系统-正弦波[prov_or_city]干式变压器中高压设备的绝缘故障在线监测系统通信研究
该系统采用声音探头和超声波探头进行信号采集；使用并行长短时记忆神经网络算法进行故障特征提取和绝缘破坏故障识别与报警；最后，通过IEC 61850标准GOOSE技术实现了系统通信。
实验和仿真说明，本文提出的方法能够准确地监测局放与破坏两类绝缘故障，识别精度高，基于系统样机的通信实验使用第三方软件Wireshark抓取并分析了通信报文，证明了通信方案的实时性和可靠性。
21世纪以来，我国电网规模和自动化水平的发展都极为迅速，系统-正弦波[prov_or_city]干式变压器的安全与可靠一直是需要考虑的重要问题。高压设备作为电网的重要组成部分，它的运行安全会直接影响整个输配电网络。
对于高压设备来说，一旦发生绝缘故障会严重影响整个系统-正弦波[prov_or_city]干式变压器的安全，在高压设备的绝缘故障监测方面，目前工程应用大多还处于就地监测、本地处理，对设备的综合性能要求很高，提高了成本并且不利于与系统-正弦波[prov_or_city]干式变压器后台服务器的集成。因此，针对高压设备的绝缘故障实施在线监测是极为必要的。
文献[8]针对高压设备的局部放电现象，设计了一套基于嵌入式系统的紫外内窥在线监测系统。文献[9]提出使用超声波、超高频及高频电流等3种方法对局部放电现象进行监测，经试验运行，完成了对故障信号的提取及定位。
文献[10]根据GIS（gas insulated switchgear）设备局部放电现象，分析了超高频/超声波监测技术的适宜性和准确性。文献[11]结合一起GIS电缆终端典型局放异常事例，分析了查找GIS电缆终端气隙缺陷的方法。
传统的绝缘故障检测是通过阈值判别进行故障诊断，传感器测量精度越高、抗干扰能力越强则故障识别越准确，但这种方式难以客观高效地识别设备不同的状态。本文使用并行长短时记忆（long short-term memory, LSTM）神经网络算法进行故障特征提取和绝缘破坏故障识别，长短时神经网络结构解决了随着时间间隔的增加容易出现梯度爆炸或梯度弥散的问题，并行运算的方式对监测系统采集到的两类数据进行处理，节约了运算资源，提高了识别效率。
在系统通信方面，本文采用了IEC 61850标准GOOSE机制，对绝缘故障监测IED进行了建模分析，实现了系统的通信，使该系统能够符合国际化[prov_or_city]干式变压器的通信标准，利于监测系统与[prov_or_city]干式变压器服务器的集成管理。实验和仿真说明，本文提出的方案能够高效的判别高压设备不同的运行状态，具有识别精度高、实时性好等优点。
图5 系统通信流程图
结论
对高压设备进行绝缘故障在线监测对系统-正弦波[prov_or_city]干式变压器的安全运行有着重要的意义，通过在线监测能够完成与[prov_or_city]干式变压器后台服务器的集成，降低成本的同时提高了检修效率。
本文使用并行长短时记忆神经网络算法对绝缘破坏故障进行特征提取和故障识别，并从通信的角度出发，基于IEC 61850标准和绝缘故障监测进行研究，根据设备的功能建立了信息模型，并根据GOOSE技术的特点和需求设计了相应的系统结构，阐述了在线监测系统的通信流程和实现方案，并与TCP协议进行了对比分析，为今后的研究和开发工作提供了参考价值。
