摘 要:本文研究了基于神經(jīng)網(wǎng)絡(luò)模型的鐵路接觸網(wǎng)絕緣子泄漏電流預(yù)測方法。分析了絕緣子泄漏電流的形成機(jī)理和影響因素,基于神經(jīng)網(wǎng)絡(luò)的基本原理和模型結(jié)構(gòu),將相對濕度和溫差作為輸入特征量,利用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行泄漏電流預(yù)測、訓(xùn)練數(shù)據(jù)并不斷調(diào)整網(wǎng)絡(luò)參數(shù),以優(yōu)化模型的預(yù)測性能。進(jìn)行實(shí)例分析驗(yàn)證預(yù)測模型的可行性和有效性。試驗(yàn)結(jié)果表明,該模型能夠有效預(yù)泄漏電,并為相關(guān)領(lǐng)域的研究和實(shí)踐提供參考。
關(guān)鍵詞:絕緣子;泄漏電流;神經(jīng)網(wǎng)絡(luò)模型
中圖分類號:TM 216" " " " 文獻(xiàn)標(biāo)志碼:A
由于鐵路接觸網(wǎng)絕緣子的工作環(huán)境位于戶外區(qū)域,隨著其工作時間持續(xù)增加,絕緣子表面會累積越來越多的污染物。絕緣子表面污穢受潮后會導(dǎo)致外絕緣能力下降、閃絡(luò)電壓降低并引發(fā)放電,被污染的絕緣子在電壓作用下會出現(xiàn)沿面閃絡(luò)的情況,可能會導(dǎo)致列車運(yùn)行出現(xiàn)故障,給鐵路運(yùn)營工作帶來嚴(yán)重?fù)p失[1]。絕緣子泄漏電流是發(fā)生沿面閃絡(luò)主要的特征量之一。絕緣子表面泄漏電流是指在運(yùn)行電壓下流過絕緣子表面的電流,反映了運(yùn)行電壓、氣候環(huán)境以及絕緣子表面污穢等參數(shù)對絕緣子工作狀態(tài)的影響,絕緣子是否處于正常工作狀態(tài)也是影響接觸網(wǎng)安全、穩(wěn)定運(yùn)行的重要因素。
本文分析了絕緣子泄漏電流的形成機(jī)理和影響因素,在此基礎(chǔ)上建立基于神經(jīng)網(wǎng)絡(luò)的預(yù)測模型,并對神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行調(diào)整,使預(yù)測結(jié)果盡可能符合絕緣子的實(shí)際運(yùn)行情況。
1 絕緣子泄漏電流的形成機(jī)理和影響因素
1.1 形成機(jī)理
絕緣子泄漏電流的形成過程包括表面污穢形成、污穢受潮、表面干帶/局部電弧形成以及污穢閃爍[2]。絕緣子的表面在環(huán)境因素和電場的共同作用下逐漸形成污穢層。當(dāng)環(huán)境中濕度較高時,表面污穢物會吸收水分,形成導(dǎo)電層,使絕緣子表面的電場發(fā)生畸變,局部電場增強(qiáng)。隨著環(huán)境濕度變化,絕緣子的表面可能會出現(xiàn)干燥帶區(qū)域,干燥區(qū)域與濕潤區(qū)域間的邊界產(chǎn)生局部電弧,即閃絡(luò)的前兆。局部電弧形成后,在環(huán)境條件的作用下,可能會進(jìn)一步發(fā)展為持續(xù)的沿面閃絡(luò)。該階段是絕緣子開始出現(xiàn)明顯放電現(xiàn)象的階段,可能會導(dǎo)致設(shè)備出現(xiàn)故障。
1.2 影響因素
絕緣子泄漏電流的產(chǎn)生是工作狀態(tài)和工作環(huán)境綜合作用的結(jié)果,其影響因素主要包括運(yùn)行電壓、濕度、溫度和表面污穢等,如圖1所示。
當(dāng)絕緣子在允許運(yùn)行電壓范圍內(nèi)工作時,泄漏電流的最大值和有效值會隨運(yùn)行電壓的增大而線性增加[3]。溫度對絕緣子的性能和壽命有顯著影響,高溫會加速絕緣材料老化,降低其絕緣性能。相反,低溫可能會使絕緣子出現(xiàn)凝露或冰凍現(xiàn)象,導(dǎo)致表面污穢和絕緣性能下降。在高濕度環(huán)境下,隨著絕緣子表面污穢增加,絕緣子表面放電現(xiàn)象增強(qiáng)[4-5]。風(fēng)速影響絕緣子表面積累的污穢物,從而進(jìn)一步影響絕緣子泄漏電流[6]。隨著氣壓逐漸降低,絕緣子表面容易形成干燥帶,從而導(dǎo)致干燥帶放電。但是放電發(fā)生區(qū)域較小,放電強(qiáng)度較弱[7]。絕緣子表面污穢程度增加,導(dǎo)致泄漏電流脈沖幅值增大,高幅值脈沖數(shù)增多,局部放電現(xiàn)象更明顯[8]。
