摘要： 污闪是威胁电网安全的重大灾害事故，电网污闪灾害监测与预防是电力系统运行管理部门的一项重要工作内容。本文在分析气象数据与电网污闪参数之间的多维非线性关系基础上，按气象预报分区规则，将福建省电网划分成69个网格区域，根据实时气象预测数据对福建电网各区域进行污闪风险预测及评估。本文建立的区域电网污闪风险评估模型由等值盐密预测模型、污闪电压预测模型及污闪风险预测模型三个模型组成。 为验证预测模型的有效性，模拟不同的等值盐密值和环境气象条件，针对污闪预测模型进行了一系列人工污秽试验，试验结果表明，模型预测结果基本满足工程需要，具有工程应用价值。

1 引言

随着国民经济的快速发展，我国电网规模不断增大，电网电压等级不断提高， 电网运行环境 的大气质量对绝缘子污秽的影响日益严重，绝缘子的污秽闪络己成为威胁电网安全运行的主要因素之一 [1] 。 因污秽而引起的绝缘闪络事故次数在电网的总事故次数中 已 占居第二位，仅次于雷电灾害事故，而污闪事故造成的损失却是雷害事故的 10 倍以上。 高压电网一旦发生污秽闪络，常会导致大面积停电事故，且在恶劣天气下通常不能很快恢复正常供电，从而造成较大的经济损失 [2] 。

绝缘子的污闪是一个复杂的过程，通常可分为积污、受潮、干区形成、局部电弧的出现和发展四个阶段。 现行 污闪防治措施 的主要指导思想是 采取抑制或阻止其中任一阶段的发展和完成，达到防止污闪发生的目的。电力生产运行企业常用的措施主要有：定期清扫、调爬增距、涂防污涂料、采用新型绝缘子等。这些措施 是电力企业在多年的运行管理及污闪防治工作经验的总结， 在实际防污运行中起到 较好的作用和效果 ，但 在按国家和企业标准采取这些防污措施后，仍不断有大面积污闪事故发生 。 因此电网相关研究和管理部门迫切需要 能从根本上抑制污闪事故发生的根源，掌握污闪事故发生的内在自然规律， 改变传统污闪防治工作模式，将污闪防治工作效果提高到一个新的高度 。因此 建立科学有效的污闪预测机制以预测污闪的危险和发生可能性，并针对性地采取防污闪措施，能够大大提高电网安全运行的可靠性。

本文以人工污秽试验中盐密与污秽闪络电压关系以及环境因素与污秽闪络电压关系为分析对象，运用人工神经网络算法计算污秽绝缘子在特定环境条件下的闪络概率和分布特征，以此建立绝缘子污秽闪络风险预测模型，提出了一种基于人工神经网络的绝缘子污闪预测新方法。为验证绝缘子污闪预测模型的有效性，进行了一些列人工污秽试验，实验结果表明，该模型能够较好地对绝缘子污秽闪络临界状态进行预测，具有较高的理论研究和实际应用价值。

本文选定 XP-70 型绝缘子作为研究对象，建立针对该绝缘子串的污闪预测人工神经网络模型。

2 区域电网污闪风险评估模型建立

2.1 人工神经网络模型的建立

等值附盐密度或 ESDD （ Equivalent Salt Deposit Density ），简称等值盐密，是绝缘子的单位表面积上的等值 NaCl 盐量， 是用来描述和表征绝缘子表面污秽度的 重要 特征量，对绝缘子表面积污程度的测量也具体为对绝缘子表面等值盐密的测量 。等值盐密的测量和数据分析 是污闪研究的基础 。等值盐密 是用来定量描述绝缘子发生污秽闪络的主要因素之一。防止污闪基本上是以 ESDD 的测量或在线监测为主要依据。绝缘子发生污闪的条件不仅仅是绝缘子被污染，还同时受到气象条件的影响 [3-5] 。因此，对绝缘子的污闪进行比较准确的预测，须同时对绝缘子的 ESDD 及所处外部环境条件进行预估和判断，才能获得比较接近实际运行环境的判断结果。

