王瓊苑 褚繼峰 李秋霖 楊愛軍 袁 歡 榮命哲 王小華

基于微型氣體傳感陣列的空氣絕緣設(shè)備放電故障識別

王瓊苑 褚繼峰 李秋霖 楊愛軍 袁 歡 榮命哲 王小華

（電工材料電氣絕緣全國重點實驗室（西安交通大學(xué)） 西安 710049）

空氣作為一種天然的絕緣氣體，在電力設(shè)備中（開關(guān)柜、環(huán)網(wǎng)柜等）被廣泛應(yīng)用。研究表明，當(dāng)電力設(shè)備發(fā)生放電故障時，空氣絕緣介質(zhì)會產(chǎn)生以NO2為代表的特征分解產(chǎn)物。放電分解產(chǎn)物的組分及含量能夠反映放電故障的嚴(yán)重程度，因此，氣體分解產(chǎn)物檢測對電力系統(tǒng)安全穩(wěn)定運行具有重要意義。該文在不同的電壓等級、持續(xù)時間下，分別模擬了包括電暈放電、火花放電及電弧放電在內(nèi)的15種空氣放電故障，并發(fā)現(xiàn)NO2氣體的含量在不同故障條件下存在顯著差異。對此，設(shè)計了一款裝載有四種對NO2氣體具有高度選擇性氣敏材料的微型氣體傳感陣列。經(jīng)多次實驗測試，傳感陣列對15種放電故障氣體表現(xiàn)出差異性響應(yīng)信號，構(gòu)成豐富的樣本數(shù)據(jù)集。分別采用四種機(jī)器學(xué)習(xí)算法（極限樹、決策樹、K鄰近和隨機(jī)森林）實現(xiàn)基于傳感信號的空氣放電故障識別，其平均準(zhǔn)確率最高可達(dá)84.88%、81.82%、76.86%和81.32%。其中，傳感陣列對局部放電和電弧放電的識別能力略高于火花放電，可以歸因于多次火花放電過程中存在一定的NO2飽和現(xiàn)象。該文提出的基于微型氣體傳感陣列的檢測方法具有操作簡單、識別準(zhǔn)確率高的顯著優(yōu)勢，在空氣放電故障診斷領(lǐng)域具有廣闊的應(yīng)用前景。

空氣絕緣 放電故障模擬 NO2檢測 微型傳感陣列 故障診斷

0 引言

電力設(shè)備長時間運行過程中易發(fā)生由絕緣缺陷引起的局部放電、局部過熱等故障，從而導(dǎo)致設(shè)備內(nèi)部氣體絕緣介質(zhì)發(fā)生分解[1-2]。其中，空氣作為最常見的電力設(shè)備絕緣氣體，廣泛用于開關(guān)柜、變壓器等電力設(shè)備以保障絕緣性能[3-4]?？諝饨^緣設(shè)備發(fā)生故障時，內(nèi)部空氣與微水、微氧及固體絕緣介質(zhì)發(fā)生反應(yīng)，生成以O(shè)3、NO2和CO為代表的多種氣態(tài)衍生物。研究表明，絕緣特征分解氣體的組分和含量與設(shè)備故障類型密切相關(guān)[5-6]。因此，基于氣體組分分析的檢測方法能夠非接觸式地反映設(shè)備運行狀態(tài)，并有助于減緩設(shè)備絕緣劣化進(jìn)程，對電力系統(tǒng)安全隱患的排除具有重大意義。

目前，國內(nèi)外已開展多種基于氣體分析法的空氣放電規(guī)律與識別研究[7]。李康等[8]通過紫外光度法發(fā)現(xiàn)O3為低強(qiáng)度空氣放電（8.8 kV以下）產(chǎn)物的主要成分，而NO2含量則會隨著放電強(qiáng)度的增加發(fā)生階躍變化。張振宇等[9]利用優(yōu)化BP（back propagation）神經(jīng)網(wǎng)絡(luò)，構(gòu)建了開關(guān)柜絕緣缺陷和局部放電氣體產(chǎn)物組分與含量的關(guān)系，并實現(xiàn)了90%以上的識別率。張曉星等[10]發(fā)現(xiàn)NO2、CO氣體的體積分?jǐn)?shù)與空氣放電量呈線性飽和的增長關(guān)系，證明了氣體組分與放電程度的關(guān)聯(lián)性。然而，此類檢測方法大多依賴氣相色譜[11]、紅外光譜[12]等大型精密儀器以實現(xiàn)氣體組分的定性與定量分析，成本高、操作復(fù)雜且在線監(jiān)測應(yīng)用難度大。

