GIS局部放电潜伏性故障多因子数据流融合诊断

刘晓军

（甘肃电投河西水电开发有限责任公司，甘肃 张掖 734000）

0 引言

GIS也称为气体绝缘组合电气设备（Gas Insulated Switchgear，GIS），其属于一种高压配电装置，主要通过母线、断路器、隔离开关、避雷器等多种设备和装置进行组合后形成，因此GIS也被看作开关站。GIS具有优秀的绝缘、灭弧性能以及占地少，可靠高，安全强，维护小等诸多优点，但是其在制造、现场安装、验收等各环节中，容易因质量管控不严而遗留潜伏性缺陷，造成设备带病运行，极大地影响整体安全运行水平。并且其主要用于高压配电，一旦潜伏性缺陷影响关键设备，甚至发生故障后，危害较大、波及范围较广、后果严重。因此，如何排除或确诊GIS潜伏性故障，成为电力企业对于高压配电系统安全运行管理的重要内容。

耿伊雯 等人对GIS内部4种典型绝缘缺陷产生的局部放电进行光电同步测量。采用信息融合与判断决策技术对UHF法与光测法联合采集得到的局部放电相位分析图谱的统计特征参量进行识别和判断。但该方法在复杂的环境下会降低检测精度和可靠性[1]。杨勇 等人使用端口系数法仿真与实测特高频信号的泄漏特征，比较敞开式与浇筑孔式盆式绝缘子泄漏特性的差异，分析浇筑孔形状和尺寸对其影响规律。利用脉冲注入法测试某特高压GIS内外置特高频信号的特性，但该方法无法充分考虑到各种情况下外部信号泄漏的全部特点[2]。王彦彪等人采集人为设置的4种缺陷缺陷局部放电信号，进行数据预处理构建超高频和超声信号的特征空间，通过卷积神经网络进行深层特征提取，利用网络的Softmax分类器预测结果，但该方法需要对更多的缺陷进行测试和分析，以提高准确性和可靠性[3]。王利福 等人为可靠识别GIS局部放电故障，将EEMD能量矩与ISSA-SVM算法相结合，形成故障识别模型，用于完成不同类别的GIS局部放电故障识别；但是该方法在应用时，如果故障处于潜伏或者接近的情况下，识别误差较大[4]。张聪聪 等人为提升GIS局部放电缺陷诊断精度，采用卷积网络构件GIS局部放电缺陷诊断模型，该模型是以GIS局部放电检测图谱为基础，通过模型完成局部放电故障诊断；该方法无法获取故障的多因子特征，对于潜伏性故障的诊断精度较低[5]。多因子数据指的是描述GIS局部放电故障形成的多种因素以及特征，结合这些数据即可获取充分描述GIS局部放电潜伏性故障的数据流。本文针对GIS局部放电潜伏性故障的特性，以多因子数据流为基础，实现GIS局部放电潜伏性故障诊断。

1 GIS局部放电潜伏性故障诊断

1.1 GIS局部放电潜伏性故障诊断方法架构

本文为可靠实现GIS局部放电潜伏性故障诊断，结合GIS局部放电潜伏性故障的形成特性以及影响因素，以多因子数据为基础，结合卷积神经网络和改进D-S证据理论，提出GIS局部放电潜伏性故障诊断方法，该方法整体架构见图1。

图1 GIS局部放电潜伏性故障诊断方法架构

该方法整体分为2个模块，分别为多因子数据获取模块和故障诊断模块，其中故障诊断模块由故障初期诊断子模块、诊断决策子模块组成。

多因子数据获取模块：该模块主要是采集GIS运行信号，其主要是依据传感器、放电信号监测仪、示波器等设备完成；并且获取采集信号中的多因子特征，文中以能够描述GIS局部放电的时频特征、幅度、阻尼分量以及信号震荡4种多因子特征。

故障初期诊断子模块：该子模块主要是依据多因子数据获取模块获取的多因子特征，构建卷积神经网络初步诊断模型，对GIS局部放电潜伏性故障进行初步诊断。

诊断决策子模块：该子模块则利用D-S证据理论生成潜伏性故障决策规则，潜伏性故障诊断模块输出的初步诊断结果输入该模块后，将其作为故障决策的基本概率幅值，并依据合成规则进行证据决策融合，以此获取最终的GIS局部放电潜伏性故障诊断结果。

