基于特高頻局放技術(shù)與CG-BP算法的GIS絕緣故障類型識別方法

柯?lián)砬冢艘啾?/p>

(國網(wǎng)福建省電力有限公司莆田供電公司，福建 莆田 351100)

由于封閉式GIS具有較高的集成性，因此，其具有占地面積小和電磁危害小的特點(diǎn)，故被廣泛應(yīng)用于高壓變電場所。然而，受目前生產(chǎn)制造水平、運(yùn)輸手段和安裝技術(shù)制約，以及運(yùn)行環(huán)境中的不可控因素影響，GIS設(shè)備的PD現(xiàn)象時有發(fā)生。因此，通過對GIS設(shè)備絕緣故障類型的診斷，有利于提高電網(wǎng)的穩(wěn)定運(yùn)行能力。

目前，隨著GIS絕緣故障類型檢測技術(shù)的不斷發(fā)展，檢測方法更新較快，但常規(guī)檢測方法主要包括超聲波類、化學(xué)材料類、光學(xué)儀器類、脈沖電流和UHF等。其中，UHF傳感器由于具有良好的靈敏性，以及較強(qiáng)的抗干擾能力而被廣泛運(yùn)用于實(shí)際工程中。文獻(xiàn)[11]通過搭建GIS局放模擬裝置，從實(shí)踐角度對UHF檢測技術(shù)進(jìn)行了驗(yàn)證，驗(yàn)證了UHF技術(shù)在GIS絕緣故障類型識別中的可行性。在文獻(xiàn)[12]中，闡述了UHF局放技術(shù)的原理和實(shí)現(xiàn)過程，最后通過仿真得出了利用UHF定位GIS四種典型故障類型的方法特性。在文獻(xiàn)[13]中，通過對GIS內(nèi)UHF信號產(chǎn)生機(jī)理傳播特性進(jìn)行分析，提出利用UHF信號對GIS絕緣故障類型進(jìn)行識別，并通過實(shí)例驗(yàn)證了其可行性。

智能算法是對由于PD引起的GIS故障類型特征參數(shù)進(jìn)行提取，以及故障類型診斷識別中的重要內(nèi)容。在文獻(xiàn)[14]中，通過對飛魚算法的改進(jìn)，有效地實(shí)現(xiàn)了GIS設(shè)備故障類型識別率的提升。同時，在文獻(xiàn)[15]中，對多分類支持向量機(jī)利用多項(xiàng)概率似然函數(shù)優(yōu)化后，有效改善了多分類支持向量機(jī)算法性能。而[16]通過稀疏分解法分解特征信號，這種方式不僅簡化了運(yùn)算，而且能在一定程度上提高檢測設(shè)備的故障類型識別率。

基于上述研究，針對GIS設(shè)備由于PD現(xiàn)象而引起的絕緣惡化問題，提出一種基于UHF局放技術(shù)與CG-BP算法的GIS故障類型識別方法。該工作的主要貢獻(xiàn)為：1)通過對GIS內(nèi)的PD產(chǎn)生機(jī)理，以及UHF局放技術(shù)的實(shí)現(xiàn)過程進(jìn)行描述，歸納了GIS內(nèi)部4種常見的PD信號的UHF傳播特性，為后續(xù)故障類型識別提供特征庫。2)利用CG算法來優(yōu)化BP算法的初始閾值和權(quán)值，相比隨機(jī)生成初始值，CG算法輸出值能將值搜索至最優(yōu)解范圍，進(jìn)而提高BP算法的學(xué)習(xí)效率和減少訓(xùn)練次數(shù)，從而提高GIS故障類型識別率。3)仿真結(jié)果表明：相比傳統(tǒng)BP算法的GIS智能PD故障類型識別方法，改進(jìn)的CG-BP智能識別算法，訓(xùn)練次數(shù)減少10次，同時，識別準(zhǔn)確率可達(dá)91%，提高了10%。

1 基于UHF法的GIS絕緣缺陷及其特征分析

由于GIS生產(chǎn)、運(yùn)輸安裝和運(yùn)行環(huán)境的不同，其引起PD現(xiàn)象的絕緣缺陷多種多樣，但常見的四種絕緣缺陷類型及對應(yīng)位置，如圖1所示。

圖1 常見絕緣缺陷

1.1 金屬尖端

金屬尖端存在于GIS導(dǎo)體內(nèi)，則稱為高壓導(dǎo)體金屬尖端；若存在于外殼上，則稱為殼體金屬尖端。金屬尖端周邊電場分布極易受尖端影響，使其分布不均勻，嚴(yán)重時，可能出現(xiàn)電暈放電現(xiàn)象，進(jìn)而腐蝕和損壞GIS電力設(shè)備。

