基于栈式降噪自编码的变压器“快速发展型”沿面放电状态评估

程 林，杨 旭，刘正阳，张 静，聂德鑫，张晓星

(1.湖北工业大学，湖北 武汉 430068；2.国网电力科学研究院武汉南瑞有限责任公司，武汉 4300742；3.南瑞集团(国网电力科学研究院)有限公司，江苏 南京 211006)

我国能源与需求分布的不均以及高速发展的国民经济对电力传输提出了更高的要求，超、特高压输电技术也应运而生[1,2]。作为输变电系统的主要设备之一，超、特高压电压等级、大容量变压器的稳定运行是保障输电系统安全的必要条件[3]。

电压等级的提升往往意味着变压器体积的增大，然而，在超、特高压变压器的设计时，由于生产、运输以及安装等诸多现实条件的限制，保有的绝缘裕度往往比低电压等级的小，导致其内部高场强区域比低电压等级的多[4,5]。在超、特高压变压器出厂和交接试验中，出现了多起与以往局部放电发展异同的案例，其从出现局部放电信号到击穿只需短短的数分钟，这种现象被称为“快速发展型”故障[6,7]。

针对变压器的“快速发展型”放电现象，文献[8]研究了油纸绝缘在极不均匀电场下的放电过程，提出了采用外加电压与击穿时间特性曲线来区分“普通型”和“快速发展型”放电模式的方法。文献[9]研究了恒定电压下的油纸绝缘的“快速发展型”放电现象，通过阈值电压和电压耐受指数等参数对其进行了界定并研究了各个放电发展阶段的放电形态。但是，目前关于变压器“快速发展型”放电发展状态评估相关研究还鲜有报道。

针对输变电设备故障诊断与状态评估已有很多学者进行了研究[10]。高频脉冲电流能有效避免现场检测的电磁干扰，准确反应设备内部的状态，因而适合用来对输变电设备进行状态评估[11]。针对变压器局放信号的非线性问题，构建基于随机向量函数链接神经网络的方法，其能通过对每个隐藏层节点进行分类而去除敏感节点，从而提高故障诊断准确率[12]。采用多层人工神经网络，在不丢失诊断分辨率的情况下处理测量不确定性同时融合独立的油中溶解气体法，能有效提升变压器运行状态在线评估的能力[13]。

本文通过搭建“快速发展型”沿面放电试验平台，获取了其不同阶段下的高频脉冲电流信号，并构建了降噪自编码联合支持向量机的模型对放电发展状态进行评估，取得了良好的效果。

1 试验方案

1.1 试验平台介绍

本文采用图1所示的针-板缺陷来模拟变压器中油纸绝缘“快速发展型”沿面放电缺陷。其中，高压电极由针电极组成，其材质为铜，针尖长8mm,曲率半径为30μm；低压电极由绝缘纸板和板电极组成，板电极是直径60mm、厚3mm的铜板，边缘进行了打磨，纸板是直径100mm、厚1mm的圆片，其能完全覆盖住板电极以防止高低压电极间发生闪络，确保放电沿着绝缘纸板表面进行；高压电极位于绝缘纸板的上方5mm处，且与其夹角为30°。

图1 沿面放电缺陷模型Fig.1 Creeping Discharge Defect Model

图2所示为本文的试验平台。调压器为柱式调压器，其可将220 V的工频交流电压转换成0～250 V的可调交流电压，输出至下一级的无局放变压器；工频试验保护电阻阻值为10千欧，用来限制试品击穿时的短路电流；分压器的分压比为1000:1；通过罗高夫斯基线圈(HFCT-49)采集高频脉冲电流信号，频率带宽为1-30MHz；数据采集所用示波器型号为Tektronix MS044，模拟宽带1.5 GHz，最大采样率为6.25 GS/s，存储深度可达50 M。

图2 沿面放电试验平台Fig.2 Creeping discharge test platform

1.2 试验步骤

本文进行变压器“快速发展型”沿面放电试验步骤：(1)将绝缘纸板在120 ℃下烘干48 h；25号变压器油在90 ℃下真空干燥24 h；(2)将油和缺陷置于油罐中，密封静置24 h；(3)采用逐步升压法进行加压，升压速度为0.5 kV/s，分别记录其起始局放电压和击穿电压，分别进行5组试验；(4)在起始局放电压和击穿电压间选取电压梯度为1 kV的电压值进行局放试验，采集不同时间段的高频脉冲电流信号，同时记录其击穿时间；(5)根据图1所示的模型尺寸分别制备4组相同的缺陷，每组7个，记为A，B，C，D组，每组的缺陷分别在7个不同电压值下进行局放试验。

