【摘 要】本文針對以往使用人工巡檢、脈沖電流檢測法受到電磁干擾影響，導致表面放電、電暈放電故障診斷結(jié)果不精準的問題，設(shè)計基于改進深度學習的高壓電氣設(shè)備局部故障智能診斷系統(tǒng)，設(shè)置地線推挽開關(guān)電路、吸波抑制電路，使油溫油位監(jiān)測子系統(tǒng)通過RS45接收電位信號，提升抗干擾能力;利用改進深度學習方法建立故障識別模型，并根據(jù)模型輸出陣列，設(shè)計故障智能診斷流程，識別高壓設(shè)備局部故障;實驗結(jié)果表明該系統(tǒng)表面場強分量大于擊穿場強時，在2-12 V電壓范圍內(nèi)，放電頻率高于38 khz，診斷結(jié)果較好。

【關(guān)鍵詞】改進深度學習 高壓電氣設(shè)備 局部故障 智能診斷

【中圖分類號】G? 【文獻標識碼】A

【文章編號】0450-9889（2021）27-0173-04

高壓電氣設(shè)備不斷投入擴大了電網(wǎng)規(guī)模，其電氣設(shè)備正常使用，成為整個電力系統(tǒng)不可缺少的一部分。由于電力系統(tǒng)中大多數(shù)設(shè)備是在高壓條件下運行，這些電氣設(shè)備一旦出現(xiàn)故障會影響電力系統(tǒng)實際運行情況，有可能給電網(wǎng)經(jīng)濟帶來不可預估的經(jīng)濟損失。電氣設(shè)備故障會影響高壓電場，并由此產(chǎn)生局部放電現(xiàn)象。因此，在絕緣區(qū)域電場強度較低情況下，容易出現(xiàn)擊穿場強現(xiàn)象，放電情況極為分散。盡管使用人工檢查方法在一定程度上能夠解決電力高壓電氣設(shè)備局部故障問題，但不能實時監(jiān)測電氣設(shè)備運行狀態(tài)，導致電氣設(shè)備局部故障無法得到有效診斷。為此相關(guān)研究者對其進行了很多研究，并取得了一定成果。

陶詩洋、馮義、張?zhí)斐降鹊摹痘诿}沖電流法的高壓開關(guān)柜局部放電在線監(jiān)測裝置》文獻里設(shè)計了一種新型高壓開關(guān)柜局部放電在線監(jiān)測裝置，用于監(jiān)測電氣設(shè)備局部故障。該方法首先分析開關(guān)柜局部放電現(xiàn)象，對其放電信號進行有效提取，并設(shè)計合理的電路，借助脈沖電流設(shè)計了檢測故障的回路，通過實驗檢測該裝置的靈敏程度，結(jié)果可靠。該裝置可有效地對開關(guān)柜進行故障檢測，但該裝置適用范圍較窄，存在一定局限性。張施令的《高壓SF_6氣體絕緣組合電器放電故障模式智能識別》一文里也設(shè)計并闡述了一種高壓SF_6氣體絕緣組合電器放電故障模式識別方法，該方法通過模擬固體絕緣件，確定高壓設(shè)備故障類型，引入聯(lián)合模糊迭代自組織數(shù)據(jù)分析方法對設(shè)備結(jié)構(gòu)進行參數(shù)表示，通過蟻群算法對其中存在的故障進行智能識別。該方法可有效判斷高壓設(shè)備故障類型，但對其影響因子考慮甚少，存在診斷精度較低的問題。

為了彌補上述方法中存在的不足，筆者設(shè)計了一種新的高壓電氣設(shè)備局部故障智能診斷系統(tǒng)。通過系統(tǒng)硬件和軟件設(shè)計，有效地實現(xiàn)高壓電氣設(shè)備局部故障智能診斷系統(tǒng)構(gòu)建。

一、系統(tǒng)硬件結(jié)構(gòu)設(shè)計

診斷系統(tǒng)硬件結(jié)構(gòu)是由變壓器局放監(jiān)測子系統(tǒng)、接地電路、油溫油位監(jiān)測子系統(tǒng)及斷路器監(jiān)測子系統(tǒng)組成。通過變壓器局放監(jiān)測子系統(tǒng)可判斷變壓器鐵芯多點接地故障。其原理是推挽開關(guān)電路使用兩個金屬氧化物半導體場效應晶體管進行交替導通/截止，抑制沖擊電壓。油溫油位監(jiān)測子系統(tǒng)的設(shè)計有利于對現(xiàn)場人員進行監(jiān)控和維護。通過斷路器監(jiān)測子系統(tǒng)分析，并經(jīng)A/D轉(zhuǎn)換后，輸出數(shù)字信號，最終完成硬件結(jié)構(gòu)設(shè)計。

