何金武，徐 源

(四川省電力公司綿陽電業(yè)局，四川 綿陽 621000)

徐源(1973- )，男(漢族)，四川達州人，工程師，學士，研究方向：高電壓技術運用。

電力變壓器局部放電UHF診斷系統(tǒng)

何金武，徐 源

(四川省電力公司綿陽電業(yè)局，四川 綿陽 621000)

針對變壓器內部常見絕緣缺陷，設計了尖刺、懸浮微粒、沿面、固體氣隙等4種缺陷模型，利用超高頻法獲取了放電譜圖。通過統(tǒng)計理論計算了PD超高頻信號三維譜圖的統(tǒng)計特征，以BP神經網絡作為分類器，對所獲得的PD信號進行了識別，取得了良好的效果，為開發(fā)變壓器局部放電在線或離線分析系統(tǒng)奠定計算基礎。

局部放電；超高頻；絕緣缺陷判別；特征提取；神經網絡

局部放電(partial discharge,PD)是引起電力變壓器絕緣劣化和突發(fā)性故障的重要因素，PD檢測對電力變壓器設備自身及電力系統(tǒng)的運行安全至關重要。在變壓器局部放電的諸多檢測手段中，超高頻法因其檢測頻段高，可以有效地避開電暈、開關操作等多種電氣干擾，且安全性好等優(yōu)點，在國內外得到了廣泛應用。

基于時間(Time Resolved Partial Discharge，TRPD)和基于相位(Phase Resolved Partial Discharge，PRPD)的分析模式，是目前應用于PD分析的主要方法，前者主要考察單次脈沖信號的幅值和信號能量隨時間和頻率的變化關系，但由于PD自身具有很強的隨機性，給TRPD模式的應用帶來了很大的局限。目前，工程中主要用其來檢測設備中是否存在局部放電[1]；而后者主要基于局部放電的極性差異，通過觀察放電次數和放電幅值隨著工頻相位的分布差異來分析相應的絕緣缺陷。2種信號分析模式都能為診斷PD提供非常有效的信息，而后者對PD故障診斷更具實用意義。

圖1 試驗及檢測回路示意圖

研究表明：變壓器內部不同的缺陷類型，對變壓器的危害程度不一，通過對變壓器內部絕緣缺陷的判別，能為評估其絕緣狀態(tài)提供重要信息[2-4]。但由于現場測試人員對電力變壓器內各種絕緣缺陷的PD現象特征了解不夠，難以對檢測出來的PD信號做進一步分析。同時，現場運行的變壓器中UHF信號的傳輸與檢測亦對判別過程有著很大影響[5-7]，因此對各種典型缺陷的PD特征分析以獲取對判別分類器貢獻大且穩(wěn)定性好的特征，在變壓器PD判別過程中突顯重要。本文通過試驗設置4種典型的絕緣缺陷，分析了相應缺陷下PD的譜圖特征，并根據這些特征差異，提出了一系列對應的特征提取方法，最終通過BPNN建立了智能化的PD判別系統(tǒng)，為研發(fā)變壓器內部PD在線或離線分析系統(tǒng)作算法和仿真計算方面的基礎準備。

1 試驗設置

試驗接線原理圖如圖1所示。其中：T1為感應調壓器，輸入電壓0～380 V，額定容量1 000 VA；T2為試驗變壓器；C1/C2為電容分壓器；R為保護電阻，50 kΩ；A為超高頻傳感器，天線帶寬為300 MHz～3 GHz；采用高速數字存儲示波器采集數據，其模擬帶寬為1 GHz，單通道采樣頻率為20 GHz。

為了獲得變壓器絕緣缺陷局部放電信號，設計了4種典型的變壓器絕緣缺陷模型：懸浮微粒、沿面、固體絕緣內部氣隙、尖刺放電，各缺陷的設計參數及所采集的UHF信號分別如圖2、圖3所示。

