妙旭娟，喬楷，馮玫，劉維

(1.國(guó)網(wǎng)新疆電力公司經(jīng)濟(jì)技術(shù)研究院，新疆 烏魯木齊　830011，2.湖南科鑫電力設(shè)計(jì)有限公司，湖南 長(zhǎng)沙　410000)

0　引　言

高壓XLPE電纜絕緣缺陷的帶電檢測(cè)和在線監(jiān)測(cè)是保障電纜正常運(yùn)行的必要手段，其中脈沖電流法等局部放電檢測(cè)方法被IEEE、CIGRE等國(guó)際電力權(quán)威機(jī)構(gòu)一直推薦為最有效的電力設(shè)備絕緣狀態(tài)評(píng)價(jià)方法。XLPE電纜不同絕緣缺陷模式、嚴(yán)重程度的快速準(zhǔn)確識(shí)別是實(shí)現(xiàn)智能化電網(wǎng)的需要。

常用的局部放電模式識(shí)別方法可分為線性投影和非線性投影分析兩種。如文獻(xiàn)[1]使用主成分分析方法(PCA)方法對(duì)XLPE電纜局部放電信號(hào)統(tǒng)計(jì)特征進(jìn)行分類就是典型的線性投影手段。部分研究基于核方法[2]、流形學(xué)習(xí)[3]和稀疏表示[4]等方法抽取局部放電樣本的非線性特征。隨著研究的不斷開展，基于單一方式提取的局部放電信號(hào)特征難以滿足識(shí)別精度的要求，使用多種手段進(jìn)行有效融合得到組合特征，實(shí)現(xiàn)優(yōu)勢(shì)互補(bǔ)是當(dāng)下研究的熱點(diǎn)。

典型相關(guān)投影分析(CCA)是一種經(jīng)典的多元數(shù)據(jù)統(tǒng)計(jì)分析方法，以兩組及兩組以上的特征集數(shù)據(jù)為主要內(nèi)容，能夠提取多組數(shù)據(jù)間的相關(guān)關(guān)系，而又盡量不丟失原始特征集的有效辨識(shí)信息，有效減少特征表示的冗余度。然而CCA無(wú)法提取不同特征之間的非線性關(guān)系[5]。在此基礎(chǔ)上，Akaho于2001年提出將基于核技術(shù)的非線性降維方法引入CCA，提出了核典型相關(guān)分析(KCCA)[6]?，F(xiàn)階段，CCA和KCCA方法在氣象信息預(yù)測(cè)、人臉識(shí)別、字符識(shí)別、圖像處理等領(lǐng)域已有較多運(yùn)用，但在電網(wǎng)信息和電力設(shè)備運(yùn)行信息狀態(tài)評(píng)估等領(lǐng)域應(yīng)用極少。

本文提出將KCCA方法應(yīng)用于XLPE電纜接頭局部放電缺陷的模式識(shí)別，對(duì)運(yùn)用多種手段獲取的局部放電特征進(jìn)行有效融合產(chǎn)生新的特征，既保留各特征的有效鑒別信息，又可以消除多特征的冗余信息。本文在高壓XLPE電纜接頭內(nèi)部制作了4種典型絕緣缺陷，分別對(duì)各類缺陷電纜模型分別進(jìn)行加壓試驗(yàn)，使用高頻電流檢測(cè)系統(tǒng)采集得到局部放電信號(hào)，繪制PRPD圖譜。對(duì)原始PRPD圖譜以2維矩陣形式進(jìn)行小波變換，采用KCCA方法對(duì)對(duì)原始PRPD圖譜和變換后圖譜兩種特征進(jìn)行融合，最后采用K近鄰方法進(jìn)行聚類分析。實(shí)驗(yàn)結(jié)果表明，使用KCCA融合方法比使用單一特征數(shù)據(jù)可以獲得更高識(shí)別精度。

1　基于KCCA的局部放電特征提取

1.1　局部放電特征提取

PRPD圖譜，即φ-q-n(相位-幅值-放電次數(shù))三維圖譜，是一種表征局部放電信息的常用統(tǒng)計(jì)方法，可以直觀反映局部放電信號(hào)的相位分布特征。

對(duì)PRPD圖譜進(jìn)行向量表示，并進(jìn)行正交小波變換后，選取低頻分量作為新的特征量。分別對(duì)原始和小波變換后的PRPD圖譜列向量使用隨機(jī)映射或PCA等方法進(jìn)行降維，一般情況下，特征維數(shù)較高，且兩類特征間存在冗余信息。假設(shè)樣本總數(shù)為N，分別用X=[x1,x2,…,xN]∈Rp×N和Y=[y1,y2,…,yN]∈Rq×N表示原始和小波變化后的PRPD圖譜特征向量。CCA的關(guān)鍵是尋找一堆投影向量w和u，使得wTxi和uTyi具有最大相關(guān)系數(shù)，即如式(1)所示準(zhǔn)則函數(shù)最大。

