GIS設備局部放電特高頻信號線性判別分析識別研究

袁 晶, 黃均才

(廣東電網有限責任公司 廣州供電局，廣州 廣東 510000)

氣體絕緣開關(Gas Insulated Switchgear,GIS)設備由于占地面積小、可靠性高、成本低和受外界環(huán)境影響小等優(yōu)點被廣泛使用[1]。GIS設備將不同類型的電氣設備封閉在一個接地的金屬外殼內部，所以有著“免維護”的美譽[2]。但近年來，國內外GIS安全事故頻發(fā)，GIS的故障率遠大于國際電工委員會和國際大電網會議規(guī)定的0.1次/100間隔/年。GIS設備一旦發(fā)生故障，由于其具有封閉性，導致其檢修周期較長、檢修過程復雜、檢測費用高、停電時間長，因而給國民經濟帶來嚴重損失[3-7]。

GIS設備故障主要由內部絕緣缺陷引起，造成設備的局部放電(Partial Discharge,PD)而產生特高頻(Ultra-High Frequency,UHF)信號,通常采用UHF法對PD進行檢測，因為UHF法具有抗干擾能力強的優(yōu)點[8-9]。通過UHF傳感器對PD信號進行監(jiān)測并提取出局放UHF信號，對采集的信號進行處理，完成對GIS設備的局放類型的識別與分析，評估GIS設備的運行狀態(tài)，并對后續(xù)檢修提供了可行性依據[6,10]。

局部放電UHF信號的提取和分析具有重要意義，文獻[11]表明PD的模式識別包含4種分類器的設計，即距離分類器、統(tǒng)計分類器、模糊邏輯分類器和人工神經網絡(Artificial Neural Network，ANN)。文獻[12]采用分布統(tǒng)計方法，根據局放相位數據的分布統(tǒng)計參量，從而篩選出局部放電的類型。文獻[13]采用概率神經網絡(Probabilistic Neural Network,PNN)對GIS設備PD的UHF信號進行分類，提取出信號與統(tǒng)計的特征參量。文獻[14]采用PD矩特征，來提取出PD特征參量并判斷絕緣老化程度。文獻[15]采用二元樹復小波變換的時頻域特征提取方法，構造出完整的局部放電UHF信號的特征空間，又采用徑向基函數(Radial Basis Function,RBF)組合神經網絡分類器,從而達到模式識別的效果。文獻[16]采用主成分分析(Principal Component Analysis，PCA)對統(tǒng)計參量進行分析,得到不同局部放電類型的特征信息，從而達到PD模式識別的效果。

結合上述所分析的問題，筆者提出了一種基于局部放電UHF信號的多尺度特征提取以及線性判別分析(Linear Discriminant Analysis,LDA)的識別方法，根據GIS設備內部結構，設計了4種絕緣缺陷模型模擬GIS設備局部放電現象，通過UHF傳感器對局部放電UHF信號進行監(jiān)測并提取出數據，將采集的數據進行小波包多尺度變換，又對局部放電UHF信號進行了線性判別分析的設計，實現了特征提取與模式識別。

1 GIS設備局部放電機理

由于GIS設備結構復雜，形成了多種形式的絕緣缺陷。GIS設備主要缺陷示意圖如圖1所示。典型的形式包括：絕緣器件中存在氣隙或雜質造成擊穿場強不同、兩導體間接觸不良的連接處形成電位差、無電氣連接的金屬件形成浮動電極體放電、絕緣體表面臟污形成的電場分布不勻、導體尖端的場強達到了空氣或SF6的擊穿場強等[17]。

局部放電是一種脈沖放電，當發(fā)生局部放電時，將會存在一系列聲、光和振動等物理和化學變化[18]。由于UHF法具有不停電、在線實時監(jiān)測和抗干擾能力強的優(yōu)點而被廣泛使用。因此，采用UHF法對GIS設備局部放電進行采集，采用內置和外置UHF天線對局部放電UHF信號進行采集，UHF法的檢測示意圖如圖2所示。

