清华大学GIS局部放电在线检测技术调研报告

GIS 局部放电在线检测技术局部放电在线检测技术调研报告调研报告清华大学电机系清华大学电机系1GIS 局部放电检测技术局部放电检测技术目录目录第一章第一章 GIS 局部放电检测方法局部放电检测方法 .21.1. 局部放电对局部放电对 GIS 绝缘的危害绝缘的危害 .21.2 GIS 局部放电的检测方法局部放电的检测方法 .31.2.1局部放电的电脉冲检测.41.2.2局部放电的超声检测.41.2.3局部放电的特高频检测.5第二章第二章 GIS 局部放电特高频检测技术局部放电特高频检测技术 .72.1 特高频检测技术现状特高频检测技术现状.72.2 特高频法检测系统特高频法检测系统.82.2.1特高频传感器.82.2.2特高频信号的采集和分析.10第三章第三章 局部放电严重程度判定局部放电严重程度判定.123.1 监测信号的趋势分析监测信号的趋势分析.123.2 局部放电量定性校准局部放电量定性校准.12第四章第四章 局部放电模式识别局部放电模式识别.144.1 局部放电特征参数局部放电特征参数.144.1.1局部放电统计特征.1424.1.2威布尔参数.164.1.3时频分析特征.174.1.4分形特征.184.1.5基于移动时间窗的特征提取.194.1.6自回归模型参数（AR模型系数）.194.2 局部放电识别方法局部放电识别方法.204.2.1距离分类法.204.2.2线性及非线性分类器.224.2.3人工神经网络.234.2.4模糊概率论识别法83.25第五章第五章 局部放电源定位局部放电源定位.265.1 信号幅值比较法信号幅值比较法.265.2 时差定位法时差定位法.265.2.1等时差定位法.265.2.2信号初始峰值法.275.2.3相关法.275.2.3能量累积法.28第六章第六章 GIS 局部放电检测相关标准局部放电检测相关标准 .29参考文献参考文献.303第一章第一章 GIS 局部放电检测局部放电检测方法方法上世纪 SF6气体绝缘组合电器设备（Gas Insulated Switchgear，GIS）的使用对传统敞开式高压输变电装置而言是一次巨大的革命，GIS 自从问世以来发展非常迅速，得到了越来越广泛的应用 1。GIS 具有较高的安全可靠性，是免维护设备。然而，在 GIS 制造、安装、运行和检修过程中，仍有可能产生一些绝缘缺陷，导致绝缘故障。GIS 局部放电在线检测能够帮助及时发现 GIS 的绝缘缺陷，避免事故的发生，提高 GIS 的安全运行水平。目前，不断有 GIS 达到规定的免维护运行年限，如何进行这些设备的维护已是实际面临的迫切问题。GIS 的安装特点和变电站现场的电磁环境限制了常规局部放电试验的应用，使得现场条件下对 GIS 局部放电检测和定位难以有效进行。GIS 局部放电在线检测能够弥补常规局部放电试验的不足，为 GIS 局部放电检测和定位提供了新的技术手段。基于局部放电在线检测，可以实现 GIS 的状态维修，在充分掌握设备实际状况的基础上，能够制定更为合理的运行方案和检修策略，以便在系统安全性最优的条件下充分挖掘设备潜力，延长其服役期限和使用寿命，降低设备全寿命周期费用。1.1.局部放电对局部放电对 GIS 绝缘的危害绝缘的危害如果 GIS 绝缘结构中存在局部电场集中，或因制造工艺不完善、绝缘材料老化、机械破坏等原因在绝缘中形成缺陷，则在 GIS 运行时绝缘中的这些部位就容易发生局部放电。局部放电虽然只是绝缘局部发生击穿，但每次放电对绝缘都会造成一定程度的损伤，造成损伤的原因包括：放电导致介质局部温度上升，加速材料的氧化过程；放电产生的带电粒子撞击介质，是分子结构断裂；放电产生的腐蚀性产物与介质化学反应，使介质的电气、机械性能下降。所以为了保证电气设备在运行中的可靠性，通常需要尽量避免绝缘介质中局部放电的发生，或只允许有轻微的局部放电。局部放电对绝缘造成的破坏作用可以归纳如图 1 所示。4图 1 局部放电对绝缘的破坏作用1.2 GIS 局部放电的检测方法局部放电的检测方法GIS 局部放电试验是采用专用的检测仪器对 GIS 在承受高压作用时产生的局部放电信号进行的探测或测量。高灵敏度的局部放电试验能发现 GIS 绝缘系统的微小缺陷，是出厂试验的重要项目。局部放电试验起源于 20 世纪 40 年代对高压设备无线电干扰性质的研究，原称为电晕试验，后来规定只有大气中的局部放电才称为电晕，对一般绝缘的局部放电试验不再用电晕试验的名称。局部放电试验技术经几十年发展已日臻成熟，国际电工委员会（IEC）第 60270 号出版物对该试验验技术已作详细规定。局部放电试验电压根据被试设备的技术规范而定，通常在最高工作电压的1.11.5 倍的范围内。考虑到实际运行中会出现过电压激发起局部放电，而后在运行电压下放电并不熄灭的情况，因此在试验中也规定短时增加更高电压，然后降回到试验电压下持续一段时间进行测试。允许的局部放电量的标准因设备而异。对于工作场强很高，绝缘材料易在局部放电作用下损伤的设备，例如 GIS，限制非常严格，出厂试验要求局部放电不得大于 10pC。局部放电会产生下述效应：在提供电压的电回路中产生电脉冲信号；在介质中产生功率损耗：在紫外可见光波段直至无线电频率范围内有电磁辐射；声辐射；材料受放电作用后的化学变化。针对不同的放电效应有不同的试验方法，均能从不同侧面反应局部放电的状况和程度。目前比较行之有效的检测方法是对局部放电脉冲、超声波和特高频电磁辐射信号进行探测。51.2.1 局部放电的电脉冲检测伴随着绝缘介质中局部放电的产生，放电电荷的转移将在放电回路中形成脉冲电流信号，可通过测量被检测设备外电路中所流过的脉冲电流来检测放电信号。局部放电的电脉冲测量有两种基本电路：直接测量电路；平衡测量电路。 放放大大滤滤波波CxZDCk高压电源耦合电容检测阻抗被试品电源阻抗放放大大滤滤波波CxZDCk高压电源耦合电容检测阻抗被试品电源阻抗(a)电流脉冲检测b）电压脉冲检测图 2 直接测量电路该方法技术成熟、应用广泛，已经形成了专业标准（GB/T7354-2003 和IEC60270:2000） 。