CN105044566A - 一种基于特征超高频信号的gis局部放电故障检测方法 - Google Patents

Abstract

本发明公开了一种基于特征超高频信号的GIS局部放电故障检测方法，包括：一、建立基于特征超高频信号的典型绝缘缺陷故障特征样本库；二、对未知缺陷的GIS局部放电进行放电故障类型识别。本发明通过对超高频信号进行自适应标定确定各典型缺陷的特征频段，通过对特征频段的放电数据处理获取放电特征并进行模式识别；本发明方法为GIS局部放电模式识别提供新的技术支持，使得GIS局部放电故障检测的结果更为准确；为GIS局部放电模式识别提供了新的思路和方法。

Description

一种基于特征超高频信号的GIS局部放电故障检测方法

【技术领域】

本发明涉及GIS局部放电检测领域，特别涉及一种GIS局部放电故障检测方法。

【背景技术】

随着电力工业建设的突飞猛进，对电力设备的安全程度也提出了更高的要求。气体绝缘全封闭式组合电器(简称GIS)同传统敞开式高压配电装置相比，其结构非常紧凑、检修周期长等优点得到了广泛应用。

目前GIS最易发生的故障就是GIS局部放电，随着放电现象的加剧，会导致电力系统的大范围停电，在故障发生初期往往需要对故障进行排查，而故障排查中队故障类型的识别是故障检测中不可或缺的一部分，故障类型的确定为后期故障处理带来依据。

由于GIS局部放电会在GIS产生一些物理以及化学方面的信号，目前GIS研究的方法有非电测法(化学检测法、声测法等)和电检测法(脉冲电流法、超高频法)，姚唯建等学者发现局部放电时产生的化学物质很不稳定等缺点，这些阻碍了化学检测法的应用，脉冲电流法虽然在实验环境下能准确测量放电量，但在在线检测和实际应用中由于代价太高而且环境的电磁噪声使局部放电信号难以识别，灵敏度低，应用较少。而目前最常用的信号则为超声波和超高频信号。郝艳捧等学者的基于局部放电和超声波法研究发现超声波的优点是传感器与GIS设备的电气回路无任何联系，不受电气方面的干扰，但在现场中除了局部放电以外，由于存在外壳振动等，会给超声波的检测带来很大干扰，而且超声波极易衰减。

【发明内容】

本发明的目的在于提供一种基于特征超高频信号的GIS局部放电故障检测方法，主要用于GIS局部放电故障类型的识别，同时特征频段的提出为GIS局部放电故障检测提供新的思路。该方法的主要特点在于是基于特征超高频信号的GIS故障检测方法，主要包括典型信号特征频段的提取、特征样本库的建立以及采用改进BP算法进行故障类型的模式识别。

为了实现上述目的，本发明采取如下技术方案：

一种基于特征超高频信号的GIS局部放电故障检测方法，包括以下步骤:

1)制作金属尖端、悬浮电极、绝缘子表面污秽、绝缘子气隙、自由颗粒五种典型绝缘缺陷模型，依次选取5种典型绝缘缺陷进行单一典型绝缘缺陷放电试验；

2)采集并记录施加不同工频电压下的各典型绝缘缺陷超高频放电数据；

3)自适应标定各典型绝缘缺陷的特征频段，五种典型缺陷的特征频段依次记为：F_JD、F_XF、F_JBW、F_JQ、F_ZY,五个特征频段的上下限频率记为

4)建立基于特征超高频信号的典型绝缘缺陷故障特征标准库记为Ku_JD、Ku_XF、Ku_JBW、Ku_JQ、Ku_ZY；

5)采集并记录未知缺陷的GIS局部放电超高频放电数据；

6)基于各典型绝缘缺陷的特征频段，建立相应的FIR滤波器，五类典型缺陷对应的滤波器依次记为：FIR_JD、FIR_XF、FIR_JBW、FIR_JQ、FIR_ZY；对超高频放电数据进行滤波，得到对应各特征频段内的放电数据，依次记为：Q_JD、Q_XF、Q_JBW、Q_JQ、Q_ZY；