图 1 给出了本文所采用的人工神经网络模型的结构，人工神经网络模型采用三层网络结构，包括输入层、隐含层、输出层。

输入层包括该网络所需的输入条件，如环境湿度、雨量、风力、盐密等，它们作为输入节点进入中间层，中间层经过算法计算到达输出层，输出相应的结果。

输入层节点输入为：

其中 O i 为输入节点 i 的输出，代表三个气象因素的值， net j 为输出节点 j 的输入， W ji 为从节点 i 到节点 j 的连接权值， N 为输入节点数。

除输入层处理单元为线性单元外，其他各层处理单元均为非线性关系，采用 Sigmoid 函数关系，即设关系函数 f ( x ) 为

其中 O j 为输出节点 j 的输出， q j 为输出节点 j 的阀值。

连接权值根据下式进行修正：

2.2 数据的预处理

污闪预测人工神经网络模型输入的气象参数要先经过标准化处理，以保证算法的计算速度和精度。气象数据的标准化处理是对根据福建省电力有限公司建立或共享的 69 个自动气象站的历史监测数据进行深入研究得出的，将 69 个气象监测点的实时气象数据根据各自不同的特点，将其转化为 − 1~+1 之间的数据，这种数据是人工神经网络算法最适宜的数据类型。设：

对气象数据进行相应的标准化处理后，还要对等值盐密测量数据及人工污秽耐压试验数据进行相应的标准化处理。标准化处理后的数据即可用来作为样本进行建模。

3 区域电网污闪风险评估模型的构成

区域电网污闪风险评估模型包括三个人工神经网络模型：第一个模型为等值盐密人工神经网络预测模型，用于预测区域内的绝缘子表面等值附盐密度；第二个模型为污闪电压预测模型，用于预测区域内等值盐密已知的条件下，绝缘子在一定外部环境因素作用下的污闪电压；第三个模型为区域污闪风险预测模型，将等值盐密预测模型和污闪电压预测模型的输出作为输入条件，综合考虑环境参数，对区域内的污闪风险进行计算，给出污闪风险的预测值。

3.1 区域电网等值盐密预测模型

绝缘子表面的受污染程度直接受绝缘子所处外部环境条件的影响，如温度、湿度、降雨量、气压及风速等。其中湿度主要影响污秽物质的湿润；降雨量对绝缘子的自洁性能影响较大；温度、气压和风速对绝缘子的积污性能也影响较大。因此综合考虑这五个因素对污秽度的影响，可以对绝缘子的等值附盐密度做出实时预测 [6] 。

人工神经网络的优势在于对历史或实验数据的依赖程度远远高于对系统物理模型的依赖程度。等值附盐密度预测模型采用的人工神经网络如图 1 给出的人工神经网络模型。等值盐密预测人工神经网络模型包括输入层、隐含层、输出层三层。其中输入层包含了 5 个气象条件节点。这 5 个气象条件作为输入进入隐含层，隐含层的节点数和层数要通过最优化来确定，经过对模型的不断训练和对预测结果精度的不断提高来优选隐含层的节点数和层数。

人工神经网络模型的输出层输出等值附盐密度的预测值。预测值与现场等值附盐密度的差值作为反馈修正条件，对网络中的连接链路及其权值进行修正。

等值盐密预测按福建 69 个县级气象监测点进行 ， 测量数据为福建省电网 500 多个等值盐密监测站 200 6 年至 200 9 年的实测数据。 预测值与实测值的比较见表 1 。

 

表1 等值盐密预测结果与实测值的比较

Tab.1  Comparison  between  forecast ing results and measured values  of  the ESDD

