基于时间指纹的特高频局部放电定位法

刘 谨，王哲斐

（1.国网上海市电力公司浦东供电公司，上海201315；2.上海四量电子科技有限公司，上海201315）

0 引言

随着我国经济的不断发展，电力系统的体量和复杂程度日益提高，这就导致了现有电力设备具有电压等级高、数量大、负荷重的特点［1-7］。在数量庞大的电力设备中，难免会有因为家族性缺陷、偶发缺陷、长期过负荷而引起的设备绝缘劣化，劣化的绝缘会导致局部放电的发生，进而继续破坏绝缘，形成了恶性循环，直至发生绝缘击穿，对电力系统、电力设备以及工作人员的安全造成了威胁［8-12］。因此，非常有必要对局部放电现象进行有效的监测。

局部放电发生时，会伴随着多种物理信号，包括光信号、声音信号、超声波信号、电磁波信号等［13-16］。对于光信号和声音信号，需要电力运维人员进行现场查看，这种方式在精准度和覆盖面上都有所欠缺；对于超声波信号，因其在空中传播衰减较快，因此只适用于单个电力设备的局部放电监测，应用范围有限；对于电磁波信号，其传播距离远，受环境影响相对较小，尤其是其中的特高频频段（30 MHz～300 MHz）的电磁波传播距离远，衰减较慢，适合用于变电中大范围空间的局部放电监测［17-21］。

现有的空间局部放电定位方法主要包括3 大类型：时差法（Time Difference of Arriva，TDOA）、到达角度法（Angle of Arrival，AOA）以及信号强度指纹法（Received Signal Strength Indicator，RSSI）［22-25］。其中，TDOA法使用局部放电到达不同位置传感器的时间差值来计算局部放电源和传感器之间的距离，进而推算出局部放电源的位置坐标，但到达时间差的采样精度很难达到较高水平，造成了定位精度不高；AOA 法的原理与TDOA 相似，只是通过局部放电信号到达角度信息来推算局部放电源坐标，易受到环境遮挡的影响；RSSI 法的原理是通过离线阶段构建各位置的放电强度指纹库来进行放电位置坐标的匹配，环境适应性相对较强，不需要信号的高频采样，但信号衰减速度并不固定，造成了指纹库的准确度存在不稳定性［26-29］。

本文针对环境适应性较强的RSSI法进行改进，提出了基于时间指纹的特高频局部放电定位方法。该方法区别于RSSI法的是，本文提出的定位法建立的是局部放电信号到达时间差指纹库而非局部放电信号强度指纹库，其优势为局部放电信号到达时间相对稳定，这就使得时间指纹库对于环境的刻画更为准确，定位精度较高，且并不需要局部放电信号到达时间差的高采样精度，可以说是综合了TDOA和RSSI两种方法的优点。

本文第1章阐述了定位方法的架构，第2章介绍时间指纹库匹配定位的具体算法，第3 章设计了现场实验，以验证本文算法的有效性。

1 系统概述

本文提出的基于时间指纹的特高频局部放电定位法使用的参量为局部放电产生的特高频电磁波信号，因此在硬件配置上需要在被测区域的四周设置特高频传感器。如图1 所示，边长为30 m 的方形被测区域四角，分别设置了一个特高频传感器。

具体的定位过程主要分为两个阶段。在阶段一中，使用模拟的局部放电源在被测区域内各个监测点进行放电，每次放电均会产生一组信号到达时间差，可表示为：

图1 本文局部放电定位法示意图Fig.1 Schematic diagram of partial discharge positioning method in this article

式（1）中，n表示第n个监测点；t1n表示在当第n个监测点发出局部放电信号时，传感器1接收到信号的时间，即信号到达时间。

本文使用的特高频传感器内置滤波模块，可以有效滤除空间中的背景噪声。因此，局部放电发生时，收集到的波峰信号强度明显强于背景噪声信号。当传感器收集到的特高频电磁波信号幅值超过阈值时，则认为局部放电发生，此时即为局部放电信号的到达时间。

用此方式取得每一个监测点的信号到达时间差组（下称时间指纹），即构成了被测区域的时间指纹库。

在阶段二中，当局部放电发生时，传感器会采集到一个时间指纹，将该组数据输入到建立好的时间指纹库中，使用神经网络算法对该组数据对应的监测点进行匹配，匹配到的监测点坐标即为局部放电定位结果。

