基于特高频局放技术与CG-BP算法的GIS绝缘故障类型识别方法

柯拥勤，潘亦斌

(国网福建省电力有限公司莆田供电公司，福建 莆田 351100)

由于封闭式GIS具有较高的集成性，因此，其具有占地面积小和电磁危害小的特点，故被广泛应用于高压变电场所。然而，受目前生产制造水平、运输手段和安装技术制约，以及运行环境中的不可控因素影响，GIS设备的PD现象时有发生。因此，通过对GIS设备绝缘故障类型的诊断，有利于提高电网的稳定运行能力。

目前，随着GIS绝缘故障类型检测技术的不断发展，检测方法更新较快，但常规检测方法主要包括超声波类、化学材料类、光学仪器类、脉冲电流和UHF等。其中，UHF传感器由于具有良好的灵敏性，以及较强的抗干扰能力而被广泛运用于实际工程中。文献[11]通过搭建GIS局放模拟装置，从实践角度对UHF检测技术进行了验证，验证了UHF技术在GIS绝缘故障类型识别中的可行性。在文献[12]中，阐述了UHF局放技术的原理和实现过程，最后通过仿真得出了利用UHF定位GIS四种典型故障类型的方法特性。在文献[13]中，通过对GIS内UHF信号产生机理传播特性进行分析，提出利用UHF信号对GIS绝缘故障类型进行识别，并通过实例验证了其可行性。

智能算法是对由于PD引起的GIS故障类型特征参数进行提取，以及故障类型诊断识别中的重要内容。在文献[14]中，通过对飞鱼算法的改进，有效地实现了GIS设备故障类型识别率的提升。同时，在文献[15]中，对多分类支持向量机利用多项概率似然函数优化后，有效改善了多分类支持向量机算法性能。而[16]通过稀疏分解法分解特征信号，这种方式不仅简化了运算，而且能在一定程度上提高检测设备的故障类型识别率。

基于上述研究，针对GIS设备由于PD现象而引起的绝缘恶化问题，提出一种基于UHF局放技术与CG-BP算法的GIS故障类型识别方法。该工作的主要贡献为：1)通过对GIS内的PD产生机理，以及UHF局放技术的实现过程进行描述，归纳了GIS内部4种常见的PD信号的UHF传播特性，为后续故障类型识别提供特征库。2)利用CG算法来优化BP算法的初始阈值和权值，相比随机生成初始值，CG算法输出值能将值搜索至最优解范围，进而提高BP算法的学习效率和减少训练次数，从而提高GIS故障类型识别率。3)仿真结果表明：相比传统BP算法的GIS智能PD故障类型识别方法，改进的CG-BP智能识别算法，训练次数减少10次，同时，识别准确率可达91%，提高了10%。

1 基于UHF法的GIS绝缘缺陷及其特征分析

由于GIS生产、运输安装和运行环境的不同，其引起PD现象的绝缘缺陷多种多样，但常见的四种绝缘缺陷类型及对应位置，如图1所示。

图1 常见绝缘缺陷

1.1 金属尖端

金属尖端存在于GIS导体内，则称为高压导体金属尖端；若存在于外壳上，则称为壳体金属尖端。金属尖端周边电场分布极易受尖端影响，使其分布不均匀，严重时，可能出现电晕放电现象，进而腐蚀和损坏GIS电力设备。

金属尖端的PD信号延续性较强，且衰减程度弱，因此，信号波长较长。然而，金属尖端产生的PD信号频率、密度和稳定性较高，幅值集中分布。其UHF信号频段主要分布在0.4～1.1 GHz之间，并且波形呈现出多波峰状态，而相位主要在270°周边。

1.2 绝缘内部气隙或沿面放电

电缆外绝缘表面由于长期与空气接触，容易受空气中污水、潮湿的影响，外表层绝缘被腐蚀，使其发生畸变，从而造成绝缘外表面放电，进而加速老化。而绝缘内部气隙的形成形式多样，首先，当GIS设备在生产时夹杂些许微小杂质时，极易形成绝缘内部气隙。其次，GIS在运输安装过程中，若受到物理碰撞，极可能形成内部气泡。再次，运行中，由于操作和机械碰撞，极易产生琐屑，这也是引发绝缘子产生内部气隙的主要原因之一。不仅如此，在受热膨胀和冷却固化阶段，环氧树脂和电极的材质不同，也是绝缘内部气隙的主要原因之一。

