一种识别局部放电类型的新方法
时间：2022-08-05 08:39:55
摘 要：在对高压电力设备进行绝缘状态检测中，局部放电（PD）测量是一种较灵敏的方法。基于脉冲序列的分析，提出了一种识别局放源的新方法。此方法从脉冲序列中提取单个脉冲，并采用互相关技术进行分析，结果显示可以在多重局放源存在的情况下正确识别局放类型。
中图分类号：TM85 文献标识码：B
Abstract：Partial discharge (PD) measurement is a sensitive method for insulation condition monitoring of high-voltage power equipment. Based on an analysis of the pulse sequence, a method for the identification of PD sources is proposed. Individual pulses extracted from the sequences and analyzed using cross-correlation technique indicate that the identification of PD types can be achieved even under conditions of multiple discharge sources.
Keywords：Partial Discharge, condition monitoring, cross correlation, artificial neural network
0 引 言
高压电力设备由于绝缘老化和设计缺陷会造成局部的电气放电，也就是局部放电，这些局部放电最终会导致绝缘破坏。人们多年来一直广泛地研究着由于局部放电所导致的绝缘老化及其累积效应。目前，人们已经意识到，通过分析放电类型，可以得到预测绝缘状态的有效方法[1-14]。
电晕放电、表面放电、间隙放电和树放电等局放电流所产生的瞬态电压脉冲将会沿着绝缘介质传播，并被电力设备一个或几个终端所连接的特殊设计的传感器所记录下来。在一个经典的局部放电模式分析中[5-7]，连续记录的数据从放电大小、放电数量、相位角等角度，以长期活动的形式来进行分析。通常，由绝缘内部的间隙所导致的局部放电发生在交流（AC）零电位交叉点处，而电晕、表面放电所产生的局放脉冲则发生在交流电压峰值附近。另外，任何一种局放类型都可以通过用统计参数所描绘的局放模式[3]或用神经网络的图像处理[4-6]等进行识别。
识别某种特殊类型的局放源是直接与相位分布信息相关的。然而，在许多实际案例中，有可能同时存在多重源。为识别这种情况下的局放类型，有些研究人员提出对局放模型采用小波变换以及在脉冲高度分配上采用韦伯函数等方法[7-9]。
随着高速大容量的数字存储示波器（DSO）的实用，记录以及识别单个局放脉冲的详尽特性成为可能[10-12]。本文提出了一种脉冲分类的方法，识别过程涉及到从已记录的脉冲序列中提取单个脉冲以及脉冲间互相关系数的计算。
1 实验装置与结果
本文研究了三种典型的局部放电，即表面放电、间隙放电及电晕放电。实验装置如图1所示。高压变压器最大输出电压为7kV，通过一个水电阻（200）与被试品相连。与是分压器的两个电阻。Ck是一个高压耦合电容（2000pF）。A、B、C分别是产生表面放电、间隙放电以及电晕放电的电极。是测量阻抗，由一个电感（0.1mH）和电阻（200）并联而成。通过的瞬变电压与实验所用的高压分别连接在DSO的两个通道上。测量所用的最大采样率为5Gs/s，存储容量400kB。DSO被PC上的GPIB卡所控制，PC使用Labview和Visual Basic 6.0。
电极A、B、C产生的局部放电如图2所示。在图2(a)中，一个半球形的电极被封装在两个2mm厚的纤维玻璃绝缘平板中，平板外表面均镀有一层铜以形成两个电极，高电压施加于电极两端产生表面放电。图2(b)显示了一个2m左右，包含三个电缆样品的一端。电缆的两个接地导体（4和5）上连接了一个工业用的高5mm直径5mm的保护气隙，即图中穿过4和5的长方体所示，它由一个空心绝缘管并两个金属帽组成。通过提高导体1的电压，气隙两端电压由于容性电压分配而升高，进而产生气隙放电。为了产生电晕放电，在导体1上连接一个尖金属针，并使其指向导体2的护套方向。当施加高压时，电晕会在针尖端产生。
