李 杰，汪 鵬，孫景文，孫艷迪，孫承海

（國(guó)網(wǎng)山東省電力公司電力科學(xué)研究院，山東 濟(jì)南 250003）

0 引言

氣體絕緣組合開關(guān)設(shè)備（Gas Insulated Switchgear，GIS）是電力系統(tǒng)中重要的電氣設(shè)備，具有占地面積小、運(yùn)行可靠性高、配置靈活、維護(hù)方便等優(yōu)點(diǎn)［1］。隨著電網(wǎng)的建設(shè)與發(fā)展，GIS 變電站的數(shù)目不斷增加，其在電力系統(tǒng)中的應(yīng)用越來(lái)越廣泛［2］，GIS的正常運(yùn)行對(duì)整個(gè)電力系統(tǒng)的安全和穩(wěn)定至關(guān)重要［3-4］。

絕緣缺陷是導(dǎo)致GIS 故障的重要原因，絕緣缺陷在一定電場(chǎng)下會(huì)導(dǎo)致局部放電的發(fā)生，引起絕緣的進(jìn)一步劣化［5-6］，在固體絕緣累積效應(yīng)的作用下可導(dǎo)致絕緣擊穿［7］。因此，做好對(duì)GIS 設(shè)備的狀態(tài)評(píng)估與檢修，及時(shí)發(fā)現(xiàn)絕緣故障并及時(shí)處理，能夠有效預(yù)防較為嚴(yán)重的故障，對(duì)變電站乃至電網(wǎng)的穩(wěn)定運(yùn)行具有重要的意義。

由于GIS 的全封閉特性，其故障定位及檢修工作比較困難且繁雜，停電檢修難度大，需投入大量人力物力。局部放電檢測(cè)是目前對(duì)電力設(shè)備絕緣狀態(tài)常用的在線監(jiān)測(cè)方式之一，當(dāng)有局部放電發(fā)生時(shí)，立刻采取預(yù)警與行動(dòng)可以有效預(yù)防嚴(yán)重事故的發(fā)生，提高電力系統(tǒng)的可靠性［8］。不同類型放電形式下絕緣的劣化機(jī)理不同，進(jìn)而對(duì)GIS 絕緣造成不同程度的損傷，其局部放電信號(hào)也會(huì)呈現(xiàn)出差異，因此對(duì)GIS 局部放電進(jìn)行模式識(shí)別是GIS 絕緣狀態(tài)評(píng)估的重要環(huán)節(jié)［9-10］。

目前各類機(jī)器學(xué)習(xí)算法被應(yīng)用到GIS 設(shè)備局部放電模式識(shí)別范疇，并取得了較好的效果。文獻(xiàn)［11］將GIS 信號(hào)的特高頻與超聲局部放電特征量融合后，再使用MKL-RVM 進(jìn)行模式識(shí)別，識(shí)別率高于單一的超高頻和超聲波參數(shù)的識(shí)別率。文獻(xiàn)［12］使用局部放電譜圖的偏斜度、陡峭度、互相關(guān)系數(shù)等作為GIS局部放電特征參數(shù)，利用最小二乘支持向量機(jī)識(shí)別局部放電類型。文獻(xiàn)［13］將GIS 不同絕緣缺陷的局部放電時(shí)域波形圖像通過預(yù)處理并轉(zhuǎn)化為一維數(shù)據(jù)，使用一維卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了對(duì)局放缺陷的準(zhǔn)確識(shí)別。文獻(xiàn)［14］使用最小距離分類器，基于GIS 局部放電灰度圖像的特征能夠?qū)崿F(xiàn)對(duì)4 種不同放電類型的識(shí)別。

目前國(guó)內(nèi)外對(duì)GIS 特征提取與模式識(shí)別已有較多研究，也取得了不錯(cuò)的效果，但較多都是基于局部放電參量或二維局部放電圖譜進(jìn)行的特征提取與識(shí)別，較少有研究對(duì)局部放電三維圖譜進(jìn)行特征提取。由于三維圖譜包含多個(gè)周期的局部放電信號(hào)，其偶然性與分散性較小，更能反映放電的典型特征，目前對(duì)基于時(shí)間序列的局部放電狀態(tài)量信息挖掘不充分。

