任 明 夏昌杰 余家赫 李信哲 董 明

絕緣子沿面放電多光譜脈沖演化特性及診斷方法

任 明 夏昌杰 余家赫 李信哲 董 明

（電力設(shè)備電氣絕緣國(guó)家重點(diǎn)實(shí)驗(yàn)室（西安交通大學(xué)） 西安 710049）

絕緣子或套管處產(chǎn)生的沿面放電是導(dǎo)致開關(guān)柜、環(huán)網(wǎng)柜絕緣失效的常見誘因，而傳統(tǒng)局部放電在線檢測(cè)和診斷方法難以準(zhǔn)確評(píng)估放電發(fā)展階段和危害程度。該文采用單光子固態(tài)光電傳感技術(shù)，對(duì)絕緣子沿面放電發(fā)展過程中的多光譜脈沖特性及其演化規(guī)律進(jìn)行了試驗(yàn)研究，并提出一種基于多光譜脈沖演化特性的沿面放電嚴(yán)重程度診斷方法。首先，搭建多光譜光電同步檢測(cè)平臺(tái)，實(shí)現(xiàn)了沿面放電過程中多個(gè)光譜波段光信號(hào)和電流信號(hào)的同步采集；然后，根據(jù)全波段光脈沖幅值及其導(dǎo)數(shù)變化規(guī)律對(duì)沿面放電發(fā)展過程進(jìn)行了三階段劃分，并分別對(duì)沿面放電三階段多光譜脈沖的相位統(tǒng)計(jì)和非相位統(tǒng)計(jì)特征進(jìn)行分析，明確了特征量隨放電發(fā)展階段的演化規(guī)律；最后，基于深度神經(jīng)網(wǎng)絡(luò)算法建立沿面放電多光譜嚴(yán)重程度評(píng)估模型，結(jié)果顯示該模型診斷準(zhǔn)確率達(dá)到96.75%，驗(yàn)證了多光譜診斷方法的可靠性。

沿面放電 光測(cè)法 多光譜診斷 深度神經(jīng)網(wǎng)絡(luò) 嚴(yán)重程度評(píng)估模型

0 引言

絕緣子和套管是開關(guān)設(shè)備中的絕緣薄弱環(huán)節(jié)，而沿面放電是引起絕緣閃絡(luò)和失效的重要誘因，因此，沿面放電的有效監(jiān)測(cè)和跟蹤預(yù)警對(duì)保障設(shè)備安全運(yùn)行具有重要意義[1-3]。目前，脈沖電流法、超高頻法、暫態(tài)地電壓法及超聲法等是開關(guān)柜中常用的局部放電監(jiān)測(cè)方法[4-5]，然而上述方法在實(shí)際應(yīng)用過程中面臨著現(xiàn)場(chǎng)干擾源復(fù)雜、檢測(cè)置信度低等挑戰(zhàn)。而對(duì)于放電過程較為劇烈的電弧放電，弧光保護(hù)主要是以燃弧時(shí)產(chǎn)生的弧光閾值和電流閾值作為雙判據(jù)進(jìn)行高靈敏監(jiān)測(cè)，然而其難以對(duì)放電較為微弱的局部放電做出響應(yīng)[6]。除了上述監(jiān)測(cè)方法外，光測(cè)法是一種抗干擾性強(qiáng)、檢測(cè)置信度高的局部放電檢測(cè)方法，最早被用于局部放電的實(shí)驗(yàn)室研究中[7-8]?？傮w而言，光測(cè)法在兩個(gè)方面具有不可替代的優(yōu)勢(shì)：①局部放電光輻射伴隨放電發(fā)生發(fā)展全過程，其與放電事件本身具有高度的同步性，因此，在放電基礎(chǔ)特性研究中，光脈沖測(cè)量結(jié)果往往被用作放電表征其他原理檢測(cè)結(jié)果是否可靠的依據(jù)[9]；②放電光子釋放產(chǎn)生于場(chǎng)致發(fā)射、熱發(fā)射、原子激發(fā)、電離及復(fù)合等各個(gè)微觀過程，發(fā)射光譜攜帶了關(guān)于放電更為豐富和本征的信息[9-11]，因此光譜學(xué)診斷也被認(rèn)為是研究放電基礎(chǔ)特性的有效方法。然而，由于局部放電光脈沖幅值弱，無論是光脈沖測(cè)量或是光譜診斷，均需要借助單光子級(jí)光電器件才能實(shí)現(xiàn)，而傳統(tǒng)單光子器件多以真空外場(chǎng)效應(yīng)為原理，驅(qū)動(dòng)電壓高、器件尺寸大、工作壽命短，無法用于實(shí)際電力設(shè)備。

隨著硅光電半導(dǎo)體技術(shù)的快速發(fā)展，靈敏度高、尺寸小、壽命長(zhǎng)的固態(tài)硅光電倍增器件越來越多地應(yīng)用于弱光探測(cè)領(lǐng)域，這不但使局部放電光測(cè)法趨向?qū)嵱没€能夠?qū)⒐庾V診斷這一實(shí)驗(yàn)室技術(shù)應(yīng)用于實(shí)際電力設(shè)備，實(shí)現(xiàn)高精準(zhǔn)的放電故障診斷和預(yù)警。本文前期研究中，對(duì)固態(tài)硅光電倍增器件在局部放電光輻射檢測(cè)有效性方面進(jìn)行了系統(tǒng)性探索[12]，結(jié)果表明固態(tài)硅光電倍增器件與傳統(tǒng)光測(cè)器件相比在靈敏度、脈沖分辨率、抗干擾性等方面均具有明顯優(yōu)勢(shì)。在實(shí)用化光譜診斷方面，Ren Ming等率先提出將局部放電紫外-可見-紅外三個(gè)波段下光脈沖特性與相位統(tǒng)計(jì)特性相結(jié)合，實(shí)現(xiàn)了局部放電精細(xì)化診斷[13]；在此基礎(chǔ)上，該研究團(tuán)隊(duì)進(jìn)一步建立了基于三波段的光譜比值法，該方法不依賴工頻參考相位，為直流系統(tǒng)或相位丟失時(shí)的局部放電診斷提供了新的分析思路[14]；王玉偉等則將放電圖像的光學(xué)三元色分量（Red-Green-Blue, RGB）、色調(diào)-飽和度-亮度模型（Hue-Saturation-Intensity, HSI）、CIE-XYZ光譜三刺激值和CIE LAB色空間（***）四種顏色空間的色度特征參數(shù)引入沿面放電狀態(tài)診斷，結(jié)果顯示色度分析方法可以實(shí)現(xiàn)對(duì)沿面放電過程的準(zhǔn)確檢測(cè)[15]。整體而言，學(xué)者們的研究均顯示將實(shí)用化光譜分析方法應(yīng)用局部放電精細(xì)化診斷中具有優(yōu)越性，然而現(xiàn)有研究對(duì)于光譜波段劃分仍較為粗糙，未能充分利用光譜維度信息，因此進(jìn)一步細(xì)分光譜波段開展局部放電診斷具有重要的研究意義。

