一种气体绝缘开关设备绝缘缺陷种类的识别方法

摘要

本发明公开了一种气体绝缘开关设备绝缘缺陷种类的识别方法，其包括步骤：1）采集气体绝缘开关设备的局部放电超高频信号；2）对局部放电超高频信号滤波降噪；3）获得局部放电超高频信号的包络线；4）从包络线中提取取脉冲峰值Vtop，峰后初现波谷Vv1，峰后初现波峰Vp1，峰后次现波谷Vv2和峰后次现波峰Vp2五个特征值；5）用上述五个特征值形成构建特征量集合，在特征量集合中取区分度最高的三个特征量构建一三维特征空间；6）采用对应典型局部放电类型的局部放电信号的样本数据对样本空间训练分类器训练；7）将经过训练的样本空间训练分类器对映射到三维特征空间内的局部放电类型分类和识别。

说明书

技术领域

本发明涉及一种信号检测方法，具体涉及一种GIS局部放电信号检测方 法。

背景技术

气体绝缘开关设备（Gas Insulated Switchgear，GIS）设备以其占地面积 小，可靠性高等优点，已在电力系统中得到了广泛的应用。气体绝缘组合电 器在绝缘缺陷发生绝缘击穿前会产生局部放电。局部放电是GIS绝缘缺陷的 征兆和表现形式。对GIS局部放电的现象进行检测，能够较早发现其内部的 绝缘缺陷，以便采取适当措施，从而防止其进一步发展造成事故。

GIS设备中的局部放电是由一系列具有极短上升时间的电流脉冲而造成 的，并且其发生时会伴随着声、光、化学产物等多种物理化学现象。因此， 通过探测这些物理化学现象便能够监测到GIS设备中的局部放电。

对GIS的局部放电（Partial discharge，PD，以下简称“局放”）现象进行 监测和识别，是发现早期绝缘故障、预防事故的重要手段。在监测GIS局放 的诸多方法中，超高频（Ultra-High Frequency，UHF）法具有灵敏度高、抗 干扰能力强、可识别故障类型和可对局放进行精确定位等优点，是近20年来 国内外研究的热点。

GIS中的绝缘缺陷有多种类型，如悬浮电极、自由金属颗粒、绝缘子表 面污损等，不同的缺陷产生的放电特征不同，对GIS的危害程度也不一样， 为了准确地评估GIS的绝缘状态，正确识别放电的类型至关重要。

目前常用于识别局放类型的方法主要是基于相位分布图谱，这种方法没 有局放脉冲波形信息，另外还需要提供工频相位同步信息。

发明内容

本发明的目的是提供一种气体绝缘开关设备绝缘缺陷种类的识别方法， 在不需要工频相位同步信息的情况下，该识别方法基于局放脉冲的波形，将 局部放电放的UHF信号（频率范围为300MHz-3000MHz）作为由高频信号调 制的低频脉冲信号解调出低频信号以获得局部放电信号的包络线，从而从局 部放电超高频包络线中提取出相应的包络特征，并通过识别模式来实现超高 频局部放电类型的识别，其能快速准确地判断GIS局部放电的类型，有效地 提高了诊断GIS绝缘缺陷的效率及准确度，对于评估GIS的绝缘状态及制定 合理的维修策略至关重要，避免由于GIS绝缘故障而导致的安全事故的发生。

为了实现上述发明目的，本发明提供了一种气体绝缘开关设备绝缘缺陷 种类的识别方法，包括下列步骤：

（1）采集气体绝缘开关设备的局部放电超高频信号；

（2）对采集到的局部放电超高频信号进行滤波降噪以获得高信噪比的局 部放电超高频信号；

（3）获得局部放电超高频信号的包络线；

由于采集到的局部放电超高频信号表现为高频振荡信号，为了能够得到 局部放电超高频信号在时域中的总体趋势，则需要获得局部放电超高频信号 的包络线，获得局部放电超高频信号的包络线可以采用希尔伯特变换法、检 波—滤波法、高通绝对值解调法和样条曲线法等；

（4）从包络线中提取脉冲峰值V_top，峰后初现波谷V_v1，峰后初现波峰 V_p1，峰后次现波谷V_v2和峰后次现波峰V_p2五个特征值；

不同类型的局部放电超高频信号的包络线在外形上均相似于振荡衰减的 双指数函数，但是振荡频率、衰减时间常数外往往会存在着明显的差异，此 时则需要通过提取几个关键点的数据来识别局部放电的类型，本技术方案提 取脉冲峰值V_top，峰后初现波谷V_v1，峰后初现波峰V_p1，峰后次现波谷V_v2和峰后次现波峰V_p2这五个特征值；

