gis局部放電信號特征提取與識別

1gis局部放電模式氣體隔離探測器（gis）在電能系統(tǒng)中發(fā)揮著重要作用，局部放電是其絕緣壽命邪惡化的重要表現(xiàn)，不同類型的局部放電對gis絕緣體的絕緣體產(chǎn)生了不同的損害。因此，有效的現(xiàn)場放電管理系統(tǒng)對評估gis的隔離狀態(tài)非常重要。進(jìn)行有效的特征參量提取是提高識別率的關(guān)鍵,文獻(xiàn)以超高頻(UltraHighFrequency,UHF)信號為對象,提出了以“盒維數(shù)和信息維數(shù)”作為模式識別特征量,通過構(gòu)造了放電灰度圖像,提取了盒維數(shù)和信息維數(shù),實現(xiàn)了局部放電模式識別;文獻(xiàn)采用UHF時域包絡(luò)信號,通過仿生模式識別理論實現(xiàn)了GIS典型絕緣缺陷類型的識別。文獻(xiàn)針對UHF信號,提取了均值、方差等5個統(tǒng)計參量,引入分離度指標(biāo)作為特征量降維的評判指標(biāo),從60個特征量中選取了5個具有較高分類能力的最佳特征量,作為徑向基神經(jīng)網(wǎng)絡(luò)識別放電類型的輸入有效向量,最終實現(xiàn)了GIS中不同絕緣缺陷產(chǎn)生局部放電的準(zhǔn)確識別?？梢?目前的研究多是集中在后續(xù)的特征數(shù)據(jù)處理方法上,但是所提取的特征量都來源于單一檢測方法,而GIS內(nèi)部發(fā)生局部放電的時候,會產(chǎn)生聲、光、熱等方面的信號,這些信號從不同角度反映了同一個現(xiàn)象,包含著極為豐富的特征信息,根據(jù)這些特征衍生出了相應(yīng)的檢測法,其中超高頻檢測法和超聲波檢測法已經(jīng)得到廣泛應(yīng)用,這兩種方法分別從電磁波和超聲波兩個不同的角度反映了局部放電源的特性,如果能夠融合這兩種檢測法的特征信息,將有助于更加全面地描述局部放電特征,從而提高模式識別效率。如何根據(jù)這些不同性質(zhì)的參數(shù)實現(xiàn)GIS局部放電模式識別,需要一種可以有效融合這些參數(shù)的算法,而由Damoulasy等人提出的多核學(xué)習(xí)相關(guān)向量機(jī)(Multi-KernelLearningRelevanceVectorMachine,MKL-RVM)可以實現(xiàn)由多種檢測方法中提取的不同性質(zhì)的特征參數(shù)的融合,在此,作者將其應(yīng)用于GIS局部放電超高頻及超聲波特征參量的融合及模式識別研究中?；诖?作者搭建了252kVGIS局部放電實驗仿真平臺,模擬了4種典型的絕緣故障,結(jié)合超高頻和超聲波檢測法采集了放電信號,獲取了相應(yīng)的統(tǒng)計參數(shù)圖譜,然后提取相應(yīng)的特征量,并采用多核學(xué)習(xí)相關(guān)向量機(jī)對兩種不同性質(zhì)參數(shù)進(jìn)行融合,最終實現(xiàn)了GIS局部放電模式識別。2局部放電試驗研究2.1gis局部放電實驗電路設(shè)計采用自行設(shè)計的252kVGIS局部放電實驗仿真平臺,整個平臺長5m,高4.15m,為了方便實驗和節(jié)約SF6氣體,該平臺采用盆式絕緣子將腔體隔成多個獨立的小氣室,試驗腔體SF6氣體壓力為0.5MPa;超高頻探頭的檢測頻段為300~1500MHz,超聲波傳感器檢測中心頻率為40kHz,實驗電路接線示意圖和GIS局部放電實驗仿真平臺結(jié)構(gòu)圖分別如圖1和圖2所示。針對GIS局部放電的特點,設(shè)計了4種典型的絕緣故障模型:尖端放電、內(nèi)部放電、懸浮放電和沿面放電,相關(guān)結(jié)構(gòu)如圖3所示。