2 神經(jīng)網(wǎng)絡(luò)基本原理
BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò),是應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一[9]。BP神經(jīng)網(wǎng)絡(luò)具有任意復(fù)雜的模式分類能力和優(yōu)良的多維函數(shù)映射能力,解決了簡單感知器不能解決的異或(Exclusive OR,XOR)和其他問題。此外,BP神經(jīng)網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系,而無須事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是最速下降法,通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值,使網(wǎng)絡(luò)的誤差平方和最小。
2.1 神經(jīng)元與連接
神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的基本計(jì)算單元,每個神經(jīng)元接收來自其他神經(jīng)元的輸入或外部數(shù)據(jù),并根據(jù)這些輸入和自身的權(quán)重/偏置計(jì)算出輸出。神經(jīng)元間的連接通過權(quán)重調(diào)整,權(quán)重的大小表示輸入值的重要性。
2.2 激活函數(shù)
在神經(jīng)元上執(zhí)行的特定函數(shù)被稱為激活函數(shù)(或非線性函數(shù))。激活函數(shù)的目的是給神經(jīng)元的輸出引入非線性,因?yàn)閷?shí)際的數(shù)據(jù)通常是非線性的。常見的激活函數(shù)包括Sigmoid、Tanh和ReLU等。
2.3 網(wǎng)絡(luò)結(jié)構(gòu)
神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)通常由輸入層、隱藏層和輸出層組成。輸入層接收原始數(shù)據(jù),隱藏層進(jìn)行數(shù)據(jù)處理和特征提取,輸出層產(chǎn)生最終的預(yù)測結(jié)果。隱藏層的數(shù)量可以根據(jù)任務(wù)的復(fù)雜性進(jìn)行調(diào)整。
神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)如圖2所示。其中,神經(jīng)網(wǎng)絡(luò)模型輸入層的數(shù)據(jù)輸入為X=[x1,x2,...,xn],神經(jīng)網(wǎng)絡(luò)模型隱藏層的數(shù)據(jù)為H=[h1,h2,...,hm],神經(jīng)網(wǎng)絡(luò)模型輸出層的數(shù)據(jù)為Y=[y1,y2,...,yq]。采用神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)進(jìn)行處理的核心思想是學(xué)習(xí)過程由信號的正向傳播和誤差的反向傳播。當(dāng)進(jìn)行正向傳播時,輸入層的神經(jīng)元會接受外界發(fā)來的各種信息,并將信息傳遞給中間層神經(jīng)元。中間隱含層神經(jīng)元將接收的信息進(jìn)行處理變換。根據(jù)需求處理信息,在實(shí)際應(yīng)用中可將中間隱含層設(shè)置為一層或者多層隱含層結(jié)構(gòu),并通過最后一層的隱含層將信息傳遞到輸出層,該過程就是BP神經(jīng)網(wǎng)絡(luò)的正向傳播過程。當(dāng)輸出的誤差減至期望程度或者預(yù)先設(shè)定的學(xué)習(xí)迭代次數(shù)時,訓(xùn)練結(jié)束,BP神經(jīng)網(wǎng)絡(luò)完成學(xué)習(xí)。
2.4 訓(xùn)練過程
