图1 应用场景及振动能量采集器结构示意图
Fig.1 Schematics of power transmission system application scenario and vibration energy harvester
摘要 随着我国输电网络快速发展，大跨距、高悬挂的架空输电线路微风振动问题愈发突出，但传统监测技术传感精度不足，监测系统无法获得长期稳定供电。因此，该文利用环境微能量收集技术，首先提出一种柔性多层摩擦-电磁复合振动能量采集器原理，并基于该原理完成振动能量采集器设计，对其结构参数与摩擦材料进行优化，可实现微风振动在5～40 Hz宽振频内的高效机电能量转换，其中摩擦与电磁自驱动单元的峰值输出功率分别达到4.4 mW与53 mW；其次，利用多层弹性摩擦单元输出的电信号来表征振动触发的动态过程，针对振动频率和振幅大小，将微风振动状态划分为九类，并深入挖掘导线微风振动状态的自驱动传感特征参量，构建基于卷积神经网络的“振动激励-自驱动传感特征”的映射关联；最后，在此基础上开发由振动能量采集器、电能管理电路、可视化上位机构成的输电线路微风振动自驱动传感系统，根据不同的振动状态进行分级预警，其中微风振动状态识别准确率达到97.8%。该文研究成果可为“双碳”背景下电力装备状态自驱动智能感知提供新思路与新途径。
关键词：输电线路微风振动 环境微能量收集 柔性多层摩擦-电磁 自驱动传感特征 自驱动传感系统
高压架空输电线路作为电力系统中传输与分配电能的重要电力装备，通常设计为大跨度、高悬挂、宽截面，在易变气候条件下容易出现振动问题，其中以微风振动发生的频率最高[1-2]。风载荷作用下输电线路形成的卡门涡旋与同步效应是诱发导线垂直平面内发生高频、低幅微风振动的主要原因。长期微风振动积累会加剧导线疲劳损伤，甚至断股断线，严重威胁电网的安全可靠性[3-4]。因此，需要对微风振动进行在线监测，实时获取线路振动状态和疲劳程度。
当前主要采用数值计算、图像采集、光纤传感器以及各类振动传感器等方式监测与预警线路微风振动[5-7]。然而现有振动监测技术大多存在传感精度不足、受环境与监测距离影响较大等问题，且相应的传感节点体积大，无法获得长期稳定供电，不利于灵活部署。为了满足输电线路的长期监测需要，环境微能量自驱动传感技术成为给传感器提供电力的一种替代方案[8]。自驱动传感技术按照其工作原理可以分为压电发电机（Piezoelectric Generator, PEG）、电磁发电机（Electromagnetic Generator, EMG）、摩擦纳米发电机（Triboelectric Nanogenerator, TENG）[9-10]。基于压电效应的PEG具有结构简单、输出电压高等特点，但存在工作模式单一、共振频段较窄、压电材料长期形变后响应精度不足等缺点。基于电磁感应的EMG具有输出电流高、适用频率范围广等特点。基于静电感应与摩擦生电的TENG具有结构灵活、输出电压高、响应灵敏度高等特点，尤其是垂直接触分离式TENG因其高灵敏度和出色的输出性能已被证明是获取环境振动微能量较为有效的方式之一[11]。值得注意的是，TENG在垂直接触分离工作模式下的带电效应发生在垂直振动方向，这与导线垂直平面内具有高频、微幅振动特征的微风振动一致。此外，考虑到TENG具有较高的输出电压，而EMG则可以提供更高的输出电流，将两者进行复合可以实现优势互补。
当前国内外已出现关于输电线路应用场景下的能量采集与振动状态自驱动传感。重庆大学Wu Han等提出了一种基于螺旋弹簧结构的TENG自供电传感器，通过结构参数优化，实现输出电信号对导线振动激励的线性响应，并开发了导线微风振动状态监测与异常振动预警系统[12]。东北大学Wang Liang等提出了一种部署在输电线路上的对称弹性双稳态TENG，用于收集6～70 Hz振动频率范围内的振动能量[13]。重庆大学Wu Han等还提出了一种基于三明治结构的TENG自供电振动传感器，通过机械开关实现电荷积累和瞬时高能释放，可以部署在电力装备表面[14]。北京纳米能源与纳米系统研究所ZhangXiaosong等采用准零刚度结构和中心错位设计来改善振动能量采集器在低振频范围内的能量收集效率，能够有效地覆盖输电线路微风振动宽频带范围[15]。武汉大学Deng Haocheng与西安交通大学何海龙等系统地综述了面向输电线路应用场景的振动状态自驱动传感研究进展[16-17]。综上所述，目前针对导线振动状态的自驱动传感研究大多通过建立振动激励与输出电信号间的拟合关联，以实现振动频率或幅度识别，但未进行振动模式细分，忽略了不同振动模式下振动状态的差异性。值得注意的是，清华大学深圳研究院Zhao Hongfa等设计了一种覆有镀金电极的氟化乙丙膜TENG自供电传感器，系统地分析了该传感器在不同振动频率、加速度和振幅下的输出性能，并利用机器学习建立了用于机械齿轮系的振动状态识别方法[18]。当前，基于信号处理与深度学习的自驱动传感方法在人体健康监测、交通管理、振动监测等领域得到了广泛应用[18-20]。因此，在充分研究面向输电线路微风振动的自驱动传感器输出信号特征的基础上，利用现代信息技术建立振动识别模型，是实现输电线路微风振动状态自驱动智能感知的有效解决思路。
