絕緣子沿面放電多光譜脈沖演化特性及診斷方法

任 明 夏昌杰 余家赫 李信哲 董 明

絕緣子沿面放電多光譜脈沖演化特性及診斷方法

任 明 夏昌杰 余家赫 李信哲 董 明

（電力設備電氣絕緣國家重點實驗室（西安交通大學） 西安 710049）

絕緣子或套管處產生的沿面放電是導致開關柜、環網柜絕緣失效的常見誘因，而傳統局部放電在線檢測和診斷方法難以準確評估放電發展階段和危害程度。該文采用單光子固態光電傳感技術，對絕緣子沿面放電發展過程中的多光譜脈沖特性及其演化規律進行了試驗研究，并提出一種基于多光譜脈沖演化特性的沿面放電嚴重程度診斷方法。首先，搭建多光譜光電同步檢測平臺，實現了沿面放電過程中多個光譜波段光信號和電流信號的同步采集；然后，根據全波段光脈沖幅值及其導數變化規律對沿面放電發展過程進行了三階段劃分，并分別對沿面放電三階段多光譜脈沖的相位統計和非相位統計特征進行分析，明確了特征量隨放電發展階段的演化規律；最后，基于深度神經網絡算法建立沿面放電多光譜嚴重程度評估模型，結果顯示該模型診斷準確率達到96.75%，驗證了多光譜診斷方法的可靠性。

沿面放電 光測法 多光譜診斷 深度神經網絡 嚴重程度評估模型

0 引言

絕緣子和套管是開關設備中的絕緣薄弱環節，而沿面放電是引起絕緣閃絡和失效的重要誘因，因此，沿面放電的有效監測和跟蹤預警對保障設備安全運行具有重要意義[1-3]。目前，脈沖電流法、超高頻法、暫態地電壓法及超聲法等是開關柜中常用的局部放電監測方法[4-5]，然而上述方法在實際應用過程中面臨著現場干擾源復雜、檢測置信度低等挑戰。而對于放電過程較為劇烈的電弧放電，弧光保護主要是以燃弧時產生的弧光閾值和電流閾值作為雙判據進行高靈敏監測，然而其難以對放電較為微弱的局部放電做出響應[6]。除了上述監測方法外，光測法是一種抗干擾性強、檢測置信度高的局部放電檢測方法，最早被用于局部放電的實驗室研究中[7-8]。總體而言，光測法在兩個方面具有不可替代的優勢：①局部放電光輻射伴隨放電發生發展全過程，其與放電事件本身具有高度的同步性，因此，在放電基礎特性研究中，光脈沖測量結果往往被用作放電表征其他原理檢測結果是否可靠的依據[9]；②放電光子釋放產生于場致發射、熱發射、原子激發、電離及復合等各個微觀過程，發射光譜攜帶了關于放電更為豐富和本征的信息[9-11]，因此光譜學診斷也被認為是研究放電基礎特性的有效方法。然而，由于局部放電光脈沖幅值弱，無論是光脈沖測量或是光譜診斷，均需要借助單光子級光電器件才能實現，而傳統單光子器件多以真空外場效應為原理，驅動電壓高、器件尺寸大、工作壽命短，無法用于實際電力設備。

隨著硅光電半導體技術的快速發展，靈敏度高、尺寸小、壽命長的固態硅光電倍增器件越來越多地應用于弱光探測領域，這不但使局部放電光測法趨向實用化，還能夠將光譜診斷這一實驗室技術應用于實際電力設備，實現高精準的放電故障診斷和預警。本文前期研究中，對固態硅光電倍增器件在局部放電光輻射檢測有效性方面進行了系統性探索[12]，結果表明固態硅光電倍增器件與傳統光測器件相比在靈敏度、脈沖分辨率、抗干擾性等方面均具有明顯優勢。在實用化光譜診斷方面，Ren Ming等率先提出將局部放電紫外-可見-紅外三個波段下光脈沖特性與相位統計特性相結合，實現了局部放電精細化診斷[13]；在此基礎上，該研究團隊進一步建立了基于三波段的光譜比值法，該方法不依賴工頻參考相位，為直流系統或相位丟失時的局部放電診斷提供了新的分析思路[14]；王玉偉等則將放電圖像的光學三元色分量（Red-Green-Blue, RGB）、色調-飽和度-亮度模型（Hue-Saturation-Intensity, HSI）、CIE-XYZ光譜三刺激值和CIE LAB色空間（***）四種顏色空間的色度特征參數引入沿面放電狀態診斷，結果顯示色度分析方法可以實現對沿面放電過程的準確檢測[15]。整體而言，學者們的研究均顯示將實用化光譜分析方法應用局部放電精細化診斷中具有優越性，然而現有研究對于光譜波段劃分仍較為粗糙，未能充分利用光譜維度信息，因此進一步細分光譜波段開展局部放電診斷具有重要的研究意義。

