基于BP 神經(jīng)網(wǎng)絡與改進DS 證據(jù)融合的GIS 設備局放故障識別*

于 聰 湯凱波 李 哲 劉志鵬 陳 博 劉遠超 方雅琪

(1.國網(wǎng)湖北省電力有限公司超高壓公司 武漢 430050；2.湖北工業(yè)大學新能源及電網(wǎng)裝備安全監(jiān)測湖北省工程研究中心 武漢 430068)

1 引言

隨著氣體絕緣組合電器(Gas insulated switchgear，GIS)在超/特高壓等領域的大量應用，電力設備的復雜程度和設備之間的關聯(lián)性提高，這對GIS 設備的安全性提出了更高的要求。然而，近年“高齡”GIS 設備故障頻發(fā)[1-2]，其中設備絕緣缺陷主要以局部放電(Partial discharge，PD)的形式表現(xiàn)出來[3]，時刻危及輸變電網(wǎng)絡的安全運行，利用人工智能方法對GIS 設備運行數(shù)據(jù)進行深度學習和分析是現(xiàn)階段電網(wǎng)智能運維領域的發(fā)展趨勢，準確掌握設備運行狀態(tài)對保障電網(wǎng)穩(wěn)定運行具有重要意義。

目前，通過聲、電、光等監(jiān)測手段能有效捕捉局部放電產(chǎn)生及發(fā)展過程中引起的物理、化學變化信息[4-6]，不同缺陷類型的局部放電具有不同的放電模式和特征屬性?，F(xiàn)階段對于采集的PD 數(shù)據(jù)分析模式主要包括基于時間分析模式(Time resolved partial discharge，TRPD)和基于相位分析模式(Phase resolved partial discharge，PRPD)。國內(nèi)外學者基于此展開了大量研究工作，文獻[7]將時域的PD 脈沖信號放置在概括神經(jīng)網(wǎng)絡中，利用分區(qū)設置的創(chuàng)新方式提取特征，完成了不同PD 模式的識別。文獻[8]對GIS 內(nèi)的超聲PD 信號采用TRPD 分析方式，提取了時域的五個特征、頻域的三個特征，這些特征很好地描述了各缺陷的PD 特征信息，通過支持向量機(Support vector machine，SVM)分類器測試了提取特征的有效性。文獻[9]對比了PRPD 模式與TRPD 模式下統(tǒng)計特征參數(shù)對不同放電類型的識別效果，證明基于PRPD 模式的特征參數(shù)的PD 模式識別效率更高。PRPD 模式構(gòu)成的幅值-相位、放電次數(shù)-相位的二維圖譜可以用數(shù)字圖像特征提取方式，文獻[10]利用圖譜的矩特征參數(shù)描述放電的灰度圖像，完成了缺陷類型的識別。文獻[11]對不同缺陷的幅值相位二維圖譜進行混沌分析，從而達到缺陷識別的目的。

上述文獻中使用的多為單一的檢測和分析方法，存在信息利用不全、檢測結(jié)果易受傳播介質(zhì)和天線性能影響等問題，從而出現(xiàn)漏報、誤報和識別效率不理想等情況。因此，本文采用脈沖電流法和特高頻法聯(lián)合檢測，通過聯(lián)合檢測手段獲取更加多元化的GIS 內(nèi)部絕緣故障信息。聯(lián)合檢測方法可測定PD 放電量，且具有較強的抗干擾性，有助于提高PD 信息檢測的準確性。

與此同時，豐富的多源PD 信息對GIS 故障診斷方案提出了挑戰(zhàn)。如何有效利用采集的多源信息，從中挖掘與設備狀態(tài)息息相關的數(shù)據(jù)，并且建立有用信息與設備故障缺陷之間的數(shù)學關系，都是GIS設備絕緣監(jiān)測所面臨的問題。因此，本文基于聯(lián)合檢測獲取的PD 局放特征信息，以BP 神經(jīng)網(wǎng)絡為基礎，結(jié)合改進的DS 證據(jù)融合理論，通過數(shù)據(jù)分析方式挖掘多源信息與GIS 內(nèi)絕緣缺陷類型之間的關聯(lián)關系，實現(xiàn)GIS 內(nèi)部典型絕緣缺陷的辨識。最后，本文將該方法用于220 kV真型GIS局部放電缺陷類型的識別，驗證了該方法的有效性和實用性。

