基于脈沖電流和紫外脈沖的多源局部放電診斷方法

蘇志雄， 孫 康， 丁 浩， 張周勝

（1. 上海電力大學 電氣工程學院，上海 200090；2. 國網鹽城市大豐區供電公司，江蘇 鹽城 224100）

0 引 言

電氣設備在運行過程中會在介質內部出現氣泡、雜質等物質，導致絕緣介質內部或表面出現高場強區域，當場強達到一定程度時會引起局部放電[1-2]。常見的局部放電檢測方法有脈沖電流法、特高頻法、超聲波檢測法和暫態地電壓法等。從原始局部放電信息中提取能夠反映故障本質特征的主要特征量，并借助分類算法進行識別是目前局部放電模式識別研究的熱點[3]。模式識別通過將數據歸一化、高維特征降維處理和建立樣本標簽號，生成局部放電特征數據庫，再由神經網絡、聚類分析和支持向量機等算法進行分類[4-8]。開關柜內部具有多個不同的電氣設備，如斷路器、互感器等，而且開關柜實際運行過程中一般是多柜并排運行，故存在多源放電的情況。

多源局部放電模式識別的相關研究已有報道，文獻[9]采用小波變換對局部放電信號進行高效去噪，提取相位-放電量-放電次數圖譜中相位和幅值的平均特征，通過神經網絡算法實現多源局部放電模式的高效分類，識別準確率在98%以上。多源放電有時會存在部分模式重疊的現象，增大了模式識別的難度，文獻[10]通過KSVM 分類算法和two-step回歸算法基于單源樣本和多源樣本之間的概率關系進行真實建模來識別多源放電模式有一定的效果，算法綜合識別準確率可達到80%。以上文獻能夠獲得較高的識別準確率是在算力充足和運算速度要求不高的前提條件下完成的，不能滿足實地實時檢測的需求。為了滿足實地實時檢測需求，對識別算法的復雜度和運算速度進行分析，使其符合實地實時檢測指標是有必要的。

文獻[11]通過對3 種不同絕緣缺陷的指數型信號模型和局部放電數學模型制造混合局部放電信號，并提出使用一種基于聯合近似對角化（JADE）的盲源分離算法來分離信號，發現該方法具有良好的魯棒性但對極高混合信號的分離性能較差。文獻[12]為解決局部放電源診斷中放電樣本的不平衡問題，并克服傳統多源放電診斷方法對脈沖聚類分離效果的依賴，提出基于輔助分類-邊界平衡生成式對抗網絡（AC-BEGAN）的局部放電數據增強與多源放電識別方法，該方法可以有效擴充和均衡局部放電樣本，分類識別準確率也得到了提高。上述文獻中的多源放電數據都是通過軟件算法融合已有的單源放電數據源得出，缺乏一定的真實性。為了針對真實的多源放電進行模式識別，構建真實合理的多源放電數據庫十分必要。

本研究在開關柜母線艙內搭建多源局部放電平臺，借助脈沖電流法（pulse current method，PCM）和紫外脈沖法（ultraviolet pulse method，UPM）對開關柜進行局部放電聯合檢測，對兩種方法檢測到的局部放電信號特征進行提取融合，通過k-近鄰算法和支持向量機算法對其進行模式識別，分析算法的復雜度、識別準確度和運算時間，以驗證該多源局部放電診斷方法的合理性。

1 多源局部放電實驗設計

1.1 實驗回路和檢測系統設計

多源局部放電實驗平臺主要包括交流電源、保護電阻、多源放電缺陷平臺和檢測系統等（如圖1所示）。其中檢測系統由脈沖電流局部放電檢測系統、紫外測弧系統構成。脈沖電流信號借助開關柜帶電顯示器配套的絕緣子式電容傳感器獲取[13]，紫外測弧信號由日盲型紫外光敏管獲取，紫外光譜范圍為185～260 nm。脈沖電流和紫外測弧信號經同軸電纜傳輸至檢測儀表。實驗選取JZF-10 型脈沖電流校正儀對JFD-2010 型局部放電檢測儀進行離線校正[14]，檢測帶寬為0.1～1 MHz，靈敏度≤5 pC。

