林偉，王昕，鄭益慧，李立學

(上海交通大學 電工與電子技術(shù)中心，上海 200240)

基金項目:國家自然科學基金項目(61673268)，國家自然科學基金重點項目(61533012)資助。

0 引 言

氣體絕緣開關(guān)(Gas Insulated Switchgear，GIS)因其具有占地面積小、穩(wěn)定性高等優(yōu)點，在電力系統(tǒng)中占據(jù)重要的地位[1]。然而，由于GIS的封閉性，一旦發(fā)生故障，便會造成嚴重后果[2]。數(shù)據(jù)表明，絕緣故障在GIS 故障中占大多數(shù)[3]。局部放電(Partial Discharge，PD)作為一種有效表征GIS絕緣缺陷的現(xiàn)象，被廣泛研究。

基于特高頻電磁波的特高頻(Ultra High Frequency，UHF)局部放電檢測法具有高靈敏度、高精確度等優(yōu)點，已經(jīng)成為GIS局放檢測的重要手段[4]。由于不同的絕緣缺陷所激發(fā)的特高頻信號具有不同的特征，自上世紀90年代起，模式識別開始應(yīng)用于局部放電類型識別分類領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)[5](Artificial Neural Network，ANN)、支持向量機[6](Support Vector Machine，SVM)和K近鄰[7](K Nearest Neighbor，KNN)等方法都在GIS局部放電領(lǐng)域有所應(yīng)用。在模式識別領(lǐng)域，反向傳播神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network，BPNN)作為ANN的一種算法應(yīng)用十分廣泛，具備良好的分類能力，但其樣本需求量大、訓練周期長、易陷入局部最優(yōu)；SVM可解決小樣本下的分類識別，可數(shù)據(jù)量大時，計算速度會變得非常慢；KNN算法運算速度較快，但效果受到近鄰數(shù)目K的影響，且未考慮樣本差異，均存在問題。另一方面，模式識別方法依賴于所輸入的特征參量。因此，設(shè)計并選取具有代表性和區(qū)分度的特征參量至關(guān)重要。文獻[8]使用基于灰度譜圖的圖像矩特征參量識別，可以較好地反映局放信號的形狀紋理特征，但需要對圖片進行縮放裁剪等預(yù)處理，破壞了數(shù)據(jù)的完整性，且該方法未考慮到局放信號的統(tǒng)計特征，對極性現(xiàn)象描述不夠；而采用相窗內(nèi)的放電平均值和放電量描述局放的統(tǒng)計參量則更多考慮數(shù)據(jù)正負半周間的差異與總體統(tǒng)計規(guī)律[9]，卻無法描述局放PRPD圖譜的局部形狀特征；文獻[10]采用多種圖譜聯(lián)合參數(shù)，可以反映局放信號的形狀特征和統(tǒng)計特征，但丟失了局部放電信號的相位信息。

針對以上問題，本文提出了基于概率神經(jīng)網(wǎng)絡(luò)(Probabilistic Neural Network，PNN)的分類方法以及表述信號形狀與統(tǒng)計特征的聯(lián)合參量。首先，利用GIS局放模擬裝置產(chǎn)生特高頻(Ultra High Frequency，UHF)局放信號并采集，生成數(shù)據(jù)集；其次，在傳統(tǒng)的統(tǒng)計參量與圖像矩參量的基礎(chǔ)上，根據(jù)信號的圖譜特點選取聯(lián)合參量，以描述信號的整體統(tǒng)計特征和局部形狀特征；同時，對采集的數(shù)據(jù)直接進行預(yù)處理與參量提取，避免破壞數(shù)據(jù)的完整性，并通過主成分分析(Principal Component Analysis，PCA)法[11]進行降維；在數(shù)據(jù)集中，隨機抽取樣本形成訓練集和測試集，利用訓練集生成概率神經(jīng)網(wǎng)絡(luò)的隱含層；而概率神經(jīng)網(wǎng)絡(luò)具有訓練速度快、結(jié)構(gòu)簡單和容錯率高的特點，不易陷入局部最優(yōu)，并能夠應(yīng)對小樣本數(shù)據(jù)，解決了傳統(tǒng)模式識別方法的缺陷。最后，訓練完成的概率神經(jīng)網(wǎng)絡(luò)對測試數(shù)據(jù)進行分類，得到結(jié)果。試驗表明，本文提出概率神經(jīng)網(wǎng)絡(luò)具有良好的識別能力，且聯(lián)合參量相比于傳統(tǒng)統(tǒng)計參量具有顯著的優(yōu)越性。