序号	站名	实测值	预测值	误差 %	序号	站名	实测值	预测值	误差 %	序号	站名	实测值	预测值	误差 %
1	光泽	0.0055	0.005086	-8.14%	24	建宁	0.0066	0.006498	-1.57%	47	龙岩	0.0884	0.086386	-2.33%
2	邵武	0.0066	0.006359	-3.79%	25	明溪	0.0145	0.014359	-0.98%	48	长泰	0.0373	0.036534	-2.10%
3	武夷山	0.0048	0.004587	-4.64%	26	沙县	0.0140	0.013256	-5.61%	49	南靖	0.0272	0.026567	-2.38%
4	浦城	0.0029	0.002691	-7.77%	27	永安	0.0188	0.018673	-0.68%	50	平和	0.0125	0.012005	-4.12%
5	建阳	0.0045	0.004193	-7.32%	28	大田	0.0082	0.007987	-2.67%	51	龙海	0.0474	0.046892	-1.08%
6	松溪	0.0036	0.003314	-8.63%	29	尤溪	0.0152	0.014489	-4.91%	52	漳浦	0.0220	0.021335	-3.12%
7	政和	0.012	0.011098	-8.13%	30	三明	0.0158	0.014691	-7.55%	53	华安	0.0254	0.023487	-8.14%
8	建瓯	0.0067	0.006352	-5.48%	31	闽清	0.0158	0.014376	-9.91%	54	东山	0.0388	0.036876	-5.22%
9	顺昌	0.0461	0.044696	-3.14%	32	闽侯	0.0205	0.019892	-3.06%	55	云宵	0.0321	0.031258	-2.69%

10	南平	0.00913	0.009078	-0.57%	33	罗源	0.0315	0.030498	-3.29%	56	诏安	0.0431	0.042189	-2.16%
11	寿宁	0.0052	0.005099	-1.98%	34	福州	0.0021	0.001923	-9.20%	57	漳州	0.0073	0.007109	-2.69%
12	周宁	0.0029	0.002721	-6.58%	35	连江	0.0058	0.005567	-4.19%	58	安溪	0.0798	0.078923	-1.11%
13	福安	0.0043	0.004185	-2.75%	36	长乐	0.0063	0.006098	-3.31%	59	永春	0.0091	0.008972	-1.43%
14	柘荣	0.0050	0.004857	-2.94%	37	福清	0.0030	0.002893	-3.70%	60	德化	0.0055	0.005467	-0.60%
15	福鼎	0.0040	0.003756	-6.50%	38	平潭	0.0053	0.005129	-3.33%	61	九仙山	0.0163	0.015989	-1.95%
16	屏南	0.0055	0.005235	-5.06%	39	永泰	0.0060	0.005871	-2.20%	62	崇武	0.0130	0.012006	-8.28%
17	古田	0.0059	0.005539	-6.52%	40	福郊	0.0022	0.002016	-9.13%	63	南安	0.0261	0.025781	-1.24%
18	霞浦	0.0047	0.004566	-2.93%	41	长汀	0.091	0.089733	-1.41%	64	晋江	0.0109	0.009923	-9.85%
19	宁德	0.0046	0.004219	-9.03%	42	连城	0.0637	0.062192	-2.42%	65	秀屿	0.0295	0.027593	-6.91%
20	宁化	0.0129	0.011983	-7.65%	43	武平	0.0286	0.026873	-6.43%	66	莆田	0.0657	0.063626	-3.26%
21	清流	0.0630	0.060154	-4.73%	44	上杭	0.0208	0.019952	-4.25%	67	仙游	0.0565	0.055352	-2.07%
22	泰宁	0.0142	0.013943	-1.84%	45	漳平	0.0299	0.028977	-3.19%	68	同安	0.0434	0.042037	-3.24%
23	将乐	0.0185	0.017932	-3.17%	46	永定	0.0312	0.030031	-3.89%	69	厦门	0.0228	0.021005	-8.55%

 

