基于人工神經網絡的GIS故障類型識別

深圳供電局有限公司 518020

摘要：采用超聲波檢測技術對GIS設備進行診斷及定位是簡單有效的，本文介紹了基于人工神經網絡的方法來對超聲波信號進行處理，對故障的類型進行智能識別。

關鍵詞：人工神經網絡；超聲波檢測；GIS故障

GIS設備是電力系統中的關鍵設備，保證GIS設備安全可靠運行對國家經濟發展具有重要意義。超聲波檢測GIS設備的絕緣故障是通過檢測絕緣局部放電的輻射信號來進行的，因而采用超聲波檢測技術的儀器操作簡單，實用有效，靈敏度高，因而在GIS設備絕緣診斷及故障定位方面得到了廣泛使用，對電力系統中GIS的安全穩定運行起到了很好的監視作用。

1.GIS缺陷及超聲波檢測

1.1 GIS 缺陷

GIS絕緣系統中的缺陷可能是單元在工廠制造過程產生的或在現場安裝過程產生的，也可能是在正常運行中產生的（例如快速接地開關或斷路器的操作產生的顆粒）。最典型的缺陷類型有：毛刺放電、顆粒故障、電位懸浮、機械振動等。

1.2 GlS超聲波檢測

超聲診斷法就是通過GIS外部安放特制的傳感器，捕捉GIS內部放電產生的超聲信號。GIS發生局部放電時分子間劇烈碰撞并在宏觀上瞬間形成一種壓力，產生超聲波脈沖。GIS超聲波檢測儀就是通過將這種超聲信號轉換成電信號進行診斷。常規的超聲波局部放電測試儀基本功能有連續測量、脈沖方式、相位方式三種測量方式：

1）連續測量模式：圖1是連續測量方式下的一個實例。它以有效值（RMS value）、周期峰值（Periodic peak value）、50Hz頻率成分（Frequency1 content）和100Hz頻率成分（Frequency 2 content）四個特征參數的水平柱給出超聲信號信息，其尺寸與信號成分成正比。

圖2 連續測量方式的顯示實例

2）脈沖方式（顆粒的幅度與飛行時間的關系）；

3）相位方式（放電的幅度與相位關系）。

另外儀器廠家還提供了故障的診斷、識別的方法和判據，見表1。

表1 故障識別的方法和判據表

缺陷類型GIS顆粒缺陷電暈缺陷局放缺陷

信號水平高低高

峰值有效值高低高

50Hz頻率相關性無有有

100Hz頻率相關性無無有

2.GIS故障類型識別

由于超聲波檢測技術易受周圍環境的影響，當周圍環境比較嘈雜或者周圍有工廠機器運轉時，通常測量時連續模式下的有效值、周期峰值、100Hz頻率成分、50Hz頻率成分等四個特征量都有。在這種情況下廠家給的故障診斷識別方法（見表1）就不能發揮作用。另外，對于故障信號（有效值、周期峰值、100Hz頻率成分、50Hz頻率成分）的大小和故障類型的對應關系也很難把握。為此，本文試圖尋找有效值、周期峰值、100 Hz頻率成分、50Hz頻率成分等四個特征量之間的相互大小關系和故障類型之間的內在某種對應關系。然后通過這種潛在的對應關系來判斷GIS設備的故障情況。

2.1 思路方法

利用人工神經網絡的自學習能力來尋找超聲波信號和故障類型的潛在對應關系。利用這種潛在的關系來判斷現場測試中所出現的超聲波信號所對應的故障類型，從而提高故障診斷的準確性。采用超聲波信號的中有效值、周期峰值、100Hz頻率成分、50Hz頻率成分等四個信號特征量（作為神經網絡輸入）和故障類型（作為網絡輸出）的潛在關系來判斷故障類型。

