基于ANFIS的GIS設(shè)備局部放電故障辨識

王 姣， 劉利強(qiáng)， 胡凱旋， 呂 超， 王連旌

(1. 內(nèi)蒙古工業(yè)大學(xué)電力學(xué)院， 內(nèi)蒙古 呼和浩特 010080； 2. 內(nèi)蒙古電力科學(xué)研究院， 內(nèi)蒙古 呼和浩特 010020)

基于ANFIS的GIS設(shè)備局部放電故障辨識

王 姣1， 劉利強(qiáng)1， 胡凱旋1， 呂 超2， 王連旌1

(1. 內(nèi)蒙古工業(yè)大學(xué)電力學(xué)院， 內(nèi)蒙古 呼和浩特 010080； 2. 內(nèi)蒙古電力科學(xué)研究院， 內(nèi)蒙古 呼和浩特 010020)

為了實(shí)現(xiàn)氣體絕緣組合電器設(shè)備局部放電故障類型的辨識，本文通過分析四種典型絕緣缺陷局部放電時(shí)SF6氣體分解組分特點(diǎn)，選取四種氣體分解物含量比值作為特征向量，闡釋了氣體含量比值的物理意義，構(gòu)造了三輸入單輸出的自適應(yīng)模糊神經(jīng)推理系統(tǒng)(ANFIS)，對該模型的有效性進(jìn)行了測試。測試結(jié)果表明局部放電類型的ANFIS辨識系統(tǒng)識別效果好,收斂速度快，且對樣本數(shù)量要求低。

氣體絕緣組合電器； 局部放電； 自適應(yīng)模糊神經(jīng)推理系統(tǒng)； 故障辨識

1 引言

氣體絕緣組合電器(GIS)是電力系統(tǒng)重要設(shè)備之一，通過對GIS的局部放電監(jiān)測，可以有效發(fā)現(xiàn)GIS內(nèi)存在的絕緣缺陷，避免絕緣事故發(fā)生。關(guān)于GIS局部放電的檢測方法主要有超聲波法、超高頻法和SF6氣體分解物組分檢測法等。SF6氣體分解物組分檢測法具有較強(qiáng)的抗干擾性，純凈的SF6氣體化學(xué)性能穩(wěn)定，不易分解，但在局部放電、火花放電、電弧放電和過熱等因素作用下會分解[1]，并形成一些穩(wěn)定的氣態(tài)衍生物。通過分析其組分特性來診斷SF6氣體絕緣電氣設(shè)備的絕緣狀態(tài)，已成為本領(lǐng)域研究的熱點(diǎn)[2,3]。所以，如何完善SF6氣體放電分解反應(yīng)機(jī)理和各種組分檢測技術(shù)，并形成可靠、穩(wěn)定的在線檢測系統(tǒng)則成為重要的研究方向。

目前，關(guān)于局部放電模式識別的方法主要有統(tǒng)計(jì)學(xué)方法、信號處理方法、圖像處理方法、模糊邏輯方法、人工神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)等[4,5]。由于GIS設(shè)備局部放電受很多因素的影響，現(xiàn)有的專家知識不能囊括所有情況，因此可以通過神經(jīng)網(wǎng)絡(luò)建立判斷規(guī)則。自適應(yīng)模糊神經(jīng)推理系統(tǒng)(ANFIS)將神經(jīng)網(wǎng)絡(luò)和模糊技術(shù)結(jié)合起來，能有效地發(fā)揮各自的優(yōu)勢，將模糊數(shù)學(xué)算法代入神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，使其既具有自適應(yīng)學(xué)習(xí)能力，又利用模糊規(guī)則使神經(jīng)元權(quán)值具有了明確意義，增加了容錯(cuò)性[6]。ANFIS已在自動化技術(shù)、計(jì)算機(jī)軟件及應(yīng)用、電信技術(shù)和電力工業(yè)等方面得到了廣泛應(yīng)用，在電力工業(yè)中多用于變壓器[7,8]、電動機(jī)和水電機(jī)組的故障診斷等，而在GIS及SF6氣體分解組分的研究中暫未見報(bào)道。本文將具體分析如何將ANFIS與SF6氣體分解組分相結(jié)合，應(yīng)用于GIS故障診斷領(lǐng)域。

