基于GK 模糊聚類的電力系統內部絕緣缺陷智能識別

池震霆

（南京工程學院離退休工作處，江蘇南京 211167）

導致電力系統崩潰的原因有很多，電力系統內部絕緣缺陷就是其中一種，電力系統在正常工作中[1]，由于各種因素的作用，往往存在兩種內部絕緣缺陷，一種是范圍較小但是危害比較大的集中性缺陷，這種類型的缺陷在高電壓、強電場的作用下，發展比較快，會使缺陷范圍逐漸擴大，造成設備絕緣事故；另一種缺陷是范圍比較廣的分布性缺陷，往往是由于密封不好導致絕緣受潮、污染、介質老化、整體絕緣性能下降、電阻減小、損耗增大，進一步加速老化、縮短絕緣壽命[2-4]。在這種情況下，電力系統內部絕緣缺陷智能識別方法得到了深入地研究與發展。

現階段，國內外市場上有很多專門用于識別電力系統內部絕緣缺陷的方法，如基于可聞聲波分析的智能識別方法可以很好地對電力系統內部絕緣缺陷問題進行精確的識別；基于頻域熱特征成像的復合絕緣子缺陷檢測方法可以采集其表面動態變化溫度分布，利用離散傅里葉變換分析其表面溫度變化信息的頻域特征，具備非接觸測量、檢測速度快、結果形象直觀的特點。

但是這些識別方法的缺點也很明顯，在現階段隨著電力系統使用范圍的擴大，電力數據呈爆炸性增長，識別方法受到數據集合體積限制，擾動識別能力比較差，識別前后對系統負荷影響比較大，識別方法的整體適應能力需要提高[5-7]。因此，設計基于GK模糊聚類的電力系統內部絕緣缺陷智能識別方法，其創新之處在于采用GK 模糊聚類算法對提取的特征進行處理，形成不同層次的特征向量。利用特征向量構造層次分類樹，對每個節點的特征向量進行分層識別，實現對電力系統內部絕緣缺陷的識別。

1 基于GK模糊聚類的電力系統內部絕緣缺陷智能識別方法設計

1.1 提取不同缺陷的特征

在電力系統內部絕緣缺陷智能識別中，首先對發生故障的位置進行初步分析，確定故障監測點，保證識別數據的有效性、準確性。

對于電力系統內部絕緣缺陷中的集中性缺陷，通過PD Locator（PDL1）設備定位缺陷位置，通過研究發現，該設備對集中性缺陷定位相對準確，將定位結果在示波器中顯示出來，便于識別缺陷位置[8]。通過示波器顯示的波形可知，當PDL1 的觸發閾值高于背景值時，絕緣缺陷的位置在工頻電壓的正、負半軸均有放電的現象，同時集中在波峰附近，并且顯示出負半軸放電次數多于正半軸的放電次數。由于絕緣缺陷導致的放電現象屬于不均勻場的放電，因此具有明顯的極性效應，正空間電荷的電場與正極尖的電場方向相反，導致其合成電場強度減弱[9-11]。合成電場的變化過程如圖1 所示。

圖1 正空間電荷的電場與正極尖、負極尖的合成電場

將合成電場的變化作為集中性缺陷的特征。對于分布性缺陷，可以采用同樣的方法提取出電力系統內部絕緣缺陷特征，用于后續智能識別中。

1.2 聚類特征數據

提取的數據均處于同一存儲空間，在智能識別之前，使用GK 模糊聚類算法度量特征數據的分散程度，從而進行有效分類。假設特征數據的聚類中心向量是Q=[q1,q2,…,qn]T，其中n表示聚類數目，隸屬度矩陣為，m表示樣本數目，u和v表示數據點位置[12]。在實際聚類中，隸屬度矩陣滿足以下條件：

GK 模糊聚類在識別中的性質指標為：

式中，i表示描述聚類模糊程度的模糊指數參數，在識別中該值為2，X=(x1,x2,…,xm)是一組數據序列，表示平方內積范數，是任一數據點xv到聚類中心qu的距離[13]，計算公式為：

式中，Bu表示正定對稱矩陣，主要由聚類協方差矩陣決定[14]。計算公式為：

利用拉格朗日乘法優化式（2），使其滿足極小值的(W,Q)條件：

實際處理過程中，在各個參數滿足式（1）條件后，設置迭代次數為d=1,2,3,…，根據式（6）更新聚類中心qu，計算模糊協方差矩陣Eu：

將Eu代入式（4）中，更新模糊劃分矩陣W，如果計算滿足，則終止運算，α表示人為設置的任意正數，如果不滿足上述條件，則設置迭代次數為d=d+1，重新更新聚類中心，重復計算過程，直到滿足條件，輸出結果，將輸出結果作為識別的輸入。