实验设置可以只连接一个导体产生一种局放，也可以连接多个电极产生多种局放。无论哪种情况下，所施加的交流电压水平为2.4kV，连续时间3小时以产生经过调整的的局放类型。
图3显示了4个交流周期的典型结果。在这种情况下，采样间隔为0.2，每种电极记录25个样品。尽管很容易看出，每种局放类型似乎都证实采用经典图样分析方法观察结所得到的结果，但是在组合放电情况下确定局放类型的困难也是显而易见的。
2 单个脉冲分析
图4显示了在另一场合下采用交流电压叠加所得到的详细的脉冲序列。在这种情况下，1ms可以记录400,000个采样点。如[10-12]中所描述的一样，采用局放分析的经典方法之一就可以检查出序列中的单个脉冲。在本节中，将会描述一种提取单个脉冲的方法，并基于人工神经网络方法提出一种识别局放类型的可行性技术。
2.1 单个脉冲的提取
提取单个脉冲的方法如图5所示。实验装置上的背景噪声大概是0.15V，根据记录的信号显示，一般两个脉冲之间的间隔大于10（如图4所示）。因此，我们选择100ns的窗口（40个采样点），沿着时间轴移动窗口，电压值稍大于0.15V的点A将会作为局放的起始点，略小于0.15V的点B作为其结束点，同时也决定了每个脉冲的峰值及局放发生点的相位。图6显示了提取出的一些典型局放脉冲。
2.2 ANN局放识别
实验结果显示，在稳态条件下，局放脉冲呈现明显特性。脉冲波形取决于特殊的物质条件，如局放发生的几何位置、放电周围的介质以及测量系统等。从图6的实验结果可以看出，表面和电晕放电在电压到达峰值前有一个急剧的上升，而后电压同样迅速下落，之后才以振荡方式缓慢衰退。气隙放电比较典型地展示了负倾角式的放电消散，不包含任何振荡成分。
人工神经网络（ANN）是描绘及学习局放特征的很好的工具[14]，因此，使用[15]中所描述的计算设备，可以开发一种识别脉冲的ANN模型。
在识别过程开始前，脉冲电压值必须进行标准化，使其电压峰值为1.p.u.，如图7所示。对于单个脉冲，其采样点的提取间隔为0.1。在现有的调查研究中，ANN结构由三层包含20个输入3个输出的神经元组成，如图7所示。层与层之间的传递函数分别为“tansig”“tansig”“purelin”[15]。ANN用193个样品进行训练（12个气隙样品，96个电晕样品，85个表面样品）。经过1354次迭代后，误差函数值小于0.001。表1显示了一些识别结果，从中可以看出识别比例比较高。通过不断的学习过程以及采用更多的采样点，其结果是可以进一步改进的。
在多局放源的一个案例中，脉冲序列包含395个脉冲，ANN技术识别结果显示有32个表面脉冲，8个气隙脉冲，252个电晕脉冲以及103个未被识别出的脉冲。
从实验结果可知，ANN经过仔细的训练可以识别出大部分局放序列中的单个脉冲，并分别归类其所属的局放类型。该技术需要用已知的样品进行训练。然而，由于在实际中难以获得足够多的已知样品，难以定义尚待完善的局放类型输出层的未知属性，这种方法的潜在应用仍然受到限制。
3 相关系数方法的局放识别
为克服使用ANN技术遇到的问题，我们提出了另一种方法。从前面的分析已知，每种记录的脉冲都会呈现一些特定的形状和特性。脉冲之间的相似度可以使用互相关系数来量化，其定义如下：
其中， 与 是两个具有n个采样点的脉冲。很明显，
对于一个包含N个这样脉冲的脉冲序列P，易知将会有N(N-1)/2个 ，可以保存在矩阵中，其中k=1,2,…,N(N-1)/2
基于对 的评估，可以描述以下计算步骤来划分脉冲类型：
步骤1：在适当的触发水平条件下，记录K个连续交流周期内的K个局放信号S(1)，S(2)，…，S(K)，如图8所示。
图8 K个交流周期内的K个局放信号
步骤2：使用3.1中所陈述的方法，从记录的信号S(1)中
步骤3：估算互相关系数 。N个脉冲间 的估算如图9所示，规定第i个脉冲与第j个脉冲间的相关系数为，使用指数矩阵M来描述脉冲间的相似性。例如，相关系数大于0.95的两个脉冲可以认为是相关的，如果 ，则设定M(j)=i，否则M(j)=0。如果第j个脉冲的M(j)>0，则可略过随后的系数评估。图9具体阐述了在下列情况下的指数矩阵及其相应的M
图9 及M(j)的评估
步骤4：依照M(j)的值把脉冲进行分类，具有相同M(j)值的脉冲可以认为属于同种类型的放电。
步骤5：对两个线性组合后的脉冲进行评估。
