發布時間：所屬分類：電工職稱論文瀏覽：1次
摘 要： 摘 要：針對單一特征信息分析模式獨立辨識不能有效、可靠地判斷出局部放電(PD)類型致使識別誤診的問題，以及為了最大限度地利用特高頻(UHF)傳感器所獲取的豐富絕緣狀態信息，利用放電時間、放電相位分布及 UHF 能量與放電量相關性等 3 類特征信息的共性和差異性進行融
摘 要：針對單一特征信息分析模式獨立辨識不能有效、可靠地判斷出局部放電(PD)類型致使識別“誤診”的問題，以及為了最大限度地利用特高頻(UHF)傳感器所獲取的豐富絕緣狀態信息，利用放電時間、放電相位分布及 UHF 能量與放電量相關性等 3 類特征信息的共性和差異性進行融合互補，提出一種基于多特征信息融合的 PD 模式識別方法。通過在一套三相分箱式真實 GIS(ZF-10-126)試驗平臺上實測所得的 PD 試驗信息進行分析其結果表明：3 類特征信息獨立辨識各類缺陷的準確度存在較大差異性和不確定性，但有著各自優勢。而采用 D-S 證據理論進行 3 類特征信息融合 PD 模式識別技術，可對 3 類特征信息獨立識別法各自存在的不足進行互補，具有更高更準確的辨識率和可靠性。至此驗證了所提方法的有效性與正確性。
關鍵詞：局部放電;特高頻;放電量;模式識別;局部放電相位分布模式;D-S 證據理論;多特征信息融合
0 引言
1 氣體絕緣組合電器(GIS)設備因其占地面積小、運行可靠及電磁輻射小等突出優點，已成為新建變電站和城市電網改造的首選設備。然而，GIS 設備在設計、制造、運輸、安裝、運行和檢修等過程中產生或留下的各種具有危害的潛伏性絕緣缺陷，如果得不到及時有效處置，這些缺陷會在運行電壓下，由小變大，由弱變強，甚至由局部發展到整體，逐步發展成為致使設備絕緣能力完全喪失的突發性絕緣故障，最終可能導致因設備故障誘發的電網大面積停電的嚴重事故[1-2]。
由于各種前期潛伏性絕緣故障的主要表現形式為局部放電(partial discharge, PD)[3-4]，因此可通過對 GIS 設備實行在線監測的方法，來掌握其絕緣狀態，并提前加以“治理”，從而達到有效預防設備發生絕緣故障的目的。這一過程除了要判斷是否有 PD發生外，還需進一步判斷故障缺陷類型[5-6]。同時對絕緣缺陷進行模式識別，既有利于 GIS 運行狀態的監測預報和有針對性維護方案的確定，又能為正確評估 PD 的危害性以制定合理的處置措施提供重要依據。
目前，針對局部放電模式識別領域，國內外學者對此開展了大量的相關研究工作，并取得了顯著的成果[7-9]。然而，通過前期的研究發現，采用單一信號提取的特征信息進行 PD 模式識別，其診斷結果存在較高的不確定性，甚至出現“誤診”致使識別失敗[10-11]。此外，文獻[12-13]采用基于時間的分析模式(TRPD)作為觀察環境噪聲和初步估計的首先條件，然后結合基于相位分析模式(PRPD)指紋來確認識別結果，導致浪費一些有用的 TRPD 信息。另外，當這兩種分析模式對同一 PD 故障的識別結果相對立時，很難取決于那種模式的結果是正確的。因此，鑒于多信息融合技術是在線監測的必然趨勢和最終走向[14]，已在變壓器故障診斷方面取得了良好的應用效果[15-16]，可對于 GIS 狀態評估領域的研究還鮮有報道。
本文在改變用傳統單一信號提取的特征信息進行 PD 模式識別基礎上，探索最大限度地利用特高頻(UHF)傳感器所獲取的豐富的絕緣狀態信息，采用多種特征量的融合技術對 PD 模式進行識別，以提高絕緣缺陷類型的辨識能力。其研究思路為：綜合 UHF 檢測法與脈沖電流法所獲取的 PD 信息，分別以時域與頻域提取的 TRPD 波形特征和以偏斜度、陡峭度等 16 組統計參數提取的 PRPD 指紋特征以及 UHF 累積能量與放電量之間的關聯特性 3 類特征信息，作為表征 GIS 內部 PD 類型的特征量，將 3 類特征信息作用的差異性與互補性進行有機結合，提出一種基于多信息融合技術的 PD 辨識方法，并用真實 GIS 試驗平臺獲取典型 PD 類型數據進行有效性與正確性的驗證。
1 實驗方法
1.1 試驗平臺