电脉冲法通过对视在放电量的定量测量能更直观地反映设备内部局部放电的严重程度，是 GIS 出厂试验的重要检验手段。GIS 出厂时所进行的局部放电试验是在试验室良好屏蔽的环境下对设备分段进行的，试验中设备具有唯一的接地点，放电量要求小于 10pC。但对于已安装或已投运的 GIS，则采用脉冲电流法检测局部放电可行性不大。主要原因在于GIS 包含设备众多、体积庞大，为了保证其运行可靠性，避免故障或操作过程中表面地电位的明显升高，GIS 采用多点接地结构，这就大大降低了设备接地回路中电流法测量点的灵敏度。另一方面 GIS 对局部放电的耐受水平低，由于脉冲电流法的抗干扰能力有限，在电站现场强烈干扰的环境下，难以检测到 10pC 以下的局部放电。因此对于运行中的 GIS 不宜采用脉冲电流法进行在线监测或带电测量。1.2.2 局部放电的超声检测超声波法局部放电检测是一种对GIS非常重要的非破坏性检测手段，最初的超声法检测是基于超声脉冲回波技术，主要应用于材料内部裂纹的无损检测。近几年来声发射技术（AE）得到了更广泛的应用。GIS内部发生局部放电时会发出超声波，不同结构、环境和绝缘状况产生的声波频谱差异很大。GIS 中沿SF6气体传播的只有纵波，而沿GIS壳体则既可以传播横波也可以传播纵波，并且衰减很快，检测的灵敏度较低，局部放电超声信号的主频带约集中在20500kHz范围6内。GIS 中的局部放电可以看作以点源的方式向四周传播，由于超声波的波长较短，因此它的方向性较强，从而它的能量较为集中，可以通过壳体外部的超声传感器采集超声放电信号进行分析。利用局部放电过程中产生的声发射信号对其进行检测具有以下优点：可以对运行中的设备进行实时检测；可以免受电磁干扰的影响；利用声波在介质中的传播特性可以对局部放电源进行定位。声波定位是通过测量声波传播的时延来确定局部放电源的位置。在实验室条件下，运用声波测量法可以对10pC的局部放电做出准确的检测和定位，而在现场应用时，却远不能达到如此高的精度。主要原因在于，GIS内部结构复杂，通常存在多种声传播介质，如盆式绝缘子、SF6气体绝缘和金属构件等，它们的介质声速差异很大，这样就会造成沿不同路径传播速度并不相同，因此按照等速时差进行定位就会产生较大的误差。超声在传播过程中遇到障碍会产生一系列的反射和折射，易受现场周围环境的影响。在 GIS 内 SF6的声波吸收率相对很强（其值为 26 dB/m，类似条件下空气仅为 0.98 dB/m），并且随频率增大而增加。放电所产生的超声波传播到 GIS壳体上时，会发生反射和折射，而且通过绝缘子时衰减也非常严重，所以常常无法检测出某些缺陷（如绝缘子中的气隙）引起的局部放电。而且由于超声传感器检测有效范围较小，在局部放电检测时，传感器的有效传感范围较小，需对 GIS进行逐点探查，检测的工作量很大，目前主要用于 GIS 的带电检测。为了保证足够的灵敏度，需要设置数量巨大的测点，所以并不适用于在线监测方式。1.2.3 局部放电的特高频检测局部放电是电气绝缘中局部区域的电击穿，伴随有正负电荷的中和，从而产生宽频带的电磁暂态和电磁波。不同类型局部放电的电击穿过程不尽相同，产生不同幅值和陡度的脉冲电流，因此产生不同频率成分的电磁暂态和电磁波。例如：空气中电晕放电所产生的脉冲电流具有比较低的陡度，能够产生比较低频率的电磁暂态，主要分布在 200MHz 以下；相比之下，固体绝缘和 SF6气体中发生的局部放电所产生的脉冲电流则具有比较高的陡度，所产生的电磁暂态的频率能够达到 1GHz 以上。所谓局部放电特高频（Ultrahigh frequency，UHF）测量，即在UHF（0.3-3GHz）频段接收局部放电所产生的电磁脉冲信号，实现局部放电检测。采用特高频测量能够提高局部放电现场测试的抗干扰性能，主要原因如下：（1）电气设备内部的局部放电信号能够达到 UHF 频段，而电力系统中的电磁干扰信号，如空气中的电晕放电，一般低于 UHF 频段。所以 UHF 传感可以避开干扰频段。（2）即使电气设备相邻区域存在 UHF 干扰，由于 UHF 信号传播时衰7减较快，其影响范围较小，不会产生远距离的干扰。因此，在 UHF 频段进行局部放电信号传感，能够获得较高的信噪比。采用特高频测量能够实现局部放电源的空间定位，UHF 信号传播过程中衰减比较快，离开放电源的距离不同，探测到的放电信号的幅值将显著下降，因此，通过比较 UHF 信号的幅值可以进行放电的大致定位。局部放电的 UHF 电磁脉冲具有 ns 时间量级的上升沿，采用多个 UHF 传感器同时测量，能够得到 ns 量级准确度的脉冲时差，基于此时差测量，可实现对放电源的准确定位。在局部放电特高频测量过程中，变电站的所有金属物体将会对特高频传感器产生二次感应。当 UHF 传感器靠近这些金属物体时，通过二次感应，可以接收到增强了的局部放电信号或电磁干扰信号。二次感应能够显著增大局部放电检测的灵敏度，同时也能够增大电磁干扰信号的影响。图 3 电磁波接收二次感应原理图研究表明，1GHz 的电磁波在直径为 0.5m 的 GIS 内传播所产生的衰减只有 3-5dB/km3。因此在用波导理论进行局部放电测量时可以不考虑这种衰减。GIS 的盆式绝缘子、拐弯结构和 T 型接头、隔离开关及断路器等波阻抗不连续点是特高频信号衰减的主要原因，绝缘子处的能量衰减约为 3dB，T 型接头处的能量衰减则可达到 10dB4-5。根据 GIS 中电磁波的传播特点，利用特高频检测的主要优点如下：a) 抗干扰能力强。由于一般空气电晕干扰的频率较低( 90 %并具有较强的抗干扰能力。 文献40指出，分形特征由于其模式描述和区分能力强、特征参数少在局部放电图谱特征量提取中得到广泛应用，取得了一定的成果。