（5）用上述五个特征值构建特征量集合在特征量 集合中取区分度最高的三个特征量构建一三维特征空间{x ，y,z}；

为了获得区分效果最佳的三个特征量，需要计算上述四个特征量的区分 度D_ab：

$D_{\mathrm{ab}}=\left|\frac{{\bar{\lambda }}_a-{\bar{\lambda }}_b}{{\sigma }_a+{\sigma }_b}\right|---\left(1\right)$

式中，D_ab为同一特征量上随机变量a、b的区分度，分别代表了 任意两种不同的放电类型的某一相同特征量的随机变量的样本平均值， σ_a、σ_b分别代表了任意两种不同的放电类型的某一相同特征量的随机变量 的无偏样本标准差，（例如，要计算特征量对沿面放电和悬浮电位这两种 放电信号的区分度，则沿面放电信号的和悬浮电位放电信号的分别对 应公式中的a、b）其中，通过采集到的n个a的样本为{a₁,a₂,a₃,a₄…a_n}，m 个b的样本为{b₁,b₂,b₃,b₄…b_m}，可以求得：

a的样本平均值为：

${\bar{\lambda }}_a=\frac{1}{n}\underset{i=1}{\overset{n}{\Sigma }}{a}_i,$

b的样本平均值为：

${\bar{\lambda }}_b=\frac{1}{m}\underset{i=1}{\overset{m}{\Sigma }}{b}_i,$

a的无偏样本标准差为：

${\sigma }_a=\sqrt{\frac{\underset{i=1}{\overset{n}{\Sigma }}{(a_i-{\bar{\lambda }}_a)}^2}{n-1}},$

b的无偏样本标准差为：

${\sigma }_b=\sqrt{\frac{\underset{i=1}{\overset{m}{\Sigma }}{(b_i-{\bar{\lambda }}_b)}^2}{m-1}},$

将求得的σ_a及σ_b代入式（1）以获得区分度D_ab值。

区分度D_ab的取值越大，则说明同一特征量上的两种不同放电类型 出现混淆的可能性就越小。

也就是说，本技术方案中，分别将不同局放类型的相同特征量两两组合， 并求取该相同的特征量对于这选取的两种局部放电类型的区分度D_ab。为了构 造出能区别不同放电类型的三维特征空间，需要在选取特征量时遵循“最劣 不入”的原则，即尽量避免采用对区分某一个或几个局放类型表现最差的特 征量，基于该原则将最差特征量剔除的步骤为：先把不同放电类型两两成对， 再就各对中的某一相同特征量进行区分度D_ab计算，特征量为四个， 即为及接着从四个特征量的区分度中任意选取三个进行求 和以构成不同的求和组合，然后将不同求和组合的区分度对应于相应的局放 类型对形成列表，最后对于同一局放类型对中不同求和组合进行对比以将每 一局放类型对中“区分最劣”的求和组合予以剔除，保留求和组合数值高的 其他三个特征量以构成三维特征空间的参量{x，y，z}。由于区分度D_ab求和数 值越大越能区别不同放电类型，因此，当某一局放类型对中的某一求和组合 的数值越小时，说明该求和组合中所剔除的特征量越是能够区分不同的放电 类型，反之也亦然。

区分度概念和计算是本领域内的技术人员所熟知的，故本文不在此进行 进一步详细的介绍。

（6）采用对应典型局部放电类型的局部放电信号的样本数据对样本空间 训练分类器进行训练；

（7）采用经过训练的样本空间训练分类器对映射到三维特征空间{x，y,z} 内的局部放电类型进行分类和识别。

进一步地，在上述步骤（2）中，采用通带为300MHz～850MHz的带通滤 波器进行滤波降噪。在滤波过程中采用通带为300MHz～850MHz的带通滤波 器的原因在于：1）不同类型的局放信号在300MHz以下的频率成分相似，不 具备区分不同局放类型的操作性；2）某些局部放电的信号频谱中在幅值最大 处（约870MHz左右）实质上为噪声频带；3）大约在900MHz以上的频率分量 对信号时域波形包络影响不大，不能为获得局部放电超高频信号的包络线提 供有效的数值依据。

