光纤分布式传感系统在变电站维护中的应用

柏 彬，俞越中，赵会龙，卢 胤，朱 磊，马文亮

(国网江苏省电力有限公司建设分公司 项目管理中心，南京 210000)

0 引 言

气体绝缘开关(Gas Insulated Switchgear，GIS)设备主要由断路器、隔离开关、接地开关、电压互感器和电流互感器等变电站中除变压器以外的设备组成。这些设备和部件全部被封闭在接地的金属外壳中，其内部充有一定压力的SF6绝缘气体，故也可将GIS称为SF6全封闭组合电器[1]。

在日常运行过程中，由于GIS设备全部被封闭在接地的金属外壳中，一旦设备或部件发生故障，将难以迅速地找出具体的故障位置[2],只能通过声音来获取故障位置，如巨大的响声和振动[3]。通常利用各种监测声音和振动的电子仪器进行监测，但其监测效果并不理想。由于GIS设备工作环境处于高压状态，且存在严重的电磁干扰，故常规监测设备难以实现有效的定位[4]。

光纤分布式声传感(Distributed Acoustic Sensing，DAS)系统仅通过在GIS设备封闭金属壳外缠绕一条光缆即可实现监控管理。当GIS设备发生击穿故障时，DAS系统会产生剧烈的振动信息,可快速有效定位发生击穿故障的GIS设备，比常规监测手段更可靠和更便捷[5]。

此外，DAS系统可通过日常监测采集数据，读取监测数据中GIS设备发生击穿故障前的异常信息，再利用机器学习算法支持向量机(Support Vector Machines, SVM)实现GIS设备故障的预测，即可实现GIS设备主动、有目的和有针对性的检修，此方法有利于提高变电站供电的安全性和稳定性[6]。

1 DAS系统介绍

DAS系统主要利用光纤作为传感介质，通过产生反向相干瑞利散射光信号，精确实现光纤中所受应力变化的感知[7]。DAS系统可看作是一种移动的传感光纤信号探测器，当某个位置的干涉光由声音或振动引起变化时，可提取此位置接收到的不同时刻干涉信号，然后对这些接收信息进行解调，即可实现对外界变化物理量的测量。DAS系统可利用散射光的相位来实现所在音频范围内声信号或振动信号的探测，其可利用获取的相位幅值大小来获取声信号或振动事件发生的强度信息，同时还可使用线性定量测量值来获取声信号或振动事件的相位和频率信息。

图1所示为DAS系统的总体结构图，DAS系统是通过发出激光脉冲来侦测光纤沿途振动信息的。DAS系统发出激光脉冲，在途经光纤的过程中，不停地被散射，其中有小部分满足全反射条件的能够通过光纤反向返回到激光发出位置。这些散射回来的激光信息和沿途光纤的长度是息息相关的。通过分析散射回来的激光信息，就可以得到沿途光纤的长度信息，光纤长度的变化就反映了光纤感受到的振动信号。从而能够通过DAS系统实现光纤沿途振动信号的侦测。

图1 DAS系统总体结构图

图2所示为激光解调过程，其具体过程如下：

图2 激光解调过程示意图

(1)激光发生器(Laser)发射激光；

(2)电光调制器(Electro-Optic Modulator，EOM)控制激光，可以生成相距一定间隔的激光脉冲；

(3)激光脉冲经掺铒光纤放大器(Erbium-doped Optical Fiber Amplifier，EDFA)放大后，发送到光纤中；

(4)激光脉冲经过环行器(Ciculator)后首先进入外部测量光纤；测量光纤中散射回来的激光(瑞利散射光)再经过此环行器后，进入DAS系统内部解调光路；

(5)进入DAS系统内部解调光路的瑞利散射光，首先经过一分二耦合器(Coupler)分成两路，其中一路增加延迟光纤(ΔL)从A点出；另一路直接从B点出；

(6)可知，测量光纤长度为L处和散射光到达A点的总路程为2L+ΔL；

(7)同理，测量光纤长度为L+ΔL/2处和散射光到达B点的总路程为2×(L+ΔL/2)=2L+ΔL；

(8)所以，测量光纤长度为L处和L+ΔL/2处的瑞利散射光会分别在A和B点同时到达；

(9)同时到达的两束激光，分别进入3×3耦合器的两个输入端；

(10)再在3×3耦合器的3个输出端分别监测激光信号强度；

(11)利用3×3耦合器的物理特性和3个输出端的激光信号强度，解调出其中包含的振动信息；

(12)此处进入3×3耦合器的两束激光之间的区别为，其中一束比另一束多经过了ΔL/2长度光纤的来回传输，从而解调的结果也就反映了这个ΔL/2长度光纤所承载的信息。