本文以強(qiáng)垂直分量沿面放電為對(duì)象，利用局部放電多光譜傳感器對(duì)沿面放電發(fā)生、發(fā)展全過程進(jìn)行試驗(yàn)研究，一方面對(duì)多光譜光脈沖的相位周期性特征（Phase-Resolved Partial Discharge, PRPD）進(jìn)行分析；另一方面，對(duì)放電多個(gè)光譜區(qū)間光脈沖隨放電發(fā)展的基本規(guī)律進(jìn)行分析，建立多光譜統(tǒng)計(jì)特征與放電強(qiáng)度之間的關(guān)聯(lián)關(guān)系。最終建立了基于非相位信息的沿面放電多光譜特征參量表征方法，并結(jié)合深度神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)了放電嚴(yán)重程度的有效劃分。

1 沿面放電多光譜測(cè)量

為了模擬電力設(shè)備中沿面放電隨外施電壓的發(fā)展過程并同步獲取多光譜信號(hào)，搭建沿面放電多光譜光電同步測(cè)量平臺(tái)如圖1所示。試驗(yàn)平臺(tái)由高壓試驗(yàn)回路和光電信號(hào)采集系統(tǒng)組成。

圖1 沿面放電多光譜光電同步測(cè)量平臺(tái)

在高壓試驗(yàn)回路中，380V/100kV試驗(yàn)變壓器用作高壓電源，通過1:2 000阻容式分壓器測(cè)量輸出電壓；電容值9.96nF的標(biāo)準(zhǔn)電容器作為沿面放電測(cè)量回路中高頻低阻抗通道；直徑50cm的金屬罐體用以模擬氣體絕緣設(shè)備密閉環(huán)境；放電缺陷采用具有強(qiáng)垂直分量的柱板沿面放電缺陷，上電極為直徑6mm的銅制柱電極，下電極為直徑40mm的銅制板電極，絕緣介質(zhì)為厚度2mm、直徑70mm的環(huán)氧樹脂板。

多光譜信號(hào)由局部放電多光譜傳感器（SiPM-based Multispectral Discharge Sensor, SMDS）同步采集[12]，其具有尺寸小、偏置電壓低、抗電磁干擾能力強(qiáng)等優(yōu)勢(shì)。其中SiPM是一種由數(shù)千個(gè)工作在蓋革雪崩模式的單光子雪崩二極管（Single Photon Avalanche Diode, SPAD）和猝滅電阻（q）串聯(lián)結(jié)構(gòu)組成的微型固態(tài)硅光電倍增器件，每個(gè)串聯(lián)結(jié)構(gòu)通過“自持式雪崩”和“無源猝滅”的循環(huán)實(shí)現(xiàn)了具有單光子級(jí)靈敏度的光電轉(zhuǎn)換[16]。由于循環(huán)過程僅發(fā)生于接受到光子的串聯(lián)結(jié)構(gòu)，因此SiPM具備了表征瞬時(shí)光通量的“準(zhǔn)模擬量輸出”。本文中所用SMDS是由SensL-ARRAYJ-30035型SiPM陣列和濾光片組構(gòu)成的8通道多光譜傳感器，其中包含了7個(gè)特定光譜波段和1個(gè)全波段，每個(gè)通道由偏置2.5V的直流電源驅(qū)動(dòng)。在光電轉(zhuǎn)換器件中，量子效率是描述光電轉(zhuǎn)換能力的重要參數(shù)，表征了器件在特定波長(zhǎng)下單位時(shí)間內(nèi)產(chǎn)生的平均光電子數(shù)與入射光子數(shù)之比。本文中綜合考慮了沿面放電的光譜分布范圍及SMDS的量子效率，將光譜檢測(cè)范圍設(shè)定為350～650nm，各通道量子檢測(cè)效率及濾光片透過率如圖2所示，其中SMDS通過連接法蘭固定于正對(duì)沿面放電缺陷的金屬罐體觀察窗（見圖1b和圖1c），傳感器電源線與信號(hào)線通過密封航空插頭引出，分別與設(shè)備外部的直流電源和高速數(shù)字采集卡（PicoScope 4824，模擬帶寬為16kHz～20MHz，采樣速率為80MS/s）相連。

圖2 SMDS陣列量子效率及各通道濾光片透過率

脈沖電流信號(hào)由型號(hào)為PEARSONCM-500-L的高頻線圈（High Frequency Current Transformer, HFCT）采集，其靈敏度為5V/A，帶寬為460kHz～120MHz，并與數(shù)字采集卡相連接以保證光-電信號(hào)的同步檢測(cè)。

