基于SF6分解產(chǎn)物分類規(guī)劃的GIS放電故障分析

肖明偉，何凱琳，楊沛豪

（1.國網(wǎng)安徽省電力有限公司蕪湖供電公司，安徽 蕪湖 241000；2.中國能源建設(shè)集團西北電力試驗研究院有限公司，西安710054；3.西安交通大學(xué)電氣工程學(xué)院，西安 710049；4.西安熱工研究院有限公司，西安 710054）

0 引言

六氟化硫（SF6）有優(yōu)良的絕緣、散熱和滅弧性能，被廣泛應(yīng)用于氣體絕緣開關(guān)（Gas Insulated Switchgear，GIS）中。因制造過程中存在細(xì)微絕緣缺陷，GIS 運行過程中會發(fā)生放電故障，導(dǎo)致SF6分解為硫氟化合物，引起GIS絕緣性能降低，造成設(shè)備損壞，甚至威脅到整個電力系統(tǒng)的安全穩(wěn)定運行[1-3]。SF6本身無毒，但SF6的部分分解產(chǎn)物有毒，會對環(huán)境造成危害[4]。由于GIS 的結(jié)構(gòu)復(fù)雜性和放電故障類型多樣等因素，設(shè)備內(nèi)部缺陷一般難以識別，因此需要一種有效的放電故障預(yù)診斷方法來識別絕緣缺陷[5-7]。SF6分解產(chǎn)物（CF4、CO2、SOF2、SO2F2）能有效反映放電故障的嚴(yán)重程度和絕緣缺陷的類型，許多氣體檢測技術(shù)如氣相色譜法、氣體檢測法、電化學(xué)方法和光譜方法等已應(yīng)用到實際中[8-10]。由于SF6分解產(chǎn)物與放電故障之間關(guān)系復(fù)雜，基于SF6單個分解產(chǎn)物分類規(guī)劃的放電故障分析方法（Decomposition Components Analysis，DCA）難以精確識別引起放電故障的絕緣缺陷類別[11-13]。

機器學(xué)習(xí)算法是以放電故障的嚴(yán)重程度和絕緣缺陷類別為目標(biāo)，在數(shù)據(jù)場中明確不同故障類型的數(shù)值邊界，對GIS 的絕緣缺陷判定及設(shè)備維護具有重要意義[14-16]。文獻[17]使用自適應(yīng)模糊神經(jīng)推理系統(tǒng)，將SF6分解產(chǎn)物按照局部放電（Partial Discharge，PD）范圍的不同進行分類，可以準(zhǔn)確識別放電故障類型，也可表征不同的絕緣缺陷類別。文獻[18]總結(jié)了CF4和CO2體積分?jǐn)?shù)比、SOF2和SO2F2體積分?jǐn)?shù)比、SOF2+SO2F2體積分?jǐn)?shù)和三組特征參數(shù)的物理意義，適用于PD的絕緣故障類型檢測。文獻[19]通過測試SOF2+SO2和SO2F2體積分?jǐn)?shù)比來區(qū)分電暈放電和火花放電，得到電暈放電的體積分?jǐn)?shù)比一般在0～1，火花放電的體積分?jǐn)?shù)比一般在1～5。機器學(xué)習(xí)算法雖然在GIS放電故障識別中可以得到故障數(shù)據(jù)邊界范圍，但大多數(shù)機器學(xué)習(xí)數(shù)據(jù)僅限單一故障實驗結(jié)果，還缺乏基于各種環(huán)境數(shù)據(jù)的識別模型和優(yōu)化算法[20]。實際放電故障中由于多種絕緣缺陷共存，缺乏識別模型，很難得出一個普遍適用于GIS的放電故障綜合識別的方法。

本文以GIS 四種主要絕緣缺陷（顆粒、污染、間隙、突出）所導(dǎo)致的三種故障放電（電暈、火花、電弧）為對象，提出一種基于SF6分解產(chǎn)物分類規(guī)劃的放電故障綜合識別方法，可以快速診斷故障放電的原因和狀態(tài)，實現(xiàn)GIS 放電故障的快速處理。對不同實驗采集的大量放電故障數(shù)據(jù)進行分析，用兩種函數(shù)對數(shù)據(jù)進行預(yù)處理，根據(jù)阿倫尼烏斯（Arrhenius）化學(xué)反應(yīng)模型和數(shù)據(jù)分布特征擬合經(jīng)驗概率函數(shù)，使用不同機器學(xué)習(xí)算法進行比較，得到一個魯棒、可靠的模型來描述SF6分解產(chǎn)物與放電故障之間的關(guān)系。通過k最近鄰模型中SO2F2和SO2體積分?jǐn)?shù)比來確定放電故障的嚴(yán)重程度。提出基于兩種模型的經(jīng)驗概率函數(shù)，識別GIS 多種絕緣缺陷共存狀態(tài)、偏置電暈放電狀態(tài)和表面污染缺陷狀態(tài)。