1 特高頻信號傳播與采集

GIS在發(fā)生局部放電時，伴隨著正負電荷的中和，會產(chǎn)生上升沿為納秒級的電流脈沖，從而激發(fā)高達幾百兆到幾千兆的特高頻電磁波。如圖1(a)所示，GIS的同軸結(jié)構(gòu)相當于圓柱形同軸線波導，可供特高頻電磁波傳播。

電磁波在GIS的封閉式結(jié)構(gòu)中進行傳播時，會通過盆式絕緣子等絕緣結(jié)構(gòu)泄漏出部分電磁波。因此，可選用外置式的UHF傳感器對其進行采集。或通過預(yù)置在GIS腔體內(nèi)部的內(nèi)置式UHF接收天線將信號傳輸至外界，如圖1(b)所示。

圖1 (a) GIS內(nèi)部特高頻信號傳播示意圖(b) 和某線路變電站GIS

本文采用內(nèi)置式UHF傳感器，對GIS局部放電故障模擬裝置產(chǎn)生的特高頻信號進行采集，獲取信號數(shù)據(jù)，如圖2(a)所示，內(nèi)置式UHF傳感器具有更加良好的抗干擾能力，且能夠捕捉到幅值較低的特高頻信號。圖2(b)所示模擬裝置可產(chǎn)生懸浮電極、自由金屬顆粒、絕緣氣隙和金屬尖端四種絕緣缺陷的放電信號。UHF傳感器采樣率為10 kS/s，即每周期200個數(shù)據(jù)點。利用峰值檢波方法獲取放電周期內(nèi)的最大值表示該放電周期內(nèi)局放信息。

圖2 (a) UHF信號采集與預(yù)處理裝置(b) GIS局部放電故障模擬裝置

2 特征參量選取與處理

為了確定特征參量，本文根據(jù)采集得到的數(shù)據(jù)繪制PRPD散點圖，如圖3所示。其中，圖像橫坐標代表放電數(shù)據(jù)對應(yīng)的時刻；縱坐標為放電量的歸一化幅值，為無量綱數(shù)值。四種絕緣缺陷之間的特征區(qū)別十分明顯。顯然，除自由金屬顆粒缺陷外，其余局部放電的分布具有相位相關(guān)性，因此，將整個工頻周期區(qū)分為正半周和負半周兩個區(qū)域。據(jù)此，本文提取如下包含形狀信息和統(tǒng)計信息的聯(lián)合特征參量。

2.1 形狀參量

1)外觀比RA(Aspect Ratio)

外觀比是比較常用的形狀緊湊性描述符，定義為：RA=L/W。其中，L和W分別是可以正好完全覆蓋目標的矩形區(qū)域的長和寬。局部放電信號幅值越集中、相位分布越廣，則外觀比越小。

2)實心度SD(Solid Degree)

實心度的定義為：SD=N/AR，表達為區(qū)域內(nèi)局部放電信號點數(shù)與其包裹其集合的最小矩形面積比值。實心度描述局放信號的稀疏程度，當局放信號在工頻周期內(nèi)越集中，則實心度的值越大。

3)Hu不變矩η

由M.K.Hu提出的Hu不變矩是通過二值圖像中心矩的代數(shù)運算得到的矩特征參量。二值圖像f(x,y)表示形狀區(qū)域，則圖像p+q階矩和p+q階中心矩定義為：

mpq=∑xpyqf(x,y) (p,q=0,1,2…)

(1)

μpq=∑(x-x0)p(y-y0)qf(x,y)
(p,q=0,1,2…)

(2)

式中：(x0,y0)為形狀質(zhì)心，由二階、三階中心矩通過代數(shù)運算，組合得到7個Hu不變矩特征，詳細計算見文獻[8]。

2.2 統(tǒng)計參量

1)偏斜度Sk(Skewness)

偏斜度是描述圖形偏斜程度的統(tǒng)計量，其值的正負分別代表圖譜形狀向左與向右偏移。公式如下：

(3)

式中：i是每半個周期內(nèi)的數(shù)據(jù)點序數(shù)，即每100個數(shù)據(jù)點為一個計數(shù)循環(huán);φi是第i個數(shù)據(jù)點的相位;pi、μ和σ分別為該相位點的放電最大值的概率、均值和標準差。

2)陡峭度Ku(Kurtosis)

陡峭度是表示圖譜平坦與否的統(tǒng)計量，其值正負表示圖譜與正態(tài)分布的比較更加陡峭或更加平坦，其計算見式(4)，式中各參數(shù)意義與Sk相同：