本文以強垂直分量沿面放電為對象，利用局部放電多光譜傳感器對沿面放電發生、發展全過程進行試驗研究，一方面對多光譜光脈沖的相位周期性特征（Phase-Resolved Partial Discharge, PRPD）進行分析；另一方面，對放電多個光譜區間光脈沖隨放電發展的基本規律進行分析，建立多光譜統計特征與放電強度之間的關聯關系。最終建立了基于非相位信息的沿面放電多光譜特征參量表征方法，并結合深度神經網絡算法實現了放電嚴重程度的有效劃分。

1 沿面放電多光譜測量

為了模擬電力設備中沿面放電隨外施電壓的發展過程并同步獲取多光譜信號，搭建沿面放電多光譜光電同步測量平臺如圖1所示。試驗平臺由高壓試驗回路和光電信號采集系統組成。

圖1 沿面放電多光譜光電同步測量平臺

在高壓試驗回路中，380V/100kV試驗變壓器用作高壓電源，通過1:2 000阻容式分壓器測量輸出電壓；電容值9.96nF的標準電容器作為沿面放電測量回路中高頻低阻抗通道；直徑50cm的金屬罐體用以模擬氣體絕緣設備密閉環境；放電缺陷采用具有強垂直分量的柱板沿面放電缺陷，上電極為直徑6mm的銅制柱電極，下電極為直徑40mm的銅制板電極，絕緣介質為厚度2mm、直徑70mm的環氧樹脂板。

多光譜信號由局部放電多光譜傳感器（SiPM-based Multispectral Discharge Sensor, SMDS）同步采集[12]，其具有尺寸小、偏置電壓低、抗電磁干擾能力強等優勢。其中SiPM是一種由數千個工作在蓋革雪崩模式的單光子雪崩二極管（Single Photon Avalanche Diode, SPAD）和猝滅電阻（q）串聯結構組成的微型固態硅光電倍增器件，每個串聯結構通過“自持式雪崩”和“無源猝滅”的循環實現了具有單光子級靈敏度的光電轉換[16]。由于循環過程僅發生于接受到光子的串聯結構，因此SiPM具備了表征瞬時光通量的“準模擬量輸出”。本文中所用SMDS是由SensL-ARRAYJ-30035型SiPM陣列和濾光片組構成的8通道多光譜傳感器，其中包含了7個特定光譜波段和1個全波段，每個通道由偏置2.5V的直流電源驅動。在光電轉換器件中，量子效率是描述光電轉換能力的重要參數，表征了器件在特定波長下單位時間內產生的平均光電子數與入射光子數之比。本文中綜合考慮了沿面放電的光譜分布范圍及SMDS的量子效率，將光譜檢測范圍設定為350～650nm，各通道量子檢測效率及濾光片透過率如圖2所示，其中SMDS通過連接法蘭固定于正對沿面放電缺陷的金屬罐體觀察窗（見圖1b和圖1c），傳感器電源線與信號線通過密封航空插頭引出，分別與設備外部的直流電源和高速數字采集卡（PicoScope 4824，模擬帶寬為16kHz～20MHz，采樣速率為80MS/s）相連。

圖2 SMDS陣列量子效率及各通道濾光片透過率

脈沖電流信號由型號為PEARSONCM-500-L的高頻線圈（High Frequency Current Transformer, HFCT）采集，其靈敏度為5V/A，帶寬為460kHz～120MHz，并與數字采集卡相連接以保證光-電信號的同步檢測。

試驗前任意抽取一片環氧樹脂板作為試品，緩慢升高外施電壓直至出現沿面放電脈沖電流信號時，記錄此時的外施電壓為放電起始電壓i；繼續升高外施電壓直至樣品擊穿，記錄此時的外施電壓為沿面閃絡電壓b。分別測定三組樣品的i和b并求取平均值作為后續試驗的基礎。試驗采取逐級升壓的方式，從1.1i開始直到b，記錄放電過程中放電脈沖數據、峰值電壓及工頻參考相位。在預試驗階段驗證了SMDS和HFCT檢測到的光-電信號的同步性，結果如圖3所示。

圖3 SMDS和HFCT檢測放電脈沖同步性

分析結果顯示，SMDS檢測到的各波段光脈沖信號具有良好的同步性，而與HFCT檢測到的脈沖電流信號相比也同樣保持良好的同步性。

2 沿面放電多光譜特征演化規律

2.1 全波段光脈沖幅值演化規律

文獻[12]研究表明，SMDS傳感器光脈沖幅值與放電過程的視在放電量具有良好的線性關系，因此可以使用光脈沖幅值表征放電發展程度。沿面放電缺陷下全波段光脈沖幅值（正比于視在放電量）隨外施電壓升高的變化情況及光脈沖幅值導數曲線如圖4所示。

