110 千伏穿墙套管末屏温湿度测量及经验量化分析系统的研发

摘要：随着我国现代化程度的提高，电力需求和依赖程度迅速增长，用电负荷不断增加，对供电可靠性的要求日益提升。在电网中，由于现场环境的污染程度限制，部分高压设备需要安装在室内，室内外高压设备的连接需要大量的穿墙套管。目前，110千伏穿墙套管主要采用电容型套管。在生产实践中发现，这类穿墙套管的末屏容易因受潮、局部放电等原因导致绝缘损坏。由于电容型套管数量庞大，传统的末屏绝缘电阻和介质损耗等试验需要停电，造成经济损失。为了实时监测末屏所处环境，判断绝缘状态，研发了一套针对110千伏穿墙套管末屏的温湿度测量装置，并基于测量数据构建了经验量化分析系统，通过挖掘数据特征实现对套管末屏的绝缘监督。最终试验数据表明，温湿度测量装置能够实时连续显示套管末屏的温湿度，经验量化算法对数据的拟合程度达到误差要求，系统可以为末屏绝缘状态提供科学判据。

关键词：110千伏；穿墙套管；末屏；温湿度测量；在线监测；经验量化分析系统

中图分类号：TM761 文献标识码：A

文章编号：1009-3044（2025）05-0091-03 开放科学（资源服务） 标识码（OSID） ：

1 课题背景

目前，电网公司所辖变电站已全面推广无人值守。然而，对变电站内电气设备的环境要素（包括温度、湿度） 无法实现远程监测。长期的雨天、水灾、室内渗漏、电缆室积水，以及炎热夏季封闭高压室的温湿度异常变化，都会导致电气设备运行工况急剧恶化，影响对外供电，甚至造成设备和电缆等烧毁或爆炸。远程监控通过电气量遥测无法判断现场故障情况[1]，而辅助视频监控功能缺乏温湿度和红外测试功能，无法全面掌控变电站设备的运行状况。这是当前监控系统存在的不足。

在例行试验中发现某些交流330千伏变电站的110千伏出线穿墙套管末屏绝缘电阻较低[2]，介质损耗角正切值较大。打开末屏引出的小套管保护封盖后，发现引出线的绝缘护套存在烧蚀痕迹，小套管内表面有腐蚀现象，怀疑是受潮导致的绝缘损坏，并伴随发热现象。因此，开展了110千伏穿墙套管末屏温湿度测量及经验量化分析系统的研发，以求及时发现缺陷，进行检修处理。

针对交流330千伏变电站的110千伏穿墙套管末屏受潮发热等问题，开展了110千伏穿墙套管末屏温湿度测量及经验量化分析系统的研发。该系统基于选型的硬件，设计了一套软件系统，即经验量化数据分析系统。

2 系统需求

2.1 安全生产需求

穿墙套管末屏受潮可通过湿度测量进行监测，而局部放电的长期积累会引起温度异常升高，因此有必要同时测量末屏的温度数据。基于上述需求，需要选型一套能够在线监测穿墙套管末屏温湿度数据的仪器，并设计一套故障监测计算系统。

2.2 仪器的选型需求

1） 数据上传：采集套管末屏在正常运行、故障初期、故障发生和故障后的温度和湿度数据，进行多点、多时段的采集[3]。

2） 边缘计算报警：在底层单片机中，对采集的温度和湿度信息进行比较和逻辑运算，设置温度限值报警和温度增长预测报警。

3） 数据分类存储：数据首先在底层单片机中缓存，定期发送到上位机。上位机将数据存储进数据库。

4） 数据显示：上位机在显示屏上按照时间先后顺序滚动显示温湿度数据，形成温湿度曲线。

2.3 故障监测计算系统需求

1） 纵向分析：根据历史温湿度数据预测未来数据，并将预测数据与新测得的数据进行比对，发现数据异常差异。

2） 横向分析：对同一时间节点、同类型套管的温湿度数据进行聚类分析，找到异常数据。

3） 汇总分析：根据横向和纵向分析结果，提取异常温湿度数据，进行对比分析，设置控制逻辑图，对应象限点即为当前穿墙套管的异常状态分析结果。

4） 图形展现：使用图形方式展示分析结果，便于运维检修人员判断套管的异常状态。

2.4 需求差异分析

由于电容型穿墙套管数量庞大，停电试验需要大量的人力和物力支持，且无法实现在线监测。根据例行试验结果判断套管继续运行的风险大小，特别依赖现场试验人员的经验。有经验的师傅可以判断出套管内部的损坏程度，而缺乏经验的人员则难以对套管的整体健康状态作出正确判断。这种经验差异为安全生产埋下隐患。

