摘  要：针对高压绝缘子污闪事故频繁发生，给电力系统造成巨大损失的状况，本文提出了一种基于BP神经网络的绝缘子污秽度在线检测系统，通过对绝缘子的表面泄漏电流采样、数据处理及样本训练后，仿真效果表明，该神经网络系统能达到在线检测绝缘子污秽度的要求。

关键词：绝缘子;污秽度;BP神经网络

中图分类号：TM216;TP183       文献标识码：A 文章编号：2096-4706（2019）21-0038-03

Abstract：In view of the frequent occurrence of pollution flashover accidents of high-voltage insulator，which causes huge losses to the power system. In this paper，an online detection system of insulator contamination based on BP neural network is proposed. After the sampling，data processing and sample training of insulator surface leakage current，the simulation results show that the neural network system can meet the requirements of online detection of insulator contamination.

Keywords：insulator;contamination;BP neural network

0  引  言

目前，我国电力系统污闪事故数量巨大，仅次于雷击事故数量，且污闪事故造成的直接损失是雷击损失的10倍以上[1]。因此，开发一套高效的绝缘子污秽度在线检系测统是十分必要的。有了在线检测系统，能够准确划分污区，并确定清扫周期[2]。

本文开发了一种对高压绝缘子污秽度在线检测的BP神经网络系统，首先用电感流传器对绝缘子的表面泄漏电流采样，经过滤波限幅、消谐及远程参数设定等数据处理后，用数据对BP神经网络样本训练。仿真效果在一定误差范围内与盐灰密度法的实验结果基本符合，证明该神经网络系统能达到在线检测绝缘子污秽度的要求。

1  表面泄漏电流的采样及数据处理

1.1  采样系统

本文对表面泄漏电流采样的系统如图1所示[3]。

在图1中，电感流传器装在绝缘子的最后一片上，初始信号经电感流传器输入检测仪及程控增益处进行滤波限幅，接着进行谐波治理环节，之后将数额输入MCU，结合环境温度、湿度等进行远程参数设定。

1.2  数据处理

1.2.1  滤波限幅、放大

本文对初始泄漏电流进行滤波后，对泄漏电流的峰值、峰值平均值及脉冲数等数据由多路复用器和程控增益放大器限幅放大。

1.2.2  谐波治理

因为传感器处于高电压与高磁场中，初始的泄漏电流信号中存在谐波成分，只有消除谐波成分，才能得到合理的数据，提高系统的运行速度。

本文消除谐波的核心部件是积分滤波器，以消除谐波的主要部分即3次谐波和相应的间谐波，积分滤波器输出K个采样值，相加形成的积分区间长度为谐波的周期或整数倍，谐波积分的结果就是负半波所围面积与之相消[4]，从而消去谐波。

1.2.3  远程参数设定及数据打包

初始泄漏电流的峰值、峰值平均值及脉冲数等数据限幅放大之后，与温度、湿度等环境参数打包存储，由计算机综合分析，估算绝缘子污秽状况，最后输入BP神经网络进行样本训练。

2  检测绝缘子污秽度的BP神经网络模型

2.1  BP神经网络的结构

如图2所示，本文设计的BP神经网络共有3层：一个输入层，一个输出层，一个隐层。本文设计的BP神经网络中，输入层传递函数采用的是S型对数函数，一个隐层传递函数采用的是S型正切函数，输出层有一个神经元，输出量为绝缘子的污秽等级和仿真盐灰密度值[5]。

图2中，输入层的输入数据分两类，一类是环境参数（温度、湿度及覆冰厚度等，样本训练时还有样本盐灰密度值），可视当地环境略去某个参数;另一类是泄漏电流参数，主要为泄漏电流的峰值、峰值平均值及二者的标准差、脉冲数等。

泄漏电流参数主要满足以下关系：

式（1）（2）（3）中， 为泄漏电流的平均值，Im为泄漏电流的峰值，δ为标准差。三个参数可以全面地反映绝缘子污秽度，文献[6]指出，以XP-70型绝缘子为例，三者的关系为：