但是单一的分形维数20是从图像的整体来揭示图像的本质，忽视了图像的局部特征，所以对于不同的分形体其分形体维数可能很接近，甚至完全相同，因此采用单一维数作为描述局部放电信号的特征是不够的。该文提出了一种基于多重分形特征的 GIS 局部放电图谱特征提取方法 ，对局放图像求取了相应的差盒维数、多重分形维数及放电重心特征,最后将提取的特征量通过 RBF 神经网络进行分类,识别结果显示本文方法有效地提高了 GIS 局部放电 4 种缺陷的识别率。4.1.5 基于移动时间窗的特征提取所谓时间窗 ，就是对数据集进行截取，提取时间窗内的数据来进行处理(忽略时间窗外的数据) 在施加时间窗之后，就可以针对时间窗内的数据信息，采用信号处理方法对该局部信号进行详细分析与处理。在实时数据处理中的数据是实时采集的，而在施加时间窗之后，每次只处理时间窗内的数据，故必须处理时间窗的移动问题。在移动时间窗中，最重要的问题是时间步长的选取。太小的步长将减少信号处理的效率 ，而太大的步长容易丢失数据信息。一般要求时间窗与步长的比值远大于 1 ，通常根据实际应用来选择41。文献41该文通过对局部放电数据施加时间窗，解决了直流局部放电中没有相位信息的不足，并通过时间窗的移动实现局部放电的在线监测。文中把时间窗宽度设置为步长的整数倍，提出计算时间窗内局部放电特征参数的递推算法。实验结果表明，文中提出的方法能够提取局部放电的特征信息，所得到的特征量能够很好地表征电气设备的绝缘性能，为电气设备绝缘在线监测提供了理论依据。同时文中指出，该方法只能提取用于电气设备绝缘性能判别的特征量即故障诊断，而不能识别局部放电的类型即模式识别。4.1.6 自回归模型参数（AR 模型系数）AR 模型是一种全极点数学模型，其基本思想就是假定所研究的过程 x(n) 是由一个输入序列 u (n)激励一个线性系统 H(z) 的输出， （2.12）1( )1 (1)pkkkH za z为一线性移不变的离散因果系统。然后用已知的序列x(n)及其自相关函数rx(m) 来估计H(z)的参数， 以此系数来表示x(n)的性质。AR模型是根据波形模拟均方误差为最小原则建立的，模型的系数ak代表了波形在二阶统计特性上的特征14。由于模型系数是由输入放电波形数据序列唯一确定的,因此可以利用AR模型模拟21放电脉冲,以模拟的模型系数作为脉冲波形的特征量26。AR 模型系数的求解方法很多,有自相关求解法,改进的自相关法,协方差法，Burg方法等等。文献42中采用的是Burg方法。Burg算法应用线性预测理论，直接以采集得到的数据为基础，避开了估计自相关函数这一步。其预测系数的确定标准为前后向的预测误差功率之和为最小，而不是象自相关法那样仅令前向预测误差为最小。同时误差在计算过程中不受窗函数的影响，因而大大提高了计算结果的准确程度。此外模型系数的计算采用了Levinson-Durbin算法，层层递推，计算速度很快。由于局部放电的复杂性，以及某些类放电波形的相似性，单单用AR 模型系数作为特征量会导致对某类放电的识别率不高。为达到更好的识别效果，可结合其它一些特征量，进一步突出波形的某些特征，综合在一起进行放电模式识别。实际识别效果表明， 加入脉冲存在时间这个时域特征量， 对提高识别率是非常有帮助的42。4.2 局部放电识别方法局部放电识别方法局部放电类型识别主要依据放电信号的波形特征，通常特高频检测装置的生产厂商会提供典型类型局部放电的信号波形图，这些波形来自于实验室模拟试验和已被验证了的现场检测结果，构成典型模式样本库。在局部放电在线检测中，如果检测到放电信号，并确定为 GIS 内部的局部放电，则可以将所测波形和典型模式样本进行比较，确定其局部放电的类型。局部放电类型识别的准确程度取决于经验和数据的不断积累，目前尚未达到完善的程度。在实际检测中，以往主要采用目测比较的方式，对使用者的专业水平和现场经验要求很好，判断结果具有很强的主观性。随着人工智能技术的发展，基于统计识别、线性分类器、人工神经网络等自动诊断系统得到广泛的应用，大大提高了放电缺陷识别的准确性和客观性。4.2.1 距离分类法基于距离的模式归类法依据待检模式与样本之间的距离判别模式匹配的程度，距离越小则模式匹配程度越高。根据聚类分析算法中对于距离的不同定义，基于距离的模式分类方法有很多种，局部放电模式识别中常用的有最小距离法、趋中心度法和最近邻法51-53。1) 最小距离法最小距离法22根据最近邻法则，特征空间中相对聚合在一起的样本应属于同一模式，样本的聚合程度可以由其距离反映。某类的标准样本由训练样本的平均值代表，最小距离分类通过定义待分类点到各类标准样本的距离，将其归入到距离最小的一类。最小距离分类器是一种基于向量空间模型的分类算法。相对于最大相似度方法、最近邻法，最小距离分类器的速度优势很明显，经常被选择应用在有实时要求的系统中。最小距离分类器的明显缺陷是，当训练集合在特征空间中没有良好聚类时，其分类性能较差。但是在某些领域，最小距离分类器的性能可与贝叶斯方法、决策树等相竞争，甚至表现出更优越的性能。比如在图像处理和文本分类领域，最小距离分类器或其改进算法被普遍应用。2) 趋中心度法趋中心度法趋中心度法以马氏距离的大小衡量模式匹配的程度，先计算出待检样本与各样本的马氏距离，然后转换为趋中心度，待检样本被归类为最大趋中心度对应的样本放电模式。假设有N 个样本特征量且服从正态分布，则该放电模型的样本可由样本特征量的平均值Mp 和协方差矩阵C p 表示。由概率论与数理统计的知识可以推断：马氏距离遵循自由度为N 的2 分布，由2分布函数表中查得概率p，由此可以计算出趋中心度，趋中心度为样本区域中离待检样本比离区域中心近的样本点的百分数，即 CS p =（1 p） 100% （3.1）显然，马氏距离越小，趋中心度越大，待检样本与样本中心的距离越近。同最小距离法类似，也可以根据趋中心度的最大值和次大值判定识别的可靠性。3) 最近邻法最近邻法最近邻法与前两种距离分类器不同，最近邻法将全部样本都作为标准样本。