本文针对输电线路微风振动特征，提出一种基于柔性多层摩擦-电磁的复合振动能量采集器原理，并基于该原理完成振动能量采集器设计，通过试验全面优化其结构参数与介电薄膜的材料选型，实现微风振动宽频带内的高效机电能量转换与高灵敏度响应。针对振动频率和振幅大小，将微风振动状态划分为九类，进一步提取不同振动状态下的特征频率作为特征参量，并通过卷积神经网络（Convolutional Neural Network, CNN）训练，建立“振动激励-自驱动传感特征”映射关联的振动状态识别模型，构建面向输电线路微风振动的自驱动传感系统。本文研究成果能够给电网环境下电力装备状态自驱动智能感知提供理论依据与技术支撑。
在输电线路中，微风振动是导致线路损伤的主要原因，其高频小振幅的特点具有一定的隐蔽性。本文针对输电线路振动能量采集应用场景，将柔性多层垂直接触分离式TENG与嵌入式EMG进行耦合，设计了一种具有导线振动监测与振动能量采集的自供电传感器。应用场景及振动能量采集器结构示意图如图1所示。自供电传感器外层为半径70 mm、高66 mm的圆柱透明罩，传感器轻便小巧，总质量为957.6 g，符合标准GB/T 35697—2017《架空输电线路在线监测装置通用技术规范》，不会给输电线路本体结构和运行造成负面影响。
图1 应用场景及振动能量采集器结构示意图
Fig.1 Schematics of power transmission system application scenario and vibration energy harvester
复合振动能量采集器由摩擦自驱动单元和电磁自驱动单元两个部分组成。摩擦自驱动单元由多层柔性弹性体TENG堆叠而成，位于中间可移动树脂板和底部树脂板之间。弹性体TENG和中间可移动树脂板可以建模为单自由度二阶弹簧-质量系统，在外部振动激励下表现出类弹簧运动特征。弹性体TENG通过垂直接触分离运动，将振动激励下的机械能转换为电信号输出，为输电线路微风振动智能监测提供了振频、振幅等数据支持。在多层柔性弹性体TENG中，将具有优异柔性、质量轻和适当刚度的聚酰亚胺薄膜（Kapton）设计为环形弹性体，作为多层结构TENG的基底材料，以充分响应外部振动激励。为提升器件振动传感灵敏度与输出特性，将聚氨酯（Polyurethane, PU）泡棉与氟化乙烯丙烯（Fluorinated Ethylene Propylene, FEP）薄膜分别作为摩擦单元的正、负极性介电层，利用具有三维体积效应的PU泡棉提升电荷转移速率与具有柔性特征的FEP薄膜增大摩擦层接触面积。
复合振动能量采集器的电磁自驱动单元结构位于中间可移动树脂板和顶部树脂板之间。中间可移动树脂板均匀地内嵌7个圆柱环状的线圈，顶部树脂板则对应固定7个条形磁铁。在外部振动激励下，感应线圈随着可移动树脂板垂直振动，顶部的条形磁铁不断嵌入线圈内部，当磁铁沿垂直方向进出线圈运动时，穿过线圈的磁通量会随磁铁与线圈距离的变化而变化，从而产生相应的电能，用于自供能导线振动监测系统。
多层柔性弹性体TENG的工作原理基于摩擦起电与静电感应效应。以单个环形弹性体TENG为例进行分析，TENG工作机理示意图如图2所示。首先，在微风振动激励引起的挤压下，TENG下部的FEP薄膜与上部的电极完全接触，并通过摩擦起电分别在表面产生等量异种电荷；其次，FEP薄膜与上电极分离，产生静电感应使电极之间形成电势差，FEP薄膜表面的电子由于不能被完全屏蔽而保留一段时间，这就会驱动电子通过外部负载从下电极流向上电极以重新平衡静电状态；然后，随着分离距离逐渐达到最大，电子转移停止，FEP薄膜与上电极之间重新建立静电平衡，完成一半的发电周期；最后，当FEP薄膜和上电极逐渐接近并完全接触时，电子从上电极被驱动到下电极形成反向电流，直到再次建立静电平衡，完成整个发电循环。
图2 TENG工作机理示意图
Fig.2 The working principle of TENG
EMG的工作原理基于法拉第电磁感应效应。以单个EMG为例进行分析，EMG工作机构示意图如图3所示。在外部振动激励下，感应线圈随着可移动树脂板垂直向上运动，由于楞次定律，线圈产生与原始磁场方向相反的磁场，以防止磁铁接近。当可移动树脂板垂直向下运动时，条形磁铁和感应线圈相互远离，线圈产生反方向的电流。EMG通过磁铁和线圈之间的周期性距离的变化而产生交流电。
图3 EMG工作机构示意图
Fig.3 The working principle of EMG
为了对复合振动能量采集器的输出性能进行测试，搭建振动能量采集器输出性能测试平台如图4所示。该测试平台由电磁式激振器、能量采集器、Keithley 6514B高性能静电计、NI数据采集卡、LabVIEW上位机组成。采用激振器、信号发生器和功率放大器三者组合作为激励源，模拟导线微风振动状态。静电计可以测量10-16 A～20 mA电流、10 µV～200 V电压，与数据采集卡连接使用能够实现对振动能采集器输出特性的精确测量。LabVIEW上位机可以实时记录静电计测量的数据，并显示数据分析处理后的结果。
