而普遍具有一定的盲目性，在特殊情况下，也不能完全杜绝污闪事故的发生[2,3,4]。如果能通过特征信号，来实现绝缘子绝缘强度的监测和闪络风险的科学评判，进而将评判结果和人工防污相结合，则可以弥补被动防污的盲目性，大大提升防污闪功效。关于污秽闪络在线监测和风险预警，国内外研究机构都投入了研究力量，并有相应科研成果公布[5,6,7]，但总体上，存在的问题是预测结果不精确，突出表现在虚警率较高[8]。
本文以人工污秽试验为基础，选取试验过程中泄漏电流信号作为分析处理对象，重点讨论了沿面放电至闪络击穿全过程中泄漏电流的变化特征，旨在找寻和电弧放电状态密切相关，可以用于绝缘强度评估和闪络预测，又能有效降低虚警风险的特征数据。为后继实现在线监测提供依据。
1 试验装置和方法
1.1 试验装置
采用固体层法预积污，恒压、清洁雾试验。雾室尺寸4 m×4 m×5 m;试验电源125 k VA/250 k V无游离变压器。额定容量125 kVA，额定电压0.4/250 kV，额定电流312.5/0.5 A。试品为XP-210型普通悬式瓷绝缘子。利用超声波加湿器产生冷雾，最大产雾量为500 m L/h。
信号采集部分由自行研制的泄漏电流传感器、信号调理电路、湿度传感器、数据采集卡和工控机构成。电流测量范围为0.1～500 m A，相对湿度范围为10%～99%。
1.2 试验安排
试品耐受试验结果表明，对于单片XP-210绝缘子而言，当试品盐密分别为0.07 mg/cm2、0.105 mg/cm2和0.14 mg/cm2，灰密为1.40 mg/cm2时，耐受电压分别为26 kV,23 kV，和21 kV。本文试验设计为:对不同盐密试品施加相应的耐受电压进行人工污秽试验，各试验均重复三组，挑选出最能凸显沿面放电到闪络击穿全过程的一次作为分析对象。同时以单通道1 000 Hz的速度连续采集电流和湿度数据。
文中试品ESDD为0.07 mg/cm2，试验电压为26 k V。
2 试验结果及分析
2.1 数据预处理
图1为试验过程中测量得到的泄漏电流波形图，由图1可知，随着试验的进行，绝缘子泄漏电流越来越大，电绝缘强度总体上呈下降的趋势。由于本文试验为交流试验，电弧在一个工频周波内可能存在熄弧现象，所以图1的电流其实包含了两种物理现象，一种为电弧和剩余污层导电的电流，忽略寄生电容的影响，则该电流等于电弧放电的电流，还有一种为无电弧存在时的电流，该电流为剩余污层电流，不反应电弧状态。而作为污闪风险的评判，主要需要电弧放电的信息。本文考虑的是泄漏电流的包络线，该包络线覆盖了电弧放电电流的信息，而剔除了数据中大量的过零熄弧点。
首先对泄漏电流数据进行数字滤波，滤波器设计为低通滤波器，通频为165 Hz，增益为0 dB，截至频率为180 Hz，增益为-200 dB，滤除高频干扰信号。选用的滤波器频响特征如图2所示。
选用Hilbert变换来处理滤波后电流数据，实现电流包络线的提取[9]。由于泄漏电流偏离了正弦波，所以Hilbert变换提取包络线将受相移影响，可以通过补偿的方法消除。图3为包络线提取过程的局部放大图。可见包络线的提取是正确的。图4为提取出的泄漏电流的包络线。
2.2 数据分析
研究结果表明，随着沿面电弧的发展和闪络的临近，泄漏电流呈不断增加的趋势，所以有理由认为泄漏电流均值中包含了电弧放电的状态信息，但是单纯利用泄漏电流，还不足以实现放电状态的判别，因为较大的持续放电(200 m A以上，连续50个周波或更长)才可能预示着闪络将至，短时大电流(200 m A以上，连续约10个周波)并不代表闪络的来临，所以单纯利用电流幅值监测污闪很容易造成不必要的虚警。
式(1)为电流均值的表示式，其中N为电流样本个数，Xi为电流数据序列，单位为A。
泄漏电流的方差可以用来衡量电流冲击起伏的程度，但单纯考虑方差同样不能实现闪络风险的评估，因为在试验之初，电流变化很小，方差也很小，但在临闪状态，电弧以很大的电流维持燃烧，方差同样比较小，而在具有较大冲击起伏的中间阶段，方差往往会表现出较大的值，因为此时，受外界加湿作用和电弧高温反作用的共同影响，干带处于消失和形成的过渡时期，沿面电弧强弱交替，导致电流冲击起伏较大[10,11]。
式(2)为电流标准方差的表示式，单位为A。
