基于EFPI傳感器的GIS局部放電模式識別研究

韓世杰， 呂澤欽,3， 隋浩冉， 王偉， 屠幼萍， 高超飛

(1. 高電壓與電磁兼容北京市重點實驗室(華北電力大學)，北京 102206；2. 新能源電力系統國家重點實驗室(華北電力大學)，北京 102206；3. 國網浙江省電力有限公司寧波供電公司，浙江 寧波 315000；4. 北京信息科技大學自動化學院，北京 100192)

0 引言

在電力系統中，氣體絕緣全封閉組合電器(gas-insulated switchgear,GIS)以其穩定性高、易檢修、占地面積小等優點而被廣泛應用[1—2]。對GIS局部放電的檢測是評估和診斷其絕緣狀況的重要手段[3—6]。為進一步評價GIS內部產生局部放電的缺陷類型性質，須對采集到的放電信號進行模式識別[7]。以GIS內部局部放電產生的脈沖電流信號和超高頻信號為基礎的模式識別方法易受現場電磁噪聲的干擾，從而導致識別正確率降低。通過檢測局部放電產生的超聲信號，可降低現場電磁干擾對檢測的影響，實現電氣設備的在線監測[8—9]。

基于非本征法布里-帕羅干涉(extrinsic Fabry-Perot interferometer,EFPI)原理的超聲傳感器采用光纖作為傳感器載體，利用光的干涉原理，對局部放電產生的超聲波信號進行檢測。該傳感器相較于傳統的壓電陶瓷傳感器，具有靈敏度高、抗干擾能力強、電絕緣性良好等諸多優點[10—12]。近些年來，不少專家學者開展了應用EFPI傳感器檢測高壓電氣設備局部放電信號的研究。文獻[13]利用EFPI傳感器對變壓器內的局部放電進行了檢測，與壓電式傳感器的檢測效果進行對比，發現EFPI傳感器的抗電磁干擾能力更為顯著。文獻[14]基于EFPI傳感器測量超聲波信號，對變壓器內部的局部放電進行了模式識別，發現該傳感器擁有較高的識別正確率。目前，使用EFPI傳感器檢測變壓器局部放電研究已經取得很大的進展，但尚未在GIS中得到應用。這是由于超聲波信號在SF6氣體中的衰減較變壓器油中更為嚴重，且EFPI傳感器須內置于GIS腔體中，大幅增大了EFPI傳感器在GIS中的應用難度。然而利用EFPI傳感器對GIS內部局部放電產生的超聲波信號進行檢測，可解決以往超聲波檢測法存在的信號衰減大、檢測靈敏度不足、外界噪聲干擾強等問題，有利于提高GIS在線監測水平。

通過分析GIS內部不同局部放電超聲信號的差異，結合機器學習算法，可對產生局部放電的絕緣缺陷類型進行判斷，該方式相較于傳統的經驗判別方法具有更高的可靠性。目前主流的模式識別方法是神經網絡算法和支持向量機(support vector machine,SVM)算法。神經網絡算法是基于經驗風險最小化的原則而設計出的機器學習算法，包括反向傳播神經網絡(back propagation neural networks,BPNN)、概率神經網絡(probabilistic neural net-works,PNN)等。SVM建立在統計學理論之上，是繼神經網絡之后的一種新型機器學習算法。

文中搭建了4種典型的放電模型以模擬GIS中的局部放電，創新性地利用EFPI傳感器檢測GIS絕緣缺陷模型放電產生的超聲信號。為識別不同的局部放電類型，采取了一種結合超聲信號的波形特征。針對單次脈沖進行波形特征提取的方法，分別應用PNN算法和SVM算法對提取的特征參數進行智能模式識別，2種算法的平均識別正確率均在85%以上。

1 EFPI超聲檢測系統

1.1 EFPI傳感器工作原理

EFPI傳感器探頭的設計結構如圖1所示，其工作原理[15—16]為：單波長的光經過單模光纖入射到傳感器探頭，根據Fresnel原理，會有大約4%的入射光在光纖斷面反射回光纖纖芯，其余約96%的入射光會經過F-P腔，并在傳感器膜片處發生反射。2束反射光將會在光纖纖芯處發生干涉，由光的干涉理論可知，干涉光的光強為：

(1)

