GIS设备局部放电特高频信号线性判别分析识别研究

袁 晶, 黄均才

(广东电网有限责任公司 广州供电局，广州 广东 510000)

气体绝缘开关(Gas Insulated Switchgear,GIS)设备由于占地面积小、可靠性高、成本低和受外界环境影响小等优点被广泛使用[1]。GIS设备将不同类型的电气设备封闭在一个接地的金属外壳内部，所以有着“免维护”的美誉[2]。但近年来，国内外GIS安全事故频发，GIS的故障率远大于国际电工委员会和国际大电网会议规定的0.1次/100间隔/年。GIS设备一旦发生故障，由于其具有封闭性，导致其检修周期较长、检修过程复杂、检测费用高、停电时间长，因而给国民经济带来严重损失[3-7]。

GIS设备故障主要由内部绝缘缺陷引起，造成设备的局部放电(Partial Discharge,PD)而产生特高频(Ultra-High Frequency,UHF)信号,通常采用UHF法对PD进行检测，因为UHF法具有抗干扰能力强的优点[8-9]。通过UHF传感器对PD信号进行监测并提取出局放UHF信号，对采集的信号进行处理，完成对GIS设备的局放类型的识别与分析，评估GIS设备的运行状态，并对后续检修提供了可行性依据[6,10]。

局部放电UHF信号的提取和分析具有重要意义，文献[11]表明PD的模式识别包含4种分类器的设计，即距离分类器、统计分类器、模糊逻辑分类器和人工神经网络(Artificial Neural Network，ANN)。文献[12]采用分布统计方法，根据局放相位数据的分布统计参量，从而筛选出局部放电的类型。文献[13]采用概率神经网络(Probabilistic Neural Network,PNN)对GIS设备PD的UHF信号进行分类，提取出信号与统计的特征参量。文献[14]采用PD矩特征，来提取出PD特征参量并判断绝缘老化程度。文献[15]采用二元树复小波变换的时频域特征提取方法，构造出完整的局部放电UHF信号的特征空间，又采用径向基函数(Radial Basis Function,RBF)组合神经网络分类器,从而达到模式识别的效果。文献[16]采用主成分分析(Principal Component Analysis，PCA)对统计参量进行分析,得到不同局部放电类型的特征信息，从而达到PD模式识别的效果。

结合上述所分析的问题，笔者提出了一种基于局部放电UHF信号的多尺度特征提取以及线性判别分析(Linear Discriminant Analysis,LDA)的识别方法，根据GIS设备内部结构，设计了4种绝缘缺陷模型模拟GIS设备局部放电现象，通过UHF传感器对局部放电UHF信号进行监测并提取出数据，将采集的数据进行小波包多尺度变换，又对局部放电UHF信号进行了线性判别分析的设计，实现了特征提取与模式识别。

1 GIS设备局部放电机理

由于GIS设备结构复杂，形成了多种形式的绝缘缺陷。GIS设备主要缺陷示意图如图1所示。典型的形式包括：绝缘器件中存在气隙或杂质造成击穿场强不同、两导体间接触不良的连接处形成电位差、无电气连接的金属件形成浮动电极体放电、绝缘体表面脏污形成的电场分布不匀、导体尖端的场强达到了空气或SF6的击穿场强等[17]。

局部放电是一种脉冲放电，当发生局部放电时，将会存在一系列声、光和振动等物理和化学变化[18]。由于UHF法具有不停电、在线实时监测和抗干扰能力强的优点而被广泛使用。因此，采用UHF法对GIS设备局部放电进行采集，采用内置和外置UHF天线对局部放电UHF信号进行采集，UHF法的检测示意图如图2所示。