偏度和峰度是统计学里面两个常用的指标，主要用来评判数据样本的分布特征，偏度大于0，说明样本分布呈现右侧拖尾，反之，说明样本左侧拖尾。偏度主要用来刻画样本在分布上是左偏还是右偏。而峰度则主要用来刻画样本分布密度的陡缓程度，峰度越大，密度函数越陡峭，反之则密度函数波形平缓[12,13,14]。本文认为，随着放电强度的变化，大电流放电的强度和持续放电时间均发生了变化，从而导致了泄漏电流包络线样本峰度和偏度的改变。
式(3)和式(4)为偏度和峰度的定义式，无量纲。
选择泄漏电流的均值，标准方差，峰度，偏度的时变特征为分析对象[15]，具体为将包络线数据按照秒为单位分段，然后对其间的1 000个样本求取均值、标准方差、峰度和偏度。得到各指标随着时间的变化，图5～图8分别为包络线均值、标准差、偏度、峰度的时变曲线。
由图5～图8可知，电流均值、标准方差、偏度、峰度随着沿面放电的发展而变化，但是各指标在量值上相差非常大，峰度和均值、方差相差达4个数量级。本文本着综合利用各4项指标的思想，所以需要对各指标作预处理，否则，量级大的指标暗含着大的权值，这显然有悖于综合评判的思想。本文利用各指标数据除自身数据变化范围的方法使得各数值在量值上均处于(-1 1)范围内，从而具有量值的可比性。
利用式(5)和式(6)实现均值，方差，偏度，峰度中所涵盖放电信息的综合，得到两个综合指标Index1和Index2,Index1和Index2可以看作是被均值和方差乘积因子修正后的偏度和峰度值。如下式所示
图9、图10为Index1、Index2的波形，对比图9、图10和图1、图5～图8可知，对于幅值较大的放电，图9和图10均表现出了明显的冲击，而对于电流幅值比较小的放电，图9和图10则表现的不明显。即指标1、2综合了均值、方差、偏度、峰度的特征，一方面加强了强的放电信号，同时抑制了较弱的或者持续时间短的信号。因此，对于闪络风险的综合评判来讲，利用Index1、Index2，可以降低虚警误报的风险。图9结果表明，在临闪前，修正偏度出现了明显小于0的情况，这预示着，该阶段电流包络线样本出现右偏，即样本大部分以大值出现，这和电弧持续燃烧的物理现象是吻合的。也说明了，偏度一旦出现明显小于零，则意味着很大的污闪风险[16]。
比较图9、图10可知，较之图9和图10对长时大幅放电信号的加强作用和短时大幅放电信号的抑制作用更加明显，预示着对于实现污秽闪络风险评估而言，选择Index2将具有更低的虚警风险。但指标1闪前小于0的特点更有利于捕捉临闪状态。
3 结束语
绝缘泄漏 篇4
在构成电力系统的不可或缺的各类输变电设备和器件中,绝缘子是使用量最大的和最重要的器件之一。架空输电线路常年暴露于大气中,绝缘子易于受到天气和环境的影响,当这种影响积聚到一定程度就会改变绝缘子的绝缘性能,在外在电压的作用下会沿着绝缘子和大气交界面发生放电现象,这就是闪络[1]。任何一串绝缘子出问题都会造成输电线路故障,甚至会造成长时间停电,对电力系统的安全运行、工农业生产以及人们的日常生活造成很大的危害[2,3]。2001年初,河南、华北、辽宁等地因为雨夹雪及大雾天气再次出现“雾闪”灾害,导致大面积停电;2005年2月湖北、湖南等地由于恶劣天气导致大量的冰闪[4,5]。要及时采取措施避免绝缘子污闪事故的发生就必须对绝缘子进行实时监测,绝缘子污闪与泄漏电流之间有较大的相关关系[6,7],绝缘子闪络电流是闪络事故中在电气方面的重要表征,通过对闪络电流的分析可以得到绝缘子的故障特征量,从而利于绝缘子的在线监测及故障分析。
现有的解决方案是将GPRS(GSM/CDMA)技术与视频技术引入到输电设施的监测中[8],但是这种系统完全依赖移动通信网,并且有额外的运行费用。
微电子、计算机和无线通信和分布式信息处理等技术的进步,推动了低功耗、低成本、多功能传感器的快速发展,使其在微小的体积内能够集成信息采集、数据处理和无线通信等多种模块,孕育出新兴的无线传感器网络(Wireless Sensor Network,WSN)技术。作为信息采集的一种高效的方式,WSN在工业监控方面的应用越来越广泛,基于WSN的在线实时监测系统,如电力线监测、道路交通监测、石油及燃气管道监测等作为一门新技术而成为热点。
本文将以IEEE802.15.4标准为基础的Zigbee无线传感器网络用于输电线路绝缘子泄漏电流实时监测与预警系统,无线传感器网络具有多跳、自组织、自适应等特点,其节点可以部署在恶劣环境中,并且其使用的通信波段免费,可解决现有输电线路监测系统倚赖移动电信网等问题。
1 基于WSN的绝缘子泄漏电流监测系统设计
1.1 监测系统构成