圖1 GIS設備主要缺陷示意圖

圖2 UHF法檢測示意圖

2 局部放電試驗設計與數據采集

根據GIS設備的內部結構，設計了4種絕緣缺陷模型模擬GIS設備局部放電現象。其中尖刺放電模型如圖3(a)所示，模擬高壓導管外表面由于劃傷和刮削等毛刺引起的缺陷，為保持放電穩(wěn)定性，其尖刺采用繡花針，針長為33 mm，板電極為鋁合金材料。懸浮放電模型如圖3(b)所示，模擬高低壓導體或屏蔽罩連接件接觸不良而引起的絕緣缺陷，其上下電極間采用絕緣材料(如圖3(b)黑色部分所示)，上電極為鈍/尖形電極。自由金屬顆粒放電模型如圖3(c)所示，模擬水平腔體外殼上的雜質顆粒的絕緣缺陷，內部放置金屬顆粒(如圖3(c)黑色部分所示)。絕緣子氣隙放電模型如圖3(d)所示，模擬在施工過程中存在的工藝不良而存在的氣孔導致的絕緣缺陷，上下電極之間為環(huán)氧樹脂絕緣材料，通過該方式防止沿面放電現象的發(fā)生。

圖4為實驗室局部放電信號監(jiān)測試驗接線圖。在圖4的高壓試驗腔體中放置上述4種缺陷模型。試驗中采用自制的UHF傳感器采集PD信號，選擇的UHF傳感器為Peano分形天線，示波器通過同軸電纜與UHF傳感器相連，由于局部放電UHF信號的頻帶為300 MHz～1.5 GHz，因此將示波器的采樣率設置為5 GS/s。

圖3 GIS設備內部4種局部放電模型

圖4 實驗室局部放電監(jiān)測試驗接線圖

3 基于小波包分析的局部放電特征提取

3.1 小波包多尺度特征提取

針對局部放電UHF信號數據進行處理與分析，首先采用小波變換技術對檢測的UHF局部放電信號進行多分辨率分析，將不同頻率成分的信號分解成不同的小波尺度[19]。以圖5所示的小波樹的三層分解為例，上一個節(jié)點為下一個節(jié)點的濾波器，其中左節(jié)點為低通濾波，右節(jié)點為高通濾波。局部放電UHF信號通過小波包分解后可得到對應多尺度能量的信號分量，進一步計算出各能量信號分量參數，即得到信號的多尺度特征參數。

圖5 三層分解的小波包數示意圖

3.2 特征參數提取

特征參數提取主要提取能量特征，能量特征提取的流程圖如圖6所示。首先要設置小波包參數，并對4種放電模型設置能量參數。循環(huán)遍歷文件夾的數據，這些數據包含了天線1的4種放電模型，提取600組數據，600次循環(huán)包含了3層循環(huán)，第1個大循環(huán)對應了4個放電模型，第2個循環(huán)對應3個試驗，每個試驗匯總50個數據。從第1組提取的數據開始循環(huán)，一共600次，每一次循環(huán)時會生成1個小波包樹。最后提取能量參數，保存數據源新建的文件夾，以方便下一個程序使用。

圖6 特征參數提取流程圖

3.3 能量參數特征提取

利用小波包分解提取多尺度空間能量特征的基本思路為：局部放電UHF信號的能量在不同的分解層數具有不同的形式，根據分解的能量值所呈現的特征向量，從而能夠達到模式識別的效果。PD信號要經過多尺度小波分析。每個空間的總能量如式(1)所示，各子空間的能量特征可以構成局部放電辨識的特征空間。

(1)

式中：l為小波包分解層數；n為此時分解層的節(jié)點；dl,k,n為節(jié)點(l,k)第n個小波包系數。

小波包的分解是由于稀缺性而產生的，小波包法可以用于低頻和高頻信號處理[20-21]；小波包的能量提取需要計算每層每個節(jié)點的能量，列出第l層能量，求出第l層第n個節(jié)點的系數，并找到參數方的第n個節(jié)點的平方，即求它的平方和以及每個節(jié)點的概率。

每個頻段的信號特征可以用小波分析方法提取出來?；谛〔ㄗ兓亩喑叨瓤臻g能量分布特征提取方法將信號分為多個頻段，并將每個頻段的估計能量作為特征向量。

信號f(t)的二進小波分解可表示為

f(t)=Aj+∑Dj

(2)

式中：A為低頻部分；D為高頻部分；Dj為分解后的高頻信號；信號的總能量為

E=EAj+∑EDj

(3)

選擇第j層的A和各層的D的能量作為特征，構造特征向量為

F=[EAj,EDI,ED2,…,EDj]

(4)