半導(dǎo)體氣體傳感器體積小、易集成、響應(yīng)快速快的優(yōu)勢在空氣放電產(chǎn)物檢測領(lǐng)域表現(xiàn)出了極大的優(yōu)勢。作為空氣放電分解產(chǎn)物的主要成分，NO2和CO氣體具有良好的穩(wěn)定性，能夠通過氣體含量檢測實現(xiàn)故障類型識別。然而，傳感材料對NO2和CO的交叉敏感特性嚴(yán)重制約了故障診斷的準(zhǔn)確率[13-14]。R. Kumar等[15]通過研發(fā)多孔WO3材料實現(xiàn)了10-9級別的NO2氣體檢測，在室溫下即具有快速響應(yīng)和恢復(fù)能力。C. W. Na等[16]發(fā)現(xiàn)雜化rGO-In2O3納米棒在150℃時能夠顯著地提升NO2響應(yīng)值，但其對CO的交叉敏感缺陷并未得到改善。此外，以往半導(dǎo)體材料的氣敏研究[17]多局限于實驗室標(biāo)氣測試，難以直接建立傳感器響應(yīng)與放電類型之間的映射關(guān)系，進(jìn)一步加大了空氣放電故障類型的識別難度。

本文通過搭建放電實驗平臺，模擬15種不同電壓等級、放電時長（次數(shù)）的空氣放電故障，包括電暈放電、火花放電和電弧放電。不同于傳統(tǒng)的分立式氣體傳感器，所研制的微型氣體傳感陣列可以在3.6 mm×3.6 mm范圍內(nèi)裝載四種NO2敏感材料，并用于獲取對不同放電故障的特異性響應(yīng)信號。最后，采用主成分分析（Principal Components Analysis, PCA）降維，并對比極限樹（Extra Tree）、決策樹（Decision Tree）、K近鄰（k-Nearest Neighbor, KNN）和隨機(jī)森林（Random Forest, RF）四種機(jī)器學(xué)習(xí)算法，實現(xiàn)對不同電壓等級、不同持續(xù)時長空氣放電故障的有效識別。

1 實驗設(shè)計

1.1 空氣放電故障模擬

空氣放電故障模擬平臺原理圖如圖1a所示，主要包括調(diào)壓器、濾波器、變壓器、保護(hù)電阻、電容分壓器和放電腔體。實驗所需高電壓由380 V交流輸入電壓經(jīng)濾波器濾波后，再由變壓器YDTW—30/150（30 kV·A、150 kV）升壓得到。高壓側(cè)連接電容分壓器以測量實驗電壓，保護(hù)電阻（5 kΩ）用來限制腔體中因電極間隙擊穿形成的短路電流的幅值，確保實驗安全進(jìn)行。放電腔體頂部為高壓端，底部經(jīng)銅線接地。

空氣放電故障在密閉的不銹鋼腔體內(nèi)模擬，實物如圖1b所示。腔體規(guī)格為1.5 L（0.1 MPa）且具有優(yōu)良的抗腐蝕性能。壓力表用于顯示腔體內(nèi)部空氣壓力，保證實驗在常壓下進(jìn)行。針-板電極建立不對稱和不均勻電場，其中針電極連接高壓電源，板電極接地，通過調(diào)節(jié)針-板電極間距實現(xiàn)放電電壓的調(diào)節(jié)。如圖1b所示，腔體兩側(cè)設(shè)有由針型閥門控制的氣路，分別用于空氣進(jìn)樣和樣氣采集。放電模擬開始前，罐體內(nèi)部充滿常壓標(biāo)準(zhǔn)空氣。放電模擬結(jié)束后，放電分解產(chǎn)物經(jīng)手持式氣體采樣泵（ATS-BC）收集至密封的聚四氟乙烯氣體采樣袋中。該采樣泵具有體積小、操作靈活、流量調(diào)節(jié)范圍大的優(yōu)勢，能安全地收集空氣放電故障模擬后的有毒有害氣體。聚四氟乙烯材質(zhì)具有較強(qiáng)的抗腐蝕性，能夠?qū)崿F(xiàn)放電分解產(chǎn)物中NO2等強(qiáng)腐蝕性氣體的保質(zhì)。

圖1 空氣放電故障模擬平臺

為記錄放電電壓和電流波形，分別將高壓探頭（Tektronix P6015A）和電流探頭（Pearson 2877）與示波器相連，得到電暈、火花和電弧的放電波形如圖2所示。電暈放電（9.5 kV）過程中，以空氣為絕緣介質(zhì)的針-板電極間隙未擊穿，電壓呈現(xiàn)工頻變化，電流峰-峰值約為0.1 mA?；鸹ǚ烹姡?3 kV）過程中電極間隙擊穿，但由于放電電流超過保護(hù)范圍（10 A）導(dǎo)致電源斷開。因此，火花放電電流呈現(xiàn)出振蕩特性且幅值持續(xù)衰減。電弧放電（8 kV）過程中電極間隙同樣擊穿，但由于放電電流未超過保護(hù)范圍（10 A），電源無法斷開，空氣燃弧過程一直持續(xù)。