2 试验结果分析

2.1 沿面放电电压与击穿时间分析

图3所示为5次试验测量得到的沿面放电起始电压和击穿电压，可以看到，5次试验的起始局放电压和击穿电压的差别均不大，因此选定20 kV为起始局放电压，27 kV为击穿电压。局放试验在起始放电电压和击穿电压之间以1 kV的电压梯度取值，分别为20.5，21.5，22.5，23.5，24.5，25.5和26.5 kV 7个电压值。

图3 沿面放电起始局放电压和击穿电压Fig.3 Creeping discharge initial partial discharge voltage and breakdown voltage

在7个电压值下分别进行沿面放电试验，得到的击穿时间如表1所示。

对于油纸绝缘体系而言，其击穿时间t和外加电压U之间存在如下关系[14]：

t=AU-n

(1)

式中，t为油纸绝缘沿面击穿的时间；U是外加电压的大小；n表示体系的耐压指数，为常数；A为累积损伤值。

根据表1中的结果，在双对数坐标系中绘制外加电压和击穿时间的特性曲线，然后分别进行拟合，得到了如图4所示的不同外加电压与击穿时间关系特性曲线。可以看到，四组试验得到的特性曲线均呈折线形式，存在一个拐点，其中，A、B、C 3组试验的拐点均在电压为23.5 kV处，而第四组的拐点在24.5 kV处，拐点存在差异主要是因为存在随机性。外加电压和击穿时间特性曲线发生变化，说明放电类型出现了本质的变化。当外加电压大于24.5 kV时，缺陷能在短短几分钟内击穿，属于“快速发展型”缺陷。

表1 沿面放电击穿时间Tab.1 Breakdown time of creeping discharge

t/s图4 沿面放电缺陷电压与击穿时间特性曲线Fig.4 Characteristic curve of creeping discharge defect voltage and breakdown time

2.2 “快速发展型”沿面放电信号分析

根据2.1小节的分析，当外加电压大于24.5 kV时，所有缺陷试样均处于“快速发展型”放电模式。因此，这里选取25.5 kV时所采集的高频脉冲电流信号进行分析。根据不同时间段得到的高频脉冲电流信号图谱的差异，将“快速发展型”沿面放电分为3个阶段，分别为：S1“前期”(稀疏放电)；S2“中期”(大幅值剧烈放电)；S3“后期”(小幅值密集放电)。3个阶段相位—幅值、相位—放电次数的PRPD图谱如图5所示。

在S1阶段，图谱中的放电主要集中在0°～90°，放电幅值大多都小于1 200 mV,其余相位放电较为稀疏，累计次数均在10次以下。在S2阶段，放电信号在0°～90°，180°～270°以及360°附近均有较为剧烈的放电，且放电幅值分布均匀，最大的能达到6 000 mV。在S3阶段，放电信号呈现区域性密集，整体主要集中在0°～90°，180°～270°以及360°附近，但在其余相位也有稀疏的放电信号，相较于S2阶段，

因此，本文尝试将OPNET运用到计算机网络实验教学中，以增强学生的动手能力和创新能力，提高教师的教研水平。

(a) S1阶段相位-幅值

(b) S2阶段相位-幅值

(c) S3阶段相位-幅值

(d) S1阶段相位-放电次数

(e) S2阶段相位-放电次数

(f) S3 相位-阶段放电次数图5 沿面放电高频脉冲电流PRPD图谱Fig.5 High frequency pulse current PRPD spectrum of creeping discharge

放电幅值有所衰减，但是放电次数显著增加，是缺陷沿面击穿的前兆。因此，S1阶段放电次数少且放电幅值较低，为稀疏放电；S2阶段放电幅值大但放电次数相对较少，为剧烈放电；S3阶段放电次数多但幅值较S2阶段小，为小幅值密集放电。

2.3 沿面放电信号特征量提取

对放电信号的特征量进行提取,是对放电发展状态进行评估的前提。本文针对“快速发展型”沿面放电的高频脉冲电流信号的相位-幅值和相位-放电次数图谱，提取两组特征量，每组9个，共18个，分别为表征信号整体的正负半周偏斜度Sk+/-、陡峭度Ku+/-、均值μ、偏差σ以及表征信号正负半周之间差异的正负半周互相关系数Cc、放电量因数Q和相位不对称度Asy。