神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程如圖3所示,具體步驟如下所示。1) 初始化神經(jīng)網(wǎng)絡(luò)。根據(jù)模型中輸入層神經(jīng)元個數(shù)、隱藏層神經(jīng)元個數(shù)、輸出層神經(jīng)元個數(shù)和隱藏層層數(shù),初始化各層間的權(quán)重和閾值、各層間的激活函數(shù)。2) 輸入訓(xùn)練樣本,計(jì)算出隱藏層輸出H,如公式(1)所示。3) 計(jì)算輸出層的輸出結(jié)果O,如公式(2)所示。4) 根據(jù)輸出結(jié)果和期望得到網(wǎng)絡(luò)預(yù)測誤差e,如公式(3)所示。5) 判斷預(yù)測誤差是否小于期望值,以及是否滿足迭代次數(shù),當(dāng)這2個條件均不滿足時,對輸入層和隱藏層間的權(quán)值、隱藏層與輸出層間的權(quán)值,以及輸入層和隱藏層的閾值進(jìn)行更新,并返回第2步。
(1)
式中:Hj為隱藏層中的第j個輸出;xi為輸入層數(shù)據(jù);n為輸入層神經(jīng)元的個數(shù);m為隱藏層神經(jīng)元個數(shù);wij為輸入層與隱藏層間的連接權(quán)重;aj為輸入層閾值;f為輸入層與隱藏層間的激活函數(shù)。
(2)
式中:Ok為輸出層中的第k個輸出;q為輸出層神經(jīng)元個數(shù);wjk為隱藏層與輸出層間的連接權(quán)重;bk為隱藏層閾值;g為隱藏層與輸出層間的激活函數(shù)。
e=Yk-Ok,k=1,2,...,q (3)
式中:e為網(wǎng)絡(luò)預(yù)測誤差;Yk為期望輸出。
采用神經(jīng)網(wǎng)絡(luò)建立預(yù)測模型能夠更好地研究泄漏電流的形成機(jī)理,揭示泄漏電流的變化與環(huán)境因素、設(shè)備狀態(tài)間的內(nèi)在關(guān)系。此外,預(yù)測模型與仿真技術(shù)相結(jié)合可以對監(jiān)測系統(tǒng)進(jìn)行模擬和優(yōu)化,進(jìn)一步提高預(yù)測模型的準(zhǔn)確性和可靠性。
3 基于神經(jīng)網(wǎng)絡(luò)的絕緣子泄漏電流預(yù)測模型
3.1 神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)
分析絕緣子泄漏電流的影響因素可知,絕緣子泄漏電流是由表面污穢層受潮后產(chǎn)生的干燥帶形成的,主要受絕緣子表面污穢程度、溫度和濕度的影響。但是在絕緣子正常工作狀態(tài)下,絕緣子表面污穢程度很難實(shí)時測量,因此將最大溫差和相對濕度作為模型的特征輸入量。
當(dāng)輸入層輸入數(shù)據(jù)時,需要先對收集數(shù)據(jù)進(jìn)行清洗和預(yù)處理,去除異常值和缺失值,并對數(shù)據(jù)進(jìn)行歸一化處理,將每個特征維度的最大值和最小值按比例縮放為[-1,1],使其數(shù)值范圍一致。
數(shù)據(jù)歸一化方法采用線性轉(zhuǎn)換算法,如公式(4)所示。
(4)
式中:xmin為輸入特征量的最小值;xmax為輸入特征量的最大值;x為輸入特征量;y為歸一化處理后的輸出量。
根據(jù)模型解決問題的復(fù)雜性、特征的維度和具體需求來確定隱藏層的數(shù)量。對于每一隱藏層,還需要考慮其對應(yīng)的神經(jīng)元數(shù)量,神經(jīng)元的數(shù)量決定了模型的大小和復(fù)雜程度。如果神經(jīng)元數(shù)量太少,模型可能無法充分學(xué)習(xí)數(shù)據(jù)中的模式,導(dǎo)致欠擬合;如果神經(jīng)元數(shù)量太多,就會增加計(jì)算復(fù)雜度并導(dǎo)致過擬合。根據(jù)公式(5)中隱藏層神經(jīng)元節(jié)點(diǎn)個數(shù)經(jīng)驗(yàn)公式,本文確定隱藏層個數(shù)為1個,隱藏層中神經(jīng)元個數(shù)為2個。隱藏層神經(jīng)元個數(shù)如公式(5)所示。
(5)
式中:nH為隱藏層神經(jīng)元個數(shù);nx為輸入層神經(jīng)元個數(shù);nO為輸出層神經(jīng)元個數(shù);d為1~10的整數(shù)。
本文是對鐵路接觸網(wǎng)絕緣子泄漏電流進(jìn)行預(yù)測,因此輸出層只有1個神經(jīng)元,即泄漏電流值。