（一）變壓器局放監(jiān)測子系統(tǒng)

為提升設(shè)計系統(tǒng)的有效性，考慮到變壓器對系統(tǒng)的影響程度，對其局放監(jiān)測進行了子系統(tǒng)設(shè)計，其結(jié)構(gòu)如圖1所示：

結(jié)合圖1所示變壓器局放監(jiān)控子系統(tǒng)，判斷變壓器局部放電監(jiān)測子系統(tǒng)鐵芯多點接地故障。

1.氣相色譜分析

在氣相色譜分析過程中，如果空氣中甲烷和烯烴氣體濃度較高，CO、CO2變化不明顯，那么說明變壓器堆芯過熱。

2.監(jiān)測接地線電流

在接地線電流監(jiān)測過程中，使用監(jiān)測鉗形計監(jiān)測鐵芯是否能夠正常接地。如果能夠正常接地，那么鐵芯外接引線上不會出現(xiàn)電流。如果不能，那么鐵芯主磁周圍出現(xiàn)短路現(xiàn)象，此時產(chǎn)生電流，該電流數(shù)值取決于故障點和正常連接位置，也就是短路匝圈內(nèi)繞通量。

（二）接地電路

變壓器用于大功率場合，常采用中間推挽開關(guān)電路。推挽開關(guān)電路輸入輸出之間有180°的距離，而開關(guān)電源的集成控制器A和B相的輸出為180°，因此推挽開關(guān)電路可由功率MOSFET構(gòu)成，直接驅(qū)動。另外，在無負載情況下，電路中功率MOSFET的漏極與源極之間會產(chǎn)生較高的電壓。因此，功率金屬氧化物半導體場效應晶體管的耐電壓應留有足夠的余量，以抑制沖擊電壓。中頻功率電路一般采用半橋電路，即兩個功率金屬氧化物半導體場效應晶體管交替導通/截止。

（三）油溫油位監(jiān)測子系統(tǒng)

油溫油位監(jiān)測子系統(tǒng)由位移探測器和信號處理器組成，用LCD點陣顯示監(jiān)測結(jié)果。本系統(tǒng)實現(xiàn)現(xiàn)場實時報警和信號傳輸，有利于現(xiàn)場人員進行監(jiān)控和維護。本系統(tǒng)可選擇RS485通訊模式和 GSM無線公網(wǎng)報警傳輸模式，便于與其他設(shè)備連接，且抗干擾能力強，故障率低。本系統(tǒng)對波紋管箱內(nèi)油位測量主要是檢測波紋管的膨脹度，將波紋管的動態(tài)變化轉(zhuǎn)換成型材的角度，以及與其連接的電位計的角度。利用 MCU將電位計的一部分轉(zhuǎn)換成電位數(shù)字，通過RS45傳輸量子信號到二次測量。油溫油位監(jiān)測子系統(tǒng)如圖2所示：

（四）斷路器監(jiān)測子系統(tǒng)

用多種監(jiān)測儀器對高壓電器設(shè)備工作狀態(tài)的電流、電壓等參數(shù)進行監(jiān)測，提取所測電、非電信號，并將其轉(zhuǎn)換成標準信號形式，輸入數(shù)字信號采集裝置，經(jīng)A/D轉(zhuǎn)換后，再進行相應信號分析。斷路器監(jiān)測子系統(tǒng)如圖3所示。

如圖3所示，該子系統(tǒng)可從結(jié)構(gòu)上分為數(shù)據(jù)采集和數(shù)據(jù)處理兩個部分，使用Matlab 軟件。采集器選用適合采集設(shè)備和傳感器等硬件，并使用 C語言編寫數(shù)據(jù)采集程序，實現(xiàn)數(shù)據(jù)快速、準確采集，系統(tǒng)可以完成對數(shù)據(jù)的處理。