金屬尖端的PD信號延續(xù)性較強(qiáng)，且衰減程度弱，因此，信號波長較長。然而，金屬尖端產(chǎn)生的PD信號頻率、密度和穩(wěn)定性較高，幅值集中分布。其UHF信號頻段主要分布在0.4～1.1 GHz之間，并且波形呈現(xiàn)出多波峰狀態(tài)，而相位主要在270°周邊。

1.2 絕緣內(nèi)部氣隙或沿面放電

電纜外絕緣表面由于長期與空氣接觸，容易受空氣中污水、潮濕的影響，外表層絕緣被腐蝕，使其發(fā)生畸變，從而造成絕緣外表面放電，進(jìn)而加速老化。而絕緣內(nèi)部氣隙的形成形式多樣，首先，當(dāng)GIS設(shè)備在生產(chǎn)時夾雜些許微小雜質(zhì)時，極易形成絕緣內(nèi)部氣隙。其次，GIS在運(yùn)輸安裝過程中，若受到物理碰撞，極可能形成內(nèi)部氣泡。再次，運(yùn)行中，由于操作和機(jī)械碰撞，極易產(chǎn)生瑣屑，這也是引發(fā)絕緣子產(chǎn)生內(nèi)部氣隙的主要原因之一。不僅如此，在受熱膨脹和冷卻固化階段，環(huán)氧樹脂和電極的材質(zhì)不同，也是絕緣內(nèi)部氣隙的主要原因之一。

其中，由絕緣內(nèi)部氣隙產(chǎn)生的PD信號，具有放電量大、頻率低、分布規(guī)律、幅值分散和持續(xù)時間短的特點(diǎn)，且衰減較快。其中，UHF信號分為高低頻兩段，分別主要分布在0.4 GHz和0.9 GHz頻段附近。同時，具有明顯的相位特征，集中分布在90°和270°上。

1.3 自由金屬顆粒

自由金屬顆粒缺陷主要是在生產(chǎn)過程中，基于目前廠家的制造水平或材質(zhì)問題，致使GIS腔體或絕緣層之內(nèi)存留部分金屬顆粒，或在操作GIS設(shè)備時，由于機(jī)械摩擦而產(chǎn)生金屬顆粒存留于設(shè)備或絕緣層中。此時，當(dāng)金屬顆粒在運(yùn)行中受到工作電壓的影響，將產(chǎn)生不規(guī)則運(yùn)動和電磁場，進(jìn)而產(chǎn)生PD現(xiàn)象，嚴(yán)重時，可能造成GIS內(nèi)部擊穿。

由自由金屬顆粒產(chǎn)生的PD信號，具有分布不均衡現(xiàn)象，通常是負(fù)方向分布多于正極分布。其UHF信號頻段主要分布在0.4～0.45 GHz附近。相位雜亂且無規(guī)律，分布范圍廣，同時不穩(wěn)定。

1.4 懸浮電位放電

懸浮電位放電缺陷產(chǎn)生的原因是：GIS運(yùn)行時，由于設(shè)備受到物理震動，其內(nèi)部零部件產(chǎn)生松動，進(jìn)而導(dǎo)致零部件接觸不良。加之GIS內(nèi)部含有大量屏蔽電極，當(dāng)內(nèi)部零件接觸不良時，誘發(fā)零件產(chǎn)生懸浮電位放電現(xiàn)象。

由懸浮電位放電產(chǎn)生的PD信號，具有頻率高、穩(wěn)定和幅值較大的特點(diǎn)，但波形不對稱。其UHF信號低頻段主要分布在0.45 GHz附近，而高頻分量主要分布在0.75 GHz附近。

綜上，表1概述了引起GIS發(fā)生PD現(xiàn)象的四種絕緣缺陷特征及其UHF信號的傳播特征。

表1 GIS絕緣缺陷及其特征[17]