試驗(yàn)前任意抽取一片環(huán)氧樹脂板作為試品，緩慢升高外施電壓直至出現(xiàn)沿面放電脈沖電流信號(hào)時(shí)，記錄此時(shí)的外施電壓為放電起始電壓i；繼續(xù)升高外施電壓直至樣品擊穿，記錄此時(shí)的外施電壓為沿面閃絡(luò)電壓b。分別測(cè)定三組樣品的i和b并求取平均值作為后續(xù)試驗(yàn)的基礎(chǔ)。試驗(yàn)采取逐級(jí)升壓的方式，從1.1i開始直到b，記錄放電過程中放電脈沖數(shù)據(jù)、峰值電壓及工頻參考相位。在預(yù)試驗(yàn)階段驗(yàn)證了SMDS和HFCT檢測(cè)到的光-電信號(hào)的同步性，結(jié)果如圖3所示。

圖3 SMDS和HFCT檢測(cè)放電脈沖同步性

分析結(jié)果顯示，SMDS檢測(cè)到的各波段光脈沖信號(hào)具有良好的同步性，而與HFCT檢測(cè)到的脈沖電流信號(hào)相比也同樣保持良好的同步性。

2 沿面放電多光譜特征演化規(guī)律

2.1 全波段光脈沖幅值演化規(guī)律

文獻(xiàn)[12]研究表明，SMDS傳感器光脈沖幅值與放電過程的視在放電量具有良好的線性關(guān)系，因此可以使用光脈沖幅值表征放電發(fā)展程度。沿面放電缺陷下全波段光脈沖幅值（正比于視在放電量）隨外施電壓升高的變化情況及光脈沖幅值導(dǎo)數(shù)曲線如圖4所示。

由圖4可知，全波段光脈沖幅值隨外施電壓升高逐漸上升，并且由光脈沖幅值導(dǎo)數(shù)曲線可知，當(dāng)外施電壓為8.8kV時(shí)光脈沖幅值導(dǎo)數(shù)呈現(xiàn)“尖端狀”，意味著在外施電壓達(dá)到8.8kV時(shí)光脈沖幅值出現(xiàn)了“陡升”并隨后保持原始增速緩慢增加；而當(dāng)外施電壓達(dá)到13.6kV時(shí)光脈沖幅值導(dǎo)數(shù)呈現(xiàn)“臺(tái)階狀”，意味著在外施電壓達(dá)到13.6kV時(shí)光脈沖幅值出現(xiàn)了“陡升”，并隨后保持相近速率增加?；谏鲜龇治?，本文中將沿面放電過程劃分為三個(gè)階段：輕微放電階段（3.4～8.4kV）、中度放電階段（8.8～13kV）、劇烈放電階段（13.6～17.6kV）。三個(gè)放電階段下可見光圖像如圖5所示。

圖4 全波段光脈沖幅值及其導(dǎo)數(shù)隨外施電壓變化規(guī)律

在輕微放電階段，初始電子在外電場(chǎng)作用下從陰極出發(fā)向陽(yáng)極運(yùn)動(dòng)，運(yùn)動(dòng)中由于碰撞電離產(chǎn)生電子崩釋放光子，此時(shí)圓柱電極附近出現(xiàn)電暈放電（見圖5a）；當(dāng)外施電壓為8.4kV時(shí)，光脈沖幅值從0.20au增長(zhǎng)至0.65au，整體幅值較低并且增長(zhǎng)趨勢(shì)平緩。在中度放電階段，當(dāng)電子崩頭部積聚到足夠數(shù)量的空間電荷后，由于空間電荷使得局部電場(chǎng)增強(qiáng)及正負(fù)離子復(fù)合產(chǎn)生光輻射加強(qiáng)光致電離，將引發(fā)新的強(qiáng)烈電離和二次電子崩，形成流注通道，并向地電極迅速發(fā)展，發(fā)生了輝光放電（如圖5b所示）；當(dāng)外施電壓達(dá)到8.8kV時(shí)光脈沖幅值會(huì)急劇增長(zhǎng)至1.04au，外施電壓在8.8～13kV范圍內(nèi)光脈沖幅值從1.04au增長(zhǎng)至1.46au，在該階段內(nèi)光脈沖幅值較前一階段有較大增長(zhǎng)，但增速仍然較為緩慢。在劇烈放電階段，由于熱電離增強(qiáng)，火花通道迅速延伸并快速發(fā)展，帶電粒子數(shù)量劇增，電阻驟降，輻射出大量光子，放電轉(zhuǎn)入滑閃放電階段（如圖5c所示）；當(dāng)外施電壓高于13kV后，光脈沖幅值增速顯著提高，從1.46au迅速增長(zhǎng)至3.21au（17.6kV），此時(shí)外施電壓臨近擊穿電壓，放電狀態(tài)劇烈。

圖5 三個(gè)放電階段下可見光圖像

通過最小二乘擬合可以得到三個(gè)階段下光脈沖幅值和外施電壓的關(guān)系如式（1）所示。

式中，1、2、3分別為輕微放電、中度放電和劇烈放電三個(gè)階段下的光脈沖幅值，au；為外施電壓，kV；2為決定系數(shù)。

2.2 多光譜相位特征量演化規(guī)律

本文給出了三個(gè)放電階段多光譜相位統(tǒng)計(jì)特性演化情況，如圖6所示。

圖6 三個(gè)放電階段多光譜脈沖相位分布

在輕微放電階段，從幅值上看，450nm波段幅值明顯高于其余波段，而500nm波段幅值則最小。從脈沖相位上看，在正半周期，350nm、450nm和550nm波段在20°前即出現(xiàn)了幅值較小且較為分散的光脈沖，500nm波段主要分布在50°～90°之間，而其余波段主要分布在20°～100°之間；在負(fù)半周期，500nm波段脈沖主要分布在200°～280°之間，而其余波段分布在175°～280°之間。

在中度放電階段，從幅值上看，所有波段幅值均出現(xiàn)明顯增大，450nm波段下幅值仍顯著高于其他波段，而500nm波段下幅值仍略小于其他波段。從脈沖相位上看，在正半周期，500nm波段脈沖分布在15°～90°之間，其余波段光脈沖主要分布在0°～90°之間，其中450nm波段在170°附近又出現(xiàn)了連續(xù)脈沖并且持續(xù)至負(fù)半周期；在負(fù)半周期，全波段在180°附近出現(xiàn)連續(xù)脈沖并在270°截止，在345°后又出現(xiàn)連續(xù)脈沖。正負(fù)半周放電脈沖相位相較于輕微放電階段均出現(xiàn)了起始相位“左移”的現(xiàn)象。

