基于模糊自適應共振神經(jīng)網(wǎng)絡的電纜局部放電模式識別

舒錦宏，徐靈江，呂延春，段文華，鐘守平

（1.國網(wǎng)浙江省電力有限公司緊水灘水力發(fā)電廠，浙江 麗水 323000；2.國網(wǎng)浙江省電力有限公司，杭州 310007；3.南京南瑞繼保電氣有限公司，南京 211102）

0 引言

由于XLPE（交聯(lián)聚乙烯）電纜具有傳輸容量大、介電性能和耐熱性好、安裝敷設簡單等優(yōu)點，在電力系統(tǒng)中應用得越來越廣泛，但是其絕緣性能對電網(wǎng)安全運行影響巨大[1-3]。電纜會因施工工藝不佳、絕緣老化等發(fā)生PD（局部放電），PD既是絕緣劣化的主要原因，又是電纜絕緣缺陷和絕緣老化的重要表征[4]。因此，對電纜進行PD在線監(jiān)測是保障電力電纜安全運行的重要措施之一[5]。

不同的PD 模式對絕緣的危害程度不同，對PD 信號進行有效的模式識別，可以進一步準確地了解電纜內(nèi)部出現(xiàn)的絕緣缺陷類型，根據(jù)不同的缺陷類型制定合適的檢修計劃，避免缺陷故障進一步惡化[6]。常見的電纜PD 模式識別方法包括BP（反向傳播）人工神經(jīng)網(wǎng)絡和SVM（支持向量機）等[7]，傳統(tǒng)BP 神經(jīng)網(wǎng)絡存在訓練學習耗時較長、復雜特征提取困難等問題，SVM 存在樣本數(shù)量大時訓練困難和核函數(shù)等參數(shù)選擇困難等問題，因此在實際應用中存在一定的局限性。文獻[8]將Fuzzy-ART（模糊自適應共振）神經(jīng)網(wǎng)絡應用于變壓器繞組狀態(tài)模式識別，通過實驗驗證了該網(wǎng)絡具有快速學習能力，并可對未知變壓器繞組松動缺陷進行可靠的分類，在變壓器繞組松動狀態(tài)識別中取得了較好的效果[8]。

ART 神經(jīng)網(wǎng)絡是由美國Boston 大學的S.Grossberg 和A.Carpenet 聯(lián)合提出的一種競爭性學習網(wǎng)絡結(jié)構(gòu)，該神經(jīng)網(wǎng)絡無需事先準備訓練數(shù)據(jù)集和測試數(shù)據(jù)集，在學習過程中發(fā)現(xiàn)已有的神經(jīng)元不夠時會自動增加新的神經(jīng)元來存儲新的模式，且不會對已有神經(jīng)元之間的連接造成影響，因此ART 神經(jīng)網(wǎng)絡能夠在不忘記已學習模式的前提下繼續(xù)學習新模式。Fuzzy-ART 將模糊理論和ART 神經(jīng)網(wǎng)絡有機結(jié)合，將ART 神經(jīng)網(wǎng)絡結(jié)構(gòu)中二進制交運算法替換為模糊理論的AND 運算符，新的網(wǎng)絡結(jié)構(gòu)可以同時處理二進制和模擬量2 種類型數(shù)據(jù)，擴大了網(wǎng)絡結(jié)構(gòu)的應用范圍并提升了網(wǎng)絡的學習分類能力[9]。

本文將Fuzzy-ART 神經(jīng)網(wǎng)絡應用于電纜PD模式識別，首先在無缺陷的XLPE 電纜上人工設置了4 種常見的電纜PD 缺陷模型，然后通過模擬實驗搜集電纜PD 樣本數(shù)據(jù)，對樣本數(shù)據(jù)進行預處理并繪制相位譜圖，根據(jù)譜圖提取了20 個特征參數(shù)，最后利用Fuzzy-ART 神經(jīng)網(wǎng)絡實現(xiàn)缺陷類型的模式識別。為驗證該方法的有效性，本文構(gòu)建了傳統(tǒng)BP 神經(jīng)網(wǎng)絡用于對比測試，測試結(jié)果表明Fuzzy-ART 神經(jīng)網(wǎng)絡在模式識別能力、網(wǎng)絡性能、可識別未知故障類型等方面均優(yōu)于傳統(tǒng)的BP 神經(jīng)網(wǎng)絡。