2 GIS 局部放電特征數(shù)據(jù)采集

2.1 局部放電試驗平臺搭建

在220 kV 真型GIS 試驗腔體上搭建PD 信息聯(lián)合采集平臺如圖1 所示，采用脈沖電流法和特高頻法采集不同缺陷的局放信號。圖1 中T1 為柱式調(diào)壓器，試驗過程中輸入220 kV 工頻交流電壓；T2為無局放工頻試驗變壓器；Rr為工頻試驗保護電阻，阻值為10 k?；C1為耦合電容，Z為監(jiān)測電阻。本文根據(jù)IEC60270 標準[12]建立了耦合電容C1和檢測阻抗Z串聯(lián)的局部放電檢測回路，通過檢測阻抗Z采集局部脈沖放電信號；C2/C3為工頻分壓器。工頻周期信號由電容C3端通過同軸電纜線傳輸至泰克高性能數(shù)字示波器。本文采用的特高頻(Ultra high frequency，UHF)天線傳感器為超寬帶橢圓單極子天線(工作頻段為300 MHz～3 GHz)，置于有機玻璃法蘭盤的外殼。試驗時腔體中充入0.4 MPa 純凈的SF6氣體。

圖1 PD 信息聯(lián)合采集平臺接線示意圖

2.2 局部放電缺陷類型設置和數(shù)據(jù)采集

本文設計并實現(xiàn)了4 種具有普遍代表性的缺陷如圖2 所示，圖2a～2d 分別是金屬表面污穢缺陷、絕緣子氣隙缺陷、懸浮電極缺陷和金屬突出物缺陷示意圖。采用階梯電壓法模擬PD 的發(fā)展過程[13]，每次加壓約2 kV，每一個電壓等級加壓72 h，且每隔8 h 統(tǒng)計一次脈沖電流信號(對應放電量信息)、特高頻信息和相位信息，并進行圖譜分析。設置的4種缺陷的起始局放電壓分別為15.1 kV、9.4 kV、17.2 kV 和8.6 kV，采集了如表1 所示的從起始局放階段逐漸到放電較為嚴重階段的電壓，每種電壓等級采集TRPD 和PRPD 的數(shù)據(jù)樣本各15 個，建立4種典型絕緣缺陷的TRPD 和PRPD 信號數(shù)據(jù)庫，TRPD 和PRPD 的典型圖譜如圖3 所示，每類絕緣缺陷的每種放電信號為90 組，其中30 組樣本為神經(jīng)網(wǎng)絡的訓練集，另外60 組樣本為神經(jīng)網(wǎng)絡的測試集和DS 證據(jù)融合的評估樣本。

表1 PD 試驗階梯電壓

圖2 四種典型缺陷示意圖

圖3 4 種缺陷的脈沖時域圖和特高頻PRPD 圖譜

3 局放信號模式識別

3.1 BP 神經(jīng)網(wǎng)絡

BP 神經(jīng)網(wǎng)絡是一種常用于數(shù)據(jù)分類和數(shù)據(jù)預測的機器學習模型，能夠通過學習帶正確答案的實例集自動合理地求解[14]。通常，神經(jīng)元主要包括輸入層、隱藏層和輸出層，其原理示意如圖4 所示，每一個神經(jīng)元都有一個激活函數(shù)，用來計算被“刺激”到的神經(jīng)元的個數(shù)，每一層的神經(jīng)元集合都會對輸入?yún)?shù)進行一定的變換并將這些參數(shù)向下一層輸入。若在輸出層沒有得到期望的輸出，則會轉(zhuǎn)入誤差信號反向傳播。在反向傳播過程中，根據(jù)網(wǎng)絡的實際輸出與期望輸出之間的差值(即誤差)對網(wǎng)絡權(quán)值和閾值進行不斷調(diào)整，從而使得BP網(wǎng)絡的實際輸出不斷靠向期望值輸出。數(shù)學表達如下所示。