在劇烈放電階段，從幅值上看，所有波段幅值急劇上升，此時(shí)500nm、550nm和600nm波段下光脈沖幅值較為接近，而400nm波段下光脈沖幅值快速增大接近于450nm波段下光脈沖幅值。從脈沖相位上看，放電脈沖相位分布進(jìn)一步向左平移，全波段在0°～90°，170°～300°均出現(xiàn)了連續(xù)脈沖，而在340°時(shí)全波段再次出現(xiàn)了放電脈沖。

進(jìn)一步分析各波段下光脈沖幅值的變化規(guī)律，以工頻相位為參考進(jìn)行開窗處理，相位窗口為5°，計(jì)算各窗口區(qū)間內(nèi)的平均放電脈沖幅值，具體方法為

式中，L為一個(gè)窗口內(nèi)第個(gè)波段的平均光脈沖幅值；L為第個(gè)脈沖的幅值；為一個(gè)窗口內(nèi)的光脈沖數(shù)。

為了更直觀地表征各波段脈沖相對(duì)幅值的變化，對(duì)各波段光脈沖幅值進(jìn)行歸一化處理，具體方法為

式中，L%為一個(gè)窗口內(nèi)第個(gè)波段光脈沖的平均光脈沖幅值占比。

開窗處理后三個(gè)階段（7.5kV、12.7kV、17.6kV）下各波段平均光脈沖幅值及占比計(jì)算結(jié)果如圖7所示。

如圖7a～圖7c所示，從輕微放電階段到劇烈放電階段，平均脈沖幅值出現(xiàn)了顯著上升，并且相位范圍不斷擴(kuò)大。而對(duì)于平均光脈沖幅值占比，如圖7d～圖7f所示，在輕微放電階段，450nm波段下的放電脈沖幅值占比最大，約占7個(gè)光譜波段下脈沖幅值分量占比之和的一半，400nm波段下的脈沖幅值占比最小，500nm、550nm和600nm波段下的放電脈沖幅值占比相當(dāng)，略小于650nm波段。當(dāng)放電發(fā)展到中度放電階段時(shí)，450nm波段下的脈沖幅值占比略有下降，400nm波段下的放電脈沖幅值占比相較于輕微放電階段有一定的增長(zhǎng)。當(dāng)放電發(fā)展至劇烈放電階段，400nm波段下的放電脈沖幅值占比明顯變大，450nm波段下的脈沖幅值分量占比明顯減小，500nm、550nm、600nm和650nm波段下的幅值分量占比均略有增大?？傮w上來說，不同光譜波段下放電脈沖幅值分量的占比較為穩(wěn)定，幾乎不隨相位的變化而變化，只有當(dāng)放電嚴(yán)重程度變化時(shí)，其各波段下的脈沖幅值占比才會(huì)相應(yīng)地發(fā)生變化，這為放電嚴(yán)重程度的劃分提供了依據(jù)。

2.3 多光譜非相位特征量演化規(guī)律

以工頻電壓相位為參考的統(tǒng)計(jì)方法在現(xiàn)場(chǎng)應(yīng)用中面臨著工頻參考相位獲取困難、直流設(shè)備難以適用等挑戰(zhàn)。多光譜檢測(cè)為放電診斷提供了光譜信息維度，參考局部放電分析中常用的特征量，本文定義了六個(gè)非相位特征量。

1）最大脈沖幅值

最大脈沖幅值表征在個(gè)采樣周期內(nèi)，各波段采集到的最大光脈沖幅值，即

式中，max,b%為第個(gè)波段的最大脈沖幅值占比。

3）平均脈沖幅值

平均脈沖幅值表征個(gè)采樣周期內(nèi)各波段采集到的平均光脈沖幅值，用以消除放電過程中存在的隨機(jī)性，即

式中，mean,b為個(gè)采樣周期內(nèi)第個(gè)波段的平均脈沖幅值；L為第個(gè)波段在第個(gè)周期內(nèi)的脈沖幅值。

式中，mean,b%為第個(gè)波段的平均脈沖幅值占比。

5）脈沖重復(fù)率

脈沖重復(fù)率表征單位時(shí)間內(nèi)沿面放電的平均脈沖個(gè)數(shù)，即

式中，N為第個(gè)采樣周期內(nèi)第個(gè)波段下脈沖重復(fù)率；N為第個(gè)周期內(nèi)個(gè)波段下的脈沖數(shù)。

多光譜非相位特征量計(jì)算結(jié)果如圖8所示。

圖8a、圖8b顯示了各波段下最大脈沖幅值及其占比隨外施電壓的變化趨勢(shì)。從最大脈沖幅值來看，隨著外施電壓的升高，各波段下最大脈沖幅值呈現(xiàn)總體上升的趨勢(shì)，在部分電壓下也體現(xiàn)了放電的隨機(jī)性。從最大脈沖幅值占比來看，擁有最大占比的450nm波段最大脈沖幅值占比從54.6%逐漸下降至23.3%，這是由于隨著放電的發(fā)展，其余波段最大脈沖幅值有了明顯上升，導(dǎo)致450nm波段最大脈沖幅值占比下降。

圖8c、圖8d顯示了各波段下平均脈沖幅值及其占比隨外施電壓的變化趨勢(shì)。類似地，從各波段平均脈沖幅值來說，隨外施電壓的升高各波段平均脈沖幅值整體上升，并且相較于最大脈沖幅值，平均脈沖幅值的增長(zhǎng)趨勢(shì)更加平滑，更能消除放電隨機(jī)性帶來的數(shù)據(jù)劇烈波動(dòng)。從平均脈沖幅值占比來看，由于其余波段脈沖幅值的顯著增加，450nm波段平均脈沖占比呈現(xiàn)逐漸下降的趨勢(shì)。

