电力变压器局部放电UHF诊断系统

何金武，徐 源

(四川省电力公司绵阳电业局，四川 绵阳 621000)

徐源(1973- )，男(汉族)，四川达州人，工程师，学士，研究方向：高电压技术运用。

电力变压器局部放电UHF诊断系统

何金武，徐 源

(四川省电力公司绵阳电业局，四川 绵阳 621000)

针对变压器内部常见绝缘缺陷，设计了尖刺、悬浮微粒、沿面、固体气隙等4种缺陷模型，利用超高频法获取了放电谱图。通过统计理论计算了PD超高频信号三维谱图的统计特征，以BP神经网络作为分类器，对所获得的PD信号进行了识别，取得了良好的效果，为开发变压器局部放电在线或离线分析系统奠定计算基础。

局部放电；超高频；绝缘缺陷判别；特征提取；神经网络

局部放电(partial discharge,PD)是引起电力变压器绝缘劣化和突发性故障的重要因素，PD检测对电力变压器设备自身及电力系统的运行安全至关重要。在变压器局部放电的诸多检测手段中，超高频法因其检测频段高，可以有效地避开电晕、开关操作等多种电气干扰，且安全性好等优点，在国内外得到了广泛应用。

基于时间(Time Resolved Partial Discharge，TRPD)和基于相位(Phase Resolved Partial Discharge，PRPD)的分析模式，是目前应用于PD分析的主要方法，前者主要考察单次脉冲信号的幅值和信号能量随时间和频率的变化关系，但由于PD自身具有很强的随机性，给TRPD模式的应用带来了很大的局限。目前，工程中主要用其来检测设备中是否存在局部放电[1]；而后者主要基于局部放电的极性差异，通过观察放电次数和放电幅值随着工频相位的分布差异来分析相应的绝缘缺陷。2种信号分析模式都能为诊断PD提供非常有效的信息，而后者对PD故障诊断更具实用意义。

图1 试验及检测回路示意图

研究表明：变压器内部不同的缺陷类型，对变压器的危害程度不一，通过对变压器内部绝缘缺陷的判别，能为评估其绝缘状态提供重要信息[2-4]。但由于现场测试人员对电力变压器内各种绝缘缺陷的PD现象特征了解不够，难以对检测出来的PD信号做进一步分析。同时，现场运行的变压器中UHF信号的传输与检测亦对判别过程有着很大影响[5-7]，因此对各种典型缺陷的PD特征分析以获取对判别分类器贡献大且稳定性好的特征，在变压器PD判别过程中突显重要。本文通过试验设置4种典型的绝缘缺陷，分析了相应缺陷下PD的谱图特征，并根据这些特征差异，提出了一系列对应的特征提取方法，最终通过BPNN建立了智能化的PD判别系统，为研发变压器内部PD在线或离线分析系统作算法和仿真计算方面的基础准备。

1 试验设置

试验接线原理图如图1所示。其中：T1为感应调压器，输入电压0～380 V，额定容量1 000 VA；T2为试验变压器；C1/C2为电容分压器；R为保护电阻，50 kΩ；A为超高频传感器，天线带宽为300 MHz～3 GHz；采用高速数字存储示波器采集数据，其模拟带宽为1 GHz，单通道采样频率为20 GHz。

为了获得变压器绝缘缺陷局部放电信号，设计了4种典型的变压器绝缘缺陷模型：悬浮微粒、沿面、固体绝缘内部气隙、尖刺放电，各缺陷的设计参数及所采集的UHF信号分别如图2、图3所示。

2 试验过程与结果

(a)悬浮微粒放电(b)沿面放电(c)内部气隙放电(d)油中尖刺放电

图2变压器典型绝缘缺陷模型

(a)悬浮微粒TRPD信号(b)沿面放电TRPD信号(c)内部气隙放电TRPD信号(d)尖刺放电TRPD信号

图3典型缺陷下UHF PD信号

试验中，首先检测未放置任何缺陷下，试验装置的起始放电电压，保证整个试验过程中试品上所加电压低于此值；其次通过逐步升压法[5]采集起始放电阶段、放电稳定阶段、临近击穿或闪络阶段的局部放电信号。以50个工频周期(1 s)为一个数据样本，示波器的采样率为50 MS/s，并对采集的数据进行了2778∶1的重采样，即每20 ms采集360个数据点。选取典型的三维谱图如图4所示。

(a)悬浮微粒放电PD图谱(b)沿面放电PD图谱(c)固体气隙放电PD图谱(d)尖刺放电PD图谱

图4 4种典型绝缘缺陷下PD谱图

图中：pk表示峰值，“+”、“-”分别表示工频相位的正负半周，由图2中各种典型缺陷下获得的图谱知：

1) 悬浮微粒放电：整个工频周期内，放电次数和幅值分布具有很强的分散性和随机性，放电无明显的极性效应。随电压升高放电信号幅值增大、放电次数增多，而谱图形状基本不变。

2) 沿面放电：正负半周的信号幅值相差不大，正负半周的放电都出现在电压峰值附近，随着电压的升高，放电次数增多，信号幅值变化不明显。

3)固体绝缘内部气隙放电：正负半周的放电几乎同时产生，放电比较稳定，谱图形状也比较相似。随电压的升高放电增强，脉冲幅值相应增大，但其分布轮廓几乎不变。

4)尖刺放电：放电首先出现在工频负半周峰值附近，正半周无放电；随着电压的升高，正半周开始出现少而幅值大的放电；再次升高电压，正负半周的放电次数都有所增加，但正半周放电次数仍少于负半周，UHF信号平均幅值高于负半周。

