张峻
摘 要：SPD一般为在线工作，受外界大气环境和过电压等因素影响会逐渐发生老化、劣化现象，最后彻底丧失保护作用。电力部门对SPD的周期性斷电故障检测工作不仅费时费力，还会因断电检测而造成一定的经济损失。因此，对SPD在线监测诊断显得尤为必要。本文提出基于BP神经网络对SPD的运行状态进行在线监测的技术。将处于不同运行状态的SPD作为实验样本，通过FFT提取其泄漏电流中的阻性电流特征值作为BP神经网络的输入，并将SPD不同的运行状态作为网络输出进行训练。结果显示，本文所提出的技术对SPD运行状态的分类识别正确率超过96%，表明了此项技术对SPD的在线监测的有效性。
关键词：SPD；BP神经网络；在线监测
中图分类号：TG146 文献标识码：A 文章编号：1671-2064（2017）10-0064-02
如今，大部分的金属氧化物避雷器（SPD）监测技术是基于漏电流的阻性和容性分量。但是，提取漏电流的阻性和容性分量的过程会有很多技术上的限制，并且提取的阻性电流峰值存在一定误差[1]。本文提出一种用于监测SPD运行状态的新技术，该技术对总泄漏电流信号进行特征提取，并通过神经网络对提取的特征参数进行分析，判断SPD的运行状态。
1 本文提出的新技术
1.1 SPD运行状态分类监测新技术
本文提出的新的SPD监测技术可以通过从漏电流中提取的谐波分量来鉴别SPD的运行状态。本文提出的监测技术无需测电压，并且避免了传统方法将漏电流分解成阻性电流和容性电流过程中出现的误差[1]。图1是本文所提出SPD运行状态的模式识别技术的流程图。
首先从SPD中获得泄漏电流信号。然后从SPD的漏电流信号中提取谐波分量，并利用谐波分量来建立特征量数据库。特征量数据库将谐波成分与SPD的运行状态联系在一起。接下来，利用BP神经网络对SPD运行状态分类系统进行训练，训练完成后，进入测试阶段，判断SPD的运行状态。
1.2 实验方案与相关元件参数
本文对获取SPD泄漏电流的实验方案设计，如图2所示。其中，R1是保护电阻，以防测试过程中发生短路电流，其大小为10KΩ。Rsh是分流电阻，大小为470Ω，作用是便于提取泄漏电流。电容分压器C1、C2用于测量施加电压。由电压探针和数字示波器构成的数据采集器连接试验样本SPD，测量的电流信号存储在计算机上。
本文所使用的SPD其内部结构可等效为图3所示的IEEE推荐的模型。
2 泄漏电流特征提取
2.1 得到的泄漏电流波形
其中，Iref和Uref分别是参考电压和参考电流，是SPD自身非线性特性决定的系数，与图2中IEEE提供的SPD等效模型中非线性电阻A0和A1相关。SPD由于受到自然环境中的直击雷、感应雷过电压，电力系统操作过电压，SPD表面污秽，受潮以及自然大气环境的影响，导致避雷器非线性特性降低，使得阻性电流增大，由公式（2）可以计算出阻性电流。
阻性电流和施加在SPD两端的电压关系如图6所示，图中α表征SPD的老化程度，SPD老化程度越大，其值越小。即施加电压相同时，老化程度越大的SPD阻性电流值增加越多。
2.2 泄漏电流的特征提取方法
本文采用提取信号特征电流的FFT算法，来进行阻性电流特征值的提取，并作为BP神经网络的输入层。图7是FFT变换后100KVSPD各次阻性谐波电流占比。
为便于分析SPD的不同状态，将不同状态的SPD样本设置不同的标签。图7中所示的阻性电流不同谐波次序对应的幅值作为特征量来输入。将得到的所有样本的阻性电流进行FFT变换后便可以得到所有样本的特征值。
3 结语
本文提出了一种对SPD监测与诊断的新方法。该方法基于神经网络对SPD泄漏电流进行分析，进而实现SPD在线监测与状态分类。随着所提出的技术，根据测量得到的电流信号，提取相关特征（谐波），并通过本文所提出的技术对这些SPD运行特征进行分类评估，从而达到在线监测的目的。这项技术对不同运行状态的SPD正确识别率超过96%，表明其仅通过泄漏电流便可以实现对SPD运行状态的监测并且具有高精度和正确。
参考文献
[1]曹洪亮，杨仲江，等.金属氧化物避雷器在线监测指标研究[J].中国电力，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]杨仲江，张枨，柴健，等.氧化锌压敏电阻老化过程中非线性系数变化的研究[J].电子元件与材料，2011，30（9）：27-30.