该方法建立的时间指纹库可以有效地刻画该监测区域环境信息，而当监测区域发生较大变化时，则需要重新进行采样学习的过程。

本文提出的局部放电定位方法流程图如图2所示。

图2 本文局部放电定位法流程图Fig.2 Flow chart of partial discharge positioning method in this article

2 基于神经网络的时间指纹库匹配

本文涉及的数据匹配属于向量匹配，因此选用BP神经网络加以实现。BP 神经网络作为前馈多层神经网络，包括了输入层、隐含层、输出层3层网络，其每层都包含若干神经元，层与层直接使用层函数进行连接，以进行迭代计算的调节［30-32］。其中，隐含层和输出层之间采用的层函数为线性函数，而为了兼顾神经网络迭代计算的速度和精度，输入层和隐含层直接采用sigmoid函数，其表达式为：

式（2）中，Hj表示第j个隐含层的神经元，wi表示输入层中的第i个神经元权重，n表示输入层神经元的总数，P表示神经网络的输入值。

由于输入的时间指纹包括4 个值，输出的定位结果平面坐标包括2 个值，因此本文神经网络的输入层和输出层神经元个数分别为4和2，隐含层的神经元个数经过实验选取为14个。

向量输入神经网络进行匹配的过程，其实就是一种迭代寻优的过程。因此，神经网络的网络初值选取对于寻优的速度和准确度非常重要。本文使用粒子群算法（PSO）实现BP 神经网络初值的优化选取。其迭代公式如式（3）、（4）式所示：

式（3）、式（4）中，v表示粒子运动的速度，x表示粒子的位置，v和x中包含了网络中所有要寻优的参数；t表示迭代的次数，rand 表示0-1 的随机数，pbest、gbest 分别为局部最优解和全局最优解，其余的均为调节参数

式（3）中的k为迭代速度调节参数，本文对其做递减处理：

通过式（5）的处理，k值可以从最大值逐渐变为最小值，保证了寻优过程中先保证速度，后保证精度的最优策略。

BP神经网络的初值配置完成之后，用采集到的时间指纹库对其进行训练。当局部放电发生时，即可输入训练好的BP神经网络，完成局部放电源位置坐标的匹配，输出定位结果。

3 实验验证

3.1 实验设置

为验证本文局部放电定位法的有效性，在变电站室外设备区选择了一块30 m×30 m 的方形区域，其平面图如图1 所示。在方形区域的四个角，分别摆放一个特高频无线传感器，其实物图如图3 所示。在实验过程中，首先使用模拟的局部放电源在被测区域内的间隔1 m的监测点进行依次放电，使用4个传感器采集每个监测点的时间指纹，构成被测区域的时间指纹库，包含了957 个时间指纹。然后，使用模拟局部放电源在其中若干个监测点进行放电，使用本文的局部放电定位法进行定位结果输出。

图3 实验实景图Fig.3 Experimental real picture

3.2 定位结果及分析

本算法的定位结果如表1 所示，定位结果的累计概率图如图4所示。

表1 定位结果Table 1 Localization results

图4 定位结果累计概率Fig.4 Cumulative probability of positioning results

在定位过程中使用了3种局部放电定位算法进行对比，包括：TDOA 法、信号强度指纹定位法以及本文的时间指纹定位法。从结果中可以看出，3 种定位方法的性能差距较为明显。其中，本文提出的基于时间指纹的定位方法，平均定位误差为1.78 m，最大定位误差为8.47 m，60.36%的定位误差在2 m 之内，误差在5 m之内的比例高达91.75%。

本文提出的定位方法性能明显优于信号强度指纹定位和TDOA 定位法，并且基本可以在30 m×30 m 的900 m2区域内将定位误差锁定在5 m 之内，大多数时候可以锁定在2 m 之内，这足以帮助工作人员将局部放电源准确定位在某一设备间隔、甚至某一具体设备上，使得工作人员可以快速反应，结合针对单个设备的精确局部放电检测，及时定位局部放电部位，大大降低了因绝缘损坏而造成的电力设备故障和事故的发生，经济社会效益明显。