1.2 空氣放電分解氣體的傅里葉紅外光譜分析

采用傅里葉紅外光譜（Fourier Transform Infrared, FTIR）儀（Bruker tensor Ⅱ）分別對 100 μL/L的NO2標(biāo)準(zhǔn)氣體，以及電暈、火花和電弧放電分解產(chǎn)物進(jìn)行檢測，得到如圖3a所示的紅外吸收光譜。由于氣體分子吸收紅外光的頻率不同，各氣體成分在不同波段表現(xiàn)出不同形狀的吸收峰。所有吸收光譜中，NO2氣體吸收峰的強(qiáng)度最高。這一現(xiàn)象可能是由于CO氣體含量較少，或由于O3氣體不穩(wěn)定，在采氣與運輸過程中易導(dǎo)致氣體分解[18]所造成的。然而，電暈放電、火花放電和電弧放電分解產(chǎn)物在1 650～1 550 cm-1波段均觀察到了明顯的吸收峰。100 μL/L NO2標(biāo)準(zhǔn)氣體的紅外測試結(jié)果表明，1 650～1 550 cm-1波段對應(yīng)的O＝N＝O化學(xué)鍵發(fā)生反對稱伸縮振動[19-20]。因此，可以確定空氣放電分解產(chǎn)物中NO2氣體的存在。

依據(jù)朗伯比爾定律可知，紅外吸收峰的積分面積能夠定量表示氣體組分的含量。依據(jù)100 μL/L NO2標(biāo)準(zhǔn)氣體在1 650～1 550 cm-1波段的吸收峰面積，本文得到了不同空氣放電模式下的NO2氣體含量，如圖3b所示。從放電模式來看，電弧放電（200～400 μL/L）比電暈和火花放電（10～50 μL/L）產(chǎn)生更多的NO2氣體。以電弧放電為例，6 kV電弧放電（387.09 μL/L）比4 kV電弧放電（205.52 μL/L）產(chǎn)生更多的NO2氣體。因此從放電電壓等級來看，放電電壓越大意味著空氣分解產(chǎn)物中NO2含量越多。此外，放電時間（次數(shù)）越長，F(xiàn)TIR積分面積所代表的NO2氣體含量也越大。在實際放電過程中，放電電壓越大、放電時間（次數(shù)）越長，放電能量也就越高。因此可以推斷，NO2含量隨空氣放電能量的增大而上升，進(jìn)一步證明基于NO2氣體含量實現(xiàn)空氣放電故障識別這一方法的可行性。

1.3 基于微型傳感器的特征分解物檢測

實驗所用氣敏測試平臺原理及實物如圖4所示，通過微型氣體傳感陣列對采氣袋中的故障特征氣體進(jìn)行響應(yīng)。傳感陣列置于密閉氣室內(nèi)，氣室體積為200 mL。在實驗過程中，傳感器加熱電壓為5 V，其對應(yīng)工作溫度為50℃。每次實驗過程持續(xù)400 s，包括響應(yīng)階段和恢復(fù)階段。響應(yīng)階段（100 s）利用氣泵將采氣袋中的故障分解氣體以200 mL/min的穩(wěn)定流速泵入氣室；恢復(fù)階段（300 s）則由氣泵以相同的流速泵入空氣以沖洗氣室，直至傳感器陣列的電阻恢復(fù)至初始狀態(tài)。同時，傳感器各通道經(jīng)高速采集卡（NI USB 6218）連接至上位機(jī)，實現(xiàn)傳感數(shù)據(jù)的實時采集。經(jīng)上述響應(yīng)與恢復(fù)過程，即可得到一組基于微型傳感陣列的響應(yīng)曲線，用于后續(xù)分析測試。

1.4 氣敏材料合成與傳感器制備

本實驗所采用的微型氣體傳感陣列包括硅襯底（500 nm Si）、加熱電極（200 nm Pt）、絕緣層（460 nm Si3N4）和叉指測試電極（250 nm Au），具有體積小、集成度高、功耗低的顯著優(yōu)勢，其實物如圖4b所示。

傳感陣列表面涂覆有四種氣敏材料（10%WO3- 10%SnCl2-In2O3、5%NiO-10%SnCl2-In2O3、10%TiO2- 10%SnCl2-In2O3和5%SnO2-10%SnCl2-In2O3），用以獲得差異性響應(yīng)信號。所有的敏感材料均購買自國藥集團(tuán)（分析純），且材料摻雜百分比均為質(zhì)量分?jǐn)?shù)。氣體傳感器的制備過程如下：

1）以10%TiO2-10%SnCl2-In2O3為例，將0.8 g In2O3、0.08 g SnCl2·2H2O和0.08 g TiO2溶解在12 mL去離子水中，超聲10 min。

2）利用移液槍吸取0.05 mL分散液，滴涂于叉指電極區(qū)域，60℃烘箱干燥老化3 d，形成穩(wěn)定的氣敏薄膜。

2.2.1 地理國情普查數(shù)據(jù)。使用內(nèi)蒙古自治區(qū)測繪地理信息局的第一次全國地理國情普查中的林地范圍數(shù)據(jù)，另外還用到了其中的DEM數(shù)據(jù)以及行政區(qū)劃數(shù)據(jù)。使用ArcGIS中的3D Analyst中的柵格坡度、坡向提取工具提取坡度與坡向，并重采樣為16m。