1 實驗平臺搭建及數(shù)據(jù)獲取

1.1 人工缺陷類型

實驗選取電網(wǎng)中常見的35 kV XLPE 電纜進行測試，XLPE 電纜由內(nèi)芯導體、內(nèi)半導電層、絕緣層、外半導電層、軟銅帶、包帶和外護套組成，實驗采用無缺陷的XLPE 電纜，通過人為破壞構(gòu)建了4 種常見的PD 缺陷模型，如圖1 所示[10]。

圖1 電纜典型缺陷模型示意

1）外半導電層爬電模型：先剖開電纜的外護套、包帶和軟銅帶，在電纜外半導電層剝離時保留一道長寬約3×0.5 cm 的矩形半導電層條。

2）絕緣內(nèi)部氣隙模型：先剖開電纜的外護套、包帶、軟銅帶和外半導體層，使用鋼針針刺電纜絕緣層至深度3/4 左右，內(nèi)部氣隙數(shù)量3～4 個。

3）絕緣表面劃傷模型：先剖開電纜的外護套、包帶、軟銅帶和外半導體層，用小刀在絕緣層表面劃出多道深度約1 mm、長度約3 cm 的劃痕。

4）絕緣表面金屬污穢模型：先剖開電纜的外護套、包帶、軟銅帶和外半導體層，將厚度為0.5 mm 的銅箔裁剪為面積大小約2 mm2的形狀各異的銅屑，用膠水將銅屑粘附于絕緣層表面。

1.2 實驗數(shù)據(jù)獲取

國內(nèi)外對電力電纜局部放電在線監(jiān)測研究較常用的方法有差分法、電容耦合法和電磁耦合法等，其中電磁耦合法采用安裝在電纜接頭接地線上的高頻TA 采集數(shù)據(jù)，不影響一次回路結(jié)構(gòu)且靈敏度較高，在我國高壓電纜在線監(jiān)測現(xiàn)場應用非常普遍，取得了良好的效果[11-12]。本次實驗也采用電磁耦合法，結(jié)合IEC 60270 的實驗系統(tǒng)進行電纜PD 實驗[13]，實驗系統(tǒng)原理見圖2。圖中為可調(diào)升壓變壓器，輸入電壓為AC 380 V，輸出電壓0～100 kV；為限流電阻，阻值100 kΩ，電壓100 kV；為耦合電容器，電容量980 pF；為檢測阻抗[14]。

圖2 實驗系統(tǒng)原理

實驗開始前對完好電纜預加電壓以測定系統(tǒng)的最低放電電壓，確保整個實驗系統(tǒng)在20 kV 以內(nèi)無PD 現(xiàn)象發(fā)生。依次對每種故障電纜做升壓試驗，從0 kV 開始，每次遞增1 kV 直至PD 起始電壓，繼續(xù)升壓直至故障電纜發(fā)生明顯PD，得到了如表1 所示的實驗樣本。

表1 4 種電纜缺陷模型對應實驗電壓及樣本數(shù)

4 種典型故障類型的相位譜圖見圖3，從圖中可以看出不同故障的相位譜圖存在差異，但是外半導電層爬電故障和內(nèi)部氣隙故障間的相位譜圖差異略小，區(qū)分難度較大。

圖3 典型故障類型的相位譜圖

1.3 特征參數(shù)構(gòu)建

特征參數(shù)可通過對PD 相位譜圖進行統(tǒng)計分析計算而得出，特征因子的選取對電纜PD 模式識別的影響很大，目前常用于放電譜圖的特征因子主要有以下幾個：

1）偏斜度Sk

式中：xi為第i 個相窗的相位；Δx 為相窗寬度；W 為半周期內(nèi)的相窗數(shù)；pi為概率密度函數(shù)，pi=，μ 為均值，；σ 為方差，（xi-μ）2·pi。偏斜度Sk可反映相位譜圖形狀的左右對稱程度[15]。