二、系統(tǒng)軟件部分設(shè)計

（一）故障識別模型構(gòu)建

改進深度學習故障識別模型，如圖4所示：

由圖4可知，CSDN1框架是由第一層輸入層和第二層隱含層組成，CSDN2框架是由兩層隱含層組成，CSDNn框架是由第n層隱含層和可視層組成。

可視層vi與隱含層hj連接節(jié)能量可以定義為：

式中，w表示可視層與隱含層連接后所占比重，a和b分別表示不同的偏置量，θ表示模型參數(shù)。

為進一步說明改進深度學習工作過程，輸入陣列中每一個元素對應一個可見層節(jié)點，以這種方式輸入到每一個網(wǎng)絡層，經(jīng)過一系列的計算，每一個元素對應一個隱含層節(jié)點并輸出陣列信號。

（二）局部故障智能診斷流程

根據(jù)構(gòu)建的故障識別模型，設(shè)計局部故障智能診斷流程，如圖5所示：

由圖5可知，故障智能診斷步驟為：

1.原始特征提取

主要包括對電力設(shè)備振動原始信號的去噪、重構(gòu)、分解等預處理。采用信號采集和信號處理相結(jié)合的方法，得到了較好的信號數(shù)據(jù);最后提取信號的高壓集。

2.特征空間轉(zhuǎn)換

使用線性映射法將提取到高維信號特征映射為低維信號特征模式。

3.訓練及故障識別

利用低維特征數(shù)據(jù)集ML的部分數(shù)據(jù)NL所建立的改進深度學習識別模型，通過優(yōu)化算法得到穩(wěn)定的標準改進深度學習模型，并以部分ML數(shù)據(jù)PL作為測試數(shù)據(jù)集輸入標準改進深度學習模型，獲得故障狀態(tài)識別結(jié)果。

三、實驗分析

基于改進深度學習的高壓電氣設(shè)備局部故障智能診斷系統(tǒng)能夠?qū)F(xiàn)場采集的視頻數(shù)據(jù)傳輸?shù)街醒肟刂品掌?，并在服務器中進行視頻分析。如發(fā)現(xiàn)異常信息，保存異常圖像，通過因特網(wǎng)傳送到客戶機，由工程師檢查。與此同時，服務器將保留客戶的基本用戶信息，為工程師提供到技術(shù)交流平臺，滿足移動辦公的需求，圖6為網(wǎng)絡結(jié)構(gòu)示意圖：

（一）高壓電氣設(shè)備局部放電故障分析

1.局部放電

當高壓電氣設(shè)備表面場強比擊穿場強大時，受到高壓電氣設(shè)備使用材料中存在的氣泡或孔隙影響，導致場強中出現(xiàn)局部放電現(xiàn)象，該現(xiàn)象最常出現(xiàn)在機殼法蘭和電纜端子中。

2.電暈放電

導體表面電場受到擊穿場強影響局部放電時，導體表面電場非常不均勻，容易出現(xiàn)電暈放電現(xiàn)象。尤其在高壓電場中，電暈放電容易導致電極處產(chǎn)生負電量。

（二）實驗結(jié)果分析

分別使用人工巡檢、脈沖電流檢測法和基于改進深度學習診斷法對表面放電、電暈放電故障情況進行診斷。

1.表面放電故障診斷

隨機選取高電壓電場中介質(zhì)的A、B、C、D、E、F六個點，分別使用三種方法對表面放電故障進行診斷，結(jié)果如表1所示：

由表1可知，使用人工巡檢方法診斷到的平行于表面場強分量均小于擊穿場強，診斷結(jié)果沒有出現(xiàn)表面放電故障問題;使用脈沖電流檢測法診斷到平行于表面場強分量，只有在C處場強與擊穿場強一致，其余均小于擊穿場強，診斷結(jié)果沒有出現(xiàn)表面放電故障;使用基于改進深度學習診斷法診斷到的平行于表面場強分量均大于擊穿場強，診斷結(jié)果出現(xiàn)表面放電故障現(xiàn)象。對比之下，本系統(tǒng)診斷的效果更好。