图4 振动能量采集器输出性能测试平台
Fig.4 Testing platform for output performance of vibration energy harvesters
为了表征摩擦自驱动单元的电气输出性能，利用图4所示输出性能测试平台模拟微风振动条件，结果显示所设计的复合振动能量采集器能够在5～40 Hz振频、1～6 mm振幅范围内有效输出电能。针对5 mm振幅条件，对摩擦自驱动单元的输出电气性能进行测试，获得其开路电压峰峰值Voc、短路电流单侧值Isc、转移电荷Qsc如图5所示。由图5可以发现，摩擦自驱动单元的谐振频率为20～25 Hz，其中Voc、Isc、Qsc分别达到490 V、27 µA、0.22 µC。摩擦自驱动单元在整个输电线路微风振动主频段范围内的平均输出峰峰值约为370 V，显示出优异的电气输出性能。
图5 不同振动频率下能量采集器TENG的输出
Fig.5 The output of the TENG of the vibration energy harvester at different vibration frequencies
摩擦电材料是高频振动能量采集的关键，其在很大程度上影响了摩擦自驱动单元的输出性能。在单个TENG单元中对比了四种不同的负极性摩擦电材料，包括氟化乙烯丙烯（FEP）、聚酰亚胺薄膜（Kapton）、聚对苯二醇酸乙二醇酯（PET）和聚四氟乙烯（PTFE）。其中，正极性材料PU泡棉具备三维体积效应电荷转移增强效应、柔软接触特性和环境可回收等多重优势[21]，通过进行不同负极性摩擦层材料与PU泡棉的交叉试验，探索PU泡棉与垂直接触分离式摩擦单元的结合对输出性能的影响。同时，TENG单元的高度也会对摩擦单元的输出性能产生影响。TENG单元的高度即为摩擦层垂直分离过程中的最大间距，如果间距过大，摩擦电材料无法与上下电极有效接触。显然，适当地减小间距可以增加接触面积，加速电荷生成，提高输出效率；但若间距过小，则会加剧薄膜的摩擦行为，导致摩擦阻力增大，输出降低[22]。因此，有必要对摩擦自驱动单元的内部间距进行优化。
施加振幅为5 mm、频率为16.8 Hz的振动激励，测试了由四种负极性摩擦电材料与有无PU泡棉组合的单个TENG单元的开路电压和短路电流，如图6a所示，可见其中FEP与PU泡棉组合的摩擦单元输出性能最优。进一步测试了具有不同厚度PU泡棉的单个TENG单元的开路电压和短路电流，如图6b所示，其中由1.57 mm厚PU泡棉制成的TENG表现出最佳的输出性能，Voc与Isc分别可达250 V与14 µA。图6c显示了具有不同高度的单个TENG单元的开路电压和短路电流，结果表明当TENG的高度为15 mm时，摩擦电材料之间可以更好地接触和分离。在正极性铜片上紧密贴合PU泡棉后，TENG输出电压和电流整体上大幅度提升，这是由于PU泡棉的三维体积效应，电荷不再局限于正极材料表面，而大多数带电粒子可以储存在PU泡棉中，从而在摩擦起电过程中抑制电荷的耗散。这一过程使得TENG不易被刺穿，进一步提高了电荷密度，使静电放电过程更加稳定和可持续。
图6 单个TENG单元的介电材料和结构参数优化
Fig.6 Optimization of dielectric materials and structural pa-rameters of a single TENG
多层TENG单元堆叠构成类弹簧结构，在外部振动激励下，TENG单元的层数会影响振动能量采集器对振动激励的响应特性。通过改变TENG单元的层数，分别测量在5 mm振幅、5～40 Hz振动频率条件下的电气输出性能，如图7所示。由此可见，当摩擦自驱动单元为6层TENG时，其Voc达到最大值495 V，各层TENG单元之间能进行充分地接触和分离，此时TENG具有优异的振动响应特性与电气输出特性。
图7 TENG单元层数优化
Fig.7 Optimization of the number of layers in the TENG
对复合振动能量采集器的摩擦自驱动单元在20 Hz谐振频率、5 mm振幅条件下进行耐久性测试，结果如图8所示。在温度为25℃、相对湿度为60%下经过100 000次工作循环后，摩擦自驱动单元的Voc、Isc分别降低了1.4%与5.2%，表明其在正常环境条件下具有优异的输出稳定性。对不同温湿度环境下的耐久性进行测试发现，摩擦自驱动单元在20～30℃室温下保持稳定的输出，温度过高或过低均会导致其输出性能一定程度地降低，但影响不显著。此外，随着相对湿度从20%增加至90%，摩擦自驱动单元的Voc、Isc呈现下降趋势，且在湿度90%条件下，Voc、Isc分别下降了11.8%与33.3%，表明环境湿度对摩擦自驱动单元的输出性能影响较大，后续研究中应该聚焦摩擦单元的耐湿特性提升与器件防水功能完善。综上所述，复合振动能量采集器的摩擦自驱动单元具备一定程度的长期运行稳定性。
图8 摩擦自驱动单元的耐久性测试
Fig.8 Durability test of the TENG unit