本文根据GIS设备日常运行维护监测的需求设计了一种新型的DAS系统，此系统空间分辨率精度为1 m，最远工作距离达到了40 km，监测的最大通道个数能达到20 000个。同时，为了适应各类GIS设备运行维护的场景需要，设备的工作距离设计为可调的方式，可在2.5、5.0、10.0、20.0和40.0 km这几个工作距离灵活调节。新设计DAS系统的测量信号频谱为1～1 250 Hz(工作距离在5 km时)，系统噪声小于-60 dB。

在常规500 kV变电站GIS设备日常运行维护中，DAS系统的光缆长度设置为5 km，定位精度为1 m，即每1 m的光缆段相当于一个声音或振动传感器。该系统将这5 km的光缆缠绕在GIS设备封闭金属壳外部，等同于在GIS设备封闭金属壳沿管道均匀地分布5 000个传感器。DAS系统采用高性能嵌入式系统，能够同时监测这5 000个通道的声信号，并把解调的声音信号实时地传送到后台服务器。DAS系统利用5 km长的光缆实现了5 000个通道信号的实时监测，实时监测信号的频率范围为1～1 250 Hz(信号采样率2 500 Hz)；若将光缆长度改为2.5 km，则实时监测信号的频率范围为1～2 500 Hz(信号采样率5 000 Hz)。此设备通过提取封闭金属壳传递到外界的声音信号特征能够实现GIS设备的识别功能。

2 机器学习算法SVM介绍

DAS系统在GIS设备日常运行维护中采用SVM技术对采集数据进行智能识别。SVM是机器学习的一种方法，这种方法需要先期对训练集进行学习，然后才能识别(分类)监测数据。SVM是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面[8]。SVM 首次由 Vladimir N Vapnik 和 Alexey Ya Chervonenkis于1963年提出，目前使用的版本是由Corinna Cortes和Vapnik于1993年提出并于1995年发表的。在深度学习出现之前，SVM被认为是近十几年来机器学习中最成功、表现最好的算法。

图3所示为SVM划分二维向量的示意图。对于如何区分二维平面上两类不同的实心点和空心点，SVM的方法就是找出一条线，能“最好地”区分这两类点，同时当后续再次出现新的点时，这条线也将对该点进行很好地分类[9]。这条线可以有无数种画法，但不同线的分类效果不同，如图中的绿线(H1)效果很差，蓝线(H2)效果一般，红线(H3)效果则最好。而SVM的目的就是寻找出这条效果最好的线，如图3中的红线所示，可将这条线称为“最大间隔的划分线”。红线可以很好地将两组向量中距离线条最近的2个向量等距支撑分开，而蓝线则不是等距支撑；红线的划分规则使得其他向量分开的距离更大，识别准确率更高[10]。

图3 SVM划分二维向量示意图

对于三维空间中点的分类，SVM就是要找出一个平面，以“最好地”区分三维向量，如图4所示。当新的三维向量出现时，此平面也能很好地将其分类。而对于区分更多维度的点(N维向量)，就是要找出一个“超平面”，以“最好地”区分N维向量，以至新的N维向量出现时，这个“超平面”也能实现精确地分类。可见，SVM能很好地实现分类，为DAS系统声信号或振动信号的分类提供了技术支撑。

图4 SVM划分三维向量示意图

3 利用SVM识别声音信号

利用机器学习算法SVM来识别声音信号，其工作原理可表述如下：当进行数据处理时，可先将一段语音信号进行快速傅里叶变换(Fast Fourier Transform，FFT)，以形成这段语音的频谱数据。采样率为2 500 Hz、长度为1 s的数据(即数据长度为2 500)可通过FFT生成1 250个有效数据，将1 250个数据视为输入向量用于SVM训练。若其采样率为8 000 Hz，那么经FFT处理后的频谱数据则为4 000个有效数据。通常情况下对声音信号而言，不论向量长度为1 250还是4 000，其所表示的频谱信息都足以识别一段声音信号。

由于未对数据进行特征提取，而直接利用经过FFT后的频谱数据来识别语音信号，给设备带来了极大的计算量。为了减少机器学习算法的计算压力，可以先提取原始的N维向量中的主要频谱信息，从语音原始频谱数据中选取能够体现这段语音信息的主要特征。其中语音信号特征提取的原理是在不损失语音特征的情况下，尽量降低数据维数，从而降低后续数据处理难度，同时保证声音识别的准确率。因此，可通过寻找特定声音规律来提取特征，比如，人说话的声音主要从喉咙发出，那么就可从此方面来获取人类的语言规律。现在最常用的人类语音特征提取方法是梅尔倒谱系数(Mel Frequency Cepstrum Coefficient, MFCC)方法，其特点是将语音频谱通过实际需求降低维度[11]。