圖4 典型BP 神經(jīng)網(wǎng)絡原理圖

考慮本文最后用到DS 證據(jù)信息融合，網(wǎng)絡相應函數(shù)采用非對稱Sigmoid 函數(shù)，f對于第p個樣本。

3.1.1 信號正向傳播過程

(1) 網(wǎng)絡隱含層的輸出為

(2) 網(wǎng)絡輸出層的輸出為

(3) 定義誤差函數(shù)。把平方誤差函數(shù)作為網(wǎng)絡的目標函數(shù)，則第p個學習樣本的誤差為

3.1.2 誤差的反向傳播過程

(1) 輸出層的權(quán)值變化。采用BP 算法調(diào)整νjk，使誤差E變小，則有

記

則

從而得到輸出層各神經(jīng)元的權(quán)值調(diào)整為

(2) 隱含層的權(quán)值變化

記

則

從而得到隱含層各神經(jīng)元的權(quán)值調(diào)整為

式中，ωij是第i個輸入層節(jié)點到第j個隱層節(jié)點的權(quán)值，η表示學習速率，Ep為第p個學習樣本的誤差，δpk表示反向傳播經(jīng)過輸出層激活函數(shù)之后的誤差，?netpj是輸出層隱層之間的網(wǎng)絡，是隱含層的輸出，xpi是隱含層的輸入。本文中BP 神經(jīng)網(wǎng)絡經(jīng)過反復測試，訓練次數(shù)設置為1 000 次，學習速率為0.01，訓練目標最小誤差為0.000 1。

3.2 脈沖電流TRPD 信號的神經(jīng)網(wǎng)絡識別

BP 神經(jīng)網(wǎng)絡輸入層節(jié)點將信號傳輸?shù)诫[形層，節(jié)點個數(shù)為TRPP 信號識別的特征量，脈沖電流TRPD 神經(jīng)網(wǎng)絡輸入節(jié)點數(shù)m=13，輸入節(jié)點X1～X14，依次對應TRPD 時域圖譜的最大值、最小值、平均值、峰值、方差、標準差、峭度、偏度、均方根，波形因子，峰值因子、脈沖因子和裕度因子[15]。隱層節(jié)點數(shù)為20，輸出層節(jié)點數(shù)n1=4，y1～y4對應圖2 中4 種典型缺陷的概率。

將試驗采集到的4 類典型缺陷的脈沖電流的TRPD 信號按照上訴方法提取。TRPD 總樣本數(shù)N1=360，從每類缺陷數(shù)據(jù)中取30 組為訓練樣本，其他數(shù)據(jù)作為測試樣本，識別結(jié)果如表2 所示。

表2 脈沖電流TRPD 信號識別結(jié)果

3.3 UHF TRPD 信號的神經(jīng)網(wǎng)絡識別

特高頻的TRPD 信號特征提取除了脈沖電流的特征量外，還將PD 時域信號進行傅里葉變換計算得到其頻域信號，然后采用文獻[15]中的計算方法得到頻率均值、重心頻率、頻率均方根和頻率標準差作為BP 神經(jīng)網(wǎng)絡的輸入量，所以設置特高頻TRPD 神經(jīng)網(wǎng)絡輸入節(jié)點數(shù)m=17，輸入節(jié)點X1～X17，依隱層節(jié)點數(shù)為27，輸出層節(jié)點數(shù)n1=4，y1～y4對應圖3 中4 種典型缺陷的概率。