最近邻法的基本原理为：设有p 类样本，每类有标明类别样本Ni 个，i = 1,2, c 。定义判别函数为：， k = 1,2, Ni （3.2）( )minkiid xxx式中 的下标表示第 i 类，上标表示第 i 类Ni 样本中的第k 个。kix决策规则为:若, k = 1,2,p,则决策x属于第j类模式。( )minkiid xxx从以上的介绍中可以看出：基于距离的模式分类方法，其前提都是假设样本服从正态分布，而且都需要估计样本概率分布情况(包括平均值、标准差和协方差)，属于确定性算法，具有自身无法克服的弱点，分类识别能力有待进一步提高。234.2.2 线性及非线性分类器线性方法与非线性方法都在特征抽取中得到了广泛应用。其中，主分量分析(PCA 或者K-L 变换)方法，Fisher 鉴别分析方法及其推广算法(包括 Foely Sammon鉴别分析方法，不相关鉴别分析方法以及核鉴别分析方法)，是其中研究得较多的特征抽取方法。1) 主分量分析主分量分析主分量分析(PCA 或者K-L 变换)54是研究多个数值变量间相关性的一种多元统计方法。在基本保持原变量信息不变的前提下，能通过原变量的少数几个线性组合来代替原变量并揭示原变量之间关系。PCA 的两大优点是：一、消除了模式样本之间的相关性；二、实现了模式样本的维数压缩。K-L 变换能将高维的模式样本压缩为更易于处理的低维样本，换而言之，PCA 给出了高维数据的一种简约的表示。由于以上优点，PCA 广泛地应用于模式识别，数据压缩等领域。PCA 能够提取均方误差最小意义最佳表达数据的特征，然而该特征并不一定是最有利于分类的特征。2) Fisher 线性判别线性判别在模式识别领域中，Fisher 线性判别方法(Fisher discriminat analysis FDA)有着重大的影响。其基本思想是，选择使得Fisher 准则函数广义Rayleigh熵达到最大值的向量(称最优鉴别向量)作为最优投影方向，从而使得高维输入空间中的模式样本在该轴投影后，类间散度达到最大的同时类内散度达到最小。 关于线性鉴别分析(LDA)的研究应追溯到Fisher发表的经典论文55 ，在Fisher 思想的基础上，Wilks 等创立了经典的Fisher 线性鉴别分析56,57。在1975年，由Foley 和Sammon提出了另一种基于Fisher 准则的线性鉴别，即Foley-Sammon线性鉴别分析58 (简称F-S 线性鉴别分析或FSDA)，该方法寻找一组最大化Fisher准则函数且满足正交条件的最佳鉴别矢量构成子空间，以原始样本在该子空间内的投影矢量作为鉴别特征用于识别。满足正交条件的最佳鉴别矢量在几何上是独立的，因此用该最佳鉴别矢量集抽取的特征之间的冗余信息可明显地降低。针对类内散布矩阵的不可逆情形，Hong59, Liu60, Guo61等对F-S 线性鉴别分析进行了深入的理论研究，提出了一系列有关F-S 最佳鉴别矢量集的求解算法。金忠等62-65从统计不相关的角度，提出了具有统计不相关性的最佳鉴别矢量集的概念。与F-S鉴别矢量集不同的是，具有统计不相关性的最佳鉴别矢量集是满足共轭正交条件的。针对金忠给出的求解最佳鉴别矢量集的算法复杂性，杨健等66进一步完善了具有统计不相关性的线性鉴别分析的理论构架，给出了求解不相关24的最佳鉴别矢量集的一个非常简单而有效的算法，并指出统计不相关的线性鉴别分析的理论是经典的Fisher 线性鉴别法的进一步发展。3) 核鉴别分析核鉴别分析最近，核技术是模式识别领域中一个迅猛发展的新方向，它最初是由V.Vapnik67提出并应用于支持向量机(SVM)中，其基本思想是通过适当的非线性映射中将非线性可分的原始样本输入空间变换到某一线性可分的高维特征空间H，而这种非线性映射中是通过定义适当的内积函数实现的。该技术提供了一种抽取样本非线性特征有效方法。Scholkopf 等人68利用核技术将经典的主分量分析推广到核主分量分析(KPCA)，实验结果表明KPCA 不仅能够抽取非线性特征，而且具有更优的识别结果。Mika 等69, Roth 和Steinhage70利用核技术将经典的Fisher 线性鉴别分析(FDA)进行非线性推广，提出了核Fisher 鉴别分析(KFDA)方法，陈才扣71，高秀梅72等提出一种最优的KFDA 方法，虽然他们解决问题的角度不同，但其实验结果表明在原始输入空间中抽取的非线性最佳鉴别特征有效于线性最佳鉴别特征。上述的Fisher 鉴别分析方法及其推广已广泛用于人脸识别、手写体数字识别，在ORL 标准人脸库、Yale 大学的人脸图像库及南京理工大学人脸图像库NUST603上的总体识别率达到97.5以上70-76，取得了良好的效果。该技术近年来也被成功应用于放电缺陷类型识别中。4.2.3 人工神经网络人工神经网络是由许多具有非线性映射能力的神经元组成，神经元之间通过权系数相连接。人工神经网络的信息分布式存储于连接权系数中，具有很高的容错性和鲁棒性，而模式识别中往往存在噪声干扰和输入模式的部分损失，人工神经网络的这一特点是其成功解决模式识别问题的主要原因之一。因此，人工神经网络在局部放电模式识别中得到了最广泛应用，并取得了良好的应用效果。下面简单介绍在局部放电模式识别中应用较多的几种人工神经网络。1) BP 神经网络神经网络BP 神经网络77是一种有导师学习网络，主要采用反向传播（Back propagation，简称BP）算法进行学习训练。在局部放电模式识别应用中，BP 神经网络使用最为广泛。2) 自组织特征映射网络自组织特征映射网络自组织特征映(Self-organizing Map，简称SOM)网络采用模拟大脑神经系统自25组织特性映射功能进行竞争学习，是一种无监督自组织学习网络。采用Kohonen 算法学习，又称Kohonen 网络。它是由输入层和竞争层组成，输入层神经元数为n ，输出层由M = m2 个神经元组成，且构成一个二维平面阵列。