SF6分解組分的氣體傳感器檢測方法綜述

蔣慶明， 張艷妹， 王明祥， 李洨雨， 徐 敏， 賈鵬飛

（1. 廣西大學 a. 電氣工程學院；b. 廣西電力裝備智能控制與運維重點實驗室，廣西 南寧 530004；2. 西華大學 食品與生物工程學院，四川 成都 610039）

0 引 言

六氟化硫（SF6）因其良好的絕緣性能，常被用于氣體絕緣組合電器（gas insulated switchgears，GIS）中[1]。純凈的SF6是一種無毒、無色、無味的氣體，化學性質非常穩定。但大量研究發現，SF6在放電和高溫的作用下會發生分解，產生一些低氟硫化物，這些低氟硫化物會進一步與水分和氧氣等發生反應，生成一些有毒和具有腐蝕性的化合物[2]。當GIS 內部存在絕緣缺陷時，極有可能發生局部放電和局部過熱[3-4]，由此生成的腐蝕性氣體會進一步惡化設備的絕緣性能，最終導致事故的發生。因此，檢測絕緣缺陷是電氣設備維護工作中的重要內容[5-6]。

目前已有的絕緣缺陷檢測方法全都是圍繞放電或過熱產生的各類物理化學反應展開。例如檢測放電的方法有特高頻法、脈沖電流法、暫態對地電壓法、超聲波法、光學法和氣體組分分析法等[7]；檢測局部過熱的方法有紅外分析法和氣體組分分析法等[8-9]。其中，氣體組分分析法作為一種非電檢測的方法，可用于放電和過熱兩種故障的檢測。氣體組分分析法對電力設備現場復雜的電磁環境具有極強的抗干擾作用，具有較高的檢測靈敏度和可在線檢測等優點，因此近年來受到了越來越多的關注。

氣體組分分析法是指通過檢測電氣設備內部SF6氣體分解的標志性氣體成分，來判斷電氣設備內部是否存在絕緣缺陷以及絕緣缺陷的類型或嚴重程度的方法。SF6分解的標志性氣體主要有SOF2、SO2F2、SO2等[10]。目前常用來檢測這些氣體的方法有氣相色譜法、紅外吸收光譜法、檢測管法和氣體傳感器法等[11]。近年來隨著人工智能技術的飛速發展，由氣體傳感器組成的機器嗅覺系統（又稱電子鼻）的性能越來越強大，氣體傳感器也由此得到了快速發展和深入研究，在氣體組分分析法中被大量應用，對GIS 的絕緣缺陷檢測起到了十分重要的作用。

本文總結了SF6氣體組分分析法中的氣體傳感器檢測方法，主要闡述了SF6氣體在放電作用下的解離過程和標志性氣體的合成路徑，介紹了常用于檢測SF6分解特征氣體傳感器的原理和優缺點，討論了用于氣體組分分析法檢測絕緣故障的人工智能算法，并對氣體組分分析法未來的發展方向進行了展望。

1 SF6的分解

當GIS內部存在絕緣缺陷或接觸不良等而發生局部放電或局部過熱時，SF6會分解出多種低氟硫化物，這些低氟硫化物會進一步與設備內部的導體和絕緣材料以及氧氣和水分發生反應產生穩定的分解產物[12-14]。因為GIS 故障的類型、嚴重程度等信息和這些分解產物有著密切的關系，故通過定性和定量分析SF6分解產物可以實現對GIS 絕緣狀態的監測和故障診斷[15]。

GIS 內部的放電形式主要有電暈放電、火花放電和電弧放電等。SF6在電暈放電和火花放電下的分解由電子撞擊和局部過熱兩部分原因引起[16-17]，而在電暈放電下SF6分解的主要原因則是電子撞擊[18]。SF6發生反應的路徑如圖1 所示。設備存在絕緣缺陷的情況下，GIS 內部的水分和氧氣會被電子撞擊產生O、OH 等高活性粒子，這些高活性粒子會與低氟硫化物發生一系列反應，最終生成HF、SOF4、SO2F2、S2OF10、SOF2及SO2等氣體[19-21]。

圖1 SF6氣體產物的生成路徑Fig.1 The formation path of SF6 gas products

許多學者希望建立SF6放電分解的物理模型，以解釋SF6分解過程和氣體產物的產生機制。R J V BRUNT 等[22]提出的三區域分解模型得到了廣泛認可，該模型表明氣體絕緣設備的內部空間在電暈放電下可分為輝光區、離子遷移區和主氣室放電區3部分，圖2說明了各種氣體產物在不同區域中的生成機制。

圖2 電暈放電下SF6的分解機制Fig.2 Decomposition mechanism of SF6 under corona discharge

三區域分解模型較為全面和系統地解釋了金屬突出物缺陷在負極性直流放電情況下SF6的分解機制，對SF6分解過程和產物的生成路徑都作了詳細的介紹。但在其他放電條件下的SF6分解機制可能與此模型介紹的內容存在較大差異，故這一模型的適用范圍還存在局限性。SF6在負極性直流或交流放電等其他放電情況下的分解機制還有待進一步研究。