1 SF6分解過程和產(chǎn)物分析

SF6在PD 時的二次電離率非常小，分解產(chǎn)物主要是通過第一次電離得到，分解過程隨著S-F 化學(xué)鍵的斷裂而發(fā)生，斷裂鍵數(shù)與放電能量成正比。破壞S-F鍵需要大量的能量，SF6的分解產(chǎn)物包括SF2、SF3、SF4和SF5。SF3、SF5易與游離F 原子結(jié)合，極不穩(wěn)定；SF2、SF4的結(jié)構(gòu)相對穩(wěn)定，所以SF6的主要分解產(chǎn)物是SF2、SF4。由于GIS中H2O和O2的存在，SF6分解產(chǎn)物進一步與H2O和O2發(fā)生反應(yīng)，使得分解過程更加復(fù)雜，可產(chǎn)生SOF2、SO2F2和SO2。在GIS氣室中出現(xiàn)的C 原子會與元素F 和O 反應(yīng)生成CF4和CO2。GIS中氣體分解過程如圖1和式（1）所示。

圖1 SF6的分解產(chǎn)物Fig.1 Decomposition product of SF6

與SF2、SF3的簡單反應(yīng)相比，SF4、SF5反應(yīng)生成特征氣體SOF2、SOF4和SO2的過程更復(fù)雜，中間體較多。因特征氣體的來源不同，不同方式的復(fù)雜性也不同，導(dǎo)致SF6的分解過程很難從分解機理上進行識別。

2 機器學(xué)習(xí)數(shù)據(jù)集

GIS的絕緣缺陷主要包括突出、顆粒、污染和間隙，這些絕緣缺陷造成的放電故障可以分為電暈放電、火花放電和電弧放電。本文以某設(shè)備廠家的GIS 故障設(shè)備為分析樣本，采用紅外吸收光譜法和氣相色譜法對GIS設(shè)備中的SF6分解數(shù)據(jù)進行分析，選取故障發(fā)生后24～72 h內(nèi)每12 h記錄的數(shù)據(jù)作為樣本集，共222 個樣本用于訓(xùn)練，24 個樣本用于測試。測試得出的數(shù)據(jù)采用六種機器學(xué)習(xí)算法（神經(jīng)網(wǎng)絡(luò)、支持向量機、線性回歸、k最近鄰、隨機森林和高斯分布）進行放電故障識別。識別出的故障類型以及相應(yīng)的訓(xùn)練數(shù)據(jù)個數(shù)和測試數(shù)據(jù)個數(shù)如表1所示。

表1 故障類型、訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)關(guān)系Tab.1 Relationship among fault types,training data and test data

GIS放電故障嚴(yán)重程度可以根據(jù)設(shè)備內(nèi)部放電故障的能量等級來表示，電暈放電的能量等級較低、火花放電的能量等級中等、電弧放電的能量等級最高。根據(jù)能量等級，將電弧放電標(biāo)記為3，火花放電標(biāo)記為2，電暈放電標(biāo)記為1。在傳統(tǒng)DCA方法的基礎(chǔ)上，本文將SO2F2和SO2體積分?jǐn)?shù)比作為表征放電故障嚴(yán)重程度的有效特征。

3 建立模型

由于沒有考慮多種絕緣缺陷共存的情況，傳統(tǒng)故障識別方法無法提供準(zhǔn)確識別模型，導(dǎo)致兩種放電故障之間始終缺乏一個清晰的邊界，容易造成結(jié)果誤判。為了提高模型的預(yù)測能力，本文采用經(jīng)驗概率函數(shù)為故障數(shù)據(jù)賦予不同權(quán)重，根據(jù)阿倫尼烏斯（Arrhenius）化學(xué)反應(yīng)和數(shù)據(jù)分布特征擬合模型，經(jīng)驗概率函數(shù)可表示為：

式中：φ為SO2F2和SO2體積分?jǐn)?shù)比；f1(φ)、f2(φ)、f3(φ)為不同φ對應(yīng)的權(quán)重。

利用經(jīng)驗概率函數(shù)對三次放電數(shù)據(jù)中的原始標(biāo)記3、2、1進行調(diào)整，電弧放電數(shù)據(jù)對應(yīng)2+f1(φ)，火花放電數(shù)據(jù)對應(yīng)2-f2(φ)，電暈放電數(shù)據(jù)對應(yīng)1+f3(φ)（φ≥0.5）或3-f3(φ)(0≤φ＜0.5)。放電類型與標(biāo)記值之間的對應(yīng)關(guān)系如圖2所示。