為使試驗獲取的 PD 數據能夠真實反映 GIS 在運行條件下的絕緣狀況，本文的 PD 試驗與信息獲取全部來自一套真實的三相分箱式 GIS(型號為 ZF-10-126)試驗平臺。現場試驗在山東泰開高壓開關有限公司的高壓試驗大廳內(長×寬×高=60 m×47 m×38 m)進行，整個大廳采用金屬封閉且大廳內電磁屏蔽良好，試驗環境溫度約為 10 ℃，實驗中 GIS 內充入 0.4 MPa 氣壓的 SF6。實驗檢測回路示意圖如圖 1 所示。其中，T1 為柱式調壓器;T2 為無局部放電工頻試驗變壓器(YDTCW-1000/2×500); C1/C2 為工頻分壓電容(TAWF-1000/600);R 為工頻試驗保護電阻(GR1000-1/6);試驗中使用的 UHF 傳感器為實驗室自主研制的微帶天線(帶寬約為 340~440 MHz，中心頻率約為 390 MHz);高速數字示波器(型號為 Tektronix DPO7104;模擬帶寬為 1 GHz;最大采樣頻率為 20 GHz)用于 PD 信號的采集并保存，以便進行后期的數據分析。現場試驗接線圖如圖 2 所示。
1.2 典型缺陷的設計及位置
文中共設置了 4 種典型絕緣缺陷，分別為以導電桿上系一根距離殼體內壁約 40 mm 的直徑 2 mm 的銅絲模擬突出物缺陷(圖 3(a));以絕緣子表面沾上直徑 2 mm 的銅絲，與高、低壓端的距離 15 mm、 35 mm 模擬附著物缺陷(圖 3(b));以實際使用產生裂紋的絕緣子模擬氣隙缺陷，其裂紋長度約 43 mm(圖 3(c));以數個約 2×2 mm2 的矩形薄鋁片來模擬自由金屬微粒缺陷并放置在母線筒底部(圖3(d))。
缺陷的分布位置為：附著物與突出物缺陷分別設置在靠近絕緣子 S1 處的兩個獨立氣室內，其余兩個缺陷設置在母線筒 II 內。且為了減弱信號傳播中衰減與折反射的影響，UHF 傳感器安置在離缺陷最近的絕緣子處。
2 特征信息的提取與識別
PD 模式識別的效果主要取決于選取的特征參數，為了最大限度地利用 UHF 傳感器所獲取的 PD 信號所包含的豐富絕緣狀態信息，分別以放電時間、放電相位分布和 UHF 能量與放電量的關聯特性 3 類特征信息的相互融合識別 PD 模式開展研究。
2.1 基于放電時間特征信息的 PD 辨識
利用放電時間特征信息對 PD 類型進行辨識，原理為直接提取 PD 信號波形作為判別的特征參數進行識別[16-17]，本質為時間序列信息，也稱為 TRPD 模式。其中時域波形形狀的變化能在一定程度上體現 PD 的劇烈程度，而頻域的能量分布與缺陷類型亦有著很大的關聯[18]。
本文采用 BP 神經網絡(BPNN)作為 TRPD 特征信息的辨識分類器，具體計算表達式可參考文獻 [19-20]。試驗中利用 UHF 傳感器采集到的 PD 信號歸一化處理后，通過表 1 中方法提取到的 13 個特征量作為輸入層的神經元個數，輸出層神經元的個數對為 4 種典型絕緣缺陷類型。每類絕緣缺陷的放電信號樣本各采集 500 組，隨機選取其中的 100 組作為訓練樣本，剩余的 400 組作為測試樣本，經 BP 神經網絡識別后結果如表 2 所示。
從表 2 中可看出，采用 TRPD 特征信息對樣本的整體識別的準確率在 77%以上，其中對自由金屬微粒的識別率稍低，為 77.25%。分析其主要原因可能是金屬粒子在放電過程中發生了跳動，改變了每次放電物理模型的形態，使得獲取到的 TRPD 信息的隨機性增強，導致對其的識別率較低。但由于 BP 神經網絡具有較強的非線性逼近能力，以至即使 UHF 信號的 TRPD 波形特征具有較強的波動性，其識別效果仍達到 79%以上，這在很大程度上為準確辨識 PD 缺陷提供了有利信息。
2.2 基于放電相位分布特征信息的 PD 辨識
放電相位分布特征信息(也稱為 PRPD 指紋)是 PD 模式識別應用最為廣泛的特征量，它描述的是發生 PD 的工頻相位、放電量以及放電次數之間的關系[21]。通過實驗觀察和分析發現，不同絕緣缺陷類型對應的 PRPD 指紋特征信息的輪廓存在著明顯的差異，得到統計參數的值也不同。
這里仍采用 BPNN 作為 PRPD 指紋特征信息的辨識分類器。試驗中采集每類缺陷的 PRPD 指紋特征信息樣本各 200 組，隨機選取其中的 100 組作為訓練樣本，剩余的 100 組作為測試樣本，經 BPNN 識別后的結果如表 3 所示。
由表 3 中可以看出，采用 PRPD 指紋特征信息的 16 個特征參數作為特征量具有較好的辨識效果，其中大部分缺陷的識別率都達到了 88%以上，僅氣隙缺陷辨識率稍低為 81%。通過分析發現對氣隙缺陷識別效果不佳原因主要為被劃分為附著物缺陷，這可能是由于 BPNN 采用的是競爭輸出機制，該機制在計算過程中會忽略了部分較小的輸出值，從而導致對結果的誤判。
2.3 基于 UHF 能量與放電量相關性的 PD 辨識
