普子恒，彭 朕，方春华，郑 雷，罗 浩，殷鹏翔

(1.三峡大学电气与新能源学院，湖北 宜昌 443002；2.湖北省输电线路工程技术研究中心，湖北 宜昌443002；3.国网电力科学研究院武汉南瑞有限责任公司，武汉 430074；4.电网雷击风险预防湖北省重点实验室，武汉 430074)

0 引 言

近几年，我国500 kV交流输电线路越来越多，对其线路上的绝缘子定期检测、及时更换劣化绝缘子是保障输电线路稳定工作的有效方法[1-4]。常见的绝缘子有瓷、玻璃和复合绝缘子3种，其中瓷绝缘子检测通常采用测量分布电压进行劣化判定，但实际检测时不同场景下绝缘子串正常情况时的分布电压存在较大差异，故仅用现有DL/T 487标准分布电压对所有场景下的绝缘子进行劣化判定时容易造成误判[5-9]。随着智能运维设备的发展，为降低人工检测的工作量以及提高检测效率，国内外对绝缘子检测机器人进行了相关研究，这些检测机器人为获取多场景下500 kV交流瓷绝缘子串的分布电压数据提供了途径[10-13]。目前，国内外对劣化绝缘子检测方式分为接触式和非接触式检测，两种方法通过研究均表明外界环境、绝缘子串结构等均对绝缘子串的分布电压造成较大影响[14-18]。文献[19]证明绝缘子串中绝缘子片数不同会使得其分布电压也不同；文献[20]指出通过Maxwell电容矩阵验证了杂散电容会对劣化绝缘子的判定造成误判；文献[21]研究表明“分布电压低于标准电压50%”判定为劣化绝缘子容易造成误判，绝缘电压低于500 MΩ与分布电压低于50%没有直接对应关系；文献[22]证明均压环是影响绝缘子串分布电压的重要因素。在实际检测中，海拔、空气湿度、污秽等外界环境对绝缘子串的分布电压的检测也会造成影响[23-25]。由于外界环境多变，在仿真中不易实现，本研究重点考虑因素为塔型、相位、绝缘子片数、均压环。对于故障分类，国内外研究学者支持向量机进行深入研究，该模型具有对故障样本需求小的特性，在其他故障判定中应用较为广泛，但目前暂时未在劣化绝缘子判定中应用[26]。文献[27] 介绍了多种支持向量机在电力系统故障识别中的应用；文献[28]证明通过训练后的支持向量机可以准确的对线路故障进行分类，提高故障判定的准确性。上述文献研究重点在污秽、空气湿度、海拔等外界环境对绝缘子串分布电压的影响，这些研究也进一步证明了这些因素使绝缘子串正常状态下的分布电压存在差异，无法使用同一标准电压对所有场景下的绝缘子进行劣化判定。

为准确判定劣化绝缘子，笔者进行了基于大数据分类与SVDD模型的多场景下500 kV交流瓷绝缘子劣化判定的研究。首先在有限元软件中建立500 kV绝缘子串多场景下分布电压仿真计算模型，分析不同场景下绝缘子串在不同状态时分布电压差异确定主要影响因素；然后建立基于大数据分类与SVDD模型的多场景下500 kV劣化绝缘子判定模型，利用仿真数据对模型进行训练和测试。

1 计算模型

1.1 整体塔线模型

根据特高压交流试验示范工程的参数设置，建立500 kV交流瓷绝缘子有限元模型，包含杆塔、绝缘子串、均压环、导线和金具等[29]。经过仿真分析，可以用不镂空的塔窗代替杆塔，其他部分使用简化模型；为减小计算误差建立单相完整的绝缘子串，其余两相仅建立导线。绝缘子相关参数：型号为U210b型，盘径为280 mm，高度为160 mm，共29片。杆塔选取常见的3种基本塔型：猫头塔、酒杯塔、干字耐张塔，仿真模型见图1。

图1 仿真计算模型Fig.1 Simulation compute model

1.2 模型的参数设置与加载

2 绝缘子串电压分布影响因素分析

根据仿真结果可知，地形、坡度对500 kV瓷绝缘子串单片伞裙所承担的电压最大差异仅0.26%，故在后续分析中仅建立简单的地形模型。在实际检测中，存在较多因素影响绝缘子串分布电压，例如塔型、绝缘子片数、污秽、空气湿度等，本研究选取塔型、绝缘子所在相位、绝缘子片数、均压环、劣化绝缘子5个方面进行重点研究。

2.1 塔型对绝缘子串电压分布的影响

在满足相关安全要求的情况下，构建不同塔型下500 kV交流瓷绝缘子串有限元模型，通过仿真计算出3种基本塔型下绝缘子分布电压，不同塔型下边相绝缘子电压分布曲线见图2。

图2 不同塔型下边相绝缘子串电压分布曲线Fig.2 Voltage distribution curves of insulator strings under different tower types

