开关柜局部放电模式识别

张梦成， 迟长春

(上海电机学院 电气学院, 上海 201306)

开关柜在现代电气设备中占有重要地位，广泛应用在配电站、变电站、发电厂。由于开关柜长期处于带电状态且检修耗时长，绝缘材料的绝缘强度在电、热等因素影响下降低，从而导致局部放电，极易发生故障。及时有效地发现开关柜局部放电，可使此类事故的发生防范于未然，因此，对开关柜局部放电检测的研究意义重大[1]。

局部放电(Partial Discharges, PD)可以衡量高压开关柜绝缘状态，不同类型的PD其特征既有共性，同时也有差异[2]。对于PD的识别诊断，在一定意义上，可以使检修人员在带电检测的情况下，对开关柜进行评判和状态检修。

PD发生时，会产生短暂电磁波。检测人员可以利用暂态地电波传感器将这种电磁波信号测量出来[3]。为获得有效PD特征信息，本文设计了3种常见PD缺陷模型，对开关柜在不同放电模型下的PD特征信息进行测量，利用某公司DST-4 PD局放检测仪，采用基于时频分布模式的方法，得到相应特征值，对各缺陷特征样本进行模式识别。

1 开关柜PD模式识别研究现状

PD模式识别主要通过提取特征量并与识别算法结合来实现。诊断识别主要步骤[4]：

(1) 降噪、分离信号；

(2) 信号特征提取；

(3) 特征量降维，剔除冗余信息；

(4) PD模式识别。

当前，许多学者针对高压电器PD类型识别提出了不少切实可行的方法，刘通等[5]利用基于相频分布模式二维谱图的分析得到PD统计参量，结合主成分分析算法实现对变压器PD信号的识别；宋桐等[6]提出了运用IGSO算法优化模糊神经网络方法对变压器PD进行模式识别；王震宇等[7]提出了基于故障树理论对开关柜PD信号的识别方法；宋人杰等[8]提出简单多核学习方法对气体绝缘开关设备PD信号多类特征的分类方法，将多核学习方法应用于气体绝缘开关设备PD模式中，实现了对绝缘缺陷的分类。

随着对模式识别算法的深入研究以及识别装置的改进，人们不仅对于模式识别的正确率有所要求，更对算法的复杂程度和运行时间提出新要求。

2 果蝇算法优化的概率神经网络算法

2.1 概率神经网络算法

概率神经网络(Probabilistic Neural Network, PNN)是一种用于模式聚类识别的智能算法，该并行算法融合并发展了贝叶斯最小风险准则与Parzen窗的概率密度估计算法[8-9]。PNN输入层常见结构如图1所示。依据贝叶斯决策规则，从多维输入空间内分离决策空间，从而达到最小风险的目的。PNN由输入层、模式层、求和层和输出层构成。网络工作时，模式层各节点接收到由输入层送来的待测样本；然后对输入样本进行加权求和，经过非线性算子运算，继而传入求和层。非线性算子运算为

(1)

式中：x为输入向量；ci为径向基函数的中心；σi为特性函数的开关参数；θi为函数输出与输入的相似度。

各层节点采用高斯径向基核函数作为特性函数来计算标准模式与未知模式间相似度。

图1 PNN结构图

求和层各单元仅联接相近类别单元，各类别概率由各单元按照Parzen方法求和估计得出，即条件概率公式为

式中：X为待测样本；Ci为类别；Xi为类别i的权值；m为向量维数；σ为平滑因子；n为决策层节点数。

根据估计的各类别概率，采用贝叶斯分类规则，遴选出具有最大后验概率(即最小“风险”)的类别，其分类决策方法可用下式来表述(对所有i≠j)：

(3)

则输出y(x)=ci。

PNN模型结构简单，仅需调整一个参数平滑因子σ，σ太小，对于单独训练的样本仅起到隔离的作用，σ太大，对于不清晰分类样本得不到好的分类结果，故选择合适的σ是PNN故障诊断有效的前提条件。PNN与反向传播(Back Propagation, BP)网络相比，其主要优点如下：① 训练更快；② 模式类别神经元随故障样本的数量增加而增加，相应的诊断能力也随着样本训练得到的经验积累不断提高[8]。