2.2 網絡設計

神經網絡進行模式識別是模擬人腦的思維過程，因此具有極高的智能性。反向傳播（back propagation，BP）網絡是一種多層前饋型神經網絡，它使用誤差反向傳播學習算法即BP算法，具有優良的非線性逼近能力，是目前應用最為廣泛的神經網絡模型。本文采用BP神經網絡進行模式識別，BP網絡采用三層，即輸入層、隱含層（也稱中間層）和輸入層，各層之間實行權連接。網絡結構為4輸入單元，10個隱含單元，1個輸出單元。數據的處理方法為：將采集到的 GIS 設備超聲波信號數據，去掉背景噪聲的影響，然后進行歸一化處理，將毛刺放電、電位懸浮、機械振動等故障類型依次編碼為：1、2、3。神經網絡的學習：先使用歷史樣本數據序列訓練BP神經網絡，調整網絡的權值和閾值等參數，中心思想是調整連接權值使網絡總誤差最小。

神經網絡的測試：使用訓練好的網絡，利用實際信號特征量進行測試，并與實際結果對照，計算故障識別準確率，結果顯示識別準確率高達95%以上。

需要說明的是，由于自由顆粒在連續模式下的超聲波信號有效值和峰值都會很大且很不穩定，不能得到穩定信號特征量數據，因而上述方法不適用，但這種故障最容易識別。表2給出了本文設計的神經網絡輸入輸出的部分樣本數據。

表2 超聲波信號特征量和故障類型對應關系（部分樣本）

樣本信號特征量/mV故障類型

有效值峰值頻率1頻率2

10.210.20.090.041

22161.41.451

34200.053.12

41.85.70.0150.272

50.62.150.10.213

注：故障類型：1—毛刺放電，2—懸浮放電，3—機械松動。

3.案例分析

利用前面設計的網絡，以一起GIS設備內部故障識別為例，說明該方法的實用性。2011年6月在對110kV GIS設備進行例行測試時，在母線筒手孔附近測得超聲信號連續模式下的四個參數（如圖3所示）為：其有效值為19.2mV，峰值為107mV，100Hz頻率成分為0.75mV、50Hz頻率成分1.05mV遠遠超出背景值（其有效值為0.2mV，峰值為0.4mV，100Hz頻率成分、50Hz頻率成分基本沒有），初步判斷里面母線筒內部存在局部放電。由于信號穩定且出現100Hz頻率成分、50Hz頻率成分，可排除自由顆粒發生放電，但由于兩種頻率成分數值差不多，難以斷定是尖峰放電還是電位懸浮造成的局部放電。為此采用設計好的BP神經網絡進行故障類型識別，識別結果為尖峰放電。由于超聲放電信號較強急需處理，現場進行了開殼檢查，檢查發現GIS的罐體內和手孔蓋處均有雜質（可能由于殼體干燥過熱所產生的氧化物碎屑引起的），見圖2、圖3。這與用神經網絡預測結果一致。該方法為故障類型的識別提供了一種有效途徑，也便于GIS故障的檢修。

圖2 連續測量方式下的超聲信號

圖3 開罐后發現手孔蓋內有雜質

4.結論

1）采用人工神經網絡對GIS設備出現的典型故障能有效的識別，但是對自由顆粒導致的局部放電有局限性。另外訓練神經網絡所采用的樣本數據或多或少受現場環境的影響，難免會影響識別準確性，為提高故障類型識別的準確率，建議樣本數據最好通過試驗室模擬的方法取得。

2）對GIS設備故障類型的識別只是定性的分析，如何對故障危險程度的進行定量評估需要進一步研究，因為它是現場故障處理的有效依據。

參考文獻：

[1]李立學，滕樂天，黃成軍，等.GIS局部放電超高頻信號的包絡分析與缺陷識別[J].高電壓技術，2009，35（2）.

[2]胡平，林介東，馬慶增.聲發射技術在變壓器局部放電測量中的應用[J].無損檢測，2004，26（10）：502-505.

[3]黎大健，梁基重，步科偉，等.GIS 中典型缺陷局部放電的超聲波檢測[J].高壓電器，2009，45（1）：72-75.