圖2 三種放電類型和標(biāo)記值之間的變化曲線Fig.2 The variation curves between three discharge types and marked values

將樣本數(shù)據(jù)分為兩組，利用一組數(shù)據(jù)建立放電故障的識別模型，將數(shù)據(jù)分離，形成測試數(shù)據(jù)集。另一組數(shù)據(jù)進行預(yù)處理后，通過機器學(xué)習(xí)算法得到具有較好識別能力的模型，選擇k 最近鄰算法建立放電故障模型，使用測試數(shù)據(jù)集進行測試。對四個絕緣缺陷進行標(biāo)記，將顆粒缺陷標(biāo)記為Ⅰ，污染缺陷標(biāo)記為Ⅱ，間隙缺陷標(biāo)記為Ⅲ，突出缺陷標(biāo)記為Ⅳ。三個特征參數(shù)CF4和CO2體積分?jǐn)?shù)比（記為φ1），SOF2和SO2F2體積分?jǐn)?shù)比（記為φ2），SOF2+SO2F2和CF4+CO2體積分?jǐn)?shù)比（記為φ3）作為典型特征參數(shù)，用于區(qū)分四種絕緣缺陷。由于GIS內(nèi)部吸附劑對不同SF6分解產(chǎn)物的吸附率不同，使得φ2特征參數(shù)值較為分散，無法區(qū)分過熱故障或絕緣缺陷引起設(shè)備放電，因此本文選取φ1和φ3作為特征參數(shù)來表征絕緣缺陷。為了使GIS絕緣缺陷數(shù)據(jù)在特征參數(shù)φ1和φ3的坐標(biāo)軸上具有可比性，本文采用拉伸函數(shù)擴展不同絕緣缺陷數(shù)據(jù)點之間的陡峭邊界，x和y坐標(biāo)分別用式（5）和式（6）的拉伸函數(shù)表示，將特征參數(shù)數(shù)據(jù)點分布在二維平面上。

式中：VSO2、VSO2F2、VCF4、VCO2為SO2、SO2F2、CF4、CO2的體積。

當(dāng)GIS 發(fā)生過熱故障時，CF4和CO2釋放量低于正常放電故障的釋放量，導(dǎo)致φ3過大，不能準(zhǔn)確表征GIS絕緣缺陷，采用特征參數(shù)lgφ3來代替φ3。為了進一步量化GIS 絕緣缺陷與特征參數(shù)之間的關(guān)系，有效識別絕緣缺陷類型，采用六種機器學(xué)習(xí)算法對數(shù)據(jù)進行樣本訓(xùn)練，用等高線表示訓(xùn)練結(jié)果，用高斯分布描述絕緣缺陷類型。

結(jié)合馬爾科夫鏈與元胞自動機建立CA-Markov模型（見圖2）多情景模擬，開展城市開發(fā)模型推演研究；依據(jù)“兩線合一”規(guī)劃，以1：10 000為統(tǒng)一比例尺，建立矢量化、電子化信息共享平臺，明確城市開發(fā)邊界的地理坐標(biāo)，整合形成“一張圖”管理，提出城市、土地和環(huán)境規(guī)劃數(shù)據(jù)校核技術(shù)標(biāo)準(zhǔn)，研究“兩線合一”劃定標(biāo)準(zhǔn)和技術(shù)指引。

4 實驗驗證

為了分析SF6分解產(chǎn)物及其濃度對GIS 放電故障和絕緣缺陷的識別性能，構(gòu)建模型進行實驗驗證。模型主要基于Python軟件（3.8.7版）進行構(gòu)建，以Anaconda 軟件作為發(fā)行平臺，以Keras 軟件為基礎(chǔ)框架完成構(gòu)建。本文用于訓(xùn)練的SF6分解數(shù)據(jù)來自故障的GIS和IEC TC10數(shù)據(jù)庫。

圖3為SO2和SO2F2的體積分?jǐn)?shù)與放電故障分布關(guān)系。SF6分解數(shù)據(jù)作為訓(xùn)練GIS 放電故障模型的樣本點，每種放電故障的采樣點集中分布在特定區(qū)域內(nèi)。由圖3 中放電故障趨勢線可知，不同放電故障趨勢線斜率不同，電弧放電趨勢線斜率最大，火花放電趨勢線斜率較小，電暈放電趨勢線斜率最小。SO2體積分?jǐn)?shù)在不同放電故障趨勢線附近呈現(xiàn)中心聚集分布，這表明分解產(chǎn)物SO2F2和SO2體積分?jǐn)?shù)比與放電故障類型有很強的關(guān)聯(lián)性，可以利用SO2F2和SO2體積分?jǐn)?shù)比區(qū)分GIS放電故障類型。