總的來說，SF6在火花放電下會生成S2F10和S2F10O 兩種特有產物，在局部放電下的主要產物有CF4、SO2F2、SOF4、SOF2、SO2和HF。其中，SO2F2、SOF2和CF4常作為絕緣劣化檢測的特征氣體。SOF4不穩定，易與空氣中的水分進一步反應生成SO2F2；HF具有強酸性，易與設備中的金屬和絕緣材料等反應生成氟化物，不適合作為特征氣體。

2 氣體傳感器及其技術原理

在通過SF6氣體分解組分來檢測設備故障的方法中，氣體傳感器因簡便易用和可在線檢測等優點得到了廣泛的關注和使用。氣體傳感器利用目標氣體分子與氣敏材料發生物理反應或化學反應，將產生的物理量或化學量的變化轉變為易于測量的電信號或光信號等，從而完成對氣體組分和濃度的測量。將氣體傳感器安裝在設備中，可根據傳感器的響應和模式識別算法判斷設備是否存在絕緣異常甚至可以判斷絕緣異常的嚴重程度。表1總結了常見的氣體傳感器及其優缺點。金屬氧化物半導體氣體傳感器和碳納米管氣體傳感器因氣敏性能優良，常被用于檢測SF6氣體的分解組分，本文將重點介紹上述兩種類型的傳感器。

表1 常見氣體傳感器的種類、檢測原理和優缺點Tab.1 The types, detection principles, advantages and disadvantages of common gas sensors

2.1 氣體傳感器的性能參數和評價標準

評價一個氣體傳感器性能好壞的參數，主要有靈敏度、響應時間、恢復時間、選擇性和可重復性等。

2.1.1 靈敏度

靈敏度是指傳感器對目標氣體的敏感程度，按照傳感器的測量原理主要分為電壓表示法、電流表示法和電阻表示法。對于以氣敏材料電阻的變化來響應被測氣體的傳感器，電阻表示法最為常見，其響應定義如式（1）所示。

式（1）中：Ar是傳感器的響應；Rv是傳感器處于目標氣體中的電阻值；R0是傳感器處于潔凈空氣中的電阻值。

2.1.2 響應時間

響應時間表示氣體傳感器對目標氣體響應速度的快慢。一般來說，響應時間越短越好。設傳感器在潔凈空氣中的電阻為R0，在目標氣體中的穩定電阻為Rg，則傳感器的響應時間定義為將傳感器從置入目標氣體后，傳感器電阻從R0變化到0.9Rg所需的時間。

2.1.3 恢復時間

與響應時間的定義方式類似，恢復時間表示傳感器在脫離目標氣體后，電阻恢復到R0所需的時間。同樣地，恢復時間越短越好。

2.1.4 選擇性

選擇性表示傳感器對非目標氣體的不敏感性。在氣體傳感器的實際工作環境中，往往存在多種氣體。若傳感器對非目標氣體存在較大響應，則會影響氣體識別系統的識別效果。傳感器對目標氣體的響應越大，對非目標氣體的響應越小，說明傳感器的選擇性越好[23]。

2.1.5 可重復性

可重復性是指氣體傳感器在同等條件下多次重復測量同一氣體樣本得到的響應曲線的一致性。可重復性是決定傳感器性能優劣的重要參數。

2.2 金屬氧化物半導體氣體傳感器

金屬氧化物半導體（metal oxide semiconductor，MOS）氣體傳感器采用金屬氧化物半導體材料經特殊工藝制成，與氣體相互作用時會產生表面吸附或反應，引起以載流子運動為特征的電導率、伏安特性或表面電位等電學特性的變化[24]。MOS 氣敏材料按照多數載流子的不同可分為p 型和n 型，其中p型MOS 氣敏材料的多數載流子為空穴，n 型MOS氣敏材料的多數載流子為自由電子。常見的p型和n型MOS氣敏材料見表2[25]。