2 GIS內(nèi)UHF局放檢測方法

在時域中，GIS產(chǎn)生的PD信號具有幅值上升率大、持續(xù)時間短和頻帶較寬的特點(diǎn)。GIS內(nèi)的電磁波信號會隨著脈沖電流的形成而同步產(chǎn)生，且頻率可高達(dá)數(shù)百兆赫茲，并以PD信號釋放點(diǎn)為中心向四周傳播。GIS的UHF局放檢測傳感器有內(nèi)、外兩種，外置UHF傳感器主要通過檢測透過環(huán)氧材料傳播出來的電磁波，來識別GIS內(nèi)部是否發(fā)生PD或故障類型；而內(nèi)置UHF傳感器安裝在設(shè)備內(nèi)部，可直接通過檢測設(shè)備內(nèi)部電磁波信號，來識別GIS是否發(fā)生PD或故障類型。通過內(nèi)外兩個UHF局放檢測傳感器，大大提高了GIS設(shè)備PD信號的采集精度和可靠性，其中，GIS設(shè)備PD信號的UHF檢測原理如圖2所示。

圖2 UHF的PD檢測原理

圖3為UHF寬頻信號的抑制效果原理圖，該寬頻法抑制原理主要是基于GIS設(shè)備中高頻電磁波的傳播特性，來抑制空氣中的低頻電暈干擾電磁信號和噪聲信號，進(jìn)而提高信號準(zhǔn)確性。

圖3 UHF電磁信號提取示意圖

圖4為UHF局放檢測儀的功能結(jié)構(gòu)示意圖，其由UHF傳感器模塊(電磁波數(shù)據(jù)采集頻段為300～ 1500 MHz)、信號數(shù)據(jù)處理模塊、故障類型診斷模塊和顯示模塊組成。GIS設(shè)備UHF的PD檢測流程如圖5所示。

圖4 UHF的PD檢測儀組成部分

圖5 GIS設(shè)備UHF的PD檢測流程

3 基于CG-BP算法的GIS局放故障類型識別模型

3.1 特征參數(shù)提取

在GIS絕緣故障類型智能識別中，對PD信號特征參數(shù)的提取準(zhǔn)確度直接關(guān)系到故障類型識別效果。而本次實(shí)驗(yàn)將信號方差、信號平均值、信號峰值和脈沖頻率等13個特征參數(shù)作為提取對象，各特征參數(shù)定義及計(jì)算方式詳見文獻(xiàn)[18,13]。

3.2 BP神經(jīng)網(wǎng)絡(luò)識別模型

BP神經(jīng)網(wǎng)絡(luò)信息處理由輸入信號沿著正的方向向輸出端進(jìn)行信息處理的過程，以及由信息處理所得到的結(jié)果與實(shí)際相比較得到誤差，并將誤差反向傳播進(jìn)行信息處理的校正過程兩大部分組成，圖6為信息傳播網(wǎng)絡(luò)結(jié)構(gòu)圖。文獻(xiàn)[18,13]詳細(xì)闡述了實(shí)現(xiàn)過程。

圖6 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

3.3 基于改進(jìn)CG-BP算法的故障類型識別模型

初始閾值和權(quán)值的選擇直接關(guān)系到傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法是否收斂，若選取不當(dāng)，將增大BP算法訓(xùn)練誤差，甚至無法獲得最優(yōu)解。然而，運(yùn)算過程中，隨機(jī)生成初始值，這大大降低了網(wǎng)絡(luò)訓(xùn)練的收斂性和最優(yōu)解的可靠性。而共軛梯度法(Conjugate Gradient,CG)僅需對信息進(jìn)行一階求導(dǎo)，無須高階求導(dǎo)，從而大大簡化了運(yùn)算，進(jìn)而提升了收斂速度。此外，CG算法無須對海森矩陣求逆和存儲，進(jìn)而降低了計(jì)算復(fù)雜度和存儲壓力。CG算法具體計(jì)算步驟如下：

步驟1：初始化。

迭代次數(shù)=0，迭代最大次數(shù)=50，殘差判據(jù)≤10；(0)為初始信號，則迭代次后的解向量、方向向量和殘差向量分別用()、()和()表示。

(0)=0;(0)=0;(0)=0

(1)

步驟2：計(jì)算殘差向量。

()=×(-1)+

(2)

式中，A為權(quán)值，為松弛因子。

判斷()是否小于ε，是則跳至步驟6，否則繼續(xù)往下執(zhí)行步驟3。

步驟3：計(jì)算方向向量。

(3)

步驟4：計(jì)算步長。

(4)

步驟5：更新解向量。

()=(-1)+()×()

(5)

=+1

(6)