3.2 模型訓(xùn)練
模型的訓(xùn)練過程就是對各個神經(jīng)元間進(jìn)行權(quán)重調(diào)整的過程,使用訓(xùn)練數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練,不斷調(diào)整模型的權(quán)重和閾值,以使預(yù)測誤差最小化。
本文輸入層到隱藏層的激活函數(shù)采用tansig函數(shù),如公式(6)所示。
(6)
式中:x為輸入值。
隱藏層至輸出層的激活函數(shù)采用logsig函數(shù),如公式(7)所示。
(7)
設(shè)置模型最大訓(xùn)練次數(shù)為1 000次,學(xué)習(xí)率為0.05。權(quán)值和閾值學(xué)習(xí)算法采用learngdm函數(shù),即梯度下降動量學(xué)習(xí)函數(shù),利用神經(jīng)元的輸入和誤差、權(quán)值和閾值的學(xué)習(xí)速率和動量常數(shù)計(jì)算權(quán)值或閾值的變化率。模型訓(xùn)練函數(shù)采用trainlm算法(Levenberg-Marquardt),其學(xué)習(xí)過程不是沿著單一的負(fù)梯度方向進(jìn)行計(jì)算,而是允許誤差在梯度增大的方向上求解最小值,在訓(xùn)練神經(jīng)網(wǎng)絡(luò)的過程中可以提高訓(xùn)練速度,獲得更高的精度。權(quán)值修正如公式(8)所示。
?ω=(JTJ+μI )-1JTe' (8)
式中:?ω為權(quán)值向量修正值;e'為單位向量;ω為權(quán)值向量;J為誤差對權(quán)值微分的雅可比矩陣;μ為標(biāo)量,算法是迭代使誤差增加,μ即增加,直到誤差不再增加為止;I為單位矩陣。
模型訓(xùn)練算法有以下4個迭代步驟。1) 將模型中最大溫差和相對濕度作為輸入變量全部輸送至網(wǎng)絡(luò)中,計(jì)算出網(wǎng)絡(luò)的輸出,再計(jì)算出總誤差。2) 計(jì)算總誤差對權(quán)值微分的雅可比矩陣J,定義誤差函數(shù)E對m層輸入的第i個元素變化的敏感性為Marquardt敏感度,如公式(9)所示。敏感度的遞推關(guān)系式如公式(10)所示。因此,敏感度可以由最后一層通過網(wǎng)絡(luò)被反向傳播到第一層,即Sm→Sm-1→...→S2→S1,由此計(jì)算雅可比矩陣中的元素,如公式(11)所示。3) 根據(jù)公式(8)計(jì)算?ω。4)用ω+?ω重復(fù)計(jì)算總誤差,當(dāng)總誤差降至期望目標(biāo)時,算法即達(dá)到收斂。
(9)
式中:E為誤差函數(shù);nim為m層網(wǎng)絡(luò)的加權(quán)和;Sim為誤差函數(shù)E對m層輸入的第i個元素變化的敏感性。
(10)
式中:Sqm為誤差函數(shù)E對m層輸入的第q個元素變化的敏感性;nqm為m層網(wǎng)絡(luò)的加權(quán)和,表示第m+1層的權(quán)值;Sqm+1為誤差函數(shù)E對m+1層輸入的第q個元素變化的敏感性。
(11)
4 實(shí)例分析
將訓(xùn)練好的模型應(yīng)用于實(shí)際場景,輸入最大溫差和相對濕度,從而預(yù)測絕緣子泄漏電流的大小。為了驗(yàn)證上述模型的有效性和準(zhǔn)確性,將采集數(shù)據(jù)分為訓(xùn)練集和測試集。利用訓(xùn)練集中的數(shù)據(jù)對建立的模型進(jìn)行訓(xùn)練,利用測試集中的數(shù)據(jù)對模型預(yù)測結(jié)果進(jìn)行評估。利用監(jiān)測裝置采集217組泄漏電流數(shù)據(jù),去除不可用數(shù)據(jù)后,將剩余的192組可用數(shù)據(jù)保留8組數(shù)據(jù)作為測試集,其余作為訓(xùn)練集數(shù)據(jù)對模型進(jìn)行訓(xùn)練。泄漏電流實(shí)際值與模型預(yù)測輸出值對比見表1。
從表1結(jié)果可以看出,當(dāng)泄漏電流值較大時,模型預(yù)測的泄漏電流值準(zhǔn)確度也相對較高,原因是較大的泄漏電流通常更容易被檢測和測量;當(dāng)泄漏電流值比較小時,鑒于各種測量誤差和背景噪聲的影響,預(yù)測的準(zhǔn)確度可能會下降,導(dǎo)致泄漏電流的預(yù)測值與實(shí)際值間存在一定偏差,但是該偏差對判斷泄漏電流是否存在沒有影響。