2 ANFIS特征量的選取

2.1 GIS四種典型絕緣缺陷模型

本文在GIS設(shè)備局部放電故障辨識中采用四種典型絕緣缺陷，分別是高壓導(dǎo)體突出物缺陷(N類絕緣缺陷)、自由金屬微粒缺陷(P類絕緣缺陷)、絕緣子金屬污染物缺陷(M類絕緣缺陷)和絕緣子外氣隙缺陷(G類絕緣缺陷)。其結(jié)構(gòu)如圖1所示，左圖為典型缺陷模型，右圖為各個(gè)缺陷在GIS內(nèi)部的實(shí)時(shí)監(jiān)控畫面。

圖1 典型缺陷模型Fig.1 Typical defect model

自由金屬微粒由5個(gè)直徑0.3cm的圓鐵球與25個(gè)直徑0.1cm的圓鐵球構(gòu)成，放入一個(gè)長3cm、直徑2cm的半球形玻璃罩中；高壓導(dǎo)體突出物由圓餅(厚0.8cm，直徑3cm)、圓柱(柱長0.5cm，直徑1cm)與圓錐(錐長1cm，直徑1cm)構(gòu)成；絕緣子金屬污染是在直徑2.5cm、長7cm的聚四氟乙烯構(gòu)成的圓柱上用膠水粘銅金屬粉末構(gòu)成；絕緣子外氣隙在直徑4cm、長6cm的環(huán)氧樹脂構(gòu)成的圓柱內(nèi)有氣隙，底端由長1cm、直徑1cm的銅圓柱構(gòu)成。

2.2 SF6氣體分解物特征

國內(nèi)外的大量研究證明[9-13]，在局部放電(PD)作用下SF6氣體分解的主要穩(wěn)定產(chǎn)物有SOF2、SO2F2、SOF4、SO2、CF4、CO2和HF。上述氣體中HF是強(qiáng)酸性氣體，極易溶于水并與金屬發(fā)生腐蝕反應(yīng)，測量結(jié)果不能真實(shí)地反映其含量；SOF4容易發(fā)生水解反應(yīng)，其含量受微水含量的影響較大，也不能作為局部放電特征量；SO2在局部放電故障初期，含量相對較低，也不適宜選為特征量。綜上所述，本文選擇SO2F2、SOF2、CF4和CO2作為SF6局部放電類型辨識的特征組分進(jìn)行檢測與辨識。

通過SF6氣體分解組分含量來辨識局部放電故障類型，通常有兩種選取方法，一是直接選取氣體含量作為特征量對故障類型進(jìn)行辨識，二是仿照變壓器油色譜分析，采用c(CF4)/c(CO2)、c(SOF2)/c(SO2F2)、 c(SOF2+SO2F2)/c(CO2+CF4) 三個(gè)比值作為辨識特征量。

本文缺陷類型實(shí)驗(yàn)數(shù)據(jù)取自唐炬、孟慶紅等人相關(guān)研究[14]。四種絕緣缺陷下各種特征組分的含量隨時(shí)間變化如圖2～圖5所示，四種絕緣缺陷下各比值隨時(shí)間變化情況如圖6～圖8所示。

圖2 四種故障類型CF4含量Fig.2 CF4 content of four kinds of fault types

圖3 四種故障類型CO2含量Fig.3 CO2 content of four kinds of fault types

圖4 四種故障類型SO2F2含量Fig.4 SO2F2 content of four kinds of fault types

圖5 四種故障類型SOF2含量Fig.5 SOF2 content of four kinds of fault types

圖6 四種故障類型c(SOF2)/c(SO2F2)比值Fig.6 c(SOF2)/c(SO2F2) ratio of four kinds of fault types

圖7 四種故障類型c(CF4)/c(CO2)比值Fig.7 c(CF4)/c(CO2) ratio of four kinds of fault types

圖8 四種故障類型c(SOF2+SO2F2)/c(CO2 +CF4)比值Fig.8 c(SOF2+SO2F2)/c(CO2 +CF4) ratio of four kinds of fault types

從圖2～圖5可以看出，四種絕緣缺陷下，SF6氣體的分解特性存在一定的差異，可以利用SF6氣體分解組分對絕緣缺陷進(jìn)行識別，但是四條曲線彼此之間均有交叉，不能夠很好地區(qū)分四種故障類型。

如圖6～圖8所示，不同絕緣缺陷類型下SF6氣體分解組分含量比值的變化是不同的，但其比值會穩(wěn)定在一個(gè)范圍內(nèi)，不同絕緣缺陷下的SF6氣體分解組分含量比值具有較大的區(qū)分度。如圖6中采用c(SOF2)/c(SO2F2)比值可以較好地辨識自由金屬微粒故障類型。在此基礎(chǔ)上采用c(CF4)/c(CO2)比值可以識別出絕緣子金屬污染故障類型(如圖7所示)，進(jìn)一步采用c(SOF2+SO2F2)/c(CO2+CF4)比值可以識別出高壓導(dǎo)體突出物故障類型(如圖8所示)。