(4)

3)互相關(guān)系數(shù)CC(Correlation Coefficient)

(5)

圖3 四種缺陷局放圖譜

4)放電量因數(shù)Q

放電量因數(shù)表示正負半周內(nèi)局放放電量的差異，表達為：

(6)

5)數(shù)據(jù)稠密度DD(Data Density)

數(shù)據(jù)稠密度是用來表征局放信號在相位分布上的稠密程度提出的統(tǒng)計量。定義為在有效放電閾值以上的放電區(qū)間相位占總相位的比值，即DD=neff/N。

2.3 特征參量降維

上文提出三類形狀參量和五類統(tǒng)計參量，考慮到部分參量的正負半周區(qū)域區(qū)分，共計十八個特征參量，即:

(7)

如此產(chǎn)生的特征參量維度過高，本文采用PCA法對特征參量組進行降維，其具體步驟可見文獻[11]。經(jīng)過降維后，根據(jù)累計方差貢獻率選取降維維數(shù)，本文選取貢獻率90%以上，主分量貢獻率見表1。

表1 PCA降維特征參量貢獻率

3 PNN神經(jīng)網(wǎng)絡(luò)識別

PNN神經(jīng)網(wǎng)絡(luò)是徑向基網(wǎng)絡(luò)(Radical Basis Function，RBF)的分支，是基于貝葉斯最小風險準則的有監(jiān)督分類器。如圖4所示，本文采用PCA降維特征參量為5維，并獲得4種分類結(jié)果。特征參量通過輸入層進入PNN神經(jīng)網(wǎng)絡(luò)，隱含層為已明確類別的樣本層，圖中隱含層每個數(shù)字代表該類的樣本矢量，隱含層神經(jīng)元數(shù)目等同于樣本矢量數(shù)目，每種樣本個數(shù)不定。通過隱含層累和，參量傳輸至競爭層，得到數(shù)據(jù)分類在每種類型的概率，最終輸出概率最高的結(jié)果，即為最終的分類。

圖4 PNN神經(jīng)網(wǎng)絡(luò)示意圖

PNN輸出變量的判別函數(shù)為[12]：

(8)

4 數(shù)據(jù)結(jié)果分析

本文通過對圖2(b)所示的GIS局部放電模擬裝置產(chǎn)生的局部放電信號進行采集，獲取氣隙放電、懸浮放電、自由金屬顆粒放電和尖端放電四種特高頻信號，其信號圖像如圖5所示。其中，橫縱坐標分別代表信號相位(°)和放電量幅值(dBm)。本文直接獲取信號原始數(shù)據(jù)，并對其進行預(yù)處理，獲得PRPD三維數(shù)據(jù)，并以此繪制散點圖與最大值曲線。

圖5 GIS局放模擬裝置放電圖譜

由表2可知，本文選取聯(lián)合參量組的正確率明顯高于統(tǒng)計參量組，識別率均在80%以上，而懸浮放電和顆粒放電的識別率均高達95%以上，其中，懸浮放電50組測試數(shù)據(jù)無一錯判，顯示很良好的分類能力。

表2 GIS局放信號PNN識別結(jié)果

5 結(jié)束語

本文提出了應(yīng)用于GIS局部放電特高頻信號的特征參量選取方式以及基于概率神經(jīng)網(wǎng)絡(luò)的局放分類器，經(jīng)過試驗驗證了聯(lián)合參量的優(yōu)越性，并得出如下結(jié)論：

(1)利用GIS局放模擬裝置產(chǎn)生局放UHF信號，并將其預(yù)處理作為數(shù)據(jù)集，針對灰度譜圖和最大值譜圖的不足，在傳統(tǒng)的形狀參量和統(tǒng)計參量基礎(chǔ)上結(jié)合數(shù)據(jù)集生成的散點圖特征提出外觀比、實心度和數(shù)據(jù)密度等新的特征參量，并組成聯(lián)合參量，具備更完整的描述局放信號特征的能力；

(2)通過PCA分析法獲得降維特征參量，規(guī)避了高緯度帶來的低效率，并減少了信息冗余；

(3)利用隨機抽樣法對數(shù)據(jù)集分類，可有效減少人為選取的偏向性;

(4)測試數(shù)據(jù)，通過概率神經(jīng)網(wǎng)絡(luò)得到最終分類結(jié)果，具備一定的準確度，對比傳統(tǒng)統(tǒng)計參量，本文提出的聯(lián)合參量對分類的準確率有明顯提高。