因此，根據(jù)GIS 典型缺陷的特高頻局放信號(hào)，采用常被應(yīng)用于圖像處理的領(lǐng)域中的Gabor 變換方法［15］，對(duì)局部放電脈沖序列分布（Phase Resolved Pulse Sequence，PRPS）三維圖譜進(jìn)行Gabor 變化，利用變換系數(shù)實(shí)現(xiàn)不同方向的有效分解，對(duì)分解得到的子圖提取特征量作為模式識(shí)別的輸入量。采用不同的機(jī)器學(xué)習(xí)方法，根據(jù)Gabor變換后提取的特征量對(duì)不同的放電類型進(jìn)行識(shí)別和診斷。

1 局部放電三維PRPS圖譜的獲取

設(shè)備的制造、安裝、運(yùn)輸?shù)冗^程均有可能會(huì)產(chǎn)生氣泡、懸浮導(dǎo)電物質(zhì)、尖端毛刺等缺陷，這些缺陷在一定電場(chǎng)下會(huì)導(dǎo)致局部放電的發(fā)生［6］。為在實(shí)驗(yàn)室模擬這些絕緣缺陷，選擇金屬微粒放電、懸浮電位放電、金屬針尖放電3 種典型GIS 內(nèi)部局部放電缺陷，在實(shí)驗(yàn)室制作了相應(yīng)的缺陷模型，如圖1 所示，將其放入GIS模擬器中進(jìn)行局部放電試驗(yàn)。

圖1 典型局部放電缺陷模型

目前常見的局部放電檢測(cè)方法主要有脈沖電流法、特高頻檢測(cè)法、超聲波檢測(cè)法、化學(xué)檢測(cè)法、光檢測(cè)法等。其中，特高頻檢測(cè)法（Ultra High Frequency，UHF）通過局部放電發(fā)生時(shí)脈沖電流所產(chǎn)生的高頻電磁波來(lái)監(jiān)測(cè)局部放電，可以在設(shè)備不停電的情況下實(shí)現(xiàn)帶電檢測(cè)或者在線監(jiān)測(cè)，抗干擾能力較強(qiáng)，可以有效地抑制一些頻率較低的背景噪聲［16］。因此，試驗(yàn)時(shí)選用特高頻法檢測(cè)放電信號(hào)，進(jìn)一步對(duì)監(jiān)測(cè)得到的信號(hào)進(jìn)行處理從而識(shí)別設(shè)備存在的缺陷種類。對(duì)采集到的局部放電信號(hào)可以進(jìn)一步繪制局部放電脈沖序列分布PRPS 三維圖譜。PRPS 三維圖譜包含多個(gè)周期內(nèi)的局部放電信息［17］，包含很多能夠表征放電類型的特征，對(duì)其進(jìn)行有效提取能夠提高識(shí)別準(zhǔn)確率。

對(duì)每一種典型缺陷采集60 組信號(hào)，每一組信號(hào)包含50 個(gè)工頻周期，對(duì)0°～360°相位開窗，將每個(gè)周期分為100 個(gè)相位窗口。隨后，繪制出典型缺陷模型的幅值-相位-周期三維PRPS 圖譜如圖2 所示，柱狀圖的高度即z軸表示信號(hào)幅值，x軸表示相位，y軸表示信號(hào)周期數(shù)。

圖2 典型放電缺陷的PRPS圖譜

從圖2 中可以明顯看出，對(duì)于金屬微粒缺陷，其放電點(diǎn)較為稀疏，整體放電重復(fù)率不高，以較大幅值的放電脈沖為主，在相位分布上較為分散；對(duì)于懸浮電位缺陷，其整體放電不密集，放電重復(fù)率也不高，集中在0°～45°、90°～135°、185°～225°和275°～315°相位區(qū)間，在0°～45°與185°～225°相位區(qū)間以密集小幅值放電為主，在90°～135°與275°～315°相位區(qū)間以稀疏大幅值放電為主；對(duì)于金屬針尖缺陷，整體放電重復(fù)率較高，正半周期放電幅值大而稀疏，但也有部分稀疏的小幅值放電，負(fù)半周期放電十分密集，放電幅值波動(dòng)不大。

圖2 表明三維PRPS 圖譜在幅值大小、放電次數(shù)與相位分布的特性存在一定的差異。為了后續(xù)進(jìn)一步利用機(jī)器學(xué)習(xí)的方法通過放電圖譜對(duì)不同放電類型進(jìn)行識(shí)別，需要考慮如何量化圖譜的特征，使其轉(zhuǎn)化為數(shù)字量。