改变振动能量采集器中间可移动树脂板的质量，可以调整摩擦自驱动单元的固有频率以匹配振动激励，从而改善能量采集器的输出性能。不同树脂板质量对摩擦单元输出的影响如图9所示。当可移动树脂板的质量为210 g时，摩擦自驱动单元的Voc与Isc达到最大值，分别为495 V与25 µA。
图9 不同树脂板质量对摩擦单元输出的影响
Fig.9 The influence of different resin board qualities on the output of the friction unit
为了表征电磁自驱动单元的电气输出性能，分别测量其在5 mm振幅、5～40 Hz振动频率条件下的电气输出特性，如图10所示。可见，电磁自驱动单元的Voc、Isc在5～10 Hz的频率范围内迅速上升，振频达到10 Hz时的开路电压峰峰值、短路电流单侧值分别稳定在约17 V、26 mA；当振频超过25 Hz时，Voc、Isc逐渐下降。由此可见，电磁自驱动单元在振频10～25 Hz范围内均具有较好的输出，相比于弹性体摩擦自驱动单元具有更宽的频带。
图10 不同频率下电磁自驱动单元的输出特性
Fig.10 Output characteristics of electromagnetic unit at different frequencies
通过改变感应线圈数量和条形磁铁与线圈的距离，对EMG单元数和感应距离进行优化。施加振幅为5 mm、频率为20 Hz的振动激励，测量具有不同线圈数量的电磁自驱动单元的输出电压，如图11a所示，其中7个EMG单元的Voc远远大于6个和8个EMG单元的Voc，达到23 V，这主要取决于线圈的数量与大小。图11b为不同感应距离下电磁自驱动单元的输出电压，其中0 mm表示初始静止状态感应线圈顶端与条形磁铁底端齐平，负数表示线圈顶端与条形磁铁底端存在重叠，而正数表示二者存在一定的空隙距离。可见，随着线圈与条形磁铁之间距离的减小，电磁自驱动单元的Voc整体上呈现先增大后减小的趋势，当静止状态线圈顶端与条形磁铁底端存在1 mm重叠部分时，电磁自驱动单元的Voc达到最大输出23 V。
图11 电磁自驱动单元的结构参数优化
Fig.11 Optimization of the structural parameters of the electro-magnetic unit
进一步探究振动能量采集器的负载特性。在10～30 Hz振动频率、6 mm振幅下对摩擦与电磁自驱动单元在不同外接电阻下的输出功率进行测试，结果如图12所示。其中，摩擦与电磁自驱动单元的输出功率随着外部负载的增加先变大后减小，且在20 Hz的振动频率下输出功率最大。当外接电阻约为100 Ω时，电磁自驱动单元的瞬时峰值功率达到约53 mW；当外接电阻约为10 MΩ时，摩擦自驱动单元的瞬时峰值功率达到约4.4 mW。最后，将振动能量采集器和电能管理电路串联，相当于一个电源，通过外接负载测量电源两端的电压和电流，得到其经过能量管理电路处理之后的输出功率为39.62 mW，能量管理电路输出电压3.3 V，可为负载提供峰值电流12 mA。
图12 摩擦与电磁自驱动单元的负载特性
Fig.12 Load Characteristics of triboelectric and electromagnetic unit
根据振动频率和振动幅度的大小，结合导线在不同微风振动下的疲损程度，本文将输电线路微风振动划分成九类振动状态，包括：低频小振幅、低频中振幅、低频大振幅、中频小振幅、中频中振幅、中频大振幅、高频小振幅、高频中振幅、高频大振幅。针对振动频率，由于输电线路微风振动主振频范围为5～40 Hz，考虑到大截面输电导线在20～40 Hz频段的动弯应力超出了容许动弯应力的要求[23]，故将5～20 Hz划分为低频段，20～40 Hz为中频段，40 Hz以上为高频段。针对振幅，输电线路的微风振动具有自限性[24]，通常基于振幅与导线直径的比值进行分类，振幅小于导线直径0.1倍为轻度振动，振幅位于导线直径0.1～0.3倍之间为中度振动，振幅大于导线直径0.3倍为重度振动。以直径为20 mm的导线为例，风振振幅小于2 mm为轻度振动状态，2～6 mm为中度振动状态，大于6 mm为重度振动状态。
本文将自驱动传感技术与深度学习方法相结合，针对输电线路微风振动频率和振幅大小范围，对输电线路微风振动状态进行划分，利用振动能量采集器的输出电信号来表征微风振动触发的动态过程，构建基于卷积神经网络的“振动激励-自驱动传感特征”的映射关联，实现对微风振动状态的准确识别和分级预警。基于深度学习架构的振动状态评估框架如图13所示。
为构建复合振动能量采集器的输出电信号与导线微风振动状态间的映射关联，以提取相应的自驱动传感特征参量，本文通过信号处理与深度学习方法，实现高准确度识别导线微风振动状态。具体实现过程如下：
1）搭建缩比输电线路微风振动模拟试验平台，包括缩比输电线路模型、摩擦-电磁复合自驱动振动传感器、振动激励源平台、能量采集系统等。利用振动激励源平台对缩比输电线路施加振动激励，以获得大量不同振动频率、幅度的导线微风振动状态。