通過前期的研究和分析發現，UHF 信號的能量與對應的視在放電量分布具有很好的關聯性[22-24]，因而可嘗試利用這兩者的關聯關系作為識別 PD 類型的屬性。試驗中，同時采集 UHF 信號與電流脈沖信號，經計算后 4 種缺陷的 UHF 信號能量與視在放電量存在的關系如圖 5 所示(為了便于觀察和比較，對 UHF 信號能量 EF與視在放電量 QS進行了對數變換)�？煽闯鰵庀�、附著物和突出物 3 類缺陷具有很好的線性相關性，而微粒缺陷較為分散，但其分布還是有著較明顯的規律，這主要也是由于微粒在電場下跳動導致物理模型的不穩定所致。
從圖 5 可看出，UHF 信號能量與對應的視在放電量的關聯數據屬于二維的，不利于直接采用 BPNN 算法進行分類，因此為了挖掘其用于分類的自然特征，本文采用模糊 C-均值聚類(FCM)算法，對四類絕緣缺陷進行劃分，詳細計算表達式可參考文獻[20]。然后同時采集每類缺陷的 UHF 信號波形與電流脈沖波形數據樣本各 500 組，通過競爭輸出 (最大值輸出)各缺陷最大隸屬度所為對應的缺陷，其辨識結果如表 4 所示。
由表 4 可以看出，辨識結果類似于用 TRPD 特征信息辦法，對突出物、附著物和氣隙 3 種絕緣缺陷的識別效果相對較好，辨識率均達到了90%左右。而對微粒缺陷的識別率為 82.8%，相對偏低一點，這也與圖 5 所示的相關性結果基本一致，主要原因仍是由于微粒在電場下跳動導致物理模型的不穩定所致。
以上 3 種分析模式的結果表明，單一特征信息用于模式識別時，由于在特征提取時受到 PD 信號中干擾和不穩定性等影響，造成提供的信息不全或穩定性差，使得 3 種方法之間辨識率有一定差異，且微粒缺陷的識別率偏低。其中 PRPD 模式的效果最佳，TRPD 模式的較差，主要是由于 TRPD 信號有較強的隨機性影響所致。同時，3 類特征信息對于各類缺陷的作用也存在著差異性，如 TRPD 模式和 UHF 能量與放電量相關性對微粒缺陷的識別效果相對較弱，PRPD 模式則對氣隙缺陷的識別效果相對稍差。因此，有理由考慮通過結合這 3 類特征信息之間的共性與互補性來彌補各自的不足，通過多信息融合的思想提高識別的準確率，進而使得辨識結果更加具有確定性與可靠性。
3 基于 D-S 證據理論的多信息融合辨識
多信息融合是將來自同一目標的多源信息進行智能化綜合處理，從中得到比單一信息源更加準確和全面估計與判決的解決方案[25]。其中，D-S 證據理論[26-27]是融合信息的一種有效手段，原理為通過數學推理的方式，對不確定和不完整的信息進行融合計算，達到相互補充的目的。其主要由識別框架 Θ、基本概率分配(basic probability assignment, BPA)、合成規則(Dempster’s combinational rule)、信任函數(belief function, Bel)和似然函數(plausibility function, Pl)組成。文中將第 2 章中 3 類特征信息識別所得的結果作為 D-S 證據識別框架的證據體，應用基本概率分配函數計算出各證據體的信度分配，然后運用 D-S 證據合成法則計算出融合之后的信度分配，最后利用判定原則進行 PD 類型判斷。
4 實驗結果與分析
為了綜合考察本文所提方法的有效性和正確性，試驗中分別設置了兩種未知缺陷進行分析驗證，其中一種缺陷的結構及位置與樣本的相似，另外一種的結構及位置與樣本的差異較大。
4.1 缺陷的結構及位置與樣本相似
試驗中在圖 2 所示的 ZF-10-126 型 GIS 的出線端設置了某未知絕緣缺陷，然后通過 UHF 傳感器和脈沖電流法傳感器分別采集了 TRPD 信息和 PRPD 信息，如圖 6 中(a)、(b)所示(采樣點數為 n，相位為 φ)。
相關知識推薦：論文初審被拒可能是哪些原因
通過第 2 章節敘述的方法，分別選取了 TRPD 特征信息的時域與頻域所包含的 13 組特征參數和 PRPD 特征信息的 16 組特征參數及 UHF 信號能量與放電量的相關性信息，分別經 BPNN 和 FCM 分類器輸出其初步判決結果，然后經 D-S 證據合成理論融合的識別結果如表 5 所示。
從表 5 中可以看出，3 類辨識信息的輸出結論相似，都識別為 A3，即為高壓導體金屬突出物缺陷。而經 D-S 證據算法融合后，雖然最終的融合結論與 3 類特征信息獨自診斷結果完全一致，但通過融合后，得到的辨識結果使得更加具有確定性，識別精度和準確度也得到了提高。同時，由于此絕緣缺陷的位置和結構與之前樣本數據庫中的缺陷設計比較接近，因而較容易辨識。最終打開端蓋，發現其亦為突出物缺陷。
4.2 缺陷的結構及位置與樣本不同
對于另一未知缺陷，布置在 II 號母線筒內，其 UHF 法和脈沖電流法所采集的 TRPD 信息和 PRPD 指紋分別如圖 7 中(a)和(b)所示。采集到的數據通過與上一節相同的處理方法，得到的結果如表 6 所示。