4 结论

本文针对变电站电气设备局部放电监测，提出了基于时间指纹的特高频局部放电定位方法。该方法将基于信号强度指纹法与TDOA 法的优点结合起来，使用局部放电信号到达时间差组成每个监测点的时间指纹，进而构成了整个被测区域的时间指纹库。当局部放电发生时，将该次放电的时间指纹输入到建立好的时间指纹库中，利用神经网络算法即可匹配出局部放电源位置坐标。现场实验结果表明，本文提出的基于时间指纹的局部放电定位法性能明显优于其它方法，平均定位误差为1.78 m，定位精度较高，性能稳定，可以较好地满足变电站设备状态监测应用需求，具有一定的推广意义。

［参考文献］（References）

［1］ 陈博博，屈卫锋，杨宏宇，等.小电流接地系统单相接地综合电弧模型与选线方法的研究［J］.电力系统保护与控制，2016，44（16）：1-7.CHEN Bobo，QU Weifeng，YANG Hongyu，et al.Research on single phase grounding arc model and line selection for neutral ineffectively grounding system［J］. Power System Protection and Control，2016，44（16）：1-7.

［2］ 汪迪锋，孔海洋，吴磊，等.XLPE电缆局放信号传播特性仿真研究［J］.湖北电力，2016，40（01）：53-57，62.WANG Difeng，KONG Haiyang，WU Lei，et al.Simulation study on the propagation characteristics of the partial discharge signals in XLPE cable［J］.Hubei Electric Power，2016，40（01）：53-57，62.

［3］ 白龙雷，周利军，曹伟东，等.-40 ℃条件下EPR 电缆终端气隙放电发展特性［J］.高电压技术，2020，46（10）：3605-3614.BAI Longlei， ZHOU Lijun， CAO Weidong， et al.Characteristics of partial discharge in air gap defects in EPR cable termination under -40 ℃condition［J］.High Voltage Technology，2020，46（10）：3605-3614.

［4］ 臧奕茗，王辉，钱勇，等.基于三维光学指纹和NPSOKELM 的GIL 局部放电定位方法［J］.中国电机工程学报，2020，40（20）：6754-6764.ZANG Yiming，WANG Hui，QIAN Yong，et al.GIL partial discharge localization method based on 3D optical fingerprint and NPSO-KELM［J］.Proceedings of the CSEE，2020，40（20）：6754-6764.

［5］ 童歆，罗浪，夏天，等.带电检测电容型电流互感器/套管末屏接地断开故障可行性研究［J］.湖北电力，2017，41（12）：18-21，27.TONG Xin，LUO Lang，XIA Tian，et al.Feasibility study on live detection of capacitive current ransformer/bushing end screen grounding fault［J］.Hubei Electric Power，2017，41（12）：18-21，27.

［6］ 陈隽，刘帆，吴传奇，等.GIS典型空穴放电的特高频现场检测［J］.湖北电力，2017，41（11）：10-14.CHEN Jun，LIU fan，WU Chuanqi，et al.Field application of UHF detection on GIS cavity partial discharge［J］.Hubei Electric Power，2017，41（11）：10-14.

［7］ 陈红武.高压开关柜局部放电特性的检测研究［J］.电工材料，2020，（05）：40-42，47.CHEN Hongwu.Research on detection of partial discharge characteristics of high voltage switchgear［J］. Electrical Engineering Materials，2020，（05）：40-42，47.

［8］ 周伟，谢毅聪，张伟强.PET中双屏蔽绝缘壳体关键部位的电场分析与优化［J］.高压电器，2020，56（10）：41-47.ZHOU Wei，XIE Yicong，ZHANG Weiqiang.Electric field analysis and optimization of key parts of double shielded insulation shell in PET［J］.High Voltage Apparatus，2020，56（10）：41-47.

［9］ 马飞越，张涛，牛勃，等.交流电压下GIS 中导电微粒的模式识别方法研究［J］.湖北电力，2019，43（06）：28-34.MA Feiyue，ZHANG Tao，NIU Bo，et al.Research on pattern recognition of conducting particles in GIS under AC voltage［J］.Hubei Electric Power，2019，43（06）：28-34.