2）针对振频为5～60 Hz、振幅为0～8 mm的输电线路微风振动，以1 Hz、0.5 mm作为振动激励的步长，在九类振动状态下各进行100次振动激励试验。针对摩擦驱动单元的输出电信号，每次试验采集100个样本，每个样本数据采集时间为1 s。
图13 基于深度学习架构的振动状态评估框架
Fig.13 Vibration condition assessment framework based on deep learning architecture
3）对上述每个振动状态特征时域信号数据进行微分和归一化运算，获得归一化的振动波形，采用谱减法来降低振动信号中的噪声，以实现样本数据清洗。对上述样本信号进行模数转换，进一步将每一类振动状态数据按照7:2:1的比例分为训练集、测试集、验证集。
4）采用CNN对训练集进行训练，训练过程中谱图在经过所有卷积、池化和全连接层后被展平为一维特征向量，并采用全连接层的Softmax分类器进行振动状态辨识，以提高特征参量分类与辨识的精度。
5）针对上述划分的九类振动状态，训练后测试集数据平均识别精度的混淆矩阵如图14所示。图14中，对角线上的元素表示被正确分类的样本数量，而非对角线上的元素表示被误分类的样本数量；绿色部分代表预测结果与实际类别相同的比例，红色部分代表预测错误的比例。其中，测试数据对振动状态的识别准确率可达97.8%，表明提出的自驱动振动传感方法可以实现对输电线路微风振动状态的有效评估。
图14 混淆矩阵
Fig.14 Confusion matrix
在输电线路微风振动状态的自驱动传感实现过程中，需要将复合振动能量采集器输出的摩擦电信号进行快速傅里叶变换（Fast Fourier Transform, FFT），确定其频谱分布，再将特定振频段的摩擦电信号输入上述已经训练好的深度学习模型中，通过分类器输出特定振频段的振幅分类，并根据已划分的九类微风振动状态，输出相应的振动状态，实现对输电线路微风振动的状态评估和分类预警。本节模拟10～30 Hz振频与5 mm振幅下的输电线路微风振动。试验中以5 Hz为激励步长，对振动能量采集器的摩擦自驱动单元输出进行测量，并利用FFT对输出电压信号进行时频转换，得到部分时频转换图如图15所示。以振动激励频率为20 Hz为例，摩擦自驱动单元的输出由频率为-19.9 Hz和19.9 Hz的振动信号组成，表明经FFT后，摩擦自驱动单元能够有效地响应微风振动频率，可以得到特定微风振动状态下的频率分布。其中，不同振动状态的输出信号有较大的差异，这为后续的振动状态识别奠定了基础。
图15 原始摩擦电信号和FFT摩擦电信号
Fig.15 The original TENG’s signal and the FFT TENG’s signal
针对输电线路微风振动状态的自驱动传感实现，设计基于超低耗全桥整流与高效降压转换的多源电能管理电路，以实现对复合振动能量采集器中摩擦与电磁自驱动单元输出的有效管理，如图16所示。
首先，在自驱动传感系统整体架构方面，采用超低损耗全桥整流电路和高效降压转换器的电源管理方案对摩擦与电磁自驱动单元实现多源电能高效管理，将低损耗全波桥式整流器和高效率降压型转换器进行集成，设计基于LTC 3588芯片的多源电源管理电路，通过宽迟滞窗口的超低静态电流欠电压闭锁（Under Voltage Lock Out, UVLO）模式将电能高效存储于电容器，直至降压型转换器能够高效稳定地输出电能。
图16 振动电能管理与信号处理电路硬件示意图
Fig.16 Hardware diagram of vibration electrical energy management and signal processing circuit
其次，针对摩擦自驱动单元的输出电能，设计基于全桥整流、可控硅整流器（Silicon Controlled Rectifier, SCR）和稳压二极管的外部电压稳定触发拓扑，以匹配摩擦自驱动单元的高阻抗特性。电磁自驱动单元的输出电能通过其输出接口直接接入LTC 3588内置的低损耗全桥整流器中，该整流器的最大承载电流为50 mA，可以完全满足电磁自驱动单元的输出电流需求。
最后，针对导线微风振动状态的自驱动传感实现，设计面向摩擦自驱动单元输出的信号处理模块，包括高通滤波器、无源衰减网络、过零比较器、蓝牙等。将信号预处理、滤波、模数转换等处理过程部署在主控芯片中，将FFT、深度学习模型部署在上位机中。通过多维度模块化封装，进一步集成复合振动能量采集器、电能管理电路、振动信号传感模块等，研制输电线路微风振动自驱动传感系统，实现对导线微风振动状态的智能感知与异常振动预警。具体地，当输电线路在外部振动激励下发生微风振动时，复合振动能量采集器在振动激励作用下输出电信号，采用高通滤波器滤除摩擦自驱动单元输出的交流电信号中的直流分量，随后采用无源衰减网络对摩擦单元输出的高电压信号进行幅值衰减，利用过零比较器输出低电平信号，并通过低功耗蓝牙芯片将数据传送至移动终端。在移动终端中对复合振动能量采集器输出的摩擦电信号进行FFT，确定其频谱分布，再将特定振频段的摩擦电信号输入上述已经训练好的深度学习模型中，通过分类器输出特定振频段的振幅分类，并根据已划分的九类微风振动状态，输出相应的振动状态，实现对输电线路微风振动的状态评估和分类预警。