圖8e、圖8f顯示了各波段下脈沖重復(fù)率及其占比隨外施電壓的變化趨勢(shì)，總體來說，各波段下脈沖重復(fù)率及其占比有著和上述過程類似的變化規(guī)律，即脈沖重復(fù)率逐漸上升，并且450nm波段占比逐漸下降。

2.4 多光譜非相位特征量顯著性分析

進(jìn)一步地，本文采用Pearson相關(guān)性分析定量評(píng)估多光譜特征量與外施電壓之間的相關(guān)性和顯著性，其中Pearson相關(guān)系數(shù)為

另一方面，在討論相關(guān)性的同時(shí)還需要對(duì)兩個(gè)變量之間的相關(guān)關(guān)系的顯著性水平開展判斷，以此避免兩個(gè)變量之間的相關(guān)關(guān)系不是因?yàn)榕既灰蛩卦斐傻?。本文采用假設(shè)檢驗(yàn)的方法，設(shè)定原假設(shè)H0為兩變量之間不存在線性關(guān)聯(lián)，H1為兩者之間存在線性關(guān)聯(lián)。根據(jù)假設(shè)檢驗(yàn)方法，在H0成立的條件下計(jì)算兩個(gè)變量不存在相關(guān)性的概率值（值），若值小于0.05則可以拒絕H0，當(dāng)值遠(yuǎn)大于0.05時(shí)即便Pearson相關(guān)系數(shù)很大也不能表明兩個(gè)變量之間存在明顯相關(guān)性[18]。各多光譜非相位特征量與外施電壓的Pearson相關(guān)系數(shù)及值結(jié)果見表1～表6。

表1 最大脈沖幅值與外施電壓的Pearson相關(guān)系數(shù)及值計(jì)算結(jié)果

Tab.1 The results of Pearson correlation coefficient between maximum pulse amplitude and applied voltage and P value

表2 最大脈沖幅值占比與外施電壓的Pearson相關(guān)系數(shù)及值計(jì)算結(jié)果

Tab.2 The results of Pearson correlation coefficient between maximum pulse amplitude ratio and applied voltage and P value

由表1～表6可知，對(duì)于最大脈沖幅值、平均脈沖幅值和脈沖重復(fù)率三個(gè)特征量來說，7個(gè)波段下的三個(gè)特征量均與外施電壓存在顯著的正相關(guān)性，并且具有顯著的線性關(guān)系。而其余三個(gè)特征量與外施電壓的相關(guān)性和顯著性在7個(gè)波段下表現(xiàn)出了各異性。對(duì)于最大脈沖幅值占比，所有分量均表現(xiàn)出了顯著的相關(guān)性，其中450nm分量為負(fù)相關(guān)，并且650nm分量線性度相對(duì)較低。對(duì)于平均脈沖幅值占比，除600nm分量外其余分量均與外施電壓表現(xiàn)出顯著相關(guān)性，其中450nm分量為負(fù)相關(guān)。對(duì)于脈沖重復(fù)率占比，所有分量均表現(xiàn)出了顯著的相關(guān)性，其中400nm和450nm為負(fù)相關(guān)性，并且650nm波段分量線性度較低。

表3 平均脈沖幅值與外施電壓的Pearson相關(guān)系數(shù)及值計(jì)算結(jié)果

Tab.3 The results of Pearson correlation coefficient between average pulse amplitude and applied voltage and P value

表4 平均脈沖幅值占比與外施電壓的Pearson相關(guān)系數(shù)及值計(jì)算結(jié)果

Tab.4 The results of Pearson correlation coefficient between average pulse amplitude ratio and applied voltage and P value

表5 脈沖重復(fù)率與外施電壓的Pearson相關(guān)系數(shù)及值計(jì)算結(jié)果

Tab.5 The results of Pearson correlation coefficient between pulse repetition rate and applied voltage and P value

表6 脈沖重復(fù)率占比與外施電壓的Pearson相關(guān)系數(shù)及值計(jì)算結(jié)果

Tab.6 The results of Pearson correlation coefficient between pulse repetition rate ratio and applied voltage and P value

3 沿面放電嚴(yán)重程度評(píng)估

從初始放電逐漸發(fā)展到擊穿階段的放電過程伴隨著能量增長(zhǎng)，由第2節(jié)中分析可知，隨著外施電壓（即放電能量）的增加，多光譜特征量會(huì)沿著特定路徑變化。考慮到以相基多光譜特征量受制于工頻相位獲取的限制，本文使用非相基多光譜特征量建立放電能量評(píng)估模型。同時(shí)考慮到非相位多光譜特征絕對(duì)值會(huì)在光輻射傳播過程中隨著傳播路徑發(fā)生衰減[13]，而波段間的“相對(duì)值”將保持良好的一致性，因此本文將結(jié)合非相基多光譜特征占比和深度神經(jīng)網(wǎng)絡(luò)建立放電嚴(yán)重程度評(píng)估模型，同時(shí)對(duì)比基于傳統(tǒng)相位統(tǒng)計(jì)特征量的評(píng)估結(jié)果。

3.1 基于深度神經(jīng)網(wǎng)絡(luò)和多光譜比值特征的放電嚴(yán)重程度評(píng)估

深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Networks, DNN）是由多個(gè)全連接層組成的神經(jīng)網(wǎng)絡(luò)，通過多層神經(jīng)元學(xué)習(xí)可以實(shí)現(xiàn)利用較少參數(shù)表示復(fù)雜的輸入和輸出之間的關(guān)系，具有極強(qiáng)的表達(dá)能力[19-21]。對(duì)于DNN而言，其神經(jīng)網(wǎng)絡(luò)層按位置劃分為輸入層、隱藏層和輸出層。DNN的前向傳播算法即為將輸入向量與權(quán)重系數(shù)矩陣和偏置向量相結(jié)合進(jìn)行運(yùn)算，并從輸入層開始層層向后推進(jìn)到輸出層，最后得出輸出結(jié)果[22]?；贒NN的放電嚴(yán)重程度評(píng)估模型訓(xùn)練流程如下：