7)基于各特征频段内的放电数据，计算得到5类待识别放电特征集；

8)对未知缺陷局部放电进行故障分类识别。

本发明进一步的改进在于：步骤2)具体包括以下步骤：

2.1)依次选取5种典型绝缘缺陷的一种进行单一典型缺陷放电实验，重复步骤2.2)到2.3)直至5种典型缺陷放电实验结束；

2.2)确定该典型缺陷放电起始放电电压U1和击穿电压U2；其中加压实验的过程中首次出现放电现象的放电电压为起始电压，加压实验过程中放电量突然剧增至击穿的放电电压为击穿电压；

3)将起始电压和击穿电压之间分成10个电压等级进行逐级加压进行实验，利用高速数据采集装置记录各级电压下超高频放电数据；每个电压等级下记录不少于10组数据。

本发明进一步的改进在于：步骤3)具体包括以下步骤：

3.1)依次对5种典型缺陷放电数据，重复步骤3.2)到3.4)直至完成5种典型缺陷的特征频段自适应标定；

3.2)对某一种典型缺陷的超高频放电数据进行FFT变换，得到放电序列数据；

3.3)以550MHz为起始中心频点、50MHz为步长、1250MHz为结束中心频率的带宽为500MHz频段，分别提取施加不同工频电压下在这15个频段的超高频信号放电量；具体方法为：在频域内滤除掉非该段频率的信号，求取每个频段内的总放电量，至此得到15组数据，分别是每个频段下工频电压和与之对应的总放电量，绘制各频段下工频电压为横坐标，对应总放电量为纵坐标的折线图，共15条电压-放电量折线图；

3.4)查询15条折线中变化最灵敏的一条，该曲线对应的频段即为所求的该典型缺陷放电特征频段。

本发明进一步的改进在于：典型绝缘缺陷的故障特征标准库中的特征参数是基于各典型缺陷特征频段内信号分量进行计算；特征参数提取如下：利用特征频段的数据绘制局部放电PRPD谱图：放电次数—相位图、放电重复率—相位图、相位—放电量—放电次数三维谱图，根据谱图确定特征参数：最大放电相位，放电重复率、偏斜度、陡峭度、局部峰点数、放电量因数、互相关系数7个参数，共计5组待识别特征集，记为TDⁱ：i＝1、2、3、4、5。

本发明进一步的改进在于：步骤6)中FIR滤波器为带通滤波器；各通带截止频率上下限分别为自适应标定获取的各典型绝缘缺陷特征频段上下限

本发明进一步的改进在于：步骤8)的识别方法采用基于二阶梯度法的改进BP算法，模式识别的具体步骤为下：

8.1)设计5个分类器分别记为：FLQ_JD、FLQ_XF、FLQ_JBW、FLQ_JQ、FLQ_ZY，依次用于判定待识别缺陷为JD、XF、JBW、JQ、ZY放电；这类分类器的作用是将该缺陷放电和非该种缺陷放电分开，分类器的训练采用基于二阶梯度法的改进BP算法；

8.2)分别以特征集TD¹、分类器FLQ_JD；特征集TD²、分类器FLQ_XF；特征集TD³、分类器FLQ_JBW；特征集TD⁴、分类器FLQ_JQ；特征集TD⁵、分类器FLQ_ZY进行五组模式识别，将待识别特征集输入本组分类器进行识别并输出缺陷识别结果及对应相似度，5组中相似度最大的识别结果为最终的缺陷放电类型。

本发明进一步的改进在于：步骤3)中判定折线变化最灵敏的方法为：首先利用最小二乘法以每条折线的首尾端点和折线拐点为数据拟合直线，然后比较拟合直线的斜率判定曲线变化，斜率最大的拟合直线对应折线为变化最灵敏的曲线。

本发明主要体现在GIS局放故障检测中首次提出典型缺陷特征频段的概念并将其应用到故障检测中，为GIS局放故障检测提供新的技术支持。

而本发明特征频段提取的依据为下：

典型缺陷GIS局部放电在不同频率段上放电信号是不一样的，不同的两种缺陷局放信号在频段上的分布是不一样的，而且放电信号变化较大的频率范围也不一样，这样在某种程度上说明典型缺陷的放电信号在某些频段上分布很有特点，而不同缺陷放电的这些频段是有差异的，这些规律可以从附图4和5看到。

