基于自適應(yīng)神經(jīng)模糊的GIS缺陷模式識別方法?

唐松平 周 舟 彭 剛 張作剛 彭 杰

（1.廣東電網(wǎng)有限責任公司惠州供電局 惠州 516000）（2.西安交通大學電氣學院 西安 710049）

1 引言

氣體絕緣組合電器（Gas-Insulated metal-enclosed switchgear，GIS）是把電流互感器、隔離開關(guān)電器、避雷器等封閉安裝在一起的電網(wǎng)運行設(shè)備，目前在電力領(lǐng)域中廣泛被應(yīng)用［1～2］。在實際生活中，絕緣缺陷是導(dǎo)致GIS出現(xiàn)故障的主要原因。在每次發(fā)生電力事故之前，局部放電通常會發(fā)生在GIS中，由于GIS局部放電有著多種不同的類型，幾種不同缺陷導(dǎo)致的局部放電狀況往往存在差異，并且難以判斷，因此若能充分識別局部放電的不同類型，就可以判斷出GIS故障狀況［3～5］。這不但減小了GIS的維護成本，而且有利于保持電力系統(tǒng)的安全性和穩(wěn)定性，具有極強的現(xiàn)實意義。

隨著機器學習與模式識別技術(shù)的不斷發(fā)展，許多學者應(yīng)用反向神經(jīng)網(wǎng)絡(luò)至GIS缺陷模式識別領(lǐng)域，通過提取不同的局部放電特征并輸入至反向神經(jīng)網(wǎng)絡(luò)，根據(jù)反向神經(jīng)網(wǎng)絡(luò)輸出的結(jié)果判斷故障類型，取得了一定的效果［6～9］。但由于傳統(tǒng)的反向神經(jīng)網(wǎng)絡(luò)存在訓練周期較長、網(wǎng)絡(luò)的拓撲結(jié)構(gòu)選取困難、難以處理結(jié)構(gòu)化知識等問題，本文提出一種基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)（ANFIS）的GIS局部放電檢測和缺陷模式識別方法，該方法具有較強的自我學習能力，可以充分利用先驗性知識，判別系統(tǒng)的參數(shù)和結(jié)構(gòu)并自動生成和調(diào)整規(guī)則，提高了故障類型診斷的速度和準確率。本文以建立GIS局部放電系統(tǒng)，實際采集不同缺陷下的GIS局部放電數(shù)據(jù)，以此為基礎(chǔ)對提出的診斷方法進行驗證，并與目前應(yīng)用廣泛的BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)模型進行對比，結(jié)果表明上述三種模型中采用ANFIS模型的故障類型診斷方法具有最高的識別率。

2 自適應(yīng)神經(jīng)網(wǎng)絡(luò)模糊推理系統(tǒng)模型介紹

目前，模糊推理系統(tǒng)主要分為有Mamdani型和Sugeno型兩類，ANFIS是基于Sugeno類型的推理系統(tǒng)，系統(tǒng)中的隸屬函數(shù)并非與網(wǎng)絡(luò)及輸入完全無關(guān)的為零階或一階函數(shù)，而是與ANFIS系統(tǒng)的輸入存在密切的聯(lián)系，具有計算消耗資源量少與結(jié)構(gòu)緊密等優(yōu)點，因而系統(tǒng)本身具備一定的自適應(yīng)能力，其綜合性能也相對較高［10～11］。

圖1展示了一個簡單的二輸入單輸出的ANFIS網(wǎng)絡(luò)結(jié)構(gòu)圖，以圖1為例，假設(shè)系統(tǒng)的輸入和輸出分別為x1、x2、系統(tǒng)每層的輸出為O(j,i)（其中j代表不同的層數(shù)，i代表每層中不同的節(jié)點個數(shù)）對該系統(tǒng)中的每一層的功能進行詳細的闡述。