由表 1 可以看出，等值盐密预测模型的输出误差均在 10% 以内，预测结果较理想。

3.2 区域电网污闪电压预测模型

绝缘子运行环境条件复杂多变，外部环境中的众多因素都影响着绝缘子的污秽闪络电压。环境因素与绝缘子的闪络电压之间的关系是多维、非线性关系，因此精确描述这种关系非常困难。而通过人工神经网络能够较好地逼近环境条件和闪络电压之间的这种多维非线性关系。文献 [6-7] 验证了用人工神经网络能够对温度、湿度、雨、风速及气压等综合作用下的污秽闪络电压进行很好的拟合建模。

在人工污秽试验基础上，建立人工神经网络污秽闪络电压预测模型，用神经网络模型映射环境条件与绝缘子污秽闪络电压之间的关系。建立的人工神经网络数学模型经过学习和训练后，利用此模型预测绝缘子在不同气象条件下的污秽闪络电压，预测结果作为下一层污秽闪络风险预测模型的输入。

污秽闪络电压预测模型也采用三层结构。输入层的输入条件节点为三个： ESDD 、湿度、温度。隐含层的层数和节点数也需经过优化来确定。输出层输出污秽闪络电压的预测结果。预测值与实际人工污秽耐压试验的结果进行比较，进而对网络结构和权值进行修正。

3.3 区域电网污闪风险预测模型

在进行人工污秽试验时， 50% 人工污秽耐压试验是测定绝缘子在表面等值盐密及环境参数一定的条件下绝缘子污闪概率为 50% 的闪络电压水平。根据等值盐密数据、环境参数数据及 试验数据，建立污闪风险预测人工神经网络，对绝缘子的污闪风险做出预测和评估。

在人工污秽试验基础上，建立污闪风险人工神经网络预测模型，用神经网络模型映射环境条件与污闪风险之间的关系。建立的人工神经网络数学模型经过学习和训练后，利用此模型预测区域电网在不同气象条件下的污闪风险水平。

污闪风险预测模型也采用三层结构。输入层的输入条件节点为： ESDD 、湿度、风速、雨量、气压、温度。隐含层的层数和节点数也需经过优化来确定。输出层输出为区域电网污闪风险预测结果。预测值与实际人工污秽耐压试验的结果进行比较，进而对网络结构和权值进行修正。

4  人工污秽试验及其结果分析

4.1  人工污秽与自然污秽的等价性分析

电网中实际运行中的绝缘子表面所沉积的污秽，在电场、风场、重力场等力场的综合作用下，绝缘子表面污秽度的分布一般是不均匀分布的。而在进行等值盐密时间序列分析及等值盐密人工神经网络预测模型建模过程中所使用的等值盐密实测数据，均是未考虑测试绝缘子表面污秽不均匀分布特性的等值盐密数据 [8] 。

大量的研究和实验表明，绝缘子表面污秽的不均匀分布特性对绝缘子污秽闪络电压有很大影响，绝缘子表面污秽分布的不均匀度越大，对污闪电压影响越大。因此，人工污秽实验数据测得的污闪临界电压数据与实际电网绝缘子污闪临界电压之间存在一定差异。在等值盐密测量值相同情况下，实际运行条件下的绝缘子的污闪临界电压一般要高于人工污秽试验中的绝缘子。造成这一差异的主要原因是人工污秽试验用的“盐”，即绝缘子污秽中的可溶物是 NaCl ，而实际运行中的绝缘子表面沉积的污秽中的可溶物的种类较多，不仅有易冗余水的一价盐如 NaCl ，还有不易溶于水的二价盐如 CaSO 4 等。在实际的等值盐密测量过程中，由于用水量较多， CaSO 4 等二价盐类的溶解度也较大，对等值盐密测量值的有较大贡献。在实际运行条件下的绝缘子表面，即使在饱和受潮状态，其附着的水分也很少， CaSO 4 等二价盐在微量水中的溶解度很小，对污层电导率的贡献很小。以上分析表明，实际运行条件下的绝缘子表面二价盐的存在，导致相同等值盐密条件下的人工污秽试验测得的污闪电压比实际运行中绝缘子的污闪电压要低。同时，人工污秽试验过程中的绝缘子污层是均匀分布的，而实际运行条件下的绝缘子表面污层分布是不均匀的，分布越不均匀的污层对应的污闪电压越高 [9] 。

