摘 要：為提高電力設(shè)備運(yùn)行的安全性和穩(wěn)定性，提出一種基于聲發(fā)射技術(shù)的電力設(shè)備絕緣子材料污閃監(jiān)測的試驗方法。其中采用K-L變換法提取材料污閃聲發(fā)射信號特征量最大幅值和工頻半周波包絡(luò)線，并將其輸入BP神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論組合分類器中進(jìn)行識別。結(jié)果表明：所提方法可有效識別電力設(shè)備絕緣子材料的污閃發(fā)展階段，進(jìn)而實現(xiàn)電力設(shè)備絕緣子材料的污閃監(jiān)測，且具有較高的準(zhǔn)確率為97.78%，相較于基于最小二乘支持向量機(jī)的方法，所提方法的識別準(zhǔn)確率提高了6.67%，為電力設(shè)備的安全穩(wěn)定運(yùn)行提供了保障。

關(guān)鍵詞：聲發(fā)射技術(shù)；絕緣子材料；BP神經(jīng)網(wǎng)絡(luò)；D-S證據(jù)理論；污閃監(jiān)測

中圖分類號：TM216;TP277

文獻(xiàn)標(biāo)志碼：A文章編號：1001-5922（2023）11-0189-04

Dynamic intelligent monitoring of insulator pollution flashover based on acoustic emission technology

ZHANG Zebin

（Gongzui Hydropower Plant of Guoneng Dadu River Basin Hydropower Development Co.，Ltd.，Leshan 641900，China

）

Abstract：In order to improve the safety and stability of power equipment operation，a test method based on acoustic emissiontechnology was proposed for pollution flashover monitoring of power equipmentinsulator materials.The maximum value of acoustic emission signal feature and the half-cycle envelope of power frequency were extracted by K-L transformation method，and were input into BP neural network and D-S evidence theory combination classifier for identification.The results showed that the proposed method could effectively identify the pollution flashover development stage of power equipmentinsulator materials，and then realize the pollution flashover monitoring ofpower equipment insulator materials，with a high accuracy of 97.78%.Compared with the method based on least squares support vector machine，the identification accuracy of the proposed method was improved by 6.67%，providing guarantee for the safe and stable operation of power equipment.

Key words：acoustic emission technology;insulator material;BP neural network;D-S evidence theory;pollution flashover monitoring

電力設(shè)備絕緣子材料是國家電網(wǎng)外絕緣的重要部件。然而由于電力設(shè)備絕緣子材料長期暴露在野外，導(dǎo)致絕緣水平下降，使電網(wǎng)在額定電壓運(yùn)行下發(fā)生污閃，威脅電網(wǎng)的安全穩(wěn)定運(yùn)行，對電力設(shè)別絕緣子材料進(jìn)行污閃監(jiān)測十分必要。有研究利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，提出一種絕緣子污閃電壓預(yù)測方法［1］；提出一種基于有限元的絕緣子污閃動態(tài)電弧模型，實現(xiàn)了絕緣子剩余污層電阻值動態(tài)變化趨勢預(yù)測［2］；根據(jù)聲發(fā)射特性，提出一種基于廣義回歸神經(jīng)網(wǎng)絡(luò)的玻璃絕緣子污閃預(yù)測模型［3］。由此可以發(fā)現(xiàn)，絕緣子材料污閃監(jiān)測已取得一定成效，但有研究認(rèn)為，現(xiàn)有監(jiān)測方法的準(zhǔn)確率有待進(jìn)一步提高［4］。鑒于此，提出一種基于工業(yè)技術(shù)領(lǐng)域常用的聲發(fā)射技術(shù)對電力設(shè)備絕緣子材料進(jìn)行污閃監(jiān)測的方法。

1 污閃聲發(fā)射信號特征量提取

污閃聲發(fā)射信號特征量提取是實現(xiàn)污閃檢測的基礎(chǔ)。根據(jù)電力設(shè)備絕緣子材料污閃聲發(fā)射性能統(tǒng)計規(guī)律，研究選擇事件計數(shù)PS、最大幅值Vmax/平均幅值Vav、幅值分布標(biāo)準(zhǔn)差Vvar、工頻半周波包絡(luò)線最大值Smax/最小值Smin/平均值Sae、振鈴計數(shù)PV、工頻正半周波包絡(luò)線面積分布標(biāo)準(zhǔn)差Svar，9個特征量作為電力設(shè)備絕緣子材料污閃聲發(fā)射信號的特征量［9-10］。