表2 常見的金屬氧化物半導體氣敏材料Tab.2 Common metal oxide semiconductor gas sensitive materials

MOS 氣敏材料的電學特性變化與材料表面物理反應和化學反應、表面狀態、溫濕度等因素有關，涉及氣體吸附理論和半導體電子相關理論，因此其氣敏機理非常復雜，解釋模型眾多。其中，表面耗盡層模型和晶界勢壘模型等在解釋電阻型MOS 傳感器氣敏機理方面已經得到了廣泛認可。表面耗盡層模型詳細描述了發生在MOS 材料表面的氧化還原反應，說明了氣敏的主要過程。以還原性氣體檢測為例，氧氣會捕獲n 型MOS 材料表面附近導帶的自由電子并附著在材料表面形成化學吸附氧，由此產生電子耗盡層。電子耗盡層內多數載流子濃度降低，導致電導率降低。當傳感器暴露在目標氣體（如CO）中時，化學吸附氧將與目標氣體發生反應，釋放出電子，使材料表面的多數載流子濃度升高而電阻降低，從而檢測到目標氣體[26]。對p 型MOS材料而言，氧氣會捕獲其表面的電子使表面產生空穴，導致材料的多數載流子濃度升高，電阻降低。當傳感器置于還原性氣體中時，電子會被釋放回到材料表面的導帶中，進而導致多數載流子濃度降低，電阻升高。晶界勢壘模型則從晶粒與勢壘的角度解釋了MOS 材料的氣敏機理。無數微晶顆粒的凝聚與其晶界構成了形貌結構多樣的氣體傳感材料。以還原性氣體檢測為例，置于純凈空氣中的n 型MOS 材料表面會聚集化學吸附氧，并且晶粒與晶粒之間的連接處會產生空間電荷層（晶界勢壘），此時電子在晶粒間的移動將變得困難，宏觀上表現為n 型MOS 材料的電阻較大[27]。材料被置于還原性氣體中，還原性氣體與材料表面的化學吸附氧發生氧化還原反應并釋放電子，此時空間電荷層的高度下降（晶界勢壘降低），電子在晶粒間移動的阻礙變小，MOS材料的電阻減小。p型MOS材料的氣敏機理與此類似，只是由于多數載流子的不同，電阻的變化過程與n型MOS材料相反。

目前合成MOS氣敏材料的方法有水熱法、溶劑熱合成法、溶膠凝膠法等。表3 總結了上述方法的大致原理和優缺點。近年來，用于檢測SF6氣體分解組分的MOS 氣敏材料的制備及其氣敏特性研究是一個熱點。YANG A J 等[28]通過水熱法合成了氧化鈰納米顆粒（CeO2NPs），摻雜Au、Ag 和Pd 等金屬后，材料在適宜的溫度下表現出對H2S、SO2和SOF2的高靈敏度響應，并且具有較高的響應速度和恢復速度。PAN X 等[29]采用密度泛函理論（density functional theory，DFT）研究了SO2、SOF2和SO2F2氣體在單分子金屬氧化物（ZnO/CuO）摻雜石墨烯的吸附性能，探索金屬氧化物摻雜石墨烯的可行性。LI L 等[30]制備了TiO2/NiSO4復合納米纖維傳感器，該傳感器在室溫下對SO2F2表現出極高的靈敏度，但溫度升高時靈敏度有所下降。

表3 金屬氧化物半導體材料的制備方法對比Tab.3 Comparison on preparation methods of metal oxide semiconductor materials

金屬氧化物傳感器在實際應用中仍存在一些不可忽視的問題：①漂移。MOS氣體傳感器穩定性較差，容易受到溫度、濕度、光照和材料老化的影響而發生響應的漂移，導致原有的氣體識別模型在漂移后的傳感器上性能嚴重下降；②個體差異。由于制作工藝和半導體材料特性的影響，同一廠家、同一型號、同一批次中不同的傳感器對同一氣體樣本的響應也會存在不同，極大限制了氣體識別模型的通用性；③中毒。接觸酸性氣體或硫化物，或長時間接觸某種高濃度氣體，會導致傳感器中毒，顯著縮短傳感器的使用壽命；④交叉敏感性。傳感器對非目標氣體也會出現響應，即傳感器的選擇性差，這會導致氣體檢測系統的性能下降；⑤濕度敏感。傳感器對工作環境中的濕度變化較為敏感，嚴重影響了傳感器的檢測精度。這些問題嚴重限制了氣體識別技術的發展，國內外許多學者對此展開了大量的研究。目前針對漂移和個體差異問題的主要解決方法是算法校正，這一內容將在3.3 中介紹。本節主要對中毒、交叉敏感性和濕度敏感的解決方法進行描述。

針對高濃度氣體環境下傳感器中毒的問題，應當盡量避免傳感器長時間處于高濃度的目標氣體環境下，并定期對傳感器進行校準，確保傳感器輸出值與氣體真實濃度值相匹配。此外，還可以采取材料修飾的方法來提高傳感器對酸性氣體和硫化物的抗中毒能力。B S KIM 等[31]開發了一種新方法，將負載在活性γ-Al2O3上的納米氧化鈰水熱處理后，在CeO2（111）的晶面上形成八面體納米二氧化鈰，然后負載Pt。結果表明Ce3+的低堿度缺陷位點減少，材料顯示出良好的抗硫性。ZHANG Y G等[32]提出在載有貴金屬（Pt 和Pd）的SnO2氣敏材料表面涂敷一層抗中毒材料SnO2/α-Al2O3，在不降低對CH4氣敏性能的情況下提高了傳感器對六甲基二硅氧烷的抗中毒能力。

對于交叉敏感性問題，主要有兩種解決方法：①預先了解目標氣體種類和傳感器使用環境中可能出現的氣體種類，根據目標氣體和干擾氣體選擇敏感氣體不同的多個傳感器制成傳感器陣列。由于每個傳感器對不同氣體的響應特性都不同，如果傳感器選擇適當，傳感器陣列的響應中會具有冗余且相互補充的氣體信息。使用信息更加豐富的傳感器陣列響應數據訓練模式識別模型，可以有效抑制交叉干擾問題。不過，確定陣列中傳感器的型號和數量目前沒有一定的規律，大多數情況下依靠研究者的個人經驗，這給陣列法的實際運用帶來了不確定性。②對傳感器氣敏材料進行摻雜和修飾等改進，文獻[33-35]分別報道了Au摻雜SnO2、Zn摻雜In2O3和Pt 摻雜CeO2等材料制成的傳感器，顯著提升了傳感器對CO 的選擇性。圖3 為文獻[33]中對Au摻雜SnO2氣敏材料的選擇性測試結果。