1）構(gòu)建DNN網(wǎng)絡(luò)框架，設(shè)置6層網(wǎng)絡(luò)結(jié)構(gòu)，包括1層輸入層、1層輸出層和4層隱藏層，其中輸入層與每層隱藏層神經(jīng)元個(gè)數(shù)為512，輸出層神經(jīng)元個(gè)數(shù)為3，并初始化網(wǎng)絡(luò)權(quán)重。

2）輸入數(shù)據(jù)集，進(jìn)行網(wǎng)絡(luò)訓(xùn)練。其中，用于模型訓(xùn)練的數(shù)據(jù)集是7個(gè)光譜波段下平均脈沖幅值占比，樣本容量為10 800，并將數(shù)據(jù)集按8:2的比例隨機(jī)分配為訓(xùn)練集和測(cè)試集，其中訓(xùn)練集用于訓(xùn)練網(wǎng)絡(luò)參數(shù)，測(cè)試集用于測(cè)試神經(jīng)網(wǎng)絡(luò)的魯棒性。

3）通過學(xué)習(xí)曲線、驗(yàn)證曲線、損失函數(shù)值及其收斂速度等判斷神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果。

DNN網(wǎng)絡(luò)參數(shù)設(shè)置見表7。

表7 DNN網(wǎng)絡(luò)參數(shù)設(shè)置

Tab.7 DNN network parameter settings

以7個(gè)波段下平均脈沖幅值分量占比為特征量，進(jìn)行DNN訓(xùn)練所獲取的驗(yàn)證曲線和損失曲線如圖9所示。

圖9 基于平均脈沖幅值占比的放電嚴(yán)重程度識(shí)別結(jié)果

從圖9中可以看出，隨著迭代次數(shù)的增加，嚴(yán)重程度評(píng)估結(jié)果趨于穩(wěn)定，且模型訓(xùn)練的收斂速度也較快，放電嚴(yán)重程度評(píng)估正確率為96.75%。類似地，以最大脈沖幅值占比和脈沖重復(fù)率占比為特征量的識(shí)別正確率分別為93.45%和95.25%。

3.2 基于深度神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)相位統(tǒng)計(jì)量的放電嚴(yán)重程度評(píng)估

傳統(tǒng)相位統(tǒng)計(jì)方法是包括沿面放電缺陷在內(nèi)的局部放電分析中最廣為應(yīng)用的方法，本節(jié)中將引入全波段下沿面放電相位統(tǒng)計(jì)參量正負(fù)半周的偏斜度K、陡峭度u和正、負(fù)半周最大脈沖幅值u和建立沿面放電嚴(yán)重程度評(píng)估模型。其中，可偏斜度K、陡峭度u分別為

式中，L為放電光脈沖幅值，V；mean為平均放電光脈沖幅值，V；為放電光脈沖幅值的標(biāo)準(zhǔn)差，V；為放電光脈沖數(shù)。

參照表7的網(wǎng)絡(luò)參數(shù)，建立基于傳統(tǒng)相位統(tǒng)計(jì)量的沿面放電嚴(yán)重程度DNN評(píng)估模型，所獲得的驗(yàn)證曲線和損失曲線如圖10所示。

圖10 基于傳統(tǒng)相位統(tǒng)計(jì)量的放電嚴(yán)重程度識(shí)別結(jié)果

從圖10中可以看出，傳統(tǒng)相位統(tǒng)計(jì)量的DNN網(wǎng)絡(luò)收斂速度略慢于多光譜特征量的DNN網(wǎng)絡(luò)，放電嚴(yán)重程度評(píng)估正確率為87.15%，略低于多光譜特征量。

4 結(jié)論

本文圍繞強(qiáng)垂直分量缺陷下沿面放電隨外施電壓（放電能量）升高的發(fā)展過程，搭建了多光譜光電聯(lián)合檢測(cè)系統(tǒng)，研究了多光譜相位特征量和非相位特征量隨放電階段的發(fā)展多光譜特征量的演化規(guī)律，并結(jié)合深度神經(jīng)網(wǎng)絡(luò)建立了放電嚴(yán)重程度評(píng)估模型。具體結(jié)論如下：

1）對(duì)于多光譜相位特征量，在輕微放電階段，450nm波段具有最高的脈沖幅值和最廣的相位分布，而500nm波動(dòng)脈沖幅值最小且相位分布較窄。而隨著放電的發(fā)展，在中度放電和劇烈放電階段全波段脈沖幅值均明顯增加，并且在相位分布上出現(xiàn)明顯“左移”。

2）對(duì)于多光譜非相位特征量，隨著放電階段的發(fā)展，各波段最大脈沖幅值、平均脈沖幅值和脈沖重復(fù)率均顯著升高，而各波段最大脈沖幅值占比、平均脈沖幅值占比、脈沖重復(fù)率占比均呈現(xiàn)出450nm波動(dòng)占比下降，其余波段占比上升的趨勢(shì)。

3）多光譜比值特征可以有效地反映放電發(fā)展過程的微觀特征，基于多光譜比值特征和深度神經(jīng)網(wǎng)絡(luò)的放電嚴(yán)重程度評(píng)估模型均達(dá)到93%以上的準(zhǔn)確度，其中以平均脈沖幅值占比為特征量的評(píng)估模型正確率最高，達(dá)到了96.75%。

[1] 彭兆裕, 岳丹, 顏冰, 等. 開關(guān)柜內(nèi)沿面放電及電弧放電多光譜特征分析[J]. 絕緣材料, 2021, 54(1): 84-90.

Peng Zhaoyu, Yue Dan, Yan Bing, et al. Multi-spectral characteristics of creeping discharge and arc discharge in switch cabinet[J]. Insulating Materials, 2021, 54(1): 84-90.

[2] 朱明曦, 王黎明. 具有強(qiáng)垂直分量結(jié)構(gòu)沿面放電現(xiàn)象及特征[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(10): 2266-2274.