其中，由绝缘内部气隙产生的PD信号，具有放电量大、频率低、分布规律、幅值分散和持续时间短的特点，且衰减较快。其中，UHF信号分为高低频两段，分别主要分布在0.4 GHz和0.9 GHz频段附近。同时，具有明显的相位特征，集中分布在90°和270°上。

1.3 自由金属颗粒

自由金属颗粒缺陷主要是在生产过程中，基于目前厂家的制造水平或材质问题，致使GIS腔体或绝缘层之内存留部分金属颗粒，或在操作GIS设备时，由于机械摩擦而产生金属颗粒存留于设备或绝缘层中。此时，当金属颗粒在运行中受到工作电压的影响，将产生不规则运动和电磁场，进而产生PD现象，严重时，可能造成GIS内部击穿。

由自由金属颗粒产生的PD信号，具有分布不均衡现象，通常是负方向分布多于正极分布。其UHF信号频段主要分布在0.4～0.45 GHz附近。相位杂乱且无规律，分布范围广，同时不稳定。

1.4 悬浮电位放电

悬浮电位放电缺陷产生的原因是：GIS运行时，由于设备受到物理震动，其内部零部件产生松动，进而导致零部件接触不良。加之GIS内部含有大量屏蔽电极，当内部零件接触不良时，诱发零件产生悬浮电位放电现象。

由悬浮电位放电产生的PD信号，具有频率高、稳定和幅值较大的特点，但波形不对称。其UHF信号低频段主要分布在0.45 GHz附近，而高频分量主要分布在0.75 GHz附近。

综上，表1概述了引起GIS发生PD现象的四种绝缘缺陷特征及其UHF信号的传播特征。

表1 GIS绝缘缺陷及其特征[17]

2 GIS内UHF局放检测方法

在时域中，GIS产生的PD信号具有幅值上升率大、持续时间短和频带较宽的特点。GIS内的电磁波信号会随着脉冲电流的形成而同步产生，且频率可高达数百兆赫兹，并以PD信号释放点为中心向四周传播。GIS的UHF局放检测传感器有内、外两种，外置UHF传感器主要通过检测透过环氧材料传播出来的电磁波，来识别GIS内部是否发生PD或故障类型；而内置UHF传感器安装在设备内部，可直接通过检测设备内部电磁波信号，来识别GIS是否发生PD或故障类型。通过内外两个UHF局放检测传感器，大大提高了GIS设备PD信号的采集精度和可靠性，其中，GIS设备PD信号的UHF检测原理如图2所示。

图2 UHF的PD检测原理

图3为UHF宽频信号的抑制效果原理图，该宽频法抑制原理主要是基于GIS设备中高频电磁波的传播特性，来抑制空气中的低频电晕干扰电磁信号和噪声信号，进而提高信号准确性。

图3 UHF电磁信号提取示意图

图4为UHF局放检测仪的功能结构示意图，其由UHF传感器模块(电磁波数据采集频段为300～ 1500 MHz)、信号数据处理模块、故障类型诊断模块和显示模块组成。GIS设备UHF的PD检测流程如图5所示。

图4 UHF的PD检测仪组成部分

图5 GIS设备UHF的PD检测流程

3 基于CG-BP算法的GIS局放故障类型识别模型

3.1 特征参数提取

在GIS绝缘故障类型智能识别中，对PD信号特征参数的提取准确度直接关系到故障类型识别效果。而本次实验将信号方差、信号平均值、信号峰值和脉冲频率等13个特征参数作为提取对象，各特征参数定义及计算方式详见文献[18,13]。

3.2 BP神经网络识别模型

BP神经网络信息处理由输入信号沿着正的方向向输出端进行信息处理的过程，以及由信息处理所得到的结果与实际相比较得到误差，并将误差反向传播进行信息处理的校正过程两大部分组成，图6为信息传播网络结构图。文献[18,13]详细阐述了实现过程。