1.2 多因子特征提取

多因子数据获取模块依据传感器、放电信号监测仪、示波器等设备采集的GIS运行信号[6-8]，由于获取GIS运行信号中包含其运行的完整的信号数据，为保证GIS局部放电潜伏性故障诊断的精准性[9，10]，文中先进行多因子特征提取。该提取主要通过2个部分完成，分别通过时频分析方法和Prony方法完成，2个部分提取详情如下所述。

1.2.1 时频特征提取

时频特征是描述GIS在不同时域和频域下的变化情况[11，12]，依据该变化可对GIS局部放电潜伏性故障类别进行判断[13，14]。因此多因子数据获取模块通过时频分析方法提取GIS时频特征，为GIS局部放电潜伏性故障诊断提供可靠依据。

文中选择时间重心、持续时间以及等效均方带宽作为时频特征的识别特征量[15]，三者详情如下：

（1）时间重心：如果采集的任一个信号的时域用L（t）表示，则时间重心ta的公式为：

其中，t表示时间，dt表示时间间隔的微元，即微小的时间单位。采用标准偏差εt表示平均值，其公式为：

获取的GIS时域信号用LG（t）表示，对其进行标准化处理得出：

基于上述步骤获取GIS运行信号的时间重心，其公式为：

（2）持续时间：

（3）等效均方带宽：

采用傅里叶变换对LG（t）进行处理后得出处理的信号L（ω），其和时间的波形较为接近；如果频率密度用|L（ω）|2表示，等效均方带宽表达式为：

通过公式（6）可描述信号的时频的分布特征。

1.2.2 信号的幅度、阻尼分量以及震荡特征提取

除时频特征外，还有能够描述GIS局部放电的幅度、相位、阻尼分量以及信号震荡3种多因子特征，这四种多因子特征的提取，采用Prony方法完成，步骤如下。

获取采集的L个GIS运行信号，如果时间序列用η（t）表示，对其进行离散处理后，引入Prony方法，获取相对应的第n个因子特征分解结果ηn，设运行安全域复指数为zk，其虚数部分表示正弦波的幅度，实数部分表示余弦波的幅度。将GIS运行信号由时域转换到频域，求解安全域特征量yn：

式中：φk表示复常数；n∈（1，2，...，N），表示时间序列样本数；k表示维度。

对公式（7）进行加权处理，得到：

式中：ci表示加权系数。

结合公式（7）和公式（8），进行加权系数重新排列，如果出现待观察的值/结果，则：

如果初始加权系数等于1，则：

对其求解后得出：

基于此可知：zk即为公式（11）的根，其系数ci和公式（8）的和一致。

zk的表达式为：

式中：αk和ωk分别表示阻尼因子和幅度。

结合上述内容即可获取GIS运行信号的幅度、阻尼因子。

信号震荡特征ψ则通过零点进行定义，其公式为：

式中：sign（xn）表示符号运算符，其公式为：

通过公式（14）即可获取信号震荡特征。

1.3 GIS局部放电潜伏性故障诊断

故障诊断模块是由故障初期诊断子模块、诊断决策子模块组成的诊断模型，两个模块分别通过卷积神经网络和D-S证据理论，完成GIS局部放电潜伏性故障诊断。故障诊断模块结构见图2。

图2 GIS局部放电潜伏性故障诊断模型

（1）故障初期诊断子模块：通过上述2.3小节获取的全部多因子特征形成特征子空间后，构建卷积神经网络初步诊断模型，并对模型的参数进行初始化处理。通过样本学习实现网络学习，并采用训练完成的样本进行网络模型的测试，获取网络模型的性能参数。卷积层激活公式为：

式中：ωij表示卷积核；b表示偏置项；y表示卷积运算结果；f表示激活函数。

卷积神经网络模型通过卷积层和池化层的多层组合处理后，可对多因子特征进行降维处理，最后用过分类器完成GIS局部放电潜伏性故障初步诊断，输出初步诊断结果Yi。

（2）诊断决策子模块：将卷积神经网络模型输出的结果Yi作为该模型中D-S证据理论的证据体，在此基础上通过诊断规则进行最终诊断，获取GIS局部放电潜伏性故障最终诊断结果。其详细流程如下所述：