2.2 标准果蝇算法模型

果蝇优化算法(Fruit Fly Optimization Algo-rithm, FOA)是2011年提出的一种新的全局优化算法。果蝇依靠敏锐的嗅觉搜集食物气味探知食物源，然后通过视觉寻找同伴聚集位置，从而精确定位食物位置[9]。果蝇觅食的过程如图2所示。

图2 果蝇觅食过程

遵循并模拟果蝇觅食行为特性，FOA算法优化过程主要步骤:

(1) 对果蝇群体位置进行初始化(initXaxis，Yaxis)，其中Xaxis、Yaxis为果蝇在平面上的初始位置

(4)

(2) 分别对个体果蝇利用嗅觉搜寻食物的随机方向与距离进行赋值，Xi、Yi为更新后的位置坐标，R为随机赋值

(5)

(3) 鉴于无法立刻定位食物坐标，先预测与原点之间距离Di，再用味道浓度判定值Si计量

(6)

(7)

(4) 求果蝇个体位置味道浓度值S，由味道浓度判定值Si代入味道浓度判定函数Fitness function得出

S=function(Si)

(8)

(5) 定位该群体中味道浓度最高的果蝇位置坐标求极大值

[Sbest，Ibest]=Sbest

(9)

(6) 果蝇群体利用视觉，飞往由最佳味道浓度值与x-y坐标所形成的新群聚位置

(10)

(7) 对步骤(2)～(5)进行循环执行，进入果蝇迭代寻优过程，当味道浓度优于前一迭代味道浓度时，跳出循环，执行步骤(6)。

吴小文等[9]通过各种测试函数对群智能算法性能进行检测，得出每种群智能算法的寻优性能的对比。从表1可以看出，FOA算法在计算量、复杂度及计算精度上明显优于其他同类群智能算法。因此，该算法有一定研究价值。

但是，FOA算法在直角坐标系X、Y轴两个方向上采用二维搜索，使得算法运行中，易陷入局部极值、早熟收敛以及其对初始值很敏感的问题。

表1 常见群智能算法的性能对比

2.3 FOA算法的改进

针对FOA算法易陷入局部极值、早熟收敛以及其对初始值很敏感的问题，进行以下改进。

FOA算法中步长值的取值影响着搜索能力和执行效率。若L过大，果蝇个体的搜索范围较大，全局寻优能力更强，局部搜索能力较弱；若L过小，果蝇个体的搜索范围较小，局部搜寻能力较强，全局寻优能力较弱。为提高算法全局搜索能力寻优效果，采用一种步长线性递减的方法，即

(11)

式中：Lm为递减的步长值；L0为初始步长值；n为当前迭代次数；nmax为最大迭代次数。

当FOA运行时，初期迭代Lm=L0，步长值最大，在大范围内搜索。随着迭代次数的增大，步长值逐渐减小，每次减小L0/nmax，直到最后减为L0/nmax。

改进的FOA在迭代初期搜索步长最大，搜索范围也大，解决了对于算法初值敏感的问题。随着迭代进行，全局搜索能力随着步长的减小而变弱，而局部搜索能力不断加强，直到最后在局部搜索到最优解。因此，改进后的方法可以全局搜索到最优解的范围，减小步长值，逐步逼近，提高最优解的搜索精度。

3 缺陷模型及实验平台设计

3.1 缺陷模型设计

本实验主要是模拟开关柜典型PD，表2为10 kV高压开关柜内部常见的PD位置的汇总。针对开关柜内缺陷，设计了3种缺陷模型如图3所示。

表2 开关柜常见放电类型

图3 3种常见放电模型

3.2 实验平台搭建

为获得更多有效PD特征信息来进行参考分析，搭建了开关柜局部放电试验平台(见图4)。试验开关柜为KYN28-12型。将缺陷模型放置试验开关柜内，由50 kV/5 kVA工频试验变压器在模型两侧加电压，暂态地电波传感器紧贴待检开关柜外壳，信号通过电缆线传输至局部放电检测仪，然后将数据传入计算机采集系统，记录波形放电图谱。