圖3 Au摻雜SnO2氣敏材料的選擇性測試結果Fig.3 Selectivity test results of Au loaded SnO2 gas sensitive materials

要減小MOS 傳感器對濕度敏感的問題，有3 種方法：①在材料表面涂覆疏水透氣的涂層，減小水在材料表面的吸附作用；②在材料中摻雜可以吸附水汽的羥基吸收劑，減小水與氧的競爭吸附；③控制水與吸附氧的反應，或還原已與水形成羥基的吸附氧。具體方法總結在表4中[52]。

表4 抗濕穩定性改性策略的效果對比Tab.4 Effect comparison on modification strategies of moisture stability

總的來說，MOS傳感器對目標氣體的氣敏特性好、響應速度快，符合人們對理想氣體傳感器的要求，大量應用于空氣質量檢測和危害氣體檢測等方面，適合作為SF6分解組分法檢測GIS絕緣缺陷的氣體傳感器。

2.3 碳納米管氣體傳感器

碳納米管（carbon nanotubes，CNTs）由Iijima Sumio 于1991 年首次發現，是一種完美六邊形結構的納米材料，具有優異的力學性能、電學性能和化學性能[53]。碳納米管有單壁和多壁兩種類型，區別在于單壁碳納米管（single-walled carbon nanotubes，SWCNTs）是由一層石墨原子卷曲而成，多壁碳納米管（multi-walled carbon nanotubes，MWCNTs）是由多層同軸但直徑不同的單壁碳納米管組合而成[54]。由于碳納米管具有很大的比表面積[55]，對目標氣體的吸附率極高，在室溫下對目標氣體表現出高敏感性[56]。在碳納米管上有4 處主要的氣體吸附位點，如圖4 所示[57]。在吸附目標氣體分子后，碳納米管的電學特性會發生變化。以單壁碳納米管吸附NO2為例，在碳納米管表面上，每個碳原子以sp2雜化軌道與周圍的碳原子形成3 個σ 鍵。NO2分子因存在一個未成對的電子而具有強氧化性，與碳納米管表面的碳原子發生接觸后，強烈的吸電子效應迅速地使碳納米管表面的π 電子云偏向NO2分子，宏觀上表現為從碳納米管到NO2的電荷轉移。電子的流失增大了半導體碳納米管空穴載流子的濃度，使其電阻大幅下降[58]。

圖4 碳納米管的吸附位點Fig.4 Adsorption sites of CNTs

碳納米管的制備方法主要有電弧法、化學氣相沉淀法和激光蒸餾法，3種方法的優缺點總結在表5中。電弧法是最早提出制備碳納米管的方法，此法通過在兩個石墨電極之間施加電壓來生成電弧，在電弧的作用下，陽極石墨蒸發為碳蒸氣并在催化劑的作用下重組，最終在陰極沉淀成碳納米管。化學氣相沉淀法大致過程為將碳源氣體（如甲烷、乙炔或乙烯等）與載氣混合后送入高溫反應室，在催化劑的作用下，碳源氣體將會分解形成碳原子或碳簇，并在催化劑表面生長成碳納米管。激光蒸餾法與電弧法較為相似，區別在于激光蒸餾法在惰性氣體環境下通過激光的能量蒸發石墨，使石墨蒸氣規則地沉積為碳納米管。3 種方法中，化學氣相沉淀法由于所需設備簡單、工藝參數可控、成品純度較高，是實驗室中制備碳納米管最常用的方法[59]。

表5 碳納米管制備方法對比Tab.5 Comparison of CNTs preparation methods

碳納米管由于其優異的氣敏性能受到了廣泛關注，許多學者研究了碳納米管對SF6分解組分的氣敏特性。DING W D 等[60]研究了本征SWCNTs 對SF6分解產物的氣敏特性，發現SWCNTs 在吸附SOF2或SF4后電導率提高，故CNTs 具有作為SF6分解產物檢測傳感器的潛質。但本征CNTs 可以檢測的氣體種類較少、靈敏度較低且恢復時間較長[61]，為了改善CNTs 的氣敏性能，許多學者開始對CNTs 進行摻雜、官能團修飾等處理。

GUI Y G等[62]制備了一種Ni改性的碳納米管氣體傳感器，對H2S、SOF2、SO2、SO2F2等具有較高的靈敏度，檢測限度可達1×10-6。QIAN H 等[63]提出了一種Ga 摻雜單壁氮化硼納米管（Ga-BNNT）氣敏材料，通過密度泛函理論（density functional theory，DFT）計算分析表明摻雜Ga 后BNNT 對SOF2和SO2F2氣體的敏感性和選擇性都有了大幅提升。表6 總結了近年來部分改進碳納米管對SF6分解組分氣敏性能的研究報道。