针对输电线路微风振动状态智能感知系统的实现，集成复合振动能量采集器、多源电能管理电路、信号传感模块，对复合振动能量采集器的摩擦与电磁自驱动单元输出进行多源高效电能管理，为摩擦自驱动单元的信号处理单元稳定供电。信号处理单元将处理后的信号发送至上位机终端，再根据采集处理后的振动信号对输电线路实时振动状态进行智能识别，并判断是否达到紧急预警，将结果显示在前端。输电线路振动预警系统如图17所示。
图17 输电线路振动预警系统
Fig.17 Vibration warning system for power transmission lines
针对划分的九种振动状态进行分级预警，当振动处于低频小振幅时，属于正常状态；当振动处于低频中振幅或中频小振幅时，可能存在局部扰动或疲劳风险，需要低级预警；当振动处于低频大振幅或高频小振幅时，需要中级预警；当振动处于中频中振幅或高频中振幅时，存在疲劳损伤风险，需要高级预警；当振动处于中频大振幅或高频大振幅时，即将进入高频强风振状态，存在断股或结构损伤风险，需要紧急预警。
导线振动监测预警示意图如图18所示。试验利用振动能量采集器输出性能测试平台模拟输电线路微风振动环境，测试五种不同振动状态下的自供电传感器输出，如图18a所示；并且根据采集处理后的振动信号对该环境振动状态进行智能识别，依据分级预警阈值判断是否为紧急预警，如图18b所示，以验证该环境振动状态感知的自驱动传感系统运行的稳定性和可靠性。
图18 导线振动监测预警示意图
Fig.18 Schematic diagram of wire vibration monitoring and early warning
本文面向特高压输电线路微风振动应用场景，提出一种基于柔性多层摩擦-电磁的复合振动能量采集器，对其结构参数与介电薄膜进行全面优化，进一步提出了一种基于深度学习的振动状态评估方法，从而实现了微风振动下能量的高效收集和对导线振动状态的智能识别，取得的主要结论如下：
1）提出一种基于柔性多层摩擦-电磁的复合振动能量采集器原理，并基于该原理完成振动能量采集器设计，通过试验优化其结构参数与摩擦材料，实现微风振动宽频带内的高效机电能量转换与高灵敏度响应。
2）基于柔性多层摩擦-电磁的复合振动能量采集器在振幅为1～6 mm、振频为5～40 Hz的振动范围内具有优异的电气输出性能，其中TENG与EMG的最大开路电压峰峰值分别达到490 V和17 V，最大短路电流单侧值分别达到27 µA和26 mA，峰值瞬时功率分别达到4.4 mW和53 mW。
3）提出一种基于深度学习的振动状态识别模型，其中微风振动状态识别准确率达到97.8%。在此基础上构建了由复合振动能量采集器、多源电能管理电路、可视化上位机集成的输电线路微风振动自驱动传感系统，可识别不同的振动状态并进行分级预警，为高压输电环境下自供电传感和微风振动状态监测提供了全新的解决思路。
参考文献
[1] 董志聪, 刘荣海, 唐法庆, 等. 特高压输电线路微风振动危害及影响[J]. 云南电力技术, 2017, 45(5): 43-48. Dong Zhicong, Liu Ronghai, Tang Faqing, et al. Analysis of the hazard and influencing factors of the aeolian vibration in UHV transmission lines[J]. Yunnan Electric Power, 2017, 45(5): 43-48.
[2] 郑含博, 胡思佳, 梁炎燊, 等. 基于YOLO-2MCS的输电线路走廊隐患目标检测方法[J]. 电工技术学报, 2024, 39(13): 4164-4175. Zheng Hanbo, Hu Sijia, Liang Yanshen, et al. A hidden danger object detection method for transmission line corridor based on YOLO-2MCS[J]. Transactions of China Electrotechnical Society, 2024, 39(13): 4164-4175.
[3] 黄悦华, 张子豪, 陈庆, 等. 基于多头注意力机制的CNN-BiLSTM高海拔多因素输电线路可听噪声预测[J]. 高压电器, 2024, 60(12): 160-169. Huang Yuehua, Zhang Zihao, Chen Qing, et al. Prediction of audible noise of CNN-BiLSTM high altitude multi-factor transmission line based on multi-head attention mechanism[J]. High Voltage Apparatus, 2024, 60(12): 160-169.