2）陡峭度Ku

式中參數(shù)的含義與偏斜度Sk計算式中一致，陡峭度Ku可反映相位譜圖的突起程度[15]。

3）互相關系數(shù)c

4）香農(nóng)熵HX

式中：pi為概率密度函數(shù)，，香農(nóng)熵HX可反映相位譜圖形狀的散射隨機性，譜圖的散射隨機性越大，則香農(nóng)熵越大[16-17]。

根據(jù)上述特征參數(shù)，可以獲取PD 相位譜圖正半周、負半周、全周共20 個特征子向量。

2 Fuzzy-ART 神經(jīng)網(wǎng)絡

2.1 Fuzzy-ART 神經(jīng)網(wǎng)絡拓撲

Fuzzy-ART 網(wǎng)絡拓撲分為3 層，包括預處理層F0、比較層F1和識別層F2，如圖4 所示[18]。

圖4 中I 為輸入向量，I=（I1，I2，…，Im），Ii∈[0，1]（i=1，2，…，m），m 為輸入量個數(shù)。第1 層為預處理層F0，該層一共有2m 個節(jié)點，輸入向量I 經(jīng)過補碼處理后得到向量A 輸入到網(wǎng)絡中，其中A=（I，）。第2 層為比較層F1，和預處理層F0一樣，也有2m 個節(jié)點，它的輸入包括預處理層F0的輸入向量A 和識別層F2的權(quán)值向量W。第3 層為識別層F2，該層是識別分類節(jié)點，節(jié)點數(shù)量是不固定的。

圖4 Fuzzy-ART 神經(jīng)網(wǎng)絡拓撲

2.2 電纜PD 模式識別

基于Fuzzy-ART 神經(jīng)網(wǎng)絡的電纜PD 模式識別步驟參見圖5，首先對1.1 節(jié)中人工制作的4種電纜缺陷模型做升壓測試，收集電纜PD 樣本數(shù)據(jù)，采用去燥算法對樣本數(shù)據(jù)進行預處理并提取PD 脈沖繪制相位譜圖，進一步構(gòu)建20 個特征因子對相位譜圖進行數(shù)據(jù)轉(zhuǎn)換以獲取電纜PD 樣本特征數(shù)據(jù)集，最后初始化Fuzzy-ART 神經(jīng)網(wǎng)絡參數(shù)，將特征數(shù)據(jù)集輸入至Fuzzy-ART 神經(jīng)網(wǎng)絡，實現(xiàn)基于Fuzzy-ART 神經(jīng)網(wǎng)絡的電纜PD 模式識別。

圖5 電纜PD 模式識別流程

Fuzzy-ART 網(wǎng)絡參數(shù)中警戒參數(shù)ρ 和學習速率參數(shù)β 的選取對網(wǎng)絡性能影響較大，圖5 中參數(shù)初始化目的是為了優(yōu)化最佳警戒參數(shù)ρ 和學習速率參數(shù)β[8]。Fuzzy-ART 神經(jīng)網(wǎng)絡電纜PD 模式識別步驟如下：

1）數(shù)據(jù)預處理。對輸入向量I 進行歸一化和補碼處理，將識別層F2節(jié)點的權(quán)重系數(shù)W 初始化為1，此時識別層F2中的節(jié)點還未訓練，其權(quán)重系數(shù)都可以收斂。

2）模式選擇。對所有輸入向量A 和識別層F2的神經(jīng)元節(jié)點J 計算選擇函數(shù)Tj，找出其中的最大值，選擇最大值對應的節(jié)點J 為優(yōu)勝神經(jīng)元[8]。

式中：（AΛWj）i=min（xi，Wij）。

3）匹配函數(shù)計算。按照公式（6）計算所有輸入向量A 與神經(jīng)元節(jié)點的匹配函數(shù)MJ，即：

4）網(wǎng)絡參數(shù)學習。如果MJ＞ρ，則認為神經(jīng)網(wǎng)絡發(fā)生共振，將該輸入向量對應電纜PD 模式歸于神經(jīng)節(jié)點J 所屬，并調(diào)整該神經(jīng)元節(jié)點網(wǎng)絡權(quán)值[19]。若匹配函數(shù)與識別層F2所有神經(jīng)元節(jié)點都不匹配，則說明該輸入向量不屬于網(wǎng)絡已存儲PD 模式的任何一種，是一種全新PD 模式，網(wǎng)絡新建一個神經(jīng)元節(jié)點以存儲該PD 模式，即：