表6 碳納米管氣敏性能的改進Tab.6 Improvement in gas sensitivity of CNTs

碳納米管是一種極具潛力的氣敏材料，由碳納米管材料制成的傳感器具有檢測限度低、響應速度快和氣敏性好等優點。但本征CNTs 對SF6大部分分解組分的響應不足以讓人滿意，故研究人員對本征CNTs 進行了摻雜和官能團修飾的改進。經過合理改進的CNT材料對SF6分解組分表現出高度的敏感性，具有巨大的研究價值和實用潛力。

3 故障診斷算法

人工智能技術的快速發展為氣體傳感器的研究和應用注入了強勁動力，使用氣體分解組分診斷絕緣缺陷的方法也得到快速發展。諸如支持向量機（support vertor machine，SVM）和人工神經網絡（artificial neural network，ANN）等許多分類和回歸模型常見于SF6分解組分法的相關文獻中，用于處理氣體傳感器的響應信號或經其他方法得到的特征氣體濃度值以實現絕緣缺陷診斷任務。下面簡要介紹SVM和ANN的算法原理。

3.1 算法原理概述

3.1.1 支持向量機

SVM 是一種經典的監督學習算法，可用于分類和回歸問題。其主要思想是將數據映射到高維空間，并在該空間中找到一個最優超平面來分割不同類別之間的數據。SVM 通過最大化不同類別樣本之間的間隔和最小化分類錯誤率來尋找最優超平面，同時只使用了少數支持向量，因此具有較好的泛化能力和魯棒性。SVM 還可以使用核函數來處理非線性分類問題。圖5 為一個簡單的SVM 分類結果示例，圖5 中SVM 找到了一條最佳的分類邊界（圖中間的黑色實線）來分開兩類樣本，兩條虛線的距離為樣本的間隔。

圖5 一個簡單的SVM分類示例Fig.5 A simple instance of classification using SVM

設分割兩類數據的最優超平面的方程如式（2）所示。

式（2）中：w是待求解的最優超平面方程的系數；b是偏移量；x是待分類的數據樣本；T 代表矩陣的轉置運算。

通過求解式（3）所示的優化問題可以確定最優超平面的兩個參數w和b。

式（3）中：yi是樣本xi的標簽；m為樣本個數。

由于實際數據并不總是線性可分，并且常常帶有一定噪聲，在特征樣本構成的空間里很難找到一個最優超平面將異類樣本分開，因此原始SVM在面對此類數據時效果不佳。在處理帶有噪聲和線性不可分數據這類更具挑戰性的任務中，加入核函數和軟間隔的SVM 憑借更優異的性能和更出色的泛化能力而更受青睞。設最優超平面的方程為式（4）。

式（4）中，?(x)表示x映射到高維空間后的向量。

可通過求解式（5）所示的優化問題確定最優超平面的參數w、b和ξ。

式（5）中：ξi是松弛因子，用于為模型引入軟間隔；C＞0，為懲罰系數，是一個超參數，用于限制模型的軟間隔寬度。

通過引入拉格朗日乘子α=(αi)，β=(βi),i=1, 2, …,m，利用拉格朗日乘數法求解式（5），列出拉格朗日乘數法的目標函數，再將其轉換為對偶問題可得式（6）。可通過Karush-Kuhn-Tucker（KKT）條件和Sequential Minimal Optimization（SMO）算法求解這一優化問題得到最佳的分類超平面。

式（6）中，κ為核函數。

高斯核函數是最常用的核函數之一，其表達式如式（7）所示。

式（7）中，σ為高斯核的帶寬。

3.1.2 人工神經網絡

人工神經網絡是一種模擬生物神經系統的計算模型，由大量簡單的神經元單元組成，通過連接權重和激活函數來實現信息的處理和傳遞。圖6(a)為一個簡單的神經元模型，從圖中可以看出，神經元具有兩個參數：w=(w1,w2)和b。神經元通過這兩個參數對輸入數據進行簡單的加權求和，再經過激活函數f來求得輸出y。激活函數在神經網絡中起著重要作用。常用的激活函數有sigmoid 函數σ(x)和relu（rectified linear unit）函數等，它們的表達式分別如式（8）和式（9）所示。

圖6 神經網絡的結構示意圖Fig.6 Structure diagram of neural network

人工神經網絡是由許多神經元組合級聯而成的網絡，可以擬合許多復雜的函數。圖6(b)為一個簡單的神經網絡，其中每一條有向線段代表一個權重參數，簡潔起見，圖中略去了偏差項b的線段。圖6(b)中展示的神經網絡僅有1 個隱藏層。實際使用時，神經網絡可以具有多個隱藏層。具有多層隱藏層的神經網絡也有另一個名字——深度神經網絡（deep neural networks，DNN）。