圖1 二輸入單輸出的ANFIS結(jié)構(gòu)圖

第1層:該層的作用主要為對系統(tǒng)的輸入進行模糊化處理，在選取相應(yīng)的隸屬度函數(shù)被后，數(shù)據(jù)信號輸入至節(jié)點中對應(yīng)的隸屬度函數(shù)中，此時各個節(jié)點的輸出情況可按照下式表示:

其中 Ai和Bj是模糊集，μAi(x1)和 μBj(x2)是其相應(yīng)的模糊集所對應(yīng)的隸屬度函數(shù)。

第2層:本層的作用為計算系統(tǒng)內(nèi)本條規(guī)則的激勵強度，將上一層的兩個輸出信號和進行相乘處理作為該層的輸出，具體情況如式（2）所示:

第3層:為歸納上一層得到的激勵強度的統(tǒng)計分布情況，確保ANFIS網(wǎng)絡(luò)分析結(jié)果的標準性和可比性，因此在本層中對上一層得到的激勵強度進行歸一化計算，每一個節(jié)點采用計算本條規(guī)則的激勵強度與全部激勵強度之和的比例作為該層的輸出，具體情況如式（3）所示:

第4層:如圖所示，該層的主要作用為利用前一層得到的歸一化的激勵強度-wi和系統(tǒng)在本層的輸入x1與x2，計算每條規(guī)則下對應(yīng)的輸出。在本文建立的ANFIS模型中，本層所有節(jié)點在計算時均采用線性傳遞函數(shù) fi。其中傳遞函數(shù) fi的階數(shù)決定系統(tǒng)的性質(zhì)，若 fi是一階線性函數(shù)，那么系統(tǒng)的性質(zhì)為一階系統(tǒng)；若其為一個常數(shù)，則系統(tǒng)被確定為零階系統(tǒng)。本層輸出的數(shù)學表示如下所示:

第5層:該層的主要作用為統(tǒng)計第4層中每條規(guī)則下得到的輸出，并計算各輸出的總和作為系統(tǒng)的總體輸出，本層輸出結(jié)果如式（5）所示，該結(jié)果也是ANFI網(wǎng)絡(luò)的最終輸出結(jié)果。在模式識別過程中我們可以利用該結(jié)果對輸入情況進行一定的分類與識別。

3 GIS局部放電實驗及放電特征選擇

3.1 GIS局部放電實驗系統(tǒng)介紹

GIS局部放電放實驗系統(tǒng)如圖2所示，主要包括試驗電源、GIS試品、充放氣系統(tǒng)、實驗數(shù)據(jù)采集系統(tǒng)等幾個部分。

圖2 GIS局部放電實驗系統(tǒng)

下面結(jié)合具體實驗裝置對實驗平臺予以介紹，

1）110kV GIS實驗裝置一套

實驗裝置為約10m總長的110kV等級GIS設(shè)備，如圖3所示，結(jié)構(gòu)單元包括連接到母線筒的L形轉(zhuǎn)角、空腔過渡節(jié)、斷路器、電流互感器、隔離/接地開關(guān)、連接到避雷器的T形轉(zhuǎn)角、連接到高壓套管的過渡節(jié)，除了斷路器長度約2m以外，其他各節(jié)均為1.2m，相鄰單元間用絕緣盆子隔離。放電結(jié)構(gòu)為左側(cè)空腔過渡節(jié)內(nèi)部導(dǎo)電桿上安裝的尖刺模型，模型長度根據(jù)實驗需求調(diào)整。

在GIS檢測的過程中，采用超高頻的方式對局部放電信號進行檢測，采用超高頻的檢測方式具有極高的靈敏程度，且受干擾影響程度低［12～15］。超高頻信號的接收天線包括兩種，分別是內(nèi)置式傳感器和外置式傳感器，內(nèi)置式傳感器安裝在GIS腔壁專門的安裝法蘭上，外置式傳感器安裝在絕緣盆子的表面，整套轉(zhuǎn)置中預(yù)先留有可裝置內(nèi)外置超高頻傳感器的地方共九處，內(nèi)置三處，外置六處，其工作頻帶為300MHz～1500MHz，具體工裝圖如圖4所示。