2 基于微型傳感陣列的空氣放電響應(yīng)信號分析

本節(jié)共模擬15種空氣放電故障并收集對應(yīng)的空氣放電分解氣體，此外，基于微型傳感陣列對上述氣體進(jìn)行多次響應(yīng)恢復(fù)測試并記錄其響應(yīng)曲線。

2.1 電暈放電

電暈放電的實驗條件設(shè)置見表1，通過改變放電電壓等級和放電持續(xù)時間，可得到四種不同組分和含量的故障特征氣體。

表1 電暈放電實驗條件

Tab.1 Experimental conditions of corona discharge

本文研究了微型傳感陣列對四種電暈放電特征分解氣體的敏感特性，傳感器的五次循環(huán)響應(yīng)曲線如圖5所示，其中響應(yīng)值的定義[21]為

式中，Ra為傳感器在空氣中穩(wěn)定的電阻值；Rg為傳感器在待測氣體中穩(wěn)定的電阻值。

從表1和圖5可以發(fā)現(xiàn)，相同放電時間（1 h）下，隨著電壓等級從6 kV提升至10 kV，傳感器響應(yīng)值從44.05%提升至54.38%；相同放電電壓（10 kV）下，隨著放電時間從30 min延長至2 h，傳感器響應(yīng)值也從37.82%提升至67.63%。傳感陣列的響應(yīng)值反映了放電分解氣體中NO2的含量。因此，電暈放電電壓越高、持續(xù)時間越長，分解氣體中NO2的含量越多。此外，由于放電條件的差異，空氣分解氣體的生成速率也不同。除響應(yīng)值外，傳感器信號在響應(yīng)恢復(fù)速度上也存在明顯差異。

2.2 火花放電

相較電暈放電，火花放電會產(chǎn)生更多的空氣分解產(chǎn)物。實驗過程中火花放電的放電電壓和放電次數(shù)等參數(shù)設(shè)定見表2。

表2 火花放電實驗條件

Tab.2 Experimental conditions of spark discharge

傳感器對火花放電分解氣體的響應(yīng)特性曲線如圖6所示，可見，傳感器對9種火花放電分解樣氣的響應(yīng)值大于電暈放電。與電暈放電結(jié)果相似，傳感陣列的響應(yīng)值隨著放電電壓和放電次數(shù)的改變同樣表現(xiàn)出規(guī)律性變化趨勢。相同放電次數(shù)（1次）下，隨著電壓等級從8 kV提升到15 kV，傳感器響應(yīng)值從215.77%提升至622.31%；相同放電電壓（10 kV）下，隨著放電次數(shù)從1次增加至5次，傳感器響應(yīng)值也從312.50%提升至633.68%。然而，隨著火花放電電壓等級的升高，傳感器對不同放電次數(shù)的響應(yīng)差異也隨之減小，可能是由于多次火花放電過程中存在一定的NO2飽和現(xiàn)象。

圖6 傳感器對火花放電分解氣體的響應(yīng)特性曲線

2.3 電弧放電

電弧放電能量高、持續(xù)時間長，實驗條件設(shè)置見表3。與電暈放電和火花放電相比，傳感陣列對電弧放電（電壓等級為4 kV和6 kV、持續(xù)時間均為10 s）的分解產(chǎn)物表現(xiàn)出極大的響應(yīng)值。而且，隨著電壓等級的提升，傳感器的響應(yīng)值也明顯增大，再次證明了更高的放電能量產(chǎn)生了更多的特征分解氣體。傳感器對電弧放電分解氣體的響應(yīng)特性曲線如圖7所示，可見五次循環(huán)測試的重復(fù)性良好，為氣體識別模型的構(gòu)建奠定了基礎(chǔ)。

表3 電弧放電實驗條件

Tab.3 Experimental conditions of arc discharge

3 空氣放電故障類型識別

3.1 t-SNE可視化降維

使用微型傳感陣列分別對上述15種空氣放電故障模擬（見表1～表3）產(chǎn)生的放電分解樣氣進(jìn)行10次響應(yīng)恢復(fù)測試，共構(gòu)建包含150組響應(yīng)特性曲線的實驗數(shù)據(jù)集。研究表明，傳感陣列的響應(yīng)-恢復(fù)曲線蘊(yùn)含豐富的物理信息，包括響應(yīng)值、響應(yīng)時間、恢復(fù)時間和重復(fù)率等[22-23]。因此，從測試曲線中提取合適的響應(yīng)特征對提高空氣放電類型識別的準(zhǔn)確率十分重要。本文對每個樣本中由微型傳感陣列測得的四條響應(yīng)曲線分別進(jìn)行了時域特征提取，包括響應(yīng)值、響應(yīng)時間res、恢復(fù)時間rec、最大響應(yīng)值時間、恢復(fù)率、一階導(dǎo)數(shù)最大時間和一階導(dǎo)數(shù)最小時間共7個特征。通過時域特征提取，樣本數(shù)據(jù)由高維電阻響應(yīng)信號優(yōu)化為28維特征，最終構(gòu)成150×28維度的特征矩陣數(shù)據(jù)集。

