基于神經(jīng)網(wǎng)絡(luò)開關(guān)柜的局部放電模式識(shí)別研究

張國(guó)帥

（衢州職業(yè)技術(shù)學(xué)院，浙江 衢州 324000）

0 研究背景與意義

開關(guān)柜作為電力設(shè)備的重要組成部分[1]，它是電力系統(tǒng)輸電、配電、電路開合以及調(diào)控的樞紐，也是作為保護(hù)操作人員的最關(guān)鍵的電氣設(shè)備。由于其結(jié)構(gòu)和功能較為復(fù)雜，因此在早期發(fā)生局部放電時(shí)，很難通過定位判斷出是哪個(gè)部件的絕緣出現(xiàn)了損傷。為此，通過分析歸納變電柜可能發(fā)生的放電形式[2]，例如電纜接頭處或針板處易發(fā)生電暈放電特性，互感器和絕緣套管內(nèi)部易發(fā)生氣隙放電，絕緣套管表面和絕緣子表面易發(fā)生沿面放電。對(duì)其局部放電進(jìn)行監(jiān)控，并提取放電指紋，學(xué)習(xí)、分析和判斷具體的放電模式，再配合放電定位手段，就可以更加準(zhǔn)確地發(fā)現(xiàn)絕緣薄弱點(diǎn)，做到及早發(fā)現(xiàn)、及早解決，從而有效地避免電力事故的發(fā)生。

基于神經(jīng)網(wǎng)絡(luò)的開關(guān)柜局部放電識(shí)別技術(shù)是一種在大數(shù)據(jù)支撐下，運(yùn)用智能學(xué)習(xí)技術(shù)，使計(jì)算機(jī)對(duì)數(shù)據(jù)進(jìn)行自主學(xué)習(xí)、分析且自行進(jìn)行判斷的新興技術(shù)。其特點(diǎn)如下：1） 該技術(shù)為動(dòng)態(tài)在線監(jiān)測(cè)技術(shù)，能第一時(shí)間發(fā)現(xiàn)局部放電問題；因此，能為企業(yè)減小定期檢修的人力和財(cái)力負(fù)擔(dān)，逐步淘汰定期檢修模式。2） 操作人員無須手動(dòng)對(duì)放電指紋進(jìn)行分析比較，極大地縮短了診斷開關(guān)柜設(shè)備的時(shí)間。3） 大數(shù)據(jù)的共享性和神經(jīng)網(wǎng)絡(luò)的自主學(xué)習(xí)能力能極大地提升開關(guān)柜放電模式識(shí)別的準(zhǔn)確度[3-4]。該研究方法不僅可用于開關(guān)柜，同時(shí)可應(yīng)用到其他電力設(shè)備的監(jiān)測(cè)中，具有十分廣闊的研究和應(yīng)用前景。

1 局部放電放電指紋采集

由于開關(guān)柜中含有大量電氣設(shè)備，例如電纜、套管、互感器和斷路器等，如果發(fā)生局部放電，不僅很難第一時(shí)間進(jìn)行準(zhǔn)確判斷，也很難判斷是哪個(gè)部位發(fā)生了局部放電現(xiàn)象。該文查詢了大量數(shù)據(jù)，根據(jù)電纜接頭處或針板處易發(fā)生電暈的放電特性，構(gòu)建了針-板放電模型，如圖1（a）所示；根據(jù)互感器和絕緣套管內(nèi)部易發(fā)生氣隙放電的現(xiàn)象，構(gòu)建了板間氣隙放電模型，如圖1（b）所示；根據(jù)絕緣套管表面和絕緣子表面易發(fā)生沿面放電的現(xiàn)象，構(gòu)建了板板夾絕緣介質(zhì)的沿面放電模型，如圖1（c）所示。

圖1 3種局部放電模型

選用DDX-7000數(shù)字式局部放電檢測(cè)儀和示波器，搭建了局部放電測(cè)量系統(tǒng)，如圖2所示。

圖2 局部放電測(cè)量系統(tǒng)

