基于BP 神經網絡的電機局部放電類型識別方法研究

楊玉磊

（中國大唐集團科學技術研究總院有限公司華東電力試驗研究院，安徽合肥 230088）

0 引言

大型發電機和電動機是電力工業生產的主要旋轉設備，其可靠性對相關企業能否正常生產和運行有決定性作用。據統計，大約41%的電動機或發電機故障是由于主絕緣（定子絕緣）的老化而引起的，高壓電機或大容量發電機的運行可靠性在很大程度上取決于定子繞組的絕緣狀況[1]。隨著電機容量的不斷增加，電機定子電壓也不斷升高，對電機全壽命周期可靠性的要求也大幅提升，定子繞組出現絕緣缺陷的概率越來越大，造成的后果也愈發嚴重。

在實際運行過程中，因受到電磁力、熱應力、熱老化、化學老化等因素影響，電機定子繞組主絕緣材料的絕緣性能會逐漸劣化。對于電機定子繞組，絕緣劣化的主要特征之一就是繞組的局放大幅增加[2]。因此。對電機定子繞組定期開展局放檢測并準確診斷局放類型，對于及早發現絕緣缺陷、避免缺陷惡化導致電機接地或短路故障具有重要意義。

近些年，在采用智能算法對定子線棒局放類型進行識別方面，許多專家和從業人員開展了深入的研究工作。王卓等[3]對不同類型局部放電的脈沖相位信息、特高頻信號和超聲波信號進行采集，提取不同信號的特征向參數，再分別構造基于鯨魚優化算法（WOA）改進的BPNN 識別模型對局部放電類型識別，將3 個識別模型的識別結果作為證據體采用D-S 證據組合規則進行融合，最后對融合結果進行決策。楊旗等[4]在收集完成輸電線路在樹障和污穢絕緣子兩種典型隱患的預放電脈沖電流波形數據的基礎上，通過提取并構建放電特征參量數據庫并帶入反向傳播神經網絡分類器中對線路隱患模型進行訓練，建立了基于BP 神經網絡算法的輸電線路隱患預防電識別模型，識別準確率達到92%以上。陳繼明等[5]利用小波變換得到局部放電信號獲取能量的時頻分布圖，運用差分盒計數法（DBC）提取能量分布圖的分形維數特征，并采用線性判別分析（LDA）對特征向量進行降維處理，最后利用支持向量機（SVM）對局部放電缺陷類型進行分類，經實驗室測試，缺陷識別準確率超過96%。韓世杰等[6]利用EFPI 傳感器對放電超聲信號進行檢測，提取單次超聲脈沖信號波形特征形成特征參數數據庫，分別應用概率神經網絡算法和支持向量機算法進行模式識別并比較分析，缺陷識別平均準確率達到85%以上。艾嘉偉等[7]基于GIL（Gas-Insulatedtransmission Line，氣體絕緣輸電線路）典型缺陷局部放電的超聲信號、特高頻信號、聲—電（超聲—特高頻）聯合信號，構造對應的Hankel 矩陣并提取其奇異值特征，采用BP（Back Propagation，反向傳播）神經網絡進行放電類型識別并將初步識別結果作為證據體，基于D-S 證據合成法則計算信度分配，最終利用決策規則進行放電類型的識別，整體缺陷識別準確率提升至99%以上。

為準確分析電機定子線棒發生局部放電的位置，盡早查明絕緣缺陷的原因，本文在充分分析不同類型局部放電波形特征的基礎上，提出了基于BP 神經網絡的電機定子線棒局部放電缺陷類型識別方法。

1 局放特征圖譜及其特征量提取

1.1 概念

局部放電特征圖譜能夠提現不同放電類型局放信號的特征，包括放電幅值與放電相位的關系、放電次數與放電相位的關系以及放電時間、放電相位和時間的關系，分別是Q—Φ 統計圖、N—Φ 統計圖、PRPD（PhaseResolvedPartial Discharge，相位分辯的局部放電）圖、PRPS（Phase Resolved Pulse Sequence Analysis，脈沖序列相位分布）圖、頻率相關圖、時頻圖，每種模式描述著不同的放電特征（圖1）。

圖1 局部放電典型圖譜

（1）Q—Φ 統計圖反映的是最大放電幅值隨相位分布的特征。

（2）N—Φ 統計圖反映的是放電次數對相位的分布特征。

（3）PRPD 圖反映的是局部放電相位分布情況，圖中橫坐標為相位、縱坐標為幅值，點的顏色深淺表示放電脈沖密度的強弱。現場觀察時，可以根據點的顏色深淺判斷較強局放信號的相位和幅值，對識別局放類型具有重要意義。

（4）PRPS 圖反映的是局部放電脈沖序列相位分布情況，描述相位分辨的脈沖序列，它是一種實時三維圖，圖中x 軸為相位、y 軸為信號周期數量、z 軸為信號強度或幅值；頻率相關圖譜描述超聲信號50 Hz 和100 Hz 的頻譜能量，圖譜能夠顯示信號的均值和峰值、50 Hz 和100 Hz 的能量幅值等；時頻圖能夠反映局部放電脈沖信號的頻域波形和時域波形，圖中橫坐標為時間、縱坐標為頻率，可提取多種信號的頻域特征，從而將不同的放電信號分離開來。

1.2 特征量提取

局部放電信號容易受缺陷自身、外部環境、運行方式變化等因素的影響而發生變化，同一缺陷在不同時刻的局部放電信號并不完全相同，但局放特征圖譜的相關特性是重復發生的。因此，對局部放電特征圖譜的關鍵指征參數進行提取，是進行局放類型識別的第一步。

