基于改進神經網絡的電流互感器綜合狀態評估的研究

摘 要：針對電流互感器長期在惡劣工況下運行造成準確度退化以及故障問題，設計一種電子式電流互感器在線狀態綜合評估系統，通過神經網絡實現對互感器在線誤差預測與故障診斷。針對現有基于神經網絡的方法存在收斂速度慢、精度低等問題，提出一種基于改進的鯨魚優化神經網絡用于誤差預測與故障診斷。通過非線性收斂因子提高鯨魚優化的收斂速度；同時引入自適應慣性權重與模擬退火機制提高鯨魚優化算法精度，避免陷入局部最優。通過基準函數測試、算例分析驗證了方法有效性與可靠性。實驗證明：所設計的電流互感器在線狀態綜合評估系統能有效地對電流互感器進行誤差預測與故障診斷。

關鍵詞：互感器誤差預測；故障診斷;鯨魚優化算法；人工神經網絡

中圖分類號：TP306文獻標志碼：A文章編號：1671-5276（2024）03-0163-03

Research on Comprehensive State Assessment of Current Transformer Based on Improved Neural Network

Abstract：For the accuracy degradation and fault caused by long-term operation of current transformers under harsh operating conditions， an electronic current transformer online condition comprehensive evaluation system is proposed to achieve online error prediction and fault diagnosis of transformers based on neural networks. With regard to the slow convergence and low accuracy of existing neural network-based methods， a neural network based on improved whale optimization is put forward for error prediction and fault diagnosis. The convergence speed of whale optimization is accelerated by nonlinear convergence factor， and meanwhile， adaptive inertia weights and simulated annealing mechanism are introduced to improve the accuracy of the whale optimization algorithm and avoid falling into local optimal. Benchmark function test and case analysis are conducted to verify the validity and reliability of the method. The experiment proves that designed the online state comprehensive evaluation system of current transformer designed can effectively perform error prediction and fault diagnosis of current transformer.

Keywords：transformer error prediction; fault diagnosis; whale optimization algorithm; BP neural network

0 引言

電子式互感器由于在電能計量、繼在電保護等方面具有較強的穩定性以及可靠性得以智能變電站廣泛應用［1］。為了提高電流互感器故障診斷的準確度，減少電流互感器誤差超差運行時間，亟需一種可靠高效的電流互感器在線狀態綜合評估系統。

目前，互感器的誤差檢測包含離線測量［2］和在線檢測［3］。離線檢測是在互感器斷電后進行誤差檢測，有外推法、小信號測試法等。盡管離線測量具有簡單等優點，但由于許多互感器在線運行時無法停電，故這類方法具有局限性。將校驗裝置和互感器并網運行的在線檢測方法能夠克服這一缺陷。LI等［4］通過含有標準互感器的校驗裝置對電子式電流互感器實現電子式電流互感器的在線檢測。文獻［5］通過包含標準電容器的校驗裝置對電子式互感器進行在線檢測。

本文設計了一種電子式電流互感器的在線綜合評估系統，通過數據驅動方法對電子式電流互感器實現故障診斷與誤差預測。為了提高故障診斷準確性與誤差預測精度，進一步提出了一種基于改進鯨魚優化的神經網絡算法（IWOA-BP），克服了現有研究的缺陷。最后通過IWOA-BP建立電子式電流互感器在線狀態綜合評估模型，實現對電子式互感器的故障診斷以及誤差預測。通過基準函數測試、實例分析，驗證了文中方法的可行性與可靠性。

1 電流互感器在線綜合評估系統

如圖1所示，電流互感器的在線綜合評估系統由在線誤差評估以及故障診斷部分組成。通過數據處理單元將電流互感器中關鍵檢測點的電信號、負荷參量與環境參量上傳至服務器，經過信號降噪、特征提取、數據儲存后建立評估模型。當輸入信號通過交換機發送至服務器后，從算法庫中調取算法對輸入數據進行挖掘。電流互感器運行正常時通過顯示器向用戶顯示當前運行狀態。當數據出現異常時，根據電流互感器不同的故障類型，通過聲信號、光信號發出預警。

電子式電流互感器的誤差與諧波、振動、電場、磁場等諸多參量有關。溫度、磁場、負荷參量對其誤差影響較大。本文主要考慮溫度、磁場、負荷參量。

針對電子式電流互感器不同的故障以及特點，圖2展示了電子式電流互感器的故障檢測的原理圖。

圖2中，CT表示電流互感器，IA、IB、IC分別表示A、B、C三相電流，電壓Ua、 Uc以及電流Ia、Ic分別表示計量單元a、c的測量電壓與電流；CT1和CT2的二次側檢測電壓為ua、uc。當電流互感器CT短路時，通過施加1kHz激勵信號累計檢測多種信號從而檢測阻抗的變化。當電流互感器CT二次側短路時，由于網絡阻抗與負載變化相關，故需要檢測多個信息確定故障。