2 二維Gabor變換

Gabor變換是一種短時(shí)Fourier變換，相比于傳統(tǒng)的Fourier變換，Gabor小波具有良好的時(shí)頻局部化特性且對(duì)圖像的邊緣十分敏感，因此常被應(yīng)用于紋理識(shí)別［18-19］。近年來(lái)，在人臉識(shí)別領(lǐng)域，對(duì)圖像灰度進(jìn)行多尺度、多方向的Gabor小波變換逐漸成為主流思路之一，得到了廣泛的應(yīng)用［20-21］，這是因?yàn)镚abor 小波可以提取圖像特定區(qū)域內(nèi)的多尺度、多方向空間頻率特征，局部關(guān)鍵特征被放大、增強(qiáng)［22］。由于不同缺陷的局部放電PRPS 圖譜中的局部關(guān)鍵特征也存在顯著差異，因此也采用Gabor變換的方式對(duì)圖像進(jìn)行特征提取。

Gabor 變換的基本原理為：根據(jù)Heisenberg 測(cè)不準(zhǔn)原理，任意測(cè)量精度都不能同時(shí)在時(shí)域和頻域都獲得［23］，其下界是時(shí)域窗口可以達(dá)到的最小面積，高斯函數(shù)即在此極限值。因此選擇高斯函數(shù)作為窗函數(shù)可以使得Gabor 變換平衡時(shí)域和頻域分辨率的矛盾，同時(shí)獲得二者的較高值。

設(shè)需要進(jìn)行變換的變量為f(t)，且f∈L2(R)，L2(R)代表實(shí)數(shù)軸上平方可積的函數(shù)空間［24］，則根據(jù)Gabor變換的定義，Gabor變換表達(dá)式為

二維Gabor 濾波器是應(yīng)用最廣泛的紋理特征提取工具，目前在人臉識(shí)別、虹膜識(shí)別［26-27］等方面的應(yīng)用都取得了不錯(cuò)的效果。二維Gabor濾波器的公式的復(fù)數(shù)表達(dá)形式為：

式中：x、y分別為圖像中任意點(diǎn)位置的橫縱坐標(biāo)；λ為波長(zhǎng)；θ為波器方向角與y軸的夾角；ψ為相位偏移；σ為高斯包絡(luò)沿x 軸與y 軸的標(biāo)準(zhǔn)方差；γ為空間的寬高比。

為了使得所設(shè)計(jì)的二維Gabor 濾波器對(duì)于不同典型缺陷的PRPS 圖譜具有較好的特征提取能力，還需要合理選擇Gabor濾波器的參數(shù)，由這些參數(shù)限定的濾波器所提取出的能夠表征放電類型的特征才具有較高的可區(qū)分度。因此，經(jīng)過多次嘗試，選擇λ=4，且θ=0°，45°，90°三種方向變換下的Gabor 變換子圖作為后續(xù)研究對(duì)象，對(duì)圖2 中的PRPS 圖譜分別進(jìn)行二維Gabor 變換，每個(gè)PRPS 圖譜進(jìn)行一種尺度三種方向共3種變換，得到GIS 各缺陷模型下局部放電圖像的分解如圖3所示。

圖3 中各子圖分別為金屬微粒缺陷、懸浮電位缺陷、金屬針尖缺陷的局部放電PRPS 譜圖經(jīng)Gabor變換后，在θ=0°，45°，90°三種方向變換下分解圖。

觀察圖3 中Gabor 變換后的分解圖，并與圖2 中各缺陷模型的原始局部放電圖像對(duì)比，可以發(fā)現(xiàn)，經(jīng)過Gabor 變換后，原始圖像的幅值起伏基本保留，局部細(xì)節(jié)十分明顯，可以清楚地看到局部放電發(fā)生部位的尖刺，因此分解后的子圖更有利于提取有效的特征參量。

圖3 PRPS圖譜經(jīng)Gabor變換后的分解

選用統(tǒng)計(jì)法中的Tamura 紋理特征與灰度-梯度共生矩陣，對(duì)PRPS 經(jīng)Gabor 變換后的分解圖圖像的紋理特征進(jìn)行描述：首先計(jì)算得到粗糙度、對(duì)比度、方向性、線性度、規(guī)則性和粗略度共6 個(gè)Tamura 紋理特征；灰度共生矩陣指圖像中兩個(gè)像素出現(xiàn)的聯(lián)合頻率分布，再進(jìn)一步根據(jù)此求取15 個(gè)對(duì)于反映圖像紋理有幫助的統(tǒng)計(jì)量：自相關(guān)、對(duì)比、相關(guān)、集群突出、簇遮蔽、差異性、能量、熵、均勻性、最大概率、平方和、總和平均值、總和方差、總和熵和差異方差。形狀特征方面，求取局放圖譜的Hu 不變矩獲取7 個(gè)特征量和6 個(gè)Zernike 矩特征量。這樣對(duì)于每個(gè)分解圖提取34 個(gè)特征量，如表1 所示，每個(gè)局放PRPS 圖譜獲得共計(jì)102個(gè)特征量。