输入层每一个神经元与与输出层各神经元之间相连，输出节点之间也可能局部相连。在输出层的竞争中，对于获胜的神经元，在其周围区域内，神经元不同程度上都得到兴奋，兴奋区以外区域神经元被抑制，只要训练时间足够长，兴奋区域会达到预定范围，即得到反映输入模式的输出区。SOM 网络通过对输入模式的反复学习，可以使连接权向量空间分布密度与输入模式概率分布一致，因此可用于模式分类及特征检测。文献7880研究了自组织特征映射网络在局部放电模式识别中的应用。3) 自适应共振理论网络自适应共振理论网络基于自适应共振理论(Adaptive Resonance Theory , 简称ART)的神经网络，其模型理论建立在人类的心理和认知活动基础上。ART 网络由比较层C和识别层R，两个逻辑控制信号(G1、G2)和一个复位信号Reset 组成。ART 网络的特点是：用生物神经细胞自兴奋与侧抑制的动力学原理指导学习，让输入模式通过网络双向连接权的识别与比较，最后达到共振来完成自身的记忆，并以同样的方式实现网络的回想；当提供给网络的输入模式是一个网络已记忆的或与已记忆的模式十分近似时，网络将回想起这一模式并提供正确分类；如果输入模式是新模式，则网络记忆此模式而不影响原有记忆，并分配一个尚未被使用的输出层神经元作为这一记忆模式的分类标志。文献78研究了自适应共振理论网络在局部放电模式识别中的应用。4) 遗传神经网络遗传神经网络遗传算法(Genetic Algorithm, 简称GA)是一种借鉴生物进化思想的高度并行、随机、自适应搜索算法。GA 神经网络就是将GA 作为神经网络的学习算法，对神经网络的权系数和阈值进行编码，形成“染色体”，模拟自然界的进化过程，对染色体进行选择、交叉和变异操作，使染色体不断进化最终产生代表问题最优解的染色体，再经过反编码得到优化的网络权系数和阈值。GA 从多初始点开始进行操作，可防止搜索过程收敛于局部最优解，特别适用于处理传统搜索方法解决不了的复杂的非线性优化问题。文献81-82研究了遗传神经网络在局部放电模式识别中的应用。综上所述，人工神经网络在局部放电模式识别的应用中取得了良好的应用效果，能够充分利用典型样本的代表性，进行放电类型的准确识别；相比较而言，BP 络应用最多，最为成熟，而SOM 网络、ART 网络和遗传神经网络等也都具有良好的性能和潜在的应用前景。264.2.4 模糊概率论识别法83在经典集合论中, 一般以二值关系(0,1) 来刻画元素与集合的关系, 即“ 属于” 与“ 不属于” 。在模糊集中是把经典集合中的绝对隶属关系灵活化,用特征函数的语言来说就是元素对集合的隶属度不再局限于二值(0,1)，而是可以取从 0 到1 的任一数值。具体到故障识别中, 一般需要先提取故障特征 u1,u2,.,un,并赋予相应的隶属度，由于每个特征在模式识别中起的作用不同, 故还需要考虑关联权系数 a1,a2,.,an,， （3.3）1niiiau依此可计算出特征群 ui隶属于该集合的可能性, 然后依次计算此特征群对于每个集合的可能性, 最后可判断其属于可能性数值最大情况所代表的集合。此方法最大的优点在于思路简单清晰, 没有用到太复杂的理论,分析过程和操作过程都很简单,统计过程也很容易实现。按此方法进行处理时各特征量权值的预判很重要, 若选择不当则将导致正确率大幅降低。27第五章第五章 局部放电源定位局部放电源定位GIS 所包含的设备众多，体积庞大，一旦检测出 GIS 内部存在局部放电时，就需要对放电源进行定位，以便进行有针对性的检修工作，缩短维修时间，减少停电损失。局部放电定位主要基于两种方法：幅值比较法和时差比较法。幅值比较是对比不同测量点处的信号幅值，较大信号幅值的测量点为局部放电靠近的位置。时差比较是对比不同测量点处的信号时差，信号到达总是最早的测量点为局部放电靠近的位置。5.1 信号幅值比较法信号幅值比较法检测和比较各传感位置处放电信号的大小，信号最大的位置为靠近放电源的位置。有时只在一处位置可检测到放电信号，此时可确定放电源就在该位置附近。在 UHF 电磁波的传播过程中，电磁波折射、反射和二次发射过程等因素都会影响检测信号的幅值，从而影响幅值比较定位的精度。当存在外部放电干扰时，幅值比较也难以进行识别和定位。相比之下，基于时差测量的放电定位可实现更高的精确度，准确识别放电型干扰。5.2 时差定位法时差定位法特高频段电磁波信号在均匀介质中匀速传播，基于最小光程差原理2，可以根据到达不同测点信号的时延实现局部放电定位。在现场干扰环境下，准确测量计算放电信号时延是实现精确定位的关键84。目前常用的方法包括：信号初始峰值法、相关法、能量累积法等，定位算法则主要采用几何定位法、空间搜索算法、模拟退火法、蚂蚁算法等等。5.2.1 等时差定位法 如果放电信号存在于很大的空间范围内，可采用图 6 所示的平分面定位法。首先选择一个方位，分开放置 A、B 两个传感器，调整它们的位置，直到两个传感器的信号时差为零，此时表明放电源在 A、B 两点的平分面 P 上。换不同的方位重复进行上述的测量，可得到不同的平分面 P和 P。这些平分面的交点即为放电源 D 的位置。这种方法适用于变电站局部放电带电检测的快速搜索。28图 6 平分面法5.2.2 信号初始峰值法局部放电信号的传播过程相当复杂，可能经过多次折反射，而且高频信号衰减很快86,87，加上背景噪音的影响，其放电起始点将很难确定。用序列p(i),i=1,2,.,表示放电信号波形峰值点，如果p(j)2p(j-1)，则将峰值点 p(j)视为初始峰值，以初始峰值时刻作为时延计算的基准点，如图2 所示。 t t3 3t t0 0t t1 1t t2 2图 7 信号初始峰值法求取时延5.2.3 相关法除了考虑局部放电信号初始峰值之外，还可根据信号间的相关性确定信号传播时延88,89。相关法以传感器 S0的信号为基准，将其他三传感器信号与其做互相关，取其互相关函数中的最大值，以此确定时延。