3 特征计算

由于实际运行的变压器中，放电源与超高频检测点的位置关系对所检测到的信号的幅值有很大影响，另外，由于所设计的超高频传感器的方向性以及变压器绝缘的材料结构等的影响，使得超高频信号的绝对幅值很难直接应用于变压器运行状态的评估，因此，本文在特征提取工作中，为了削弱上述因素的影响，主要根据谱图的形状及分布的统计特征参数判别4种典型缺陷。所计算的特征参数如下：

(1)

(2)

(3)

(4)

其中：xi为分布横坐标的离散值；N为放电数目；μ为样本均值；σ为标准差；pi为xi出现的概率。

4 BP神经网络判别

BP神经网络[8](back propagation artificial neural network，BPNN)是一种典型的多层前馈网络，由输入层、隐含层和输出层构成，层与层之间多为全部连接，同层的单元之间相互独立。BPNN的基本思想是通过网络输出误差的反向传播训练网络，不断调整网络的连接权值，从而使网络最终的输出误差达到最小。因此，BPNN具有很好的非线性逼近和分类能力。

本文通过试验，共采集4种缺陷下PD样本318个，其中固体绝缘内部气隙放电样本80组、尖刺放电样本80组、悬浮微粒放电样本88组、沿面放电样本70组。随机选取其中一半作为训练样本，另外一半作为测试样本。

(5)

表1 神经网络输出编码

表2 4种缺陷判别结果

式中：y为x归一化后的输出值，ymax、ymin为归一化期望输出的最大最小值，本文分别取+1、-1，x表示当前集数据值，xmax、xmin分别表示整体样本中的最大、最小值。

应用Matlab设计了BP神经网络，网络的结构NN (15，18，4)，即：输入层设为15个结点对应于15个特征量；隐含层为1层，18个隐含层结点，隐含层传递函数为Sigmoid型，输出层设有4个结点，相应的编码见表1。

设置神经网络的学习速率net.trainParam.lr为 0.01，BPNN判别结果如表2所示，计算得出对实验产生的样本整体的准确率达到98.77%，其中固体气隙放电和沿面放电出现了误判，主要是因为这两类稳定放电时所产生的谱图特征稍许相似的缘故。由于设计的缺陷比较典型，然而实际运行的设备中的缺陷并非如此标准，因此文中的识别准确率只能用于验证采用的特征提取和缺陷判别方法的可行性。在实际软件开发过程中，真实可靠的数据库对于系统检测和分析的效果是至关重要的。

5 结语

利用试验模拟变压器典型的绝缘缺陷，建立图谱数据库，分析了各种典型缺陷下的放电特征。通过观察所采集的图谱分布特点，提出采用偏斜度、陡峭度、互相关系数等统计参数为判别特征量，建立了BP神经网络PD判别系统。以所提取的特征，对所模拟的变压器典型绝缘缺陷进行测试，取得了较好的结果，验证了以此方法设计变压器内部PD判别系统的可行性。

[1 ] 赵煦,孟永鹏,成永红,等.变压器现场超高频局部放电信号的时域特征分析 [J].西安交通大学学报,2011,45(12):82-87.

[2 ] 汪可,杨丽君,廖瑞金,等.基于离散隐式马尔科夫模型的局部放电模式识别 [J].电工技术学报,2011,26(8):205-212.

[3 ] 赵晓辉,路秀丽,杨景刚,等.超高频方法在变压器局部放电检测中的应用 [J].高电压技术,2007,33(8):111-114.

[4 ] 沈煜,阮羚,谢齐家,等.采用甚宽带脉冲电流法的变压器局部放电检测技术现场应用 [J].高电压技术,2011,37(4):937-943.

[5 ] 常文治,唐志国,李成榕,等.变压器局部放电UHF 信号传播特性的仿真分析 [J].高电压技术,2009,35(7):1629-1635.

[6 ] 王颂,赵晓辉,方晓明,等.变压器局部放电超高频信号的外部检测 [J].高电压技术,2007,33(8):88-91.

[7 ] 高红武,李剑,程昌奎,等.油纸屏障对变压器局部放电超高频检测信号的影响 [J].高压电器,2009,45(4):118-121.

[8 ] 周天春,杨丽君,廖瑞金,等. 基于局部放电因子向量和BP 神经网络的油纸绝缘老化状况诊断 [J ].电工技术学报,2010,25(10):18-23.

PartialDischargeRecognitionforPowerTransformersBasedonUHF

HEJinwu,XUYuan

(Sichuan Electric Power Corporation Mianyang Branch, Mianyang 621000, China)

Partial discharge is an important feature of the characterization of transformer insulating state, but it also causes further deterioration of insulation. According to typical internal insulation defects, four kinds of defect modeles are designed, including Corona, suspended particulates, surface discharge and air gap in solid insulating material, the discharge spectra is obtained by UHF method. Features of discharge spectra are calculated by statistical theory, and with a BP neural network classifier to recognize PD signal, good result is achieved..

partial discharge(PD); ultra frequency(UHF); typical insulation defect; feature extraction; neural network

2013-05-15

何金武(1967- )，男(汉族)，四川绵阳人，高级工程师，学士，研究方向：高电压技术运用。

TM855

A

2095-5383(2013)02-0050-03