袁 晶, 黃均才

(廣東電網(wǎng)有限責任公司 廣州供電局，廣州 廣東 510000)

氣體絕緣開關(Gas Insulated Switchgear,GIS)設備由于占地面積小、可靠性高、成本低和受外界環(huán)境影響小等優(yōu)點被廣泛使用[1]。GIS設備將不同類型的電氣設備封閉在一個接地的金屬外殼內(nèi)部，所以有著“免維護”的美譽[2]。但近年來，國內(nèi)外GIS安全事故頻發(fā)，GIS的故障率遠大于國際電工委員會和國際大電網(wǎng)會議規(guī)定的0.1次/100間隔/年。GIS設備一旦發(fā)生故障，由于其具有封閉性，導致其檢修周期較長、檢修過程復雜、檢測費用高、停電時間長，因而給國民經(jīng)濟帶來嚴重損失[3-7]。

GIS設備故障主要由內(nèi)部絕緣缺陷引起，造成設備的局部放電(Partial Discharge,PD)而產(chǎn)生特高頻(Ultra-High Frequency,UHF)信號,通常采用UHF法對PD進行檢測，因為UHF法具有抗干擾能力強的優(yōu)點[8-9]。通過UHF傳感器對PD信號進行監(jiān)測并提取出局放UHF信號，對采集的信號進行處理，完成對GIS設備的局放類型的識別與分析，評估GIS設備的運行狀態(tài)，并對后續(xù)檢修提供了可行性依據(jù)[6,10]。

局部放電UHF信號的提取和分析具有重要意義，文獻[11]表明PD的模式識別包含4種分類器的設計，即距離分類器、統(tǒng)計分類器、模糊邏輯分類器和人工神經(jīng)網(wǎng)絡(Artificial Neural Network，ANN)。文獻[12]采用分布統(tǒng)計方法，根據(jù)局放相位數(shù)據(jù)的分布統(tǒng)計參量，從而篩選出局部放電的類型。文獻[13]采用概率神經(jīng)網(wǎng)絡(Probabilistic Neural Network,PNN)對GIS設備PD的UHF信號進行分類，提取出信號與統(tǒng)計的特征參量。文獻[14]采用PD矩特征，來提取出PD特征參量并判斷絕緣老化程度。文獻[15]采用二元樹復小波變換的時頻域特征提取方法，構造出完整的局部放電UHF信號的特征空間，又采用徑向基函數(shù)(Radial Basis Function,RBF)組合神經(jīng)網(wǎng)絡分類器,從而達到模式識別的效果。文獻[16]采用主成分分析(Principal Component Analysis，PCA)對統(tǒng)計參量進行分析,得到不同局部放電類型的特征信息，從而達到PD模式識別的效果。

結合上述所分析的問題，筆者提出了一種基于局部放電UHF信號的多尺度特征提取以及線性判別分析(Linear Discriminant Analysis,LDA)的識別方法，根據(jù)GIS設備內(nèi)部結構，設計了4種絕緣缺陷模型模擬GIS設備局部放電現(xiàn)象，通過UHF傳感器對局部放電UHF信號進行監(jiān)測并提取出數(shù)據(jù)，將采集的數(shù)據(jù)進行小波包多尺度變換，又對局部放電UHF信號進行了線性判別分析的設計，實現(xiàn)了特征提取與模式識別。

1 GIS設備局部放電機理

由于GIS設備結構復雜，形成了多種形式的絕緣缺陷。GIS設備主要缺陷示意圖如圖1所示。典型的形式包括：絕緣器件中存在氣隙或雜質造成擊穿場強不同、兩導體間接觸不良的連接處形成電位差、無電氣連接的金屬件形成浮動電極體放電、絕緣體表面臟污形成的電場分布不勻、導體尖端的場強達到了空氣或SF6的擊穿場強等[17]。

局部放電是一種脈沖放電，當發(fā)生局部放電時，將會存在一系列聲、光和振動等物理和化學變化[18]。由于UHF法具有不停電、在線實時監(jiān)測和抗干擾能力強的優(yōu)點而被廣泛使用。因此，采用UHF法對GIS設備局部放電進行采集，采用內(nèi)置和外置UHF天線對局部放電UHF信號進行采集，UHF法的檢測示意圖如圖2所示。