图4 局部放电检测接线简图

3种模型的高压与接地端子两侧均装有长度为70 mm的绝缘套管。为产生的电弧持续且不烧损电极，球电极间距调整为3 mm。沿面放电缺陷模型采用球电极与板电极模拟，电极之间放置长、宽均为8 mm，厚度为2 mm的环氧树脂绝缘块，气隙放电模型中采用两块被压实粘合直径为70 mm、厚度为3 mm的圆形环氧树脂板[10]。

采集系统采集的3种PD缺陷模型的水平扫描与椭圆扫描波形如图5所示。

图5 采集的3种PD形式波形图

4 基于FOA-PNN模型的PD信号识别诊断与分析

4.1 PD波形信号特征提取

目前在PD信号特征提取方法上，主要包括基于时频和基于相频分布模式的方法[11-13]。本文采用基于时频分布模式方法，直接从单个PD波形或基于相频分布模式谱图中提取特征用于模式识别。采用并行算法提高提取特征信号过程的计算效率，继而通过计算固有模态分量的相对能量和样本熵作为特征量[14-15]。

结合文献[16-22]，运用所提出的基于变分模态分解和样本熵的特征提取方法。首先，对PD信号进行模态分解，得到3类PD信号的模态分量；然后，计算样本熵；最后，组合并归一化各模态分量的样本熵，得到150个PD信号特征向量样本。部分特征向量如表3所示。

4.2 训练和测试样本确定

本次实验采用随机法产生训练集与测试集，对3类PD信号进行特征提取并归一化，得到150个样本，分别从采集并处理过的3种PD样本集的50个样本中随机选取40个样本(共120个)构成训练

表3 归一化后的部分PD的特征向量样本

集，从3类PD信号剩余样本(共30个样本)中随机选10个作为测试集，利用Matlab软件检测算法的准确性。诊断流程如图6所示。

FOA寻优的过程如图7所示。最优平滑因子σ通过训练样本的输出值与目标值的均方差RMSE作为适应度函数来寻求。果蝇算法在第9代左右进入短暂的局部最优，当达到20代左右时跳出局部最优状态，22代以后，适应度函数达到最优，故Sbest值取0.41。令PNN平滑因子σ=0.41，构建FOA-PNN网络。试验结果如图8～10所示。

图6 PD识别诊断流程图

图7 果蝇算法寻优过程

图8 测试集预测结果对比

图9 随机PD测试样本的识别时间对比

图10 测试集识别的正确率对比

5 结论及分析

研究了一种基于FOA对PNN进行优化的方法，将FOA运用于优化PNN网络中的平滑因子σ，降低了PNN网络中平滑因子选择的随机性，降低了人为因素对神经网络设计的影响。

结合图8～10可知，PNN和FOA-PNN都有良好泛化能力，结合试验数据对其进行了验证(见表4)，基于PNN和FOA-PNN的识别正确率分别为93.33%和96.78%。并使用传统支持向量机(Support Vector Machines, SVM)算法对检测样本进行识别，正确率为90%。验证结果表明：基于FOA-PNN的方法准确率更高、速度更快，全局寻优能力更强，且不易陷入局部极点，能有效的对高压开关柜PD信号进行模式识别。

表4 局放信号故障诊断识别正确率

6 结 语

本文研究了一种基于FOA优化的PNN网络对于高压开关柜3种常见PD的识别算法，与传统基于PNN的PD识别相比，不仅识别率更高，而且对于随机测试样本的识别时间也更短。通过对处理样本过程、神经网络训练预测时间、识别准确率等方面分析，该方法有很多优点：① 从贝叶斯理论到PNN网络分类的原理都易于理解；② 采用FOA对模型参数进行优化，减少人为因素对神经网络设计的影响。