假设 S0的信号为 x0(k), S1的信号为 x1(k)，k=1,N，则互相关函数为：29 （5）1010101( )( )()NmkRmx k x kmN假设 R01(m)最大值的索引值为 M，则时延即为： （6）1()TMN dt由于在传播过程中，不同频段信号的衰减程度差异较大，而且还会受到传播通道的折反射影响，导致检测到的放电信号波形发生畸变，从而使根据相关法计算获得的时延与实际相比产生较大误差12。5.2.3 能量累积法鉴于信号能量与电压平方成正比，可将特高频信号的电压波形转化为能量累积曲线90。当局部放电信号远大于背景噪声时，在能量累积曲线上会产生明显的拐点，该拐点即可视为局部放电发生的起始时刻，如图3 所示。能量累积法可按以下公式计算： （7）20( )ikkP iu上式中 uk为信号波形上第 k 个点的电压值， i 为信号累积计算的点数 。(a) (b)图 8 局部放电信号能量累积曲线但是在现场工况下，局部放电信号并非远大于背景噪声，因此能量累计曲线拐点并不明显，而且拐点识别需要人工判断，极易引入人为误差。拐点拐点信号对应点30第六章第六章 GIS 局部放电检测相关标准局部放电检测相关标准关于GIS局部放电的出厂试验在IEC-60517-6.1.9.101中对测试回路和测量设备进行了规定，具体要求与IEC 60270一致。要求所能测量的最小放电量不能大于设备允许最大放电量的一半。IEC-60517-6.1.9.102对试验过程中试验电压的施加方式进行了明确规定，要求先预加电压UP，维持10秒钟，然后降至Ud测试放电量，根据GIS接线结构的不同标准中规定了UP、Ud的相应取值。在近年修改的标准中，将试验电压水平从1.1Ur提高至1.2Ur。允许的最大放电量标准IEC-60517-6.1.9.103中规定为10PC，有特殊要求的设备可严格限制在5PC以下。IEEE及国家标准中，均未对GIS中局部放电试验设立相应标准，在实践中都以IEC60270关于局部放电测试的内容作为参照。目前在国际上对GIS局部放电在线检测还没有成熟的标准可以借鉴。但随着GIS重大事故的频繁发生，GIS局部放电在线检测作为一种有效的技术手段，急需建立相应的技术标准，以指导和规范该技术的推广和应用。31参考文献参考文献1 尚卢鹏，方煜瑛，刘旭. 1100 kV GIS设备特高频（UHF）法测量局部放电的应用研究.电力建设. 2009.6 第30卷（第六期）:p33352 W. Boeek et al.，Diagnostic Methods for GIS Insulating Syestms，CIGRE，2002，Session，15/2301，Paris3 卢启付, 郑晓光, 李端姣, 陈锦清. 超高频技术在电力设备局部放电在线检测中的应用，广东电力. 2008.2.第21卷（第二期）：p28:334 王建生，邱毓昌，气体绝缘开关设备中局部放电的在线监测技术，电工电能新技术，2000:p44一495 李 信，李成榕，李亚莎，王 伟，李海亮. 有限时域差分法对GIS局部放电传播的分析. 中国电机工程学报. 2005.9 第25卷（第17期）：1501546 Shigemitsu Okabe and Shuhei Kaneko. Electromagnetic Wave Propagation in a Coaxial Pipe GIS Model. IEEE Transactions on Dielectrics and Electrical Insulation Vol. 14, No. 5; October 2007:116111697 Shigemitsu Okabe, Shuhei Kaneko. Propagation Characteristics of Electromagnetic Waves in Three-Phase-Type Tank from Viewpoint of Partial Discharge Diagnosis on Gas Insulated Switchgear. IEEE Transactions on Dielectrics and Electrical Insulation Vol. 16, No. 1; February 2009:p1992048 Nieholas De Kock et al.，UHF PD detection in gas-insulaetd switchgear suibatiliy and sensitivity of the UHF method in comparison wih theI EC270 mehtod，IEEE Electrical Insulation Mgaazine，1996，2(6):209 Toshihiro Hoshino, Kenichi Nojima, and Masahiro Hanai. Real-Time PD Identification in Diagnosis of GIS Using Symmetric and Asymmetric UHF Sensors. IEEE TRANSACTIONS ON POWER DELIVERY, VOL. 19, NO. 3, JULY 2004:p1072107710 邵涛，周文俊，朱宜飞，吴世华. 特高频检测GIS局部放电的试验研究. 高电压技术. 2001.6 第27卷（第三期）： 151611 Pryor B MA review of partial discharge monitoring in gas insulated substationsAIEE Colloquium Partial Discharges in Gas Insulated SubstationsC，London，1994：1-212 M.D.Judd，O.Farish,et al.