图1 GIS设备主要缺陷示意图

图2 UHF法检测示意图

2 局部放电试验设计与数据采集

根据GIS设备的内部结构，设计了4种绝缘缺陷模型模拟GIS设备局部放电现象。其中尖刺放电模型如图3(a)所示，模拟高压导管外表面由于划伤和刮削等毛刺引起的缺陷，为保持放电稳定性，其尖刺采用绣花针，针长为33 mm，板电极为铝合金材料。悬浮放电模型如图3(b)所示，模拟高低压导体或屏蔽罩连接件接触不良而引起的绝缘缺陷，其上下电极间采用绝缘材料(如图3(b)黑色部分所示)，上电极为钝/尖形电极。自由金属颗粒放电模型如图3(c)所示，模拟水平腔体外壳上的杂质颗粒的绝缘缺陷，内部放置金属颗粒(如图3(c)黑色部分所示)。绝缘子气隙放电模型如图3(d)所示，模拟在施工过程中存在的工艺不良而存在的气孔导致的绝缘缺陷，上下电极之间为环氧树脂绝缘材料，通过该方式防止沿面放电现象的发生。

图4为实验室局部放电信号监测试验接线图。在图4的高压试验腔体中放置上述4种缺陷模型。试验中采用自制的UHF传感器采集PD信号，选择的UHF传感器为Peano分形天线，示波器通过同轴电缆与UHF传感器相连，由于局部放电UHF信号的频带为300 MHz～1.5 GHz，因此将示波器的采样率设置为5 GS/s。

图3 GIS设备内部4种局部放电模型

图4 实验室局部放电监测试验接线图

3 基于小波包分析的局部放电特征提取

3.1 小波包多尺度特征提取

针对局部放电UHF信号数据进行处理与分析，首先采用小波变换技术对检测的UHF局部放电信号进行多分辨率分析，将不同频率成分的信号分解成不同的小波尺度[19]。以图5所示的小波树的三层分解为例，上一个节点为下一个节点的滤波器，其中左节点为低通滤波，右节点为高通滤波。局部放电UHF信号通过小波包分解后可得到对应多尺度能量的信号分量，进一步计算出各能量信号分量参数，即得到信号的多尺度特征参数。

图5 三层分解的小波包数示意图

3.2 特征参数提取

特征参数提取主要提取能量特征，能量特征提取的流程图如图6所示。首先要设置小波包参数，并对4种放电模型设置能量参数。循环遍历文件夹的数据，这些数据包含了天线1的4种放电模型，提取600组数据，600次循环包含了3层循环，第1个大循环对应了4个放电模型，第2个循环对应3个试验，每个试验汇总50个数据。从第1组提取的数据开始循环，一共600次，每一次循环时会生成1个小波包树。最后提取能量参数，保存数据源新建的文件夹，以方便下一个程序使用。

图6 特征参数提取流程图

3.3 能量参数特征提取

利用小波包分解提取多尺度空间能量特征的基本思路为：局部放电UHF信号的能量在不同的分解层数具有不同的形式，根据分解的能量值所呈现的特征向量，从而能够达到模式识别的效果。PD信号要经过多尺度小波分析。每个空间的总能量如式(1)所示，各子空间的能量特征可以构成局部放电辨识的特征空间。

(1)

式中：l为小波包分解层数；n为此时分解层的节点；dl,k,n为节点(l,k)第n个小波包系数。

小波包的分解是由于稀缺性而产生的，小波包法可以用于低频和高频信号处理[20-21]；小波包的能量提取需要计算每层每个节点的能量，列出第l层能量，求出第l层第n个节点的系数，并找到参数方的第n个节点的平方，即求它的平方和以及每个节点的概率。

每个频段的信号特征可以用小波分析方法提取出来。基于小波变化的多尺度空间能量分布特征提取方法将信号分为多个频段，并将每个频段的估计能量作为特征向量。

信号f(t)的二进小波分解可表示为

f(t)=Aj+∑Dj

(2)

式中：A为低频部分；D为高频部分；Dj为分解后的高频信号；信号的总能量为

E=EAj+∑EDj

(3)

选择第j层的A和各层的D的能量作为特征，构造特征向量为

F=[EAj,EDI,ED2,…,EDj]

(4)

利用小波变换提取出可以代表局放信号的向量数据，即完成从局放信号向其特征向量数据的变换。利用小波函数对局部放电特高频信号进行分解，得到5个层次的小波系数。

根据小波系数求出单个能量值，作为信号的特征数据。经小波包分解得到的全部系数为w={wj,k:j=1,2,…,n;k=0,1,…, 2n-1}，其中，wj,k为节点(j,k)在小波包分解后得到的系数，其总能量et为