將試驗采集到的4 類典型缺陷的特高頻TRPD信號按照上訴方法提取。TRPD 總樣本數(shù)N2=360，從每類缺陷數(shù)據(jù)中取30 組為訓練樣本，其他數(shù)據(jù)作為測試樣本，識別結(jié)果如表3 所示。

表3 UHF TRPD 信號識別結(jié)果

3.4 UHF PRPD 信號的神經(jīng)網(wǎng)絡識別

為了能有效采集PD 規(guī)律的PRPD 圖譜，本文以50 個工頻信號作為一個數(shù)據(jù)樣本，通過統(tǒng)計的特征來反映PD 信號分布的差異性，如圖3 中PRPD的φ-u-n三維圖譜，針對采集的PD 信號所提取的PRPD 統(tǒng)計特征參量如下：相位均值μ、偏差σ、偏斜度Sk、陡峭度Ku、互相關系數(shù)cc、相位不對稱度Φ和放電量因素Q。

其中，均值、偏差、偏斜度、都峭度四個參數(shù)的計算方式分別為

式中，xi為樣本數(shù)據(jù)；PD 脈沖幅值是第i個相窗的相位；Δx是相窗寬度，W是半周期內(nèi)的相窗數(shù)。偏斜度Sk表示PD 圖譜相較于正態(tài)分布的偏斜程度；陡峭度Ku表示PD 二維圖譜形狀相較于正態(tài)分布的突起程度。

采用圖3 所示的BP 神經(jīng)網(wǎng)絡算法作為PRPD圖譜的識診斷分類器，輸入層節(jié)點數(shù)為PRPD 信號的7 個特特征參數(shù)，設定的隱形層節(jié)點數(shù)為15，輸出層節(jié)點數(shù)為圖2 的四種缺陷。

將試驗采集到的4 類典型缺陷的UHF 的PRPD信號按照上訴方法提取。PRPD 總樣本數(shù)N3=360，從每類缺陷數(shù)據(jù)中取30 組為訓練樣本，其他數(shù)據(jù)作為測試樣本，識別結(jié)果如表4 所示。

表4 PRPD 信號識別結(jié)果

3.5 仿真結(jié)果分析

現(xiàn)有研究結(jié)果表明TRPD 信號的識別率一般在75%～85%；PRPD 信號識別率一般在 80%～95%[16-17]。根據(jù)表2～4 可知，本文TRPD 和PRPD的識別結(jié)果皆在該范圍內(nèi)，識別效果較為良好。另外，本文得到PRPD 信號的識別率要高于TRPD 信號的識別率，主要原因是TRPD 信號的隨機性更強。對比各類絕緣缺陷的識別效果，其中特高頻PRPD對絕緣子氣隙的識別率較差，而特高頻TRPD 對絕緣子氣隙的識別率最高，達到了91.2%，說明TRPD和PRPD 兩種分析方法具有一定的識別準確率和較強的互補性，并且有必要進一步綜合兩種判別信息，融合一套更有效的故障診斷方法。

4 基于改進DS 證據(jù)理論的故障診斷

4.1 D-S 證據(jù)理論

DS 證據(jù)理論組合規(guī)則[18-21]是由Dempster-Shafer 提出的經(jīng)典決策融合理論，該數(shù)學理論是對不同的決策結(jié)果或不同信源監(jiān)測結(jié)果的綜合推斷，該理論用數(shù)學理論的方式解決實際決策過程中，解決決策者先驗知識不足的問題。對于GIS絕緣故障評估研究中，各種絕緣故障缺陷的診斷結(jié)果進一步?jīng)Q策分析缺乏足夠的理論支撐。因此，在評估模型借鑒該數(shù)學理論方法，補理論研究不足的地方，可以提高診斷模型的可靠性。

DS 證據(jù)理論主要是以上、下限值和合成規(guī)則等幾個理論部分構(gòu)成，上、下限值分別以信任函數(shù)和似然函數(shù)表示。DS 證據(jù)理論本質(zhì)上是根據(jù)原始決策信息的可信度實現(xiàn)狀態(tài)信息的融合，圖5 為證據(jù)理論中關鍵的信任函數(shù)與似然函數(shù)的表示[22-24]。