从以上分析可知，在进行人工污秽试验时，要对涂刷的等值盐密值进行修正，适当降低涂刷盐密值，使人工污秽条件尽可能接近实际运行条件。

4.2 人工污秽试验结果分析

人工污秽试验在人工雾室中进行，模拟实际气象条件下的绝缘子污耐压情况。人工污秽试验的目的是尽可能多的获得比较接近实际运行情况的绝缘子污秽闪络电压与环境因素数据 [10] 。

在进行人工污秽试验时，根据实际气象变化条件，选择 5 组人工气象条件组合，在每个气象条件下，针对 8 个人工涂刷的等值盐密值进行耐压试验。重复 5 组气象条件的人工污秽试验，直到人工污秽实验数据量满足建模和模型验证的要求。

表2 污秽闪络电压预测值与人工污秽耐压试验值对比 （人工污秽试验采用XP-70型绝缘子）

Tab.2  Comparison of forecast flashover voltage with that of artificial pollution tests

序   号	试验值  (kV)	预测值  (kV)	预测 误差 (%)
1	12.6	13.0	2.56%
2	11.3	11.8	5.04%
3	10.4	10.7	2.74%
4	9.6	10.0	4.18%
5	8.9	9.1	2.53%

50% 人工污秽耐压试验的目的是通过人工涂刷污秽物后进行 50% 耐压试验，得到绝缘子在一定盐密值及环境条件下污闪概率为 50% 的闪络电压水平，并将其与人工神经网络模型计算出的预测值进行比较。

50% 人工污秽工频耐受电压的测定程序：试验采用 GB/T 4585-2004 规定的升降法进行，求取绝缘子串的 50% 人工污秽工频耐受电压 U 50% 。绝缘子串在一给定基准污秽度下经受至少为 10 次的“有效的”试验。升降法试验程序为：选取接近于 50% 闪络 / 耐受水平的一个电压 U k 作为起始点并加压，若没有发生闪络，则电压水平增加 D U ，反之，则电压水平降低 D U 。 D U 应约为预期的 U 50% 的 10% 。确定第一个有效的起始电压值，应是在随后的试验过程中至少出现过两次的电压值，以避免由于 U k 取得太高或太低而引起误差。 U 50% 按下式计算：

其中 U i 为某次施加的电压值， n i 为在相同施加电压值 U i 下试验的次数， N 为有效试验次数 [11] 。

如施加电压到给定值或之前有闪络发生，则认为有污闪发生；如施加电压到达给定值 40min 后仍无闪络发生，则认为耐受，即未有污闪发生。共进行 5 组试验，每组进行 10 次耐压试验，求取 10 次试验的平均值作为该组试验结果。将该结果与人工神经网络模型的预测结果进行比较。

50% 人工污秽耐压试验用绝缘子类型与自然积污试验用绝缘子为同一类型的绝缘子。对绝缘子进行 50% 人工污秽耐压试验，验证污闪风险预测模型，结果见表 3 。

表3  污闪概率预测值与50%人工污秽耐压试验值对比（50%人工污秽工频耐受电压：U50%=97.5kV）

Tab.3  Comparison of forecast probability with that of 50% artificial pollution voltage withstand tests

编号	试验结果（ % ）	预测结果（ % ）	预测误差（ % ）
1	60	53.78	-11.57
2	55	60.36	8.88
3	50	55.08	9.22
4	45	40.08	-12.28
5	40	35.29	-13.35