圖3 GIS實驗裝置

圖4 傳感器工裝圖

2）調(diào)整精度0.5V的可調(diào)變壓器

為確保GIS實驗過程中的可靠與穩(wěn)定的電壓信號，選用調(diào)整精度為0.5V的可調(diào)變壓器接至輸入電源，確保實驗過程的安全性及實驗結(jié)果的可靠性。

3）實驗采集系統(tǒng)

本次GIS局部放電實驗的采集系統(tǒng)主要由安捷倫示波器和局放檢測儀組成。其中超高頻傳感器輸出信號放大后經(jīng)高頻電纜送至安捷倫示波器，便于對局放脈沖進行頻譜特征分析。安捷倫示波器為4G帶寬，采樣頻率為40GS，能夠精準地存儲局部放電信號的數(shù)據(jù)。局放檢測儀主要采用JF-2001干擾判別式脈沖局放檢測儀，該檢測儀的作用為檢測實驗中是否有放電現(xiàn)象的發(fā)生，方便確定記錄數(shù)據(jù)時間。

3.2 GIS局部放電實驗步驟

本GIS實驗系統(tǒng)具體實驗步驟流程圖如圖5所示。首先對GIS進行一定的預(yù)處理，對實驗系統(tǒng)測量回路進行接線。其次測量各缺陷狀態(tài)下的起始放電電壓，緩慢升高測試電壓，當示波器和局方檢測儀檢測到放電脈沖時，緩慢分級加壓進行實驗，并保存每種缺陷不同電壓等級下20組以上的局部放電數(shù)據(jù)。最后關(guān)閉高壓電源，拆除系統(tǒng)接線，回收GIS中的SF6氣體，完成實驗流程。

圖5 GIS實驗流程圖

3.3 GIS局部放電特征選擇

根據(jù)實驗系統(tǒng)采集的GIS局部放電數(shù)據(jù)，通過局部放電相位分析模式（PRPD）對實驗中的局部放電的次數(shù)、幅值和相位進行測量與分析，繪制懸浮電極缺陷、絕緣子污穢缺陷、金屬尖端缺陷和自由金屬微粒缺陷四種典型的GIS缺陷局部放電時的qmax-φ、qave-φ和N-φ三種PRPD譜圖分別如圖6所示。

根據(jù)圖6得到的PRPD譜圖，我們能夠發(fā)現(xiàn)四種不同缺陷下的譜圖具有明顯的差異，因此上述三種譜圖能夠較為充分地區(qū)分GIS不同缺陷。在此基礎(chǔ)上，選取偏斜度Sk、突出度Ku、局部峰個數(shù)Pe和放電不對稱度Q四種統(tǒng)計算子對上述三種PRPD譜圖進行特征提取，并利用主成分分析進行降維處理，處理結(jié)果如圖7所示。由圖可知當主成分數(shù)大于6時，特征值趨于穩(wěn)定，因此選取前6個主成分作為最終的特征輸入。

圖6 （a）～（d）四種典型的GIS局部放電PRPD譜圖

圖7 主成分分析降維結(jié)果

4 基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)模糊推理的缺陷模式識別測試

4.1 GIS故障識別訓練樣本和測試樣本構(gòu)建

模式識別中，訓練樣本用于分類器的構(gòu)建和訓練，而測試樣本是用于測試分類器的識別效果。本文構(gòu)建訓練集和測試集時規(guī)定:“1”代表懸浮電極缺陷放電，“2”代表絕緣子污穢缺陷放電，“3”代表金屬尖端缺陷放電，“4”代表自由金屬微粒缺陷放電，即數(shù)字1、2、3、4為缺陷識別標志。本文共構(gòu)造160個特征樣本，其中每類缺陷有40個樣本，特征值均為上文中提及的主成分分析后得到了六維特征。從每類缺陷的40個樣本中抽取25個作為訓練集，剩余15個作為測試集，因此訓練集中的樣本共有100個，測試集的樣本共有60個。