圖3 SO2和SO2F2體積分?jǐn)?shù)與放電故障分布關(guān)系Fig.3 Distribution relationship between volume fraction of SO2 and SO2F2 and discharge faults

圖4 給出了預(yù)處理調(diào)整前后采用六種機器學(xué)習(xí)算法模擬得到的GIS放電故障類型與SO2F2和SO2體積分?jǐn)?shù)比關(guān)系，其中，縱坐標(biāo)3.0 代表電弧放電故障，2.0 代表火花放電故障，1.0 代表電暈放電故障。由圖4可知，預(yù)處理調(diào)整前，機器學(xué)習(xí)算法不能很好地模擬放電故障類型，在SO2F2和SO2體積分?jǐn)?shù)比為12～14 時尤為突出，兩種放電故障模擬曲線之間存在明顯邊界，忽略了兩種放電故障共存的情況。隨著放電能量的增加，放電故障將經(jīng)歷五種狀態(tài)，即電暈放電、電暈-火花放電、火花放電、火花-電弧放電和電弧放電，此過程連續(xù)漸進，而分解產(chǎn)物數(shù)據(jù)對應(yīng)的放電故障是離散的，兩者之間的不對應(yīng)導(dǎo)致機器學(xué)習(xí)算法結(jié)果不夠理想。圖4（b）中，對原始數(shù)據(jù)進行不同權(quán)重預(yù)處理后，可以很好地描述放電故障時能量變化，減少邊緣區(qū)域出現(xiàn)樣本點的概率，使圖4（a）中兩種放電類型重疊區(qū)域中不穩(wěn)定的樣本數(shù)據(jù)趨于統(tǒng)一。

圖4 不同機器學(xué)習(xí)算法模擬放電故障類型與SO2和SO2F2體積分?jǐn)?shù)比關(guān)系Fig.4 Relationship between discharge fault types simulated by different machine learning algorithms and volume fraction ratio of SO2F2 and SO2

由圖4可知，k最近鄰算法主要依靠周圍有限的樣本來確定放電故障類型，而不是通過判別樣本的總體類域來確定放電故障類型，具有精度高、對不同距離加權(quán)平均異常值不敏感的特點，對于劃分重疊域較多的樣本集具有較強的轉(zhuǎn)移性，能夠與經(jīng)驗概率模型相吻合。

通過建立合適的曲線模型來匹配數(shù)據(jù)分布和化學(xué)反應(yīng)過程將有助于機器學(xué)習(xí)，同時調(diào)整經(jīng)驗概率函數(shù)可以得到機器再學(xué)習(xí)結(jié)果，有助于GIS 放電故障分類。由于化學(xué)反應(yīng)速率通常滿足Arrhenius模型，可以用式（7）表示溫度T時的化學(xué)反應(yīng)速率。

式中：M 為反應(yīng)物的量；KB為玻爾茲曼常數(shù)；T 為絕對溫度；A0為常數(shù)；t 為反應(yīng)時間；ΔE 為化學(xué)反應(yīng)的活化能。

由式（8）可知，反應(yīng)物消耗或生成物積累與反應(yīng)活化能ΔE呈指數(shù)關(guān)系。

在圖4（a）中，根據(jù)Arrhenius 模型和數(shù)據(jù)特征，選擇SO2F2和SO2體積分?jǐn)?shù)比在4～5 急劇上升時的S形高斯過程作為電暈放電的經(jīng)驗概率函數(shù)f2(φ)。對于火花放電，由歸一化原理推導(dǎo)出經(jīng)驗概率函數(shù)，通過k 最近鄰算法訓(xùn)練，得到放電故障模擬測試結(jié)果。圖5為電暈和火花放電故障模擬測試結(jié)果。

圖5 電暈和火花放電故障模擬測試結(jié)果Fig.5 Simulation test results of corona and spark discharge faults

由圖5 可知，三種類型的放電故障均呈階梯狀能級分布。在火花放電區(qū)，SO2F2和SO2體積分?jǐn)?shù)比為0.4～4.2；在電暈放電區(qū)，SO2F2和SO2體積分?jǐn)?shù)比為＞10；在火花放電和電暈放電之間的偏置電暈放電區(qū)，SO2F2和SO2體積分?jǐn)?shù)比為4.2～10。這表明GIS設(shè)備放電故障是以電暈放電為主，同時存在偏置電暈放電狀態(tài)，SO2F2和SO2體積分?jǐn)?shù)比為＞4.2。