基于WSN的绝缘子泄漏电流监测系统由无线传感器监测网络和远程数据管理中心两部分组成,如图1所示。
其中,无线传感器监测网络是由大量部署在架空输电线路杆塔上的具有感知、计算和通信能力的智能传感器节点组成,负责远程实时采集绝缘子的泄漏电流等信号,并基于Zig Bee无线通信协议组建网络,所有节点的数据最终路由到汇聚节点(Sink),由Sink节点将全部数据传送到变电站数据终端,然后通过SDH光纤网传送到线路工区的远程数据中心,远程数据管理中心负责数据的接收、存储和时空分析,根据需要发布预警信息和采取进一步的补救措施。
1.2 传感器节点的部署及节点设计
监测系统由大量传感器节点组成,传感器节点部署在高压或低压输电线路的杆塔上,形成长链结构。若干条长链以汇聚节点Sink为根又形成长链树状拓扑结构。每一条长链表示一条高压或低压输电线路,而汇聚节点一般位于变电站中。更具体地,每一路传输线具有三相,在每一个杆塔的三相上分别布置传感器节点,这样,一条输电线路由传感器网络的三条子链组成,如图2所示。
基于WSN的输电线路绝缘子泄漏电流监测系统具有长链树状拓扑结构。这类系统具有以下共同点:(1)需要管理长链树状拓扑结构的WSN,并将监测到的数据以多跳的方式实时传输到汇聚节点(Sink);(2)传感器节点和汇聚点在部署后均不再发生位置移动;(3)节点装备GPS,通过测量的方式可知其具体地理位置,每个节点有唯一的ID号,在网络初始化时进行统一的分配。(4)所有传感器节点都是同构的,具备数据融合的功能。(5)无线通信链路是对称的。
传感器节点以Jennic公司的JNS5139无线微处理器模块为核心,扩展了通信接口、总线接口、传感器接口和供电接口设计,按功能划分为传感器模块、通信与处理模块和能量供应模块三部分。JN5139具有192 KB的ROM、21路GPI、32位CPU、支持2.4 GHz的Zig Bee协议、100 ksps的ADC、两路11位的DAC等,为用户提供节点设计的集成化解决方案,图3为传感器节点控制板结构设计框图。
1.3 远程数据管理中心
远程监控管理中心主要实现数据的接收、存储和时空分析。数据管理中心与基站之间采用C/S客户端服务器工作模式,基于Socket编程技术监听本地l P地址绑定端口,在确认客户端即网关节点的连接请求后,接收数据并根据数据包协议进行解析,将解析的数据存储到数据库对应表格的对应属性字段内。根据需要,可从数据库表中读取测量数据,以时间为横轴,绘制监测量随时间变化的曲线,分析检测量的相关特性。
基于Lab VIEW开发的泄漏电流实时监测分析软件,包括网络拓扑、历史数据查询模块、数据融合模块和节点部署模块。通过分析和处理监测节点的检测数据,决策判断绝缘子是否发生泄漏等,当某处的传感器节点发生异常时,界面中的节点将改变自身颜色,输出报警信息。监控主机可以作为Web服务器,用户可以通过Web方式进行远程监控。
2 监测无线传感器网络的数据传输
用于实时监测的数据收集传感器网络具有数据集中式收集、多跳传输、多对一流量模式等特征,这些特征决定了网络会出现漏斗效应,特别是传感器网络呈长链状部署,漏斗效应更加明显,严重制约了网络的传输效率和生存期。为解决数据收集传感器网络的漏斗效应,提出了一种新型网络模型构建方法。方法依据空间复用技术和减少跳步数原则,将传感器网络组织成一个多模层次网络来消除网络局部负载过重问题,提高网络传输效率。
2.1 多模层次网络模型
多模层次网络构建基本思想是,在网络中配制多个Sink节点,将数据收集传感器网络进行层次划分,不同Sink节点负责不同层次,每层采用不同的频段传输数据。网络层次划分完成后可在其上实现各种路由协议,如构建负载平衡网络,可以实现多模流量分配与构建负载平衡网络相结合,从根本上解决漏斗效应。
以长链型网络模型为例,由图4可知,假设节点通信覆盖范围为三个单位跳距,在网络未分层的情况下,一个节点通信范围内的节点数目约为20个,通信过程中这20个节点共同竞争无线信道。通过网络层次划分将节点覆盖范围区域内部的一些节点划归到另外的工作在其他频段的层次中,只与边缘节点通信,竞争信道节点数量将减少为8个。