，The Exciattion of UHF Singals by partial Discharge in GIS，IEEE Transaction on Dieleertics and Elecrtrical Insulation . Vol.3(2)，1996:213一22813 A.G.Sellasr，O.arfish and M.M.Peterson. UHF Detection of Leader discharges in SF6，IEEE Transaction on Dielectrics and Electrical Insulation. 1995，Vol.2(1)，143一15414 汪沨，邱毓昌气体绝缘开关装置（GIS）的近期发展动向J电网技术，2003，27(2)：54-5715 唐炬，魏钢，侍海军，等气体绝缘组合电器局部放电的超高频检测J重庆大学学报，2004，27(4)：1-516 钱 勇，黄成军，江秀臣，肖 燕. 基于超高频法的GIS 局部放电在线监测研究现状及展望. 电网技术. 2005.1 第29卷（第一期）：404317 C. G. Azcarraga, and V. R. Garcia-Colon. Experiences on GIS On-Site Evaluation Using High Sensitivity PD Techniques. IEEE Transactions on Dielectrics and Electrical Insulation Vol. 14, No. 3; June 2007.18 刘卫东，金立军，钱家骊等日本SF6 电器局部放电监测技术研究近况J高电压技术，322001，27(2)：76-8119 唐炬，侍海军，孙才新，等用于GIS 局部放电检测的内置传感器超高频耦合特性研究J电工技术学报，2004，19(5)：71-7520 李忠，张晓枫，陈杰华，等外部传感器超高频GIS 局部放电检测技术J西安交通大学学报，2003，37(12)：1280-128321 李信, 李成榕, 丁立健, 丁燕生, 何鹏, 蒋建玲, 杨静. 基于超高频信号检测 GIS 局放模式识别. 高电压技术. 2003.11.第29卷（第11期）：263022 印华, 邱毓昌. GIS 中局部放电测量超高频方法的研究 J . 高电压技术, 2004 , 30 (10) : 19 20123 张小勇, 贾申利, 王建生, 等. 基于超高频法GIS 局部放电监测技术的研究J . 高压电器, 2005 , 41 (3) : 179 - 182124 王国利, 郝艳捧, 袁鹏, 等1 变压器局部放电超高频检测中的混频技术研究J . 中国电机工程学报, 2004 , 24(10) : 115 120125 印华, 邱毓昌. GIS 中局部放电测量用超高频方法的研究. 高电压技术. 2004.10 第30卷（第10期）：192026 王猛,谈克雄,高文胜,郑重.局部放电脉冲波形的时频联合分析特征提取方法,电 工 技 术 学 报,2002,17(2):767927 A.Lapp. and H.-G. Kranz. The Use of the CIGRE Data Format for PD Diagnosis Applications. IEEE Trans. on Dielectrics and Electrical Insulation. Vol.7, No.1, Feb. 2000. pp. 102-112.28 陆宇航,杜伯学,时频匹配滤波法用于变压器局部放电模式识别的实验研究.中国电力,2008,41(10):161929 R.Schifani, R.Candela, A New Algorithm for Mixed Weibull Analysis of Partial Discharge Amplitude Distributions, IEEE Trans On Dielectrics and Electrical Insulation, 1999,Vol. 6, No.2. pp. 524-531.30 R.Schifani, R.Candela. A New Algorithm for Mixed Weibull Analysis of Partial Discharge Amplitude Distributions. IEEE Trans on Dielectrics and Electrical Insulation. Vol. 6, No. 2,1999. pp. 242-249.31 司文荣,李军浩,袁鹏等,气体绝缘组合电器多局部放电源的检测与识别,中国电机工程学报,2009,29(16):11912632 王国利,郝艳捧,贾志东,李彦明.联合时频分析应用于局部放电信号处理的研究. 高电压技术. 2001,27(3):1214)33 高凯,谈克雄,李福祺等,基于散点集分形特征的局部放电模式识别研究,中国电机工程学报,2002,22(5):222634 孙才新,许高峰,唐炬,陆宠惠,侍海军. 以盒维数和信息维数为识别特征量的GIS 局部放电模式识别方法. 中国电机工程学报. 2005,25(3):10010335 孙才新, 李新, 李俭, 袁志坚, 曹毅. 小波与分形理论的互补性及其在局部放电模式识别中的应用研究.中国电机工程学报. 2001,21(12):737636 杜伯学,魏国忠.基于小波与分形理论的电力设备局部放电类型识别. 电网技术. 2006.7 第30卷(第13期):767937 李新,曾敏,田甜,基于小波多尺度变换局部放电图像模式识别的研究,变压器,2008,45(11)38 孙才新,许高峰,唐炬,陆宠惠,侍海军. 以盒维数和信息维数为识别特征量的GIS 局部放电模式识别方法. 中国电机工程学报. 