Zhu Mingxi, Wang Liming. Surface discharge phenomenon and properties of strong-vertical electric field electrode structures[J]. Transactions of China Electrotechnical Society, 2020, 35(10): 2266-2274.

[3] 李進(jìn), 趙仁勇, 杜伯學(xué), 等. 電工環(huán)氧絕緣件缺陷無損檢測(cè)方法研究進(jìn)展[J]. 電工技術(shù)學(xué)報(bào), 2021, 36(21): 4598-4607.

Li Jin, Zhao Renyong, Du Boxue, et al. Research progress of nondestructive detection methods for defects of electrical epoxy insulators[J]. Transactions of China Electrotechnical Society, 2021, 36(21): 4598-4607.

[4] 任重, 吳海濤, 肖利龍, 等. 絕緣子表面放電的多物理信號(hào)比值演化特征及其診斷方法研究[J]. 絕緣材料, 2020, 53(4): 95-102.

Ren Zhong, Wu Haitao, Xiao Lilong, et al. Multi-physical signals specific value evolution characteristics of surface discharge along insulator and its diagnosis approach[J]. Insulating Materials, 2020, 53(4): 95-102.

[5] 鄒陽(yáng), 周求寬, 劉明軍, 等. 局部放電特高頻檢測(cè)裝置抗電磁干擾性能的量化評(píng)估方法研究[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(10): 2275-2282.

Zou Yang, Zhou Qiukuan, Liu Mingjun, et al. Research on quantitative evaluation on anti-electromagnetic interference capability of ultra high frequency partial discharge detection instrument[J]. Transactions of China Electrotechnical Society, 2020, 35(10): 2275-2282.

[6] Kumpulainen L, Hussain G A, Rival M, et al. Aspects of arc-flash protection and prediction[J]. Electric Power Systems Research, 2014, 116: 77-86.

[7] 劉永剛. 光測(cè)法檢測(cè)局部放電的模式識(shí)別及放電量估計(jì)研究[D]. 重慶: 重慶大學(xué), 2012.

[8] Xia Changjie, Ren Ming, Wang Bing, et al. Infrared thermography based diagnostics on power equipment: state of the art[J]. High Voltage, 2021, 6(3): 387-407.

[9] Ren Ming, Dong Ming, Liu Jialin. Statistical analysis of partial discharges in SF6gas via optical detection in various spectral ranges[J]. Energies, 2016, 9(3): 152.

[10] Christophorou L G, Olthoff J K. Electron interactions with SF6[J]. Journal of Physical and Chemical Reference Data, 2000, 29(3): 267-330.

[11] Tewari S V, Kshirsagar R J, Roy A, et al. Optical emission spectroscopy study on flashover along insulator surface due to particle contamination[J]. Laser and Particle Beams, 2014, 32(4): 681-689.

[12] 任明, 李信哲, 王思云, 等. 基于雪崩面陣的氣體絕緣放電光脈沖檢測(cè)技術(shù)及傳感性能研究[J]. 電網(wǎng)技術(shù), 2021, 45(9): 3627-3636.

Ren Ming, Li Xinzhe, Wang Siyun, et al. Gas insulated discharge optical pulse detection technology and sensing performance based on avalanche diode array[J]. Power System Technology, 2021, 45(9): 3627-3636.

[13] Ren Ming, Zhou Jierui, Miao Jin. Adopting spectral analysis in partial discharge fault diagnosis of GIS with a micro built-in optical sensor[J]. IEEE Transactions on Power Delivery, 2021, 36(2): 1237-1240.

[14] Ren Ming, Zhang Chongxing, Dong Ming, et al. Fault prediction of gas-insulated system with hypersensitive optical monitoring and spectral information[J]. International Journal of Electrical Power & Energy Systems, 2020, 119: 105945.

[15] 王玉偉, 葉齊政, 郭自清. 基于圖像處理技術(shù)的交流沿面放電狀態(tài)診斷方法研究[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2021, 41(1): 222-230, 412.

Wang Yuwei, Ye Qizheng, Guo Ziqing. AC surface discharge status diagnosis based on image processing techniques[J]. Proceedings of the CSEE, 2021, 41(1): 222-230, 412.

[16] 沈龍, 錢國(guó)超, 周仿榮, 等. 一種應(yīng)用于GIS內(nèi)部局部放電檢測(cè)的新型光學(xué)傳感系統(tǒng)[J]. 光電子技術(shù), 2020, 40(4): 258-264, 276.

Shen Long, Qian Guochao, Zhou Fangrong, et al. A novel optical sensor system for internal partial discharge detection in gas insulation switchgear[J]. Optoelectronic Technology, 2020, 40(4): 258-264, 276.

[17] 姜豐, 朱家玲, 胡開永, 等. Pearson相關(guān)系數(shù)評(píng)價(jià)ORC系統(tǒng)蒸發(fā)器特性的應(yīng)用研究[J]. 太陽(yáng)能學(xué)報(bào), 2019, 40(10): 2732-2738.

Jiang Feng, Zhu Jialing, Hu Kaiyong, et al. Applied research to assess envaporator performances in orc system by Pearson correlation coefficient[J]. Acta Energiae Solaris Sinica, 2019, 40(10): 2732-2738.

[18] 姜豐.Pearson相關(guān)系數(shù)評(píng)價(jià)混合工質(zhì)與納米流體換熱特性的應(yīng)用研究[D]. 天津: 天津大學(xué), 2018.

[19] 朱煜峰, 許永鵬, 陳孝信, 等. 基于卷積神經(jīng)網(wǎng)絡(luò)的直流XLPE電纜局部放電模式識(shí)別技術(shù)[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(3): 659-668.

Zhu Yufeng, Xu Yongpeng, Chen Xiaoxin, et al. Pattern recognition of partial discharges in DC XLPE cables based on convolutional neural network[J]. Transactions of China Electrotechnical Society, 2020, 35(3): 659-668.

[20] 李超然, 肖飛, 樊亞翔, 等. 基于卷積神經(jīng)網(wǎng)絡(luò)的鋰離子電池SOH估算[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(19): 4106-4119.