圖1 多源局部放電實驗平臺Fig.1 Multi-source partial discharge experiment platform

1.2 多源局部放電平臺搭建

多源局部放電平臺的搭建示意圖如圖2 所示，紫外光敏管放置在中心軸位置，從3 個角度對多源局部放電過程中產生的電弧進行紫外脈沖檢測。多源局部放電平臺放置在開關柜母線艙中，用4 種不同缺陷（如圖3所示）的組合模擬開關柜內部可能發生的缺陷放電，4 種缺陷與平臺平面之間有一定的距離，紫外光敏管在三維空間上進行紫外脈沖測量。以平臺左下角為原點，對4 種缺陷模型和3 個紫外檢測裝置的中心坐標進行標定，單位均為cm。

圖2 多源局部放電平臺示意圖Fig.2 Diagram of multi-source partial discharge platform

圖3 基本缺陷模型示意圖Fig.3 Schematic diagram of basic defect models

采用交流電源對開關柜母線艙進行加壓，根據多缺陷的組合方式將要加壓的缺陷高壓端連接至母線，其余缺陷則進行接地處理，從而在開關柜內部模擬多源局部放電的產生。4 種缺陷均單點接地，接地電阻均為0.9 Ω。

1.3 加壓和采樣方式

進行局部放電實驗時，施加在缺陷模型上的電壓從起始電壓（加壓系統初始電壓）7 kV 開始，最高不超過13 kV。

為了準確反映局部放電規律，減少采樣數據量，當施加電壓達到預定值且穩定30 s后，檢測系統開始對局部放電信號進行信息采集，每隔30 s 采集1 次信息（檢測系統內部多次采集濾波輸出局部放電信息），采樣3 次后求取局部放電特征量的平均值，減少放電波動對局部放電特征量及其變化趨勢的影響。

1.4 多缺陷設計

本研究以氣隙、沿面、懸浮、電暈缺陷為基礎，對氣隙、沿面、懸浮、電暈、氣隙-電暈、沿面-電暈、氣隙-懸浮、沿面-懸浮、氣隙-懸浮-電暈、沿面-懸浮-電暈等不同形式的缺陷組合的局部放電特征變化進行研究。

為了驗證文中多缺陷局部放電平臺設計的合理性，使用紫外光敏管在懸浮-電暈缺陷放電條件下對各缺陷獨立進行放電檢測，各缺陷放電次數隨電壓的變化趨勢如圖4 所示。從圖4 可以看出，電暈缺陷起始檢測電壓為11 kV，懸浮缺陷起始檢測電壓為9 kV，不同缺陷的放電次數隨電壓的變化趨勢也不同，說明本研究設計的多缺陷局部放電平臺合理有效，不同缺陷之間有其獨立的放電特征。

圖4 不同缺陷下放電次數隨電壓的變化Fig.4 Change of discharge number with voltage under different defects

2 局部放電檢測圖譜特征分析

2.1 脈沖電流檢測圖譜

通過JFD-2010 型局部放電檢測儀軟件自帶的數據分析，對脈沖電流法得到的原始數據進行處理，生成單源局部放電和多源局部放電下的三維放電圖譜，為后續放電特征數據庫的建立提供數據來源。為減少開關柜背景噪聲（約50 pC）對放電數據的影響，通過閾值濾波將背景噪聲消除，得到12 kV電壓等級下的單源局部放電和多源局部放電脈沖序列相位分布圖譜（phase resolved pulse sequence，PRPS），如圖5～6所示。

圖5 單源局部放電PRPS圖譜Fig.5 PRPS spectra of single-source partial discharge

從圖5(a)可以看出，氣隙缺陷放電單個周期內的放電次數主要集中在負半周，少數在正半周，具有較強的不對稱性。在110°和280°處均有一個放電尖峰。正負半周期之間放電量的包絡線具有一定的對稱性[15]。從圖5(b)可以看出，沿面缺陷放電單個周期內的放電次數主要集中在30°～100°和220°～300°附近，負半周放電次數略多于正半周放電次數，最大放電尖峰出現在正半周期內，且隨時間變化幅度明顯。從圖5(c)可以看出，懸浮缺陷放電單個周期內在50°和250°附近出現大量高幅值放電點，放電重復率低。從圖5(d)可以看出，電暈缺陷放電集中在負半周期，放電圖譜具有極不對稱性質。4 種基本缺陷的PRPS 圖譜與文獻[16-18]中典型的缺陷圖譜基本一致。

從圖6(a)可以看出，氣隙-電暈缺陷放電圖譜中單獨電暈缺陷放電的極不對稱特性消失，正負半周期內出現了氣隙放電中放電量包絡線對稱的特性。從圖6(b)可以看出，沿面-電暈缺陷放電的圖譜由沿面缺陷放電的不對稱變為對稱，整個放電周期內的放電量也明顯的增加。分析圖6(a)～(b)可知，電暈缺陷引入氣隙或沿面缺陷后，原先的放電相位分布被引入的缺陷所替代。

