光纖分布式傳感系統在變電站維護中的應用

柏 彬，俞越中，趙會龍，盧 胤，朱 磊，馬文亮

(國網江蘇省電力有限公司建設分公司 項目管理中心，南京 210000)

0 引 言

氣體絕緣開關(Gas Insulated Switchgear，GIS)設備主要由斷路器、隔離開關、接地開關、電壓互感器和電流互感器等變電站中除變壓器以外的設備組成。這些設備和部件全部被封閉在接地的金屬外殼中，其內部充有一定壓力的SF6絕緣氣體，故也可將GIS稱為SF6全封閉組合電器[1]。

在日常運行過程中，由于GIS設備全部被封閉在接地的金屬外殼中，一旦設備或部件發生故障，將難以迅速地找出具體的故障位置[2],只能通過聲音來獲取故障位置，如巨大的響聲和振動[3]。通常利用各種監測聲音和振動的電子儀器進行監測，但其監測效果并不理想。由于GIS設備工作環境處于高壓狀態，且存在嚴重的電磁干擾，故常規監測設備難以實現有效的定位[4]。

光纖分布式聲傳感(Distributed Acoustic Sensing，DAS)系統僅通過在GIS設備封閉金屬殼外纏繞一條光纜即可實現監控管理。當GIS設備發生擊穿故障時，DAS系統會產生劇烈的振動信息,可快速有效定位發生擊穿故障的GIS設備，比常規監測手段更可靠和更便捷[5]。

此外，DAS系統可通過日常監測采集數據，讀取監測數據中GIS設備發生擊穿故障前的異常信息，再利用機器學習算法支持向量機(Support Vector Machines, SVM)實現GIS設備故障的預測，即可實現GIS設備主動、有目的和有針對性的檢修，此方法有利于提高變電站供電的安全性和穩定性[6]。

1 DAS系統介紹

DAS系統主要利用光纖作為傳感介質，通過產生反向相干瑞利散射光信號，精確實現光纖中所受應力變化的感知[7]。DAS系統可看作是一種移動的傳感光纖信號探測器，當某個位置的干涉光由聲音或振動引起變化時，可提取此位置接收到的不同時刻干涉信號，然后對這些接收信息進行解調，即可實現對外界變化物理量的測量。DAS系統可利用散射光的相位來實現所在音頻范圍內聲信號或振動信號的探測，其可利用獲取的相位幅值大小來獲取聲信號或振動事件發生的強度信息，同時還可使用線性定量測量值來獲取聲信號或振動事件的相位和頻率信息。

圖1所示為DAS系統的總體結構圖，DAS系統是通過發出激光脈沖來偵測光纖沿途振動信息的。DAS系統發出激光脈沖，在途經光纖的過程中，不停地被散射，其中有小部分滿足全反射條件的能夠通過光纖反向返回到激光發出位置。這些散射回來的激光信息和沿途光纖的長度是息息相關的。通過分析散射回來的激光信息，就可以得到沿途光纖的長度信息，光纖長度的變化就反映了光纖感受到的振動信號。從而能夠通過DAS系統實現光纖沿途振動信號的偵測。

圖1 DAS系統總體結構圖

圖2所示為激光解調過程，其具體過程如下：

圖2 激光解調過程示意圖

(1)激光發生器(Laser)發射激光；

(2)電光調制器(Electro-Optic Modulator，EOM)控制激光，可以生成相距一定間隔的激光脈沖；

(3)激光脈沖經摻鉺光纖放大器(Erbium-doped Optical Fiber Amplifier，EDFA)放大后，發送到光纖中；

(4)激光脈沖經過環行器(Ciculator)后首先進入外部測量光纖；測量光纖中散射回來的激光(瑞利散射光)再經過此環行器后，進入DAS系統內部解調光路；

(5)進入DAS系統內部解調光路的瑞利散射光，首先經過一分二耦合器(Coupler)分成兩路，其中一路增加延遲光纖(ΔL)從A點出；另一路直接從B點出；

(6)可知，測量光纖長度為L處和散射光到達A點的總路程為2L+ΔL；

(7)同理，測量光纖長度為L+ΔL/2處和散射光到達B點的總路程為2×(L+ΔL/2)=2L+ΔL；

(8)所以，測量光纖長度為L處和L+ΔL/2處的瑞利散射光會分別在A和B點同時到達；

(9)同時到達的兩束激光，分別進入3×3耦合器的兩個輸入端；

(10)再在3×3耦合器的3個輸出端分別監測激光信號強度；

(11)利用3×3耦合器的物理特性和3個輸出端的激光信號強度，解調出其中包含的振動信息；

(12)此處進入3×3耦合器的兩束激光之間的區別為，其中一束比另一束多經過了ΔL/2長度光纖的來回傳輸，從而解調的結果也就反映了這個ΔL/2長度光纖所承載的信息。