在本文中，为了将仿真效果与盐灰密度值法相比较，把环境参数和样本盐灰密度值归一化，输入BP神经网络，作为训练样本参量。具体的归一化公式如下：

2.2  BP神经网络的算法

2.2.1  BP神经网络的初始化

随机给权值wij和阈值θ一个初值，设定误差e=0.01，训练精度ε=0.000291，学习次数为3000，每隔25步显示一下结果[7]。

2.2.2  预处理输入值

归一化环境参数和样本盐灰密度值，提供训练样本参量，设定目标输出值为绝缘子污秽度等级和仿真盐灰密度值。

2.2.3  各层输出值

式（8）为泄漏电流输出值，式（9）為式（8）中参数的迭代式：

2.2.4  计算各层的学习误差

各层的学习误差按下式计算：

2.2.5  权值和阈值的学习速率

神经网络权值的计算式如式（12）：

2.2.6  样本训练

计算各层的权值后，由误差e和训练精度ε来判断是否满足要求，误差e≤0.01及训练精度ε≤0.000291时，满足要求，样本训练结束;否则，返回前面继续样本训练。

3  仿真及效果

本文对运城市部分电力线路做了关于环境参数和泄漏电流参数的数据采样，结合这些线路2013年度的盐灰密度值，进行了样本训练和数据仿真，将BP神经网络的样本训练和数据仿真结果与电力部门按照盐灰密度值法划分的绝缘子污秽度等级做了误差分析[8]。具体内容如下。

3.1  运城市部分电力线路的盐灰密度实验数据

表1为运城市盐湖区部分电力线路的盐灰密度实验数据，包含盐灰密度值及划分的绝缘子污秽度等级。

3.2  样本训练和数据仿真结果

3.2.1  样本训练结果

以表1前5行运城市盐湖区部分电力线路盐灰密度实验数据为训练样本，表2为本文设计的BP神经网络的样本训练结果，包含盐密度值及划分的绝缘子污秽度等级。

3.2.2  数据仿真结果

以表1后5行的运城市部分电力线路对应杆号为对象，采集了它们的泄漏电流数据及环境数据后，用本文设计的BP神经网络对这些数据进行了仿真，表3为本文BP神经网络的数据仿真结果，包含盐密度值及划分的绝缘子污秽度等级。

由表2的神经网络样本训练结果及表3的神经网络数据仿真结果可知，本文设计的BP神经网络无论是样本训练还是数据仿真，效果高度接近运城市部分电力线路盐灰密度实验数据，最大误差仅在3.5%左右。仿真效果表明：本文设计的BP神经网络是可行的，基本上能达到监测绝缘子污秽度的实用要求。

4  结  论

本文针对绝缘子污秽度在线监测问题，开发了一套基于BP神经网络的绝缘子污秽度在线监测系统，结合运城市部分电力线路的盐灰密度实验数据，对该BP神经网络系统进行了仿真实验，经样本训练后，BP神经网络系统输出的仿真效果表明，在一定的误差范围内，本文的BP神经网络系统是可行的，基本上能达到对绝缘子污秽度实时监测的要求。

参考文献：

[1] 清華大学，西安交通大学.高电压绝缘 [M].北京：电力工业出版社，1980.

[2] 蔡伟，李敏，杨颜红.污秽绝缘子在线监测系统的设计与实现 [J].电力系统自动化，2002（17）：45-48+53.

[3] 仝卫国，于浩进，张秋实.基于神经网络的绝缘子故障诊断 [J].计算机仿真，2013，30（9）：310-313.

[4] 张强，王维庆，李长凯.针对乌市高压绝缘子在线监测信号中谐波处理 [J].新疆大学学报（自然科学版），2011，28（1）：105-111.

[5] 吴晓立，戴冲，姜向东.LabVIEW在绝缘子漏电流检测中的应用 [J].现代电子技术，2007（18）：16-18.

[6] 李璟延，司马文霞，孙才新，等.绝缘子污秽度预测特征量提取与神经网络模型 [J].电力系统自动化，2008（15）：84-88.

[7] 杨庆，司马文霞，蒋兴良，等.复杂环境条件下绝缘子闪络电压预测神经网络模型的建立及应用 [J].中国电机工程学报，2005（13）：155-159.

[8] 盛仲飙.BP神经网络在数据预测中的应用 [J].软件导刊，2016，15（1）：147-148.

作者简介：叶永卫（1977-），男，汉族，山西闻喜人，讲师，本科，研究方向：电工与电器教学及科学研究。