圖中,尖端放電模型采用針電極曲率半徑為0.5mm,錐角30°,尖長15mm,上、下極間距設(shè)定10mm;內(nèi)部放電模型,上下電極間放置厚3mm的環(huán)氧樹脂板,同時在兩層絕緣板中間放置厚1mm的環(huán)氧樹脂板,并且在其上開有直徑uf066=10mm的圓孔;對于懸浮放電模型,電極間距為10mm,地電極放直徑100mm,厚5mm的環(huán)氧樹脂板,板上面在邊緣處設(shè)置直徑10mm,高10mm的銅柱;沿面放電模型,兩個板電極之間縱向放置一個直徑10mm,長20mm的環(huán)氧樹脂棒。為了減小干擾,所有電極均打磨光滑。2.2uhf信號分布圖譜根據(jù)2.1節(jié)實驗獲取的UHF信號,得到了局部放電次數(shù)、總放電量、最大放電量等統(tǒng)計參數(shù),根據(jù)這些參數(shù)的分布特性,可以獲取對應(yīng)的放電特性。獲取的UHF信號典型分布圖譜如圖4所示。根據(jù)獲取的信號,分別提取出包括局部峰個數(shù)P、偏斜度S、放電量因數(shù)R、陡峭度K、相位中值M、相位不對稱度B、互相關(guān)系數(shù)C共26個統(tǒng)計算子,這些統(tǒng)計參數(shù)從不同角度描述譜圖特性,為了消除量綱的影響,各個參數(shù)均采用了標(biāo)準(zhǔn)化處理。2.3信號特征量的定義實驗獲取的典型超聲波信號如圖5所示。由于超聲波傳感器檢測的信號包含了完整的原始時域及頻域特征信息,采用時頻分析可以提取到豐富的時域、頻域特征信息,更有利于局部放電模式識別?；诖?采用信號的時間重心、持續(xù)時間以及等效方均根帶寬作為模式識別特征量,這三個特征量的定義為(1)時間重心設(shè)一個信號的時域表達(dá)式為L(t),時間重心由下式定義。常用的平均值是標(biāo)準(zhǔn)偏差uf073t,如式(2)。對時域信號進(jìn)行標(biāo)準(zhǔn)化最終得到的信號的時間重心為(2)持續(xù)時間持續(xù)時間定義為(3)等效方均根帶寬標(biāo)準(zhǔn)化的信號LG(t)經(jīng)過傅里葉變換得到L(uf077),與時間波形相似,如果L(uf077)2表示頻率密度,等效方均根帶寬的定義為式(6)反映了信號頻率的分布特征。最終得到的GIS局部放電超聲波信號典型的時頻分布如圖6所示。3審查相關(guān)向量機(jī)算法及其改進(jìn)3.1空間數(shù)據(jù)的概率似然多核學(xué)習(xí)方法通過通過引入組合核參數(shù),最終將原始特征空間數(shù)據(jù)組合成一個組合空間,整個算法引入了多項概率似然函數(shù)。引入輔助回歸目標(biāo)變量和參數(shù),可得標(biāo)準(zhǔn)噪聲回歸模型如式(8)式中ywp——Y的第w行p列的元素;3.2基于k-折交叉驗證和pso的核函數(shù)參數(shù)優(yōu)化方法該算法確定中間系數(shù)比較方便,另外通過模型學(xué)習(xí),可以使組合核參數(shù)得到優(yōu)化,不過在整個模型學(xué)習(xí)中需要事先定好核函數(shù)參數(shù),但是在文獻(xiàn)中缺乏相應(yīng)的確定方法。鑒于交叉驗證能夠保證所有樣本參與訓(xùn)練,同時估計分類法的準(zhǔn)確性是很重要的,通常采用K-折交叉驗證來評價分類法的準(zhǔn)確率。而粒子群優(yōu)化算法(ParticleSwarmOptimization,PSO)則具有較好的全局尋優(yōu)能力,并且其收斂速度快,基于此,文章采用基于K-折交叉驗證和PSO算法相結(jié)合的核函數(shù)參數(shù)優(yōu)化方法,以提高M(jìn)KL-RVM的性能。