式中：I0為初始入射光強；R為反射系數；n0為腔體折射率；λ為光源波長；L為F-P腔腔長。

由式(1)可知，在確定了傳感器的制作材料之后，能夠對干涉光光強產生影響的因素只有F-P腔腔長。因此，當EFPI傳感器探頭接收到超聲波信號時，傳感器膜片會隨超聲波信號產生振動，從而改變F-P腔的腔長，進而改變干涉光的光強，這個過程就實現了超聲波信號向光信號的轉換。

圖1 EFPI傳感器探頭的設計結構Fig.1 Design structure of EFPI sensor probe

由于SF6氣體對超聲波的強吸收效應，且超聲波的高頻分量較低頻分量在SF6氣體中的衰減更為嚴重，EFPI傳感器接收到的超聲信號主要集中在低頻段，據此開展EFPI傳感器參數的設計，提高其靈敏度并降低固有頻率。有研究表明，通過改變傳感器膜片材質、擴大膜片半徑、減小膜片厚度，可提高傳感器靈敏度，且降低其固有頻率[17]。文中在實驗室條件下，選用石英玻璃膜片，并將膜片半徑從原1 mm增大至1.3 mm，厚度從原25 μm增大至30 μm，此時傳感器的固有頻率為48 kHz，靈敏度為262 nm/kPa。經測試，對于同一次絕緣缺陷引發的局部放電，在相同檢測距離與放大倍數的條件下，EFPI傳感器測量到的超聲信號幅值約為壓電陶瓷傳感器的2.1倍。

1.2 超聲檢測系統

EFPI超聲檢測系統如圖2所示，該系統由EFPI傳感器、單模光纖、光纖環形器、光源、光電放大器以及示波器連接而成[18—19]。當EFPI傳感器檢測到超聲波時，超聲信號在傳感器探頭處轉換成光信號，并由單模光纖將反射光傳入光纖環形器處進行干涉，之后再傳至光電放大器。光電放大器集成了光電轉換與放大的功能，首先將光信號轉換為電信號，再將電信號按設置的增益進行放大，最后在示波器上顯示經過聲-光-電轉換、具有放大增益的超聲波信號。通過分析該超聲波信號可以獲得產生局部放電的絕緣缺陷信息。

圖2 EFPI檢測系統原理Fig.2 Principle of EFPI detection system

2 局部放電超聲信號檢測及特征參數提取

2.1 GIS局部放電檢測試驗平臺

文中搭建的GIS局部放電檢測試驗平臺由高壓電源、4種典型的放電模型、GIS實驗腔體以及EFPI超聲檢測系統4部分組成，如圖3所示。

圖3 GIS局部放電檢測試驗平臺Fig.3 GIS partial discharge detection test platform

GIS的缺陷類型主要包括尖刺放電、自由金屬顆粒放電、懸浮電位金屬體放電、絕緣子沿面放電[20]。文中建立了4種放電模型，模擬以上4種缺陷類型產生的局部放電信號，即：尖端放電、金屬顆粒放電、懸浮放電與沿面放電。放電模型的導電材質采用黃銅，其結構如圖4所示。在圖4(a)尖端放電模型中，對上電極表面進行拋光處理，周圍進行倒圓角加工，保持放電穩定性。在圖4(b)金屬顆粒放電模型中，電極間放置大小形狀不一的金屬鋁球來模擬金屬顆粒，并設置了一個環氧樹脂罩以防自由金屬球在電場中高速運動或碰撞時脫離放電模型。在圖4(c)懸浮放電模型中，電極間的環氧樹脂套用來支持懸浮金屬體，并可調整懸浮金屬體與電極之間的距離。在圖4(d)中，沿面放電電極間的絕緣材質采用環氧樹脂。

圖4 GIS絕緣缺陷局部放電模型Fig.4 Partial discharge model of insulation defect in GIS

經測試，在充有0.4 MPa SF6氣體的GIS實驗腔體內，上述放電模型均能在有效值18 kV左右的交流電壓下產生穩定的放電，且EFPI超聲檢測系統能夠檢測到相應的放電超聲信號。

GIS實驗腔體為平高集團生產的220 kV GIS上的一段，中間充有0.4 MPa的SF6氣體，腔體內的EFPI傳感器通過光纖饋通器與外部的檢測系統連接。光纖饋通器可以根據需要組裝到不同尺寸的法蘭上，其兩端均為FC/APC接口，用于連接內部的傳感器和外部的檢測系統，用裝好光纖饋通器的法蘭替換掉腔體上的觀察窗，可實現EFPI傳感器的置入，光纖饋通器及其安裝方式如圖5所示。

