联合高频脉冲与超声波信号的局放估计*

曾　虎， 李　川， 李英娜， 陈武奋， 高立慧

(昆明理工大学 信息工程与自动化学院, 云南 昆明 650500)



联合高频脉冲与超声波信号的局放估计*

曾虎， 李川， 李英娜， 陈武奋， 高立慧

(昆明理工大学 信息工程与自动化学院, 云南 昆明 650500)

局部放电是引起绝缘劣化的重要因素。选取高频脉冲电流与超声波信号作为局部放电的监测参量，采用超声波和高频电流传感器网络系统对开关柜局部放电的变化情况进行在线监测，利用支持向量回归(SVR)与反向传播(BP)神经网络分别对开关柜局部放电量进行建模分析。实验表明：基于SVR的局放估计模型决定系数为0.867，基于BP神经网络的局放估计模型决定系数为0.375。SVR的局放估计值与实际值的曲线趋势基本一致，选用SVR模型对开关柜局放量进行估计。

超声波传感器； 高频电流传感器； 支持向量机； 反向传播神经网络； 局部放电

0　引　言

电力设备的多数故障都是绝缘性故障，电应力作用引发绝缘材料劣化，在机械力、热和电场的共同作用下，劣化缺陷最终将发展成为绝缘性故障[1～3]。局部放电是导致绝缘老化和绝缘故障的主要原因[4,5],因此,检测局部放电可及时有效地发现开关柜内部存在的绝缘故障缺陷[6,7]。1975年,美籍法国数学家曼德尔布罗特(Mandelbrot B B)提出分形理论，其后，Satish L和Zaeng W S对分形理论应用于局部放电特征提取进行了深入研究，并结合反向传播(back propagation,BP)神经网络对模拟的局部放电信号进行模式识别实验和理论分析[8];2010年,英国的南安普敦大学托尼戴维斯高电压实验室谷歌研究员Hao L和Lewin R L等人将支持向量回归(support vector regression，SVR)用于局部放电多类型识别，采用实验室放电数据对SVR分类器进行训练，并通过射频电流变送器(radio frequency current transducer,RFCT)采集到的现场放电数据对分类器进行有效测试，有效识别出了空气电晕放电、空气沿面放电和油中内部放电三种放电类型[9]。

本文以云南楚雄35 kV腰站变电站作为研究试点，对开关柜局部放电进行实时在线监测，选取在线监测系统所测得超声波及高频脉冲电流的数据作为样本数据，利用SVR与BP神经网络分别对局部放电量进行建模分析，选取最优模型进而仿真出局放估计值。

1　传感器检测局部放电原理

超声波传感器被放置在开关柜表面，当开关柜内部发生放电时，会产生声波信号，此时超声波传感器会捕捉到信号，将声波信号转换为电信号，然后通过放大器放大后传送到采集系统。图1为超声波方法检测开关柜局部放电示意图。

图1　超声波方法检测开关柜局部放电示意图Fig 1　Diagram of switchgear partial discharge detected by ultrasonic method

高频脉冲电流传感器(又称射频电流互感器或HFCT)是专门为测量局部放电信号设计的非入侵式传感器，适合在6.3 kV及以上不同电压等级的现场条件下安装。通过在开关柜接头接地线上或电缆本体上安装高频电流传感器可以耦合高频脉冲电流流经通路上所产生的电磁场信号。高频电流法的检测频带通常在几百kHz 到几十MHz，能够有效地获取局部放电信号。高频脉冲电流传感器检测原理图2。

图2　高频脉冲电流传感器检测原理图Fig 2　Principle diagram of high frequency pulse current sensor detecting

2　传感网络的布设与应用

局部放电监测传感网络主要由无线传感节点、无线通信基站、通信网关通过自组织网络搭建，传感网络每个传感器通过Modbus总结连接到各自的无线传感网基站，通过无线传感网实现无线自组网连接。开关柜局部放电无线传感网拓扑结构图参见图3。