3 模式識別結(jié)果分析

為驗證Fuzzy-ART 神經(jīng)網(wǎng)絡的識別效果，在MATLAB-R2016a 軟件中建立了Fuzzy-ART 神經(jīng)網(wǎng)絡模型，模型各神經(jīng)元權(quán)重系數(shù)初始化為1，選擇參數(shù)設置為α=0.05，預處理層F0和比較層F1的神經(jīng)元數(shù)量均為40 個，對應章節(jié)1 中構(gòu)建的20 個特征子向量及其補碼，識別層F2神經(jīng)元數(shù)量初始化為1，隨著學習過程的深入而動態(tài)增加。

3.1 Fuzzy-ART 神經(jīng)網(wǎng)絡參數(shù)優(yōu)化

神經(jīng)網(wǎng)絡參數(shù)中警戒參數(shù)ρ 為輸入向量的匹配函數(shù)與神經(jīng)元發(fā)生共振的門檻，是神經(jīng)網(wǎng)絡進行模式分類的關鍵參數(shù)，當警戒參數(shù)ρ 值設置過小時，網(wǎng)絡將會無法區(qū)分多種PD 模式，分類比實際數(shù)量要少，當警戒參數(shù)ρ 值設置過大時，神經(jīng)網(wǎng)絡會誤將一種PD 模式分解為多種PD 模式，降低了模式識別的正確率。測試不同警戒參數(shù)ρ值對4 種電纜故障分類的影響，結(jié)果見表2。

表2 不同警戒參數(shù)下的分類數(shù)目

從表2 中可以看出，當警戒參數(shù)ρ 值過大或者過小時，模式識別準確率都較低；當ρ 值取0.9附近時，模式識別準確率最高，因此本次實驗ρ值取0.9。

學習速率參數(shù)β 主要影響神經(jīng)網(wǎng)絡訓練速度，通常情況下，β 值越大，模式識別效率越高。測試警戒參數(shù)ρ 值取0.9 時，不同學習速率參數(shù)β 對模式識別結(jié)果的影響，結(jié)果參見表3。

表3 不同學習速率下的分類數(shù)目

從表3 中可以看出，當β 值大于等于0.5 時，模式識別結(jié)果均正確，為縮短神經(jīng)網(wǎng)絡訓練時間，本次實驗將β 值設置為1。

3.2 電纜PD 模式識別

為了將Fuzzy-ART 神經(jīng)網(wǎng)絡模式識別效果與傳統(tǒng)BP 神經(jīng)網(wǎng)絡效果進行對比，在MATLABR2016a 中搭建了一個BP 神經(jīng)網(wǎng)絡模型，設置神經(jīng)網(wǎng)絡的輸入層神經(jīng)元數(shù)量為20 個，與構(gòu)建的特征向量數(shù)目保持一致，輸出層數(shù)量為4 個，與電纜故障類型數(shù)量一致，隱含層數(shù)量為10 個，神經(jīng)網(wǎng)絡參數(shù)中學習步幅設定為η=0.20，慣性系數(shù)設定為α=0.16，期望精度設定為ε=1×10-5[20]。

3.2.1 已知電纜PD 模式識別結(jié)果

取4 種故障類型電纜PD 樣本各120 組共480 組數(shù)據(jù)，其中384 組作為訓練樣本，96 組作為測試樣本，通過對2 種神經(jīng)網(wǎng)絡訓練和測試，得出表4 中的測試結(jié)果。從表中可以看出，BP 神經(jīng)網(wǎng)絡的PD 模式識別正確率略低，特別是劃痕故障和氣隙故障譜圖差異較小，BP 神經(jīng)網(wǎng)絡對這2 種故障模式的識別存在較多誤判，而Fuzzy-ART 神經(jīng)網(wǎng)絡對劃痕和氣隙這2 種難以識別的故障也能夠進行準確的識別，整體正確識別率均在91%以上。此外BP 神經(jīng)網(wǎng)絡在訓練過程中發(fā)生過多次因陷入局部極小值而無法收斂的情形，導致訓練消耗時間較長，從訓練耗時及模式識別準確度方面來看，F(xiàn)uzzy-ART 神經(jīng)網(wǎng)絡性能更加優(yōu)越。

