基于棧式降噪自編碼的變壓器“快速發展型”沿面放電狀態評估

程 林，楊 旭，劉正陽，張 靜，聶德鑫，張曉星

(1.湖北工業大學，湖北 武漢 430068；2.國網電力科學研究院武漢南瑞有限責任公司，武漢 4300742；3.南瑞集團(國網電力科學研究院)有限公司，江蘇 南京 211006)

我國能源與需求分布的不均以及高速發展的國民經濟對電力傳輸提出了更高的要求，超、特高壓輸電技術也應運而生[1,2]。作為輸變電系統的主要設備之一，超、特高壓電壓等級、大容量變壓器的穩定運行是保障輸電系統安全的必要條件[3]。

電壓等級的提升往往意味著變壓器體積的增大，然而，在超、特高壓變壓器的設計時，由于生產、運輸以及安裝等諸多現實條件的限制，保有的絕緣裕度往往比低電壓等級的小，導致其內部高場強區域比低電壓等級的多[4,5]。在超、特高壓變壓器出廠和交接試驗中，出現了多起與以往局部放電發展異同的案例，其從出現局部放電信號到擊穿只需短短的數分鐘，這種現象被稱為“快速發展型”故障[6,7]。

針對變壓器的“快速發展型”放電現象，文獻[8]研究了油紙絕緣在極不均勻電場下的放電過程，提出了采用外加電壓與擊穿時間特性曲線來區分“普通型”和“快速發展型”放電模式的方法。文獻[9]研究了恒定電壓下的油紙絕緣的“快速發展型”放電現象，通過閾值電壓和電壓耐受指數等參數對其進行了界定并研究了各個放電發展階段的放電形態。但是，目前關于變壓器“快速發展型”放電發展狀態評估相關研究還鮮有報道。

針對輸變電設備故障診斷與狀態評估已有很多學者進行了研究[10]。高頻脈沖電流能有效避免現場檢測的電磁干擾，準確反應設備內部的狀態，因而適合用來對輸變電設備進行狀態評估[11]。針對變壓器局放信號的非線性問題，構建基于隨機向量函數鏈接神經網絡的方法，其能通過對每個隱藏層節點進行分類而去除敏感節點，從而提高故障診斷準確率[12]。采用多層人工神經網絡，在不丟失診斷分辨率的情況下處理測量不確定性同時融合獨立的油中溶解氣體法，能有效提升變壓器運行狀態在線評估的能力[13]。

本文通過搭建“快速發展型”沿面放電試驗平臺，獲取了其不同階段下的高頻脈沖電流信號，并構建了降噪自編碼聯合支持向量機的模型對放電發展狀態進行評估，取得了良好的效果。

1 試驗方案

1.1 試驗平臺介紹

本文采用圖1所示的針-板缺陷來模擬變壓器中油紙絕緣“快速發展型”沿面放電缺陷。其中，高壓電極由針電極組成，其材質為銅，針尖長8mm,曲率半徑為30μm；低壓電極由絕緣紙板和板電極組成，板電極是直徑60mm、厚3mm的銅板，邊緣進行了打磨，紙板是直徑100mm、厚1mm的圓片，其能完全覆蓋住板電極以防止高低壓電極間發生閃絡，確保放電沿著絕緣紙板表面進行；高壓電極位于絕緣紙板的上方5mm處，且與其夾角為30°。

圖1 沿面放電缺陷模型Fig.1 Creeping Discharge Defect Model

圖2所示為本文的試驗平臺。調壓器為柱式調壓器，其可將220 V的工頻交流電壓轉換成0～250 V的可調交流電壓，輸出至下一級的無局放變壓器；工頻試驗保護電阻阻值為10千歐，用來限制試品擊穿時的短路電流；分壓器的分壓比為1000:1；通過羅高夫斯基線圈(HFCT-49)采集高頻脈沖電流信號，頻率帶寬為1-30MHz；數據采集所用示波器型號為Tektronix MS044，模擬寬帶1.5 GHz，最大采樣率為6.25 GS/s，存儲深度可達50 M。

圖2 沿面放電試驗平臺Fig.2 Creeping discharge test platform

1.2 試驗步驟

本文進行變壓器“快速發展型”沿面放電試驗步驟：(1)將絕緣紙板在120 ℃下烘干48 h；25號變壓器油在90 ℃下真空干燥24 h；(2)將油和缺陷置于油罐中，密封靜置24 h；(3)采用逐步升壓法進行加壓，升壓速度為0.5 kV/s，分別記錄其起始局放電壓和擊穿電壓，分別進行5組試驗；(4)在起始局放電壓和擊穿電壓間選取電壓梯度為1 kV的電壓值進行局放試驗，采集不同時間段的高頻脈沖電流信號，同時記錄其擊穿時間；(5)根據圖1所示的模型尺寸分別制備4組相同的缺陷，每組7個，記為A，B，C，D組，每組的缺陷分別在7個不同電壓值下進行局放試驗。