t分布隨機(jī)鄰域嵌入（t-distributed Stochastic Neighbor Embedding, t-SNE）是一種適用于復(fù)雜數(shù)據(jù)的非線性降維方法，被廣泛應(yīng)用于高維特征可視化，驗證樣本聚類能力。圖8展示了傳感陣列對15種空氣放電分解氣體響應(yīng)結(jié)果的t-SNE二維可視化散點圖（氣體樣本標(biāo)簽見表1～表3）?？梢钥闯?，傳感陣列對電暈放電、火花放電和電弧放電三種分解氣體的響應(yīng)特征表現(xiàn)出較大的空間距離，主要歸因于不同放電類型所伴隨的放電能量大小導(dǎo)致的空氣分解產(chǎn)物含量差異。二維可視化結(jié)果進(jìn)一步證明了微型傳感陣列對空氣放電分解氣體具有較高靈敏度和較強(qiáng)識別能力。

圖8 t-SNE降維可視化結(jié)果

3.2 基于機(jī)器學(xué)習(xí)的空氣放電故障識別

基于微型氣體傳感陣列的空氣放電故障識別流程如圖9所示。經(jīng)3.1節(jié)中的響應(yīng)恢復(fù)曲線特征提取及t-SNE二維可視化結(jié)果可知，150×28階特征矩陣能夠充分地表征原始數(shù)據(jù)的時域信息，為后續(xù)樣本的分類識別提供重要依據(jù)。

圖9 空氣放電故障識別流程

事實上，多維特征中可能存在對樣本分類幾乎無貢獻(xiàn)的冗余信息，必要的特征降維可以篩除無效特征，加快模型訓(xùn)練速度[24]。然而，t-SNE方法在原始數(shù)據(jù)從多維映射到低維的過程中依賴概率計算，其計算過程的隨機(jī)性導(dǎo)致故障識別結(jié)果存在不穩(wěn)定性[25-26]。主成分分析法（PCA）通過搜索最大方差對原始特征空間進(jìn)行重構(gòu)，被廣泛應(yīng)用于數(shù)據(jù)特征處理。因此，本節(jié)選用PCA實現(xiàn)多維特征向維的線性重構(gòu)，在避免重要信息損失的同時降低數(shù)據(jù)復(fù)雜度。

降維后的特征數(shù)據(jù)集（150×）需要結(jié)合機(jī)器學(xué)習(xí)算法進(jìn)行訓(xùn)練，以期得到面向空氣放電故障識別的最優(yōu)模型。本文分別選取極限樹（Extra Tree）、決策樹（Decision Tree）、K近鄰（KNN）和隨機(jī)森林（RF）四種基本分類算法進(jìn)行訓(xùn)練并對比。其中，K近鄰在處理多分類問題時具有時間復(fù)雜度低的顯著優(yōu)勢；極限樹、決策樹和RF則主要基于樹形結(jié)構(gòu)來實現(xiàn)類別預(yù)測，廣泛應(yīng)用于樣本的分類識別領(lǐng)域[27]。上述分類方法算法簡單，適用于嵌入便攜式檢測設(shè)備中?？紤]到訓(xùn)練過程中樣本劃分的隨機(jī)性，本文采用5折交叉驗證的方法評估模型性能。

微型傳感陣列對空氣放電故障類型的平均識別準(zhǔn)確率見表4。合理地選擇PCA的主成分?jǐn)?shù)量對空氣放電故障識別準(zhǔn)確率的提高具有重要意義[28]。一般來說，特征重構(gòu)得到的主成分個數(shù)太少會導(dǎo)致其無法充分地代表原始樣本信息；而主成分個數(shù)過多則會導(dǎo)致模型計算量大、冗余度高、識別時間長等問題。當(dāng)主成分的累計貢獻(xiàn)率達(dá)到85%以上，即可認(rèn)為不損失原有信息。在本文中，當(dāng)特征維數(shù)=10時，方差貢獻(xiàn)率可達(dá)95%以上，此時重構(gòu)后的特征值能夠充分地代表原始數(shù)據(jù)。由表4可知，10維PCA特征降維結(jié)合Extra Tree模型具有最高的識別準(zhǔn)確率（84.88%）。實驗過程中基于Extra Tree模型的放電故障識別混淆矩陣如圖10所示，與t-SNE可視化結(jié)果相同，傳感陣列對10 kV和15 kV火花放電樣氣的識別能力略低，對電暈放電和電弧放電則表現(xiàn)出較好的區(qū)分能力。