(1)

式中：Sxx∈Rp×p，Syy∈Rq×q分別表示特征集X和Y的自協(xié)方差矩陣，Sxy∈Rp×q表示X和Y的互協(xié)方差矩陣。

核方法是解決非線性模式分析問(wèn)題的有效途徑，其基本思想是將樣本數(shù)據(jù)當(dāng)前空間映射到更高維度的空間，即隱特征空間，使數(shù)據(jù)在隱特征空間中的映射是線性的，再運(yùn)用線性方法降維。原始和小波變換PRPD圖譜矩陣數(shù)據(jù)進(jìn)行PCA所提取的特征向量?，F(xiàn)在選擇核函數(shù)φ和φ，分別將X和Y映射到高維特征空間，即φ:x→φ(x)，φ:y→φ(y)。則有φ(X)=[φ(x1),φ(x2),…φ(xN)]和φ(X)=[φ(y1),φ(y2),…φ(yN)]分別表示兩組樣本數(shù)據(jù)的高維核特征向量。w和u可以表示為如上特征空間的線性組合，即滿足w=φ(X)α和u=φ(Y)β，則KCCA獲得類似式(1)的準(zhǔn)則函數(shù)如式(2)所示。

(2)

(3)

一般運(yùn)用拉格朗日乘子求解上述帶約束極值問(wèn)題。幾種常用的核函數(shù)如式(4)-式(7)所示：

(4)

(5)

(6)

(7)

各種核函數(shù)在各種計(jì)算環(huán)境下的適用性不同，本文中選用式(6)，即高斯徑向基函數(shù)，它能使非線性支持向量機(jī)具有良好的泛化性能。

求得α和β后，運(yùn)行線性變換融合，最終經(jīng)過(guò)KCCA后投影獲取的組合特征向量為:

(8)

1.2　分類器構(gòu)建

本文使用K最近鄰算法(KNN)對(duì)所提取的局部放電特征向量數(shù)據(jù)進(jìn)行模式識(shí)別，從而驗(yàn)證所提取的特征向量的有效性。KNN基本思想是給定一個(gè)待分類的樣本z∈Rn，首先找到與zq最接近的或最相似的k個(gè)已知類別標(biāo)簽的訓(xùn)練集樣本，據(jù)此確定zq類別。使用歐氏距離度量樣本間的“近鄰”，設(shè)由1.2章節(jié)確定的特征向量集Z中確定訓(xùn)練樣本集Ztr假設(shè)zq,zq,…,zk為與zq距離最近的k個(gè)樣本，共有s類樣本，標(biāo)簽集合為C={e1,e2,…，es}，設(shè)目標(biāo)函數(shù)f:Rn→ci，

(9)

2　樣本數(shù)據(jù)獲取

2.1　缺陷模型設(shè)計(jì)

XLPE電纜局部放電缺陷主要由于不良的電纜或附件制作工藝、運(yùn)行時(shí)的外力破壞或長(zhǎng)時(shí)間的絕緣老化。電纜終端接頭、中間接頭等附件制作工藝復(fù)雜，需在安裝現(xiàn)場(chǎng)進(jìn)行手工制作，因此是絕緣缺陷多發(fā)位置。本文采用YJV-26/35 kV型電纜及其配套冷縮硅橡膠終端接頭設(shè)計(jì)了4種典型絕緣缺陷模型，電纜接頭結(jié)構(gòu)及各缺陷模型示意圖如圖1所示。缺陷均在接頭安裝前制作，各缺陷及其制作過(guò)程分別為：(1)內(nèi)部氣隙放電：在電纜主絕緣表面縱向劃痕，尺寸為10 mm(長(zhǎng))*2 mm(寬)*1 mm(深)，劃痕周圍避免涂抹高壓硅脂；(2)懸浮電位放電：將尺寸為3 mm*3 mm的銅箔固定在主絕緣表面；(3)沿面放電：應(yīng)力錐處半導(dǎo)電層斷口位置殘留2 mm×5 mm長(zhǎng)半導(dǎo)電材料；(4)電暈放電：在主絕緣內(nèi)置入一根3 mm長(zhǎng)金屬針并可靠碰觸電纜銅芯。

圖1　高壓電纜接頭局部放電缺陷示意圖

2.2　試驗(yàn)平臺(tái)及檢測(cè)系統(tǒng)