本文根據GIS設備日常運行維護監測的需求設計了一種新型的DAS系統，此系統空間分辨率精度為1 m，最遠工作距離達到了40 km，監測的最大通道個數能達到20 000個。同時，為了適應各類GIS設備運行維護的場景需要，設備的工作距離設計為可調的方式，可在2.5、5.0、10.0、20.0和40.0 km這幾個工作距離靈活調節。新設計DAS系統的測量信號頻譜為1～1 250 Hz(工作距離在5 km時)，系統噪聲小于-60 dB。

在常規500 kV變電站GIS設備日常運行維護中，DAS系統的光纜長度設置為5 km，定位精度為1 m，即每1 m的光纜段相當于一個聲音或振動傳感器。該系統將這5 km的光纜纏繞在GIS設備封閉金屬殼外部，等同于在GIS設備封閉金屬殼沿管道均勻地分布5 000個傳感器。DAS系統采用高性能嵌入式系統，能夠同時監測這5 000個通道的聲信號，并把解調的聲音信號實時地傳送到后臺服務器。DAS系統利用5 km長的光纜實現了5 000個通道信號的實時監測，實時監測信號的頻率范圍為1～1 250 Hz(信號采樣率2 500 Hz)；若將光纜長度改為2.5 km，則實時監測信號的頻率范圍為1～2 500 Hz(信號采樣率5 000 Hz)。此設備通過提取封閉金屬殼傳遞到外界的聲音信號特征能夠實現GIS設備的識別功能。

2 機器學習算法SVM介紹

DAS系統在GIS設備日常運行維護中采用SVM技術對采集數據進行智能識別。SVM是機器學習的一種方法，這種方法需要先期對訓練集進行學習，然后才能識別(分類)監測數據。SVM是一類按監督學習方式對數據進行二元分類的廣義線性分類器，其決策邊界是對學習樣本求解的最大邊距超平面[8]。SVM 首次由 Vladimir N Vapnik 和 Alexey Ya Chervonenkis于1963年提出，目前使用的版本是由Corinna Cortes和Vapnik于1993年提出并于1995年發表的。在深度學習出現之前，SVM被認為是近十幾年來機器學習中最成功、表現最好的算法。

圖3所示為SVM劃分二維向量的示意圖。對于如何區分二維平面上兩類不同的實心點和空心點，SVM的方法就是找出一條線，能“最好地”區分這兩類點，同時當后續再次出現新的點時，這條線也將對該點進行很好地分類[9]。這條線可以有無數種畫法，但不同線的分類效果不同，如圖中的綠線(H1)效果很差，藍線(H2)效果一般，紅線(H3)效果則最好。而SVM的目的就是尋找出這條效果最好的線，如圖3中的紅線所示，可將這條線稱為“最大間隔的劃分線”。紅線可以很好地將兩組向量中距離線條最近的2個向量等距支撐分開，而藍線則不是等距支撐；紅線的劃分規則使得其他向量分開的距離更大，識別準確率更高[10]。

圖3 SVM劃分二維向量示意圖

對于三維空間中點的分類，SVM就是要找出一個平面，以“最好地”區分三維向量，如圖4所示。當新的三維向量出現時，此平面也能很好地將其分類。而對于區分更多維度的點(N維向量)，就是要找出一個“超平面”，以“最好地”區分N維向量，以至新的N維向量出現時，這個“超平面”也能實現精確地分類?？梢?，SVM能很好地實現分類，為DAS系統聲信號或振動信號的分類提供了技術支撐。

圖4 SVM劃分三維向量示意圖

3 利用SVM識別聲音信號

利用機器學習算法SVM來識別聲音信號，其工作原理可表述如下：當進行數據處理時，可先將一段語音信號進行快速傅里葉變換(Fast Fourier Transform，FFT)，以形成這段語音的頻譜數據。采樣率為2 500 Hz、長度為1 s的數據(即數據長度為2 500)可通過FFT生成1 250個有效數據，將1 250個數據視為輸入向量用于SVM訓練。若其采樣率為8 000 Hz，那么經FFT處理后的頻譜數據則為4 000個有效數據。通常情況下對聲音信號而言，不論向量長度為1 250還是4 000，其所表示的頻譜信息都足以識別一段聲音信號。

由于未對數據進行特征提取，而直接利用經過FFT后的頻譜數據來識別語音信號，給設備帶來了極大的計算量。為了減少機器學習算法的計算壓力，可以先提取原始的N維向量中的主要頻譜信息，從語音原始頻譜數據中選取能夠體現這段語音信息的主要特征。其中語音信號特征提取的原理是在不損失語音特征的情況下，盡量降低數據維數，從而降低后續數據處理難度，同時保證聲音識別的準確率。因此，可通過尋找特定聲音規律來提取特征，比如，人說話的聲音主要從喉嚨發出，那么就可從此方面來獲取人類的語言規律?，F在最常用的人類語音特征提取方法是梅爾倒譜系數(Mel Frequency Cepstrum Coefficient, MFCC)方法，其特點是將語音頻譜通過實際需求降低維度[11]。

