基于Gabor變換的GIS設備典型放電缺陷識別

李 杰，汪 鵬，孫景文，孫艷迪，孫承海

（國網山東省電力公司電力科學研究院，山東 濟南 250003）

0 引言

氣體絕緣組合開關設備（Gas Insulated Switchgear，GIS）是電力系統中重要的電氣設備，具有占地面積小、運行可靠性高、配置靈活、維護方便等優點［1］。隨著電網的建設與發展，GIS 變電站的數目不斷增加，其在電力系統中的應用越來越廣泛［2］，GIS的正常運行對整個電力系統的安全和穩定至關重要［3-4］。

絕緣缺陷是導致GIS 故障的重要原因，絕緣缺陷在一定電場下會導致局部放電的發生，引起絕緣的進一步劣化［5-6］，在固體絕緣累積效應的作用下可導致絕緣擊穿［7］。因此，做好對GIS 設備的狀態評估與檢修，及時發現絕緣故障并及時處理，能夠有效預防較為嚴重的故障，對變電站乃至電網的穩定運行具有重要的意義。

由于GIS 的全封閉特性，其故障定位及檢修工作比較困難且繁雜，停電檢修難度大，需投入大量人力物力。局部放電檢測是目前對電力設備絕緣狀態常用的在線監測方式之一，當有局部放電發生時，立刻采取預警與行動可以有效預防嚴重事故的發生，提高電力系統的可靠性［8］。不同類型放電形式下絕緣的劣化機理不同，進而對GIS 絕緣造成不同程度的損傷，其局部放電信號也會呈現出差異，因此對GIS 局部放電進行模式識別是GIS 絕緣狀態評估的重要環節［9-10］。

目前各類機器學習算法被應用到GIS 設備局部放電模式識別范疇，并取得了較好的效果。文獻［11］將GIS 信號的特高頻與超聲局部放電特征量融合后，再使用MKL-RVM 進行模式識別，識別率高于單一的超高頻和超聲波參數的識別率。文獻［12］使用局部放電譜圖的偏斜度、陡峭度、互相關系數等作為GIS局部放電特征參數，利用最小二乘支持向量機識別局部放電類型。文獻［13］將GIS 不同絕緣缺陷的局部放電時域波形圖像通過預處理并轉化為一維數據，使用一維卷積神經網絡實現了對局放缺陷的準確識別。文獻［14］使用最小距離分類器，基于GIS 局部放電灰度圖像的特征能夠實現對4 種不同放電類型的識別。

目前國內外對GIS 特征提取與模式識別已有較多研究，也取得了不錯的效果，但較多都是基于局部放電參量或二維局部放電圖譜進行的特征提取與識別，較少有研究對局部放電三維圖譜進行特征提取。由于三維圖譜包含多個周期的局部放電信號，其偶然性與分散性較小，更能反映放電的典型特征，目前對基于時間序列的局部放電狀態量信息挖掘不充分。

因此，根據GIS 典型缺陷的特高頻局放信號，采用常被應用于圖像處理的領域中的Gabor 變換方法［15］，對局部放電脈沖序列分布（Phase Resolved Pulse Sequence，PRPS）三維圖譜進行Gabor 變化，利用變換系數實現不同方向的有效分解，對分解得到的子圖提取特征量作為模式識別的輸入量。采用不同的機器學習方法，根據Gabor變換后提取的特征量對不同的放電類型進行識別和診斷。

1 局部放電三維PRPS圖譜的獲取

設備的制造、安裝、運輸等過程均有可能會產生氣泡、懸浮導電物質、尖端毛刺等缺陷，這些缺陷在一定電場下會導致局部放電的發生［6］。為在實驗室模擬這些絕緣缺陷，選擇金屬微粒放電、懸浮電位放電、金屬針尖放電3 種典型GIS 內部局部放電缺陷，在實驗室制作了相應的缺陷模型，如圖1 所示，將其放入GIS模擬器中進行局部放電試驗。