圖5 光纖饋通器及其安裝方式Fig.5 Optical fiber feedthrough and its installation

2.2 不同局部放電類型的時域波形

在有效值18 kV左右的交流電壓下，4種典型的絕緣缺陷放電模型均能在充有0.4 MPa SF6氣體的GIS實驗腔體內產生穩定的放電，光電放大器的增益選為40 dB，記錄不同局放模型產生的放電超聲信號，如圖6所示。其中0時刻為放電起始時刻，超聲信號較電磁信號在介質中傳播較慢，故傳感器接收到超聲信號的時刻與放電起始時刻存在一定時間間隔，該時間間隔由傳感器與放電源之間的距離決定。

圖6 不同絕緣缺陷局部放電模型的超聲信號波形Fig.6 Ultrasonic signal waveforms of partial discharge models of different insulation defects

由圖6可知，由EFPI傳感器檢測到的不同絕緣缺陷模型的放電超聲信號差異較大，特征較為突出，有利于特征參數提取與模式識別研究的開展。

2.3 超聲信號特征參數提取

局部放電產生的超聲信號具有時延、寬脈寬和多次放電等特點，因此難以采用傳統的構造二維統計譜圖法對其進行模式識別[21]。文中選擇了一種更接近局部放電機理的方法，即結合超聲信號的波形特征，針對單次脈沖進行波形特征參數提取。

超聲波信號包括了很多的特征參數[22]，文中選取了如下5個參數：上升時間Tr，持續時間Td，幅值Vmax，能量E，振鈴計數C，如圖7所示。不同局部放電故障類型的原始超聲信號經LabVIEW程序提取特征參數后，可形成特征參數數據庫，用于后續的故障類型模式識別。

圖7 單次超聲脈沖信號的不同特征參數Fig.7 Different characteristic parameters of single ultrasonic pulse signal

(1) 上升時間。超聲脈沖信號第一次超過閾值與到達信號峰值之間的時間差，該數值可以體現信號的偏斜程度。

(2) 持續時間。超聲脈沖信號第一次超過閾值與最后一次到達閾值的時間差，該數值可用于過濾無效的短脈沖信號，提高特征參數的有效性。

(3) 幅值。超聲脈沖信號峰值的大小，即信號振幅，該數值可以體現信號的高度特征。幅值大小與光電放大器的增益相關，文中選定為40 dB。

(4) 能量。超聲脈沖信號超過閾值的面積和。該數值與信號寬度特征(持續時間)、高度特征(幅值)均相關，可體現信號的相對強度。

(5) 振鈴計數。該特征參數可以統計超聲脈沖信號超過閾值的次數，與閾值大小的選取相關。根據實驗現場噪聲，文中的閾值選定為0.5 V。

3 基于不同模式識別算法的GIS局放模式識別

PNN是一種基于統計原理的人工神經網絡，綜合了徑向基函數神經網絡與經典概率密度估計原理的優點。與傳統的BPNN相比，徑向基神經元還可以和競爭神經元一起共同組建PNN，在模式識別領域具有顯著優勢[23]。SVM是基于統計學理論和結構最小化理論的機器學習算法，相比于神經網絡，其結構更簡單、泛化能力更強。SVM可在有限的樣本下，找到問題的最優解，尤其適合小樣本數據，在模式識別領域的應用前景廣闊[24]。因此，文中將兩者應用于GIS局部放電的故障類型判別中，并對其進行比較分析。

在對單次超聲脈沖波形提取了5個特征參數的基礎上，在識別流程開始之前對特征參數進行歸一化處理，歸一化映射如式(2)所示。

(2)