以上试验结果可见，建立的绝缘子污闪 风险 预测人工神经网络模型的计算结果在可接受范围内，基本满足工程要求。

5  结论

随着电网的快速发展，对电网污闪防治工作有了更高、更苛刻的要求。实现污闪预测预警，有效的预防和减少污闪对电网的危害，减少电网跳闸和停电事故，加强电网的健壮性，更加安全有效的为国民经济服务是电网需要解决的难题之一。 通过本文的研究可得到以下的结论：

（ 1 ）将电网根据气象预报区域划分成区域网格，在各个气象预报网格内对电网污闪相关参数作出预测，能够实现对区域内电网污闪风险较为准确的预测和评估。

（ 2 ）本文提出的基于实时气象数据的区域电网污闪风险评估模型，能够较好地拟合环境条件、等值盐密、污秽电压及污闪风险概率之间的关系，计算结果与试验测量数据一致性在工程可接受范围内。

（3）研究与分析表明，利用人工神经网络模型对区域电网污闪风险进行预测能够取得工程实际可接受的结果。而进一步提高电网污闪风险预测精度需要更加大量的试验和历史记录数据对模型进行长期的训练与优化。

参考文献

[1]  胡毅.“2 . 2 2 电网大面积污闪”原因分析及防污闪对策探讨[J].电磁避雷器,  2001,182(4): 3-6.

[2]  陶文秋. 辽宁电网污闪原因及防治对策[J]. 高电压技术, 2003, 29(12): 52-53.

[3]  Ghosh P S, Chakravorti S Chatterjee. Estimation of time-to-flashover characteristics of contaminated electrolytic surfaces using a neural network[J]. IEEE Trans. on Dielectric and Electrical Insulation, 1995: 1064-1074.

[4]  Ahmad S, Ghosh P S. Modeling of various meteor- ological effects on contamination level for suspension type of high voltage insulators using ANN[C]. Transmission and Distribution Conference and Exhibition 2002, Asia Pacific, IEEE/PES, 2002.

[5]  Guan L, Cheng S. Artificial neural network power system stabilizer trained with an improved BP algorithm[J]. IEEE Generation, Transmission and Distribution, 1996, 143(2): 135-141.

[6]  张寒, 文习山, 丁辉. 用神经网络预测基于气象因素的绝缘子等值附盐密度[J]. 高压电器, 2003, 39(6): 31-32.

[7]  杨庆, 司马文霞, 蒋兴良, 等. 复杂环境条件下绝缘子闪络电压预测神经网络模型的建立及应用[J].中国电机工程学报, 2005, 25(13): 155-159.

[8]  Vitelli M, Tucci V, Petrarca C. Temperature distribution along an outdoor insulator subjected to different pollution levels[J].IEEE Transactions on Dielectrics and Electrical Insulation, 2000,   7(3): 416-423.

[9]  Gorur R S. Sudden flashover of insulators in artificial contamination tests[J].IEEE Trans. on Dielectrics and Electrical Insulation, 1997,   1(4): 79-87.

[10]  Boudissa Rabah, Djafri Saadi, Haddad A. Effect of insulator shape on surface discharges and flashover under polluted conditions[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2005, 12(3): 429-437.

[11]  蒋兴良, 舒立春, 张永记, 等. 人工污秽下盐/灰密度对普通悬式绝缘子串交流闪络特性的影响[J]. 中国电机工程学报, 2006, 26(15): 24-28.

                         

作者简介

熊  军   男， 1979 年生，博士后，高级工程师，主要从事高电压与绝缘技术、电网防灾减灾与应急管理等方面的研究。

林  韩   男， 1958 年生，博士，教授，主要从事电力系统及其自动化、电网防灾减灾、继电保护技术等方面的研究。

黄海鲲    男， 19 76 年生， 硕士， 高级工程师，主要从事高电压与绝缘技术研究。