因此本发明提出典型缺陷特征频段的概念，并应用到GIS局部放电的故障检测中。而这应用的优点在下面给出其优势和创新点：

1)本发明首次提出特征频段的概念，使得GIS故障检测中研究的数据不再是全频段上而是某些特殊频段内的数据，这一思路也可进一步推广到整个GIS局放研究中，如典型缺陷特征图谱的绘制等等，为GIS局放的研究提供新思路。

2)特征频段的选取的目的在于寻找典型缺陷放电极具特点的分布频段，在这一频段中，信号可以更加具有代表性的反映该缺陷局放特点。特征频段的选取使我们后期故障研究中忽略一些频段信号而仅选取更具有代表性特征频段数据，使的信号研究数据在一定程度上更加集中，这一过程很类似工程中滤波，本发明中“滤”的过程使得检测相对简单，而且出错率相对会减小，因为杂散的信号的不确定性较大，会使得数据的训练过程加长，分类器设计困难增大，不利于故障的识别。

本发明以超高频信号为研究对象进行故障检测，利用UHF频段信号，避开了电网中主要电磁干扰的频率，具有良好的抗电磁干扰能力，相对于振动检测法而言，其局部放电有效检测范围大，便与实际的应用。而且经研究典型缺陷放电超高频信号功率谱的特点后发现不同缺陷的信号在频域内分布特点不同，于是提出典型缺陷放电的特征频段概念，并确定不同典型缺陷放电的特征频段，将特征频段这一参数大胆应用到基于超高频信号的GIS局部放电故障检测中，使GIS局部放电故障检测和特征频段紧密联系起来，为GIS局部放电领域的研究提供新的新思路。

【附图说明】

图1为本发明检测方法流程图；

图2为典型缺陷局部放电特征频段标定流程图；

图3为基于MATLAB工具的FIR带通滤波器设计流程图；

图4为GIS金属尖端缺陷局部放电单脉冲时域波形和功率谱；

图5为GIS悬浮电极缺陷局部放电单脉冲时域波形和功率谱。

【具体实施方式】

请参阅图1所示，本发明的一种基于特征超高频信号GIS局部放电故障检测方法，包括以下步骤：

一、建立基于特征超高频信号的典型绝缘缺陷故障特征样本库

1)、结合目前GIS研究状况制作金属尖端(简称JD)、悬浮电极(简称XF)、绝缘子表面污秽(简称JBW)、绝缘子气隙(简称JQ)、自由颗粒(简称ZY)五种典型缺陷模型；

2)、依次选取5种典型缺陷放置到GIS上进行单一典型缺陷放电试验，并利用外置式高带宽的超高频传感器和2GS/s的采样率的高速数字示波器采集实验数据；同步采集并记录10个不同放电电压强度下的各典型缺陷超高频放电数据和实验工频电压数据，工频电压的采集主要用于放电相位的确定，数据采集步骤如下：

2.1)依次选取5种典型缺陷进行单一典型缺陷放电实验，重复步骤2.2)到2.3)直至5种典型缺陷放电实验结束。

2.2)确定各典型缺陷放电起始放电电压U1和击穿电压U2，其中加压实验的过程中首次出现放电现象的放电电压为起始电压和放电量突然剧增至击穿的放电电压为击穿电压。

2.3)将该缺陷的起始电压和击穿电压之间分成10个电压等级进行逐级加压进行放电实验，利用高速大容量数字示波器同步记录各级电压下超高频放电数据和实验工频电压数据，每个电压等级下记录15组数据，每组数据记录100ms内放电波形和工频电压波形。

3)、自适应标定各典型缺陷的特征频段，五种典型缺陷的特征频段依次记为：F_JD、F_XF、F_JBW、F_JQ、F_ZY，各特征频段的截止频率上下限分别为 具体步骤为下：