神經網絡的訓練過程，就是通過一定的學習算法確定每一個神經元的參數w和b的過程。反向傳播（back propagation，BP）算法是常用于訓練神經網絡的方法。BP 算法利用鏈式法則將誤差從輸出層向輸入層逐層傳遞和計算，在此過程中計算出每個參數的梯度，然后根據梯度下降的方法更新每個參數，如式（10）所示，從而最小化損失函數，提升神經網絡的性能。

式（10）中：α是學習率；Loss是損失函數。

人工神經網絡是目前使用最廣泛的機器學習模型之一，已經衍生出了卷積神經網絡、循環神經網絡和生成對抗網絡等熱門模型，常用于分類、回歸、圖像識別和自然語言處理等任務，在人工智能領域占據了重要地位。

3.2 氣體分析診斷算法

SF6氣體分解組分可以用于識別GIS 內部的絕緣故障情況。將氣體傳感器或其他氣體識別和分析裝置獲取的GIS內部氣體信息用于訓練一個性能強大的人工智能模型，就可以使用該模型根據氣體信息判斷GIS 內部的絕緣故障情況。相比其他方法，氣體組分法檢測絕緣缺陷具有更強的抗干擾能力，并且可以識別故障的具體類型和嚴重程度，故國內外許多學者對此展開了深入研究。

TANG J 等[70]選擇了SO2F2、SOF2、CO2和CF44種SF6分解產物作為檢測特征成分，構造了1個氣室和金屬突出物、自由金屬微粒、絕緣子氣隙、絕緣子金屬污穢4 個缺陷模型來模擬GIS 中的局部放電，使用SVM來識別絕緣缺陷的類型，分類準確率達到97.22%，故障檢測結果的混淆矩陣如圖7 所示。混淆矩陣是機器學習領域中常用于展示分類結果的工具。混淆矩陣中方塊的顏色越深，說明預測結果和真實結果一致的數據越多，最好的情況是所有的數據樣本都集中在混淆矩陣的主對角線上。混淆矩陣右側帶有漸變色彩的數據條用以對照說明預測結果與真實結果一致的樣本數量。圖7 中，橫縱坐標分別是真實的故障類型和模型預測的故障類型，其中Pr 為金屬突出物缺陷，G 為電極/環氧樹脂界面處的間隙缺陷，C為墊片表面的污染缺陷，Pa為自由金屬微粒缺陷。為了更好地適應實際情況，研究人員并不滿足于單獨使用SVM來診斷絕緣缺陷。ZHANG R 等[71]先通過信息熵理論和主成分分析（principal component analysis，PCA）找出對分類作用最大的特征樣本，再將其送入SVM進行分類。主成分分析是一種經典的無監督學習算法，主要用于數據降維，即在最大程度保留主要特征信息的同時，減小數據的使用量。結果表明準確率從使用原始數據分類的78.13%提升到88.75%。

圖7 故障檢測結果的混淆矩陣Fig.7 Confusion matrix of fault detection results

文獻[70]和[71]都使用了SVM 來進行絕緣缺陷的分類，不過各有側重。文獻[70]重點分析了所選特征參數的物理意義，認為選用的濃度比值c(SO2F2)/c(SOF2)表示放電能量，其中c(·)代表括號中氣體的濃度；c(CF4)/c(CO2)可視為區分缺陷類型的指標之一；c(CO2+CF4)/c(SOF2+SO2F2)與絕緣材料或電極的降解程度呈正相關。但是，文中并未詳細解釋通過什么過程或何種評價標準選出這些參數作為特征。文獻[71]則通過信息熵與PCA結合的方式來挑選特征，挑選和處理特征的流程如圖8 所示。在同樣使用SVM進行分類的情況下，經過信息熵與PCA 挑選的特征數據相比原數據訓練的分類器分類準確率提升超過10%。

圖8 信息熵結合PCA挑選特征的流程Fig.8 The process of feature selection based on information entropy and PCA

上述研究僅關注單一絕緣缺陷的識別，但實際情況下設備內可能同時存在多種不同程度的絕緣缺陷。為了能夠利用分解組分識別多個故障，ZHENG K 等[72]使用改進的k近鄰算法結合SVM 來診斷GIS 內的絕緣缺陷，先通過SVM 確定缺陷類型，再通過改進的k近鄰算法確定缺陷嚴重程度。該方法不僅能夠克服傳統濃度比值法的缺點，而且適用于復雜混合故障的診斷，對絕緣缺陷的狀態能夠做出準確的預測。N A MUHAMAD 等[73]使用隨機森林來判斷絕緣缺陷的類型，從局部放電故障氣體中提取了12種分解產物樣本作為特征，在單一故障和混合故障情況下都表現出不錯的性能，詳細結果見圖9和圖10。

圖9 單一故障檢測結果的混淆矩陣Fig.9 Confusion matrix of single fault detection results

圖10 混合故障檢測結果的混淆矩陣Fig.10 Confusion matrix of mixed fault detection results

圖9 中，橫縱坐標分別為真實的故障類型和模型預測的故障類型，Fr 代表自由導電微粒缺陷，Pr代表金屬突出物缺陷，Vo 代表電極介電空隙缺陷，Fi代表固定銅顆粒缺陷。圖10中，Pr-Fi為金屬突出物與固定銅顆粒的混合缺陷，Pr-Fr為金屬突出物與自由導電微粒的混合缺陷，Vo-Fr為電極介電空隙與自由導電微粒的混合缺陷。