表1 Gabor變換后對(duì)分解圖提取的紋理和形狀特征量

3 基于機(jī)器學(xué)習(xí)的放電類型識(shí)別

3.1 放電數(shù)據(jù)樣本的層次聚類分析

每種缺陷類型的PRPS 圖譜在λ=4 且θ=0°，45°，90°三種方向下可以變換得到3 幅變換子圖，每張子圖可以提取紋理特征及形狀特征共34 個(gè)。因此，對(duì)于每張?jiān)糚RPS 圖譜，其都對(duì)應(yīng)一種典型GIS 放電缺陷，包含102 個(gè)Gabor 變換后提取出的特征量，這些特征量構(gòu)成了模式識(shí)別的向量空間。

在根據(jù)這些提取的特征量對(duì)不同放電缺陷進(jìn)行識(shí)別之前，需要對(duì)采用這種方法的可行性進(jìn)行分析，即應(yīng)首先明確這些特征量是否能夠區(qū)分不同的典型缺陷。因此，基于上述選取的102個(gè)特征量，對(duì)180個(gè)放電數(shù)據(jù)樣本進(jìn)行聚類分析。聚類是根據(jù)一定的準(zhǔn)則將未知樣本集劃分為不同類別的過程，是典型的無(wú)監(jiān)督學(xué)習(xí)問題。常見的聚類算法有：層次聚類法、K均值聚類算法、自組織映射（Self-Organizing Maps，SOM）聚類算法和模糊C均值聚類算法等。采用使用較廣泛的層次聚類法對(duì)放電數(shù)據(jù)樣本進(jìn)行聚類分析。層次聚類法是最基本的聚類方法，可分為凝聚法和分裂法，本文采用凝聚層次聚類法。假設(shè)樣本矩陣包含m個(gè)樣本，凝聚層次聚類法的計(jì)算步驟如圖4所示。

圖4 凝聚層次聚類法的計(jì)算步驟

將金屬微粒缺陷、懸浮電位缺陷和金屬針尖缺陷的放電樣本分別編號(hào)為1～60、61～120 和121～180，按照上述方法對(duì)不同缺陷的放電數(shù)據(jù)樣本進(jìn)行聚類后，得到的類別劃分如表2 所示，聚類譜系如圖5所示。

表2 不同缺陷放電數(shù)據(jù)的聚類結(jié)果

表2 表明，層次聚類法在放電缺陷與放電數(shù)據(jù)樣本之間的對(duì)應(yīng)關(guān)系未知的情況下，聚類的劃分結(jié)果與實(shí)際放電缺陷編號(hào)一致，這意味著Gabor變換后提取的特征量與不同放電缺陷存在緊密的聯(lián)系，能夠很好地表征不同缺陷的放電特征并區(qū)分不同缺陷類型。圖5 也清晰地表明，不同放電數(shù)據(jù)樣本之間的相似度也存在較大差異，這驗(yàn)證了通過特征量對(duì)放電數(shù)據(jù)樣本進(jìn)行識(shí)別是可行的。

圖5 放電數(shù)據(jù)樣本的聚類譜系

3.2 典型放電缺陷的識(shí)別

聚類的結(jié)果證明了通過Gabor 變換后提取的特征量進(jìn)行識(shí)別是可行的，由于聚類屬于機(jī)器學(xué)習(xí)范疇中的無(wú)監(jiān)督學(xué)習(xí)，其只能對(duì)不同的樣本進(jìn)行區(qū)分，無(wú)法對(duì)其具體類型進(jìn)行識(shí)別，因此需要使用其他方式對(duì)放電缺陷進(jìn)行識(shí)別。

選取150 個(gè)局放樣本作為訓(xùn)練集，30 個(gè)樣本構(gòu)成測(cè)試集，采用不同的機(jī)器學(xué)習(xí)算法進(jìn)行局部放電的模式識(shí)別。