考慮到過多的特征量可能產(chǎn)生冗余信息，降低電力設(shè)備絕緣子材料污閃聲發(fā)射信號最終分類識別的效率和準(zhǔn)確率。因此，研究基于主成分分析法中常用的Karhunen-Loeve Transform（K-L變換法）對上述9個特征量進(jìn)行了篩選，具體操作：

（1）特征量歸一化處理?？紤]到不同特征量的量綱不同，在進(jìn)行特征量篩選前，對所有特征量進(jìn)行了歸一化處理［11］：

X=x－xminxmax－xmin（1）

式中，x、X分別為歸一化處理前后的數(shù)據(jù)；xmin、xmax分別為歸一化處理前數(shù)據(jù)的最小值和最大值。

（2）計算原始特征量矩陣X的協(xié)方差矩陣C，以及C的特征值λj及其正交特征向量pj。

（3）按從大到小的順序?qū)Ζ薺進(jìn)行排列，并根據(jù)順序?qū)j進(jìn)行排列。

（4）當(dāng)累計方差貢獻(xiàn)率大于90%時，則對應(yīng)特征向量構(gòu)成正交陣P。

（5）根據(jù)式（2）求解主成分矩陣Y。

Y=y1y2yk=p11p12…p1mp21p22…p2mpk1pk2…pkm x1x2xm=PTX （2）

通過上述方法，最終本研究篩選出2個與電力設(shè)備絕緣子材料污閃聲發(fā)射信號密切相關(guān)的特征量，分別為最大幅值Vmax和工頻半周波包絡(luò)線最大值Smax。

2 污閃聲發(fā)射信號識別

具體的信號識別步驟分為以下幾步：

（1）利用BP神經(jīng)網(wǎng)絡(luò)對絕緣子材料的污閃特征量進(jìn)行信息融合，并基于BP神經(jīng)網(wǎng)絡(luò)中的權(quán)值和閾值對聲發(fā)射信號進(jìn)行識別；

（2）利用Dempster-Shafer（D-S證據(jù)理論）對BP神經(jīng)網(wǎng)絡(luò)的輸出融合分類識別；

（3）根據(jù)一定的判定準(zhǔn)則，即可得到絕緣子材料污閃聲發(fā)射信號的分類識別結(jié)果。

3 仿真實驗

3.1 實驗環(huán)境搭建

本次實驗搭建的實驗環(huán)境如圖1所示，由試品、霧室、變壓器、調(diào)壓器等組成。其中，試品包括單片絕緣子和長串絕緣子2種類型，實驗分別選用1片的XP3160瓷質(zhì)懸式絕緣子和30片的FC12P/146玻璃鋼懸式絕緣子作為單片和長串絕緣子試品。

根據(jù)試品不同，霧室的水蒸氣霧來源不同，電壓升壓方式也不同。針對單片絕緣子試品，霧室中的人工霧由大功率電熱爐加熱產(chǎn)生的水蒸氣通過噴嘴進(jìn)入產(chǎn)生；電壓的升壓通過一臺單相額定容量為100 kVA的DJ-100/50感應(yīng)變壓器施加電壓［12］。

針對長串絕緣子試品，霧室中的人工霧由4t的極低壓鍋爐產(chǎn)生的水蒸氣通過管道并由減壓分配系統(tǒng)進(jìn)行分配，并通過噴霧進(jìn)入霧室；電壓的升壓通過一臺F3200—8/1730同步電動機(jī)組和TFS 7500—8/2130低阻抗同步發(fā)電機(jī)組施加電壓。