表4 空氣放電故障氣體平均識別準(zhǔn)確率

Tab.4 Average accuracy of identification method towards air discharge faults

圖10 基于Extra Tree的放電故障識別混淆矩陣

4 結(jié)論

本文模擬了空氣絕緣電力設(shè)備中可能發(fā)生的電暈放電、火花放電和電弧放電故障，通過調(diào)節(jié)放電電壓和放電時間，獲得了15種空氣分解樣氣。基于所研制的微型傳感陣列對放電分解產(chǎn)物進(jìn)行氣敏測試，并構(gòu)建了包含150組響應(yīng)特性曲線的實驗數(shù)據(jù)集，得出以下結(jié)論：

1）空氣放電分解產(chǎn)物的紅外光譜結(jié)果表明，電弧放電（200～400 μL/L）比電暈放電和火花放電（10～50 μL/L）產(chǎn)生更多的NO2氣體，且氣體含量隨著放電電壓、放電時間（次數(shù)）的增大而上升。

2）較電暈放電和火花放電而言，微型傳感陣列對電弧放電分解氣體表現(xiàn)出極大的響應(yīng)值（6 kV、4 033%），高出火花放電（15 kV、5次、1 142.8%）近3倍。

3）10維PCA特征降維后，對比極限樹、決策樹、K鄰近和隨機(jī)森林四種機(jī)器學(xué)習(xí)算法，發(fā)現(xiàn)極限樹算法得到了空氣放電故障的最佳識別準(zhǔn)確率（84.88%）。

因此，氣體傳感陣列在空氣絕緣電力設(shè)備故障識別領(lǐng)域具有極大的應(yīng)用潛力。

[1] Chu Jifeng, Li Weijuan, Yang Xu, et al. Identification of gas mixtures via sensor array combining with neural networks[J]. Sensors and Actuators B: Chemical, 2021, 329: 129090.

[2] 林濤, 韓冬, 鐘海峰, 等. 工頻交流電暈放電下SF6氣體分解物形成的影響因素[J]. 電工技術(shù)學(xué)報, 2014, 29(2): 219-225. Lin Tao, Han Dong, Zhong Haifeng, et al. Influence factors of formation of decomposition by-products of SF6in 50Hz AC corona discharge[J]. Transactions of China Electrotechnical Society, 2014, 29(2): 219-225.

[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方法研究進(jìn)展[J]. 電工技術(shù)學(xué)報, 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] Zhang Xiaoxing, Li Yi, Tian Shuangshuang, et al. Decomposition mechanism of the C5-PFK/CO2gas mixture as an alternative gas for SF6[J]. Chemical Engineering Journal, 2018, 336: 38-46.

[5] Zhang Xiaoxing, Gui Yingang, Zhang Ying, et al. Influence of humidity and voltage on characteristic decomposition components under needle-plate discharge model[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2016, 23(5): 2633-2640.

[6] Chu Jifeng, Wang Qiongyuan, Liu Yuyang, et al. Fault diagnosis of SF6-insulated equipment by micro gas sensor array[J]. IEEE Transactions on Power Delivery, 2023, 38(1): 222-230.

[7] Li Yi, Zhang Xiaoxing, Zhang Ji, et al. Assessment on the toxicity and application risk of C4F7N: a new SF6alternative gas[J]. Journal of Hazardous Materials, 2019, 368: 653-660.

[8] 李康, 郭潤睿, Javed H, 等. 空氣局部放電衍生物氣體生成規(guī)律的研究[J]. 電工電能新技術(shù), 2017, 36(8): 1-7. Li Kang, Guo Runrui, Javed H, et al. Study of air by-products formation characteristics under corona discharge[J]. Advanced Technology of Electrical Engineering and Energy, 2017, 36(8): 1-7.

[9] 張振宇, 晉濤, 王天正, 等. 基于氣體檢測的空氣開關(guān)柜絕緣缺陷識別[J]. 武漢大學(xué)學(xué)報(工學(xué)版), 2021, 54(8): 761-768. Zhang Zhenyu, Jin Tao, Wang Tianzheng, et al. Insulation defect recognition of air switchgear based on gas detection[J]. Engineering Journal of Wuhan University, 2021, 54(8): 761-768.

[10] 張曉星, 周磊, 裘吟君, 等. 針-板缺陷開關(guān)柜局部放電與空氣分解組分的關(guān)聯(lián)特性[J]. 高電壓技術(shù), 2016, 42(12): 3948-3954. Zhang Xiaoxing, Zhou Lei, Qiu Yinjun, et al. Correlation character between switch gear′s partial discharge quantity and air decomposition components under needle-plate defect model[J]. High Voltage Engineering, 2016, 42(12): 3948-3954.

[11] Tang Ju, Zeng Fuping, Zhang Xiaoxing, et al. Relationship between decomposition gas ratios and partial discharge energy in GIS, and the influence of residual water and oxygen[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2014, 21(3): 1226-1234.