通過對比發(fā)現(xiàn)，選擇三種氣體含量比值可以很好地辨識自由金屬微粒、絕緣子金屬污染和高壓導(dǎo)體突出物故障類型，剩余一種故障類型即為絕緣子外氣隙故障類型。可見將三種氣體含量比值作為辨識特征量具有可行性。

2.3 氣體含量比值物理意義

有文獻(xiàn)提出c(SOF2)/c(SO2F2)的值可用來表征局部放電能量的大小，c(CF4)/c(CO2)的值可表征絕緣缺陷的結(jié)構(gòu)，c(SOF2+SO2F2)/c(CO2+CF4)反映絕緣材料和金屬材料的劣化程度[15]。本文從另一個(gè)角度提出氣體含量比值的物理意義。

(1)由于SOF2和SO2F2中的S元素都來自SF6，所以其反映了六氟化硫氣體的分解程度。c(SOF2)/c(SO2F2)的物理意義是SF6在放電分解過程中S原子進(jìn)入SOF2分子與進(jìn)入SO2F2分子的比值。

雖然四種故障類型S原子進(jìn)入SOF2分子與進(jìn)入SO2F2分子沒有明顯特征，但是其比值卻能夠反映出不同的故障類型放電情況，而且可以較好地辨識自由金屬微粒故障類型。

(2)CF4和CO2中的C元素來自于絕緣物質(zhì)和金屬鋼，c(CF4)/c(CO2)的物理意義是GIS局部放電時(shí)絕緣物質(zhì)和金屬鋼中C原子進(jìn)入CF4分子與CO2分子的比值。

由于四種故障類型的放電環(huán)境、放電量等不同，使得C原子進(jìn)入CF4和CO2分子的比值能夠有效反應(yīng)出不同絕緣缺陷的特征，同(1)相結(jié)合可以有效地區(qū)分出絕緣子金屬污染故障類型。

(3)c(SOF2+SO2F2)反映六氟化硫氣體的分解程度，c(CO2+CF4)反映GIS絕緣及金屬的損耗程度。c(SOF2+SO2F2)/c(CO2+CF4)的物理意義為SF6分解時(shí)進(jìn)入SO2F2和SOF2分子的S原子的總和與進(jìn)入CO2和CF4分子的C原子總和的比值，反應(yīng)了SF6氣體分解程度與絕緣腐蝕程度的比值。

3 ANFIS用于GIS 故障診斷系統(tǒng)

3.1 系統(tǒng)結(jié)構(gòu)

本文提出的用于GIS故障診斷的ANFIS結(jié)構(gòu)如圖9所示。輸入集為R={c(CF4)/c(CO2)、c(SOF2)/c(SO2F2)、c(SOF2+SO2F2)/c(CO2+CF4)}；第1層為模糊化層，該層選用9個(gè)隸屬函數(shù)，參數(shù)通過網(wǎng)絡(luò)的學(xué)習(xí)可自動調(diào)整；第2層為規(guī)則層，該層的每個(gè)神經(jīng)元和Sugeno類型的單個(gè)模糊規(guī)則相對應(yīng)，規(guī)則神經(jīng)元從各自的模糊化神經(jīng)元接收輸入，并計(jì)算它表示的規(guī)則強(qiáng)度，該層使用27個(gè)節(jié)點(diǎn)，可完全覆蓋論域空間；第3層為歸一化層，該層每個(gè)神經(jīng)元接收來自規(guī)則層的所有神經(jīng)元輸入，并計(jì)算給定規(guī)則的歸一化激活程度；第4層為逆模糊化層，該層每個(gè)神經(jīng)元均連接到各自的歸一化神經(jīng)元上，同時(shí)接收初始輸入R1、R2、R3；第5層為一個(gè)總和神經(jīng)元，該神經(jīng)元計(jì)算所有逆模糊化神經(jīng)元輸出的總和，并產(chǎn)生最后的ANFIS輸出。

圖9 用于GIS故障診斷的ANFIS結(jié)構(gòu)圖Fig.9 ANFIS structure of fault diagnosis for GIS

3.2 訓(xùn)練算法

ANFIS生成的是Sugeno型模糊推理系統(tǒng)，該系統(tǒng)為多輸入單輸出系統(tǒng)。輸出為1，代表N類絕緣缺陷；輸出為2，代表P類絕緣缺陷；輸出為3，代表M類絕緣缺陷；輸出為4，代表G類絕緣缺陷。