使用脈沖電流法檢測(cè)系統(tǒng)局部放電。所用局放傳感器為寬頻羅氏線圈，工作頻帶為1 MHz-30 MHz。將傳感器鉗在電纜終端接頭接地出現(xiàn)上，經(jīng)前置放大電路與數(shù)字式示波器相連，模擬帶寬為1 GHz，設(shè)置采樣率為100 MS/s。每條樣本數(shù)據(jù)為連續(xù)50個(gè)工頻周期內(nèi)的放電信號(hào)。每種缺陷模型各采集70條，共280條。信號(hào)采集時(shí)的各缺陷模型施加電壓分別為18.5 kV，23.7 kV，20.5 kV，14.3 kV。

2.3　實(shí)驗(yàn)結(jié)果

利用實(shí)驗(yàn)采集的各組數(shù)據(jù)分別繪制PRPD圖譜，各類缺陷放電的典型圖譜如圖2所示，各類缺陷放電的PRPD圖譜表現(xiàn)出較明顯差異性，但憑借主觀判斷對(duì)新加入的樣本進(jìn)行分類仍十分困難。

圖2　各局部放電缺陷典型PRPD圖譜

3　結(jié)果及分析

為驗(yàn)證本文方法性能，將本文方法應(yīng)用于實(shí)驗(yàn)獲得的PRPD圖譜數(shù)據(jù)，每類缺陷放電各采集70條，共280條。每類樣本隨機(jī)選取40條用于訓(xùn)練，余下的作為測(cè)試樣本。每個(gè)原始PRPD圖譜為50*90維矩陣，使用KCCA進(jìn)行壓縮所獲得的特征向量維數(shù)分別為10,20,40,60，各種情況下各進(jìn)行10次實(shí)驗(yàn)并取平均值，所獲得的識(shí)別精度如表1所示。

表1　基于本文方法識(shí)別正確率

觀察表1中方法應(yīng)用結(jié)果可知，基于KCCA方法提取的局部放電特征向量可有效表征信號(hào)內(nèi)部特征信息，隨著向量維數(shù)不斷增加，識(shí)別正確率逐漸提高，且維數(shù)較小時(shí)增加較快，向量維數(shù)為40時(shí)，獲得平均89.5%的識(shí)別正確率，足以滿足實(shí)際應(yīng)用需求。另外比較發(fā)現(xiàn)，各種缺陷放電的識(shí)別正確率存在一定差異，懸浮放電和沿面放電的識(shí)別效果明顯低于另外兩種，內(nèi)部氣隙放電的識(shí)別效果最好。分析可知，由于局部放電存在較大隨機(jī)性，導(dǎo)致同一類型放電的PRPD圖譜仍可能存在較大區(qū)別，直接影響了訓(xùn)練樣本的有效性。另一方面，懸浮放電和沿面放電PRPD圖譜存在某些相似特征，易造成錯(cuò)分。當(dāng)然，樣本數(shù)量，KCCA方法參數(shù)選擇均會(huì)對(duì)識(shí)別效果產(chǎn)生不同程度的影響，在后續(xù)研究中將做著重分許。

4　結(jié)束語(yǔ)

本文基于核典型相關(guān)分析方法提取局部放電信號(hào)PRPD圖譜的特征信息，可以有效反映信號(hào)內(nèi)部的非線性特征并減少信息冗余度，使用K最近鄰分類方法，可以失效不同局部放電模式的識(shí)別。使用XLPE電纜及接頭設(shè)計(jì)了4種典型絕緣缺陷模型，使用脈沖電流法采集獲得足夠局部放電信號(hào)樣本，在不同特征向量下驗(yàn)證了本文方法有效性，獲得了90%以上識(shí)別正確率。

參考文獻(xiàn)：

[1] 苑津莎,尚海昆. 基于主成分分析和概率神經(jīng)網(wǎng)絡(luò)的變壓器局部放電模式識(shí)別[J]. 電力自動(dòng)化設(shè)備,2013,41(6):27-31.

[2] 律方成,金虎,王子建,等. 基于組合核多特征融合的GIS局部放電檢測(cè)與識(shí)別[J]. 電工技術(shù)學(xué)報(bào),2014,39(10):334-340.

[3] 律方成,張波. 基于LLE降維和BP_Adaboost分類器的GIS局部放電模式識(shí)別[J]. 電測(cè)與儀表,2014,51(15):37-41.

[4] 姚林朋,王輝,錢勇,等. 基于半監(jiān)督學(xué)習(xí)的XLPE電纜局部放電模式識(shí)別研究[J]. 電力系統(tǒng)保護(hù)與控制,2011,39(14):40-46.

[5] 王大偉,陳浩,王延杰. 核典型相關(guān)分析的融合人臉識(shí)別算法[J]. 激光與紅外,2009,39(11):1241-1245.

[6] 郗仙田. 正交正則化核典型相關(guān)分析的研究[D].吉林：東北電力大學(xué)，2016.