[4] 董志聪. 输电线—防振锤系统的微风振动特性研究[D]. 北京: 华北电力大学, 2018. Dong Zhicong. Research on aeolian vibration of overhead transmission lines with dampers[D]. Beijing: North China Electric Power University, 2018.
[5] 张烨, 李博涛, 尚景浩, 等. 基于多尺度卷积注意力机制的输电线路防振锤缺陷检测[J]. 电工技术学报, 2024, 39(11): 3522-3537. Zhang Ye, Li Botao, Shang Jinghao, et al. Defect detection of transmission line damper based on multi-scale convolutional attention mechanism[J]. Transactions of China Electrotechnical Society, 2024, 39(11): 3522-3537.
[6] 仲林林, 刘柯妤. 面向电力巡检图像目标检测的联邦学习激励机制[J]. 电工技术学报, 2024, 39(17): 5434-5449. Zhong Linlin, Liu Keyu. Federated-learning incentive mechanism for object detection in power inspection images[J]. Transactions of China Electrotechnical Society, 2024, 39(17): 5434-5449.
[7] 唐玉涛, 束洪春, 刘皓铭, 等. 基于CABFAM-Transformer的输电线路在线测距实测行波预分类方法[J]. 电工技术学报, 2025, 40(5): 1455-1470. Tang Yutao, Shu Hongchun, Liu Haoming, et al. Pre-identification method of measured traveling wave data for online fault location of transmission line based on CABFAM-transformer[J]. Transactions of China Electrotechnical Society, 2025, 40(5): 1455-1470.
[8] Gao Sihang, Wei Hao, Wang Jiyu, et al. Self-powered system by a suspension structure-based triboelectric-electromagnetic-piezoelectric hybrid generator for unifying wind energy and vibration harvesting with vibration attenuation function[J]. Nano Energy, 2024, 122: 109323.
[9] 姚睿丰, 王妍, 高景晖, 等. 压电材料与器件在电气工程领域的应用[J]. 电工技术学报, 2021, 36(7): 1324-1337. Yao Ruifeng, Wang Yan, Gao Jinghui, et al. Applications of piezoelectric materials and devices in electric engineering[J]. Transactions of China Electro-technical Society, 2021, 36(7): 1324-1337.
[10] 陈赦, 胡东阳, 汪沨, 等. 电网状态监测装置自取能技术综述[J]. 高电压技术, 2023, 49(5): 2077-2089. Chen She, Hu Dongyang, Wang Feng, et al. Review on energy-harvesting technology for power grid condition monitoring device[J]. High Voltage Engineering, 2023, 49(5): 2077-2089.
[11] Gao Sihang, Feng Shaoxuan, Wang Jiyu, et al. Hybridized triboelectric-electromagnetic aeolian vibration generator as a self-powered system for efficient vibration energy harvesting and vibration online monitoring of transmission lines[J]. ACS Applied Materials & Interfaces, 2023, 15(29): 34764-34778.
[12] Wu Han, Wang Jiyu, Wu Zhiyi, et al. Multi-parameter optimized triboelectric nanogenerator based self-powered sensor network for broadband aeolian vibration online-monitoring of transmission lines[J]. Advanced Energy Materials, 2022, 12(13): 2103654.
[13] Wang Liang, Zhang Yaxun, Zhang Xiaosong, et al. Harvesting broadband breeze vibration energy via elastic bistable triboelectric nanogenerator for in situ, self-powered monitoring of power transmission lines [J]. Advanced Energy Materials, 2025, 15(6): 2403318.
[14] Wu Han, Wang Zihan, Zhu Boyu, et al. All-in-one sensing system for online vibration monitoring via IR wireless communication as driven by high-power TENG[J]. Advanced Energy Materials, 2023, 13(16): 2300051.
[15] Zhang Xiaosong, Wang Jianlong, Zhai Shijie, et al. Multi-parameters self-powered monitoring via triboelectric and electromagnetic mechanisms for smart transmission lines[J]. Advanced Energy Materials, 2024, 14(37): 2401710.
[16] Deng Haocheng, Xiao Song, Yang Aijun, et al. Advances in nanogenerators for electrical power system state sensing and monitoring[J]. Nano Energy, 2023, 115: 108738.
[17] 何海龙, 李祎, 陈赦, 等. 面向电力装备自供电传感的微纳能源收集技术[J]. 高电压技术, 2024, 50(8): 3387-3402. He Hailong, Li Yi, Chen She, et al. Micro energy harvesting technologies for self-powered sensing of electrical equipment[J]. High Voltage Engineering, 2024, 50(8): 3387-3402.
[18] Zhao Hongfa, Shu Mingrui, Ai Zihao, et al. A highly sensitive triboelectric vibration sensor for machinery condition monitoring[J]. Advanced Energy Materials, 2022, 12(37): 2201132.
[19] Kim B, Song J Y, Kim D Y, et al. Environmentally robust triboelectric tire monitoring system for self-powered driving information recognition via hybrid deep learning in time-frequency representation[J]. Small, 2024, 20(34): 2400484.