因此，需要一套软件系统，智能融合量化经验和各项试验规程。通过穿墙套管的各项在线状态数据，精准判断其健康状态[4]。

3 设定目标及目标可行性分析

3.1 温湿度数据采集仪器的实现

经验量化算法中纵向分析以及横向分析的对比标准如图1所示。

为实现温湿度数据的准确采集，制定以下目标：RGB屏连续滚动显示功能，完成度100%；SD卡数据记录准确率，达到100%；底层预警功能，完成度100%。

实现手段：

1） 将变电站内的套管按照地理位置分区域，每个区域设置数据汇集模块。区域内通信采用蓝牙无线透传，区域间传输则采用Wi-Fi透传技术。

2） 在控制理论中，滞环控制报警系统可消除系统不稳定性。通过对离散量进行后向差分，可以判断其变化趋势。当任一报警达到规定值时，装置将发出告警蜂鸣声信号。

3） 上位机通过文件系统将数据存储在SD卡中，并将温湿度数据传输到RGB显示屏。温湿度数据曲线将滚动显示，新增加的数据在右侧显示，之前的数据左移，最左侧的数据被覆盖，实现数据的实时更新。这样不仅能观测当前温度，还能观察之前一年的温度变化趋势，从而了解设备的运行状态。

3.2 经验量化分析系统的实现

3.2.1 纵向分析目标量化

选择隐含层数，满足数据统计指标：

1） MAE（平均绝对误差） ＜0.005；

2） RMSE（均方根误差） ＜0.02；

3） MAPE（平均绝对百分比误差） ＜1%。

实现手段：采用Elman神经网络预测算法[4]，根据历史温湿度数据预测未来数据，并与新测得的数据进行比对，分析问题。参考文献[4]提出的基于Elman神经网络的天然气负荷预测模型，实现了高精度预测。

3.2.2 横向分析目标量化

枚举计算并寻优轮廓值，满足精准度比例d%大于95%。

实现手段：

采用K-means聚类算法[5]，对同一时间节点、同类型套管的温湿度数据进行聚类分析，寻找异常。参考文献[5]提出的基于K-means聚类算法的用户复杂用电特征挖掘方法，其精准度最高达到99%。

4 提出方案并确定最佳方案

4.1 温湿度数据采集仪器

硬件组成包括以下部分：边缘计算STC51单片机（STC公司生产的一种51单片机，兼容英特尔8051指令系统） ；DS18B20温度采集模块（一种由DALLAS半导体公司推出的数字温度传感器） ；DHT11湿度采集模块（一款已校准数字信号输出的温湿度传感器） ；HC-05蓝牙串口模块（HC-05是一种主从一体化的蓝牙串口模块） ；ESP8266 Wi-Fi模块（集成了TCP/IP协议栈与自身ESP8266芯片，具有强大的通信功能） ；上位机STM32数据处理器（嵌入式单片机） 。

具体方案设计：

1） 在套管末屏处加装温度、湿度传感器，对正常运行、故障初期、故障发生及故障后的温湿度数据进行多点采集。

2） 边缘计算STC51单片机从温度、湿度传感器读取数据，每10分钟通过串口发送一次温湿度数据。串口连接HC-05蓝牙从机模块，通过蓝牙透传功能将数据上传至数据汇集单片机。

3） 将变电站划分为不同区域，区域划分根据ESP8266 Wi-Fi传输半径设置。每个区域中心设置数据汇集单片机，与底层单片机通过蓝牙通信，与上位机通过Wi-Fi通信。

4） 在SD卡中存储数据，每1小时记录6次数据的平均值。RGB 屏上显示一天内24 小时数据的最大值。通过对6组数据求平均，并剔除与平均值差异较大的数据，确保上传数据的准确性。