1.3 智能識別絕緣缺陷

電力系統內部絕緣缺陷產生的特征信號是非平穩信號，以特征向量作為識別的輸入量，將聚類結果逐步分層細化，構成分層模塊的特征成分，形成絕緣缺陷識別的模塊層次結構。絕緣缺陷層次分類樹如圖2 所示。

圖2 絕緣缺陷層次分類樹

圖2為8種電力系統內部絕緣缺陷的分類樹，節點表示分級層次，根節點包括所有絕緣缺陷特征向量集合[15-16]。分類樹針對所有絕緣缺陷之間的內在聯系，建立分類樹，根據分類樹包含的缺陷總體結構和分層架構進行逐級分類，形成分類樹結構。在分類樹的每個節點上，識別該節點絕緣缺陷的特征向量，遍歷分類樹上的所有層次和節點，最終達到電力系統內部絕緣缺陷智能識別的目的。至此，完成了基于GK 模糊聚類的電力系統內部絕緣缺陷智能識別方法設計。

2 電力系統內部絕緣缺陷智能識別方法實驗研究

2.1 實驗數據準備

利用潮流分析工具模擬實際電網某月運行方式數據，以此作為電力系統內部絕緣缺陷智能識別方法實驗研究的基礎運行點。利用VSAT 進行仿真，通過改變電力系統傳輸功率，保證電網全網負荷功率因數不變，使其初始有功輸出達到5 000 MW，系統中的各節點按相同比例增加負荷，模擬出7 種不同類型的特征向量矩陣作為實驗數據樣本，將其標準化后使用不同智能識別方法識別模擬的特征向量矩陣，并進行對比實驗。模擬數據VSTA柱狀圖如圖3所示。

圖3 VSTA柱狀圖

在以上準備中，使用的實際電網結構如圖4所示。

圖4 電網結構圖

從以上內容簡單分析可知，220 節點處于電網末端，是單線直饋供電，發電機容量比較小，是薄弱區域；204、208 等節點負荷相對過重，容易出現電壓對無功不敏感的現象，容易發生電壓失穩現象，該區域是次薄弱區域。

在以上實驗環境下，使用不同的電力系統內部絕緣缺陷智能識別方法進行識別，根據識別的特點和流程，設計擾動識別實驗和穩定性實驗，完成實驗后，結合兩組實驗結果分析不同的智能識別方法。

2.2 擾動識別實驗及分析

實驗中使用的智能識別方法分別是基于可聞聲波分析的智能識別方法（方法1）、基于頻域熱特征成像的復合絕緣子缺陷檢測方法（方法2）以及方法3，分別對7種不同類型擾動特征向量矩陣進行識別，使用第三方軟件輸出實驗結果，具體結果如圖5所示。

圖5 不同智能識別方法的擾動識別實驗結果

如圖5 所示，以7 種擾動類型為中心的數據分布情況。從整體觀察圖中結果可以看出，使用智能方法對數據樣本進行處理分析后，形成了7 個數據中心，其中圖5（a）和圖5（b）中的結果顯示，7 個分布在同一空間中的數據中心周圍擾動數據存在交叉混疊現象；而圖5（c）中結果顯示，7 個數據中心周圍的擾動數據沒有發生交叉混疊的現象，有利于對數據大小、密度的識別與分析。綜上所述，設計的基于GK模糊聚類的電力系統內部絕緣缺陷智能識別方法在擾動環境下識別能力更強。

2.3 穩定性實驗及分析

依據實驗準備某實際電網，在內部絕緣缺陷條件下使用不同智能識別方法識別電力系統中的絕緣缺陷，計算識別前負荷量、識別后負荷量，根據計算結果對比不同的智能識別方法，分析識別方法的穩定性。計算結果如表1 所示。

表1 不同智能識別方法負荷計算結果

對比觀察報表中不同智能識別方法的負荷計算結果，從中可以看出，不管是哪一種識別方法在識別前后對電力系統的負荷均產生影響，其中傳統的方法1 和方法2 在識別前后負荷比較差，相差兩倍以上；文中設計的方法3 識別前后的負荷變化極小，基本可以忽略。再結合擾動實驗結果可知，設計的基于GK 模糊聚類的電力系統內部絕緣缺陷智能識別方法擾動識別能力強，給電力系統帶來的負荷小，該智能識別方法在不同環境中的適應能力更強。

3 結束語

在詳細分析國內外有關電力系統內部絕緣缺陷識別的基礎上，設計了基于GK 模糊聚類的電力系統內部絕緣缺陷智能識別方法，利用GK 模糊聚類算法的優勢解決傳統識別方法的問題。設計完成后，通過對比實驗驗證了智能識別方法的可行性。

但是研究過程中，由于實測數據有限，相關數據不完整，因此，在未來研究中，需要獲取更多的實測數據，進一步開展電力系統內部絕緣缺陷的識別工作，為保障電力系統的正常運行做出貢獻。