從表 6 中可以看出，3 類信息的預測結果不完全一致，其中 TRPD 信息辨識為 A1的概率要稍高，而 PRPD 指紋和 UHF 信號能量與視在放電量相關性辨識為 A2的可能性較大。但從整體上來看，3 類信息獨立判定為 A2都隱含著較大的可能性。經 D-S 證據理論融合計算后識別為 A2，其結果滿足 3 個判決規則。最終打開端蓋發現缺陷為絕緣子表面金屬附著物缺陷，即與 D-S 證據理論算法融合判決的結果一致。因而，通過融合挖掘競爭輸出所忽略的潛在重要信息，使得原本沖突的結論變得一致，從而使判決更具有確定性和正確性。此外，由于本次設置的缺陷結構及位置與之前數據庫樣本中的差異較大，獲取得到的 TRPD 信號的數學模型都發生了變化，引起了其識別結論的可靠性相對較差，即樣本數據庫中沒有包含此類似的絕緣缺陷，使得單一特征信息的識別結果精度較低或出現識別結論不統一的情況。由此可見，樣本數據庫的質量對結果的影響也起著基礎性和關鍵性的作用。
4.3 性能及可靠性測試
為整體評價所提方法對 PD 多信息融合的辨識性能及可靠性，隨機地選取每種典型絕緣缺陷的 3 類特征信息組成的樣本各 200 組，其中 100 組作為訓練樣本，剩下的另 100 組作為測試樣本。通過前述的數據預處理、特征提取、初步辨識和經融合計算后得到的統計結果如表 7 所示。
可以看出，3 類特征信息獨立辨識的結果與之前測試結果基本接近，仍然是 TRPD 模式的辨識能力稍弱，PRPD 指紋的較好。通過 D-S 證據理論多信息融合，挖掘了各子特征所判決的包含的共性有效信息，得到了比較突出的診斷結果，降低了識別結果的不確定度。此外，通過融合后的有部分樣本識別錯誤或未作決策，這可能是由于當 3 類特征信息源所提供的信息存在較嚴重的沖突或證據之間互斥時，造成 D-S 證據算法作出錯誤判決或未能決策。由此可見，在確保單一特征信息辨識結果可靠性的基礎上，多信息融合識別方法能有效地提高判決結果的確定度和可靠度。同時，樣本數據庫的數據規模、多樣性等因素，也對多信息融合識別的性能有著很大的影響。因而，在實際應用時需不斷豐富和提升樣本數據庫的質量與數量，這有助于提高模式識別的確定性和可靠性。
5 結論
1)對于 GIS 設備的 PD 模式識別，分別基于 TRPD 信號、PRPD 指紋及 UHF 能量與放電量關聯關系 3 類特征信息都能夠在一定程度上對缺陷類型作出辨識，其中由于 TRPD 信號有較強的隨機性影響致使其辨識能力稍弱。對實驗采集到的樣本數據分析表明，3 類特征信息對于各類缺陷的作用存在著共性與差異性，且信息之間有著各自的優勢與互補性。
2)通過多信息融合思想將 3 類特征信息屬性的差異進行有機結合互補，充分挖掘各子特征辨識所包含的共性有效信息，獲取了比較突出的診斷結果，從而提高了模式識別的一致性、穩定性和可靠性。實驗結果分析表明，經 D-S 證據理論融合處理后得到較比單一特征信息更為突出的辨識結論。
3)基于多特征信息融合方法的精確度和辨識能力直接與各子特征信息的識別性能密切相關，因而在融合識別之前要確保所參與的子特征信息的可靠性和辨識率以提高識別的確定性。同時，樣本數據庫的質量與數量對識別結果有著基礎性與關鍵性的影響。——論文作者：黃 亮 1 ，唐 炬 1,2，凌 超 1 ，張曉星 1,2
參考文獻 References
[1] Qi B, Li C R, Xing Z L. Partial discharge initiated by free moving metallic particles on GIS insulator surface: severity diagnosis and assessment[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2014, 21(2): 766-774.
[2] Oyama M, Hanai E, Aoyagi H, et al. Development of detection and diagnostic techniques for partial discharges in GIS[J]. IEEE Transactions on Power Delivery, 1994, 9(2): 811-818.