圖1 典型局部放電缺陷模型

目前常見的局部放電檢測方法主要有脈沖電流法、特高頻檢測法、超聲波檢測法、化學檢測法、光檢測法等。其中，特高頻檢測法（Ultra High Frequency，UHF）通過局部放電發生時脈沖電流所產生的高頻電磁波來監測局部放電，可以在設備不停電的情況下實現帶電檢測或者在線監測，抗干擾能力較強，可以有效地抑制一些頻率較低的背景噪聲［16］。因此，試驗時選用特高頻法檢測放電信號，進一步對監測得到的信號進行處理從而識別設備存在的缺陷種類。對采集到的局部放電信號可以進一步繪制局部放電脈沖序列分布PRPS 三維圖譜。PRPS 三維圖譜包含多個周期內的局部放電信息［17］，包含很多能夠表征放電類型的特征，對其進行有效提取能夠提高識別準確率。

對每一種典型缺陷采集60 組信號，每一組信號包含50 個工頻周期，對0°～360°相位開窗，將每個周期分為100 個相位窗口。隨后，繪制出典型缺陷模型的幅值-相位-周期三維PRPS 圖譜如圖2 所示，柱狀圖的高度即z軸表示信號幅值，x軸表示相位，y軸表示信號周期數。

圖2 典型放電缺陷的PRPS圖譜

從圖2 中可以明顯看出，對于金屬微粒缺陷，其放電點較為稀疏，整體放電重復率不高，以較大幅值的放電脈沖為主，在相位分布上較為分散；對于懸浮電位缺陷，其整體放電不密集，放電重復率也不高，集中在0°～45°、90°～135°、185°～225°和275°～315°相位區間，在0°～45°與185°～225°相位區間以密集小幅值放電為主，在90°～135°與275°～315°相位區間以稀疏大幅值放電為主；對于金屬針尖缺陷，整體放電重復率較高，正半周期放電幅值大而稀疏，但也有部分稀疏的小幅值放電，負半周期放電十分密集，放電幅值波動不大。

圖2 表明三維PRPS 圖譜在幅值大小、放電次數與相位分布的特性存在一定的差異。為了后續進一步利用機器學習的方法通過放電圖譜對不同放電類型進行識別，需要考慮如何量化圖譜的特征，使其轉化為數字量。

2 二維Gabor變換

Gabor變換是一種短時Fourier變換，相比于傳統的Fourier變換，Gabor小波具有良好的時頻局部化特性且對圖像的邊緣十分敏感，因此常被應用于紋理識別［18-19］。近年來，在人臉識別領域，對圖像灰度進行多尺度、多方向的Gabor小波變換逐漸成為主流思路之一，得到了廣泛的應用［20-21］，這是因為Gabor 小波可以提取圖像特定區域內的多尺度、多方向空間頻率特征，局部關鍵特征被放大、增強［22］。由于不同缺陷的局部放電PRPS 圖譜中的局部關鍵特征也存在顯著差異，因此也采用Gabor變換的方式對圖像進行特征提取。

Gabor 變換的基本原理為：根據Heisenberg 測不準原理，任意測量精度都不能同時在時域和頻域都獲得［23］，其下界是時域窗口可以達到的最小面積，高斯函數即在此極限值。因此選擇高斯函數作為窗函數可以使得Gabor 變換平衡時域和頻域分辨率的矛盾，同時獲得二者的較高值。

設需要進行變換的變量為f(t)，且f∈L2(R)，L2(R)代表實數軸上平方可積的函數空間［24］，則根據Gabor變換的定義，Gabor變換表達式為

二維Gabor 濾波器是應用最廣泛的紋理特征提取工具，目前在人臉識別、虹膜識別［26-27］等方面的應用都取得了不錯的效果。二維Gabor濾波器的公式的復數表達形式為：