具體實驗方法：將試品懸掛于霧室中央，并連接其接線。確定接線連接正確后關(guān)閉霧室沖霧10 min以上，直至霧室霧氣分布均勻。然后施加電壓至閃絡(luò)，并利用聲發(fā)射傳感器采集聲發(fā)射信號。實驗過程中，假設(shè)氣壓為102.9 kPa，保持恒定，僅電壓和污閃度發(fā)生變化［13-14］。

為避免隨機(jī)誤差的影響，對每只試品進(jìn)行3次閃絡(luò)實驗，每次實驗間隔時長1 min。

3.2 數(shù)據(jù)來源及預(yù)處理

實驗數(shù)據(jù)來自自主利用聲發(fā)射信號傳感器采集的電力設(shè)備絕緣子材料污閃聲發(fā)射信號。

考慮到實驗采集的絕緣子材料污閃聲發(fā)射信號數(shù)據(jù)含有一定噪聲，試驗前對采集的聲發(fā)射信號進(jìn)行了降噪預(yù)處理。常用降噪算法包括邊緣檢測和波峰/波谷等方法。實驗選用邊緣檢測法對絕緣子材料污閃聲發(fā)射信號進(jìn)行濾波，具體操作：

首先確定結(jié)構(gòu)元素g（x）=0，x為－1、0、1，并計算采集的數(shù)據(jù)的逐點(diǎn)梯度，同時選擇計算結(jié)果的均方根作為閾值。然后比較逐點(diǎn)梯度值與閾值，若梯度值更大，則令其權(quán)值為1；反之，則令其權(quán)值為0.2。最后，將權(quán)值乘以信號上的每個點(diǎn)，即可得到降噪后的絕緣子材料污閃聲發(fā)射信號。

通過降噪等預(yù)處理，實驗共獲取145個有效樣本。隨機(jī)選取其中100個樣本作為訓(xùn)練樣本，剩余45個樣本作為測試樣本。

3.3 評價指標(biāo)

本次實驗選用準(zhǔn)確率（acc）作為評估所提基于BP神經(jīng)網(wǎng)絡(luò)與D-S證據(jù)理論分類器識別性能的指標(biāo)，其計算公式：

acc=（TP+TN）/（TP+TN+FP+FN）（3）

式中：TP、TN分別表示真正例和真負(fù)例；FP、FN分別表示假正例和假負(fù)例。

3.4 參數(shù)設(shè)置

實驗根據(jù)主成分分析結(jié)果，將BP神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)設(shè)置為2，根據(jù)絕緣子材料污閃存在絕緣子表面積污、絕緣子表面濕潤、出現(xiàn)干區(qū)和局部放電、閃絡(luò)的4個階段［15］，將BP神經(jīng)網(wǎng)絡(luò)的輸出節(jié)點(diǎn)數(shù)設(shè)置為4，然后采用試湊法確定隱藏層節(jié)點(diǎn)數(shù)。根據(jù)實證結(jié)果，實驗設(shè)置隱藏層節(jié)點(diǎn)數(shù)為12。

為確定BP神經(jīng)網(wǎng)絡(luò)的迭代次數(shù)，實驗利用100個訓(xùn)練樣本對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，結(jié)果如圖2所示。

由圖2可知，當(dāng)?shù)?5次后，BP神經(jīng)網(wǎng)絡(luò)的誤差小于0.01。因此，本次實驗設(shè)置BP神經(jīng)網(wǎng)絡(luò)的迭代次數(shù)為45。

4 結(jié)果與分析

4.1 方法驗證

為驗證所提基于BP神經(jīng)網(wǎng)絡(luò)與D-S證據(jù)理論分類器的有效性，實驗基于100個訓(xùn)練樣本對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并采用訓(xùn)練樣本和測試樣本對網(wǎng)絡(luò)分類識別結(jié)果進(jìn)行驗證，得到BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練準(zhǔn)確率和測試準(zhǔn)確率分別為100%和93.33%，部分樣本分類識別結(jié)果如表1所示（“*”表示測試樣本）。

由表1可知，所提方法利用BP神經(jīng)網(wǎng)絡(luò)可良好識別樣本所屬類別，判斷污閃發(fā)展階段，進(jìn)而實現(xiàn)對絕緣子材料的污閃監(jiān)測，但也存在誤判的情況，如樣本6輸出可歸屬于階段2～4。