在有些情况下，一个局放信号可以是两种类型局放信号的叠加（如图6所示），叠加后的脉冲是两个已知放电类型的组合，它们可以从脉冲序列中识别出来并予以消除。
假定两个已知脉冲 、 ，分别有n个采样点，测量的组合脉冲是 ，它是 与 的线性组合，方程式如下所示：
（2） 其中， 与 是两个因子，i与j是横向时间移位。
求取方程(3)中函数F的极小值，可以得到由公式(4)、(5)确定的 、 ：
（5）
将 、 及已知的脉冲 、 代回公式(2)中，就可以得到 的合适脉冲。估算 与所测量的重叠脉冲之间的互相关系数，如果 满足脉冲相关的条件，那么测量脉冲可以当做是两个已知的原始脉冲 与 的线性叠加，否则就是另一种类型的脉冲。
步骤6：把所有已经分类的脉冲保存在数据矩阵DP(1)中，DP(1)可以被称为一个简化的脉冲序列，因为它的任意两个脉冲之间都是不相关的。
步骤7：对于剩下的信号S(2)，S(3)，…，S(K)，重复步骤(1)~步骤(5)，提取出脉冲序列P(2)，P(3)，…，P(K)，进而确定出简化的脉冲序列DP(2)，DP(3)，…，DP(K)。
步骤8：在K个简化的脉冲序列DP(2)，DP(3)，…，DP(K)中，估算互相关系数，得到一个新的指数矩阵MP。
步骤9：根据指数矩阵MP的值对脉冲进行分类，具有相同MP值的脉冲划分到相同的组。如果MP显示一个脉冲出现了至少K次，则意味着这种局放类型的脉冲在K个交流周期内一直存在着，可以把它当做处于主导地位的局放类型，否则当做干扰脉冲。
4 案例研究
在本节中，将会给出几个典型的例子来阐述前面章节中所提出的过程。在每个案例中，检查10个交流周期内的10种局放信号：(1)表面放电；(2)气隙放电；(3)电晕放电；(4)气隙放电与表面放电的组合；(5)气隙放电与电晕放电的组合；(6)电晕放电与表面放电的组合；(7)电晕放电、表面放电与气隙放电的组合。所有的局放信号都是正向电压，通过在交流电压的负半轴触发DSO来进行记录。
4.1 相关系数
每种类型局放脉冲的互相关系数如图10所示，横坐标为互相关个数k，纵坐标为。表面、气隙、电晕放电脉冲分别从5、10、5个局放信号中提取。从图中可以看出，表面放电的互相关系数变化范围是0.6~1，气隙放电为0.94~1，电晕放电为0.8~1。通过观测得知，气隙放电与电晕放电能得到比较好的相关系数，相关系数低意味着由于放电的无规则性导致相同局放源产生的某些脉冲间相似度较低。
c) 78个电晕脉冲及其相关系数
图10 局放脉冲及其相关系数
4.2 组合脉冲的评估
由气隙放电与电晕放电同时发生所产生的组合脉冲的案例如图11所示。在本例中使用第4部分步骤5所描述的方法，可以看出 ， ，相关系数 。因此组合脉冲可以看作是气隙与电晕两个原始脉冲的线性叠加。
通过从10个交流周期中得到的局放脉冲的相关分析，应用第5部分提出的7组数据，最终的识别结果如表2所示。
每个案例中指数矩阵MP的5个最大值按降序排列，根据步骤9规定的标准，使用MP来识别局放类型个数。例如，在最后一个案例中，有3个数大于或等于10（交流周期数），即可推断出有三种局放源。在案例1~3中识别的局放类型已知分别为表面、气隙及电晕放电，在表2中被称为局放类型A、B和C。剩下的4种局放组合形成的特殊的局放类型可以通过研究前3个案例中的脉冲相关性来进一步确认，具体如表中所示。
从表2可知，7种案例均被正确识别。
5 结论
本文的研究工作主要集中于对脉冲序列进行分析，使用两种技术来识别脉冲：ANN技术及互相关技术。从实验结果可以得到如下结论：
（1）经过充分的训练后，ANN技术可以用来识别局放序列中的局放类型。唯一的问题是在实际案例中很难获得足够多的已知样品对ANN进行训练。
（2）在互相关技术中，脉冲能被自动识别并归类到合适的组中。此外，这种技术可以预测新的局放源，它们可能会在操作过程中的设备上呈现。互相关技术不需要任何既往史。
关于各种局放类型的单个脉冲的相关特性，寄希望于进一步的实验结果来进行研究。
参考文献:
[1] Lutz Niemeyer. A Generalized Approach to Partial Discharge Modeling. IEEE Transactions on Dielectrics and Electrical Insulation, Vol.2, No.4, Aug., 1995, pp510-527.