[12] Luo Zongchang, Han Fangyuan, Tang Bin, et al. Optical properties and decomposition mechanisms of SF6at different partial discharge determined by infrared spectroscopy[J]. AIP Advances, 2018, 8(6): 065107.

[13] Rai P, Raj S, Ko K J, et al. Synthesis of flower-like ZnO microstructures for gas sensor applications[J]. Sensors and Actuators B: Chemical, 2013, 178: 107-112.

[14] Nam B, Ko T K, Hyun S K, et al. NO2sensing properties of WO3-decorated In2O3nanorods and In2O3-decorated WO3nanorods[J]. Nano Convergence, 2019, 6(1): 40.

[15] Kumar R, Goel N, Kumar M. UV-activated MoS2based fast and reversible NO2sensor at room temperature[J]. ACS Sensors, 2017, 2(11): 1744-1752.

[16] Na C W, Kim J H, Kim H J, et al. Highly selective and sensitive detection of NO2using rGO-In2O3structure on flexible substrate at low temperature[J]. Sensors and Actuators B: Chemical, 2018, 255: 1671-1679.

[17] Wang Jing, Wang Caileng, Liu Ao, et al. High-response mixed-potential type planar YSZ-based NO2sensor coupled with CoTiO3sensing electrode[J]. Sensors and Actuators B: Chemical, 2019, 287: 185-190.

[18] 譚桂霞, 陳燁璞, 徐引娟, 等. 氧氣中臭氧分解規(guī)律[J]. 上海大學(xué)學(xué)報(自然科學(xué)版), 2007, 13(1): 82-84. Tan Guixia, Chen Yepu, Xu Yinjuan, et al. Rules of ozone decomposition in oxygen[J]. Journal of Shanghai University (Natural Science Edition), 2007, 13(1): 82-84.

[19] Perrin A, Toon G, Orphal J. Detection of atmospheric15NO2in the ν3spectral region (6.3μm)[J]. Journal of Quantitative Spectroscopy and Radiative Transfer, 2015, 154: 91-97.

[20] Chaisriratanakul W, Bunjongpru W, Pankiew A, et al. Modification of polyvinyl chloride ion-selective membrane for nitrate ISFET sensors[J]. Applied Surface Science, 2020, 512: 145664.

[21] Chu Jifeng, Wang Qiongyuan, Yang Aijun, et al. Method of sieving the optimal NO2sensitive material[J]. Sensors and Actuators B: Chemical, 2023, 375: 132929.

[22] 張曉星, 姚堯, 唐炬, 等. SF6放電分解氣體組分分析的現(xiàn)狀和發(fā)展[J]. 高電壓技術(shù), 2008, 34(4): 664-669, 747. Zhang Xiaoxing, Yao Yao, Tang Ju, et al. Actuamity and perspective of!Proximate analysis of SF6decomposed products under partial discharge[J]. High Voltage Engineering, 2008, 34(4): 664-669, 747.

[23] Kumar R, Al-Dossary O, Kumar G, et al. Zinc oxide nanostructures for NO2gas–sensor applications: a review[J]. Nano-Micro Letters, 2015, 7(2): 97-120.

[24] 韓翔宇, 紐春萍, 何海龍, 等. 電磁式斷路器狀態(tài)監(jiān)測與智能評估技術(shù)綜述[J]. 電工技術(shù)學(xué)報, 2023, 38(8): 2191-2210. Han Xiangyu, Niu Chunping, He Hailong, et al. Review of condition monitoring and intelligent assessment of electromagnetic circuit breaker[J]. Transations of China Electrotechnical Society, 2023, 38(8): 2191-2210.

[25] 顧崇寅, 徐瀟源, 王夢圓, 等. 基于CatBoost算法的光伏陣列故障診斷方法[J]. 電力系統(tǒng)自動化, 2023, 47(2): 105-114. Gu Chongyin, Xu Xiaoyuan, Wang Mengyuan, et al. CatBoost algorithm based fault diagnosis method for photovoltaic arrays[J]. Automation of Electric Power Systems, 2023, 47(2): 105-114.

[26] 彭莎, 孫銘陽, 張鎮(zhèn)勇, 等. 機(jī)器學(xué)習(xí)在電力信息物理系統(tǒng)網(wǎng)絡(luò)安全中的應(yīng)用[J]. 電力系統(tǒng)自動化, 2022, 46(9): 200-215. Peng Sha, Sun Mingyang, Zhang Zhenyong, et al. Application of machine learning in cyber security of cyber-physical power system[J]. Automation of Electric Power Systems, 2022, 46(9): 200-215.