用局放儀將測(cè)量的局放信號(hào)顯示在示波器上，所得放電波形如圖3所示。

圖3 3種局部放電波形

對(duì)放電指紋進(jìn)行分析，提取放電指紋中放電電量、放電時(shí)間以及放電次數(shù)3組參數(shù)作為針板放電、板間放電以及沿面放電3種放電模式的放電特征，用于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)使用。

2 BP神經(jīng)網(wǎng)絡(luò)與RBF神經(jīng)網(wǎng)絡(luò)識(shí)別比較

BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖4所示，其工作原理可概括為不同的信號(hào)（x1，x2，…，xm）通過輸入層及隱含層（b1，b2，…，bm）向輸出層（y1，y2，…，yn）逐層傳遞，其傳遞方式是通過權(quán)函數(shù)進(jìn)行的，當(dāng)由輸入層向隱含層傳遞時(shí)，可以通過調(diào)整權(quán)函數(shù)vih來控制隱函數(shù)的輸入信號(hào)bm[5]，如公式（1）所示。

圖4 BP神經(jīng)網(wǎng)絡(luò)拓?fù)鋱D

式中：bm為隱含層函數(shù)；vih為控制隱函數(shù)bm的權(quán)函數(shù)；xi為輸入函數(shù)。

同理，當(dāng)隱含層bm向輸出層yn傳遞時(shí)，其傳遞方式也是通過權(quán)函數(shù)進(jìn)行的；當(dāng)由輸入層向隱含層傳遞時(shí)，可以通過調(diào)整權(quán)函數(shù)wij來控制隱函數(shù)的輸入信號(hào)bm，如公式（2）所示。

式中：yn為輸出層函數(shù)；wij為控制輸出層函數(shù)yn的權(quán)函數(shù)；bi為隱函數(shù)的輸入信號(hào)。

因此，在BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)和練習(xí)的過程中，當(dāng)輸出值與預(yù)期值相差很大時(shí)，計(jì)算機(jī)會(huì)通過調(diào)整2個(gè)權(quán)函數(shù)來降低誤差。為了使準(zhǔn)確度更高，很多BP神經(jīng)網(wǎng)絡(luò)已經(jīng)突破了2層、3層甚至有的達(dá)到了5層；這樣雖然能提高準(zhǔn)確度，但是也增加了BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜性，在組建神經(jīng)網(wǎng)絡(luò)及調(diào)試時(shí)，需要花費(fèi)大量的時(shí)間。由于BP神經(jīng)網(wǎng)絡(luò)的特性，多層隱函數(shù)的權(quán)函數(shù)是沒有運(yùn)算關(guān)聯(lián)的，因此在學(xué)習(xí)的過程中，BP神經(jīng)網(wǎng)絡(luò)只能通過調(diào)試隱函數(shù)中的權(quán)函數(shù)，以大量試錯(cuò)的方式進(jìn)行學(xué)習(xí)，這就導(dǎo)致在學(xué)習(xí)上面需要花費(fèi)大量的時(shí)間，并且需要大量的數(shù)據(jù)進(jìn)行練習(xí)。

為了增加權(quán)函數(shù)之間的運(yùn)算聯(lián)系，進(jìn)一步提高學(xué)習(xí)效率，減小學(xué)習(xí)周期，該文提出了采用RBF（徑向基）神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)。與BP神經(jīng)網(wǎng)絡(luò)相比，RBF神經(jīng)網(wǎng)絡(luò)只有1個(gè)隱函層，其結(jié)構(gòu)比BP神經(jīng)網(wǎng)絡(luò)簡(jiǎn)單；RBF神經(jīng)網(wǎng)絡(luò)的隱函數(shù)是徑向基函數(shù)（是非線性的），這樣就可以以更快的速度收斂，提高了學(xué)習(xí)效率。其神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖5所示。RBF網(wǎng)絡(luò)將輸入層直接映射到高維的隱含層，可以避免發(fā)生因通過權(quán)函數(shù)進(jìn)行連接而造成的低緯度的非線性數(shù)據(jù)不可分的情況。這樣，通過線性把控可調(diào)參數(shù)，就可以由線性方程組直接解出網(wǎng)絡(luò)的權(quán)，從而大大加快了學(xué)習(xí)速度并避免出現(xiàn)局部極小的問題。