從圖6(c)可以看出，與氣隙缺陷相比，氣隙-懸浮缺陷的放電特征沒有明顯改變。懸浮缺陷放電有別于尖端毛刺類局部放電，為電容性放電，此時氣隙內的殘余電荷積聚能力要弱于電容充電能力[19]，氣隙放電現象不明顯，因此整體放電重復率仍然較低。

沿面-懸浮缺陷的PRPS 圖譜如圖6(d)所示，此時沿面缺陷放電的殘余電荷積聚能力強于電容充電能力，最大放電量、放電重復率和圖譜對稱性得到了提高。

氣隙-懸浮-電暈缺陷和沿面-懸浮-電暈缺陷的PRPS 圖譜如圖6(e)和圖6(f)所示。從6(e)～(f)可以看出，氣隙-懸浮缺陷和沿面-懸浮缺陷在引入電暈缺陷后，最大放電量沒有發生明顯變化，周期內放電次數卻明顯增加。這是因為電暈放電中的殘余電荷只能在針尖附近空氣內積聚，當積聚到一定程度時就會發生放電。

綜上可知，多源放電中氣隙、沿面缺陷的引入會增大最大放電量，并使放電在相位上對稱分布，電暈缺陷的引入則會增加放電周期內的放電次數。由于氣隙、沿面、電暈缺陷中的殘余電荷積聚能力不同，對放電圖譜特征中最大放電量和放電次數的影響也不同。

2.2 紫外脈沖檢測結果

通過EPD-01 型主機和紫外測弧傳感器以及配套的上位機檢測系統，對各個缺陷模型放電進行脈沖次數采集，獲得單位時間內（每分鐘）各種缺陷模型的紫外放電脈沖數。

實驗中發現紫外測弧系統對單個缺陷模型的放電檢測不敏感，即使加壓至13 kV，系統也只能檢測到十分微弱的放電脈沖；對于組合缺陷模型的放電，系統則可以檢測到一定數量的紫外放電脈沖。這是由于當紫外光敏管距離局放源超過20 cm 時，由于光子衰減，低于13 kV 的單源放電不能被有效檢測[20]，而多源放電時，光敏管對局部放電源的綜合距離減小，放電過程中產生的光子數增加，光子衰減得到改善，較低電壓下紫外光敏管也可以有效檢測到放電電弧的產生。

不同類型缺陷局部放電的脈沖數變化趨勢如圖7 所示。從圖7 可以看出，多源放電模型中，沿面-電暈缺陷和沿面-懸浮缺陷放電的脈沖數最少，沿面-懸浮-電暈缺陷放電的脈沖數最多，隨著電壓等級的提高各缺陷模型放電脈沖數增加。沿面、電暈缺陷的殘余電荷積聚能力與懸浮缺陷的電容充電能力不同，其放電脈沖數隨電壓升高呈非線性變化。紫外測弧系統對含有3個缺陷的多源放電模型局部放電檢測的起始電壓低于含有兩個缺陷的多源放電模型。

圖7 不同類型缺陷放電脈沖數隨電壓的變化Fig.7 Change of discharge pulse numbers with voltage of different type of defects

根據文獻[21]研究結果，紫外光/可見光的放電強度比值從高到低分別是沿面缺陷、電暈（尖端）缺陷、懸浮缺陷。由于電暈缺陷的紫外光/可見光比值大于懸浮缺陷，氣隙-電暈缺陷的放電脈沖數大于氣隙-懸浮缺陷，沿面-電暈缺陷的放電脈沖數大于沿面-懸浮缺陷。

3 多源局部放電數據庫的建立

3.1 歸一化

為了避免多源局部放電中不同缺陷數據值的差異較大，以及數據本身具有波動的影響，提取后需要對數據特征進行歸一化處理。本文歸一化區間為[0,1]，歸一化公式如式（1）所示。

式（1）中：XOldInfo和XNewInfo分別代表原始的和歸一化后的特征值信息量；Xmax和Xmin分別代表原始特征值信息量中各類信息量的最大值和最小值。

3.2 多源局部放電特征提取和分析

本研究根據檢測方法的不同，分別對脈沖電流法和紫外脈沖法所測得的局部放電信號進行特征提取。

對脈沖電流法所測得的局部放電信息進行特征值提取，得到正半周期中心相位φ+、負半周期中心相位φ-、最大放電量Qmax、最大放電次數Nmax和平均放電量Qav共5種放電特征值[22]。