通過測試結(jié)果還可以預(yù)測SF6在不同放電故障下的分解過程。在偏置電暈放電初期，少量的S-F鍵斷裂，與反應(yīng)區(qū)微量氧反應(yīng)生成低氟化物（主要是SO2F2），當(dāng)SO2F2和SO2體積分?jǐn)?shù)比大于4.2臨界點時，放電故障進入高能放電狀態(tài)，大量S-F 鍵斷裂。由于反應(yīng)區(qū)氧的存在，使SO2的體積分?jǐn)?shù)迅速增加，而SO2F2和SO2體積分?jǐn)?shù)比隨著放電能量的增加而降低，這表明SF6在高能放電狀態(tài)下具有非常大的S-F 鍵斷裂能量，在偏置電暈放電狀態(tài)后斷裂速度加快。基于此，可以將4.2 作為高能量放電與低能量放電狀態(tài)之間的臨界點，對于高能量放電故障的預(yù)警具有重要意義。

圖6 為不同特征參數(shù)的GIS 絕緣缺陷類型圖。由圖6可知，GIS絕緣缺陷類型分布具有一定聚集性和連續(xù)性。圖7給出了采用隨機森林分布模型和高斯分布模型，得到的GIS 絕緣缺陷樣本分布圖。由圖7 可知，隨機森林分布模型的平行線邊界在GIS絕緣缺陷判斷中簡單有效，而高斯分布模型具有較好的平滑斜率，且與實際數(shù)據(jù)分布相適應(yīng)。由于高斯分布的高度一致性，當(dāng)數(shù)據(jù)呈現(xiàn)非線性趨勢時，可將高斯分布與貝葉斯（Bayesian）概率算法相結(jié)合，以多維高斯分布的形式給出預(yù)測值的概率和置信區(qū)間。圖8為基于高斯分布的GIS絕緣缺陷測試結(jié)果。四種絕緣缺陷都有聚集區(qū)域，分別標(biāo)記N 為突出缺陷、G為間隙缺陷、M為污染缺陷、P為顆粒缺陷。由圖8 可知，四種絕緣缺陷除了N 和G 區(qū)有一些污染缺陷外，M和P區(qū)的分類是一致的。N和G區(qū)域邊界附近的污染缺陷（y≈0.15）是由其他區(qū)域缺陷的二次效應(yīng)引起的絕緣子表面污染缺陷。在此區(qū)域，φ1值較低，說明S-F鍵斷裂產(chǎn)生的F原子與金屬原子的反應(yīng)較多，從而減少了CF4的含量，導(dǎo)致金屬嚴(yán)重劣化。y值從突出缺陷到間隙缺陷變化幅度較大，考慮到SF6的分解程度相同，y 主要取決于降解的有機絕緣材料中碳原子數(shù)量，因此，表面污染缺陷是由退化程度較低的間隙缺陷或退化程度較高的突出缺陷引起的，說明GIS 存在多個絕緣缺陷。M 區(qū)域的污染缺陷代表絕緣子內(nèi)部的污染缺陷，即使加入φ2特征參數(shù)，絕緣子內(nèi)部污染缺陷的采樣點仍然與其他缺陷重疊，說明了GIS 絕緣缺陷會造成多次放電故障，驗證了使用φ1和φ3兩個參數(shù)，可以有效識別GIS絕緣缺陷類型[21-23]。

圖6 不同特征參數(shù)的GIS絕緣缺陷類型圖Fig.6 GIS insulation defect types with different characteristic parameter

圖7 不同分布模型的絕緣缺陷樣本分布圖Fig.7 Distribution of insulation defect samples with different distribution models

5 結(jié)束語

本文通過機器學(xué)習(xí)算法得到電力系統(tǒng)GIS放電故障和絕緣缺陷識別模型，經(jīng)過預(yù)處理后，可以描述放電故障的嚴(yán)重程度和絕緣缺陷的類型。在k最近鄰算法得到的GIS 放電故障模型中，偏置電暈放電狀態(tài)是電暈放電到火花放電的過渡狀態(tài)，其SO2F2和SO2體積分?jǐn)?shù)比范圍為4.2～10。在體積分?jǐn)?shù)比為4.2時，由于S-F鍵快速斷裂，之后能量快速增加，對高能放電故障預(yù)警具有重要意義。在高斯分布得到的GIS絕緣缺陷模型中，y≈0.15的區(qū)域是多種類放電故障共存區(qū)，需重點關(guān)注。