圖5 信任函數(shù)與似然函數(shù)

本文提出的故障融合決策診斷流程如下所示。

(1) 確定診斷框架：根據(jù)具體診斷的所有可能的結(jié)果合稱為診斷框架以及不確定性，A1～A4分別表示污穢、氣隙、懸浮電極和金屬突出物4 種缺陷。

(2) 定義并構(gòu)建基本概率函數(shù)BPA：單一證據(jù)源下任一命題A的原始概率分布BPA，本文以TRPD和PRPD 神經(jīng)網(wǎng)絡輸出值作為2 個獨立的證據(jù)，將其轉(zhuǎn)換為滿足DS 證據(jù)理論的BPA 形式，將識別框架Θ上的BPA 計算稱為Mass 函數(shù)，函數(shù)滿足

可信度與不同來源的證據(jù)不同而改變，以可靠性系數(shù)α作為證據(jù)的可信程度，系數(shù)值域為[0,1]，α值越大說明證據(jù)越可信。本文以識別率作為證據(jù)的可靠性系數(shù)。因此，基于TRPD 識別的可靠系數(shù)α1=83.25，基于PRPD 識別的可靠性系數(shù)α2=85.62。在識別框架Θ上，本文以2 個證據(jù)(i=1,2)對4 種故障類型及不確定性θ的Mass 函數(shù)為

式中，αi為第i個證據(jù)的可靠系數(shù)；mi(Aj)為第i個證據(jù)對命題Aj的BPA；mi(θ)為第i個證據(jù)不確定性的BPA；Yij為第i個證據(jù)對第j種故障類型的神經(jīng)網(wǎng)絡輸出。可以得到

(3) 證據(jù)融合：采用Dempster 合成規(guī)則計算各證據(jù)共同作用時的BPA，計算公式為

式中，B、C分別為識別框架Θ的兩個子集，K表示兩個證據(jù)源中所有相互支持的m函數(shù)乘積函數(shù)，表示兩個證據(jù)源間的沖突程度，值越小則沖突越小。

(4) 決策診斷：完成以上步驟后，根據(jù)設定的判斷準則進行推理，以便得到復雜系統(tǒng)最終的決策輸出?；緵Q策規(guī)則如下所示。

規(guī)則I：m(Amax1) =max {m(Ai),i?Θ} ，采用常見最大BPA 概率進行決策輸出。

規(guī)則II：m(Amax1) -m(Amax2)>ε1，只有當命題獲得的概率比所有其他命題都要高許多的情況下，才能說明該最大概率對應的命題是正確決策。

規(guī)則III：m(θ)<ε2，即融合證據(jù)后的“不確定”概率不應過大，否則失去了融合提高決策的意義。

在故障類的BPA 足夠突出情況下得到的結(jié)果才能充分表明其可靠性。經(jīng)大量測試ε1=0.44 可達到要求。

(5) 改進DS 證據(jù)融合(證據(jù)相容度)：同樣依照前面的評估框架Θ，兩條證據(jù)的概率分配mi(Ak)、m j(Ak)關于Ak的相容系數(shù)定義為

若相容系數(shù)計算為0，表明兩條證據(jù)不相容，證據(jù)源高度沖突；若兩條證據(jù)大小相等，相容系數(shù)為1，說明兩個證據(jù)源都可信。因此，相容系數(shù)大小范圍在0 與1 之間，兩個證據(jù)源之間的相容系數(shù)越大，代表兩個證據(jù)源判定的結(jié)果越可信。

此外，每個證據(jù)的絕對相容度為

理想情況是希望所有證據(jù)源都相等，相容系數(shù)都為1，對于n條證據(jù)源，理想的相容度為n-1，可信度為

這樣在進行DS 證據(jù)融合前將獲得的基本概率分配函數(shù)乘以可信度Li(Ak)，即可信度作為基本概率賦值的權(quán)重，然后依據(jù)證據(jù)融合規(guī)則進行重新計算。