3.1)依次对5种典型缺陷放电数据重复步骤3.2)到3.4)直至完成5种典型缺陷的特征频段自适应标定，最终得到五种典型缺陷的特征频段。

3.2)对某一种典型缺陷的超高频放电数据进行2048个点的FFT变换，得到放电序列数据。

3.3)以550MHz为起始中心频点、50MHz为步长、结束中心频率为1250MHz的带宽为500MHz(中心频点左右各250MHz)频段有15个，分别通过在频域内滤波的方式把中心频点对应带宽外的其他频段信号滤掉，提取不同电压下在这15个频段的放电信号。求取每个频段的总放电量，得到15组记录了每个小频段下电压和与之对应总放电量的数据，绘制以每个频段下电压为横坐标，对应总放电量为纵坐标的折线图，共15条电压-放电量折线图。频段总放电量等于该频段各频点放电幅值的加权和。

3.4)查询15条折线中变化最灵敏的一条。首先借助MATLAB工具利用最小二乘法以每条折线的首尾端点和折线拐点为数据拟合直线y_i＝k_ix_i+b_i(i＝1,……，15)，然后计算拟合直线y_i(i＝1,……，15)的斜率并比较折线斜率，斜率最大的拟合直线对应折线为变化最灵敏的曲线，这个曲线对应的频段为该缺陷的特征频段。

4)、建立基于特征超高频信号的典型缺陷故障特征样本库，记为Ku_JD、Ku_XF、Ku_JBW、Ku_JQ、Ku_ZY。

本放电样本特征库的特征参数是基于各典型缺陷对应特征频段内信号进行计算，而非目前采用全频段数据进行计算。特征参数提取过程如下：利用特征频段的数据绘制局部放电PRPD模式下的放电谱图：放电次数—相位图、放电重复率—相位图、相位—放电量—放电次数三维谱图，然后根据谱图确定各典型缺陷故障特征样本库的特征参数：最大放电相位，放电重复率、偏斜度、陡峭度、局部峰点数、放电量因数、互相关系数，谱图的绘制和特征参数的计算可参照目前局放资料和公式，在此不再赘述。

二、对未知缺陷的GIS局部放电进行放电故障类型识别。

5)、同样用宽频带超高频传感器和2GS/s采样率的数字示波器的同步采集并记录未知缺陷的GIS局部放电超高频放电数据和工频电压。

6)、基于各典型缺陷的特征频段，根据设计流程如图2利用MATLAB工具设计相应的FIR滤波器，(五类典型缺陷相应所需的滤波器依次记为：FIR_JD、FIR_XF、FIR_JBW、FIR_JQ、FIR_ZY，各FIR滤波器的通带截止频率上下限分别为 )利用各缺陷对应的FIR滤波器对步骤5)采集的未知缺陷的超高频信号进行带通滤波，得到在各特征频段内放电数据，依次记为：Q_JD、Q_XF、Q_JBW、Q_JQ、Q_ZY。

7)、利用步骤6)获得的各特征频段内的放电数据(Q_JD、Q_XF、Q_JBW、Q_JQ、Q_ZY)计算得到5类待识别放电特征样本集，样本集同样包括最大放电相位，放电重复率、偏斜度、陡峭度、局部峰点数、放电量因数、互相关系数7个参数，此处7个参数的计算是分别由五个特征频段内的放电数据计算所得，共计5组待识别特征集，记为TDⁱ：i＝1、2、3、4、5。

8)、利用基于二阶梯度法的改进BP神经网络方法，利用MATLAB工具对未知缺陷局部放电进行故障分类识别，识别的具体步骤为下：

1)确定5类分类器，5个分类器分别记为：FLQ_JD、FLQ_XF、FLQ_JBW、FLQ_JQ、FLQ_ZY，依次用于判定待识别缺陷为JD、XF、JBW、JQ、ZY放电，即这类分类器的作用是将该缺陷放电和非该种缺陷放电分开，5个分类器依次确定的具体步骤为下：

a)模式识别训练样本集的确定，每个分类器的训练样本集由两类组成，其中一类样本为该缺陷放电的样本特征库，另一类样本由非该种缺陷放电的其他四种缺陷放电样本特征库组成，且这四种样本库必须同时有样本被抽中进行训练，五类分类器需要的五组训练样本集记为：以第一组训练样本集的具体构成过程为例详细说明训练样本集如何构成，其他四组的构成过程类似：从该缺陷放电的样本特征库Ku_JD中抽取10个样本组成分别从非该种缺陷放电的其他四种缺陷放电样本特征库Ku_XF、Ku_JBW、Ku_JQ、Ku_ZY各抽取10个样本组成然后将5个训练样本集记为(U₁、U₂、U₃、U₄、U₅)，其中U_x＝(u₁,u₂,……u_N),u_p＝(x_p,d_p)，x_p为特征参数，d_p为类标识。P＝1,2,……N。