2 試驗結果分析

2.1 沿面放電電壓與擊穿時間分析

圖3所示為5次試驗測量得到的沿面放電起始電壓和擊穿電壓，可以看到，5次試驗的起始局放電壓和擊穿電壓的差別均不大，因此選定20 kV為起始局放電壓，27 kV為擊穿電壓。局放試驗在起始放電電壓和擊穿電壓之間以1 kV的電壓梯度取值，分別為20.5，21.5，22.5，23.5，24.5，25.5和26.5 kV 7個電壓值。

圖3 沿面放電起始局放電壓和擊穿電壓Fig.3 Creeping discharge initial partial discharge voltage and breakdown voltage

在7個電壓值下分別進行沿面放電試驗，得到的擊穿時間如表1所示。

對于油紙絕緣體系而言，其擊穿時間t和外加電壓U之間存在如下關系[14]：

t=AU-n

(1)

式中，t為油紙絕緣沿面擊穿的時間；U是外加電壓的大小；n表示體系的耐壓指數，為常數；A為累積損傷值。

根據表1中的結果，在雙對數坐標系中繪制外加電壓和擊穿時間的特性曲線，然后分別進行擬合，得到了如圖4所示的不同外加電壓與擊穿時間關系特性曲線。可以看到，四組試驗得到的特性曲線均呈折線形式，存在一個拐點，其中，A、B、C 3組試驗的拐點均在電壓為23.5 kV處，而第四組的拐點在24.5 kV處，拐點存在差異主要是因為存在隨機性。外加電壓和擊穿時間特性曲線發生變化，說明放電類型出現了本質的變化。當外加電壓大于24.5 kV時，缺陷能在短短幾分鐘內擊穿，屬于“快速發展型”缺陷。

表1 沿面放電擊穿時間Tab.1 Breakdown time of creeping discharge

t/s圖4 沿面放電缺陷電壓與擊穿時間特性曲線Fig.4 Characteristic curve of creeping discharge defect voltage and breakdown time

2.2 “快速發展型”沿面放電信號分析

根據2.1小節的分析，當外加電壓大于24.5 kV時，所有缺陷試樣均處于“快速發展型”放電模式。因此，這里選取25.5 kV時所采集的高頻脈沖電流信號進行分析。根據不同時間段得到的高頻脈沖電流信號圖譜的差異，將“快速發展型”沿面放電分為3個階段，分別為：S1“前期”(稀疏放電)；S2“中期”(大幅值劇烈放電)；S3“后期”(小幅值密集放電)。3個階段相位—幅值、相位—放電次數的PRPD圖譜如圖5所示。

在S1階段，圖譜中的放電主要集中在0°～90°，放電幅值大多都小于1 200 mV,其余相位放電較為稀疏，累計次數均在10次以下。在S2階段，放電信號在0°～90°，180°～270°以及360°附近均有較為劇烈的放電，且放電幅值分布均勻，最大的能達到6 000 mV。在S3階段，放電信號呈現區域性密集，整體主要集中在0°～90°，180°～270°以及360°附近，但在其余相位也有稀疏的放電信號，相較于S2階段，

因此，本文嘗試將OPNET運用到計算機網絡實驗教學中，以增強學生的動手能力和創新能力，提高教師的教研水平。

(a) S1階段相位-幅值

(b) S2階段相位-幅值

(c) S3階段相位-幅值

(d) S1階段相位-放電次數

(e) S2階段相位-放電次數

(f) S3 相位-階段放電次數圖5 沿面放電高頻脈沖電流PRPD圖譜Fig.5 High frequency pulse current PRPD spectrum of creeping discharge

放電幅值有所衰減，但是放電次數顯著增加，是缺陷沿面擊穿的前兆。因此，S1階段放電次數少且放電幅值較低，為稀疏放電；S2階段放電幅值大但放電次數相對較少，為劇烈放電；S3階段放電次數多但幅值較S2階段小，為小幅值密集放電。

2.3 沿面放電信號特征量提取

對放電信號的特征量進行提取,是對放電發展狀態進行評估的前提。本文針對“快速發展型”沿面放電的高頻脈沖電流信號的相位-幅值和相位-放電次數圖譜，提取兩組特征量，每組9個，共18個，分別為表征信號整體的正負半周偏斜度Sk+/-、陡峭度Ku+/-、均值μ、偏差σ以及表征信號正負半周之間差異的正負半周互相關系數Cc、放電量因數Q和相位不對稱度Asy。