4.2 實際運用

為了驗證融合后算法的識別能力，將TRPD 特征量和PRPD 特征量合并成21 維的特征向量，構(gòu)建1 個含有21 個輸入層節(jié)點、32 個隱層節(jié)點和4 個輸出節(jié)點的BP 神經(jīng)網(wǎng)絡分類器進行故障診斷，利用BP 神經(jīng)網(wǎng)絡融合改進的DS 證據(jù)理論的GIS 故障診斷流程如圖6 所示。采用隨機抽取的方式，對同一種絕緣缺陷的TRPD 信號和PRPD 圖譜進行隨機組合，根據(jù)前文所述方法，將兩種信號分析模式的識別結(jié)果轉(zhuǎn)化為BPA，融合后的最終決策結(jié)果如表5所示。此外，對BP、BP-DS 與BP 和改進DS 的識別結(jié)果準確率進行了對比，如圖7 所示。從圖7 可以看出，使用單一BP 神經(jīng)網(wǎng)絡的總體識別率約為86.9%，BP-DS 的總體識別率約為90.4%，而本文采用的BP 和改進DS 的總體識別率可達96.7%，明顯優(yōu)于前兩者。

表5 最終決策識別結(jié)果

圖6 GIS 故障診斷流程

圖7 BP、BP-DS 與 BP 和改進DS 的識別結(jié)果對比

根據(jù)最終的識別結(jié)果可知，本文提出的BP 神經(jīng)網(wǎng)絡融合改進的DS 證據(jù)理論決策方法對試驗各類缺陷的總體識別率為96.7%，該方法能更充分地診斷結(jié)果中富含的信息，相比較傳統(tǒng)的故障診斷方法有著更為可靠的結(jié)論，有效提高了其綜合識別能力。采用單一BP 神經(jīng)網(wǎng)絡診斷時，診斷過程中雖然輸入的有效信息較多，但BP 神經(jīng)網(wǎng)絡無法甄別輸入信息對分類問題的冗余性和有效性，并且特征維數(shù)的變大會增加分類器映射的難度，輸出結(jié)果存在競爭關系導致處于相對弱勢的有效信息丟失，致使分類器的準確性下降。而引入改進DS 證據(jù)理論能夠?qū)⒃据斎氲母呔S特征降解為并行的低維特征，有效降低網(wǎng)絡計算時間和難度，提升識別準確性。

5 結(jié)論

本文旨在提高GIS 故障診斷的準確性。為此，研究設計了四種典型的缺陷模型，包括GIS 金屬表面污穢、絕緣子氣隙、懸浮電極和金屬突出物，并在220 kV 真型GIS 上進行了局放試驗。試驗采用脈沖電流法和UHF 法在不同電壓等級下獲取GIS 內(nèi)部局部放電故障數(shù)據(jù)。基于這些數(shù)據(jù)，分別采用TRPD 分析模式和PRPD 分析模式提取特征參數(shù)，并建立了基于BP 神經(jīng)網(wǎng)絡的故障診斷模型。

(1) 研究結(jié)果表明，單獨使用BP 神經(jīng)網(wǎng)絡對4種典型絕緣缺陷的TRPD 信號和PRPD 信號進行識別，總體識別率約為86.9%。為了進一步提高識別準確率，本文引入了改進的DS 證據(jù)理論。在該理論中，將BP 神經(jīng)網(wǎng)絡的輸出值經(jīng)過轉(zhuǎn)換后作為證據(jù)理論識別框架中各命題的BPA。這樣可以確保BPA賦值的客觀性，并解決了BPA構(gòu)造復雜的問題。

(2) 試驗結(jié)果表明，將BP 神經(jīng)網(wǎng)絡和改進的DS 證據(jù)理論融合后，總體的故障識別率可達96.7%以上。這種融合方法在識別效果上表現(xiàn)出色，同時也具備了現(xiàn)場實用性。