在分布式协调DCF访问控制方式下,MAC层采用虚拟载波侦听来确定无线信道状态,根据CSMA/CA协议,当一个节点要传输一个分组时,它需要通过一个帧间间隔DIFS来确定信道是否空闲[9]。20个节点竞争信道的情况下,将20个节点对网络造成的信道竞争压力划归到一个节点覆盖范围内,则每个节点为转发一个分组所用的平均信道侦听时间为(1+2+3+…+20)/(2×20)≈10(DIFS),减少到8个节点时的平均信道侦听时间则为4(DIFS)。所以分层后每个节点传输一个分组的平均通信竞争引发的推迟发送时间变为未分层时的2/5,大大缩短了数据的传输时延。同时,节点通信覆盖范围为三个单位跳距[10],可以将网络分成三层结构,假定分层后每层的节点数量相同,则每层上的数据包流量将变为整个网络的1/3,每个节点上的平均数据包流量也将变为未分层时的1/3,数据量很大的情况下,数据包的排队时延也将缩减为未分层时的1⁄3,可见层次性提高了网络的实时性。
2.2 多模层次网络构建过程
将传感器网络看作一个图G=(V,E,SC),其中,SC表示Sink节点集合,V表示传感器节点集合,如果节点u与节点v能够直接通信,则在集合E中包含一条边(u,v)。为实现本文的建模算法每个节点需要4个列表的支持:邻居节点列表NL、父节点列表PL、子节点列表CL和兄弟节点列表SL。
层次化网络的构建如下所述,在节点部署后,每个节点都设置自己的跳数为无穷,节点发射功率控制在一个单位跳距,网络以概率1连接。然后,每个节点广播自己的组网消息,这样,一个节点就可以知道其所有邻居节点的存在,并将这些信息存储到NL列表之中。接着,设置Sink节点跳数值,如网络中存在3个Sink节点,则将Sink节点跳数依次设置为0、1、2。随后选跳数为0的Sink节点向网络中广播一个hello消息,消息中包含本Sink节点的跳数值和Sink节点数目值。当一个节点u从节点v接收到一个hello消息后,从中得到跳数值Nv,然后利用自己的跳数值Nu进行如下比较并执行相应操作:
·若Nv
·若Nu≠∞,将该节点发射功率提升到最大,将NL列表清空。
经过一定时延后每个节点再次发送广播通知其邻居节点报告其存在,目的是获取节点通信覆盖范围扩大后节点的新NL列表,随后每个Sink节点向网络中发送hello消息进行组网,以Sink节点的数量作为模值。利用第一步得到的跳步数,对节点的跳步数进行作模取余,取相同余数的节点组成同一层次。不同Sink节点负责不同层,并且采用不同频段工作。路由表建立过程如下,当一个节点u从节点v接收到一个hello消息后,从中得到跳数值Nv,然后利用自己的跳数值Nu进行如下比较并执行相应操作:
·若Nu%Ns=Nv%Ns,则节点u将v的id号添加到NL列表。
·若Nu/Ns>Nv/Ns且Nu%Ns=Nv%Ns,则节点u将v的id号添加到PL列表。
·若Nu/Ns
·若Nu/Ns=Nv/Ns且Nu%Ns=Nv%Ns,则节点u将v的id号添加到SL列表。
2.3 多Sink节点协作
在文献[11]中,对一个Sink节点位于网络中心位置时的网络负载分布进行了分析。定义网络中任意传感器节点i的平均负载为Loadi,这里的平均负载指得是处于节点i探测距离内小部分节点的负载在一段时间内的平均值。其分析结果表明,在一个圆形且汇聚节点在圆心的场景下,网络中任意传感器节点i的负载遵循以下关系式:
其中:R为整个网络的半径;d为节点i与圆心的距离;r是汇聚节点通信覆盖半径;λ是传感器节点单位时间内的数据发生率;ε为节点收发单位数据的能耗,β=2arcsin(r/d)。
放射状长链型传感器网络组成近似圆形区域的节点分布结构如图5所示,各辐射链式传感器网络长度分别为Ri,假定Sink节点总数为m,关键节点总数为n,即与各Sink节点直接通信的节点,协作传输的Sink节点数为ω,D为圆心与外围Sink节点间的距离,那么可以计算每个协作Sink节点的负载Loads为:
可见,协作节点数目ω的变化直接影响传感器网络最重负载节点的负载程度,根据网络需要确定ω值,达到解决网络瓶颈效应的目的。
2.4 隐式分簇及信道分配
由节点特性可知,传感器节点提高发射功率后的通信距离达1 000 m,而网络MAC层采用CSMA/CA协议进行数据传输,这将使得节点传输数据时的退避等待时间过长,节点对信道的竞争激烈,大大增加数据传输时延。针对本课题的辐射链状传感器网络,如果存在一种方法能够在采用高发射功率的情况下保证节点的竞争强度不变,这将会在保证排队时延最小的情况下,减少数据的路由跳数,降低处理时延,达到最佳的网络传输实时性。网络的2.4 GHz波段提供了16个独立信道,为此可以考虑采用多数据源多个信道并行传输机制。