常見的機(jī)器學(xué)習(xí)分類算法有以下幾種：如K 近鄰（K-Nearest Neighbour，KNN）算法［28］、樸素貝葉斯算法［29］、決策樹算法［30］、支持向量機(jī)（Support Vector Machine，SVM）算法［31］、人工神經(jīng)網(wǎng)絡(luò)［32］等。不同的分類算法對(duì)于同一數(shù)據(jù)集的表現(xiàn)效果不一樣，具有各自的優(yōu)點(diǎn)和缺點(diǎn)，本文對(duì)于同一個(gè)數(shù)據(jù)集，采用不同的機(jī)器學(xué)習(xí)算法，對(duì)比不同算法的識(shí)別效果。

首先對(duì)包含150 組樣本的訓(xùn)練數(shù)據(jù)集，使用不同機(jī)器學(xué)習(xí)算法進(jìn)行訓(xùn)練，同時(shí)進(jìn)行交叉驗(yàn)證，方式為5-fold cross-validation，其具體方法為：將原始數(shù)據(jù)分為5 個(gè)子集，每次將一個(gè)子集作為驗(yàn)證集，其他4組子集數(shù)據(jù)作為訓(xùn)練集，這樣重復(fù)進(jìn)行5 次，得到5個(gè)學(xué)習(xí)模型及每次訓(xùn)練后的模型對(duì)驗(yàn)證集的識(shí)別結(jié)果，最終得到每個(gè)模型綜合識(shí)別準(zhǔn)確率。

訓(xùn)練完成后，對(duì)測(cè)試集進(jìn)行測(cè)試：根據(jù)各種分類模型對(duì)于150組樣本的訓(xùn)練效果，選擇5種較為典型的算法，將測(cè)試集中30 個(gè)樣本的特征量作為輸入量輸入訓(xùn)練好的分類模型中，得到輸出量1、2、3 其中的一個(gè)數(shù)字，分別表征金屬微粒放電、懸浮電位放電和金屬針尖放電，從而實(shí)現(xiàn)GIS 局部放電缺陷的識(shí)別。整個(gè)識(shí)別的過程如圖6所示。

圖6 典型缺陷類型識(shí)別過程

得到不同算法的識(shí)別結(jié)果如表3 所示。表3 中的識(shí)別結(jié)果表明，雖然精細(xì)高斯SVM 算法對(duì)缺陷的識(shí)別率較低，僅有80%，但決策樹、KNN 算法與神經(jīng)網(wǎng)絡(luò)對(duì)金屬微粒放電、懸浮電極放電與金屬微粒放電這三種典型GIS 缺陷的整體識(shí)別準(zhǔn)確率高達(dá)100%，核樸素貝葉斯算法的識(shí)別準(zhǔn)確率也可達(dá)93.3%。這表明：使用Gabor 變換對(duì)GIS 特高頻局部放電PRPS圖譜進(jìn)行提取的紋理特征量和形狀特征量能夠較好地刻畫放電三維圖譜特征，且不同的放電缺陷圖譜特性差異性較大，該方法能夠有效識(shí)別典型放電缺陷。

表3 不同分類算法的識(shí)別結(jié)果和準(zhǔn)確率 單位：%

4 結(jié)語(yǔ)

通過試驗(yàn)提出了一種GIS 設(shè)備放電故障的診斷方法，通過特高頻檢測(cè)法獲取了GIS 內(nèi)不同放電模型的局部放電信號(hào)，隨后使用二維Gabor 濾波器，通過Gabor 變換提取了GIS 局部放電三維PRPS 圖譜的紋理和形狀特征量。將提取出的特征量作為機(jī)器學(xué)習(xí)算法的輸入量，對(duì)分類模型進(jìn)行訓(xùn)練以對(duì)不同放電類型進(jìn)行識(shí)別。結(jié)果表明：SVM、決策樹、核樸素貝葉斯和KNN 算法與神經(jīng)網(wǎng)絡(luò)對(duì)3 種放電類型的識(shí)別準(zhǔn)確率均較高，利用Gabor變換對(duì)圖譜提取出的特征量與放電類型的相關(guān)度較高并能體現(xiàn)出不同放電類型之間的差異性。該識(shí)別算法可為GIS 放電故障類型診斷提供一定的參考。該方法能夠?qū)崿F(xiàn)GIS 故障的放電缺陷類型識(shí)別，提高電力系統(tǒng)故障診斷的智能化水平。