將原始數(shù)據(jù)劃分為4組訓(xùn)練樣本和4組測試樣本，表1為訓(xùn)練樣本。其中，R1、R2、R3為輸入變量，分別代表c(CF4)/c(CO2)、c(SOF2)/c(SO2F2)、c(SOF2+SO2F2)/c(CO2+CF4)，Y為輸出變量。

表1 氣體樣本比值Tab.1 Ratio of sample gas

按照設(shè)定好的參數(shù)進(jìn)行訓(xùn)練，訓(xùn)練結(jié)果如圖10所示，訓(xùn)練誤差為3.9056e-006，收斂于第50步，且誤差曲線平滑性較好。

圖10 ANFIS的訓(xùn)練曲線Fig.10 Training results for ANFIS

4 局部放電模式識別結(jié)果

測試結(jié)果如圖11所示。其中·代表期望輸出，*代表ANFIS實(shí)際輸出。從圖中可以看出測試數(shù)據(jù)的輸出與期望輸出基本吻合，所以此系統(tǒng)有效，即ANFIS模糊神經(jīng)網(wǎng)絡(luò)應(yīng)用于SF6氣體分解組分的分析是可行的。

表2 故障類型測試結(jié)果Tab.2 Fault type test results

圖11 測試結(jié)果Fig.11 Test Results

5 結(jié)論

本文首次將ANFIS算法用于GIS設(shè)備局部放電故障辨識，得出如下結(jié)論。

(1)特征量的選取將直接影響辨識的正確率。以SF6氣體分解組分含量比值為特征量可以較好地辨識多類故障，并且本文從另一個(gè)角度闡述了氣體比值的物理意義。

(2)局部放電類型的ANFIS辨識系統(tǒng)識別效果好，收斂速度快，且對樣本數(shù)量要求低。

[1] 駱立實(shí)，姚文軍，王軍，等 (Luo Lishi, Yao Wenjun, Wang Jun, et al.). 用于GIS局部放電診斷的SF_6分解氣體研究 (Research on partial discharge diagnosis of GIS by decomposed gas of SF_6) [J]. 電網(wǎng)技術(shù) (Power System Technology)，2010，34(5)：225-230.

[2] 顏湘蓮，王承玉，楊韌，等 (Yan Xianglian, Wang Chengyu, Yang Ren, et al.). 應(yīng)用SF_6氣體分解產(chǎn)物的高壓開關(guān)設(shè)備故障診斷 (Fault diagnosis of high voltage switchgears by decomposition products of SF_6) [J]. 電網(wǎng)技術(shù) (Power System Technology)，2011，35(12)：118-123.

[3] 張曉星，姚堯，唐炬，等 (Zhang Xiaoxing, Yao Yao, Tang Ju, et al.). SF6放電分解氣體組分分析現(xiàn)狀和發(fā)展(Actuality and perspective of proximate analysis of SF6decomposed products under partial discharge) [J]. 高電壓技術(shù) (High Voltage Engineering)，2008，34(4)：664-669,747.

[4] Tang J, Liu F, Zhang X, et al. Partial discharge recognition based on SF_6 decomposition products and support vector machine [J]. IET Science, Measurement and Technology, 2012, 6(4): 198-204.

[5] Xiaoxing Zhang, Song Xiao, Na Shu, et al. GIS partial discharge pattern recognition based on the chaos theory [J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2014, 21(2):783-790.

[6] Jyh-Shing Roger Jang. ANFIS: adaptive-network-based fuzzy inference system [J]. IEEE Transactions on Systems, Man and Cybernetics, 1993, 23(3):665-685.

[7] 李延沐，袁鵬，牟磊，等(Li Yanmu, Yuan Peng, Mou Lei, et al.). 基于自適應(yīng)模糊神經(jīng)推理系統(tǒng)(ANFIS)的變壓器超高頻局部放電模式識別(Partial discharge of UHF pattern recognition in transformers using adaptive neuro-fuzzy inference system(ANFIS))[J]. 電工電能新技術(shù)(Advanced Technology of Electrical Engineering and Energy)，2005，24(4)：30-33.

[8] 劉煒，蘇宏升，曾曉琴 (Liu Wei, Su Hongsheng, Zeng Xiaoqin). 基于改進(jìn)算法ANFIS的變壓器故障診斷(Diagnosis of transformer faults based on improved ANFIS) [J]. 重慶工學(xué)院學(xué)報(bào)(自然科學(xué)版) (Chongqing Institute of Technology (Natural Science))，2009，23(4)：107-111.