[20] Zhao Cong, Du Taili, Ge Bin, et al. Coaxial flexible fiber-shaped triboelectric nanogenerator assisted by deep learning for self-powered vibration monitoring [J]. Small, 2024, 20(15): e2307680.
[21] Gao Sihang, Wei Hao, Wang Rui, et al. Hybrid dual-mode high-output triboelectric nanogenerator for achieving alternating current/direct current collaborative output[J]. Nano Energy, 2024, 129: 110060.
[22] Gao Sihang, Zeng Xisong, Chen Xiaolei, et al. Self-powered system for environment and aeolian vibration monitoring in the high-voltage transmission system by multi-directional wind-driven triboelectric nano-generator[J]. Nano Energy, 2023, 117: 108911.
[23] 张建国, 刘建军, 李成钢, 等. 特高压输电线路的大截面导线微风振动特性[J]. 河海大学学报(自然科学版), 2017, 45(3): 271-276. Zhang Jianguo, Liu Jianjun, Li Chenggang, et al. Aeolian vibration property of large cross-sectional conduct for UHV transmission line[J]. Journal of Hohai University (Natural Sciences), 2017, 45(3): 271-276.
[24] 李黎, 孔德怡, 龙晓鸿, 等. 输电线微风振动的CFD数值仿真[J]. 工程力学, 2009, 26(增刊2): 235-240. Li Li, Kong Deyi, Long Xiaohong, et al. Numerical simulation of aeolian vibrations transmission lines by CFD[J]. Engineering Mechanics, 2009, 26(S2): 235-240.
Abstract With the rapid development of China’s power transmission network, the problem of aeolian vibration of power transmission lines with large spans and high suspensions has become increasingly prominent. Long-term accumulation of aeolian vibration can exacerbate the fatigue damage of conductors, and may even lead to strand breakage and wire breakage, seriously threatening the safety and reliability of the power grid. Currently, the monitoring and early warning of aeolian vibration in power lines are mainly carried out through numerical calculations, image acquisition, optical fiber sensors, and various vibration sensors. However, most of the existing vibration monitoring technologies suffer from problems such as insufficient sensing accuracy, large volume of sensing nodes, inability to obtain long-term stable power supply, and inconvenience for flexible deployment.
In this paper, aiming at the characteristics of aeolian vibration in power transmission lines, this paper utilizes environmental micro-energy harvesting technology, a flexible multi-layer triboelectric-electromagnetic hybrid vibration energy harvesting principle is proposed, and the design of a vibration energy harvester is completed based on this principle. Through experimental research, its structural parameters and dielectric films are comprehensively optimized to achieve efficient electromechanical energy conversion and high-sensitivity response within the broadband of aeolian vibration. Furthermore, by combining self-powered sensing technology with deep learning methods, considering the frequency and amplitude ranges of aeolian vibration in power transmission lines and the fatigue damage degree of conductors under different aeolian vibrations, the aeolian vibration of power transmission lines is divided into 9 vibration states. The output electrical signals of the vibration energy harvester are used to characterize the dynamic process triggered by aeolian vibration, and a mapping relationship of “vibration excitation and self-powered sensing characteristics” based on a convolutional neural network is constructed to achieve accurate identification and graded early warning of aeolian vibration states.
The results show that the composite vibration energy harvester designed in this paper has efficient electromechanical energy conversion and high-sensitivity response under the condition of aeolian vibration of conductors. It has excellent electrical output performance in the vibration range of amplitude 1～6 mm and vibration frequency 5～40 Hz. The maximum open-circuit voltage peak-to-peak values of the triboelectric nanogenerator and electromagnetic generator reach 490 V and 17 V respectively, the maximum unilateral values of short-circuit ourrent reach 27 µA and 26 mA respectively, and the peak instantaneous powers reach 4.4 mW and 53 mW respectively. A self-powered vibration state recognition model based on deep learning is proposed in this paper, and the recognition accuracy of aeolian vibration states reaches 97.8%. On this basis, a self-powered sensing system for aeolian vibration in power transmission lines, which integrates a composite vibration energy harvester, a multi - source power management circuit, and a visual upper-computer, is constructed to identify different vibration states and conduct graded early warning, providing a new solution for self-powered sensing and aeolian vibration state monitoring in high-voltage power transmission environments.
Keywords：Aeolian vibration of transmission lines, environmental micro-energy harvesting, flexible multi-layer triboelectric-electromagnetic, self-powered sensing characteristics, self-powered sensing system
DOI: 10.19595/j.cnki.1000-6753.tces.251077
中图分类号：TM73
重庆市自然科学基金资助项目（CSTB2024NSCQ-QCXMX0054）。
收稿日期 2025-06-19
改稿日期 2025-07-17
王胜佳 女，2004年生，本科生，研究方向为输变电装备在线监测与故障诊断。E-mail：3338319422@qq.com
高思航 男，1990年生，副教授，硕士生导师，研究方向为电工装备智能感知与故障诊断等。E-mail：gaosh@cqupt.edu.cn（通信作者）
（编辑 李 冰）