由圖4可知，全波段光脈沖幅值隨外施電壓升高逐漸上升，并且由光脈沖幅值導數曲線可知，當外施電壓為8.8kV時光脈沖幅值導數呈現“尖端狀”，意味著在外施電壓達到8.8kV時光脈沖幅值出現了“陡升”并隨后保持原始增速緩慢增加；而當外施電壓達到13.6kV時光脈沖幅值導數呈現“臺階狀”，意味著在外施電壓達到13.6kV時光脈沖幅值出現了“陡升”，并隨后保持相近速率增加。基于上述分析，本文中將沿面放電過程劃分為三個階段：輕微放電階段（3.4～8.4kV）、中度放電階段（8.8～13kV）、劇烈放電階段（13.6～17.6kV）。三個放電階段下可見光圖像如圖5所示。

圖4 全波段光脈沖幅值及其導數隨外施電壓變化規律

在輕微放電階段，初始電子在外電場作用下從陰極出發向陽極運動，運動中由于碰撞電離產生電子崩釋放光子，此時圓柱電極附近出現電暈放電（見圖5a）；當外施電壓為8.4kV時，光脈沖幅值從0.20au增長至0.65au，整體幅值較低并且增長趨勢平緩。在中度放電階段，當電子崩頭部積聚到足夠數量的空間電荷后，由于空間電荷使得局部電場增強及正負離子復合產生光輻射加強光致電離，將引發新的強烈電離和二次電子崩，形成流注通道，并向地電極迅速發展，發生了輝光放電（如圖5b所示）；當外施電壓達到8.8kV時光脈沖幅值會急劇增長至1.04au，外施電壓在8.8～13kV范圍內光脈沖幅值從1.04au增長至1.46au，在該階段內光脈沖幅值較前一階段有較大增長，但增速仍然較為緩慢。在劇烈放電階段，由于熱電離增強，火花通道迅速延伸并快速發展，帶電粒子數量劇增，電阻驟降，輻射出大量光子，放電轉入滑閃放電階段（如圖5c所示）；當外施電壓高于13kV后，光脈沖幅值增速顯著提高，從1.46au迅速增長至3.21au（17.6kV），此時外施電壓臨近擊穿電壓，放電狀態劇烈。

圖5 三個放電階段下可見光圖像

通過最小二乘擬合可以得到三個階段下光脈沖幅值和外施電壓的關系如式（1）所示。

式中，1、2、3分別為輕微放電、中度放電和劇烈放電三個階段下的光脈沖幅值，au；為外施電壓，kV；2為決定系數。

2.2 多光譜相位特征量演化規律

本文給出了三個放電階段多光譜相位統計特性演化情況，如圖6所示。

圖6 三個放電階段多光譜脈沖相位分布

在輕微放電階段，從幅值上看，450nm波段幅值明顯高于其余波段，而500nm波段幅值則最小。從脈沖相位上看，在正半周期，350nm、450nm和550nm波段在20°前即出現了幅值較小且較為分散的光脈沖，500nm波段主要分布在50°～90°之間，而其余波段主要分布在20°～100°之間；在負半周期，500nm波段脈沖主要分布在200°～280°之間，而其余波段分布在175°～280°之間。

在中度放電階段，從幅值上看，所有波段幅值均出現明顯增大，450nm波段下幅值仍顯著高于其他波段，而500nm波段下幅值仍略小于其他波段。從脈沖相位上看，在正半周期，500nm波段脈沖分布在15°～90°之間，其余波段光脈沖主要分布在0°～90°之間，其中450nm波段在170°附近又出現了連續脈沖并且持續至負半周期；在負半周期，全波段在180°附近出現連續脈沖并在270°截止，在345°后又出現連續脈沖。正負半周放電脈沖相位相較于輕微放電階段均出現了起始相位“左移”的現象。

在劇烈放電階段，從幅值上看，所有波段幅值急劇上升，此時500nm、550nm和600nm波段下光脈沖幅值較為接近，而400nm波段下光脈沖幅值快速增大接近于450nm波段下光脈沖幅值。從脈沖相位上看，放電脈沖相位分布進一步向左平移，全波段在0°～90°，170°～300°均出現了連續脈沖，而在340°時全波段再次出現了放電脈沖。

