基于GK聚類的變壓器局部放電信號識別與分類

邱俊宏 陳可柯 李金芳

摘 要：針對變壓器運行過程中出現的各種局部放電現象，提出一種基于GK聚類的變壓器局部放電識別與分類的方法。搭建懸浮放電、針板放電、氣隙放電、沿面放電等局部放電模型模擬變壓器局部放電信號，并利用廣義S變換對放電信號進行時頻分析，獲取各種放電信號的特征向量。基于GK聚類算法具有較高的伸縮性、較強的處理異常數據干擾和高維數據的能力，文中在廣義S變換提取局部放電信號特征向量的基礎上，利用GK聚類算法對四種信號進行識別。仿真結果表明，GK聚類算法能夠實現各種局放信號的準確分類。

關鍵詞：局部放電;廣義S變換;信號識別;GK聚類;分類

中圖分類號：TM76 文獻標識碼：A

0 引言

作為電力系統的重要組成環節，電力變壓器安全、可靠運作為電力系統的正常運行提供了保障。絕緣狀況是反映變壓器運行狀態的關鍵因素之一。電力變壓器絕緣水平下降會直接造成變壓器的不正常運行，而局部放電作為導致變壓器絕緣老化、失效的重要原因，在絕緣故障中占一定的比例。變壓器局部放電發生時，并不會立即造成絕緣整體擊穿，但會侵蝕其附近的絕緣介質，不斷降低絕緣材料的電氣、機械性能，進而導致絕緣系統擊穿。因此，對局部放電的故障進行檢測與分類，可有效反映當前變壓器的絕緣水平、狀況，保證電力變壓器的正常運行[1-3]。

近幾年，變壓器局部放電故障信號的處理分析大多是基于傳統分析法和時域分析法實現的，文獻[4]利用二代小波和信息熵將小波能譜熵和系數熵作為特征量輸入神經網絡進行訓練、分類，文獻[5]利用小波包數據分析技術把局放信號各頻段的分形維數倒數輸入到多分類最小二乘支持向量機實現對待分類樣本的分類。上述分類雖都取得一定成效，但人工神經網絡的收斂速度相對較慢，容易陷入局部極小點;支持向量機對信號進行分析計算時需進行核變換，數據量較大時會直接影響計算效率[6]。探索合適的方法對局部放電模式進行識別分析直接關系著變壓器能否安全、可靠地運行。

針對上述方法的不足，文中從變壓器局部放電信號發生時的時域波形為出發點，利用廣義S變換對采集數據進行時頻分析作為信號分析的特征參量，并通過GK聚類算法對提取的特征量進行模式識別，確定局部放電的類型，為變壓器的故障診斷提供判斷依據。

1 基于廣義S變換的特征量提取

針對變壓器內部的絕緣特征，可將局部放電類型分為如下4類：

（1）因變壓器內懸浮電位體產生的懸浮放電;

（2）因變壓器內某些部件棱角和變壓器油中繞組、金屬屑彎折產生的毛刺引起的針板放電;

（3）因變壓器運行過程中油中釋放的氣體在絕緣紙內聚集和絕緣紙加工過程中排氣不徹底產生的氣隙放電;

（4）因變壓器沿面場強較低、高壓端電場較為集中引起的沿面方面。

四種放電信號的典型波形如圖1所示。

為便于實現采樣信號的綜合處理與分析，選取廣義S變換的模時頻矩陣作為分析對象，對變壓器局部放電信號的特征向量進行提取。令離散廣義S變換參數、，對上述信號進行分析得到的時域波形如圖2所示。

由圖2可得每種放電信號經過廣義S變換取模時頻矩陣后得到的時域波形在空間上存在明顯差異，數據取值范圍也不盡相同，以此作為每種信號特征向量的數據支撐可實現局部放電信號的準確識別與分類。

為了驗證文中所提方法的有效性，實驗室中，設計四種放電模型分別模擬生成懸浮放電、針板放電、氣隙放電、沿面放電四種變壓器局部放電信號，通過不斷調整試驗電壓的大小使每類放電信號產生100組樣本數據，利用廣義S變換對所有產生的數據進行取模取時間均值分析，并用不同的符號對不同的信號進行標記區分，得到的所有信號的特征參數分別圖如圖3所示。

由圖3顯示內容可得，對于同種類型的局部放電信號，其分布較為集中，而不同種類型的放電信號之間空間分布存在較大差異，且彼此之間互相不重合。因此，可以以此作為特征參數對放電信號進行識別與分類。

