基于無源無線智能型避雷器在線監測器研究及應用

廣東電網有限責任公司陽江供電局 張 強 袁世男 付晴晴

1 MOA在線監測原理及技術分析

1.1 氧化鋅避雷器機理

在持續運行電壓下，正常MOA 的內部持續電流中以基波為主，包含容性成分和阻性成分，主要為基波成分，除含有基波成分外還含有豐富的諧波成分，這是由MOA 的非線性特性造成的。在正常狀態下MOA 阻性電流遠小于容性電流，根據在相位上的特點，在峰值點處正好過零點，因此全電流中該點的值即為阻性電流的峰值。由于和該項電壓同相位，因此只要引入該項PT電壓信號即可確定峰值點，從而實現精確測量分量。同理，采用PT 電壓信號同時可以精確測量分量[1]。

由于MOA運行過程中周圍電磁干擾的影響，特別是鄰相的干擾較為嚴重，使得在本相的阻性電流的相位發生偏移。對比分析理想狀態下、僅考慮本組鄰相干擾和非本組鄰相干擾引起的MOA泄露電流的等效電流和向量分析圖可知：在MOA實際運行時，對于周圍存在本組和非本組帶電設備運行時，對MOA的持續電流耦合干擾比理想情況下更為復雜，在這種情況下所測量得到的三相MOA持續電流無論在幅值上還是在相位上都產生復雜變化，此時即使引入母線電壓信號也難以正確測量出其阻性電流。

本項目采用數字化監測技術對站內MOA實現在線實時監測，并將監測后的數字信號以無線方式傳送給數據采集終端，終端對采集來的數字信號和同步送來的母線電壓信號進行數字信號分析和處理，采用智能處理算法對MOA的運行狀態進行準確判斷，實現對MOA運行狀態的實時正確監測，該方法基于母線電壓信號的補償法實時解算MOA運行過程中的阻性電流。為消除周圍復雜電磁環境對阻性電流測量精度的影響，本項目研究并開發智能補償算法，從已被干擾的阻性電流中提取出正確的阻性分量，以實現對MOA運行狀態的準確判斷，真正實現MOA故障的早期檢測[2]。

1.2 氧化鋅避雷器的傳統測量方法

目前國外對避雷器在線監測采用雙AT法和基于溫度的測量方法[1]。雙AT法仍是監測MOA的泄露電流，一個是AT傳感器采樣正常電流、另一個AT傳感器測量在過電壓情況下沖擊大電流的峰值并記錄MOA動作次數,并根據2.5和20kA的參考電流值來區分MOA動作原因(如區分雷擊或操作過電壓等)。信號經A/D轉換后進行數字信號處理,用光纖所取電壓信號來判斷電網諧波對測量泄漏電流阻性分量的影響。為了區別泄漏電流的增大是否為溫度引起,設置了一個溫度傳感器取MOA附近環境溫度。雙AT法依靠強大的支持軟件來實現在線監測功能，同時考慮了來自電網的諧波和溫度的影響，實現功能較強大但經濟性不夠好，高壓MOA長期穩定性還有待時間檢驗。

德國開發了聲表面波(SAW)溫度傳感器,該傳感器無需電源,由振蕩器發出高頻信號(頻率30MHz～3GHz),再由放在閥片間的SAW傳感器接收該信號,并反射出帶有溫度信息的信號,由現場接收裝置收集該高頻信號,經數字信號處理,參照環境溫度后得到相關溫度信號波形，用來測量MOA工作時產生的溫度，在MOA老化和受潮時溫度會逐步上升，用來反應MOA的運行狀況。該方式對正在制造并準備安裝的MOA很有用途，但對已投入運行的MOA無法使用。

目前國內也有不少廠家已開始開發并使用避雷器在線監測系統，一般是采用全電流法和母線電壓補償法。采用全電流法是在原來在線監測器的基礎上將全電流信號采集處理，通過全電流的大小的變化來監測MOA的運行狀態。這種測量方式對于受潮劣化的MOA的狀態監測較為實用，但對由老化引起的MOA狀態變化、特別是早期的故障監測不靈敏，造成只有在故障非常嚴重時才能在全電流中反應出來。