由前文對不同缺陷類型放電脈沖數隨電壓等級變化的趨勢分析可知，不同缺陷間的放電脈沖數、上升速度和波形變化程度是不同的。因此，對紫外脈沖法局部放電信息進行特征值提取，得到脈沖數（PN）、波動程度（FL）、陡峭指標（SI）、脈沖數變化（PNC）、波動指標變化（FLC）和陡峭指標變化（SIC）共6種放電特征值。

歸一化處理后的多源局部放電特征雷達譜圖如圖8 所示。從圖8(a)可以看出，采用脈沖電流法時，4 種基本缺陷具有鮮明的放電特征，分辨度很強；多源局部放電中僅氣隙-電暈缺陷和氣隙-懸浮-電暈缺陷在雷達譜圖中具有較強的放電特征分辨能力。從圖8(b)可以看出，采用紫外脈沖法時，4種基本缺陷的放電特征沒有分辨能力；多源局部放電中除沿面-電暈缺陷和沿面-懸浮缺陷放電在雷達譜圖中形狀相似外，其余多缺陷類別均有明顯的特征分辨能力。

圖8 多源局部放電特征雷達譜圖Fig.8 Radar maps in multi-source partial discharge

將兩種方法提取出的11 種放電特征值融合成11 維的特征向量。在樣本空間內對特征向量進行主成分分析（principal component analysis，PCA），各成分方差占比如圖9 所示。為了降低特征維度、提高數據自我分辨能力和增加算法識別準確率，選取方差占比為99.94%的前8 個特征值組成特征向量，作為輸入數據進行算法模式識別計算。

圖9 主成分分析結果Fig.9 Principal component analysis result

對特征向量降維分析，得到特征向量二維分布如圖10 所示。從圖10 可以看出，特征向量在二維空間內的投影具有簇類聚集現象，聚集成一團或在一條線上。除了氣隙缺陷和沿面-懸浮缺陷、懸浮缺陷和電暈缺陷之間的特征向量在二維空間的投影存在部分重疊區外，其他放電類型的特征向量在二維空間的投影均相互獨立，特征向量在二維空間內具有很好的分辨能力。

但在現實教學中，由于高職高專的學生基礎普遍比較差(即使是軟件技術專業的學生)，對于這樣一門計算機編程基礎語言課程而言，學生反映難度大，不易掌握。

圖10 特征向量的二維分布圖Fig.10 Two dimensional distribution diagram of vectors

在本文實驗場景下，紫外光敏管具有弱單源放電檢測、強多源放電檢測性質，對單、多源局部放電的辨別具有一定的作用。通過脈沖電流和紫外脈沖的特征疊加融合，增強了數據特征的分辨度，數據本身具有良好的簇類聚集能力和高分辨能力。

3.3 多源放電特征數據庫的建立

對不同缺陷放電類型定義樣本標簽，各放電類型樣本數目為100，建立的放電特征數據庫如表1所示。

表1 局部放電特征數據庫Tab.1 Partial discharge feature library

4 基于KNN 和DAG-SVMs 算法的多源局部放電模式識別

4.1 KNN和DAG-SVMs算法的參數設置

使用k-近鄰（k-nearest neighbor，KNN）算法和有向無環圖支持向量機（directed acyclic graph SVMs，DAG-SVMs）算法對多源放電類型進行模式識別[23-24]，對脈沖電流法和紫外脈沖法提取出的特征值融合的有效性和合理性進行驗證。使用Python 2.7編程環境對兩種算法進行運行。

KNN算法訓練集和測試集的比值為7∶3。采用“投票法”作為樣本分類方法，距離度量采用歐式距離，參數k值設置為3。

DAG-SVMs 算法訓練集、驗證集和測試集的比值為6∶1∶3。分類器由45 個分支節點和10 個葉節點組成，完成一次分類需要9 個節點。使用Platt SMO 算法最優化求解，選用徑向基函數作為核函數，核參數值C和σ分別為1和0.1。

4.2 兩種算法結果分析和性能比較

兩種算法的最終運行結果如表2 所示，僅采用脈沖電流法，在單源放電條件下，算法識別準確率均接近100%；在多源放電條件下，KNN 算法和DAG-SVMs 算法的識別準確率分別為91.33%和85.00%。引入紫外脈沖法后，在多源放電條件下，兩種算法的識別準確率為99.67%和99.00%，分別提高了8.34%和14.00%。說明引入紫外脈沖法后，通過特征值融合手段，對多源放電的識別能力得到了提高。