圖1 GIS設備主要缺陷示意圖

圖2 UHF法檢測示意圖

2 局部放電試驗設計與數(shù)據(jù)采集

根據(jù)GIS設備的內(nèi)部結構，設計了4種絕緣缺陷模型模擬GIS設備局部放電現(xiàn)象。其中尖刺放電模型如圖3(a)所示，模擬高壓導管外表面由于劃傷和刮削等毛刺引起的缺陷，為保持放電穩(wěn)定性，其尖刺采用繡花針，針長為33 mm，板電極為鋁合金材料。懸浮放電模型如圖3(b)所示，模擬高低壓導體或屏蔽罩連接件接觸不良而引起的絕緣缺陷，其上下電極間采用絕緣材料(如圖3(b)黑色部分所示)，上電極為鈍/尖形電極。自由金屬顆粒放電模型如圖3(c)所示，模擬水平腔體外殼上的雜質顆粒的絕緣缺陷，內(nèi)部放置金屬顆粒(如圖3(c)黑色部分所示)。絕緣子氣隙放電模型如圖3(d)所示，模擬在施工過程中存在的工藝不良而存在的氣孔導致的絕緣缺陷，上下電極之間為環(huán)氧樹脂絕緣材料，通過該方式防止沿面放電現(xiàn)象的發(fā)生。

圖4為實驗室局部放電信號監(jiān)測試驗接線圖。在圖4的高壓試驗腔體中放置上述4種缺陷模型。試驗中采用自制的UHF傳感器采集PD信號，選擇的UHF傳感器為Peano分形天線，示波器通過同軸電纜與UHF傳感器相連，由于局部放電UHF信號的頻帶為300 MHz～1.5 GHz，因此將示波器的采樣率設置為5 GS/s。

圖3 GIS設備內(nèi)部4種局部放電模型

圖4 實驗室局部放電監(jiān)測試驗接線圖

3 基于小波包分析的局部放電特征提取

3.1 小波包多尺度特征提取

針對局部放電UHF信號數(shù)據(jù)進行處理與分析，首先采用小波變換技術對檢測的UHF局部放電信號進行多分辨率分析，將不同頻率成分的信號分解成不同的小波尺度[19]。以圖5所示的小波樹的三層分解為例，上一個節(jié)點為下一個節(jié)點的濾波器，其中左節(jié)點為低通濾波，右節(jié)點為高通濾波。局部放電UHF信號通過小波包分解后可得到對應多尺度能量的信號分量，進一步計算出各能量信號分量參數(shù)，即得到信號的多尺度特征參數(shù)。

圖5 三層分解的小波包數(shù)示意圖

3.2 特征參數(shù)提取

特征參數(shù)提取主要提取能量特征，能量特征提取的流程圖如圖6所示。首先要設置小波包參數(shù)，并對4種放電模型設置能量參數(shù)。循環(huán)遍歷文件夾的數(shù)據(jù)，這些數(shù)據(jù)包含了天線1的4種放電模型，提取600組數(shù)據(jù)，600次循環(huán)包含了3層循環(huán)，第1個大循環(huán)對應了4個放電模型，第2個循環(huán)對應3個試驗，每個試驗匯總50個數(shù)據(jù)。從第1組提取的數(shù)據(jù)開始循環(huán)，一共600次，每一次循環(huán)時會生成1個小波包樹。最后提取能量參數(shù)，保存數(shù)據(jù)源新建的文件夾，以方便下一個程序使用。

圖6 特征參數(shù)提取流程圖

3.3 能量參數(shù)特征提取

利用小波包分解提取多尺度空間能量特征的基本思路為：局部放電UHF信號的能量在不同的分解層數(shù)具有不同的形式，根據(jù)分解的能量值所呈現(xiàn)的特征向量，從而能夠達到模式識別的效果。PD信號要經(jīng)過多尺度小波分析。每個空間的總能量如式(1)所示，各子空間的能量特征可以構成局部放電辨識的特征空間。

(1)

式中：l為小波包分解層數(shù)；n為此時分解層的節(jié)點；dl,k,n為節(jié)點(l,k)第n個小波包系數(shù)。

小波包的分解是由于稀缺性而產(chǎn)生的，小波包法可以用于低頻和高頻信號處理[20-21]；小波包的能量提取需要計算每層每個節(jié)點的能量，列出第l層能量，求出第l層第n個節(jié)點的系數(shù)，并找到參數(shù)方的第n個節(jié)點的平方，即求它的平方和以及每個節(jié)點的概率。

每個頻段的信號特征可以用小波分析方法提取出來?；谛〔ㄗ兓亩喑叨瓤臻g能量分布特征提取方法將信號分為多個頻段，并將每個頻段的估計能量作為特征向量。

信號f(t)的二進小波分解可表示為

f(t)=Aj+∑Dj

(2)

式中：A為低頻部分；D為高頻部分；Dj為分解后的高頻信號；信號的總能量為

E=EAj+∑EDj

(3)

選擇第j層的A和各層的D的能量作為特征，構造特征向量為

F=[EAj,EDI,ED2,…,EDj]

(4)

利用小波變換提取出可以代表局放信號的向量數(shù)據(jù)，即完成從局放信號向其特征向量數(shù)據(jù)的變換。利用小波函數(shù)對局部放電特高頻信號進行分解，得到5個層次的小波系數(shù)。