Li Chaoran, Xiao Fei, Fan Yaxiang, et al. An approach to lithium-ion battery SOH estimation based on convolutional neural network[J]. Transactions of China Electrotechnical Society, 2020, 35(19): 4106-4119.

[21] Xia Changjie, Ren Ming, Wang Bin, et al. Acquisition and analysis of hyperspectral data for surface contamination level of insulating materials[J]. Measurement, 2021, 173: 108560.

[22] 張慧, 盧文冰, 趙雄文, 等. 基于最小二乘支持向量機(jī)和小波神經(jīng)網(wǎng)絡(luò)的電力線通信信道噪聲建模研究[J]. 電工技術(shù)學(xué)報(bào), 2018, 33(16): 3879-3888.

Zhang Hui, Lu Wenbing, Zhao Xiongwen, et al. Noise modeling for power line communication channel using the LS-SVM and wavelet neural networks[J]. Transactions of China Electrotechnical Society, 2018, 33(16): 3879-3888.

Multispectral Pulse Evolution Laws of Insulator Surface Discharges and Its Diagnosis Approach

Ren Ming Xia Changjie Yu Jiahe Li Xinzhe Dong Ming

（State Key Laboratory of Electrical Insulation and Power Equipment Xi’an Jiaotong University Xi’an 710049 China）

Insulator surface discharge is a common cause of insulation failure of switch cabinets. However, traditional surface discharge detection methods characterized by electromagnetic and acoustic signals can hardly meet the requirements in field application. Based on light radiation, another intrinsic nature of discharge, optical detection method has been applied for discharge diagnosis, performing strong anti-interference and high detection confidence. Further, spectral analysis provides a light wavelength information dimension for refined discharge diagnosis, but it is not practical because of the limitation of sensing equipment. In this paper, a practical discharge spectral detection sensor named SiPM-based multispectral discharge sensor (SMDS) is introduced to study the optical radiation characteristics and the evolution laws of multispectral characteristics during the surface discharge development process of insulators, moreover, a strategy for severity diagnosis of surface discharge based on the characteristics of multispectral pulse evolution are proposed.

First, based on the new generation solid state photoelectric sensors, SMDS with seven specific band channels and one full band channel are adopted to acquire multispectral pulses of surface discharge. Second, the evolution stages of surface discharge are distinguished into three stages, named slight, moderate and severe stage, respectively, according to the derivative of full-band light pulse intensity at different voltages. Third, multispectral characteristics of surface discharge at different stages are analyzed. For the phase-based multispectral characteristics, the light intensity of each band increases significantly with the applied voltage independent of the phase, while the light intensity proportion of each band shows different evolution trends. In the slight stage, the light intensity at 450nm is the largest, accounting for about half of the total light intensity. While the light intensity of 400nm band has the smallest proportion. In the moderate stage, the proportion of light intensity at 450nm decreases slightly, while the proportion of light intensity at 400nm increases slightly. In the severe stage, the proportion of 450nm band decreases obviously with the increase of 400nm band. In terms of the phase distribution, the phase range expands continuously from the slight stage (20°～100° and 175°～280°) to moderate stage (0°～90° and 180°～270°) and to severe stage (0°～90°, 170°～300° and over 340°). At the same time, six characteristics named maximum pulse amplitude, average pulse amplitude, pulse repetition rate and their proportions of each band are defined as the non-phase-based multispectral characteristics. In addition, the first three characteristics perform the significant positive liner correlations with the applied voltage. However, for the maximum pulse amplitude proportion, all the components show a significant correlation with applied voltage, with the 450nm component showing a negative correlation and the 650nm component showing relatively low linearity. For the average pulse amplitude proportion, all the components are significantly correlated with the applied voltage, and the 450nm component is negatively correlated. For the pulse repetition rate proportion, all components show significant correlation with applied voltage, among which 400nm and 450nm show a negative correlation. Finally, discharge risk assessment models with a deep neural networks (DNN) based on the non-phase-based multispectral characteristics are built. The results reveal that the correct rates based on multispectral average pulse amplitude proportion, maximum pulse amplitude proportion and pulse repetition rate proportion are 96.75%, 93.45% and 95.25%, respectively.

The following conclusions can be drawn from the multispectral analysis: ①For the phase-based multispectral characteristics, in the slight stage, the 450nm band has the highest pulse amplitude and the widest phase distribution, while the 500nm wave pulse has the smallest amplitude and narrow phase distribution. With the development of the discharge, the amplitude of the whole band pulse increases obviously in the moderate and severe stage, and the phase distribution shows a significant “l(fā)eft shift”. ②For the non-phase-based multispectral characteristics, with the development of discharge stage, maximum pulse amplitude, average pulse amplitude and pulse repetition rate are significantly increased, and the band maximum pulse amplitude proportion, average pulse amplitude proportion and pulse repetition rate present decrease trends for 450nm and increase trends for other bands. ③The multispectral proportion characteristics can effectively reflect the microscopic characteristics of the discharge development process. The accuracies of the discharge severity evaluation model based on the multispectral proportion characteristics and DNN (over 93%) are higher than that of the traditional phase statistical characteristic models (87.15%).

Surface discharge, optical detection, multispectral diagnostic, deep neural network, severity assessment model

10.19595/j.cnki.1000-6753.tces.211357

TM85

國(guó)家電網(wǎng)有限公司總部科技項(xiàng)目資助（5500-202218131A-1-1-ZN）。

2021-08-27

2022-01-25

任明 男，1987年生，博士，副教授，研究方向?yàn)楦邏涸囼?yàn)技術(shù)、狀態(tài)監(jiān)測(cè)智能傳感器、圖像融合與故障可視化等。E-mail：renming@xjtu.edu.cn（通信作者）

夏昌杰 男，1996年生，博士研究生，研究方向?yàn)殡娏υO(shè)備狀態(tài)光學(xué)檢測(cè)及故障可視化。E-mail：xcj19960521@stu.xjtu.edu.cn

（編輯 赫蕾）