表4 已知電纜PD 模式識別結(jié)果

3.2.2 未知電纜PD 模式識別結(jié)果

為考察2 種神經(jīng)網(wǎng)絡對未知電纜PD 類型的模式識別能力，重新選取樣本數(shù)據(jù)訓練網(wǎng)絡，選取外導電層爬電、氣隙和劃痕3 種故障類型各120 組共360 組數(shù)據(jù)為訓練樣本，選取金屬污穢故障類型為測試樣本，通過對2 種神經(jīng)網(wǎng)絡訓練和測試，得出表5 中的測試結(jié)果。

表5 未知電纜PD 模式識別結(jié)果

從表5 可以看出，針對在之前未曾學習過的金屬污穢PD 模式，F(xiàn)uzzy-ART 神經(jīng)網(wǎng)絡依然可以識別出該PD 模式與已有的PD 模式不一致，是一種全新的PD 模式，并沒有將其歸為已有的故障模式而發(fā)生誤判，且正確識別率高達94%。而BP 神經(jīng)網(wǎng)絡均將新的故障模式歸于已有的故障模式，正確識別率為0，不能對新模式進行識別。

Fuzzy-ART 神經(jīng)網(wǎng)絡除具有優(yōu)秀的模式識別能力外還具有良好的成長性，其模型會隨著輸入數(shù)據(jù)類型的豐富而逐步完善，依據(jù)該神經(jīng)網(wǎng)絡開發(fā)的電纜PD 模式識別裝置及系統(tǒng)已經(jīng)在國網(wǎng)緊水灘水電廠投入運行。需要注意的是現(xiàn)場環(huán)境更加復雜、故障類型種類更加繁多、噪音也遠比實驗室環(huán)境更加豐富，本文后續(xù)需要根據(jù)現(xiàn)場的實際數(shù)據(jù)繼續(xù)優(yōu)化Fuzzy-ART 神經(jīng)網(wǎng)絡模型。

4 結(jié)論

本文研究了4 種典型電纜故障的PD 模式識別，通過實驗提取了故障PD 樣本數(shù)據(jù)并繪制相位譜圖，依據(jù)譜圖提取了20 個特征參數(shù)。為驗證效果，在MATLAB 軟件中搭建了Fuzzy-ART 神經(jīng)網(wǎng)絡模型，將提取的特征參數(shù)輸入模型中進行電纜PD 模式識別研究，并將識別效果與BP 神經(jīng)網(wǎng)絡做了對比，得出結(jié)論如下：

1）不同類型的電纜PD，其相位譜圖和統(tǒng)計參數(shù)存在差異，個別故障間的差異略小，可以提取具有代表性的統(tǒng)計參數(shù)作為特征向量，并以此為基礎開展不同類型PD 的模式識別。

2）通過理論研究和實驗可以得出，F(xiàn)uzzy-ART神經(jīng)網(wǎng)絡具有快速、穩(wěn)定的學習和分類能力，不僅能對已知的電纜PD 故障進行模式識別，而且能夠有效識別未知電纜PD 故障模式，非常適用于電纜PD 模式識別。

3）Fuzzy-ART 神經(jīng)網(wǎng)絡中的警戒參數(shù)和學習速率參數(shù)決定了網(wǎng)絡的最終模式分類性能，需要通過實驗對這2 個參數(shù)進行優(yōu)化以獲取最佳模式分類效果。

4）通過將Fuzzy-ART 神經(jīng)網(wǎng)絡與傳統(tǒng)BP 神經(jīng)網(wǎng)絡進行對比，可以得出Fuzzy-ART 神經(jīng)網(wǎng)絡在模式識別能力、網(wǎng)絡性能、可識別未知故障類型等方面均優(yōu)于傳統(tǒng)的BP 神經(jīng)網(wǎng)絡。