环境因素对避雷器泄漏电流影响的计算方法与流程

本发明涉及电力系统安全控制技术，具体涉及一种环境因素对避雷器泄漏电流影响的计算方法。

背景技术：

金属氧化物避雷器(metaloxidesurgearrester,简记为moa)以其优异的非线性特性和大通流容量等优点，成为电力系统过电压保护的主要设备，能有效抑制电力系统中的操作过电压和大气过电压。

泄露电流中的阻性电流能有效的反映避雷器健康状况，阻性电流一般都是从采样的泄露电流中提取出来，而泄露电流的大小又受环境因素的影响。经实验验证，在多种环境因素的干扰下，泄露电流幅值与温湿度有关。

现有技术中缺少考虑环境因素对避雷器泄漏电流影响的相关方法。

技术实现要素：

本发明的目的在于提供一种环境因素对避雷器泄漏电流影响的计算方法。

实现本发明目的的计算方案为：一种环境因素对避雷器泄漏电流影响的计算方法，包括以下步骤：

步骤1、多次采样避雷器的泄露电流和当时的温度与湿度；

步骤2、利用多元线性回归分析，将温度与湿度作为自变量，泄露电流值作为因变量，拟合曲线；

步骤3、继续测量温湿度与泄露电流值，根据拟合曲线方程，将此时的泄露电流值转化为标准温湿度下的泄露电流值。

本发明与现有技术相比，其显著优点为：1)本发明能够间接去除温度湿度对泄露电流的影响，定量的表示泄露电流与温湿度的关系；2)本发明能够预测不同温湿度下泄露电流的值；3)本发明能避免因为天气原因而导致误判避雷器的健康状况。

附图说明

图1是环境因素对避雷器泄漏电流影响的计算方法流程图。

图2是残差值序列图。

图3是残差值分布图。

具体实施方式

本发明首次利用多元线性回归的方法，明确了温湿度等环境因素对泄露电流幅值的影响，能够将实际测得的泄露电流幅值转化为标准温湿度下的电流幅值。下面具体说明本发明内容。

一种环境因素对避雷器泄漏电流影响的计算方法，包括如下步骤：

步骤1、多次采样避雷器的泄露电流和当时的温度与湿度；

步骤2、利用多元线性回归分析，将温度与湿度作为自变量，泄露电流值作为因变量，拟合曲线；

步骤3、继续测量温湿度与泄露电流值，根据拟合曲线方程，将此时的泄露电流值转化为标准温湿度下的泄露电流值。

进一步的，步骤2具体为：

设影响泄露电流的各自变量参数t,rh为影响泄露电流i的两个因素，假定他们之间有如下线性关系:

i＝β0+β1t+β2rh+ε

其中i是可测量的随机变量，β0、β1、β2为未知参数，称为回归系数，ε是不可观测的随机误差，且有

e(ε)＝0,d(ε)＝σ²<∞

其中σ²是未知参数；

取n组不同的(ti1,rhi2)，分别进行n次独立的计算，i＝1,2,…,n，得到y的n个独立观测值i1,i2,…in,则有

利用最小二乘法求多元线性回归方程后，对线性回归方程进行显著性检验。

进一步的，采用基于方差膨胀因子的多重共线性诊断，考虑到自变量xi关于其余自变量的多元线性回归，计算模型的判定系数，定义为第i个自变量的方差膨胀因子：

当自变量xi有依赖于其他自变量的线性关系时，接近于1，vifi接近于无穷大；反之，接近于0，vifi接近于1；vifi越大说明线性依赖关系越严重，即存在共线性。

进一步的，根据实测的温度t、湿度rh和泄露电流i计算标准温度t0和湿度rh0的泄露电流值，再进行比对，判断避雷器的健康状况。

下面结合实施例和附图对本发明进行详细说明。

实施例

基于多元线性回归的温湿度对避雷器泄露电流的影响，能够定量分析温湿度对泄露电流的变化，本发明方法包括如下步骤：

步骤1、多次采样避雷器的泄露电流和当时的温度与湿度，尽量让温湿度范围尽可能的宽；

步骤2、利用多元线性回归分析，将温度与湿度作为自变量，泄露电流值作为因变量，拟合曲线；

步骤3、继续测量温湿度与泄露电流值，根据拟合曲线方程，将此时的泄露电流值转化为标准温湿度下的泄露电流值，再根据此时的泄露电流判定避雷器的健康状况；

利用当前温湿度推断标准温湿度下的泄露电流值。

由于受传感器元件的影响，测量的数据存在一定的误差，必须要多次测量取均值，再进行推断。

根据实测的温度t、湿度rh和泄露电流i计算标准温度t0和湿度rh0的泄露电流值，再进行比对，判断避雷器的健康状况。

设影响泄露电流的各自变量参数t,rh为影响泄露电流i的两个因素，假定他们之间有如下线性关系:

i＝β0+β1t+β2rh+ε

其中i是可测量的随机变量，βi是未知参数，称为回归系数，i＝0,1,2，ε是不可观测的随机误差，且有

e(ε)＝0,d(ε)＝σ²<∞

其中σ²是未知参数。

取n组不同的(ti1,rhi2)，i＝1,2,…,n，分别进行n次独立的计算，得到y的n个独立观测值i1,i2,…in,则有

利用最小二乘法求多元线性回归方程后，必须对线性回归方程进行显著性检验。对于给定的显著性水平α，可以查f分布得到临界值fα(k,n-k-1)。所以当f>fα(k,n-k-1)时认为yi组成的矩阵与xin组成的矩阵之间存在线性相关关系，所建立的线性回归方程式显著的；否则所建立的线性回归方程式不显著的。

多重共线性指的是多元回归模型的自变量间存在近似的线性关系，它的存在使得估计的精确性大幅度降低，估计值稳定性变差，甚至会导致一些回归系数通不过显著性检验，正负号倒置，使得无法从回归方程中得到合理的物理意义的解释，降低了回归方程的应用价值。多重共线性诊断的方法有很多，本发明采用基于方差因子膨胀法的多重共线性诊断。

根据实测15天的数据进行多元线性回归分析，表1所示为模型的回归系数的最小二乘法估计结果：

表1回归系数的最小二乘法估计结果

从表1得到的模型各自变量的回归系数，得到最小二乘法下的回归模型：

y＝0.79935+0.0020511x1+0.051011x2

表2为温度和湿度作为自变量，泄露电流作为因变量的模型拟合优度检验表

表2拟合优度检验

表2拟合优度检验列出了模型的r值、r²值、调整的r²值以及标准估计的误差。r²值越大，所反映的两变量的共变量比率越高，模型与数据的拟合程度越好。

本发明采用的基于方差膨胀因子的多重共线性诊断，考虑到自变量xi关于其余自变量的多元线性回归，计算模型的判定系数，定义为第i个自变量的方差膨胀因子：

当自变量xi有依赖于其他自变量的线性关系时，接近于1，vifi接近于无穷大；反之，接近于0，vifi接近于1。vifi越大说明线性依赖关系越严重，即存在共线性。通常情况下，基于方差膨胀因子的多重共线性诊断规则为：vifi<5，认为不存在共线性；5≤vifi≤10，认为存在中等程度共线性；vifi>10，认为共线性严重。表3为利用方差膨胀因子法得到的温湿度的共线性关系：

表3温湿度方差膨胀因子

观察各个变量的方差膨胀因子vif值均小于2，说明解释变量之间的共线性并不强，几乎没有共线性关系。

利用之前得到的拟合曲线方程对未来十天的泄露电流进行预测，对比如图2、图3所示。

通过图2图3中的残差值序列图与残差值分布图可得，残差值随机的在水平轴y＝0上下无规则的波动，说明残差值间是相互独立的，最大残差值在0.03ma左右，占绝对数值0.8ma的3.75％，可见，模型预测的结果与真实数据的误差很小，而且残差的分布也近乎满足正态分布，那么当数据量足够大时，均值误差也会变的很小。