2.電暈放電故障診斷

分別使用三種方法對電暈放電故障診斷，對比結(jié)果如圖7所示：

由圖7可知，使用人工巡檢法，隨著電壓升高，放電頻率逐漸增大，但在0-10 V電壓范圍內(nèi)，放電頻率均低于38 kHz，沒有出現(xiàn)光輝放電現(xiàn)象。使用脈沖電流檢測法，隨著電壓升高，放電頻率逐漸增大，但在0～8 V電壓范圍內(nèi)，放電頻率均低于38千赫茲，沒有出現(xiàn)光輝放電現(xiàn)象。使用基于改進深度學習診斷法，隨著電壓升高，放電頻率逐漸增大，在0～2 V電壓范圍內(nèi)，放電頻率低于38千赫茲，沒有出現(xiàn)光輝放電現(xiàn)象，在2～12 V電壓范圍內(nèi)，放電頻率高于38千赫茲，有光輝放電現(xiàn)象。

針對高壓電氣設(shè)備局部故障診斷精度較低等問題，筆者設(shè)計了一種新的高壓電氣設(shè)備局部故障診斷系統(tǒng)。該系統(tǒng)通過對變壓器局放監(jiān)測子系統(tǒng)、接地電路、油溫油位監(jiān)測子系統(tǒng)、斷路器監(jiān)測子系統(tǒng)以及故障診斷的改進深度模型，對高壓電氣設(shè)備局部故障進行有效診斷。實驗結(jié)果表明，采用該系統(tǒng)可有效地對高壓電氣設(shè)備局部故障進行診斷，該系統(tǒng)具有一定可行性。

【參考文獻】

[1]宋瀏陽，李石，王芃鑫，等.基于動態(tài)統(tǒng)計濾波與深度學習的智能故障診斷方法[J].儀器儀表學報，2019（7）.

[2]宋思晗，王興芬，杜惠英.基于改進深度學習算法的文本極性智能判斷方法研究[J].現(xiàn)代電子技術(shù)，2020（1）.

[3]李俊卿，陳雅婷，李斯璇.機器算法在電氣設(shè)備故障預警及診斷中的應用[J].科學技術(shù)與工程，2020（9）.

[4]陶詩洋，馮義，張?zhí)斐?，?基于脈沖電流法的高壓開關(guān)柜局部放電在線監(jiān)測裝置[J].電力系統(tǒng)保護與控制，2019（9）.

[5]張施令.高壓SF6氣體絕緣組合電器放電故障模式智能識別[J].高電壓技術(shù)，2020（2）.

[6]張欣，張靜，高旭，等.采用局部時—頻奇異值與優(yōu)化隨機森林的高壓斷路器機械故障診斷[J].高壓電器，2020（6）.

[7]吳金利，馬宏忠，吳書煜，等.基于振動信號的高壓并聯(lián)電抗器故障診斷方法與監(jiān)測系統(tǒng)研制[J].電測與儀表，2020（1）.

[8]朱建新，陳學東，呂寶林，等.基于多維高斯貝葉斯的機械設(shè)備失效/故障智能診斷及參數(shù)影響分析[J].機械工程學報，2020（4）.

[9]韓宇，董波.一種基于線圈電流的高壓斷路器機械故障診斷方法[J].高壓電器，2019（9）.

[10]劉慧鑫，張江龍，連鴻松，等.電氣設(shè)備超標含氣量數(shù)據(jù)分析與現(xiàn)場處理[J].高壓電器，2020（5）.

[11]李龍，吳高林，張施令.高壓斷路器故障診斷的經(jīng)驗模態(tài)分解法應用[J].電氣傳動，2020（1）.

[12]王昱皓，武建文，馬速良，等.基于核主成分分析SoftMax的高壓斷路器機械故障診斷技術(shù)研究[J].電工技術(shù)學報，2020（1）.

[13]吳瞻宇，董明，王健一，等.基于模糊關(guān)聯(lián)規(guī)則挖掘的電力變壓器故障診斷方法[J].高壓電器，2019（8）.

[14]朱寧，吳司穎，曾福平，等.基于SF6分解特性的局部放電故障程度評估[J].中國電機工程學報，2019（3）.

[15]朱萌，梅飛，鄭建勇，等.基于深度信念網(wǎng)絡的高壓斷路器故障識別算法[J].電測與儀表，2019（2）.

【作者簡介】盧芳革（1966— ），女，壯族，廣西上林人，大學本科，廣西安全工程職業(yè)技術(shù)學院副教授，研究方向為電工、電氣控制技術(shù)及應急安全文化教育。

（責編 李 唐）