基于BP神經網絡的SPD運行狀態分類研究

張峻

摘 要：SPD一般為在線工作，受外界大氣環境和過電壓等因素影響會逐漸發生老化、劣化現象，最后徹底喪失保護作用。電力部門對SPD的周期性斷電故障檢測工作不僅費時費力，還會因斷電檢測而造成一定的經濟損失。因此，對SPD在線監測診斷顯得尤為必要。本文提出基于BP神經網絡對SPD的運行狀態進行在線監測的技術。將處于不同運行狀態的SPD作為實驗樣本，通過FFT提取其泄漏電流中的阻性電流特征值作為BP神經網絡的輸入，并將SPD不同的運行狀態作為網絡輸出進行訓練。結果顯示，本文所提出的技術對SPD運行狀態的分類識別正確率超過96%，表明了此項技術對SPD的在線監測的有效性。

關鍵詞：SPD；BP神經網絡；在線監測

中圖分類號：TG146 文獻標識碼：A 文章編號：1671-2064（2017）10-0064-02

如今，大部分的金屬氧化物避雷器（SPD）監測技術是基于漏電流的阻性和容性分量。但是，提取漏電流的阻性和容性分量的過程會有很多技術上的限制，并且提取的阻性電流峰值存在一定誤差[1]。本文提出一種用于監測SPD運行狀態的新技術，該技術對總泄漏電流信號進行特征提取，并通過神經網絡對提取的特征參數進行分析，判斷SPD的運行狀態。

1 本文提出的新技術

1.1 SPD運行狀態分類監測新技術

本文提出的新的SPD監測技術可以通過從漏電流中提取的諧波分量來鑒別SPD的運行狀態。本文提出的監測技術無需測電壓，并且避免了傳統方法將漏電流分解成阻性電流和容性電流過程中出現的誤差[1]。圖1是本文所提出SPD運行狀態的模式識別技術的流程圖。

首先從SPD中獲得泄漏電流信號。然后從SPD的漏電流信號中提取諧波分量，并利用諧波分量來建立特征量數據庫。特征量數據庫將諧波成分與SPD的運行狀態聯系在一起。接下來，利用BP神經網絡對SPD運行狀態分類系統進行訓練，訓練完成后，進入測試階段，判斷SPD的運行狀態。

1.2 實驗方案與相關元件參數

本文對獲取SPD泄漏電流的實驗方案設計，如圖2所示。其中，R1是保護電阻，以防測試過程中發生短路電流，其大小為10KΩ。Rsh是分流電阻，大小為470Ω，作用是便于提取泄漏電流。電容分壓器C1、C2用于測量施加電壓。由電壓探針和數字示波器構成的數據采集器連接試驗樣本SPD，測量的電流信號存儲在計算機上。

本文所使用的SPD其內部結構可等效為圖3所示的IEEE推薦的模型。

2 泄漏電流特征提取

2.1 得到的泄漏電流波形

其中，Iref和Uref分別是參考電壓和參考電流，是SPD自身非線性特性決定的系數，與圖2中IEEE提供的SPD等效模型中非線性電阻A0和A1相關。SPD由于受到自然環境中的直擊雷、感應雷過電壓，電力系統操作過電壓，SPD表面污穢，受潮以及自然大氣環境的影響，導致避雷器非線性特性降低，使得阻性電流增大，由公式（2）可以計算出阻性電流。

阻性電流和施加在SPD兩端的電壓關系如圖6所示，圖中α表征SPD的老化程度，SPD老化程度越大，其值越小。即施加電壓相同時，老化程度越大的SPD阻性電流值增加越多。

2.2 泄漏電流的特征提取方法

本文采用提取信號特征電流的FFT算法，來進行阻性電流特征值的提取，并作為BP神經網絡的輸入層。圖7是FFT變換后100KVSPD各次阻性諧波電流占比。

為便于分析SPD的不同狀態，將不同狀態的SPD樣本設置不同的標簽。圖7中所示的阻性電流不同諧波次序對應的幅值作為特征量來輸入。將得到的所有樣本的阻性電流進行FFT變換后便可以得到所有樣本的特征值。

3 結語

本文提出了一種對SPD監測與診斷的新方法。該方法基于神經網絡對SPD泄漏電流進行分析，進而實現SPD在線監測與狀態分類。隨著所提出的技術，根據測量得到的電流信號，提取相關特征（諧波），并通過本文所提出的技術對這些SPD運行特征進行分類評估，從而達到在線監測的目的。這項技術對不同運行狀態的SPD正確識別率超過96%，表明其僅通過泄漏電流便可以實現對SPD運行狀態的監測并且具有高精度和正確。

參考文獻

[1]曹洪亮，楊仲江，等.金屬氧化物避雷器在線監測指標研究[J].中國電力，2015，48（8）：80-85.

[2]Zoran N.Stojanovic，Zlatan M.Stojkovic.Evaluation of MOSA condition using leakage current method.Int J Electr Power Syst，2013；52：87-95.

[3]楊仲江，張棖，柴健，等.氧化鋅壓敏電阻老化過程中非線性系數變化的研究[J].電子元件與材料，2011，30（9）：27-30.