SVM 僅在樣本量較小的情況下表現較好，當需要分類的數據量過大時，SVM 計算最佳分類超平面的過程就會變得十分復雜，會耗費大量的計算資源和運算時間。而且SVM 的性能與超參數和核函數的選擇關系十分密切，而超參數與核函數的選擇主要取決于人的經驗。此外，SVM 只適用于二分類任務，對于多分類任務需要額外的擴展技術，例如基于有向無環圖的支持向量機（directed acyclic graphbased SVM，DAG-SVM），編程實現過程更加復雜。上述原因在一定程度上影響了SVM 在氣體組分法中的應用。

回顧上述研究可以發現，使用氣體傳感器和響應或分解組分的濃度值來診斷設備內部的絕緣缺陷取得了不錯的效果，但是這些研究大多數是在模擬氣室環境下進行的，現場條件下能否達到同樣的效果還有待進一步檢驗。此外，上述研究更加關注放電模型的設計和數據特征的提取，所以使用了一些傳統的機器學習算法。而深度學習模型具有自行學習數據特征的強大能力，可以讓使用者從繁雜的特征提取工作中解放出來，將注意力放在如何提高模型性能上。一方面，深度學習模型的性能比傳統機器學習模型的性能更加強大；另一方面，深度學習技術的發展日新月異，不斷有性能更加強大的模型出現，其中有許多可以被借鑒到設備內部絕緣缺陷的診斷，因此結合深度學習技術的氣體組分識別具有廣闊的發展前景。

3.3 傳感器校正算法

傳感器技術是氣體組分法診斷絕緣故障的關鍵技術之一。但目前氣體傳感器還存在漂移和個體差異問題，上述問題會縮短氣體識別系統的壽命，限制模型的通用性，這嚴重限制了氣體組分法的使用和發展。

從統計學上來看，傳感器的漂移和個體差異問題本質上歸結于傳感器響應的數據分布出現了變化。漂移是傳感器材料老化等原因導致的數據分布逐漸變化；個體差異是更換傳感器后數據分布發生的變化。傳感器響應數據的分布變化會嚴重惡化氣體識別模型的性能，進而影響診斷。針對這一問題，當前主要的解決方法就是算法校正，主要分為兩種：①構建一個性能強大的氣體分類或濃度預測模型[74-76]，以此來抵消漂移產生的影響，這一方法的顯著缺點是需要用到漂移后數據的標簽來訓練模型，因而通用性較差；②采用無監督域自適應（unsupervised domain adaptation，UDA）技術進行校正。UDA 是一種機器學習技術，用于處理源域和目標域分布不匹配的分類問題。UDA 技術主要是在有標簽的源域數據上學習一個模型，并將其適應到無標簽的目標域上并取得盡可能好的結果。在傳感器校正問題中，針對漂移，源域一般由傳感器未漂移的響應數據組成；針對個體差異，源域一般由一個表現良好的傳感器（主傳感器）的響應數據組成，源域上的數據帶有標簽。對應的目標域則分別由漂移后的響應數據或需要校正的其他傳感器（從傳感器）的響應數據組成，目標域數據沒有標簽。本文將重點介紹一些使用UDA技術的傳感器校正算法。

針對氣體傳感器數據分布差異的問題，UDA 校正法主要有線性投影矩陣法和對抗性訓練法兩種。

（1）線性投影矩陣法。計算出一個投影矩陣P，通過P將源域數據和目標域數據向新的域投影，縮小投影后源域數據和目標域數據之間的分布差異。YI Z K等[77]提出了局部判別子空間投影法（LDSP），通過求解最佳的投影矩陣P，將源域數據和目標域數據向同一個公共子空間投影，方法的大概過程如圖11 所示。結果表明提出的方法可以在最小化二者分布差異的同時利用漂移前傳感器數據樣本的標簽信息來增大潛在子空間中具有不同標簽的數據樣本的距離，以最大限度地保留樣本特征以便于模型分類。LIU R 等[78]提出了一種名為MCSP-SSS的域自適應方法，用于解決傳感器數據分布差異問題。該方法通過引入PCA、平均分布差異、希爾伯特-施密特獨立性準則和加權類內散射矩陣4 個約束來優化投影矩陣，可以顯著減小源樣本與目標樣本間的分布差異，最大化特征與標簽的關聯性并避免投影后的樣本發生重疊，可以有效克服數據分布差異帶來的模型性能下降問題。

圖11 局部判別子空間投影法示意圖Fig.11 The diagram of local discriminant subspace projection method

（2）對抗性訓練法。通過對抗性訓練來進行UDA 的方法最早由Y GANIN 等[79]在2015 年提出，在后續研究[80]中該方法被命名為域對抗神經網絡（domain adversarial neural network，DANN），用于圖像數據的域自適應，DANN的結構如圖12所示。