進一步分析各波段下光脈沖幅值的變化規律，以工頻相位為參考進行開窗處理，相位窗口為5°，計算各窗口區間內的平均放電脈沖幅值，具體方法為

式中，L為一個窗口內第個波段的平均光脈沖幅值；L為第個脈沖的幅值；為一個窗口內的光脈沖數。

為了更直觀地表征各波段脈沖相對幅值的變化，對各波段光脈沖幅值進行歸一化處理，具體方法為

式中，L%為一個窗口內第個波段光脈沖的平均光脈沖幅值占比。

開窗處理后三個階段（7.5kV、12.7kV、17.6kV）下各波段平均光脈沖幅值及占比計算結果如圖7所示。

如圖7a～圖7c所示，從輕微放電階段到劇烈放電階段，平均脈沖幅值出現了顯著上升，并且相位范圍不斷擴大。而對于平均光脈沖幅值占比，如圖7d～圖7f所示，在輕微放電階段，450nm波段下的放電脈沖幅值占比最大，約占7個光譜波段下脈沖幅值分量占比之和的一半，400nm波段下的脈沖幅值占比最小，500nm、550nm和600nm波段下的放電脈沖幅值占比相當，略小于650nm波段。當放電發展到中度放電階段時，450nm波段下的脈沖幅值占比略有下降，400nm波段下的放電脈沖幅值占比相較于輕微放電階段有一定的增長。當放電發展至劇烈放電階段，400nm波段下的放電脈沖幅值占比明顯變大，450nm波段下的脈沖幅值分量占比明顯減小，500nm、550nm、600nm和650nm波段下的幅值分量占比均略有增大。總體上來說，不同光譜波段下放電脈沖幅值分量的占比較為穩定，幾乎不隨相位的變化而變化，只有當放電嚴重程度變化時，其各波段下的脈沖幅值占比才會相應地發生變化，這為放電嚴重程度的劃分提供了依據。

2.3 多光譜非相位特征量演化規律

以工頻電壓相位為參考的統計方法在現場應用中面臨著工頻參考相位獲取困難、直流設備難以適用等挑戰。多光譜檢測為放電診斷提供了光譜信息維度，參考局部放電分析中常用的特征量，本文定義了六個非相位特征量。

1）最大脈沖幅值

最大脈沖幅值表征在個采樣周期內，各波段采集到的最大光脈沖幅值，即

式中，max,b%為第個波段的最大脈沖幅值占比。

3）平均脈沖幅值

平均脈沖幅值表征個采樣周期內各波段采集到的平均光脈沖幅值，用以消除放電過程中存在的隨機性，即

式中，mean,b為個采樣周期內第個波段的平均脈沖幅值；L為第個波段在第個周期內的脈沖幅值。

式中，mean,b%為第個波段的平均脈沖幅值占比。

5）脈沖重復率

脈沖重復率表征單位時間內沿面放電的平均脈沖個數，即

式中，N為第個采樣周期內第個波段下脈沖重復率；N為第個周期內個波段下的脈沖數。

多光譜非相位特征量計算結果如圖8所示。

圖8a、圖8b顯示了各波段下最大脈沖幅值及其占比隨外施電壓的變化趨勢。從最大脈沖幅值來看，隨著外施電壓的升高，各波段下最大脈沖幅值呈現總體上升的趨勢，在部分電壓下也體現了放電的隨機性。從最大脈沖幅值占比來看，擁有最大占比的450nm波段最大脈沖幅值占比從54.6%逐漸下降至23.3%，這是由于隨著放電的發展，其余波段最大脈沖幅值有了明顯上升，導致450nm波段最大脈沖幅值占比下降。

圖8c、圖8d顯示了各波段下平均脈沖幅值及其占比隨外施電壓的變化趨勢。類似地，從各波段平均脈沖幅值來說，隨外施電壓的升高各波段平均脈沖幅值整體上升，并且相較于最大脈沖幅值，平均脈沖幅值的增長趨勢更加平滑，更能消除放電隨機性帶來的數據劇烈波動。從平均脈沖幅值占比來看，由于其余波段脈沖幅值的顯著增加，450nm波段平均脈沖占比呈現逐漸下降的趨勢。

圖8e、圖8f顯示了各波段下脈沖重復率及其占比隨外施電壓的變化趨勢，總體來說，各波段下脈沖重復率及其占比有著和上述過程類似的變化規律，即脈沖重復率逐漸上升，并且450nm波段占比逐漸下降。

2.4 多光譜非相位特征量顯著性分析

進一步地，本文采用Pearson相關性分析定量評估多光譜特征量與外施電壓之間的相關性和顯著性，其中Pearson相關系數為

另一方面，在討論相關性的同時還需要對兩個變量之間的相關關系的顯著性水平開展判斷，以此避免兩個變量之間的相關關系不是因為偶然因素造成的。本文采用假設檢驗的方法，設定原假設H0為兩變量之間不存在線性關聯，H1為兩者之間存在線性關聯。根據假設檢驗方法，在H0成立的條件下計算兩個變量不存在相關性的概率值（值），若值小于0.05則可以拒絕H0，當值遠大于0.05時即便Pearson相關系數很大也不能表明兩個變量之間存在明顯相關性[18]。各多光譜非相位特征量與外施電壓的Pearson相關系數及值結果見表1～表6。