[9] Martin Y, Li Z, Tsutsumi T, et al. Identification of DC corona generating SF_6 decomposition gases adsorbed on CNT gas sensor using FTIR spectroscopy [A]. TENCON 2010-2010 IEEE Region 10 Conference [C]. 2010. 663-666.

[10] 顏湘蓮，王承玉，季嚴(yán)松，等 (Yan Xianglian, Wang Chengyu, Ji Yansong, et al.). 氣體絕緣開關(guān)設(shè)備中SF_6氣體分解產(chǎn)物檢測與設(shè)備故障診斷的研究進(jìn)展 (Recent progress in detection of SF_6 decomposition products and fault diagnosis for gas insulated switchgears) [J]. 高壓電器(High Voltage Apparatus)，2013，49(6)：1-9, 16.

[11] 劉有為，吳立遠(yuǎn)，弓艷朋 (Liu Youwei, Wu Liyuan, Gong Yanpeng). GIS 設(shè)備氣體分解物及其影響因素研究(Investigation on SF6decomposition products in GIS and affecting factors) [J]. 電網(wǎng)技術(shù)(Power System Technology)，2009，33(5)：58-61.

[12] 齊波, 李成榕, 駱立實(shí), 等 (Qi Bo, Li Chengrong, Luo Lishi, et al.). GIS中局部放電與氣體分解產(chǎn)物關(guān)系的試驗(yàn) (Experiment on the correlation between partial discharge and gas decomposition products in GIS) [J]. 高電壓技術(shù) (High Voltage Engineering)，2010，36(4)：957-963.

[13] 張曉星，任江波，李毅，等 (Zhang Xiaoxing, Ren Jiang bo, Li Yi，et al.). SF_6分解組分的紅外光譜定量測定(SF_6 decomposition components IR measurement and quantify) [J]. 高電壓技術(shù) (High Voltage Engineering)，2010，36(3)：584-589.

[14] 唐炬，陳長杰，劉帆，等 (Tang Ju, Chen Changjie, Liu Fan，et al.). 局部放電下SF6分解組分檢測與絕緣缺陷編碼識別(Detection of constituents from SF6decomposition under partial discharge and recognition of insulation defect coding) [J]. 電網(wǎng)技術(shù) (Power System Technology) 2011, 35(1): 110-116.

[15] 劉帆 (Liu Fan). 局部放電下六氟化硫分解特性與放電類型辨識及影響因素校正 (Decomposition characteristic of SF6 under PD & recognition of PD category and calibration of impact factors) [D]. 重慶: 重慶大學(xué) (Chongqing: Chongqing University)，2013. 51-53.

Fault identification of GIS equipment partial discharge based on ANFIS

WANG Jiao1， LIU Li-qiang1， HU Kai-xuan1， LV Chao2， WANG Lian-jing1

(1. Inner Mongolia University of Technology of Electricity Institute， Hohhot 010080, China;2. Inner Mongolia Electric Power Research Institute， Hohhot 010020, China)

GIS equipment is one of the most important equipment in the power system and is widely used. It is significant to make GIS insulation defect detection regarding to safe and reliable operation of GIS. When GIS insulation defect exists within the device, the internal partial discharge is likely to occur. Partial discharge signal contains a lot of insulation status information, through which its insulating status can be determined. In order to recognize the fault types of partial discharge of gas insulated switchgear equipment, the characteristics of SF6gas decomposition component of four typical insulation defects are analyzed when partial discharge occurs. The content ratio of four gas decomposition is selected as a feature vector, and the physical meaning of gas content ratio is explained. A three-input single output system of ANFIS is constructed, and the effectiveness of the proposed model is tested. Test results show that the characteristics of the partial discharge type of ANFIS recognition system can satisfy the requirements of good recognition, fast convergence and low sample size.

GIS; partial discharge; ANFIS; fault identification

2015-03-31

內(nèi)蒙古自治區(qū)研究生自然科學(xué)基金(S20141012805)、 內(nèi)蒙古自治區(qū)自然科學(xué)基金(2015MS0543)資助項(xiàng)目

王 姣(1989-)， 女， 內(nèi)蒙古籍， 碩士研究生， 研究方向?yàn)楦唠妷号c絕緣技術(shù); 劉利強(qiáng)(1975-)， 男， 內(nèi)蒙古籍， 副教授， 博士， 研究方向?yàn)殡姽だ碚撆c新技術(shù)。

TM855

A

1003-3076(2016)04-0075-06