b)开始对某种分类器的确定并给定该类的网络连接权值w_ij和神经元阈值θ_i的初始值，选定误差函数E的终止值ε，步长控制量L。

c)对该类分类器每个训练样本，正向计算节点输出并根据公式(1)和(2)计算误差函数值E。

d)若E<ε,则算法结束，转到步骤b)确定下一个分类器。否则，

e)对每个训练样本，反向计算第i个神经元激励总和根据公式(3)和(4)计算和

f)权值修正： $W_{ij}^t=W_{ij}^{t-1}+{\mathrm{\&Delta;W}}_{ij}^t,{\mathrm{\&theta;}}_i^t={\mathrm{\&theta;}}_i^{t-1}+{\mathrm{\&Delta;\&theta;}}_i^t.$

g)转到c)

由于该算法是改进BP算法，基本与BP算法类似，训练过程中参数的计算公式如下：

$E=\frac{1}{2}{\mathrm{\&Sigma;}}_{p=1}^N{\mathrm{\&Sigma;}}_{i=1}^m{(d_{pi}-y_{pi})}^2---\left(1\right)$

$y_{pi}=x_{pi}^q---\left(2\right)$

${\mathrm{\&Delta;w}}_{ij}^t=-\mathrm{\&alpha;}{\left(\frac{{\&part;}^{2}E}{\&part;w^2}\right)}^{-1}\frac{\&part;E}{\&part;w\left(t\right)}t=1,2,\mathrm{......}q,j=1,2,\mathrm{......}{n}_t.---\left(3\right)$

$\begin{array}{cc}{\mathrm{\&Delta;\&theta;}}_i^t=-{\mathrm{\&Sigma;}}_{P=1}^N{\mathrm{\&delta;}}_{pi}^t& t=1,2,......q,j=1,2,......n_t.\end{array}---\left(4\right)$

2)分别以特征集TD¹、分类器FLQ_JD；特征集TD²、分类器FLQ_XF；特征集TD³、分类器FLQ_JBW；特征集TD⁴、分类器FLQ_JQ；特征集TD⁵、分类器FLQ_ZY进行五组模式识别，即将本组中待识别特征集输入本组分类器进行特征识别并输出缺陷识别结果及对应相似度，5组中相似度最大的识别结果为最终的缺陷放电类型。

本发明提出的故障检测方法，紧密的将特征频段与GIS局部放电故障检测紧密联系起来，为GIS局部放电故障检测提供了新的依据和思路。为GIS故障排查提供了技术支持。

Claims (7)

1.一种基于特征超高频信号的GIS局部放电故障检测方法，其特征在于，包括以下步骤:

1)制作金属尖端、悬浮电极、绝缘子表面污秽、绝缘子气隙、自由颗粒五种典型绝缘缺陷模型，依次选取5种典型绝缘缺陷进行单一典型绝缘缺陷放电试验；

2)采集并记录施加不同工频电压下的各典型绝缘缺陷超高频放电数据；

3)自适应标定各典型绝缘缺陷的特征频段，五种典型缺陷的特征频段依次记为：F_JD、F_XF、F_JBW、F_JQ、F_ZY,五个特征频段的上下限频率记为

4)建立基于特征超高频信号的典型绝缘缺陷故障特征标准库记为Ku_JD、Ku_XF、Ku_JBW、Ku_JQ、Ku_ZY；

5)采集并记录未知缺陷的GIS局部放电超高频放电数据；

6)基于各典型绝缘缺陷的特征频段，建立相应的FIR滤波器，五类典型缺陷对应的滤波器依次记为：FIR_JD、FIR_XF、FIR_JBW、FIR_JQ、FIR_ZY；对超高频放电数据进行滤波，得到对应各特征频段内的放电数据，依次记为：Q_JD、Q_XF、Q_JBW、Q_JQ、Q_ZY；