2 試驗過程與結果

(a)懸浮微粒放電(b)沿面放電(c)內部氣隙放電(d)油中尖刺放電

圖2變壓器典型絕緣缺陷模型

(a)懸浮微粒TRPD信號(b)沿面放電TRPD信號(c)內部氣隙放電TRPD信號(d)尖刺放電TRPD信號

圖3典型缺陷下UHF PD信號

試驗中，首先檢測未放置任何缺陷下，試驗裝置的起始放電電壓，保證整個試驗過程中試品上所加電壓低于此值；其次通過逐步升壓法[5]采集起始放電階段、放電穩(wěn)定階段、臨近擊穿或閃絡階段的局部放電信號。以50個工頻周期(1 s)為一個數據樣本，示波器的采樣率為50 MS/s，并對采集的數據進行了2778∶1的重采樣，即每20 ms采集360個數據點。選取典型的三維譜圖如圖4所示。

(a)懸浮微粒放電PD圖譜(b)沿面放電PD圖譜(c)固體氣隙放電PD圖譜(d)尖刺放電PD圖譜

圖4 4種典型絕緣缺陷下PD譜圖

圖中：pk表示峰值，“+”、“-”分別表示工頻相位的正負半周，由圖2中各種典型缺陷下獲得的圖譜知：

1) 懸浮微粒放電：整個工頻周期內，放電次數和幅值分布具有很強的分散性和隨機性，放電無明顯的極性效應。隨電壓升高放電信號幅值增大、放電次數增多，而譜圖形狀基本不變。

2) 沿面放電：正負半周的信號幅值相差不大，正負半周的放電都出現在電壓峰值附近，隨著電壓的升高，放電次數增多，信號幅值變化不明顯。

3)固體絕緣內部氣隙放電：正負半周的放電幾乎同時產生，放電比較穩(wěn)定，譜圖形狀也比較相似。隨電壓的升高放電增強，脈沖幅值相應增大，但其分布輪廓幾乎不變。

4)尖刺放電：放電首先出現在工頻負半周峰值附近，正半周無放電；隨著電壓的升高，正半周開始出現少而幅值大的放電；再次升高電壓，正負半周的放電次數都有所增加，但正半周放電次數仍少于負半周，UHF信號平均幅值高于負半周。

3 特征計算

由于實際運行的變壓器中，放電源與超高頻檢測點的位置關系對所檢測到的信號的幅值有很大影響，另外，由于所設計的超高頻傳感器的方向性以及變壓器絕緣的材料結構等的影響，使得超高頻信號的絕對幅值很難直接應用于變壓器運行狀態(tài)的評估，因此，本文在特征提取工作中，為了削弱上述因素的影響，主要根據譜圖的形狀及分布的統(tǒng)計特征參數判別4種典型缺陷。所計算的特征參數如下：

(1)

(2)

(3)

(4)

其中：xi為分布橫坐標的離散值；N為放電數目；μ為樣本均值；σ為標準差；pi為xi出現的概率。

4 BP神經網絡判別

BP神經網絡[8](back propagation artificial neural network，BPNN)是一種典型的多層前饋網絡，由輸入層、隱含層和輸出層構成，層與層之間多為全部連接，同層的單元之間相互獨立。BPNN的基本思想是通過網絡輸出誤差的反向傳播訓練網絡，不斷調整網絡的連接權值，從而使網絡最終的輸出誤差達到最小。因此，BPNN具有很好的非線性逼近和分類能力。

本文通過試驗，共采集4種缺陷下PD樣本318個，其中固體絕緣內部氣隙放電樣本80組、尖刺放電樣本80組、懸浮微粒放電樣本88組、沿面放電樣本70組。隨機選取其中一半作為訓練樣本，另外一半作為測試樣本。

(5)

表1 神經網絡輸出編碼

表2 4種缺陷判別結果

式中：y為x歸一化后的輸出值，ymax、ymin為歸一化期望輸出的最大最小值，本文分別取+1、-1，x表示當前集數據值，xmax、xmin分別表示整體樣本中的最大、最小值。