[2] C. Heitz. Physical Modeling and Mathematical Description of PD Process with Application to PRPD Pattern. High Voltage Engineering Symposium, 22-27 August 1999, 5.356.P5.
[3] T. Tanaka. Partial Discharge Pulse Distribution Pattern Analysis. IEE Proc.-Sci. Meas. Tech., Vol.142, No.1, January 1995, pp.46-50.
[4] A. Krivda and D. Birtwhistle. Recognition of Multiple Partial Discharge Patterns. High Voltage Engineering Symposium, 22-27 August 1999.
[5] Christian Cachin and Hans Jurg Wiesmann. PD Recognition with Knowledge-based Processing and Neural Networks. IEEE Transactions on Dielectrics and Electrical Insulation, Vol.2, No.4, August 1995, pp.578-588.
[6] L. Satish and W. S. Zaengl. Artificial Neural Networks for Recognition of 3-D Partial Discharge Patterns. IEEE Transactions on Dielectrics and Electrical Insulation, Vol.1, No.2, April 1994, pp.265-273.
[7] M. Cacciari, A. Contin, G. Mazzanti. Identification and Separation of Two Concurrent Partial Discharge Phenomena. Conference on Electrical Insulation and Dielectric Phenomena, 1996 IEEE Annual Report, San Francisco, October 20-23, 1996.
[8] June Ho Lee and Doo Sung Shin. Analysis of Partial Discharge Signals from Multi- defect Insulating Systems. Proceedings of the 5th International Conference on Properties and Applications of Dielectric Materials, May 25-30, 1997, Seoul, Korea.
[9] E.M. Lalitha and L. Satish. Wavelet Analysis for Classification of Multi-source PD Patterns. IEEE Transactions on Dielectrics and Electrical Insulation, Vol.7, No.1, February 2000, pp.40-47
[10] M. Hoof and R. Patsch. Analyzing Partial Discharge Pulse Sequences A New Approach to Investigate Degration Phenomena. IEEE International Symposium on Electrical Insulation, Pittsburgh, PA USA, June 5-8, 1994, pp.327-331.
[11] Zheng Zhong and Tan Kexing. Partial Discharge Recognition Based on Pulse Waveform Using Time Domain Data Compression Method. Proceedings of The 6th International Conference on Properties and Applications of Dielectric Materials, June 21-26, 2000, Xi’an, China, pp.483-486.
[12] G. C. Montanari, A. Contin, A. Cavallini. Random sampling and Data Processing for PD-pulse Height and Shape Analysis. IEEE Transactions on Dielectrics and Electrical Insulation, Vol.7, No.1, February 2000, pp.30-39.
[13] E. Gulski and F. H. Kreuger. Computer-aided Recognition of Discharge Sources. IEEE Transactions on Electrical Insulation, Vol.27, No.1, February 1992, pp.82-92.
[14] H. G. Kranz. Fundamentals in Computer Aided PD Processing, PD Pattern Recognition and Automated Diagnosis in GIS. IEEE Transactions on Dielectrics and Electrical Insulation, Vol.7, No.1, February 2000, pp.12-20.
[15] Haward Demuth and Mark Beale. Neural Network Toolbox User’s Guide - For Use with MATLAB. The Math Works Inc., 24 Prime Park Way, Natick, MA 01760-1500.