2005.2 第25卷(第3期):10010339 刘玲,廖瑞金,基于放电时差的局部放电模式识别的研究,高电压技术. 2007,33(8):353940 张晓星,唐炬,孙才新,基于多重分形维数的 GIS局部放电模式识别,仪器仪表学 报,332007,28(4):59760241 白建社, 盛戈蜂, 江秀臣, 曾奕. 基于移动时间窗的直流局部放电特征提取方法. 电力系统自动化. 2005.7.25 第29卷(第14期):55 58)42 王猛,谈克雄,高文胜,吴成琦. 局部放电脉冲形波的自回归模型参数识别法. 高电压技术. 2001.6. 第27卷(第三期):1343 李剑, 孙才新, 杜林, 崔雪梅, 李道武. 局部放电图像组合特征提取方法. 高电压技术. 2004.6. 第30卷（第6期）：111344 刘云鹏, 律方成, 李成榕. 局部放电灰度图象数学形态谱的研究. 中国电机工程学报. 2004.5 第24卷（第5期）：17918345 李剑. 局部放电灰度图象识别特征提取与分形压缩方法的研究. 重庆大学博士学位论文,2001.12.46 杨丽君. 廖瑞金. 孙才新. 李剑. 梁帅伟. 油纸绝缘老化阶段的多元统计分析. 中国电机工程学报. 2005,25(18): 151-156.47 全玉生，马彦伟，何秋宇，李学鹏，杨俊伟. 基于模糊概率论的变压器局放信号模式识别法.电力系统自动化，2006，30(): 71-74.48 姜磊, 朱德恒, 李福琪, 谈克雄等. 基于人工神经网络的变压器绝缘模型放电模式识别的研究. 中国电机工程学报, 2001, 21(1): 2124.49 Shigemitsu Okabe, Shuhei Kaneko, Manabu Yoshimura, Hirotaka Muto, Chieko Nishida and Mitsuhito Kamei. Partial Discharge Diagnosis Method Using Electromagnetic Wave Mode Transformation in Gas Insulated Switchgear. IEEE Transactions on Dielectrics and Electrical Insulation Vol. 14, No. 3; June 2007.50 Kai Gao, Kexiong Tan, Fuqi Li. PD Pattern Recognition for Stator Bar Models with Six Kinds of Characteristic Vectors using BP Networks. IEEE Transaction on Dielectrics and Electrical Insulation, 2002, Vol.9, No.3: pp38138951 Martin Hoof, Bernd Freisleben, Rainer Patsch. PD Source Identification with Novel Discharge Parameters using Counter propagation Neural Networks. IEEE Transaction on Dielectrics and Electrical Insulation, Vol.4, No.1, Feb. 1997. pp. 17-32.52 E. Gulski. Computer-aided Measurement of Partial Discharges in HV Equipment. IEEE Trans. on Electrical Insulation, 1993, Vol. 28, No.6, pp 969-983.53 C. Chang, CS. Chang, J. Jin, T. Hoshino, M. Hanai and N. Kobayashi. Source Classification of Partial Discharge for Gas Insulated Substation using Waveshape Pattern Recognition. IEEE Transactions on Dielectrics and Electrical Insulation Vol. 12, No. 2; April 2005.54 张晓星, 孙才新, 唐炬, 许中荣, 周倩. 基于统计不相关最优鉴别矢量集的GIS局部放电模式识别. 电力系统自动化. 2006.3.10 第30卷（第5期）：596255 R. A. Fisher, The use of multiple measurements in taxonomic problems, Annals of Eugenics 7 (1936)： pp178-188.56 S.S. Wilks. Mathematical Statistics. Wiley, New York, 1962, pp577-578.57 R. Duda, P. Hart. Pattern Classification and Scene Analysis. Wiley, New York, 1973.58 Foley D H, Sammon J W Jr. An optimal set of discriminant vectors. IEEE Trans. Computer.1975, 24(3): pp281-289.59 Hong Z.Q., Yang J.Y et al. Optimal discriminant plane for a small number of samples and design method of classifier on the plane. Pattern Recognition, 1991, 24(4): pp317-