表1 最大脈沖幅值與外施電壓的Pearson相關系數及值計算結果

Tab.1 The results of Pearson correlation coefficient between maximum pulse amplitude and applied voltage and P value

表2 最大脈沖幅值占比與外施電壓的Pearson相關系數及值計算結果

Tab.2 The results of Pearson correlation coefficient between maximum pulse amplitude ratio and applied voltage and P value

由表1～表6可知，對于最大脈沖幅值、平均脈沖幅值和脈沖重復率三個特征量來說，7個波段下的三個特征量均與外施電壓存在顯著的正相關性，并且具有顯著的線性關系。而其余三個特征量與外施電壓的相關性和顯著性在7個波段下表現出了各異性。對于最大脈沖幅值占比，所有分量均表現出了顯著的相關性，其中450nm分量為負相關，并且650nm分量線性度相對較低。對于平均脈沖幅值占比，除600nm分量外其余分量均與外施電壓表現出顯著相關性，其中450nm分量為負相關。對于脈沖重復率占比，所有分量均表現出了顯著的相關性，其中400nm和450nm為負相關性，并且650nm波段分量線性度較低。

表3 平均脈沖幅值與外施電壓的Pearson相關系數及值計算結果

Tab.3 The results of Pearson correlation coefficient between average pulse amplitude and applied voltage and P value

表4 平均脈沖幅值占比與外施電壓的Pearson相關系數及值計算結果

Tab.4 The results of Pearson correlation coefficient between average pulse amplitude ratio and applied voltage and P value

表5 脈沖重復率與外施電壓的Pearson相關系數及值計算結果

Tab.5 The results of Pearson correlation coefficient between pulse repetition rate and applied voltage and P value

表6 脈沖重復率占比與外施電壓的Pearson相關系數及值計算結果

Tab.6 The results of Pearson correlation coefficient between pulse repetition rate ratio and applied voltage and P value

3 沿面放電嚴重程度評估

從初始放電逐漸發展到擊穿階段的放電過程伴隨著能量增長，由第2節中分析可知，隨著外施電壓（即放電能量）的增加，多光譜特征量會沿著特定路徑變化。考慮到以相基多光譜特征量受制于工頻相位獲取的限制，本文使用非相基多光譜特征量建立放電能量評估模型。同時考慮到非相位多光譜特征絕對值會在光輻射傳播過程中隨著傳播路徑發生衰減[13]，而波段間的“相對值”將保持良好的一致性，因此本文將結合非相基多光譜特征占比和深度神經網絡建立放電嚴重程度評估模型，同時對比基于傳統相位統計特征量的評估結果。

3.1 基于深度神經網絡和多光譜比值特征的放電嚴重程度評估

深度神經網絡（Deep Neural Networks, DNN）是由多個全連接層組成的神經網絡，通過多層神經元學習可以實現利用較少參數表示復雜的輸入和輸出之間的關系，具有極強的表達能力[19-21]。對于DNN而言，其神經網絡層按位置劃分為輸入層、隱藏層和輸出層。DNN的前向傳播算法即為將輸入向量與權重系數矩陣和偏置向量相結合進行運算，并從輸入層開始層層向后推進到輸出層，最后得出輸出結果[22]。基于DNN的放電嚴重程度評估模型訓練流程如下：

1）構建DNN網絡框架，設置6層網絡結構，包括1層輸入層、1層輸出層和4層隱藏層，其中輸入層與每層隱藏層神經元個數為512，輸出層神經元個數為3，并初始化網絡權重。

2）輸入數據集，進行網絡訓練。其中，用于模型訓練的數據集是7個光譜波段下平均脈沖幅值占比，樣本容量為10 800，并將數據集按8:2的比例隨機分配為訓練集和測試集，其中訓練集用于訓練網絡參數，測試集用于測試神經網絡的魯棒性。

3）通過學習曲線、驗證曲線、損失函數值及其收斂速度等判斷神經網絡訓練效果。

DNN網絡參數設置見表7。

表7 DNN網絡參數設置

Tab.7 DNN network parameter settings

以7個波段下平均脈沖幅值分量占比為特征量，進行DNN訓練所獲取的驗證曲線和損失曲線如圖9所示。

圖9 基于平均脈沖幅值占比的放電嚴重程度識別結果

從圖9中可以看出，隨著迭代次數的增加，嚴重程度評估結果趨于穩定，且模型訓練的收斂速度也較快，放電嚴重程度評估正確率為96.75%。類似地，以最大脈沖幅值占比和脈沖重復率占比為特征量的識別正確率分別為93.45%和95.25%。