應用Matlab設計了BP神經網絡，網絡的結構NN (15，18，4)，即：輸入層設為15個結點對應于15個特征量；隱含層為1層，18個隱含層結點，隱含層傳遞函數為Sigmoid型，輸出層設有4個結點，相應的編碼見表1。

設置神經網絡的學習速率net.trainParam.lr為 0.01，BPNN判別結果如表2所示，計算得出對實驗產生的樣本整體的準確率達到98.77%，其中固體氣隙放電和沿面放電出現了誤判，主要是因為這兩類穩(wěn)定放電時所產生的譜圖特征稍許相似的緣故。由于設計的缺陷比較典型，然而實際運行的設備中的缺陷并非如此標準，因此文中的識別準確率只能用于驗證采用的特征提取和缺陷判別方法的可行性。在實際軟件開發(fā)過程中，真實可靠的數據庫對于系統(tǒng)檢測和分析的效果是至關重要的。

5 結語

利用試驗模擬變壓器典型的絕緣缺陷，建立圖譜數據庫，分析了各種典型缺陷下的放電特征。通過觀察所采集的圖譜分布特點，提出采用偏斜度、陡峭度、互相關系數等統(tǒng)計參數為判別特征量，建立了BP神經網絡PD判別系統(tǒng)。以所提取的特征，對所模擬的變壓器典型絕緣缺陷進行測試，取得了較好的結果，驗證了以此方法設計變壓器內部PD判別系統(tǒng)的可行性。

[1 ] 趙煦,孟永鵬,成永紅,等.變壓器現場超高頻局部放電信號的時域特征分析 [J].西安交通大學學報,2011,45(12):82-87.

[2 ] 汪可,楊麗君,廖瑞金,等.基于離散隱式馬爾科夫模型的局部放電模式識別 [J].電工技術學報,2011,26(8):205-212.

[3 ] 趙曉輝,路秀麗,楊景剛,等.超高頻方法在變壓器局部放電檢測中的應用 [J].高電壓技術,2007,33(8):111-114.

[4 ] 沈煜,阮羚,謝齊家,等.采用甚寬帶脈沖電流法的變壓器局部放電檢測技術現場應用 [J].高電壓技術,2011,37(4):937-943.

[5 ] 常文治,唐志國,李成榕,等.變壓器局部放電UHF 信號傳播特性的仿真分析 [J].高電壓技術,2009,35(7):1629-1635.

[6 ] 王頌,趙曉輝,方曉明,等.變壓器局部放電超高頻信號的外部檢測 [J].高電壓技術,2007,33(8):88-91.

[7 ] 高紅武,李劍,程昌奎,等.油紙屏障對變壓器局部放電超高頻檢測信號的影響 [J].高壓電器,2009,45(4):118-121.

[8 ] 周天春,楊麗君,廖瑞金,等. 基于局部放電因子向量和BP 神經網絡的油紙絕緣老化狀況診斷 [J ].電工技術學報,2010,25(10):18-23.

PartialDischargeRecognitionforPowerTransformersBasedonUHF

HEJinwu,XUYuan

(Sichuan Electric Power Corporation Mianyang Branch, Mianyang 621000, China)

Partial discharge is an important feature of the characterization of transformer insulating state, but it also causes further deterioration of insulation. According to typical internal insulation defects, four kinds of defect modeles are designed, including Corona, suspended particulates, surface discharge and air gap in solid insulating material, the discharge spectra is obtained by UHF method. Features of discharge spectra are calculated by statistical theory, and with a BP neural network classifier to recognize PD signal, good result is achieved..

partial discharge(PD); ultra frequency(UHF); typical insulation defect; feature extraction; neural network

2013-05-15

何金武(1967- )，男(漢族)，四川綿陽人，高級工程師，學士，研究方向：高電壓技術運用。

TM855

A

2095-5383(2013)02-0050-03