式中：x、y分別為圖像中任意點位置的橫縱坐標；λ為波長；θ為波器方向角與y軸的夾角；ψ為相位偏移；σ為高斯包絡沿x 軸與y 軸的標準方差；γ為空間的寬高比。

為了使得所設計的二維Gabor 濾波器對于不同典型缺陷的PRPS 圖譜具有較好的特征提取能力，還需要合理選擇Gabor濾波器的參數，由這些參數限定的濾波器所提取出的能夠表征放電類型的特征才具有較高的可區分度。因此，經過多次嘗試，選擇λ=4，且θ=0°，45°，90°三種方向變換下的Gabor 變換子圖作為后續研究對象，對圖2 中的PRPS 圖譜分別進行二維Gabor 變換，每個PRPS 圖譜進行一種尺度三種方向共3種變換，得到GIS 各缺陷模型下局部放電圖像的分解如圖3所示。

圖3 中各子圖分別為金屬微粒缺陷、懸浮電位缺陷、金屬針尖缺陷的局部放電PRPS 譜圖經Gabor變換后，在θ=0°，45°，90°三種方向變換下分解圖。

觀察圖3 中Gabor 變換后的分解圖，并與圖2 中各缺陷模型的原始局部放電圖像對比，可以發現，經過Gabor 變換后，原始圖像的幅值起伏基本保留，局部細節十分明顯，可以清楚地看到局部放電發生部位的尖刺，因此分解后的子圖更有利于提取有效的特征參量。

圖3 PRPS圖譜經Gabor變換后的分解

選用統計法中的Tamura 紋理特征與灰度-梯度共生矩陣，對PRPS 經Gabor 變換后的分解圖圖像的紋理特征進行描述：首先計算得到粗糙度、對比度、方向性、線性度、規則性和粗略度共6 個Tamura 紋理特征；灰度共生矩陣指圖像中兩個像素出現的聯合頻率分布，再進一步根據此求取15 個對于反映圖像紋理有幫助的統計量：自相關、對比、相關、集群突出、簇遮蔽、差異性、能量、熵、均勻性、最大概率、平方和、總和平均值、總和方差、總和熵和差異方差。形狀特征方面，求取局放圖譜的Hu 不變矩獲取7 個特征量和6 個Zernike 矩特征量。這樣對于每個分解圖提取34 個特征量，如表1 所示，每個局放PRPS 圖譜獲得共計102個特征量。

表1 Gabor變換后對分解圖提取的紋理和形狀特征量

3 基于機器學習的放電類型識別

3.1 放電數據樣本的層次聚類分析

每種缺陷類型的PRPS 圖譜在λ=4 且θ=0°，45°，90°三種方向下可以變換得到3 幅變換子圖，每張子圖可以提取紋理特征及形狀特征共34 個。因此，對于每張原始PRPS 圖譜，其都對應一種典型GIS 放電缺陷，包含102 個Gabor 變換后提取出的特征量，這些特征量構成了模式識別的向量空間。

在根據這些提取的特征量對不同放電缺陷進行識別之前，需要對采用這種方法的可行性進行分析，即應首先明確這些特征量是否能夠區分不同的典型缺陷。因此，基于上述選取的102個特征量，對180個放電數據樣本進行聚類分析。聚類是根據一定的準則將未知樣本集劃分為不同類別的過程，是典型的無監督學習問題。常見的聚類算法有：層次聚類法、K均值聚類算法、自組織映射（Self-Organizing Maps，SOM）聚類算法和模糊C均值聚類算法等。采用使用較廣泛的層次聚類法對放電數據樣本進行聚類分析。層次聚類法是最基本的聚類方法，可分為凝聚法和分裂法，本文采用凝聚層次聚類法。假設樣本矩陣包含m個樣本，凝聚層次聚類法的計算步驟如圖4所示。

圖4 凝聚層次聚類法的計算步驟

將金屬微粒缺陷、懸浮電位缺陷和金屬針尖缺陷的放電樣本分別編號為1～60、61～120 和121～180，按照上述方法對不同缺陷的放電數據樣本進行聚類后，得到的類別劃分如表2 所示，聚類譜系如圖5所示。