3.2 基于深度神經網絡和傳統相位統計量的放電嚴重程度評估

傳統相位統計方法是包括沿面放電缺陷在內的局部放電分析中最廣為應用的方法，本節中將引入全波段下沿面放電相位統計參量正負半周的偏斜度K、陡峭度u和正、負半周最大脈沖幅值u和建立沿面放電嚴重程度評估模型。其中，可偏斜度K、陡峭度u分別為

式中，L為放電光脈沖幅值，V；mean為平均放電光脈沖幅值，V；為放電光脈沖幅值的標準差，V；為放電光脈沖數。

參照表7的網絡參數，建立基于傳統相位統計量的沿面放電嚴重程度DNN評估模型，所獲得的驗證曲線和損失曲線如圖10所示。

圖10 基于傳統相位統計量的放電嚴重程度識別結果

從圖10中可以看出，傳統相位統計量的DNN網絡收斂速度略慢于多光譜特征量的DNN網絡，放電嚴重程度評估正確率為87.15%，略低于多光譜特征量。

4 結論

本文圍繞強垂直分量缺陷下沿面放電隨外施電壓（放電能量）升高的發展過程，搭建了多光譜光電聯合檢測系統，研究了多光譜相位特征量和非相位特征量隨放電階段的發展多光譜特征量的演化規律，并結合深度神經網絡建立了放電嚴重程度評估模型。具體結論如下：

1）對于多光譜相位特征量，在輕微放電階段，450nm波段具有最高的脈沖幅值和最廣的相位分布，而500nm波動脈沖幅值最小且相位分布較窄。而隨著放電的發展，在中度放電和劇烈放電階段全波段脈沖幅值均明顯增加，并且在相位分布上出現明顯“左移”。

2）對于多光譜非相位特征量，隨著放電階段的發展，各波段最大脈沖幅值、平均脈沖幅值和脈沖重復率均顯著升高，而各波段最大脈沖幅值占比、平均脈沖幅值占比、脈沖重復率占比均呈現出450nm波動占比下降，其余波段占比上升的趨勢。

3）多光譜比值特征可以有效地反映放電發展過程的微觀特征，基于多光譜比值特征和深度神經網絡的放電嚴重程度評估模型均達到93%以上的準確度，其中以平均脈沖幅值占比為特征量的評估模型正確率最高，達到了96.75%。

[1] 彭兆裕, 岳丹, 顏冰, 等. 開關柜內沿面放電及電弧放電多光譜特征分析[J]. 絕緣材料, 2021, 54(1): 84-90.

Peng Zhaoyu, Yue Dan, Yan Bing, et al. Multi-spectral characteristics of creeping discharge and arc discharge in switch cabinet[J]. Insulating Materials, 2021, 54(1): 84-90.

[2] 朱明曦, 王黎明. 具有強垂直分量結構沿面放電現象及特征[J]. 電工技術學報, 2020, 35(10): 2266-2274.

Zhu Mingxi, Wang Liming. Surface discharge phenomenon and properties of strong-vertical electric field electrode structures[J]. Transactions of China Electrotechnical Society, 2020, 35(10): 2266-2274.

[3] 李進, 趙仁勇, 杜伯學, 等. 電工環氧絕緣件缺陷無損檢測方法研究進展[J]. 電工技術學報, 2021, 36(21): 4598-4607.

Li Jin, Zhao Renyong, Du Boxue, et al. Research progress of nondestructive detection methods for defects of electrical epoxy insulators[J]. Transactions of China Electrotechnical Society, 2021, 36(21): 4598-4607.

[4] 任重, 吳海濤, 肖利龍, 等. 絕緣子表面放電的多物理信號比值演化特征及其診斷方法研究[J]. 絕緣材料, 2020, 53(4): 95-102.

Ren Zhong, Wu Haitao, Xiao Lilong, et al. Multi-physical signals specific value evolution characteristics of surface discharge along insulator and its diagnosis approach[J]. Insulating Materials, 2020, 53(4): 95-102.

[5] 鄒陽, 周求寬, 劉明軍, 等. 局部放電特高頻檢測裝置抗電磁干擾性能的量化評估方法研究[J]. 電工技術學報, 2020, 35(10): 2275-2282.

Zou Yang, Zhou Qiukuan, Liu Mingjun, et al. Research on quantitative evaluation on anti-electromagnetic interference capability of ultra high frequency partial discharge detection instrument[J]. Transactions of China Electrotechnical Society, 2020, 35(10): 2275-2282.

[6] Kumpulainen L, Hussain G A, Rival M, et al. Aspects of arc-flash protection and prediction[J]. Electric Power Systems Research, 2014, 116: 77-86.

[7] 劉永剛. 光測法檢測局部放電的模式識別及放電量估計研究[D]. 重慶: 重慶大學, 2012.