由图2可知，塔型对绝缘子的杆塔侧影响较大。猫头塔边相绝缘子伞裙所承担的电压和酒杯塔最大差异为84.25%；和干字塔最大差异为64.17%；对中相进行分析，猫头塔和酒杯塔最大差异129%。

对同种塔型下不同相位绝缘子串的分布电压进行分析，同种塔型下三相分布电压存在明显差异。以酒杯塔为例，两相电压最大差异为10.10%，酒杯塔三相电压分布曲线见图3。

图3 同塔型下三相绝缘子串电压分布曲线Fig.3 Voltage distribution curve of three-phase insulator string in the same tower type

2.2 均压环对绝缘子串电压分布的影响

在输电线路中，均压环的参数在不同工况下也有所不同，分别对不同均压环设置下的500 kV绝缘子的分布电压进行仿真计算。仿真结果表明，在3种典型的均压环参数设置情况下分布电压有所不同，其中高压侧分布电压差异明显，最大差异为10.38%，3种典型均压环参数设置下绝缘子串分布电压曲线见图4。

图4 均压环对绝缘子串电压分布的影响Fig.4 Influence of voltage equalizing ring on voltage distribution of insulator string

2.3 绝缘子片数对电压分布的影响

500 kV交流绝缘子串设计中，会根据实际工况改变绝缘子片数，对不同绝缘子片数进行仿真计算。仿真表明，绝缘子片数对分布电压影响较大，其中高压端单片绝缘子伞裙的电压分布存在明显差异，最大相差71.9%，电压分布曲线见图5。

图5 不同绝缘子片数对电压分布的影响Fig.5 Influence of the number of insulators on voltage distribution

2.4 劣化绝缘子的影响分析

根据DL/T 626的相关规定，500 kV电压等级下绝缘电阻在表面干燥的情况下低于500 MΩ的绝缘子判定为劣化绝缘子[31]。在实际绝缘子检测过程中，零值绝缘子所承担的电压值为零，可以直接判断绝缘子为劣化绝缘子，本研究重点对单片低值绝缘子作为劣化情况进行仿真计算。

为研究劣化绝缘子对分布电压的影响，分别在低值绝缘子的绝缘电阻依次为500 MΩ～10 MΩ时进行仿真计算。仿真结果表明，当绝缘电阻≥150 MΩ以上时，绝缘子的分布电压变化小于8.5%，分布电压曲线变化不明显；当绝缘电阻<150 MΩ时，分布电压曲线明显改变。以酒杯塔29片绝缘子串中的第2片、第15片、第27片绝缘子在不同阻值时分布电压计算结果为例，电压分布曲线见图6。

图6 酒杯塔绝缘子不同阻值时绝缘子的电压分布Fig.6 Voltagedistribut ion of insulator in Jiubei tower under different resistance values

2.5 仿真结果分析

根据2.1至2.4仿真结果可知：

1)通过仿真分析，塔型、相位、绝缘子片数、均压环是绝缘子串分布电压的重要影响因素，这些因素使得绝缘子串在不同场景下的正常分布电压不相同，使用同一标准无法对所有场景下劣化绝缘子进行判定。

2)在同一场景下，绝缘子串上不同位置的劣化绝缘子在不同绝缘电阻时分布电压变化幅度有所差异，不能单一的通过分布电压变化幅度对绝缘子进行劣化判定，可利用大数据分析对劣化绝缘子进行智能判定，提高判定的准确度。

3 劣化绝缘子的判定

3.1 多场景分类和劣化判定的模型建立

前述仿真表明，500 kV交流瓷绝缘子串在不同塔型、相位等工况下时正常分布电压存在明显差异，其中塔型、相位、绝缘子片数、均压环是绝缘子分布电压的重要影响因素，同时在实际测量中，测量结果也会受到外界环境如污秽等级、空气湿度等因素的影响，为此考虑首先对测量数据进行场景分类，然后在不同分类情况下进行劣化绝缘子判定。本文基于大数据分类对各种绝缘子串正常状态下分布电压数据进行多场景分类，确定唯一场景后选取SVDD模型进行劣化判定。绝缘子劣化判定技术路线见图7。

图7 绝缘子劣化判定技术路线Fig.7 Technical route for judging insulator deterioration

在人工条件下大量测量数据的分类处理较为繁琐，随着智能巡检设备的开发与应用，大量数据的获取和分类处理可方便快捷的实现，如文献[12]中的巡检机器人，可以将杆塔、绝缘子串、金具和所处区域污秽等级等基本台账信息直接导入，同时检测时可以将实时测量环境信息、实时录入数据库并与历史数据库对比。根据仿真分析和实测经验，选取多场景分类的主要变量参数见表1。多场景分类的实质是k分类问题，首先将k类样本数据两两组合，建立k(k-1)/2个二分类模型[27]。通过寻找任意两个样本之间最小间隔类别，以此作为下一个流程的根节点训练样本，对结点进行拉格朗日运算，建立决策流程对所有的样本进行重新排列并进行分层次划分类别，此种决策流程可以精准的将测量数据找到对应的划分类别中。基于前述仿真，对绝缘子串分布电压影响最大的因素有塔型、相位、绝缘子片数、均压环，本研究选取了3种典型塔型、交流三相电压、3种500 kV常见绝缘子片数以及3种典型均压环进行设置，共81种场景。在实际应用中还存在多种未知场景对绝缘子串分布电压存在影响，因此场景分类情况后续可以根据实际情况进行添加。