[27] 姜雅男, 于永進(jìn), 李長云. 基于改進(jìn)TOPSIS模型的絕緣紙機(jī)-熱老化狀態(tài)評估方法[J]. 電工技術(shù)學(xué)報, 2022, 37(6): 1572-1582. Jiang Yanan, Yu Yongjin, Li Changyun. Evaluation method of insulation paper deterioration status with mechanical-thermal synergy based on improved TOPSIS model[J]. Transactions of China Electrotechnical Society, 2022, 37(6): 1572-1582.

[28] 崔芮華, 李澤, 佟德栓. 基于三維熵距和熵空間的航空電弧故障檢測與分類技術(shù)[J]. 電工技術(shù)學(xué)報, 2021, 36(4): 869-880. Cui Ruihua, Li Ze, Tong Deshuan. Arc fault detection and classification based on three-dimensional entropy distance and entropy space in aviation power system[J]. Transactions of China Electrotechnical Society, 2021, 36(4): 869-880.

Miniature Gas-Sensing Array Employed for the Discharge Fault Diagnosis of Air-Insulated Equipment

Wang Qiongyuan Chu Jifeng Li Qiulin Yang Aijun Yuan Huan Rong Mingzhe Wang Xiaohua

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

As a natural insulating gas, air is widely used in power equipment (switchgear, ring cabinets, etc.). It will produce characteristic decomposition products represented by NO2when the power equipment occurs internal faults. The content of composition reflects the severity of the discharge fault. Therefore, the detection of gas decomposition products is helpful to the stable operation of power equipment. The cross-sensitivity of the sensor materials towards NO2and CO have seriously restricted the accuracy of fault diagnosis. To address these issues, this paper develops a miniature gas-sensing array with high sensitivity and great reliability, which aimed for the discharge fault diagnosis of air-insulated equipment.

This paper has simulated 15 air discharge faults including corona discharge, spark discharge, and arc discharge at different voltage levels and durations. After that, Fourier infrared tests were performed on the 15 gas samples. However, there has no apparent absorption peak of CO and O3in the infrared absorption spectrum. The absorption peak in 1 650～1 550 cm-1band corresponds to the antisymmetric stretching vibration of O＝N＝O chemical bond. This indicates the presence of NO2in the decomposition products of air. Besides, discharge with different voltages and times shows significant differences in the content of NO2.

To discriminate fault characteristic gases, this paper has integrated a micro sensor array loaded with four gas-sensitive nanomaterials(10%WO3-10%SnCl2-In2O3, 5%NiO-10%SnCl2-In2O3, 10%TiO2-10%SnCl2-In2O3and 5%SnO2-10%SnCl2-In2O3). Then the paper obtains the repeatable gas response recovery curves under different discharge faults, which lays the foundation for the construction of gas identification model. The results demonstrate that the higher voltage and the longer discharge time means the larger response value of sensor array. Accordingly, it is further proved that the higher air-discharge voltages and times generates more characteristic decomposition gas. In addition, t-SNE dimensionality reduction has been employed to explore the identification ability of miniature gas-sensing array. The identification results of different air discharge faults are 84.88%, 81.82%, 76.86%, and 81.32% by four machine learning algorithms (Extra Tree, Decision Tree, KNN, and RF) respectively. And the recognition ability of the micro gas sensing array for partial discharge and arc discharge is slightly higher than that of spark discharge. The essential reason can be ascribed to the saturation of NO2in the process of multiple spark discharges.

The following conclusions can be drawn from the simulation analysis: (1) The FTIR of air discharge products shows that the arc discharge (200～400 μL/L) produces more NO2than corona and spark discharge (10～50 μL/L). Besides, the NO2concentration increases with the increase of discharge voltage and discharge time (times). (2) Compared with corona and spark discharge, the response value of the micro sensor array towards arc discharge products (6 kV, 4 033%) is nearly 3 times higher than that of spark discharge (15 kV, 5 times, 1 142.8%). (3) After the feature reduction of 10-dimensional PCA, we compared four machine learning algorithms, and found that the Extra Tree algorithm obtained the best identification accuracy of air discharge fault (84.88%).

Air insulation, discharge fault simulation, NO2detection, micro sensor array, fault diagnosis

10.19595/j.cnki.1000-6753.tces.L10079

TM930

國家自然科學(xué)基金（U2166214, 52207170）、中國博士后科學(xué)基金（2022M712510, 2022TQ0252）、陜西省自然科學(xué)基礎(chǔ)研究計劃（2023-JC-JQ-41）、陜西省重點研發(fā)計劃（2022GXLH-01-11, 2022GY-273）和電力設(shè)備電氣絕緣國家重點實驗室（EIPE23408, EIPE23314）資助項目。

2023-01-13

2023-02-20

王瓊苑 女，1998年生，博士研究生，研究方向為電力裝備智能感知與運行維護(hù)。E-mail：wqy13994558885@stu.xjtu.edu.cn

楊愛軍 男，1986年生，教授，博士生導(dǎo)師，研究方向為微納傳感器、能量收集、人工智能技術(shù)。E-mail：yangaijun@mail.xjtu.edu.cn（通信作者）

（編輯 李冰）