(3)

(4)

式中，xi表示谱图中的第i个取值窗口的中间相位值；w表示正负半周内窗口总目；yi为谱图中的放电幅值；pi，u，σ分别表示第i个相位窗内事件发生的概率、均值和方差，计算公式如下

(5)

(6)

(7)

放电量因数Q是指图谱在正负半周内放电量的区别

(8)

正负半周互相关系数Cc的计算公式为

(9)

相位不对称度Asy计算公式为

(10)

2.4 “快速发展型”沿面放电发展状态评估

为准确评估“快速发展型”沿面放电的S1、S2和S3三个发展状态，本文构建了基于栈式降噪自编码器(Stacked Denoising Autoencoder，SDAE)联合支持向量机(Support Vector Machines,SVM)的状态评估方法。栈式降噪自编码器是一个性能优良的深度神经网络，它可以加深自编码器的网络深度，具有比自编码器更强大的数据压缩和特征提取能力，能在模式识别领域发挥良好的性能[15]。

SDAE网络由若干个子降噪自编码(Denoising Autoencoder,DAE)组成，通过预训练和微调两个步骤训练网络。预训练阶段，先随机初始化各DAE子网络的参数，各DAE子网络的参数之间相互独立，掩盖噪声参数也各不影响；然后采用逐层贪婪训练方式训练每个DAE网络的参数，前一层网络训练按照上述DAE网络的方式训练好，并将其参数固定，以隐藏层结果作为下一层待训练网络的输入，依次完成每层DAE子网络的训练。微调阶段，将各DAE子网络按照前一层隐藏为下一层输入的结构依次连接，各层参数按预训练时对应的参数取值，以原始数据为输入，网络最后一层的输出作为原始数据的重构，并将整个网络的重构误差最小值为优化目标依次调整各层网络参数。SDAE网络训练完毕后，最后一个DAE网络的隐藏层结果作为压缩得到的特征信息。

基于SDAE-SVM的“快速发展型”沿面放电发展状态评估流程如图7所示。在对高频脉冲电流的相位-幅值和相位-放电次数图谱进行了特征量提取以后，进行归一化处理，然后采用SDAE算法压缩特征信息，寻找不同网络结构和噪声水平下得到的最大信息增益；当最大信息增益小于0.5时，目标特征对信息分类贡献率小于1%，所以选定最大信息增益大于0.5的目标特征作为空间坐标，构成最终的特征空间，最后采用支持向量机进行识别。

在试验过程中，针对24.5，25.5和26.5 kV下的“快速发展型”沿面放电高频脉冲电流信号，在每个阶段下分别采集了300组数据，选取其中每个电压值每个阶段下的200组数据作为训练样本，共计1800组，剩下的900组作为测试样本。先分别测试3个电压等级下的300组测试样本，再测试混合后的900组样本。

图6 SDAE-SVM沿面放电发展状态评估流程Fig.6 SDAE-SVM creeping discharge development state evaluation process

表2所示为“快速发展型”沿面放电发展状态的评估准确率。每个电压值下的评估准确率均在94%以上，而混合后的测试样本的评估准确率稍有下降，为91.3%，主要是因为当外加电压较大时，其S1阶段的信号幅值等参数可能会接近外加电压较小时的S2阶段，从而出现交叉干扰。因此，后续还应从可否这种交叉干扰的角度来提升变压器“快速发展型”放电状态评估的准确率。

表2 “快速发展型”沿面放电发展状态评估准确率Tab.2 Assessment accuracy of "rapidly developing" creeping discharge development state

3 结论

本文通过搭建变压器“快速发展型”沿面放电测试平台，获取了不同阶段下的高频脉冲电流信号，提取了相关特征量以后，采用SDAE-SVM方法对沿面放电发展状态进行了评估，主要结论如下：

(1)变压器“快速发展型”沿面放电主要有3个阶段，第一阶段放电稀疏，第二阶段放电幅值大但放电次数低，第三阶段幅值较小且密集。

(2)针对“快速发展型”沿面放电的高频脉冲电流信号，对其相位-幅值和相位-放电次数PRPD图谱提取了共18个特征量。

(3)基于SDAE-SVM算法构建了变压器“快速发展型”沿面放电发展状态的评估模型，总体评估准确率达到91.3%。