人工水泥粉尘污染下高压聚合物绝缘子的性能评估：一种实时预测模型与创新方法

《Measurement》：Performance evaluation of high-voltage polymer insulators under artificial cement dust contamination: a real-time prediction model and fangled methodology

　　

• •
  针对受水泥粉尘污染的聚合物绝缘子提出了机器学习模型。
• •
  利用一年间的环境与运行数据实现实时预测。
• •
  基于MFCNN的漏电流波形分析可提升特征提取效率。
• •
  SMOTE与龙舟优化算法可提高模型稳定性与优化效果。
• •
  表面导电性与漏电流之间存在显著相关性。

引言

户外绝缘子会持续暴露在工业污染物中，这些污染物会提升表面导电性，进而逐渐降低绝缘性能[1]、[2]。化学杂质会降低介电强度[3]，而随着输电电压的升高，由污染引发的闪络问题也日益严重[4]。在采石场环境中，灰尘堆积会形成导电路径，增加漏电流，使电流波形发生畸变，还会引发干带形成与表面放电现象[5]、[6]、[7]、[8]。工业排放物会进一步加速绝缘子表面老化，因此开展人工污染试验对于预测闪络性能至关重要。尽管已有大量研究探讨绝缘子污染行为，但大多数研究仍依赖经验模型、实验室实验以及传统分析方法，而这些方法无法有效模拟污染程度、环境条件与运行参数之间的非线性相互作用。此外，现有研究往往只考虑单一污染因素，忽视了正常运行状态与罕见闪络事件之间的数据不平衡问题，这限制了预测模型在实际工况监测中的应用效果。

近期出现的一些基于群体的优化算法，在解决电气工程领域的复杂非线性优化问题方面表现优异。诸如遗传算法[9]、灰狼优化算法（GWO）、鲸鱼优化算法（WOA）[10]、[11]、[12]以及红尾鹰算法[13]这类受自然启发的方法，具备出色的全局搜索能力与收敛速度，非常适合应用于电气工程与可再生能源领域。然而，这类方法与深度学习模型结合用于高压绝缘子污染评估的应用还十分有限。因此，本研究提出了一种ITMDBO方法，用以优化深度学习在闪络预测中的应用。该框架整合了SMOTE、MFCNN与ITMDBO技术：SMOTE通过强化罕见闪络事件来平衡训练样本；MFCNN可从漏电流信号与环境变量中提取多尺度特征；ITMDBO则用于优化网络参数，从而实现稳定且准确的预测。通过结合污染信息、环境条件与电气特性，该ITMDBO辅助的MFCNN框架能够实现分层特征学习，并通过自适应超参数优化，在污染环境下预测闪络电压。预计这一方法能够提升特征表达能力、收敛稳定性与预测精度，为高压聚合物绝缘子的基于状态的可靠维护提供支持。

表1中的对比结果体现了所提框架在自动特征学习、自适应优化、非线性建模能力以及实时预测性维护支持方面的优势。

本研究的目标如下：

• •
  研究在工业污染环境下，受人工水泥粉尘污染的33千伏至400千伏高压聚合物绝缘子的交流闪络性能。
• •
  利用一年间的环境数据（温度、太阳辐射、湿度、风速等），构建并验证实时预测模型，用于监测受水泥粉尘污染的绝缘子性能。
• •
  分析所提出的神经网络如何根据表面导电性估算临界电压，同时分析电弧常数最优值的收敛情况。
• •
  提出并实现一种基于多粒度融合卷积神经网络（MFCNN）且经过互孪生变异龙舟优化（ITMDBO）改进的模型，用以准确预测闪络电压、概率以及绝缘子健康状况。
• •
  研究污染成分、电流泄漏模式、等效盐分沉积密度（ESDD）、不溶性沉积密度（NSDD）以及环境条件（湿度、温度）对绝缘子老化程度与闪络风险的影响。

章节摘要

相关研究

De Santos与Sanz-Bobi[14]提出了一种基于随机欠采样提升算法（RUSBoost）的绝缘子状态监测方法，该方法在法国的一座248千伏变电站进行了测试，其F分数分别为：无涂层绝缘子为0.757，半涂层绝缘子为0.768，全涂层绝缘子为0.792。Jaya与Linda[15]通过浸泡与喷涂试验，研究了11千伏复合绝缘子与陶瓷绝缘子在多种污染条件下的性能。Fallah-Arani等人[16]则对20千伏的聚合物混凝土绝缘子进行了优化处理，取得了相应成果。

提出的架构

图1展示了借助先进机器学习方法构建的、可用于分析不同污染条件下闪络电压的集成模型。该框架首先进行实时数据采集，持续获取温度、太阳辐射、湿度、露点、风速、海拔高度、线路电压以及绝缘子使用年限等环境变量。与此同时，还会收集与系统相关的输入数据，包括33千伏、66千伏、132千伏、220千伏等不同电压等级的相关数据。

结果与讨论

实验旨在评估33千伏、66千伏、132千伏、220千伏及400千伏电压等级下，清洁绝缘子与受水泥粉尘污染的聚合物绝缘子的交流污秽干燥闪络特性。实验结果是通过在Python环境中使用TensorFlow库对数据集进行训练与测试，再结合神经网络模型来验证的[21]。仿真是在配备16GB内存（其中15.8GB可用）的Intel(R) Core(TM) i7-6700 CPU @ 3.40 GHz处理器上完成的。表4列出了实验测得的污染严重程度数据。

结论与未来展望

本研究通过机器学习框架，分析了高压聚合物绝缘子在人工水泥粉尘污染环境下的性能。研究结合环境因素，分析了临界闪络电压与漏电流的变化规律。所提出的MFCNN–SMOTE–ITMDBO框架在不同污染程度与电压等级下，均实现了93.7%的预测精度。研究表明，表面导电性是影响绝缘子性能的最主要因素，它会增加漏电流，同时降低绝缘子的其他性能指标。

伦理标准遵守情况

• 1.
  利益冲突披露：作者声明不存在任何可能影响本研究结果的潜在利益冲突。
• 2.
  动物与人类权利声明

  • i.
    伦理审批：研究严格遵循所有适用的关于动物饲养与使用的机构及国家相关规范。
  • ii.
    知情同意：此类分析无需获得正式的知情同意。

CRediT作者贡献说明

K. Karthik：概念构思、方法设计、模型验证。K. Usha：项目管理、监督工作、数据调研。

资金支持

本研究未获得公共部门、商业机构或非营利组织提供的任何专项资助。

利益冲突声明

作者声明不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。

致谢

无。

K. Karthik|K. Usha