關(guān)鍵詞：避雷器；貝葉斯網(wǎng)絡(luò)；狀態(tài)評估；缺陷預(yù)警

中圖分類號：TM862+.1；TP277.1 文獻(xiàn)標(biāo)識碼：A 文章編號：1001-5922（2024）12-0170-03

隨著社會的不斷發(fā)展，作為提供電能的電力系統(tǒng)建設(shè)的越來越復(fù)雜，對電網(wǎng)運行的穩(wěn)定性提出了更高的要求[1]。當(dāng)電網(wǎng)運行過程中設(shè)備出現(xiàn)故障時，理想狀態(tài)是實現(xiàn)自動識別修復(fù)，保證供電質(zhì)量，這一狀態(tài)的前提是需要對各個電力設(shè)備進(jìn)行實時監(jiān)測、狀態(tài)評估、缺陷預(yù)警[2-3]。避雷器作為變電站中過壓保護(hù)的重要設(shè)備，其可靠穩(wěn)定運行是至關(guān)重要的[3]。因為避雷器缺陷在監(jiān)測報警的同時，需要對潛在缺陷進(jìn)行提前預(yù)警，這樣有助于減少避雷器突發(fā)故障，引起電網(wǎng)供電事故的發(fā)生[4]。為了更好的對避雷器缺陷進(jìn)行預(yù)警，利用人工智能的方法，引入貝葉斯網(wǎng)絡(luò)，設(shè)計了基于貝葉斯網(wǎng)絡(luò)的避雷器缺陷預(yù)警架構(gòu)，提出基于貝葉斯網(wǎng)絡(luò)的避雷器缺陷預(yù)警算法，完善了避雷器在線監(jiān)測系統(tǒng)。

1避雷器缺陷預(yù)警系統(tǒng)設(shè)計

為了更好的對避雷器缺陷進(jìn)行預(yù)警，在狀態(tài)監(jiān)測的基礎(chǔ)上，利用人工智能的方法，引入貝葉斯網(wǎng)絡(luò)，設(shè)計了基于貝葉斯網(wǎng)絡(luò)的避雷器缺陷預(yù)警架構(gòu)，避雷器缺陷預(yù)警系統(tǒng)架構(gòu)如圖1所示。

避雷器缺陷預(yù)警系統(tǒng)架構(gòu)主要分為5部分，分別是源數(shù)據(jù)、數(shù)據(jù)抽取、數(shù)據(jù)分析、可視化、用戶。首先需要對避雷器的在線監(jiān)測數(shù)據(jù)、檢修數(shù)據(jù)等信息作為歷史數(shù)據(jù)集；然后通過數(shù)據(jù)整合，將數(shù)據(jù)存儲到系統(tǒng)中進(jìn)行管理；應(yīng)用ARMA的缺陷預(yù)警算法和貝葉斯網(wǎng)絡(luò)的缺陷識別算法構(gòu)建避雷器缺陷預(yù)警模型，達(dá)到對避雷器缺陷的預(yù)警，并且系統(tǒng)能夠顯示監(jiān)控狀態(tài)和預(yù)警信息，方便工作人員處理，提高效率。

2避雷器缺陷預(yù)警算法設(shè)計

避雷器缺陷預(yù)警算法設(shè)計分為2部分：第1部分是基于ARMA的缺陷預(yù)警算法，主要作用是對避雷器的特征數(shù)據(jù)做出預(yù)測，如果預(yù)測結(jié)果超出預(yù)期設(shè)定的閾值，做出缺陷提示；第2部分是將預(yù)警到的避雷器缺陷輸入到貝葉斯網(wǎng)絡(luò)內(nèi)進(jìn)行缺陷分析，最后提示異常信息。避雷器缺陷預(yù)警流程如圖2所示。

首先采集更新避雷器的特征數(shù)據(jù)，通過避雷器的歷史運行數(shù)據(jù)提取缺陷信息，構(gòu)建貝葉斯網(wǎng)絡(luò)模型，根據(jù)歷史數(shù)據(jù)進(jìn)行推理，得到預(yù)測結(jié)果，與預(yù)期設(shè)定的閾值進(jìn)行比較，如超出閾值，提示異常信息。

2.1基于時間序列和ARMA的缺陷預(yù)警算法

避雷器在運行過程中，老化或潛伏的缺陷隨運行時間會慢慢體現(xiàn)出來，對于監(jiān)測的特征量數(shù)據(jù)進(jìn)行越線邏輯判斷，很難識別出缺陷，因此將時間序列與ARMA相結(jié)合，提出一種趨勢預(yù)測算法，預(yù)測避雷器后續(xù)一段時間的運行趨勢，將預(yù)測值與閾值比較，如超出范圍，則預(yù)警提示。預(yù)測流程如圖3所示。

3應(yīng)用分析

應(yīng)用分析選取某變電站避雷器運行狀態(tài)實時監(jiān)測系統(tǒng)內(nèi)數(shù)據(jù)，數(shù)據(jù)集共2150個樣本，取值從1到2150，定義樣本集為D，樣本類別為F，包括老化樣本數(shù)385，受潮樣本數(shù)421，污穢樣本數(shù)208，其他或正常樣本數(shù)1136，根據(jù)式（3）計算各樣本概率如圖4所示。

將樣本集D輸入到所提模型，通過缺陷預(yù)警，得到缺陷樣本4個，貝葉斯網(wǎng)絡(luò)對4個缺陷樣本的狀態(tài)分析如表1所示。

由表1結(jié)果可知，樣本1受潮的概率最大，可預(yù)判樣本1為受潮缺陷，樣本2為老化缺陷，樣本3為污穢缺陷，樣本4為受潮缺陷。預(yù)判的結(jié)果與實際結(jié)果一樣，準(zhǔn)確率達(dá)到100%，能夠為避雷器缺陷進(jìn)行很好的預(yù)警，驗證了避雷器缺陷預(yù)警算法的準(zhǔn)確性、實用性。

4結(jié)語

針對避雷器缺陷導(dǎo)致電網(wǎng)運行故障頻發(fā)，為了更好的對避雷器缺陷進(jìn)行預(yù)警，利用人工智能的方法，引入貝葉斯網(wǎng)絡(luò)，設(shè)計了基于貝葉斯網(wǎng)絡(luò)的避雷器缺陷預(yù)警架構(gòu)，提出基于貝葉斯網(wǎng)絡(luò)的避雷器缺陷預(yù)警算法，完善了避雷器在線監(jiān)測系統(tǒng)，對避雷器運行狀態(tài)評估的同時實現(xiàn)了缺陷預(yù)警。通過對樣本數(shù)據(jù)進(jìn)行分析預(yù)警，預(yù)測結(jié)果表明，能夠?qū)Ρ芾灼魅毕葸M(jìn)行很好的預(yù)警，準(zhǔn)確率達(dá)到100%，降低故障發(fā)生概率，提高工作人員維護(hù)效率，具有較好的實用價值。