式中：xmin為參數最小值；xmax為參數最大值。將原始數據規整至[0,1]范圍內。

3.1 PNN識別方法

利用Matlab平臺實現PNN模式識別，識別步驟如圖8所示。

圖8 PNN模式識別流程Fig.8 Flow chart of PNN pattern recognition

(1) 特征向量格式調整。為將特征樣本向量輸入至PNN訓練函數及測試函數中，須將其調整為特定輸入格式。

(2) PNN參數設置。在PNN創建過程中，將擴展系數Spread設置為2，使得在可控的運行時間內，神經元能夠對輸入向量所覆蓋的區間都產生響應。

(3) PNN創建及訓練。在PNN創建及訓練的過程中，將特定格式的測試樣本特征向量進行輸入，在訓練完成后將訓練樣本進行回代測試，確保PNN的識別有效性。

(4) PNN測試。利用訓練好的PNN對測試樣本特征向量進行測試，并將識別結果與測試樣本對應真實缺陷類型進行對比，可得知PNN的識別正確率。

3.2 SVM識別方法

文中利用基于Matlab平臺的LIBSVM工具箱實現SVM的模式識別，識別步驟如圖9所示。

圖9 SVM模式識別流程Fig.9 Flow chart of SVM pattern recognition

(1) 特征向量格式調整。基于SVM訓練函數及測試函數的特定輸入格式，對特征樣本向量的格式進行調整。

(2) 核函數選取及參數設置。選取徑向基核函數作為SVM程序的核函數，其可通過內積的方式解決低維空間特征向量線性不可分的問題。將g參數設置為1，c參數設置為2，確保了SVM模型的擬合能力以及相應的泛化能力。

(3) SVM模型創建及訓練。在SVM模型創建及訓練的過程中，輸入特定格式的測試樣本特征向量，并對核函數、g參數、c參數進行設置。在訓練完成后對訓練樣本進行回代測試，確保訓練樣本對SVM模型的訓練效果。

(4) SVM模型測試。利用訓練好的SVM模型對測試樣本特征向量進行測試，基于LIBSVM的預測函數可直接給出SVM模型的識別正確率。

3.3 識別結果比較分析

文中針對4種絕緣缺陷類型，一共檢測并記錄了300即75×4組局部放電超聲信號，并在此基礎上提取了300組特征向量，組建形成了特征參數數據庫，選取200即50×4組特征向量樣本分別對PNN和SVM進行訓練，再將其分別應用于100即25×4組測試樣本的模式識別。應用PNN的測試樣本識別效果和分類誤差如圖10所示，應用SVM的測試樣本識別效果和分類誤差如圖11所示。

圖10 PNN模式識別效果與分類誤差Fig.10 Pattern recognition effect diagram and classification error diagram of PNN

圖11 SVM模式識別效果與分類誤差Fig.11 Pattern recognition effect diagram and classification error diagram of SVM

從圖10和圖11可知，在由EFPI超聲檢測系統提取的超聲信號特征參數數據庫基礎上，SVM算法的整體識別效果要優于PNN算法。表1分別列出了2種模式識別算法對不同絕緣缺陷放電模型的局放超聲信號的識別正確率。

表1 PNN與SVM識別正確率Table 1 Recognition accuracy of PNN and SVM %

從表1的數據可以得出：

(1) 2種模式識別算法的平均識別率正確均在85%以上，SVM算法的平均識別正確率達到95%，要優于PNN算法。

(2) 尖端放電的識別正確率在2種算法下均能達到100%，由此可見其特征參數與其他3種放電模式差距較大。

(3) 懸浮放電與沿面放電之間存在相對數量較多的誤診斷，由此可見這2類局部放電超聲信號所提取的特征參數是相似的。

(4) 金屬顆粒放電的識別正確率相對較低。由于金屬鋁球在電場中的運動與碰撞沒有規律且放電形式多樣，造成特征參數較為混亂，從而導致識別正確率降低。

4 結論

文中搭建了一套模擬GIS內部不同局部放電的實驗裝置，在該實驗腔體內設置了4種典型的局部放電模型，利用EFPI超聲傳感器測量不同類型局部放電產生的超聲信號，結合波形特征對超聲信號單次脈沖進行了特征參數提取，并分別利用PNN算法和SVM算法對不同故障類型進行了模式識別，結論如下：

(1) 設計制作的EFPI傳感器可對GIS中的尖端、金屬顆粒、懸浮和沿面4種典型的絕緣缺陷模型產生的放電超聲信號進行檢測，檢測到的超聲信號波形特征突出，有利于后續特征參數提取及模式識別研究的開展。

(2) 在放電超聲信號基礎上，可以提取得到上升時間Tr，持續時間Td，幅值Vmax，能量E，振鈴計數C這5個超聲脈沖波形特征參數，特征參數可以很好地突出不同絕緣缺陷放電超聲信號的特點，有利于對缺陷類型進行判別。

(3) 訓練后的模式識別算法表現良好，均能達到85%以上的平均識別正確率，且SVM的識別效果要優于PNN。對于不同類型的局部放電，算法具有不同的識別正確率：尖端放電識別正確率最高，金屬顆粒放電識別正確率最低，懸浮放電與沿面放電之間存在數量較多的相互誤診斷。