传感器节点可持续供电,所以我们更希望以能量的消耗换取网络性能的提升。由于节点可以通过GPS模块或定位算法获得准确的位置信息。并且传感器网络呈辐射链状,借助蜂窝网络通信的思想,根据节点地理位置将节点进行隐式分簇,即簇内不设立簇首节点。如图6所示,链状分布的每个方格区域作为一簇,标记相同颜色簇之间采用同一信道通信。这样建立的网络能够获得与蜂窝网络一样的抗干扰特性。
首先描述信道的分配方式,图6中从右向左的区域簇表示为C1,C2,…,Cω,…,其中C1到Cω簇内全部为关键节点,按升序分别为它们分配Channelx,Channelx+k,…,Channelx+kω间隔为k的ω个信道,为Cω+1分配Channelx开始以kω为模值,重复上述过程,直到为全部簇分配完信道。相应的Sink节点信道的分配原则为与某一关键节点距离由近至远按降序依次分配Channelx+kω到Channelx间隔为k的ω个信道。这样分配信道的好处在于当需要进行信道调整时,可以结合ω值按升序或降序的原则进行调整,信道调整算法简单。如节点分布不均匀的情况,某一簇区域内不存在传感器节点,那么与其对应的上行簇此时就需要进行加1或减1信道调整,实现与其他区域簇进行不间断通信。
可以看出,这样建立的网络实际上是一种并行拓扑结构的多模层次网络。不同层次节点上产生的数据包只在本层传输。事件区域范围越大,平均分配在区域内的每层节点个数越接近,从而起到层次数据分流作用,多Sink节点协作传输则是弱化了网络的漏斗现象,信道调整解决了传统并行层次网络存在的断层现象。
3 算法实现
首先需要选定合适的ω值,统计节点位置信息上传,由上层服务器对网络节点进行区域划分,确定各簇以及每个Sink节点的通信信道值;确定各簇内节点总数和节点ID号集合。随后利用上面得到的结果,Sink节点向网络中发送组网消息,确定各节点的通信初始通信频段,生成本地节点ω级路由表。
如通信信道采用2.4 GHz频段中从某一初始信道号开始的连续几个信道进行通信,那么信道号的确定原则为:初始信道号+k(区域号%ω),节点ID集合则是根据节点位置信息是否在所划分的对应区域内来确定,紧接着将包含区域号、区域节点ID集合内容、通信信道数等字段的信息帧通过主Sink节点向下层广播,下层节点解析信息帧得到相应信息。
下面是节点解析信息帧及路由表建立过程。设普通节点的区域号初始值均为null,节点接收信息帧后进行解析建立ω级上行路由表过程如表1(下行表建立过程类似):
建立ω级路由表后可保证在网络出现断层时,采用信道调整机制将断层与其他层进行连接,达到快速、完整传输数据的目的,体现在本地节点传输数据时的信道调整算法如表2。
4 总结
本文将无线传感器网络用于输电线路绝缘子泄漏电流监测与预警系统。利用传感器网络具有多跳、无主站的优点,结合输电系统的特点,提出了长链树状网络结构,设计和实现了传感器节点;实现了基于压缩传感理论的绝缘子泄漏电流信号压缩;针对无线传感器网络的近汇聚节点处易形成“漏斗”等问题,构建了多模层次负载平衡网络。
将传感器网络应用于输电线路监测具有优势,然而又面临诸多困难,仍有些技术问题待研究,主要包括传输带宽、传输距离、节点供电、电磁兼容、网络安全等。
摘要：将无线传感器网络用于输电线路绝缘子泄漏电流监测与预警系统,分析了其技术特点及系统构成,设计和实现了监测系统中各个组成部分的软、硬件。结合输电线路的结构、布局及监测参数等特点,设计了长链树状无线传感器网络的拓扑结构。针对传感器网络数据传输中的漏斗效应问题,实现了多模层次无线传感器网络构建。解决了输电线路绝缘子泄漏电流在线监测数据传输中的一些关键问题,如利用邻近网络Sink节点进行信道调整的联合传输模型解决网络瓶颈问题等。无线传感器网络的优良特性使及时、准确、低成本的输电线路监测成为可能。
关键词：无线传感器网络,输电线路,绝缘子泄漏电流,多模网
参考文献
[1]关至成.绝缘子及输变电设备外绝缘[M].北京:清华大学出版社,2006.GUAN Zhi-cheng.Insulator and transformation equipment outer insulation[M].Beijing:Tsinghua University Press,2006.
[2]李强,王银乐.高压输电线路的故障测距方法[J].电力系统保护与控制,2009,37(23):192-197.LI Qiang,WANG Yin-le.Fault location methods for high voltage power transmission lines[J].Power System Protection and Control,2009,37(23):192-197.