进一步地，在步骤（2）中，采用12阶巴特沃斯带通滤波器进行滤波降 噪。

进一步地，在步骤（3）中，采用希尔伯特变换法获得局部放电超高频信 号的包络线。

当然，也可以采用检波—滤波法得到包络线，但是采用这种方法得到的 是信号正半周中线的包络线，其没有采用希尔伯特变换法得到的包络线准确 性高。

另外，也可以采用高通绝对值法得到包络线，但是采用这种方法得到的 包络线也是信号中线的包络线，其准确性也没有采用希尔伯特变换法得到的 包络线准确性高。

此外，还可以采用样条曲线法来得到包络线，但是样条曲线法的插值点 选取原则比较难以确定，且该算法对于不同信号的适应性不强。

希尔伯特变换法也是本领域内技术人员所熟知的，故本文在此仅做简单 介绍：

对于一个连续时域信号x(t)，其与的卷积为

$\hat{x}\left(t\right)=H\left[x\left(t\right)\right]=x\left(t\right)*h\left(t\right)=\frac{1}{\pi }{\int }_{-\infty }^{+\infty }x\left(\tau \right)·\frac{1}{t-\tau }\mathrm{d\tau }$

连续时域信号x(t)的解析信号为

$a\left(t\right)=x\left(t\right)+j\hat{x}\left(t\right)$

其中，j表示虚数单位；

那么该解析信号的模为

$E\left(t\right)=\left|a\left(t\right)\right|=\sqrt{x^2\left(t\right)+{\hat{x}}^2\left(t\right)},$

该模就是连续时域信号x(t)的包络线。

对于长度为m的离散信号序列x(n)及其FFT（快速傅里叶变换）序列X(k) 之间的关系可表示为：

$A\left(k\right)=\left(\begin{array}{cc}X\left(k\right),& k=0\\ 2X\left(k\right),& k=\mathrm{1,2,3},...,\frac{m}{2}-1\\ 0& k=\frac{m}{2},\frac{m}{2}+1,...,m-1\end{array}\right)$

其中，A(k)为x(n)的离散解析信号a(n)对应的FFT序列，将式中所得的A(k) 经过IFFT（逆快速傅里叶变换）处理后代入式中求模 值可以得到包络线E(n)：

E(n)＝|a(n)|＝|IFFT[A(k)]|。

进一步地，在步骤（6）中，样本空间训练分类器采用神经网络或支持向 量机。

更进一步地，在步骤（6）中，典型局部放电类型包括：沿面放电信号、 悬浮电位信号和金属微粒信号的至少其中之一。

本发明所述的气体绝缘开关设备绝缘缺陷种类的识别方法，基于局放脉 冲的波形且不需要工频相位同步信息，该识别方法所具有优点如下：

（1）能准确地分类和区别气体绝缘开关设备的不同放电类型；

（2）极大地提升了判断气体绝缘开关设备绝缘缺陷的效率；

（3）为气体绝缘开关设备故障维修策略提供重要依据；

（4）及时获得气体绝缘开关设备绝缘缺陷的诊断结果以避免重大安全事 故的发生。

附图说明

图1显示了沿面放电绝缘故障的局部放电超高频信号的频谱分析。

图2显示了悬浮电位绝缘故障的局部放电超高频信号的频谱分析。

图3显示了金属微粒绝缘故障的局部放电超高频信号的频谱分析。

图4显示了经过预处理后的沿面放电的局部放电超高频信号。

图5显示了经过预处理后的悬浮电位的局部放电超高频信号。

图6显示了经过预处理后的金属微粒的局部放电超高频信号。

图7显示了局部放电超高频信号的包络线中脉冲峰值V_top，峰后初现波 谷V_v1，峰后初现波峰V_p1，峰后次现波谷V_v2和峰后次现波峰V_p2等五个特征 值。

图8显示了三种局部放电超高频信号的特征量的取值。

图9显示了三种局部放电超高频信号的特征量的取值。

图10显示了三种局部放电超高频信号的特征量的取值。

图11显示了三种局部放电超高频信号的特征量的取值。

图12显示了三种局部放电类型的局部放电信号的样本数据三维特征空 间内的分布。

具体实施方式

以下结合具体实施例和说明书附图来对本发明所述的气体绝缘开关设备 绝缘缺陷种类的识别方法做进一步的解释说明，但是该解释说明并不构成对 本发明所涉及的技术方案的不当限定。

在本实施例中涉及了三种典型的气体绝缘开关设备的绝缘故障，分别为 沿面放电、悬浮电位和金属微粒，这三种典型绝缘故障的局部放电信号的频 谱分析如图1至图3所示。通过图1至图3可以看出，三种典型的局部放电 类型信号在300MHz以下的频率成分相似，不具备区分不同局部放电类型的 操作性；由金属微粒和沿面放电所导致的局部放电的信号频谱中幅值最大处 （约870MHz左右）实质上为噪声频带；三种典型的局放类型信号大约在 900MHz以上的频率分量对信号时域波形包络影响不大，不能为获得局部放 电超高频信号的包络线提供有效的数值依据。