圖5 RBF神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

基于徑向基插值函數(shù)如公式（3）所示。

式中：wp為控制隱函數(shù)的權(quán)函數(shù)，為徑向基函數(shù)；為差向量的模，即二范數(shù)；xp為第p個(gè)神經(jīng)元。

輸入x是個(gè)m維的向量，樣本容量為P，P＞m。可以看到輸入數(shù)據(jù)點(diǎn)Xp是徑向基函數(shù)φp的中心。

式中：dmax為所選數(shù)據(jù)中心之間的最大距離；M為數(shù)據(jù)中心的個(gè)數(shù)；σ為所有神經(jīng)元具有的相同擴(kuò)展常數(shù)。

RBF神經(jīng)網(wǎng)絡(luò)的輸出函數(shù)如公式（6）所示。

3 實(shí)驗(yàn)對(duì)比分析

基于BP神經(jīng)網(wǎng)絡(luò)與RBF神經(jīng)網(wǎng)絡(luò)的理論分析，利用實(shí)驗(yàn)中采集到的130組放電指紋實(shí)驗(yàn)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，為保證學(xué)習(xí)和測(cè)試的準(zhǔn)確性，將130組數(shù)據(jù)分為90組學(xué)習(xí)數(shù)據(jù)和40組測(cè)試數(shù)據(jù)。每組數(shù)據(jù)均以放電電量、放電時(shí)間以及放電次數(shù)為放電指紋關(guān)鍵信息，包括電暈放電、氣隙放電和沿面放電的放電電量、放電時(shí)間以及放電次數(shù)等數(shù)據(jù)。

經(jīng)過對(duì)90組實(shí)驗(yàn)數(shù)據(jù)的學(xué)習(xí)以及對(duì)40組數(shù)據(jù)的驗(yàn)證，為了更加清晰地呈現(xiàn)實(shí)驗(yàn)數(shù)據(jù)，采用MATLAB對(duì)識(shí)別的準(zhǔn)確度進(jìn)行混淆矩陣化分析，實(shí)驗(yàn)結(jié)果如圖6、圖7所示。BP神經(jīng)網(wǎng)絡(luò)與RBF神經(jīng)網(wǎng)絡(luò)準(zhǔn)確率的對(duì)比，見表1。

表1 BP神經(jīng)網(wǎng)絡(luò)與RBF神經(jīng)網(wǎng)絡(luò)準(zhǔn)確率對(duì)比表

從圖6、圖7以及表1中的數(shù)據(jù)可以看出，以放電電量、放電時(shí)間以及放電次數(shù)作為放電指紋特性，在對(duì)電暈放電、氣隙放電以及沿面放電3種放電模式學(xué)習(xí)進(jìn)行對(duì)比后可知，RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)準(zhǔn)確度均高于BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)準(zhǔn)確度，且3種放電模式識(shí)別準(zhǔn)確度都大于92%。

圖6 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)準(zhǔn)確度混淆矩陣

圖7 RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)準(zhǔn)確度混淆矩陣

4 結(jié)語

開關(guān)柜的局部放電模式可以概括為電暈放電、氣隙放電以及沿面放電，對(duì)其放電情況進(jìn)行監(jiān)控，通過神經(jīng)網(wǎng)絡(luò)準(zhǔn)確識(shí)別放電模式，有助于在發(fā)生故障的第一時(shí)間找到故障點(diǎn)并對(duì)其進(jìn)行維修。在經(jīng)過同樣90組數(shù)據(jù)學(xué)習(xí)的情況下，通過BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)對(duì)電暈放電、氣隙放電以及沿面放電3種放電模式的學(xué)習(xí)時(shí)間及準(zhǔn)確率進(jìn)行對(duì)比，RBF神經(jīng)網(wǎng)絡(luò)的效果均優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。因此與BP神經(jīng)網(wǎng)絡(luò)相比，RBF神經(jīng)網(wǎng)絡(luò)更適合作為開關(guān)柜在在線監(jiān)測(cè)模式識(shí)別中使用。