利用小波變換提取出可以代表局放信號的向量數據，即完成從局放信號向其特征向量數據的變換。利用小波函數對局部放電特高頻信號進行分解，得到5個層次的小波系數。

根據小波系數求出單個能量值，作為信號的特征數據。經小波包分解得到的全部系數為w={wj,k:j=1,2,…,n;k=0,1,…, 2n-1}，其中，wj,k為節(jié)點(j,k)在小波包分解后得到的系數，其總能量et為

(5)

多尺度能量參數定義為

(6)

特高頻信號樣本小波包分解的多尺度能量參數如圖7所示。將試驗中獲得的600組樣本數據進行5層小波包分解，提取出16個能量特征，再將參數進行歸一化計算。

4 特高頻信號線性判別分析識別

4.1 線性判別分析方法

LDA的目標是進行數據降維，將高維特征空間投影到低維空間，從而使樣本數據分開。一個n維的X空間向低維的Y空間進行數學轉換時，假設在n維空間中，X={Xi,i=1,2,…,n}為n維訓練樣本集，其中Xi有n個樣本且xi∈Rp，樣本的類間散度矩陣Sw、類內散度矩陣Sb分別為

(7)

(8)

圖7 特高頻信號樣本小波包分解的多尺度能量參數

式中：xim為第i模式類樣本中的第m個樣本。

LDA具有數據降維特性，它是根據某一投影方向上的矩陣w∈Rp，使得Fisher準則最大為

(9)

其中，wk∈Rp(k=1,2,…,r)必須滿足：

Sbwk=λkSwwk

(10)

式中：λk為最大本征值;wk為與λk對應的本征矢量。由于Sb的秩小于或等于z=C-1，因此特征變量空間的維數為r=min(p,z)，并且經LDA降維后的局部放電信號特征的映射結果為相對量，具有無量綱屬性。

Fisher判別標準函數時極其巧妙地將樣本的類間和類內離散性融合在投影適配性上，為選擇最佳投影方向提供了一個非常好的標準。讓目標函數達到最高值的向量被選為投影方向，其物理意義是，投影的樣本具有最大的類間離散性和最小的類間離散性。

4.2 線性判別分析模式識別

為了對局部放電類型進行模式識別處理，將局部放電信號的能量特征參數輸入到模式識別分類器中[22]。選用30組放電信號的特征量為訓練樣本，其余的放電信號的特征量為測試樣本。此外，分類器識別效率Pj為

Pj=yj/yt

(11)

式中：yj與yt分別為第j類局部放電超高頻信號識別正確數目與測試樣本總數目。

圖8為經LDA降維后的PD信號三維特征量，圖中4個顏色分別代表了將4種類型的PD模型。從圖8中可以看出4種PD類型被明顯區(qū)分開，懸浮放電和氣隙放電則是完全分離，且尖刺放電和金屬顆粒放電完全分離。

圖8 經LDA降維后的局放信號三維特征量

圖9為LDA降維后的放電信號的特征量二維映射結果。從圖9中可以看出，4種類型的放電都以各自所屬的類型分在了一起，懸浮放電和氣隙放電則是與尖刺放電和金屬顆粒放電完全分離。

圖9 經LDA降維后的局放信號特征的二維映射結果

為了驗證分類器的正確率，在局部放電信號特征量中隨機選取30組進行10次采樣，然后對其訓練分類，并對特高頻局部放電信號進行模式識別，會得到10個結果，然后取其平均值。試驗最終獲得30組訓練樣本，正確率平均值分別為99.00%、98.67%、99.33%和97.33%，計算4種放電類型的平均正確率為98.58%。針對600組測試樣本正確率平均值分別為94.33%、91.17%、93.67%和91.92%，計算4種放電類型的平均正確率為92.77%?？梢钥闯鲎罱K的30組訓練樣本和600組測試樣本的正確率均達到了90%以上，可以說明線性判別分類器在很大的程度上能夠有效地將4種局部放電模型分開。

5 結束語

基于GIS設備局部放電UHF信號的模式識別方法，設計了4種絕緣缺陷模型模擬GIS設備局部放電現象。利用UHF法對局部放電信號進行采集，再采用小波包分解PD信號，提取其多尺度能量參數特征，并且采用線性判別分析方法對特征值進行模式識別，從而實現了GIS設備局部放電UHF信號的線性判別分析分類器的設計。采用了線性判別分析的方法，對其數據進行數據降維處理，可以有效地將4種放電模型分開。最后，通過算法檢驗出該線性判別分類器的正確率，訓練樣本的正確率達到了98.58%，測試樣本的正確率達到了92.77%，滿足設計要求。