采用D-S證據(jù)理論對BP神經(jīng)網(wǎng)絡(luò)輸出進(jìn)行決策層融合，以樣本6為例，設(shè)E={e2，e3，e4}為證據(jù)空間，e2，e3，e4分別為絕緣子污閃發(fā)展階段2～4，其實際輸出和期望輸出分別為（0.501 2 0.573 7）和（0 1），所以其正確分類的類別應(yīng)該為e2。

根據(jù)式（4）～式（6）計算基本概率賦值。然后，根據(jù)式（7）對階段2和階段3數(shù)據(jù)進(jìn)行融合，得到：

m′（A）=m1（A）·m2（A）+m1（A）·m2（θ）+m2（A）·m1（θ）1-K1′（4）

m′（B）=m1（B）·m2（B）+m1（B）·m2（θ）+m2（B）·m1（θ）1-K1′（5）

m′（θ）=m1（θ）·m2（θ）1－K1′（6）

K1′=m1（A）·m2（B）+m2（A）·m1（B）（7）

將階段4與上述結(jié)果進(jìn)行融合。根據(jù)m″（A）、m″（B）、m″（θ），可得到?jīng)Q策結(jié)果為e2。根據(jù)該識別結(jié)果可知，通過D-S證據(jù)理論進(jìn)行分類后，提高了BP神經(jīng)網(wǎng)絡(luò)的分類準(zhǔn)確率。

將所有45個測試樣本通過BP神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論分類器進(jìn)行分類識別，可得到所提算法的準(zhǔn)確率為97.78%。由此說明，所提的基于BP神經(jīng)網(wǎng)絡(luò)與D-S證據(jù)理論的分類器具有良好的分類識別準(zhǔn)確率。

4.2 方法對比

為進(jìn)一步驗證所提基于BP神經(jīng)網(wǎng)絡(luò)與D-S證據(jù)理論的分類器對電力設(shè)備絕緣子材料污閃聲發(fā)射信號的識別效果，實驗對比了所提方法與常用基于最小二乘支持向量機(jī)的分類識別方法的識別結(jié)果。實驗設(shè)置最小二乘支持向量機(jī)的徑向基內(nèi)積參數(shù)σ2=0.09和懲罰因子C=4。將45個測試樣本輸入2種分類識別方法中進(jìn)行識別，結(jié)果如表2所示。

由表2可知，基于最小二乘支持向量機(jī)的期望輸出與實際輸出存在4例誤判，識別準(zhǔn)確率為91.11%，所提基于BP神經(jīng)網(wǎng)絡(luò)與D-S證據(jù)理論的分類器存在1例誤判，識別準(zhǔn)確率提高了6.67%，達(dá)到97.78%。由此說明，所提方法在電力設(shè)備絕緣子材料污閃聲發(fā)射信號識別中具有一定的有效性和優(yōu)越性。

4.3 重復(fù)性實驗

為驗證所提基于BP神經(jīng)網(wǎng)絡(luò)與D-S證據(jù)理論的分類器的重復(fù)性，采用所提方法對單片和長串絕緣子分別進(jìn)行了3次重復(fù)性實驗分類識別效果。表3和表4為單片和長串絕緣子污閃4個發(fā)展階段中的任意1個樣本分類識別結(jié)果示例。由此可知，所提方法具有良好的重復(fù)性，可實現(xiàn)電力設(shè)備絕緣子材料污閃的有效監(jiān)測。

5 結(jié)語

提出的基于聲發(fā)射技術(shù)的電力設(shè)備絕緣子材料污閃監(jiān)測方法，通過將電力設(shè)備絕緣子材料污閃聲發(fā)射信號輸入基于BP神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論組合分類器中，可有效識別電力設(shè)備絕緣子材料污閃發(fā)展階段，進(jìn)而實現(xiàn)對電力設(shè)備絕緣子材料污閃監(jiān)測，且具有較高的準(zhǔn)確率為97.78%，相較于基于最小二乘支持向量機(jī)的分類識別方法，準(zhǔn)確率提高了6.67%。在電力設(shè)備絕緣子材料污閃聲發(fā)射信號識別中，方法具有一定的有效性、優(yōu)越性和重復(fù)性。為材料技術(shù)在電力中的應(yīng)用提供了一種新的參考

。

【參考文獻(xiàn)】

［1］ 王思華，王軍軍，趙珊鵬.高原鹽堿區(qū)接觸網(wǎng)復(fù)合絕緣子污閃電壓預(yù)測研究［J］.電瓷避雷器，2022（1）：134-142.