表1 多场景分类变量参数Table 1 Multi scene classification variable parameters

在对数据分类后进一步对劣化绝缘子进行判定，未获得足够测量数据之前初始判定曲线首先可采用先将仿真得到的分布电压数据，后续可以通过绝缘子检测机器人获取更多不同工况下绝缘子串分布电压数据。在劣化判定时选取SVDD模型，该模型优势是在样本数据有限且可能存在部分劣化没有历史数据的情况下，该模型可以充分考虑未知劣化类型对划分的影响，提高绝缘子劣化检测的准确性[27]。建立的数据库，对500 kV交流绝缘子串进行检测时，通过输入检测场景的相关参数，调出相应场景下分布电压的数据库，对SVDD模型进行训练，训练完成后的模型对劣化绝缘子进行判定时。

SVDD模型基本原理如下，样本空间分布见图8。

图8 SVDD的样本空间分布Fig.8 Sample space distribution of SVDD

设训练样本集为

(1)

其中包含正常绝缘子数据N和k种类别的劣化绝缘子样本数据集Si，在劣化绝缘子检测时，针对Si构建超球：

Ωi=(ai,R1)

(2)

给定测量样本z，针对超球Ωi=(ai,Ri)，i=1,2,3,….,k给出评判函数值为

(3)

则样本z的初步诊断决策值为

(4)

3.2 模型训练及判定结果分析

目前检测数据有限，首选基于大量仿真数据对劣化绝缘子判定模型进行测试验证。基于前文分析，选取塔型、相位、绝缘子片数、均压环作为分类变量进行多场景分类并建立相关场景下500 kV绝缘子串分布电压的数据库。通过预设调取相应场景的数据库后，对SVDD模型进行判定训练。前文仿真结果表明，塔型、绝缘子串片数对分布电压影响较大，此处重点基于这两类因素，利用9种场景下500 kV交流瓷绝缘子串分布电压仿真数据进行模型训练。训练样本包含各种场景下绝缘子串正常及劣化状态时绝缘子的分布电压，将正常状态下的绝缘子绝缘电阻设为500 MΩ，劣化绝缘子绝缘电阻分别设为400 MΩ、300 MΩ、200 MΩ、100 MΩ、50 MΩ，故每种塔型下绝缘子片数为29片、30片、31片时分别进行146次、151次、156次训练。

对9种场景下的SVDD模型依次进行训练后，分别选取相应场景下任意位置、阻值的低值绝缘子分布电压对判定模型进行50次测试。以酒杯塔29片绝缘子为例，其他场景下采用同样的测试流程：将绝缘子从高压端开始依次编号1～29，先通过随机函数在0～500 MΩ中随机选取50个电阻值作为劣化绝缘子电阻，再通过随机函数在1～29中随机选取50次整数，将两次随机选取随机一一对应确定50组劣化绝缘子的阻值及位置，仿真计算出对应50组劣化绝缘子的分布电压值作为检测样本对模型进行检测，各场景下测试结果见表2。

表2 测试样本正确率Table 2 Test sample accuracy

从表2可以看出，9种场景下的模型分别进行50次检测，在酒杯塔31片、干字塔29片时出现最高误判次数2次，正确率为96%。误判主要出现在各场景的低压端及绝缘电阻大于300 MΩ的时候，进一步分析误判产生的原因可能是由于低压侧电压分布差异较小，低值绝缘子阻值大于300 MΩ时分布电压变化不大。但当绝缘电阻<300 MΩ时，该模型可以准确判定。

检测结果表明，此判定模型在对500 kV交流瓷绝缘子串分布电压进行多场景分类后再进行劣化判定，劣化绝缘子判定正确率可以达到96%以上，可用于500 kV劣化绝缘子的判定，但300 MΩ以上的低值绝缘子由于分布电压变化较小，容易造成误判，需进一步研究该部分低值检测方法。

4 结 论

1)根据仿真可知，多场景下500 kV交流绝缘子串正常情况下电压分布情况存在较大差异，因此仅用现有的标准电压判断所有情况下的绝缘子状态容易造成误判。

2)同一场景下的500 kV交流绝缘子串当改变绝缘电阻时分布电压存在一定差异，当绝缘电阻≥150 MΩ时，分布电压差异小于8.5%；当绝缘电阻<150 MΩ时，电压分布曲线变化明显。

3)通过建立500 kV交流瓷绝缘子串在不同场景下分布电压的数据库，在检测时通过输入对应场景后调出相应历史数据库，采用SVDD模型对劣化绝缘子进行判断，该模型可以实现劣化绝缘子的检测，判定准确性可达到96%以上。