[3]周兴韬,王玮,倪平浩,等.高压绝缘子污秽泄漏电流采集装置的设计与实现[J].电力系统保护与控制,2010,38(6):100-103.ZHOU Xing-tao,WANG Wei,NI Ping-hao,et al.Design and implementation of a device for acquiring leakage current on polluted high voltage insulator[J].Power System Protection and Control,2010,38(6):100-103.
[4]陆佳政,张红先,方针,等.湖南电力系统冰灾监测结果及其分析[J].电力系统保护与控制,2009,37(12):99-105.LU Jia-zheng,ZHANG Hong-xian,FANG Zhen,et al.Result and its analysis of ice disaster monitoring of Hunan power system[J].Power System Protection and Control,2009,37(12):99-105.
[5]邓正龙,齐蓉,谢利理,等.污秽绝缘子泄漏电流智能采集系统[J].浙江电力,2004(6):10-12.DENG Zheng-long,QI Rong,XIE Li-li,et al.Leakage current intelligent collection system for flashover insulation[J].Zhejiang Electric Power,2004(6):10-12.
[6]肖立.输电线路绝缘子泄漏电流在线监测的信号数据采集及分析方法研究[D].重庆:重庆大学,2005.XIAO Li.Study on data acquisition and analysis of insulator leakage current online monitoring system of overhead line[D].Chongqing:Chongqing University,2005.
[7]A de la,Gorur R S.Flashover of contaminated nonceramic outdoor insulators in a wet atmosphere[J].IEEE Transaction on Dielectries and Electrical Insulation,1998,5(6):814-823.
[8]黄新波,刘家冰,王向利,等.基于GPRS网络的输电线路绝缘子污秽在线遥测系统[J].电力系统自动化,2004,28(21):92-96.HUANG Xin-bo,LIU Jia-bing,WANG Xiang-li,et al.On-line remote-monitoring system for transmission line insulator contamination based on the GPRS net[J].Automation of Electric Power Systems,2004,28(21):92-96.
[9]王建明.发射功率可变的无线传感器网络能量级别选取[J].计算机工程,2009,35(13):108-110.WANG Jian-ming.Energy level selection for wireless sensor network with variable transmit power[J].Computer Engineering,2009,35(13):108-110.
[10]张重庆,李明禄,伍民友.数据收集传感器网络的负载平衡网络构建方法[J].软件学报,2007,18(5):1110-1121.ZHANG Chong-qing,LI Ming-lu,WU Min-you.An approach for constructing load-balancing networks for data gathering wireless sensor networks[J].Journal of Software,2007,18(5):1110-1121.