［2］ 張云翔，陳昊，宋恒東，等.基于有限元法的絕緣子污閃動態(tài)電弧模型研究［J］.廣東電力，2021，34（6）：119-126.

［3］ 王遠(yuǎn)東，史文江，韓興波，等.基于聲發(fā)射特性的玻璃絕緣子污閃預(yù)測模型［J］.電力建設(shè)，2021，42（5）：138-144.

［4］ 戴罕奇，孫月，王黎明.基于特征參量K_（h10）的復(fù)合絕緣子污閃試驗［J］.電工技術(shù)學(xué)報，2020，35（24）：5207-5217.

［5］ 蘇顏，張珍，林慶達(dá)，等.基于BP神經(jīng)網(wǎng)絡(luò)算法的短期電力負(fù)荷預(yù)測研究［J］.電子設(shè)計工程，2022，30（12）：167-170.

［6］ 張鈺曼，吳海淼，侯紅娟.基于D-S證據(jù)理論和模糊理論的工業(yè)機(jī)器人健康狀態(tài)評估［J］.機(jī)床與液壓，2022，50（8）：198-203.

［7］ 張寬，吐松江·卡日，高文勝，等.基于云模型和改進(jìn)D-S證據(jù)理論的變壓器故障診斷［J］.高壓電器，2022，58（4）：196-204.

［8］ 邢曉敏，徐海瑞，廖孟柯，等.基于云模型和D-S證據(jù)理論的配電終端健康狀態(tài)綜合評估方法［J］.電力系統(tǒng)保護(hù)與控制，2021，49（13）：72-81.

［9］ 馬千柱，李廣，李世杰.高速動車組牽引電機(jī)匝間絕緣的納米氧化鋁制備及性能分析［J］.粘接，2022，49（2）：49-52.

［10］ 張東東，劉欣，黃宵寧，等.典型工業(yè)粉塵地區(qū)復(fù)合絕緣子污穢成分及其閃絡(luò)特性［J］.電力工程技術(shù)，2022，41（4）：162-168.

［11］ 朱明曦，王黎明.具有強(qiáng)垂直電場分量結(jié)構(gòu)的外絕緣污閃特性及機(jī)理研究［J］.高電壓技術(shù)，2020，46（10）：3615-3621.

［12］ 蔡斌，郭廣領(lǐng)，代朝輝，等.巴基斯坦卡西姆電站及500 kV輸電線路嚴(yán)重頻繁污閃事故分析［J］.科學(xué)技術(shù)創(chuàng)新，2021（3）：186-190.

［13］ 宋明鈺，王振羽，薄巖，等.水電站提高并保持封閉母線絕緣水平方法實證分析［J］.粘接，2020，44（12）：145-148.

［14］ 胡聰，王巖，石俏，等.FXBW4-35/70絕緣子覆冰特點(diǎn)及污穢閃絡(luò)特性研究［J］.電力學(xué)報，2021，36（4）：315-324.

［15］ 秦威南，徐飛明，陳安，等.大數(shù)據(jù)環(huán)境下區(qū)域電網(wǎng)防污閃策略研究及應(yīng)用［J］.電力大數(shù)據(jù)，2022，25（1）：43-50.

收稿日期：2023-06-10；修回日期：2023-09-26

作者簡介：張澤彬（1967-），男，碩士，工程師，研究方向：電力系統(tǒng)自動化；E-mail：12080039@chnenergy.com.cn。

引文格式：張澤彬.基于聲發(fā)射技術(shù)的絕緣子材料污閃動態(tài)智能監(jiān)測［J］.粘接，2023，50（11）：189-192.