該方法采用K-折交叉驗證來評估待選擇的核函數(shù)參數(shù),然后采用PSO算法選取核函數(shù)參數(shù)?；贙-折交叉驗證和PSO的核函數(shù)參數(shù)優(yōu)化方法的實現(xiàn)過程如下:(1)將M個樣本數(shù)據(jù)XM各自隨機(jī)地分成元素個數(shù)近似相等的K個相互獨立的子集(2)用XM-XkM對模型進(jìn)行訓(xùn)練,用XkM對模型進(jìn)行驗證,這樣可以得到K個模型以及這K個模型在相應(yīng)的驗證集上的正判率。(3)以該K個模型的平均正判率作為PSO的適應(yīng)度值,如式(9)所示,用以評估待選擇的核函數(shù)參數(shù)。式中,card(XkM)為XkM的樣本個數(shù);I(XM-XkM,xi)表示數(shù)據(jù)集XM-XkM經(jīng)過學(xué)習(xí)后得到分類器對輸入向量xi的分類結(jié)果;且存在i=j時,uf064(i,j)(28)1,當(dāng)iuf0b9j時,uf064(i,j)(28)0。(4)采用PSO選取核函數(shù)參數(shù)。PSO采用計算適應(yīng)度值來進(jìn)行全局尋優(yōu)以滿足給定值條件為終止條件,其中p為個體極值,g為全局極值,本文以正確率達(dá)到85%作為終止條件。進(jìn)行優(yōu)化的流程圖如圖7所示。3.3測量模型及識別結(jié)果采用故障診斷中常用的徑向基核函數(shù),那么基于MKL-RVM的GIS局部放電模式識別具體實現(xiàn)過程如下:(1)根據(jù)文章第2節(jié)實驗數(shù)據(jù),將GIS局部放電的4種故障模式尖端放電、內(nèi)部放電、懸浮放電和沿面放電分別用用列向量(0,0,0,1)T、(0,0,1,0)T、(0,1,0,0)T及(1,0,0,0)T表示,分別用Z、N、X和Y表示。(2)選取超高頻檢測法和超聲波檢測法相應(yīng)的特征參數(shù),見2.2和2.3節(jié)。(3)確定由超高頻和超聲波兩種不同性質(zhì)特征變量組成的多核學(xué)習(xí)相關(guān)向量機(jī)模型。(4)選取對應(yīng)于特征數(shù)據(jù)組各自的核函數(shù)。(5)進(jìn)行GIS局部放電模式識別模型學(xué)習(xí)和測試?；诙嗪藢W(xué)習(xí)相關(guān)向量機(jī)的GIS放電模式識別流程圖如圖8所示。為了驗證本文所提方法的科學(xué)性,分別將超高頻信號特征量、超聲波信號特征量以及融合后的特征量輸入到MKL-RVM進(jìn)行模式識別,最終的識別結(jié)果見表1~表3。根據(jù)上表可見,采用單一的超高頻或者超聲波參數(shù)進(jìn)行模式識別,其正確率均低于參數(shù)融合后的識別率,參數(shù)融合后的識別率在92%左右,從而證明了組合核多參數(shù)融合法的科學(xué)性。4算法實現(xiàn)了gis局部放電作業(yè)區(qū)文章通過超高頻和超聲波檢測法獲取了4種典型絕緣故障模型下的放電信號,并且得到了相應(yīng)的特征量統(tǒng)計圖譜,并采用K-折交叉驗證和PSO結(jié)合的方法對多核學(xué)習(xí)相關(guān)向量機(jī)核函數(shù)參數(shù)進(jìn)行了優(yōu)化,然后采用優(yōu)化后的算法融合了兩種檢測法的特征參數(shù),最終實現(xiàn)了GIS局部放電模式識別,取得了如下結(jié)論:(1)搭建了252kVGIS局部放電實驗仿真平臺,模擬了4種典型的絕緣故障,采用超高頻和超聲波檢測法檢測了局部放電信號