當聲音信號不為人類語言時，其數據降維思路也類似，即通過尋找目標聲音信號特征來實現降維。主要可從以下兩個方向來尋找途徑：(1)聲音的產生機理；(2)未降維情況下，原始聲音頻譜特性的統計、總結和歸納；也可綜合兩個方向同時進行數據處理。如鋼琴的聲音只從琴弦發聲機中發出，則可從其聲音產生機理中找出聲信號的規律。而當一個機器設備在不同狀態下發出的聲音不同時，則可從上述兩個方向綜合去考慮。利用SVM進行聲音識別時，首先需對聲音信號從上述兩個方向出發進行特征提取，獲取更能反映聲信號特征的低維數據。

4 利用DAS系統監測GIS的振動信號

采用DAS系統，將光纜纏繞在GIS封閉金屬殼外部，其中藍色膠帶為粘貼耦合，如圖5所示。

圖5 光纜在GIS金屬外殼布設示意圖

通過場外的監視設備，可將GIS封閉金屬外殼沿途各處的振動信號實時呈現出來，如圖6所示。

圖6 DAS系統實時監視瀑布圖示意圖

圖中視區內所展示的是在10 s內光纖180～1 080 m間的光纜數據。不同顏色代表了不同的[X,Y]位置信號大小，黃色表示信號最強，藍色表示信號最弱。圖中條紋表示從第7 s附近開始，在400 m附近出現了一個異常信號，其持續時間約1 s。因此，可利用此DAS系統，更加直觀、形象和實時地觀察到GIS封閉金屬外殼沿途各處的振動情況，能有效地實現故障位置的監測。

5 利用機器學習算法SVM識別GIS的振動信號

在GIS日常運行維護過程中，通過在GIS封閉金屬外殼沿途纏繞DAS探測光纜，部署DAS系統，可以在GIS發生擊穿故障時，實時和直觀地觀察到發生了設備擊穿故障的位置。此外，還可利用收集的日常監測振動數據，統計、分析和歸納不同設備發生擊穿之前的振動信號以及GIS擊穿當下發生的振動信號。在此基礎上，采用機器學習算法SVM，在線智能識別GIS擊穿位置以及識別各個位置是否存在發生故障的危險信號。利用SVM方法，對圖6中的實時時域信號進行處理，就會呈現如圖7所示的事件分類信號瀑布圖。

圖7 GIS金屬外殼實時振動事件分類信號瀑布圖

如圖所示，不同位置[X,Y]的顏色塊表示事件分類。顏色和事件分類序號之間的對應關系如圖右側所示，紅色表示第1類事件，綠色表示第2類事件，依次類推。圖6對應的異常信號，按照SVM方法，已經將此異常信號劃分為第1類事件(紅色)。

至此，在GIS部署了DAS系統之后，DAS系統能將數據實時傳送至后臺服務器，同時后臺服務器采用機器學習算法SVM，將各個通道對應位置的實時時域數據進行處理后分類為不同的事件，結合位置和設備的對應關系就可以得到GIS中設備和位置關聯的警告信息，然后可依據各個信息警告的緊急程度采取不同的處置策略，如聲光警告、電子郵件通知和手機信息提示等。此方法實現了從被動維修到主動維護的轉變，規避了非預期電力斷供。

6 結束語

本文首先對GIS設備的事故發生和常規監測手段進行了簡單回顧，然后對監控效果更好的DAS系統的工作原理及優勢進行了介紹，最后提出了采用DAS系統和SVM對GIS設備進行聯合監控的方法，并介紹了其工作原理和識別流程。通過多個變電站的實際測試和試驗表明，DAS系統在GIS設備絕緣耐壓測試中能夠直觀地實時監視GIS設備金屬外殼不同位置的振動信號。在絕緣耐壓試驗過程中，一旦發生擊穿，不管是從實時時域信號上，還是采用機器學習算法SVM處理之后的分類事件上，都能夠快速有效地定位到發生故障的設備，極大地方便了現場故障排除和維修處理。在GIS設備日常運行維護中，SVM的訓練集也是在系統正式投入使用前經過一段時間的收集而來。也就是把日常運行維護中出現各種故障時的振動信號數據(樣本數據)收集起來作為訓練集使用。

對于在日常運行維護過程中實現GIS設備故障的預警，由于目前系統中監測到的異常時間數據還不豐富，還需要更長時間、更多的數據積累才能夠使設備更加完善和成熟。隨著DAS系統在GIS設備振動信號監測方面的長期應用，數據的完善以及預警事件案例的增加，使GIS設備從被動維修到主動維護的轉變成為了可能。