(3)

(4)

式中，xi表示譜圖中的第i個取值窗口的中間相位值；w表示正負半周內窗口總目；yi為譜圖中的放電幅值；pi，u，σ分別表示第i個相位窗內事件發生的概率、均值和方差，計算公式如下

(5)

(6)

(7)

放電量因數Q是指圖譜在正負半周內放電量的區別

(8)

正負半周互相關系數Cc的計算公式為

(9)

相位不對稱度Asy計算公式為

(10)

2.4 “快速發展型”沿面放電發展狀態評估

為準確評估“快速發展型”沿面放電的S1、S2和S3三個發展狀態，本文構建了基于棧式降噪自編碼器(Stacked Denoising Autoencoder，SDAE)聯合支持向量機(Support Vector Machines,SVM)的狀態評估方法。棧式降噪自編碼器是一個性能優良的深度神經網絡，它可以加深自編碼器的網絡深度，具有比自編碼器更強大的數據壓縮和特征提取能力，能在模式識別領域發揮良好的性能[15]。

SDAE網絡由若干個子降噪自編碼(Denoising Autoencoder,DAE)組成，通過預訓練和微調兩個步驟訓練網絡。預訓練階段，先隨機初始化各DAE子網絡的參數，各DAE子網絡的參數之間相互獨立，掩蓋噪聲參數也各不影響；然后采用逐層貪婪訓練方式訓練每個DAE網絡的參數，前一層網絡訓練按照上述DAE網絡的方式訓練好，并將其參數固定，以隱藏層結果作為下一層待訓練網絡的輸入，依次完成每層DAE子網絡的訓練。微調階段，將各DAE子網絡按照前一層隱藏為下一層輸入的結構依次連接，各層參數按預訓練時對應的參數取值，以原始數據為輸入，網絡最后一層的輸出作為原始數據的重構，并將整個網絡的重構誤差最小值為優化目標依次調整各層網絡參數。SDAE網絡訓練完畢后，最后一個DAE網絡的隱藏層結果作為壓縮得到的特征信息。

基于SDAE-SVM的“快速發展型”沿面放電發展狀態評估流程如圖7所示。在對高頻脈沖電流的相位-幅值和相位-放電次數圖譜進行了特征量提取以后，進行歸一化處理，然后采用SDAE算法壓縮特征信息，尋找不同網絡結構和噪聲水平下得到的最大信息增益；當最大信息增益小于0.5時，目標特征對信息分類貢獻率小于1%，所以選定最大信息增益大于0.5的目標特征作為空間坐標，構成最終的特征空間，最后采用支持向量機進行識別。

在試驗過程中，針對24.5，25.5和26.5 kV下的“快速發展型”沿面放電高頻脈沖電流信號，在每個階段下分別采集了300組數據，選取其中每個電壓值每個階段下的200組數據作為訓練樣本，共計1800組，剩下的900組作為測試樣本。先分別測試3個電壓等級下的300組測試樣本，再測試混合后的900組樣本。

圖6 SDAE-SVM沿面放電發展狀態評估流程Fig.6 SDAE-SVM creeping discharge development state evaluation process

表2所示為“快速發展型”沿面放電發展狀態的評估準確率。每個電壓值下的評估準確率均在94%以上，而混合后的測試樣本的評估準確率稍有下降，為91.3%，主要是因為當外加電壓較大時，其S1階段的信號幅值等參數可能會接近外加電壓較小時的S2階段，從而出現交叉干擾。因此，后續還應從可否這種交叉干擾的角度來提升變壓器“快速發展型”放電狀態評估的準確率。

表2 “快速發展型”沿面放電發展狀態評估準確率Tab.2 Assessment accuracy of "rapidly developing" creeping discharge development state

3 結論

本文通過搭建變壓器“快速發展型”沿面放電測試平臺，獲取了不同階段下的高頻脈沖電流信號，提取了相關特征量以后，采用SDAE-SVM方法對沿面放電發展狀態進行了評估，主要結論如下：

(1)變壓器“快速發展型”沿面放電主要有3個階段，第一階段放電稀疏，第二階段放電幅值大但放電次數低，第三階段幅值較小且密集。

(2)針對“快速發展型”沿面放電的高頻脈沖電流信號，對其相位-幅值和相位-放電次數PRPD圖譜提取了共18個特征量。

(3)基于SDAE-SVM算法構建了變壓器“快速發展型”沿面放電發展狀態的評估模型，總體評估準確率達到91.3%。