[3] 錢 勇，黃成軍，江秀臣，等. 基于超高頻法的 GIS 局部放電在線監測研究現狀及展望[J]. 電網技術，2005，29(1)：40-43. QIAN Yong, HUANG Chengjun, JIANG Xiuchen, et al. Present situation and prospect of ultrahigh frequency method based research of on-line monitoring of partial discharge in gas insulated switchgear[J]. Power System Technology, 2005, 29(1): 40-43.
[4] 唐 炬. 防御變電設備內絕緣故障引發電網停電事故的基礎研究 [J]. 高電壓技術，2012，38(6)：1281-1291. TANG Ju. Basic research on preventing power supply blackout caused by the inner insulation fault of transformation equipments[J]. High Voltage Engineering, 2012, 38(6): 1281-1291.
[5] Qi B, Li C R, Bibo G, et al. Severity diagnosis and assessment of the partial discharge provoked by high-voltage electrode protrusion on GIS insulator surface[J]. IEEE Transactions on Power Delivery, 2011, 26(4): 2363-2369.
[6] 孫才新，許高峰，唐 炬，等. 以盒維數和信息維數為識別特征量的 GIS 局部放電模式識別方法[J]. 中國電機工程學報，2005，25(3)： 100-104. SUN Caixin, XU Gaofeng, TANG Ju, et al. PD pattern recognition method using box dimension and information dimension as discrimination features in GIS[J]. Proceedings of the CSEE, 2005, 25(3): 100-104.
[7] Zhou J B, Tang J, Zhang X X, et al. Pattern recognition for partial discharge in GIS based on pulse coupled neural networks and wavelet packet decomposition[J]. Przeglad Elektrotechniczny, 2012, 88(5B): 44-47.
[8] 姚陳果，陳 昱，陳 攀，等. 基于信號能量譜特征的局部放電故障識別方法及其系統實現[J]. 高電壓技術，2014，40(3)：829-836. YAO Chenguo, CHEN Yu, CHEN Pan, et al. Method for partial discharge pattern recognition based on characteristics of signal energy spectrum and its system realization[J]. High Voltage Engineering, 2014, 40(3): 829-836.
[9] 唐 炬，曾福平，范慶濤，等. 基于熒光光纖檢測 GIS 局部放電的多重分形譜識別[J]. 高電壓技術，2014，40(2)：465-473. TANG Ju, ZENG Fuping, FAN Qingtao, et al. Multi-fractal spectrum identification of partial discharge in GIS based on fluorescence optical fiber detection[J]. High Voltage Engineering, 2014, 40(2): 465-473.
[10] Chang C, Chang C S, Jin J, et al. Source classification of partial discharge for gas insulated substation using waveshape pattern recognition[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2005, 12(5): 374-386.