5） 上位机STM32的串口3（波特率为9 600）连接ESP8266 Wi-Fi模块，接收温湿度数据并存储于内部缓存。

6） 实现双环警报系统，通过温度限值和温度增长差分触发蜂鸣器报警。

7） RGB屏上以黑、红、蓝三种颜色显示三种状态：黑色表示温度正常，红色表示温度达到限值报警，蓝色表示温度达到差分报警。

8） 温度数据曲线滚动显示，新数据在右侧加入，旧数据左移。观测当前温度的同时，能够观察之前的温度变化趋势，从而了解设备的运行状态。

4.2 经验量化分析系统

4.2.1 纵向分析

利用Elman神经网络，根据过去24小时的数据预测未来一小时的数据，并判断预测数据与实际数据的偏差。在前馈网络的隐含层中增加一个承接层，以实现一步延时的记忆功能。参数选取方面，迭代次数设定为1 000次，并选择适当的隐藏层节点数。

4.2.2 横向分析

采用K-means聚类算法，对同一时间多个套管的末屏温湿度数据进行聚类，并对异常点进行标记，形成独特类。在每次聚类前选择分类数，通过计算轮廓系数来选择最佳的分类数。以最小化目标函数为优化目标，不断迭代，选择k个初始聚类中心，以达到局部最优的聚类效果。使用最大期望算法求解高斯混合模型，在正态分布的协方差为单位矩阵且隐变量的后验分布为狄拉克δ函数时，获得特例。

5 对策实施

5.1 温湿度数据采集仪器选型

1） SD卡数据记录：在SD卡中记录警报内容，警报码分为0、1、2三种。0表示正常，1表示温度限值警报，2表示温度差分警报，如图2所示。

2） RGB屏显示：RGB屏以黑、红、蓝三色显示当前状态，黑色正常，红色表示温度达到限值报警，蓝色表示温度变化达到差分报警。

5.2 Elman 神经网络数据学习及纵向分析

隐含层节点数的选择：增加隐含层节点数可以降低网络误差，提高精度，但也会增加网络的复杂度，延长训练时间，且可能导致过拟合。如果节点数过少，将无法训练出合适的网络，容错性较差；而如果节点数过多，泛化能力将降低，误差不一定最小。因此，需要根据实际情况选择最佳的隐含层节点数。

5.3 K-means 聚类算法轮廓系数计算及横向分析

轮廓系数计算：轮廓系数结合了聚类的凝聚度和分离度，用于评估聚类效果。其值介于-1到1之间，值越大，聚类效果越好。通过计算不同聚类数下的轮廓系数，可以选择最佳的聚类数。

6 效果检查

6.1 纵向分析结果

结果展示：将纵向分析的试验结果以表格形式展示，如表1。

分析结果：从表1可以看出，温度和湿度的MAE、RMSE、MAPE均满足预设指标，模型预测精度较高。

6.2 横向分析结果

结果展示：将横向分析的试验结果以表格形式展示，如表2。

分析结果：从表2可以看出，温度和湿度聚类的特征挖掘精准度比例d%均大于95%，满足预设目标。

7 结论

本文研制的RGB屏可以实现温湿度数据的连续滚动显示，SD卡数据记录准确率达到100%。底层预警功能实现了温度限值报警和温度差分报警。经验量化分析系统的纵向分析通过合理选择隐含层数，满足了数据统计指标（MAE＜0.005、RMSE＜0.02、MAPE ＜1%） ；横向分析则通过枚举计算并寻优轮廓值，精准度比例d%均大于95%。

通过纵向分析，可以得出当前穿墙套管数据与历史趋势的偏离程度；通过横向分析，可以得出当前穿墙套管数据与同一时间其他套管测量数据的偏离程度。当纵向和横向分析的偏离值均为最大时，可判断该穿墙套管状态异常，需要停电试验进一步确定是否更换，从而为最终决策提供科学依据。

参考文献：

[1] 邱虎.变压器套管绝缘在线监测系统的研究[D].武汉：武汉理工大学，2011.

[2] 孙胜涛，咸日常，邵泽霖，等.一起110kV干式穿墙套管介损超标的原因分析和处理[J].变压器，2012，49（4）：50-51.

[3] 吴昊，彭懋磊，张亦梅.基于STM32和ZigBee的台站观测环境监测系统设计[J].物联网技术，2016，6（11）：54-56，60.

[4] 宋超，宋娟，任军.基于EIman神经网络的短期天然气负荷预测建模与仿真[J].工业控制计算机，2016，29（4）：87-88.

[5] 蒋勇斌，赵炜，曹晶晶，等.基于k-means聚类算法的用户复杂用电特征挖掘方法研究[J].电子设计工程，2020，28（18）：11-15.

【通联编辑：张薇】