[8] Xia Changjie, Ren Ming, Wang Bing, et al. Infrared thermography based diagnostics on power equipment: state of the art[J]. High Voltage, 2021, 6(3): 387-407.

[9] Ren Ming, Dong Ming, Liu Jialin. Statistical analysis of partial discharges in SF6gas via optical detection in various spectral ranges[J]. Energies, 2016, 9(3): 152.

[10] Christophorou L G, Olthoff J K. Electron interactions with SF6[J]. Journal of Physical and Chemical Reference Data, 2000, 29(3): 267-330.

[11] Tewari S V, Kshirsagar R J, Roy A, et al. Optical emission spectroscopy study on flashover along insulator surface due to particle contamination[J]. Laser and Particle Beams, 2014, 32(4): 681-689.

[12] 任明, 李信哲, 王思云, 等. 基于雪崩面陣的氣體絕緣放電光脈沖檢測技術及傳感性能研究[J]. 電網技術, 2021, 45(9): 3627-3636.

Ren Ming, Li Xinzhe, Wang Siyun, et al. Gas insulated discharge optical pulse detection technology and sensing performance based on avalanche diode array[J]. Power System Technology, 2021, 45(9): 3627-3636.

[13] Ren Ming, Zhou Jierui, Miao Jin. Adopting spectral analysis in partial discharge fault diagnosis of GIS with a micro built-in optical sensor[J]. IEEE Transactions on Power Delivery, 2021, 36(2): 1237-1240.

[14] Ren Ming, Zhang Chongxing, Dong Ming, et al. Fault prediction of gas-insulated system with hypersensitive optical monitoring and spectral information[J]. International Journal of Electrical Power & Energy Systems, 2020, 119: 105945.

[15] 王玉偉, 葉齊政, 郭自清. 基于圖像處理技術的交流沿面放電狀態診斷方法研究[J]. 中國電機工程學報, 2021, 41(1): 222-230, 412.

Wang Yuwei, Ye Qizheng, Guo Ziqing. AC surface discharge status diagnosis based on image processing techniques[J]. Proceedings of the CSEE, 2021, 41(1): 222-230, 412.

[16] 沈龍, 錢國超, 周仿榮, 等. 一種應用于GIS內部局部放電檢測的新型光學傳感系統[J]. 光電子技術, 2020, 40(4): 258-264, 276.

Shen Long, Qian Guochao, Zhou Fangrong, et al. A novel optical sensor system for internal partial discharge detection in gas insulation switchgear[J]. Optoelectronic Technology, 2020, 40(4): 258-264, 276.

[17] 姜豐, 朱家玲, 胡開永, 等. Pearson相關系數評價ORC系統蒸發器特性的應用研究[J]. 太陽能學報, 2019, 40(10): 2732-2738.

Jiang Feng, Zhu Jialing, Hu Kaiyong, et al. Applied research to assess envaporator performances in orc system by Pearson correlation coefficient[J]. Acta Energiae Solaris Sinica, 2019, 40(10): 2732-2738.

[18] 姜豐.Pearson相關系數評價混合工質與納米流體換熱特性的應用研究[D]. 天津: 天津大學, 2018.

[19] 朱煜峰, 許永鵬, 陳孝信, 等. 基于卷積神經網絡的直流XLPE電纜局部放電模式識別技術[J]. 電工技術學報, 2020, 35(3): 659-668.

Zhu Yufeng, Xu Yongpeng, Chen Xiaoxin, et al. Pattern recognition of partial discharges in DC XLPE cables based on convolutional neural network[J]. Transactions of China Electrotechnical Society, 2020, 35(3): 659-668.

[20] 李超然, 肖飛, 樊亞翔, 等. 基于卷積神經網絡的鋰離子電池SOH估算[J]. 電工技術學報, 2020, 35(19): 4106-4119.

Li Chaoran, Xiao Fei, Fan Yaxiang, et al. An approach to lithium-ion battery SOH estimation based on convolutional neural network[J]. Transactions of China Electrotechnical Society, 2020, 35(19): 4106-4119.

[21] Xia Changjie, Ren Ming, Wang Bin, et al. Acquisition and analysis of hyperspectral data for surface contamination level of insulating materials[J]. Measurement, 2021, 173: 108560.

[22] 張慧, 盧文冰, 趙雄文, 等. 基于最小二乘支持向量機和小波神經網絡的電力線通信信道噪聲建模研究[J]. 電工技術學報, 2018, 33(16): 3879-3888.

Zhang Hui, Lu Wenbing, Zhao Xiongwen, et al. Noise modeling for power line communication channel using the LS-SVM and wavelet neural networks[J]. Transactions of China Electrotechnical Society, 2018, 33(16): 3879-3888.