此外,由于模型的訓(xùn)練數(shù)據(jù)較少,因此得到的預(yù)測模型擬合度不是很高,導(dǎo)致神經(jīng)網(wǎng)絡(luò)模型在訓(xùn)練過程中沒有學(xué)習(xí)到所有可能出現(xiàn)的情況,因此,在絕緣子泄漏電流監(jiān)測系統(tǒng)獲取更多的數(shù)據(jù)后再對模型進(jìn)行訓(xùn)練,可以得到更準(zhǔn)確的預(yù)測模型。
5 結(jié)語
當(dāng)建立泄漏電流預(yù)測模型時,將相對濕度和溫差作為神經(jīng)網(wǎng)絡(luò)預(yù)測模型的輸入特征量,相對濕度過高會直接導(dǎo)致絕緣子表面受潮,當(dāng)日溫差較大時,會加速其表面受潮。預(yù)測的結(jié)果表明,當(dāng)泄漏電流值較大時,預(yù)測模型準(zhǔn)確率較高;當(dāng)泄漏電流值較小時,預(yù)測值與實(shí)際值間會有一定偏差,但是該偏差對判斷絕緣子外絕緣狀況沒有影響,因此該神經(jīng)網(wǎng)絡(luò)模型是有效的。
對絕緣子泄漏電流進(jìn)行監(jiān)測和預(yù)測是重要的電氣安全防護(hù)措施,對保證電力系統(tǒng)的穩(wěn)定運(yùn)行以及保障設(shè)備安全具有重要意義。隨著電力系統(tǒng)不斷發(fā)展和智能化電網(wǎng)推進(jìn),絕緣子泄漏電流監(jiān)測將會得到更廣泛的應(yīng)用和關(guān)注。在目前技術(shù)的發(fā)展推動下,絕緣子泄漏電流監(jiān)測將在保障鐵路接觸網(wǎng)電力系統(tǒng)安全、穩(wěn)定運(yùn)行方面發(fā)揮更重要的作用,未來還需要進(jìn)一步加強(qiáng)技術(shù)研發(fā)和應(yīng)用實(shí)踐,不斷提高監(jiān)測技術(shù)的智能化、自動化、多元化、綜合性以及遠(yuǎn)程化/實(shí)時性水平,為鐵路電力系統(tǒng)的穩(wěn)定運(yùn)行和設(shè)備安全提供更可靠的技術(shù)支持。同時,也需要關(guān)注新技術(shù)和新應(yīng)用帶來的挑戰(zhàn)和風(fēng)險,加強(qiáng)監(jiān)管和防范措施,保障鐵路接觸網(wǎng)的安全、穩(wěn)定運(yùn)行。
參考文獻(xiàn)
[1]孫磊.鐵路牽引供電系統(tǒng)接觸網(wǎng)污穢絕緣子泄漏電流在線監(jiān)測系統(tǒng)的設(shè)計(jì)與測試[J].科學(xué)技術(shù)創(chuàng)新,2023(11):98-101.
[2]王磊,鐘成元.絕緣子泄露電流及其分析方法發(fā)展現(xiàn)狀[J].電氣開關(guān),2011,49(1):9-11.
[3]蘇忠義.接觸網(wǎng)絕緣子泄漏電流與環(huán)境因素的關(guān)系研究[D].蘭州:蘭州交通大學(xué),2016.
[4]張智濤,景小兵,陳唐龍,等.高濕度環(huán)境下接觸網(wǎng)腕臂復(fù)合絕緣子泄漏電流頻譜分析[J].鐵道學(xué)報(bào),2015(3):35-41.
[5]方春華,王建國,操平梅,等.污穢絕緣子泄漏電流與環(huán)境溫、濕度相關(guān)分析[J].高電壓技術(shù),2012,38(4):885-891.
[6]南敬,徐濤,萬小東,等.人工模擬自然橫風(fēng)條件下絕緣子快速積污特性[J].中國電機(jī)工程學(xué)報(bào),2017,37(11):3323-3330.
[7]劉勇,杜伯學(xué),王榮亮,等.低氣壓下復(fù)合絕緣子表面干燥帶放電時頻特征[J].高電壓技術(shù),2014,40(8):2348-2352.
[8]蔣興良,趙世華,張志勁,等.污穢與憎水性對復(fù)合絕緣子泄漏電流特性的影響[J].高電壓技術(shù),2013,39(11):2573-2580.
[9]劉力歌,武劍,肖飛.基于BP神經(jīng)網(wǎng)絡(luò)的絕緣子污穢度預(yù)測研究[J].電力系統(tǒng)裝備,2020(13):185-187.