針對局部放電的二維圖譜，一般可采用偏斜度、陡峭度、互相關系數、放電量因數和相位不對稱度等特征量進行定量分析。其中，偏斜度和陡峭度主要用來描述局放波形的整體形狀差異，互相關系數、放電量因數和相位不對稱度主要用來描述局部波形正、負半周之間的差異。

（1）偏斜度Sk反映的是當前局放波形的形狀相比于正態分布形狀的偏斜程度：Sk=0，說明局放波形的左右對稱，與正態分布相近；Sk＞0，說明局放波形整體向左偏移；Sk＜0 則說明局放波形整體向右偏移。實際觀察時，主要是用來查看局部起始電壓和局放熄滅電壓之間的相互關系。

其中，W 為半個周期內的相窗數；xi為第i 個相窗的相位；Δx 為相窗寬度；pi、μ 和σ 分別是以φi為隨機變量時，相窗i 內的事件出現的概率、均值和標準差。

其中，yi為視在放電量q 或放電重復率n。

（2）陡峭度Ku反映的是當前局放波形的形狀相比于正態分布形狀的突起程度。與偏斜度一樣，Ku=0 說明局放波形形狀與正態分布相同，Ku＞0 說明局放波形比正態分布尖銳陡峭，Ku＜0 則說明局放波形比正態分布輪廓平坦。

（3）互相關系數Cc 反映的是正負半周局放波形的形狀相似程度。對于正負兩極結構對稱的局部放電，在一個放電周期內，正負半周的放電情況相同，因此波形輪廓是相近的；而對于大多數放電，由于結構的差異，正負半周的放電情況相差較大，則波形輪廓相差較大。這種正負半周局放波形輪廓的相似程度就由互相關系數進行定量描述，當Cc為0 時認為正負半周局放波形的輪廓差異巨大，而Cc 為1 時則認為正負半周局放波形的輪廓十分相近。

其中，qi是在相窗i 內的平均放電量，上標“+”和“-”分別對應著局放波形的正、負半周；W 為半周內的相窗數。

（4）放電量因數Q 反映的是正負半周平均放電量的比值，可定量計算正負半周平均放電量的差異。

其中，ni是在相窗i 內的放電重復率。

（5）相位不對稱度φ 反映的是正負半周局部放電起始放電相位的差別。

其中，φin為正負半周內放電的起始相角，上標的“+”和“-”分別對應著局放波形的正、負半周。

完成局放波形二維特征圖譜相關特征量的提取之后，根據定子線棒局部放電位置的不同，可將電機內部局放類型分為內部放電、端部放電、槽間放電和端部斷股放電4 種。其中，端部斷股放電本身是電弧放電，放電現象比較強烈，因此不作為局部放電討論。針對另外3 種不同類型的放電缺陷，通過現場試驗統計了定子線棒不同放電類型的特征參量（表1～表3）。

表1 內部放電特征參量

表2 端部放電特征參量

表3 槽間放電特征參量

2 基于BP 神經網絡算法的電機局放故障識別

2.1 BP 神經網絡算法

BP 神經網絡是由大量的神經元互聯而形成的復雜網絡系統，一般由一個輸入層、一個或多個中間層（隱含層）和一個輸出層組成。隱含層和輸出層的每個神經元接受前一層的輸入，并把輸出傳遞給下一層（圖2）。

圖2 神經網絡結構

圖2 中，x1，…，xn表示神經元的輸入；ωi1，…，ωin表示各輸入對神經元作用的權值，訓練時可以根據訓練情況對權值進行調整；θi、μi、yi分別表示神經元的閾值、狀態和輸出。神經元的輸入與輸出滿足：

其中，g 為神經元的狀態函數，代表神經元對輸入的反應，一般取μi=si；f 為神經元的作用函數，代表神經元的非線性特性，有閾值型、偽線形型和S 型（Sigmoid 函數）等3 種類型[8]。

2.2 基于BP 神經網絡算法的模式識別方法

按照定子線棒3 種不同類型放電缺陷的原理，搭建模擬故障測試平臺并分別采集其放電脈沖信號和超聲信號，采集后對其進行統計分析并計算特征值，完成后開始進行BP 神經網絡訓練。訓練過程和模式識別結果如圖3 所示，軟件分析系統的流程如圖4 所示。

圖3 BP 神經網絡訓練流程

圖4 軟件分析流程

實際檢測時，因絕緣缺陷而產生的局部放電，其衍生出的聲信號（如超聲波）、磁信號（如特高頻和高頻電磁波）及電壓脈動變化耦合而來的電信號（如脈沖電流）等，通過對應傳感器拾取后經濾波放大，傳輸至數據采集模塊。數據采集模塊對有效數據進行清洗并提取后，將特征信息送至統計分析模塊，由BP 神經網絡算法進行識別。此外，還將數據送至分析模塊進行顯示、存儲和導出等操作。

按照上述軟件工作流程，對3 種不同的放電類型進行了模擬故障識別測試，識別結果見表4。經統計，該算法對定子線棒3種典型放電類型的識別準確率達到93.67%。

表4 定子線棒放電類型識別結果統計

3 結論

大型發電機和電動機在長周期運行過程中，受電、熱、化學和環境等多種因素影響，絕緣性能持續劣化，定子線棒內部的局部放電缺陷也愈加嚴重。局部放電特征圖譜是識別定子線棒放電缺陷類型和嚴重程度的重要依據，但在實際應用時因相關人員經驗不足或局部特征不明顯，往往存在誤判的可能。本文從分析典型局部放電信號特征圖譜入手，提出了描述局放圖譜形狀差異的5 個特征量，通過實際測試結果給出定子線棒3 種不同放電類型的特征參數。為了避免人員經驗差異引起的誤判，利用BP 神經網絡算法對采集的局放模型進行統計分析并給出識別結果，通過實際樣本測試，該方法的識別準確率達到93%以上。