步骤1：以GIS可能发生或者存在的局部放电潜伏性故障为依据，确定故障集G={A1，A2，...，An}，其中A表示所有可能发生的故障结果，并完成G的训练。

步骤2：确定卷积神经网络模型输出的Yi。

步骤3：获取不同类别GIS局部放电潜伏性故障的基本可信分配度mi（Aj），其主要通过对Yi进行归一化处理得出，归一化函数计算公式为：

式中：yi（Aj）表示卷积神经网络模型输出值，且对应第j个故障类别；λ表示冲突因子。

设定故障输出误差，其计算公式为：

步骤4：引入不确定度m（G），采用证据理论合成方法将对Yi进行计算和融合，获取其不确定度m（G）和最终的mi（Aj）结果。

步骤5：依据步骤4的计算结果进行GIS局部放电潜伏性故障决策诊断，获取的最终诊断结果Ac需依据判断规则得出：

规则1：

规则2：

规则3：

式中：f（A）表示信任函数；μ1、μ2和γ均为设定阈值。诊断结果需同时满足上述3个规则，即为最终的诊断结果。

2 测试分析

为验证本文方法的应用效果，以某电力公司管辖范围内的35 kV的GIS变电站作为实例测试对象，采集该GIS变电站运行3个月的相关数据，采集设备相关参数见表1。

表1 采集设备参数详情

该GIS变电站在运行过程中普遍存在4种局部放电情况，其详情见表2。

表2 局部放电类型

参数设定：μ1、μ2和γ三者取值分别为0.30、0.30和0.1，迭代次数为120次，学习率为0.01，网络节点数量为32。

为验证本文方法对于GIS运行信号多因子特征提取效果，获取本文方法应用后，对于多因子特征的提取效果，其通过多特征因子的能量分布情况进行描述，测试结果见图3。

图3 多特征因子的能量分布结果

依据图3测试结果可知：在不同的信号频率和波动幅度下，本文方法应用后，多特征因子的能量呈现全域内的不规则分布情况，表示在特征空间内，不同的特征呈现不同的能量分布结果，因此，本文方法可靠能够获取GIS运行信号中的多因子特征，提取效果良好。

为验证本文方法对于GIS局部放电潜伏性故障特征的提取效果，采用本文方法对GIS运行信号进行多因子特征提取，获取特征提取结果，由于篇幅有限，结果仅呈现4种局部放电的幅值特征提取结果，见图4。

图4 幅值特征提取结果

依据图4测试结果可知：本文方法具有GIS运行信号多因子特征提取能力，能够获取描述GIS局部放电潜伏性故障的多因子特征，为其故障诊断提供可靠依据。

为直观验证本文方法对于GIS局部放电潜伏性故障诊断的应用性，获取本文方法在不同运行时间内，随着信号频率的不断变化，对于4种GIS局部放电潜伏性故障诊断结果，见图5。

图5 4种GIS局部放电潜伏性故障诊断结果

依据图5测试结果可知：本文方法具有较好的GIS局部放电潜伏性故障诊断能力，能够完成不同类别局部放电故障的诊断，即使两个故障之间存在一定重叠情况，本文方法依旧能够精准完成故障类别的诊断，是由于本文方法在进行故障诊断时，是以GIS局部放电多因子特征完成，因此可充分结合不同放电故障的多因子特征完成最终诊断。

为验证本文方法对于GIS局部放电潜伏性故障的诊断性能，获取本文方法在不同放电量下，对于4种潜伏性故障的诊断结果的类间离散度指标结果，该指标用于描述各个故障类别之间的区分程度，其取值范围在0~1之间，其值越大，表示区分程度越好，则本文方法的诊断性能越佳。测试结果见图6。

图6 潜伏性故障的诊断结果的类间离散度指标结果

依据图6测试结果可知：本文方法应用后，对于各个类别的GIS局部放电潜伏性故障诊断结果的类间离散度结果均在0.94以上，表示本文方法的应用性能较好，对于GIS局部放电潜伏性故障诊断的结果可靠性较高，准确判断故障类别。

3 结论

GIS局部放电潜伏性故障具有显著的突发性和潜伏性，不易被发现，进而导致高压电力系统的运行存在较大安全隐患，为保证高压电力系统的安全运行，本文提出GIS局部放电潜伏性故障多因子数据流融合诊断方法，并对该方法的应用情况进行相关测试。结果显示：本文所提方法可有效提取GIS局部放电潜伏性故障多因子特征，并且精准完成不同类别的GIS局部放电潜伏性故障诊断，满足应用性需求。