图6 神经网络结构

3.3 基于改进CG-BP算法的故障类型识别模型

初始阈值和权值的选择直接关系到传统BP神经网络算法是否收敛，若选取不当，将增大BP算法训练误差，甚至无法获得最优解。然而，运算过程中，随机生成初始值，这大大降低了网络训练的收敛性和最优解的可靠性。而共轭梯度法(Conjugate Gradient,CG)仅需对信息进行一阶求导，无须高阶求导，从而大大简化了运算，进而提升了收敛速度。此外，CG算法无须对海森矩阵求逆和存储，进而降低了计算复杂度和存储压力。CG算法具体计算步骤如下：

步骤1：初始化。

迭代次数=0，迭代最大次数=50，残差判据≤10；(0)为初始信号，则迭代次后的解向量、方向向量和残差向量分别用()、()和()表示。

(0)=0;(0)=0;(0)=0

(1)

步骤2：计算残差向量。

()=×(-1)+

(2)

式中，A为权值，为松弛因子。

判断()是否小于ε，是则跳至步骤6，否则继续往下执行步骤3。

步骤3：计算方向向量。

(3)

步骤4：计算步长。

(4)

步骤5：更新解向量。

()=(-1)+()×()

(5)

=+1

(6)

判断是否小于50，是则执行步骤6，否则跳回步骤2，继续执行。

步骤6：结束程序，并输出优化结果。

综上，可得到基于CG-BP神经网络智能算法的GIS局放故障类型识别模型流程，如图7所示。

图7 CG-BP神经网络流程图

4 仿真分析

在图6中，输入变量为特征参数，将GIS四种绝缘缺陷类型作为输出量(仿真中纵坐标用4至1分别代表四种绝缘缺陷)，并设置24层隐含层。CG-BP算法的识别样本集为经过降维后的特征数据，其中，四种PD信号各采集50组，一共200组信号数据。此时，特征参数可构成一个13×200的矩阵，并将70%的特征参数数据作为训练数据，15%的特征参数数据作为测试数据，其余特征参数数据为验证数据。Trainlm、Tansig分别为训练函数和传递函数，最大学习次数和学习率取值为100和0.01。利用MATLAB软件进行仿真，可得CG-BP算法和传统BP算法的训练误差曲线和训练结果对比图形，分别如图8和图9所示。表2和表3分别为不同绝缘故障类型识别率。

(a)BP网络训练偏差

从图8和9不难得出，改进后的CG-BP算法在GIS绝缘故障类型识别方面，明显优于传统BP网络算法。这主要是因为BP网络算法依赖于初始值，而改进后的CG-BP神经网络算法，利用CG算法优化了BP算法初始值，进而削弱了CG-BP网络算法对初始值的依赖程度，同时，不仅提升了收敛速度，而且还减少了学习和训练次数。在图8(a)中，第12次迭代为拐点，在此之前，三条曲线误差不明显，在12次迭代之后，误差值逐渐增大，当迭代到第24次时，性能达到最优，结束训练。在图8(b)中，第6次迭代为拐点，在此之前，三条曲线误差不明显，在6次迭代之后，误差值逐渐增大，当迭代到第14次时，性能达到最优，完成分类功能，结束训练，大大减少了迭代次数，具有高效性。

(a)BP网络训练结果

同时，由表2和表3可知，相比传统BP算法81%的GISPD故障类型识别率，本文所提改进的CG-BP算法的PD故障类型识别率高达91%。且每种单独的绝缘故障类型识别率均得到了提高，其中，金属尖端故障类型提升率最高，提高了20个百分点，而绝缘内部气隙故障类型识别率最高，可达到98%。这有效说明了本文所提基于特高频局放技术的GIS故障类型识别方法具备良好的识别能力。

表2 基于BP算法的GIS故障类型识别率

表3 基于CG-BP算法的GIS故障类型识别率

5 结 论

通过将CG算法与BP神经网络算法有效结合，利用各自算法的优势互补特性，进而提出了一种改进的CG-BP智能算法。改进算法主要基于CG算法能有效优化传统BP算法的初始权值和阈值，避免随机生成初始值造成的不收敛或局部优化问题，进而实现了减少传统BP算法训练次数和提升了学习效率，加快了收敛进度。相比基于传统BP神经网络算法的GIS智能PD故障类型识别方法，改进的CG-BP智能识别算法准确率更高，可达91%，提高了10%。这有效说明了该方法的可靠性。