為此，不少廠家開發了采用母線電壓作為參考信號求取阻性電流分量的方式進行MOA狀態的在線監測，這種方法雖可對MOA受潮和老化引起的狀態變化進行監測，但由于在實際運行過程中周圍復雜的電磁環境，特別是附近帶電高壓設備的耦合干擾影響，使得以母線電壓為參考信號的阻性電流測量值不能正確反映實際的MOA阻性電流的變化情況，容易對MOA的運行狀態造成誤判斷，不能有效實現MOA運行狀態的準確監測。

2 變電站避雷器無源無線智能型在線監測性能研究[2]

對避雷器運行時的所有參數進行實時在線數字化采集。氧化鋅避雷器瓷套內部泄漏電流及其阻性分量、瓷套外部泄漏電流、避雷器過電壓動作次數等運行參數均由該裝置同時實時就地數字化采集，實現了對避雷器全運行參數的數字化監測；對MOA數字化后的信息進行全數字濾波處理。基于先進的處理器芯片和算法，對MOA運行參數中的強干擾信號進行數字濾波，還原被干擾淹沒的MOA運行數據，克服常規濾波器在濾除干擾時不能完全復現原始實際信號的缺點；自動組建避雷器運行狀態知識庫，自主完善預測數學模型。通過實時采集避雷器的運行參數，采用智能算法組建避雷器運行知識庫，基于知識庫和實時信息的反饋，自主完善和修改MOA運行狀態的預測模型，作為避雷器運行狀態判斷的依據。

對避雷器運行狀態進行智能判斷。基于對避雷器運行參數的監測信息，特別是阻性分量的監測信息，并基于自動組建的知識庫信息，采用歷史數據、同類設備相似數據以及縱向橫向對比等智能復合判斷算法，可準確可靠地對避雷器的運行狀態進行智能判斷；充分利用避雷器的泄露電流提供能源。徹底避免了采用電池供電需要更換電池及外部供電方式引起的使用上的維護問題。此外，該無線監測器能夠自動記錄并存儲避雷器初始運行時的持續電流、永不丟失，方便對比避雷器運行過程中持續電流的變化量，實現自動對避雷器運行狀態的準確判斷。

3 無源無線智能型變電站避雷器在線監測技術難點

強干擾環境下MOA微弱持續電流信號檢測與數字化采集和遠距離傳送。由于MOA的非線性特性，在正常運行電壓下其泄露電流一般是微安級別，即使是500kV的MOA泄露電流也不到2mA。而避雷器周圍及本身都是高電壓大電流強電磁場環境，對該強干擾環境下的微弱小電流信號的檢測和提取，是對MOA進行智能在線監測首先需解決的問題。

避雷器動作次數的準確檢測和可靠保護。避雷器在發生系統過電壓或雷電作用時需瞬時通過大電流，該電流根據來源不同變化范圍很大，從數安培到數千安培不等，且該電流的發生時間和大小都是隨機的，因此需隨時正確監測避雷器的動作次數，并在監測的同時不會對監測電路和單元造成損害，這也是避雷器正常工作須監測的項目和內容，需監測單元既能具有寬的監測范圍和高的靈敏度，又具有強大的抗大電流沖擊能力，確保在實現正確監測動作次數的同時本身能夠安全工作、不受損害，這也是在MOA在線監測中需要面臨和必須解決的難題。

避雷器運行狀態的智能準確判斷。對強干擾環境下監測到的MOA的微弱持續電流信號，含有鄰相及周圍高電壓大電流電磁場環境耦合進來的復雜的干擾，即使借助于母線電壓信號也難以分離出正確的阻性電流分量。因此需針對該種信號展開深入研究，開發人工智能算法，從強干擾背景下的微弱信號中提取出正確的阻性分量，以實現對避雷器運行狀態的準確判斷，這是本項目研究需要解決的關鍵問題和難點。

結論：無線傳輸信號符合電網《電力設備傳感器微功率無線接入網通信協議》要求，無需現場任何改動即可實現傳統避雷器在線監測器直接升級替換為泛在電力物聯網無線智能傳感器，既兼容了傳統在線監測器全部功能，又滿足了泛在電力物聯網的無線遠傳要求，現場應用前景廣闊。