表2 不同缺陷放電數據的聚類結果

表2 表明，層次聚類法在放電缺陷與放電數據樣本之間的對應關系未知的情況下，聚類的劃分結果與實際放電缺陷編號一致，這意味著Gabor變換后提取的特征量與不同放電缺陷存在緊密的聯系，能夠很好地表征不同缺陷的放電特征并區分不同缺陷類型。圖5 也清晰地表明，不同放電數據樣本之間的相似度也存在較大差異，這驗證了通過特征量對放電數據樣本進行識別是可行的。

圖5 放電數據樣本的聚類譜系

3.2 典型放電缺陷的識別

聚類的結果證明了通過Gabor 變換后提取的特征量進行識別是可行的，由于聚類屬于機器學習范疇中的無監督學習，其只能對不同的樣本進行區分，無法對其具體類型進行識別，因此需要使用其他方式對放電缺陷進行識別。

選取150 個局放樣本作為訓練集，30 個樣本構成測試集，采用不同的機器學習算法進行局部放電的模式識別。

常見的機器學習分類算法有以下幾種：如K 近鄰（K-Nearest Neighbour，KNN）算法［28］、樸素貝葉斯算法［29］、決策樹算法［30］、支持向量機（Support Vector Machine，SVM）算法［31］、人工神經網絡［32］等。不同的分類算法對于同一數據集的表現效果不一樣，具有各自的優點和缺點，本文對于同一個數據集，采用不同的機器學習算法，對比不同算法的識別效果。

首先對包含150 組樣本的訓練數據集，使用不同機器學習算法進行訓練，同時進行交叉驗證，方式為5-fold cross-validation，其具體方法為：將原始數據分為5 個子集，每次將一個子集作為驗證集，其他4組子集數據作為訓練集，這樣重復進行5 次，得到5個學習模型及每次訓練后的模型對驗證集的識別結果，最終得到每個模型綜合識別準確率。

訓練完成后，對測試集進行測試：根據各種分類模型對于150組樣本的訓練效果，選擇5種較為典型的算法，將測試集中30 個樣本的特征量作為輸入量輸入訓練好的分類模型中，得到輸出量1、2、3 其中的一個數字，分別表征金屬微粒放電、懸浮電位放電和金屬針尖放電，從而實現GIS 局部放電缺陷的識別。整個識別的過程如圖6所示。

圖6 典型缺陷類型識別過程

得到不同算法的識別結果如表3 所示。表3 中的識別結果表明，雖然精細高斯SVM 算法對缺陷的識別率較低，僅有80%，但決策樹、KNN 算法與神經網絡對金屬微粒放電、懸浮電極放電與金屬微粒放電這三種典型GIS 缺陷的整體識別準確率高達100%，核樸素貝葉斯算法的識別準確率也可達93.3%。這表明：使用Gabor 變換對GIS 特高頻局部放電PRPS圖譜進行提取的紋理特征量和形狀特征量能夠較好地刻畫放電三維圖譜特征，且不同的放電缺陷圖譜特性差異性較大，該方法能夠有效識別典型放電缺陷。

表3 不同分類算法的識別結果和準確率 單位：%

4 結語

通過試驗提出了一種GIS 設備放電故障的診斷方法，通過特高頻檢測法獲取了GIS 內不同放電模型的局部放電信號，隨后使用二維Gabor 濾波器，通過Gabor 變換提取了GIS 局部放電三維PRPS 圖譜的紋理和形狀特征量。將提取出的特征量作為機器學習算法的輸入量，對分類模型進行訓練以對不同放電類型進行識別。結果表明：SVM、決策樹、核樸素貝葉斯和KNN 算法與神經網絡對3 種放電類型的識別準確率均較高，利用Gabor變換對圖譜提取出的特征量與放電類型的相關度較高并能體現出不同放電類型之間的差異性。該識別算法可為GIS 放電故障類型診斷提供一定的參考。該方法能夠實現GIS 故障的放電缺陷類型識別，提高電力系統故障診斷的智能化水平。