基于神经网络开关柜的局部放电模式识别研究

张国帅

（衢州职业技术学院，浙江 衢州 324000）

0 研究背景与意义

开关柜作为电力设备的重要组成部分[1]，它是电力系统输电、配电、电路开合以及调控的枢纽，也是作为保护操作人员的最关键的电气设备。由于其结构和功能较为复杂，因此在早期发生局部放电时，很难通过定位判断出是哪个部件的绝缘出现了损伤。为此，通过分析归纳变电柜可能发生的放电形式[2]，例如电缆接头处或针板处易发生电晕放电特性，互感器和绝缘套管内部易发生气隙放电，绝缘套管表面和绝缘子表面易发生沿面放电。对其局部放电进行监控，并提取放电指纹，学习、分析和判断具体的放电模式，再配合放电定位手段，就可以更加准确地发现绝缘薄弱点，做到及早发现、及早解决，从而有效地避免电力事故的发生。

基于神经网络的开关柜局部放电识别技术是一种在大数据支撑下，运用智能学习技术，使计算机对数据进行自主学习、分析且自行进行判断的新兴技术。其特点如下：1） 该技术为动态在线监测技术，能第一时间发现局部放电问题；因此，能为企业减小定期检修的人力和财力负担，逐步淘汰定期检修模式。2） 操作人员无须手动对放电指纹进行分析比较，极大地缩短了诊断开关柜设备的时间。3） 大数据的共享性和神经网络的自主学习能力能极大地提升开关柜放电模式识别的准确度[3-4]。该研究方法不仅可用于开关柜，同时可应用到其他电力设备的监测中，具有十分广阔的研究和应用前景。

1 局部放电放电指纹采集

由于开关柜中含有大量电气设备，例如电缆、套管、互感器和断路器等，如果发生局部放电，不仅很难第一时间进行准确判断，也很难判断是哪个部位发生了局部放电现象。该文查询了大量数据，根据电缆接头处或针板处易发生电晕的放电特性，构建了针-板放电模型，如图1（a）所示；根据互感器和绝缘套管内部易发生气隙放电的现象，构建了板间气隙放电模型，如图1（b）所示；根据绝缘套管表面和绝缘子表面易发生沿面放电的现象，构建了板板夹绝缘介质的沿面放电模型，如图1（c）所示。

图1 3种局部放电模型

选用DDX-7000数字式局部放电检测仪和示波器，搭建了局部放电测量系统，如图2所示。

图2 局部放电测量系统

用局放仪将测量的局放信号显示在示波器上，所得放电波形如图3所示。

图3 3种局部放电波形

对放电指纹进行分析，提取放电指纹中放电电量、放电时间以及放电次数3组参数作为针板放电、板间放电以及沿面放电3种放电模式的放电特征，用于神经网络学习使用。

2 BP神经网络与RBF神经网络识别比较

BP神经网络拓扑结构如图4所示，其工作原理可概括为不同的信号（x1，x2，…，xm）通过输入层及隐含层（b1，b2，…，bm）向输出层（y1，y2，…，yn）逐层传递，其传递方式是通过权函数进行的，当由输入层向隐含层传递时，可以通过调整权函数vih来控制隐函数的输入信号bm[5]，如公式（1）所示。

图4 BP神经网络拓扑图

式中：bm为隐含层函数；vih为控制隐函数bm的权函数；xi为输入函数。

同理，当隐含层bm向输出层yn传递时，其传递方式也是通过权函数进行的；当由输入层向隐含层传递时，可以通过调整权函数wij来控制隐函数的输入信号bm，如公式（2）所示。

式中：yn为输出层函数；wij为控制输出层函数yn的权函数；bi为隐函数的输入信号。

因此，在BP神经网络进行学习和练习的过程中，当输出值与预期值相差很大时，计算机会通过调整2个权函数来降低误差。为了使准确度更高，很多BP神经网络已经突破了2层、3层甚至有的达到了5层；这样虽然能提高准确度，但是也增加了BP神经网络结构的复杂性，在组建神经网络及调试时，需要花费大量的时间。由于BP神经网络的特性，多层隐函数的权函数是没有运算关联的，因此在学习的过程中，BP神经网络只能通过调试隐函数中的权函数，以大量试错的方式进行学习，这就导致在学习上面需要花费大量的时间，并且需要大量的数据进行练习。

为了增加权函数之间的运算联系，进一步提高学习效率，减小学习周期，该文提出了采用RBF（径向基）神经网络进行学习。与BP神经网络相比，RBF神经网络只有1个隐函层，其结构比BP神经网络简单；RBF神经网络的隐函数是径向基函数（是非线性的），这样就可以以更快的速度收敛，提高了学习效率。其神经网络拓扑结构如图5所示。RBF网络将输入层直接映射到高维的隐含层，可以避免发生因通过权函数进行连接而造成的低纬度的非线性数据不可分的情况。这样，通过线性把控可调参数，就可以由线性方程组直接解出网络的权，从而大大加快了学习速度并避免出现局部极小的问题。

图5 RBF神经网络拓扑结构

基于径向基插值函数如公式（3）所示。

式中：wp为控制隐函数的权函数，为径向基函数；为差向量的模，即二范数；xp为第p个神经元。

输入x是个m维的向量，样本容量为P，P＞m。可以看到输入数据点Xp是径向基函数φp的中心。

式中：dmax为所选数据中心之间的最大距离；M为数据中心的个数；σ为所有神经元具有的相同扩展常数。

RBF神经网络的输出函数如公式（6）所示。

3 实验对比分析

基于BP神经网络与RBF神经网络的理论分析，利用实验中采集到的130组放电指纹实验数据进行实验，为保证学习和测试的准确性，将130组数据分为90组学习数据和40组测试数据。每组数据均以放电电量、放电时间以及放电次数为放电指纹关键信息，包括电晕放电、气隙放电和沿面放电的放电电量、放电时间以及放电次数等数据。

经过对90组实验数据的学习以及对40组数据的验证，为了更加清晰地呈现实验数据，采用MATLAB对识别的准确度进行混淆矩阵化分析，实验结果如图6、图7所示。BP神经网络与RBF神经网络准确率的对比，见表1。

表1 BP神经网络与RBF神经网络准确率对比表

从图6、图7以及表1中的数据可以看出，以放电电量、放电时间以及放电次数作为放电指纹特性，在对电晕放电、气隙放电以及沿面放电3种放电模式学习进行对比后可知，RBF神经网络的学习准确度均高于BP神经网络的学习准确度，且3种放电模式识别准确度都大于92%。

图6 BP神经网络学习准确度混淆矩阵

图7 RBF神经网络学习准确度混淆矩阵

4 结语

开关柜的局部放电模式可以概括为电晕放电、气隙放电以及沿面放电，对其放电情况进行监控，通过神经网络准确识别放电模式，有助于在发生故障的第一时间找到故障点并对其进行维修。在经过同样90组数据学习的情况下，通过BP神经网络和RBF神经网络对电晕放电、气隙放电以及沿面放电3种放电模式的学习时间及准确率进行对比，RBF神经网络的效果均优于BP神经网络。因此与BP神经网络相比，RBF神经网络更适合作为开关柜在在线监测模式识别中使用。