圖12 域對抗神經網絡的結構Fig.12 The structure of domain adversarial neural networks

從圖12 可以看出，DANN 主要包括4 個部分，特征提取器（Feature Extractor）、梯度反轉層（Gradient Reversal Layer）、域判別器（Discriminator）和分類器（Classifier）。首先給源域數據和目標域數據分配域標簽，例如源域數據分配的域標簽為0，目標域數據的域標簽為1，再通過特征提取器提取源域數據和目標域數據的特征組成不變特征（Invariant Features），讓域判別器來分辨不變特征來自源域或目標域，即預測不變特征的域標簽。域判別器試圖盡可能地正確預測域標簽，而特征提取器試圖盡可能地提取數據中難以分辨的特征來讓判別器預測錯誤。在這樣的對抗訓練中，特征提取器和域判別器的性能都會越來越強大，最終達到納什均衡，域判別器難以分辨特征提取器提取的特征究竟來自哪個域，來自兩個域的不變特征之間的分布差異也被極大地縮小。近年來，也有學者利用對抗訓練來校正氣體傳感器數據分布差異。CHEN X 等[81]將對抗性訓練引入氣體傳感器的數據校正，并對DANN做了改進，提出了一種名為FEDA的對抗網絡，在特征提取器的損失函數中加入了最大平均分布差異損失和條件熵損失，可以在不求解投影矩陣的情況下實現源域數據和目標域數據的對齊。TAO Y等[82]將Wasserstein 距離引入DANN，提出了WDLFR 模型，用于校正傳感器的響應數據差異。Wasserstein距離可以更加穩健和連續地度量兩個域之間的分布差異，為神經網絡的優化提供更加穩定的梯度。該研究使用Wasserstein 距離作為判別器的損失函數，不再為數據分配域標簽。在對抗訓練的過程中，來自源域和目標域的域不變特征之間的Wasserstein 被最小化，實現了二者分布的對齊。上述4 個方法的準確性如圖13所示。

圖13 4個方法的準確性Fig.13 Accuracy of four methods

線性投影矩陣法可以有效地完成源域與目標域的數據對齊，并且可以最大程度地避免樣本重疊和保留樣本的特征，但是為優化投影效果而引入的過多約束條件會讓模型的超參數調整變得復雜。此外，漂移和個體差異對數據分布的影響含有非線性因素，因此線性矩陣的投影效果相對有限。對抗性訓練的思想來自于生成對抗網絡（generative adversarial networks，GAN）。通過對抗性訓練，模型可以有效對齊傳感器的源域數據和目標域數據，大幅改善分類器在目標域數據上的表現，而且模型結構簡單，易于理解。但是，用于傳感器數據校正的對抗網絡也繼承了GAN難以訓練的缺點，需要精心設計網絡參數才能讓特征提取器得到有效訓練，并且對抗網絡對齊的數據會產生一定的重疊，給后續分類帶來一定困難。因此，兩種方法都有待進一步的發展完善。

4 結束語

本文主要回顧了使用氣體傳感器檢測分解組分來診斷絕緣缺陷的方法。在SF6氣體的分解組分中，SO2F2、SOF2、SO2和CF4與絕緣缺陷的關聯程度更高且便于通過氣體傳感器檢測，可通過氣體傳感器檢測這些組分來診斷電力設備中是否存在絕緣缺陷。目前，SF6分解組分的氣體傳感器檢測法可以有效識別電力設備中的絕緣缺陷，且不易受復雜電磁環境影響，但難以準確判斷故障的所在位置，這給設備維護帶來了一定困難。此外，通過氣體傳感器檢測絕緣缺陷的方法發展時間不長，相關技術仍有待成熟，實際應用中可以與超聲波法和暫態對地電壓法等結合使用來提高診斷精度和效果。為了進一步改善氣體組分法的診斷結果，未來可以從以下3個方面展開研究：

（1）SF6的分解過程機理較為復雜，且受到水分、氧氣、壓力和材料等諸多因素的影響，導致在模擬氣室內建立的絕緣缺陷診斷模型應用于實際生產環境時準確率明顯下降。因此，進一步研究電氣設備實際工作條件下SF6的分解特性，建立更加穩健的診斷模型是十分必要的。

（2）氣體傳感器是氣體組分法中的核心元件。受材料特性的影響，氣體組分法中應用最廣泛的MOS 氣體傳感器的穩定性和魯棒性較差，存在漂移、個體差異、交叉敏感性和容易中毒等缺點。這些缺點極大限制了氣體組分法的發展。因此，解決上述問題是氣體組分法發展的當務之急。

（3）過往的研究大多關注于使用SVM、隨機森林和BPNN等淺層的機器學習模型來實現基于氣體組分的故障診斷，并未過多關注深度學習模型。深度學習模型具有自動提取特征的強大能力，并且在許多任務中表現出遠超傳統模型的優異性能。目前少有研究涉及使用深度學習算法分析和處理SF6分解特征組分數據來診斷GIS 絕緣缺陷。因此，結合深度學習技術的氣體組分法具有廣闊的發展前景。