根據(jù)小波系數(shù)求出單個能量值，作為信號的特征數(shù)據(jù)。經(jīng)小波包分解得到的全部系數(shù)為w={wj,k:j=1,2,…,n;k=0,1,…, 2n-1}，其中，wj,k為節(jié)點(j,k)在小波包分解后得到的系數(shù)，其總能量et為

(5)

多尺度能量參數(shù)定義為

(6)

特高頻信號樣本小波包分解的多尺度能量參數(shù)如圖7所示。將試驗中獲得的600組樣本數(shù)據(jù)進行5層小波包分解，提取出16個能量特征，再將參數(shù)進行歸一化計算。

4 特高頻信號線性判別分析識別

4.1 線性判別分析方法

LDA的目標是進行數(shù)據(jù)降維，將高維特征空間投影到低維空間，從而使樣本數(shù)據(jù)分開。一個n維的X空間向低維的Y空間進行數(shù)學轉換時，假設在n維空間中，X={Xi,i=1,2,…,n}為n維訓練樣本集，其中Xi有n個樣本且xi∈Rp，樣本的類間散度矩陣Sw、類內(nèi)散度矩陣Sb分別為

(7)

(8)

圖7 特高頻信號樣本小波包分解的多尺度能量參數(shù)

式中：xim為第i模式類樣本中的第m個樣本。

LDA具有數(shù)據(jù)降維特性，它是根據(jù)某一投影方向上的矩陣w∈Rp，使得Fisher準則最大為

(9)

其中，wk∈Rp(k=1,2,…,r)必須滿足：

Sbwk=λkSwwk

(10)

式中：λk為最大本征值;wk為與λk對應的本征矢量。由于Sb的秩小于或等于z=C-1，因此特征變量空間的維數(shù)為r=min(p,z)，并且經(jīng)LDA降維后的局部放電信號特征的映射結果為相對量，具有無量綱屬性。

Fisher判別標準函數(shù)時極其巧妙地將樣本的類間和類內(nèi)離散性融合在投影適配性上，為選擇最佳投影方向提供了一個非常好的標準。讓目標函數(shù)達到最高值的向量被選為投影方向，其物理意義是，投影的樣本具有最大的類間離散性和最小的類間離散性。

4.2 線性判別分析模式識別

為了對局部放電類型進行模式識別處理，將局部放電信號的能量特征參數(shù)輸入到模式識別分類器中[22]。選用30組放電信號的特征量為訓練樣本，其余的放電信號的特征量為測試樣本。此外，分類器識別效率Pj為

Pj=yj/yt

(11)

式中：yj與yt分別為第j類局部放電超高頻信號識別正確數(shù)目與測試樣本總數(shù)目。

圖8為經(jīng)LDA降維后的PD信號三維特征量，圖中4個顏色分別代表了將4種類型的PD模型。從圖8中可以看出4種PD類型被明顯區(qū)分開，懸浮放電和氣隙放電則是完全分離，且尖刺放電和金屬顆粒放電完全分離。

圖8 經(jīng)LDA降維后的局放信號三維特征量

圖9為LDA降維后的放電信號的特征量二維映射結果。從圖9中可以看出，4種類型的放電都以各自所屬的類型分在了一起，懸浮放電和氣隙放電則是與尖刺放電和金屬顆粒放電完全分離。

圖9 經(jīng)LDA降維后的局放信號特征的二維映射結果

為了驗證分類器的正確率，在局部放電信號特征量中隨機選取30組進行10次采樣，然后對其訓練分類，并對特高頻局部放電信號進行模式識別，會得到10個結果，然后取其平均值。試驗最終獲得30組訓練樣本，正確率平均值分別為99.00%、98.67%、99.33%和97.33%，計算4種放電類型的平均正確率為98.58%。針對600組測試樣本正確率平均值分別為94.33%、91.17%、93.67%和91.92%，計算4種放電類型的平均正確率為92.77%?？梢钥闯鲎罱K的30組訓練樣本和600組測試樣本的正確率均達到了90%以上，可以說明線性判別分類器在很大的程度上能夠有效地將4種局部放電模型分開。

5 結束語

基于GIS設備局部放電UHF信號的模式識別方法，設計了4種絕緣缺陷模型模擬GIS設備局部放電現(xiàn)象。利用UHF法對局部放電信號進行采集，再采用小波包分解PD信號，提取其多尺度能量參數(shù)特征，并且采用線性判別分析方法對特征值進行模式識別，從而實現(xiàn)了GIS設備局部放電UHF信號的線性判別分析分類器的設計。采用了線性判別分析的方法，對其數(shù)據(jù)進行數(shù)據(jù)降維處理，可以有效地將4種放電模型分開。最后，通過算法檢驗出該線性判別分類器的正確率，訓練樣本的正確率達到了98.58%，測試樣本的正確率達到了92.77%，滿足設計要求。