当声音信号不为人类语言时，其数据降维思路也类似，即通过寻找目标声音信号特征来实现降维。主要可从以下两个方向来寻找途径：(1)声音的产生机理；(2)未降维情况下，原始声音频谱特性的统计、总结和归纳；也可综合两个方向同时进行数据处理。如钢琴的声音只从琴弦发声机中发出，则可从其声音产生机理中找出声信号的规律。而当一个机器设备在不同状态下发出的声音不同时，则可从上述两个方向综合去考虑。利用SVM进行声音识别时，首先需对声音信号从上述两个方向出发进行特征提取，获取更能反映声信号特征的低维数据。

4 利用DAS系统监测GIS的振动信号

采用DAS系统，将光缆缠绕在GIS封闭金属壳外部，其中蓝色胶带为粘贴耦合，如图5所示。

图5 光缆在GIS金属外壳布设示意图

通过场外的监视设备，可将GIS封闭金属外壳沿途各处的振动信号实时呈现出来，如图6所示。

图6 DAS系统实时监视瀑布图示意图

图中视区内所展示的是在10 s内光纤180～1 080 m间的光缆数据。不同颜色代表了不同的[X,Y]位置信号大小，黄色表示信号最强，蓝色表示信号最弱。图中条纹表示从第7 s附近开始，在400 m附近出现了一个异常信号，其持续时间约1 s。因此，可利用此DAS系统，更加直观、形象和实时地观察到GIS封闭金属外壳沿途各处的振动情况，能有效地实现故障位置的监测。

5 利用机器学习算法SVM识别GIS的振动信号

在GIS日常运行维护过程中，通过在GIS封闭金属外壳沿途缠绕DAS探测光缆，部署DAS系统，可以在GIS发生击穿故障时，实时和直观地观察到发生了设备击穿故障的位置。此外，还可利用收集的日常监测振动数据，统计、分析和归纳不同设备发生击穿之前的振动信号以及GIS击穿当下发生的振动信号。在此基础上，采用机器学习算法SVM，在线智能识别GIS击穿位置以及识别各个位置是否存在发生故障的危险信号。利用SVM方法，对图6中的实时时域信号进行处理，就会呈现如图7所示的事件分类信号瀑布图。

图7 GIS金属外壳实时振动事件分类信号瀑布图

如图所示，不同位置[X,Y]的颜色块表示事件分类。颜色和事件分类序号之间的对应关系如图右侧所示，红色表示第1类事件，绿色表示第2类事件，依次类推。图6对应的异常信号，按照SVM方法，已经将此异常信号划分为第1类事件(红色)。

至此，在GIS部署了DAS系统之后，DAS系统能将数据实时传送至后台服务器，同时后台服务器采用机器学习算法SVM，将各个通道对应位置的实时时域数据进行处理后分类为不同的事件，结合位置和设备的对应关系就可以得到GIS中设备和位置关联的警告信息，然后可依据各个信息警告的紧急程度采取不同的处置策略，如声光警告、电子邮件通知和手机信息提示等。此方法实现了从被动维修到主动维护的转变，规避了非预期电力断供。

6 结束语

本文首先对GIS设备的事故发生和常规监测手段进行了简单回顾，然后对监控效果更好的DAS系统的工作原理及优势进行了介绍，最后提出了采用DAS系统和SVM对GIS设备进行联合监控的方法，并介绍了其工作原理和识别流程。通过多个变电站的实际测试和试验表明，DAS系统在GIS设备绝缘耐压测试中能够直观地实时监视GIS设备金属外壳不同位置的振动信号。在绝缘耐压试验过程中，一旦发生击穿，不管是从实时时域信号上，还是采用机器学习算法SVM处理之后的分类事件上，都能够快速有效地定位到发生故障的设备，极大地方便了现场故障排除和维修处理。在GIS设备日常运行维护中，SVM的训练集也是在系统正式投入使用前经过一段时间的收集而来。也就是把日常运行维护中出现各种故障时的振动信号数据(样本数据)收集起来作为训练集使用。

对于在日常运行维护过程中实现GIS设备故障的预警，由于目前系统中监测到的异常时间数据还不丰富，还需要更长时间、更多的数据积累才能够使设备更加完善和成熟。随着DAS系统在GIS设备振动信号监测方面的长期应用，数据的完善以及预警事件案例的增加，使GIS设备从被动维修到主动维护的转变成为了可能。