判斷是否小于50，是則執(zhí)行步驟6，否則跳回步驟2，繼續(xù)執(zhí)行。

步驟6：結(jié)束程序，并輸出優(yōu)化結(jié)果。

綜上，可得到基于CG-BP神經(jīng)網(wǎng)絡(luò)智能算法的GIS局放故障類型識別模型流程，如圖7所示。

圖7 CG-BP神經(jīng)網(wǎng)絡(luò)流程圖

4 仿真分析

在圖6中，輸入變量為特征參數(shù)，將GIS四種絕緣缺陷類型作為輸出量(仿真中縱坐標(biāo)用4至1分別代表四種絕緣缺陷)，并設(shè)置24層隱含層。CG-BP算法的識別樣本集為經(jīng)過降維后的特征數(shù)據(jù)，其中，四種PD信號各采集50組，一共200組信號數(shù)據(jù)。此時，特征參數(shù)可構(gòu)成一個13×200的矩陣，并將70%的特征參數(shù)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，15%的特征參數(shù)數(shù)據(jù)作為測試數(shù)據(jù)，其余特征參數(shù)數(shù)據(jù)為驗(yàn)證數(shù)據(jù)。Trainlm、Tansig分別為訓(xùn)練函數(shù)和傳遞函數(shù)，最大學(xué)習(xí)次數(shù)和學(xué)習(xí)率取值為100和0.01。利用MATLAB軟件進(jìn)行仿真，可得CG-BP算法和傳統(tǒng)BP算法的訓(xùn)練誤差曲線和訓(xùn)練結(jié)果對比圖形，分別如圖8和圖9所示。表2和表3分別為不同絕緣故障類型識別率。

(a)BP網(wǎng)絡(luò)訓(xùn)練偏差

從圖8和9不難得出，改進(jìn)后的CG-BP算法在GIS絕緣故障類型識別方面，明顯優(yōu)于傳統(tǒng)BP網(wǎng)絡(luò)算法。這主要是因?yàn)锽P網(wǎng)絡(luò)算法依賴于初始值，而改進(jìn)后的CG-BP神經(jīng)網(wǎng)絡(luò)算法，利用CG算法優(yōu)化了BP算法初始值，進(jìn)而削弱了CG-BP網(wǎng)絡(luò)算法對初始值的依賴程度，同時，不僅提升了收斂速度，而且還減少了學(xué)習(xí)和訓(xùn)練次數(shù)。在圖8(a)中，第12次迭代為拐點(diǎn)，在此之前，三條曲線誤差不明顯，在12次迭代之后，誤差值逐漸增大，當(dāng)?shù)降?4次時，性能達(dá)到最優(yōu)，結(jié)束訓(xùn)練。在圖8(b)中，第6次迭代為拐點(diǎn)，在此之前，三條曲線誤差不明顯，在6次迭代之后，誤差值逐漸增大，當(dāng)?shù)降?4次時，性能達(dá)到最優(yōu)，完成分類功能，結(jié)束訓(xùn)練，大大減少了迭代次數(shù)，具有高效性。

(a)BP網(wǎng)絡(luò)訓(xùn)練結(jié)果

同時，由表2和表3可知，相比傳統(tǒng)BP算法81%的GISPD故障類型識別率，本文所提改進(jìn)的CG-BP算法的PD故障類型識別率高達(dá)91%。且每種單獨(dú)的絕緣故障類型識別率均得到了提高，其中，金屬尖端故障類型提升率最高，提高了20個百分點(diǎn)，而絕緣內(nèi)部氣隙故障類型識別率最高，可達(dá)到98%。這有效說明了本文所提基于特高頻局放技術(shù)的GIS故障類型識別方法具備良好的識別能力。

表2 基于BP算法的GIS故障類型識別率

表3 基于CG-BP算法的GIS故障類型識別率

5 結(jié) 論

通過將CG算法與BP神經(jīng)網(wǎng)絡(luò)算法有效結(jié)合，利用各自算法的優(yōu)勢互補(bǔ)特性，進(jìn)而提出了一種改進(jìn)的CG-BP智能算法。改進(jìn)算法主要基于CG算法能有效優(yōu)化傳統(tǒng)BP算法的初始權(quán)值和閾值，避免隨機(jī)生成初始值造成的不收斂或局部優(yōu)化問題，進(jìn)而實(shí)現(xiàn)了減少傳統(tǒng)BP算法訓(xùn)練次數(shù)和提升了學(xué)習(xí)效率，加快了收斂進(jìn)度。相比基于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法的GIS智能PD故障類型識別方法，改進(jìn)的CG-BP智能識別算法準(zhǔn)確率更高，可達(dá)91%，提高了10%。這有效說明了該方法的可靠性。