Multispectral Pulse Evolution Laws of Insulator Surface Discharges and Its Diagnosis Approach

Ren Ming Xia Changjie Yu Jiahe Li Xinzhe Dong Ming

（State Key Laboratory of Electrical Insulation and Power Equipment Xi’an Jiaotong University Xi’an 710049 China）

Insulator surface discharge is a common cause of insulation failure of switch cabinets. However, traditional surface discharge detection methods characterized by electromagnetic and acoustic signals can hardly meet the requirements in field application. Based on light radiation, another intrinsic nature of discharge, optical detection method has been applied for discharge diagnosis, performing strong anti-interference and high detection confidence. Further, spectral analysis provides a light wavelength information dimension for refined discharge diagnosis, but it is not practical because of the limitation of sensing equipment. In this paper, a practical discharge spectral detection sensor named SiPM-based multispectral discharge sensor (SMDS) is introduced to study the optical radiation characteristics and the evolution laws of multispectral characteristics during the surface discharge development process of insulators, moreover, a strategy for severity diagnosis of surface discharge based on the characteristics of multispectral pulse evolution are proposed.

First, based on the new generation solid state photoelectric sensors, SMDS with seven specific band channels and one full band channel are adopted to acquire multispectral pulses of surface discharge. Second, the evolution stages of surface discharge are distinguished into three stages, named slight, moderate and severe stage, respectively, according to the derivative of full-band light pulse intensity at different voltages. Third, multispectral characteristics of surface discharge at different stages are analyzed. For the phase-based multispectral characteristics, the light intensity of each band increases significantly with the applied voltage independent of the phase, while the light intensity proportion of each band shows different evolution trends. In the slight stage, the light intensity at 450nm is the largest, accounting for about half of the total light intensity. While the light intensity of 400nm band has the smallest proportion. In the moderate stage, the proportion of light intensity at 450nm decreases slightly, while the proportion of light intensity at 400nm increases slightly. In the severe stage, the proportion of 450nm band decreases obviously with the increase of 400nm band. In terms of the phase distribution, the phase range expands continuously from the slight stage (20°～100° and 175°～280°) to moderate stage (0°～90° and 180°～270°) and to severe stage (0°～90°, 170°～300° and over 340°). At the same time, six characteristics named maximum pulse amplitude, average pulse amplitude, pulse repetition rate and their proportions of each band are defined as the non-phase-based multispectral characteristics. In addition, the first three characteristics perform the significant positive liner correlations with the applied voltage. However, for the maximum pulse amplitude proportion, all the components show a significant correlation with applied voltage, with the 450nm component showing a negative correlation and the 650nm component showing relatively low linearity. For the average pulse amplitude proportion, all the components are significantly correlated with the applied voltage, and the 450nm component is negatively correlated. For the pulse repetition rate proportion, all components show significant correlation with applied voltage, among which 400nm and 450nm show a negative correlation. Finally, discharge risk assessment models with a deep neural networks (DNN) based on the non-phase-based multispectral characteristics are built. The results reveal that the correct rates based on multispectral average pulse amplitude proportion, maximum pulse amplitude proportion and pulse repetition rate proportion are 96.75%, 93.45% and 95.25%, respectively.

The following conclusions can be drawn from the multispectral analysis: ①For the phase-based multispectral characteristics, in the slight stage, the 450nm band has the highest pulse amplitude and the widest phase distribution, while the 500nm wave pulse has the smallest amplitude and narrow phase distribution. With the development of the discharge, the amplitude of the whole band pulse increases obviously in the moderate and severe stage, and the phase distribution shows a significant “left shift”. ②For the non-phase-based multispectral characteristics, with the development of discharge stage, maximum pulse amplitude, average pulse amplitude and pulse repetition rate are significantly increased, and the band maximum pulse amplitude proportion, average pulse amplitude proportion and pulse repetition rate present decrease trends for 450nm and increase trends for other bands. ③The multispectral proportion characteristics can effectively reflect the microscopic characteristics of the discharge development process. The accuracies of the discharge severity evaluation model based on the multispectral proportion characteristics and DNN (over 93%) are higher than that of the traditional phase statistical characteristic models (87.15%).

Surface discharge, optical detection, multispectral diagnostic, deep neural network, severity assessment model

10.19595/j.cnki.1000-6753.tces.211357

TM85

國家電網有限公司總部科技項目資助（5500-202218131A-1-1-ZN）。

2021-08-27

2022-01-25

任明 男，1987年生，博士，副教授，研究方向為高壓試驗技術、狀態監測智能傳感器、圖像融合與故障可視化等。E-mail：renming@xjtu.edu.cn（通信作者）

夏昌杰 男，1996年生，博士研究生，研究方向為電力設備狀態光學檢測及故障可視化。E-mail：xcj19960521@stu.xjtu.edu.cn

（編輯 赫蕾）