［10］ 李晓英，刘洋，曹宏，等.40.5 kV 空气绝缘开关柜绝缘设计与老化试验研究［J］.高压电器，2020，56（10）：117-122.LI Xiaoying，LIU Yang，CAO Hong，et al.Discussion on insulation performance of 40.5 kV air-insulated switchgear［J］.High Voltage Apparatus，2020，56（10）：117-122.

［11］ 马飞越，丁培，牛勃，等.基于飞行时间—高度图谱的126 kV GIS 异物检测分析［J］.高压电器，2020，56（10）：212-219.MA Feiyue，DING Pei，NIU Bo，et al.Analysis of foreign particle detection in 126 kV GIS based on flight timealtitude map［J］.High Voltage Apparatus，2020，56（10）：212-219.

［12］ 刘财明.气体绝缘开关设备局部放电带电检测综合应用［J］.电气技术，2020，21（10）：117-122.LIU Caiming. The comprehensive application of partial discharge online detection of gas insulated switchgear［J］.Electrical Engineering，2020，21（10）：117-122.

［13］ 钱帅伟，彭彦军，周泽民，等.以提升小波包系数熵为特征值的隐马尔科夫电缆局部放电识别［J］.电气技术，2020，21（10）：93-102.QIAN Shuaiwei，PENG Yanjun，ZHOU Zemin，et al.Partial discharge pattern recognition using hidden Markov models based on the entropy lifting wavelet coefficients［J］.Electrical Engineering，2020，21（10）：93-102.

［14］ 郑祥，管鹏，田伟.基于超声波局部放电信号的开关柜绝缘缺陷类型识别［J］.电子测量技术，2020，43（16）：124-127.ZHENG Xiang，GUAN Peng，TIAN Wei.Identification of insulation defect type based on ultrasonic partial discharge signal［J］. Electronic Measurement Technology，2020，43（16）：124-127.

［15］ 王超，许本茂，冯藩，等.基于声电联合及振动的变压器类设备局部放电现场综合诊断方法［J］.四川电力技术，2020，43（04）：33-37.WANG Chao，XU Benmao，FENG Fan，et al. On-site comprehensive diagnosis method of partial discharge for transformer equipment based on ultrasonic associated with electromagnetic wave and vibration test［J］.Sichuan Electric Power Technology，2020，43（04）：33-37.

［16］ 厉广城，夏向阳，罗彦鹏.电力电缆局部放电信号识别与去噪研究［J］.电工材料，2020，（04）：35-37.LI Guangcheng，XIA Xiangyang，LUO Yanpeng.Research on partial discharge signal identification and denoising of power cables［J］.Electrical Engineering Materials，2020，（04）：35-37.

［17］ 谭定彩，邓声华，江福章，等.电气设备局部放电检测和信号去噪技术综述［J］.电线电缆，2020，（04）：4-8.TAN Dingcai，DENG Shenghua，JIANG Fuzhang，et al.Review on detection and signal denoising technology of partial discharge in electrical equipment［J］.Wire & Cable，2020，（04）：4-8.

［18］ 谭笑，陈杰，刘洋，等.基于物联网的电缆局部放电分布式监测系统设计与实现［J］.电测与仪表，2020，57（15）：80-87.TAN Xiao，CHEN Jie，LIU Yang.Design and implementation of distributed monitoring system of partial discharge in cables based on IoT［J］. Electrical Measurement &Instrumentation，2020，57（15）：80-87.

［19］ 曾星宏，程延远，李海涛，等.高压开关设备本体状态监测系统的设计研究［J］.湖北电力，2020，44（03）：80-86.ZENG Xinghong，CHENG Yanyuan，LI Haitao，et al.Research on the design of online monitoring system for high voltage switchgear［J］.Hubei Electric Power，2020，44（03）：80-86.

［20］ 郝曙光，李璐，张伟政，等.基于特高频法的GIS金属尖端缺陷局部放电检测和分析［J］.高压电器，2020，56（06）：88-92.HAO Shuguang，LI Lu，ZHANG Weizheng，et al.Detection and analysis of partial discharge of metal protrusion defects in GIS based on UHF method［J］.High Voltage Apparatus，2020，56（06）：88-92.