(5)

多尺度能量参数定义为

(6)

特高频信号样本小波包分解的多尺度能量参数如图7所示。将试验中获得的600组样本数据进行5层小波包分解，提取出16个能量特征，再将参数进行归一化计算。

4 特高频信号线性判别分析识别

4.1 线性判别分析方法

LDA的目标是进行数据降维，将高维特征空间投影到低维空间，从而使样本数据分开。一个n维的X空间向低维的Y空间进行数学转换时，假设在n维空间中，X={Xi,i=1,2,…,n}为n维训练样本集，其中Xi有n个样本且xi∈Rp，样本的类间散度矩阵Sw、类内散度矩阵Sb分别为

(7)

(8)

图7 特高频信号样本小波包分解的多尺度能量参数

式中：xim为第i模式类样本中的第m个样本。

LDA具有数据降维特性，它是根据某一投影方向上的矩阵w∈Rp，使得Fisher准则最大为

(9)

其中，wk∈Rp(k=1,2,…,r)必须满足：

Sbwk=λkSwwk

(10)

式中：λk为最大本征值;wk为与λk对应的本征矢量。由于Sb的秩小于或等于z=C-1，因此特征变量空间的维数为r=min(p,z)，并且经LDA降维后的局部放电信号特征的映射结果为相对量，具有无量纲属性。

Fisher判别标准函数时极其巧妙地将样本的类间和类内离散性融合在投影适配性上，为选择最佳投影方向提供了一个非常好的标准。让目标函数达到最高值的向量被选为投影方向，其物理意义是，投影的样本具有最大的类间离散性和最小的类间离散性。

4.2 线性判别分析模式识别

为了对局部放电类型进行模式识别处理，将局部放电信号的能量特征参数输入到模式识别分类器中[22]。选用30组放电信号的特征量为训练样本，其余的放电信号的特征量为测试样本。此外，分类器识别效率Pj为

Pj=yj/yt

(11)

式中：yj与yt分别为第j类局部放电超高频信号识别正确数目与测试样本总数目。

图8为经LDA降维后的PD信号三维特征量，图中4个颜色分别代表了将4种类型的PD模型。从图8中可以看出4种PD类型被明显区分开，悬浮放电和气隙放电则是完全分离，且尖刺放电和金属颗粒放电完全分离。

图8 经LDA降维后的局放信号三维特征量

图9为LDA降维后的放电信号的特征量二维映射结果。从图9中可以看出，4种类型的放电都以各自所属的类型分在了一起，悬浮放电和气隙放电则是与尖刺放电和金属颗粒放电完全分离。

图9 经LDA降维后的局放信号特征的二维映射结果

为了验证分类器的正确率，在局部放电信号特征量中随机选取30组进行10次采样，然后对其训练分类，并对特高频局部放电信号进行模式识别，会得到10个结果，然后取其平均值。试验最终获得30组训练样本，正确率平均值分别为99.00%、98.67%、99.33%和97.33%，计算4种放电类型的平均正确率为98.58%。针对600组测试样本正确率平均值分别为94.33%、91.17%、93.67%和91.92%，计算4种放电类型的平均正确率为92.77%。可以看出最终的30组训练样本和600组测试样本的正确率均达到了90%以上，可以说明线性判别分类器在很大的程度上能够有效地将4种局部放电模型分开。

5 结束语

基于GIS设备局部放电UHF信号的模式识别方法，设计了4种绝缘缺陷模型模拟GIS设备局部放电现象。利用UHF法对局部放电信号进行采集，再采用小波包分解PD信号，提取其多尺度能量参数特征，并且采用线性判别分析方法对特征值进行模式识别，从而实现了GIS设备局部放电UHF信号的线性判别分析分类器的设计。采用了线性判别分析的方法，对其数据进行数据降维处理，可以有效地将4种放电模型分开。最后，通过算法检验出该线性判别分类器的正确率，训练样本的正确率达到了98.58%，测试样本的正确率达到了92.77%，满足设计要求。