表2 兩種算法準確性比較Tab.2 Comparison of accuracy between two algorithms

在相同硬件平臺和編程環境中，對兩種算法的運算時間進行了定量分析，其中KNN算法不需要進行訓練，測試運行時間為66.16 ms，DAG-SVMs 算法的訓練時間為47 s，測試運行時間為530 ms。

對兩種算法的魯棒性進行測試。將測試的40個樣本的特征值進行修改、刪除處理，然后重新進行算法分類識別。其中，KNN 算法識別錯誤的樣本數為9，DAG-SVMs算法識別錯誤的樣本數為0。說明DAG-SVMs 算法的魯棒性優于KNN 算法，面對實際工作環境中的復雜情況，可以選取魯棒性較高的DAG-SVMs算法進行分類識別。

進一步對算法的時間復雜度和空間復雜度使用大O 記法進行對比分析，令n為訓練樣本數，d為特征數，s為支持向量的個數，b為樣本種類數，k為KNN 算法近鄰個數。算法[10,23-24]的復雜度分析如表3所示。從表3可以看出，訓練時間復雜度從小到大排序分別為KNN 算法、二重邏輯回歸算法、DAGSVMs 算法。預測時間復雜度從小到大排序分別為KNN 算法、DAG-SVMs 算法、二重邏輯回歸算法。運行空間復雜度從小到大排序分別為二重邏輯回歸算法、DAG-SVMs算法、KNN算法。

表3 算法復雜度分析Tab.3 Algorithmic complexity analysis

KNN 算法的時間復雜度低，運算速度較快，但空間復雜度高。通過二叉樹算法進行改進[25]，可以將原有的O(n)復雜度降到O(log(n))，進一步減少算法復雜度。DAG-SVMs 算法的時間復雜度和空間復雜度都居于中間水平，且對本研究中的數據有較好的魯棒性。二重邏輯回歸算法的空間復雜度低但預測時間長。

4.3 算法應用前景

用于檢測紫外脈沖的EPD-01主機（ARM架構）也具有脈沖電流檢測的功能[25]，當解決開關柜電纜走線問題后，通過替換掉原先的帶電顯示器[13,22]，可以根據本文的方法同時提取脈沖電流和紫外脈沖兩種信號特征值，進而通過算法進行模式識別。DAG-SVMs 算法分類器內包含了單源放電類別，因此該算法不僅可以進行多源放電識別，也兼容了單源放電的識別。當樣本數較大且需要快速識別故障類型時，可以考慮僅使用脈沖電流法（即5維特征向量）進行KNN 算法識別，多源放電下算法也有較高的識別準確率。

對算法進行適當修改，可以部署在嵌入式設備（ARM+FPGA 架構）中，將數據樣本或訓練生成的特征向量加載在RAM 中，通過LTU 等計算單元進行計算，輸出相應的識別結果[26-28]，從而極大縮短開關柜局部放電診斷流程。

5 結 論

通過4 種基本缺陷搭建了多源局部放電平臺，結合脈沖電流法和紫外測弧脈沖法，能夠快速準確地對多源放電進行模式識別，為局部放電檢測設備多源放電的在線監測提供一種檢測方法，主要得到以下結論：

（1）脈沖電流法和紫外脈沖法提取得到的局部放電特征，在雷達圖譜中具有不同的分辨程度。脈沖電流法對單源放電的分辨能力強而對多源放電的分辨能力較弱，紫外脈沖法對多源放電有較好的分辨能力而不能有效分辨單源放電，兩者聯合檢測可以優勢互補，大幅提高放電識別能力。

（2）對10 種放電缺陷各采集100 組數據，通過主成分分析得到各個特征值的貢獻度排名和占比，將第一、第二貢獻度的特征在二維平面可視化顯示，從二維平面上可看出降維后的特征在二維平面上有明顯自我聚類特性。

（3）采用KNN 和DAG-SVMs 算法進行分類識別，算法識別準確率分別為99.67%和99.00%，后者的魯棒性優于前者，測試運行時間分別為66.16 ms和530 ms。實際使用中，在數據庫樣本數目較少（幾千個樣本以內）的理想工作環境情況時，為了快速分類可以使用KNN 算法，其余場合宜采用DAGSVMs算法。