采用本发明所述的技术方案用来对气体绝缘开关设备的上述三种绝缘缺 陷种类进行识别的步骤如下：

（1）通过超高频电磁波信号传感器采集气体绝缘开关设备的局部放电超 高频信号。

（2）为了获得高信噪比的局部放电超高频信号，对采集到的局部放电超 高频信号采用通带为300MHz～850MHz的12阶巴特沃斯带通滤波器进行滤 波降噪处理；经过滤波降噪后的沿面放电，悬浮电位及金属微粒的局部放电 超高频信号如图4至6所示。

（3）为了能够获得局部放电超高频信号在时域中的总体趋势，采用希尔 伯特变换法来获得局部放电超高频信号的包络线。

（4）分别从沿面放电，悬浮电位及金属微粒的局部放电超高频信号的包 络线中提取脉冲峰值V_top，峰后初现波谷V_v1，峰后初现波峰V_p1，峰后次现 波谷V_v2和峰后次现波峰V_p2五个特征值，如图7所示。

（5）用步骤（4）中的五个特征值构建特征量集合图8至图11显示了集合中四个特征量的分布图，图8至图11中的1，2和3 分别代表沿面放电，悬浮电位和金属微粒三种缺陷的局部放电信号。

(6)在特征量集合中取区分度最高的三个特征量构建三 维特征空间{x，y,z}的参量，区分度其中，分别代表了任 意两种不同的放电类型的某一相同特征量的随机变量的样本平均值，σ_a、 σ_b分别代表了任意两种不同的放电类型的某一相同特征量的随机变量的无 偏样本标准差，特征量集合中各特征量的随机变量的样本 平均值和无偏样本标准差如表1所示。通过采集到的n个a的样本为{a₁,a₂,a₃,a- ₄…a_n}，m个b的样本为{b₁,b₂,b₃,b₄…b_m}，可以求得a的样本平均值为 b的样本平均值为并且a的无偏样本标准差为 ${\sigma }_a=\sqrt{\frac{\underset{i=1}{\overset{n}{\Sigma }}{(a_i-{\bar{\lambda }}_a)}^2}{n-1}},$b的无偏样本标准差为${\sigma }_b=\sqrt{\frac{\underset{i=1}{\overset{m}{\Sigma }}{(b_i-{\bar{\lambda }}_b)}^2}{m-1}}.$将三种局部放电类 型两两成对，即沿面-悬浮，悬浮-金属和金属-沿面，将其对应各特征量计算 相应的区分度，得到表2。接着从四个特征量的区分度D_ab值 中任意选取三个进行求和以构成不同的求和组合，然后将不同求和组合的区 分度D_ab值 对应于相应的每一对局放类型，得到表3。表3中的粗斜体数据表示区分度最 劣的数据。因此，在本实施例中，能够区分这三种局部放电类型的特征量为 及采用这三个特征量构成三维特征空间{x，y,z}。

（7）采用沿面放电，悬浮电位和金属微粒三种局部放电类型的局部放电 信号的样本数据对一三层BP（Back Propagation）神经网络，即误差反传神 经网络进行训练。

神经网络的训练过程是本领域内技术人员所熟知的，故本文在此不再赘 述具体的训练过程。

（8）采用经过训练的三层BP神经网络对映射到三维特征空间{x，y,z}内 的三种局部放电类型，即沿面放电，悬浮电位和金属微粒的局部放电类型进 行分类，如图12所示，发现特征量的随机数据已明显地聚为三个区域，即可 对于上述三种局部放电类型进行识别，识别结果如表4所示。

表1三种局部放电的特征量集合中各特征量的随机变量的样本平均值 和无偏样本标准差

表2三种局部放电成对中的各特征量的区分度D_ab数值

特征量 沿面-悬浮 悬浮-金属 金属-沿面 V_v1/V_top1.2285 0.6528 1.6987 V_p1/V_top0.1716 1.0149 1.4725 V_v2/V_top1.0082 0.8089 1.6389 V_p2/V_top1.4932 0.7310 0.0697

表3各局放类型对中不同区分度求和组合的数值

表4三种局部放电类型在三层BP神经网络的混淆矩阵中的识别率

由表4可知，采用本发明所述的气体绝缘开关设备绝缘缺陷种类的识别 方法效果较好，能快速准确地识别不同的放电类型。

要注意的是，以上列举的仅为本发明的具体实施例，显然本发明不限于 以上实施例，随之有着许多的类似变化。本领域的技术人员如果从本发明公 开的内容直接导出或联想到的所有变形，均应属于本发明的保护范围。