2 GK聚類

若要將待分析信號x分成c類，即可獲取c個聚類中心向量M={m1，m2，…，mc}，令為隸屬度矩陣，樣本數據點的隸屬度在矩陣中用元素ujk∈[0，1]表示，定義為第個樣本對第類的隸屬度，且滿足。若對樣本數據用GK聚類算法對其分類，即對隸屬度矩陣和聚類中心向量矩陣不斷調整迭代使式（3）所示目標函數的值達到最小值[9]。

根據上述的計算步驟，用GK聚類算法實現樣本數據的分類過程如下所示：

具體的實現步驟可歸納為：

（1）初始化聚類數目、加權指數、迭代次數、迭代終止條件、模糊劃分矩陣;

（2）更新聚類中心;

（3）由式（6）對模糊協方差矩陣進行計算;

（4）將計算結果代入式（5）獲取正定矩陣的計算值;

（5）提取步驟（4）計算得到的值對式（4）進行計算得到，獲取待分析樣本數據的相似度;

（6）將相似度度量函數的值代入式（7）中，對模糊劃分矩陣進行更新;

（7）計算的值，若小于ε則終止運算，否則增加迭代次數，使，轉至步驟（2）重復上面的內容，直至<。

3 基于GK聚類的局部放電信號分類

為實現GK聚類算法對樣本數據進行識別分類，需在廣義S變換基礎上選用能夠反映數據特征的參量對數據進行提取分析，實現同類數據的集中顯示，不同類數據之間的差異顯示。一般情況下，方差、均值、能量均能達到要求，文中選取方差作為參量對四種局部放電信號進行分析。

分別設置GK聚類初始分類數為2、3、4，模擬產生四種放電信號，當待分析樣本信號中包含任意兩種放電信號時（以懸浮放電和針板放電為例），GK聚類的分類效果如圖4-（a）所示。當待分析樣本信號中包含任意三種放電信號時（以懸浮放電、氣隙和沿面放電為例），GK聚類的分類效果如圖4-（b）所示。當待分析樣本信號中包含四種放電信號時，GK聚類的分類效果如圖4-（c）所示。

由圖4可得任何放電信號的組合利用GK聚類算法均能夠較好完成放電信號樣本數據的識別與分類，且準確率較高，進而驗證了文中所提分類方法的有效性。

4 結論

文中在論述廣義S變換和GK聚類算法基本理論知識基礎之上提出一種基于GK聚類算法的變壓器局部放電信號識別與分類方法。搭建模型仿真懸浮放電、針板放電、氣隙放電、沿面放電等四種變壓器局部放電信號各100組，對信號組進行廣義S變換取模取方差均值計算，并以計算結果作為特征參量利用GK聚類算法對四種放電進行分類，驗證文中所提方法的可靠性與準確性。圖形分類結果表明文中所提方法在實現局部放電信號識別與分類方面具有分類規則清晰、簡單、易于理解，且能夠根據分類效果較好的優點。

參考文獻：

[1]趙建利，劉海峰，劉婷，等.變壓器局部放電信號檢測與類型識別[J].現代電子技術，2016，39（06）：166-170.

[2]王曉文，鐘曉宇.電氣設備局部放電檢測方法綜述[J].沈陽工程學院學報（自然科學版），2017，13（04）：331-339.

[3]劉嘉林，董明，安珊，等.電力變壓器局部放電帶電檢測及定位技術綜述[J].絕緣材料，2015，48（08）：1-7.

[4]鄧雨榮，郭麗娟，郭飛飛，等.引入二代小波的自適應BP神經網絡局部放電故障識別[J].電力建設，2013，34（06）：87-91.

[5]任先文，薛雷，宋陽，等.基于分形特征的最小二乘支持向量機局部放電模式識別[J].電力系統保護與控制，2011，39（14）：143-147.

[6]朱永利，王劉旺.并行EEMD算法及其在局部放電信號特征提取中的應用[J].電工技術學報，2018，33（11）：2508-2519.

[7]劉宇舜，周文俊，李鵬飛，等.基于廣義S變換模時頻矩陣的局部放電特高頻信號去噪方法[J].電工技術學報，2017，32（09）：211-220.

[8]劉文杰，舒勤，韓曉言.基于廣義S變換和TEO的配電網故障定位方法[J].電力系統及其自動化學報，2019，31（01）：12-18.

[9]李成榕，王彩雄，唐志國，等.基于聚類分析的變壓器局部放電智能診斷的研究[J].華北電力大學學報（自然科學版），2008，35（06）：7-12.