當分類器訓練結(jié)束后，輸入一個測試樣本，網(wǎng)絡(luò)輸出不同的值代表不同識別結(jié)果，其中網(wǎng)絡(luò)輸出結(jié)果和類型的對應(yīng)關(guān)系如表1所示。

表1 不同輸出結(jié)果對應(yīng)的缺陷類型

4.2 基于ANFIS的GIS缺陷模式識別結(jié)果

建立六維特征的ANFIS網(wǎng)絡(luò)結(jié)構(gòu)，選取識別能力較強的高斯型函數(shù)作為本結(jié)構(gòu)的隸屬度函數(shù)，利用上文建立的訓練集對ANFIS網(wǎng)絡(luò)進行訓練，利用測試集對訓練完成的ANFIS網(wǎng)絡(luò)進行故障類型診斷能力測試，得到的結(jié)果如圖8所示。由圖可知，ANFIS網(wǎng)絡(luò)對GIS故障診斷效果較為良好，基本實現(xiàn)了對各個測試樣本的正確識別。

利用同樣的訓練集和測試集對BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)進行訓練和測試，得到測試集中60個樣本的故障類型識別結(jié)果如圖9和圖10所示。

圖8 利用ANFIS網(wǎng)絡(luò)對GIS故障識別的結(jié)果

圖9 BP神經(jīng)網(wǎng)絡(luò)識別結(jié)果圖

圖10 RBF神經(jīng)網(wǎng)絡(luò)識別結(jié)果圖

表2展示了利用上述三種方法對GIS的四種典型缺陷局部放電進行了故障識別的結(jié)果，其中表中2～5列為對單個缺陷的識別正確率，第6列為四種缺陷總的識別率，即60個未知樣本識別正確率。

通過表2可知，利用模糊神經(jīng)網(wǎng)絡(luò)的識別正確率最高，然后BP神經(jīng)網(wǎng)絡(luò)的識別正確率居中，RBF神經(jīng)網(wǎng)絡(luò)的識別正確率最差，進一步分析識別結(jié)果圖，可以看到當識別值在正確的范圍內(nèi)時，模糊神經(jīng)網(wǎng)絡(luò)的識別值更加接近真實值，這樣使得識別相對的正確率更高，識別出錯的幾率減小。

同時在識別過程中發(fā)現(xiàn)，當利用ANFIS進行模式識別時，所需的訓練次數(shù)很少，在很少的訓練次數(shù)后誤差值基本穩(wěn)定，故用此方法時不需要較多次數(shù)的訓練，而在圖中看到訓練3000步后才基本達到訓練要求，這一對比說明利用模糊神經(jīng)網(wǎng)絡(luò)方法所需訓練的時間與其他方法相比較，其用時大為縮短。

表2 識別結(jié)果統(tǒng)計表

5 結(jié)語

本文對不同缺陷GIS放電的放電特點和故障識別進行了研究，最終提出基于模糊神經(jīng)網(wǎng)絡(luò)的GIS局部放電的故障識別方法。該方法以GIS局部放電PRPD譜圖為基礎(chǔ)，具有較強的自我學習能力，可以充分利用先驗性的知識自動調(diào)整網(wǎng)絡(luò)的結(jié)構(gòu)和規(guī)則，在GIS局部放電故障識別中獲得了非常好的識別效果。利用GIS局部放電實驗系統(tǒng)采集到的局放數(shù)據(jù)進行故障識別實驗，本方法的識別結(jié)果優(yōu)于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)識別結(jié)果，不但訓練時間相對較短，而且正確率達到了88.3%，比其他方法高出多個百分點，識別結(jié)果更為可靠。因此本方法對GIS局部放電故障診斷問題具有較強的現(xiàn)實意義，為GIS局部放電故障識別提供了一定的參考，使得局部放電故障診斷更為有效。