［21］ 杨霖，刘博文，王松，等.GIS 金属突出物缺陷局部放电发展全过程的严重程度评估［J］.高压电器，2020，56（06）：100-106.YANG Lin，LIU Bowen，WANG Song，et al. Severity assessment of the partial discharge in the total process provoked by metal protrusion defects on GIS［J］. High Voltage Apparatus，2020，56（06）：100-106.

［22］ 周雄，周泽民，彭彦军，等.特征图谱时频信号放电识别算法研究与现场应用［J］.电气技术，2020，21（06）：63-68，87.ZHOU Xiong，ZHOU Zemin，PENG Yanjun，et al.Research and field application on discharge identification algorithm of characteristic spectrum time-frequency signal［J］.Electrical Engineering，2020，21（06）：63-68，87.

［23］ 吴科，乔运松，熊刚，等.一起同轴电缆发生局部放电的故障分析［J］.电气技术，2020，21（06）：83-87.WU Ke，QIAO Yunsong，XIONG Gang，et al. Failure analysis of partial discharge of coaxial cable［J］.Electrical Engineering，2020，21（06）：83-87.

［24］ 李颖，王鹏，郑昌江，等.重复脉冲频率对变频电机绝缘PDIV 及PDEV 影响研究［J］.绝缘材料，2020，53（06）：70-76.LI Ying，WANG Peng，ZHENG Changjiang，et al.Effect of repetitive impulsive frequency on PDIV and PDEV of inverter-fed motor insulation［J］.Insulating Materials，2020，53（06）：70-76.

［25］ 白鹭，李小婧，董理科，等.基于超声波法识别环网柜的局部放电类型研究［J］.电测与仪表，2020，57（11）：42-48.BAI Lu，LI Xiaojing，DONG Like，et al.Study on the partial discharge types of ring network cabinets based on ultrasonic method［J］. Electrical Measurement & Instrumentation，2020，57（11）：42-48.

［26］ 任想，祁利，潘雪莉，等.基于全过程技术管控的绝缘管型母线性能及工程质量提升［J］.湖北电力，2019，43（05）：45-52.REN Xiang，QI Li，PAN Xueli，et al. Improvement of performance and engineering quality of insulated tubular busbar based on whole-process technical control［J］.Hubei Electric Power，2019，43（05）：45-52.

［27］ 董晓虎，程绳，吴军，等.基于电磁场检测的输电线路无人机避障模块的设计及搭载方法研究［J］.湖北电力，2018，42（05）：39-43.DONG Xiaohu，CHENG Sheng，WU Jun，et al.Design and carrying method of obstacle-avoidance module for transmission line UAV based on electromagnetic field detection［J］.Hubei Electric Power，2018，42（05）：39-43.

［28］ 唐志国，唐铭泽，李金忠，等.电气设备局部放电模式识别研究综述［J］.高电压技术，2017，43（07）：2263-2277.TANG Zhiguo，TANG Mingze，LI Jinzhong，et al.Review on partial discharge pattern recognition of electrical equipment［J］.High Voltage Engineering，2017，43（07）：2263-2277.

［29］ 邓万婷，陈敏，刘睿.GIS设备取消例行停电试验的状态检修方法［J］.湖北电力，2017，41（03）：19-24.DENG Wanting，CHEN Min，LIU Rui.GIS condition-based maintenance methods after canceling routine black-out tests［J］.Hubei Electric Power，2017，41（03）：19-24.

［30］ 窦建中，罗深增，金勇，等.基于深度神经网络的电力调度语音识别研究及应用［J］.湖北电力，2019，43（03）：16-22.DOU Jianzhong，LUO Shenzeng，JIN Yong，et al.Research and application of power dispatching speech recognition based on deep neural network［J］.Hubei Electric Power，2019，43（03）：16-22.

［31］ 罗福多，温卫宁，文凯，等.特高压线路工程的工程量组合预测研究［J］.湖北电力，2017，41（02）：1-7，12.LUO Fuduo，WEN Weining，WEN Kai，et al.Combination forecasting methods of ultra high voltage transmission line project quantities［J］.Hubei Electric Power，2017，41（02）：1-7，12.

［32］ 石硕，李君.基于粒子群优化LS-SVM 的光伏功率预测［J］.湖北电力，2016，40（S1）：58-61.