图3　开关柜局部放电无线传感网结构图Fig 3　Architecture of WSNs of partial discharge of switchgear

结合当前楚雄腰站变电站的35 KV开关柜局部放电的监测需求，将超声波传感器与高频脉冲电流传感器安装在开关柜及电缆沟之间的接头处进行局部放电的实时监控。开关柜内部发生局部放电时，放电产生的电磁波大部分被开关设备的金属外壳所屏蔽，小部分通过金属箱体的接缝处，同时产生一个瞬态对地电压。在开关柜与电缆沟之间接头处布置多个超声波传感器，同步开展连续监测，即可实现对开关柜内部局部放电源的定位。在超声波传感器选择上选择中心频率40 kHz；每个高频电流传感器通过Modbus总结连接到各自的无线传感网基站，通过无线传感网实现无线自组网连接。

3　开关柜局部放电量估计试验与分析

局部放电估计模型的基本思想是:以所测得的各个局放值所对应的超声波传感器及高频脉冲电流传感器的原始数为基础，对数据进行预处理作为输入样本训练集的数据，通过训练数据分别创建合适的SVR与BP神经网络模型参数，构造估计模型，对模型进行性能评价，选取最佳模型，再输入测试数据来估计开关柜局部放电量。

BP网络是一类多层的前馈神经网络。单隐层神经网络的结构参见图4。x1,x2...xn为输入层，y1,y2...ym为隐含层，w1,w2...wk为输出层；SVR的结构与BP神经网络的结构较为类似，SVR的结构参见图5。输出是中间节点的线性组合，每个中间节点对应一个支持向量。

图4　BP神经网络结构图Fig 4　Structure diagram of BP neural network

图5　SVR结构图Fig 5　Structure diagram of SVR

选用决定系数R2作为评价SVR与BP神经网络模型性能的参数，具体的计算公式如下

(1)

通过电火花发生器连续打火模拟连续放电脉冲信号的实验，测得250个放电量所对应的高频脉冲电流传感器的原始数和超声波传感器样本数据，特征项为2项(包括超声波信号值、高频脉冲电流值)。选择前200个样本数据作为训练集，用于模型训练及参数选择，剩余的50个样本数据作为测试集，用于估计结果的对比分析。

利用Matlab软件分别对SVR模型和BP神经网络模型进行创建、训练及仿真测试，仿真的结果参见图6。

图6　训练集估计结果对比图Fig 6　Comparison of training set estimation results

运用式(1)中给出的决定系数的计算方法得出：SVR模型的训练集测试的决定系数为0.921，BP模型的训练集测试的决定系数为0.471。

为了比较SVR与BP神经网络的性能，同时用SVR与BP神经网络对数据进行测试，仿真结果参见图7。

图7　基于SVR与BP神经网络放电量测试集估计结果对比图Fig 7　Comparison chart of discharge capacity test set estimation results based on SVR and BP neural networks

运用式(1)中给出的决定系数的计算方法得出：基于SVR算法的局放估计模型决定系数为0.867，基于BP神经网络的局放估计模型决定系数为0.375。局放估计模型运用SVR算法要比运用BP神经网络算法的测试集决定系数高出许多，SVR性能优于BP神经网络性能。而且由图7可以看出:基于SVR模型的局放估计值与实际值的曲线趋势基本一致，因此选用SVR模型对开关柜局放量进行估计。

根据腰站变电站的实际情况选取了1#开关柜在2014.9.20-2014.11.21所采集到的63个超声波及高频脉冲电流传感器的数据，得到数据变化曲线参见图8。

图8　1#开关柜超声波传感器与高频脉冲电流传感器变化曲线图Fig 8　Graph of change of switchgear ultrasonic and high frequency pulse current sensors of 1#