7)基于各特征频段内的放电数据，计算得到5类待识别放电特征集；

8)对未知缺陷局部放电进行故障分类识别。

2.根据权利要求1所述的一种基于特征超高频信号的GIS局部放电故障检测方法，其特征在于，步骤2)具体包括以下步骤：

2.1)依次选取5种典型绝缘缺陷的一种进行单一典型缺陷放电实验，重复步骤2.2)到2.3)直至5种典型缺陷放电实验结束；

2.2)确定该典型缺陷放电起始放电电压U1和击穿电压U2；其中加压实验的过程中首次出现放电现象的放电电压为起始电压，加压实验过程中放电量突然剧增至击穿的放电电压为击穿电压；

3)将起始电压和击穿电压之间分成10个电压等级进行逐级加压进行实验，利用高速数据采集装置记录各级电压下超高频放电数据；每个电压等级下记录不少于10组数据。

3.根据权利要求1所述的一种基于特征超高频信号的GIS局部放电故障检测方法，其特征在于，步骤3)具体包括以下步骤：

3.1)依次对5种典型缺陷放电数据，重复步骤3.2)到3.4)直至完成5种典型缺陷的特征频段自适应标定；

3.2)对某一种典型缺陷的超高频放电数据进行FFT变换，得到放电序列数据；

3.3)以550MHz为起始中心频点、50MHz为步长、1250MHz为结束中心频率的带宽为500MHz频段，分别提取施加不同工频电压下在这15个频段的超高频信号放电量；具体方法为：在频域内滤除掉非该段频率的信号，求取每个频段内的总放电量，至此得到15组数据，分别是每个频段下工频电压和与之对应的总放电量，绘制各频段下工频电压为横坐标，对应总放电量为纵坐标的折线图，共15条电压-放电量折线图；

3.4)查询15条折线中变化最灵敏的一条，该曲线对应的频段即为所求的该典型缺陷放电特征频段。

4.根据权利要求1所述的一种基于特征超高频信号的GIS局部放电故障检测方法，其特征在于，典型绝缘缺陷的故障特征标准库中的特征参数是基于各典型缺陷特征频段内信号分量进行计算；特征参数提取如下：利用特征频段的数据绘制局部放电PRPD谱图：放电次数—相位图、放电重复率—相位图、相位—放电量—放电次数三维谱图，根据谱图确定特征参数：最大放电相位，放电重复率、偏斜度、陡峭度、局部峰点数、放电量因数、互相关系数7个参数，共计5组待识别特征集，记为TDⁱ：i＝1、2、3、4、5。

5.根据权利要求1所述的一种基于特征超高频信号的GIS局部放电故障检测方法，其特征在于，步骤6)中FIR滤波器为带通滤波器；各通带截止频率上下限分别为自适应标定获取的各典型绝缘缺陷特征频段上下限

6.根据权利要求1所述的一种基于特征超高频信号的GIS局部放电故障检测方法，其特征在于，步骤8)的识别方法采用基于二阶梯度法的改进BP算法，模式识别的具体步骤为下：

8.1)设计5个分类器分别记为：FLQ_JD、FLQ_XF、FLQ_JBW、FLQ_JQ、FLQ_ZY，依次用于判定待识别缺陷为JD、XF、JBW、JQ、ZY放电；这类分类器的作用是将该缺陷放电和非该种缺陷放电分开，分类器的训练采用基于二阶梯度法的改进BP算法；

8.2)分别以特征集TD¹、分类器FLQ_JD；特征集TD²、分类器FLQ_XF；特征集TD³、分类器FLQ_JBW；特征集TD⁴、分类器FLQ_JQ；特征集TD⁵、分类器FLQ_ZY进行五组模式识别，将待识别特征集输入本组分类器进行识别并输出缺陷识别结果及对应相似度，5组中相似度最大的识别结果为最终的缺陷放电类型。

7.根据权利要求1所述的一种基于特征超高频信号的GIS局部放电故障检测方法，其特征在于，步骤3)中判定折线变化最灵敏的方法为：首先利用最小二乘法以每条折线的首尾端点和折线拐点为数据拟合直线，然后比较拟合直线的斜率判定曲线变化，斜率最大的拟合直线对应折线为变化最灵敏的曲线。