2 改進的鯨魚優化算法（IWOA）

1）非線性收斂因子

WOA算法中只有兩個主要的參數A和C。在保持基本WOA中收斂因子遞減的前提下，引入一種新的非線性收斂因子，公式如下：

a=1－cos［（1－t/MMax，iter）m×π］ （1）

式中：t是正在進行的迭代數；MMax，iter是設置的最大迭代數；m是非線性調整因子，可以控制收斂因子a的遞減程度。

2）自適應慣性權重

為了提高算法尋優性能，引入PSO算法中的慣性權重思想。通過引入一種新的非線性慣性權重來進一步提升WOA全局和局部的勘探性能，公式如下：

式中：n為0～1之間的任意值。在迭代后期進行一定的擾動使算法更容易跳出局部最優。因此，鯨魚算法的搜索表達式改為如下形式：

X（t+1）=w·Xbest （t）-A×D（3）

X（t+1）=D'×ebl×cos（2πl）+w·Xbest（t）（4）

式中：A為系統參數矩陣，是在-1～1之間的任意值；D是當前解X（t）和最優解Xbest（t）的距離，可以表示為D=|C×Xbest（t）-X（t）|;b是決定螺旋程度常數項，通常為1；l為-1～1之間的任意值。

3）模擬退火算法

模擬退火算法（simulated annealing， SA）是美國學者馬托布里斯等發明的一種算法［6］，其接受劣質解的概率設定如下：

式（5）表明：如果能量降低，即接受新解；否則，進行概率運算，以一定的概率來接受劣質解。其中初始溫度T（0）=100，退火函數T（n+1）=λT（n）。

3 基于改進WOA優化的BP神經網絡（IWOA-BP）

本文中，IWOA算法用于確定BP神經網絡中的連接權重與閾值，采用均方誤差函數E作為性能函數，其如式（6）所示。

步驟1：初始化BP神經網絡，確定初始的連接權重與閾值。

步驟2：初始化IWOA算法，確定算法的種群大小N，最大迭代次數MMax，iter，非線性調整因子m，初始化b、l、i和M等相關參數，將式（6）作為IWOA的適應度函數，將步驟1中的連接權重與閾值作為IWOA的初始位置向量。

步驟3：通過IWOA優化求解，并輸出最優個體位置。

步驟4：將輸出最優個體位置作為BP神經網絡的連接權重與閾值，并返回神經網絡。

4 實驗結果及分析

為驗證電子式電流互感器誤差預測模塊的有效性，采用上海市某電力公司220 kV電子式電流互感器自2020年4月—2020年7月的在線監測數據作為訓練樣本。歸一化處理后，建立基于WOA-BP、AWOA-BP以及IWOA-BP的神經網絡模型，對電子式電流互感器的誤差狀態進行預測分析，3種神經網絡的訓練模型分別記為M1、M2與M3。

將模型M1、M2和M3接入2020年8月的環境參量數據與負荷參量數據，得到2020年8月電子式電流互感器誤差的預測結果，如圖3、圖4所示。由圖3（c）可以發現，對于相同的訓練樣本，基于模型M3的電流互感器比差預測曲線與實際比差曲線更為接近，從圖4（c）可以看出基于模型M3的角差預測提高了預測精度。

根據預測結果可得基于模型M1的比差預測的誤差Ere1為7.85%，角差預測的誤差Epe1為18.4%；基于模型M2的比差預測的誤差Ere2為7.02%，角差預測的誤差Epe2為16.4%；基于模型M3的比差預測的誤差Ere3為2.65%，角差預測的誤差Epe3為9.6%。

5 結語

本文設計了一種在線狀態綜合評估系統對電子式電流互感器進行故障診斷以及誤差預測。為了提高評估系統的精度與可靠性，進一步提出了一種改進的鯨魚優化神經網絡（IWOA-BP）的建模和預測方法。實驗結果表明，相比于現有方法，本文的算法在理論性能、故障診斷與誤差預測的精度上具有顯著優勢，能夠為電流互感器在線狀態提供有效可靠的評估。

參考文獻：

［1］ ZIEGLER S，WOODWARD R C，IU H H C，et al．Current sensing techniques：a review［J］．IEEE Sensors Journal，2009，9（4）：354-376.

［2］ 李曉輝，劉響，顧強，等．電子式互感器電能計量貿易結算的PCA和AHP混合風險評估方法［J］．電測與儀表，2018，55（14）：1-7.

［3］ 陳海賓，楊姝楠，陳麗雯，等．基于現場信號仿真技術的電流互感器誤差測試技術研究［J］．電測與儀表，2021，58（2）：133-138.

［4］ LI Z H，LI H B，ZHANG Z．An accurate online calibration system based on combined clamp-shape coil for high voltage electronic current transformers［J］．The Review of Scientific Instruments，2013，84（7）：075113.

［5］ HU C，CHEN M Z，LI H B，et al．An accurate on-site calibration system for electronic voltage transformers using a standard capacitor［J］．Measurement Science and Technology，2018，29（5）：055901.

［6］ KIRKPATRICK S，GELATT C D Jr，VECCHI M P．Optimization by simulated annealing［M］//Readings in Computer Vision．Amsterdam：Elsevier，1987：606-615.