将采集到的63个原始数据作为一个输入量，利用SVR模型对开关柜局部放电量进行仿真估计，仿真估计值参见图9。

4　结　论

电力设备的多数故障都是绝缘性故障，电应力作用引发绝缘材料劣化，在机械力、热和电场的共同作用下，劣化缺陷最终发展成为绝缘性故障，对开关柜的绝缘状况及发展趋势进行检测分析，判断绝缘内部是否存在局部缺陷故障。本文利用SVR模型与BP神经网络模型为实现途径，构建了基于SVR局部放电估计模型与BP神经网络局部放电估计模型。监测结果表明:基于SVR的局放估计模型决定系数为0.867，基于BP神经网络的局放估计模型决定系数为0.375，基于SVR的局放估计值与实际值的曲线趋势基本一致，选用SVR模型对开关柜局放量进行估计。仿真估计值的曲线走势反映开关柜局部放电的变化，为进一步的电力故障预报提供了有效的支持。

[1]ShafiqaMuhammad,HussainaGhulamA.Partialdischargediagnosticsystemforsmartdistributionnetworksusingdirectionallycalibratedinductionsensors[J].ElectricPowerSystemsResearch，2015，119：447-461.

[2]李川，张以谟，赵永贵.光纤光栅原理、技术与传感应用[M].北京：科学出版社，2005:105-113．

[3]司利云，林辉.支持向量回归机模型结构及性能的研究[J].计算机工程与应用,2008,44(32):53-59.

[4]张宇鹏，杨永明，杨承河，等.电气设备局部放电的超声波检测方法[J].压电与声光，2010，32(3):414-416.

[5]林立锋.GIS特高频局部放电在线监测与诊断系统研究与应用[D].成都：电子科技大学，2012.

[6]MangeretR，FarenceJ，AB，etal.Opticaldetectionofpartialdischargesusingfluorescentfiber[J].RevSciInstrum，1994，26(4):783-789.

[7]陈武奋，刘爱莲，李英娜，等.无线超声传感网在开关柜局部放电中的在线监测研究[J].传感器与微系统，2015，34(3):249-252.

[8]SatishL,ZaenglWS.Canfractalfeaturesbeusedforrecognizing3Dpartialdischargepatterns[J].IEEETransactiononDielectricsandElectricalInsulation,1995,2(3):352-359.

[9]HaoL,LewinRL.Partialdischargesourcediscriminationusingasupportvectormachine[J].IEEETransactionsonDielectricsandElectricalInsulation,2010,17(1):189-197.

Partial discharge estimation of jointed high-frequency pulse and ultrasonic signal*

ZENG Hu, LI Chuan, LI Ying-na, CHEN Wu-fen, GAO Li-hui

(School of Information Engineering and Automation,Kunming University of Science and Technology,Kunming 650500,China)

Partial discharge is an important factor to cause insulation aging.Ultrasonic signal and high-frequency pulse current are selected as partial discharge monitoring parameters,a system based on ultrasonic and high-frequency current sensor network systems are adopted to on-line monitor changes in switchgear partial discharge,and support vector regression(SVR) and back propagation(BP) neural networks is respectively used for modeling analysis on amount of switchgear partial discharge.Experimental result data show that coefficient of determination of partial discharge estimation model based on SVR is 0.867; coefficient of determination of partial discharge estimation model based on BP neural networks is 0.375.The value of partial discharge estimation based on SVR is consistent with actual value,so SVR model is selected to estimate magnitude of switchgear partial discharge.

ultrasonic sensor; high frequency current sensor; support vector machine; back propagation(BP) neural networks; partial discharge

2015—11—23

昆明理工大学人才培养基金资助项目(KKSY201303044);中国博士后科学基金面上资助(一等资助)项目(2014M552552XB)

TP 212

A

1000—9787(2016)08—0037—03

曾虎(1990-)，男，湖北武汉人，硕士研究生，研究方向为物联网技术，无线传感网及其应用等。

DOI:10.13873/J.1000—9787(2016)08—0037—03