基于ANFIS的GIS设备局部放电故障辨识

王 姣， 刘利强， 胡凯旋， 吕 超， 王连旌

(1. 内蒙古工业大学电力学院， 内蒙古 呼和浩特 010080； 2. 内蒙古电力科学研究院， 内蒙古 呼和浩特 010020)

基于ANFIS的GIS设备局部放电故障辨识

王 姣1， 刘利强1， 胡凯旋1， 吕 超2， 王连旌1

(1. 内蒙古工业大学电力学院， 内蒙古 呼和浩特 010080； 2. 内蒙古电力科学研究院， 内蒙古 呼和浩特 010020)

为了实现气体绝缘组合电器设备局部放电故障类型的辨识，本文通过分析四种典型绝缘缺陷局部放电时SF6气体分解组分特点，选取四种气体分解物含量比值作为特征向量，阐释了气体含量比值的物理意义，构造了三输入单输出的自适应模糊神经推理系统(ANFIS)，对该模型的有效性进行了测试。测试结果表明局部放电类型的ANFIS辨识系统识别效果好,收敛速度快，且对样本数量要求低。

气体绝缘组合电器； 局部放电； 自适应模糊神经推理系统； 故障辨识

1 引言

气体绝缘组合电器(GIS)是电力系统重要设备之一，通过对GIS的局部放电监测，可以有效发现GIS内存在的绝缘缺陷，避免绝缘事故发生。关于GIS局部放电的检测方法主要有超声波法、超高频法和SF6气体分解物组分检测法等。SF6气体分解物组分检测法具有较强的抗干扰性，纯净的SF6气体化学性能稳定，不易分解，但在局部放电、火花放电、电弧放电和过热等因素作用下会分解[1]，并形成一些稳定的气态衍生物。通过分析其组分特性来诊断SF6气体绝缘电气设备的绝缘状态，已成为本领域研究的热点[2,3]。所以，如何完善SF6气体放电分解反应机理和各种组分检测技术，并形成可靠、稳定的在线检测系统则成为重要的研究方向。

目前，关于局部放电模式识别的方法主要有统计学方法、信号处理方法、图像处理方法、模糊逻辑方法、人工神经网络和专家系统等[4,5]。由于GIS设备局部放电受很多因素的影响，现有的专家知识不能囊括所有情况，因此可以通过神经网络建立判断规则。自适应模糊神经推理系统(ANFIS)将神经网络和模糊技术结合起来，能有效地发挥各自的优势，将模糊数学算法代入神经网络结构中，使其既具有自适应学习能力，又利用模糊规则使神经元权值具有了明确意义，增加了容错性[6]。ANFIS已在自动化技术、计算机软件及应用、电信技术和电力工业等方面得到了广泛应用，在电力工业中多用于变压器[7,8]、电动机和水电机组的故障诊断等，而在GIS及SF6气体分解组分的研究中暂未见报道。本文将具体分析如何将ANFIS与SF6气体分解组分相结合，应用于GIS故障诊断领域。

2 ANFIS特征量的选取

2.1 GIS四种典型绝缘缺陷模型

本文在GIS设备局部放电故障辨识中采用四种典型绝缘缺陷，分别是高压导体突出物缺陷(N类绝缘缺陷)、自由金属微粒缺陷(P类绝缘缺陷)、绝缘子金属污染物缺陷(M类绝缘缺陷)和绝缘子外气隙缺陷(G类绝缘缺陷)。其结构如图1所示，左图为典型缺陷模型，右图为各个缺陷在GIS内部的实时监控画面。

图1 典型缺陷模型Fig.1 Typical defect model

自由金属微粒由5个直径0.3cm的圆铁球与25个直径0.1cm的圆铁球构成，放入一个长3cm、直径2cm的半球形玻璃罩中；高压导体突出物由圆饼(厚0.8cm，直径3cm)、圆柱(柱长0.5cm，直径1cm)与圆锥(锥长1cm，直径1cm)构成；绝缘子金属污染是在直径2.5cm、长7cm的聚四氟乙烯构成的圆柱上用胶水粘铜金属粉末构成；绝缘子外气隙在直径4cm、长6cm的环氧树脂构成的圆柱内有气隙，底端由长1cm、直径1cm的铜圆柱构成。

2.2 SF6气体分解物特征

国内外的大量研究证明[9-13]，在局部放电(PD)作用下SF6气体分解的主要稳定产物有SOF2、SO2F2、SOF4、SO2、CF4、CO2和HF。上述气体中HF是强酸性气体，极易溶于水并与金属发生腐蚀反应，测量结果不能真实地反映其含量；SOF4容易发生水解反应，其含量受微水含量的影响较大，也不能作为局部放电特征量；SO2在局部放电故障初期，含量相对较低，也不适宜选为特征量。综上所述，本文选择SO2F2、SOF2、CF4和CO2作为SF6局部放电类型辨识的特征组分进行检测与辨识。

通过SF6气体分解组分含量来辨识局部放电故障类型，通常有两种选取方法，一是直接选取气体含量作为特征量对故障类型进行辨识，二是仿照变压器油色谱分析，采用c(CF4)/c(CO2)、c(SOF2)/c(SO2F2)、 c(SOF2+SO2F2)/c(CO2+CF4) 三个比值作为辨识特征量。

本文缺陷类型实验数据取自唐炬、孟庆红等人相关研究[14]。四种绝缘缺陷下各种特征组分的含量随时间变化如图2～图5所示，四种绝缘缺陷下各比值随时间变化情况如图6～图8所示。

图2 四种故障类型CF4含量Fig.2 CF4 content of four kinds of fault types

图3 四种故障类型CO2含量Fig.3 CO2 content of four kinds of fault types

图4 四种故障类型SO2F2含量Fig.4 SO2F2 content of four kinds of fault types

图5 四种故障类型SOF2含量Fig.5 SOF2 content of four kinds of fault types

图6 四种故障类型c(SOF2)/c(SO2F2)比值Fig.6 c(SOF2)/c(SO2F2) ratio of four kinds of fault types

图7 四种故障类型c(CF4)/c(CO2)比值Fig.7 c(CF4)/c(CO2) ratio of four kinds of fault types

图8 四种故障类型c(SOF2+SO2F2)/c(CO2 +CF4)比值Fig.8 c(SOF2+SO2F2)/c(CO2 +CF4) ratio of four kinds of fault types

从图2～图5可以看出，四种绝缘缺陷下，SF6气体的分解特性存在一定的差异，可以利用SF6气体分解组分对绝缘缺陷进行识别，但是四条曲线彼此之间均有交叉，不能够很好地区分四种故障类型。

如图6～图8所示，不同绝缘缺陷类型下SF6气体分解组分含量比值的变化是不同的，但其比值会稳定在一个范围内，不同绝缘缺陷下的SF6气体分解组分含量比值具有较大的区分度。如图6中采用c(SOF2)/c(SO2F2)比值可以较好地辨识自由金属微粒故障类型。在此基础上采用c(CF4)/c(CO2)比值可以识别出绝缘子金属污染故障类型(如图7所示)，进一步采用c(SOF2+SO2F2)/c(CO2+CF4)比值可以识别出高压导体突出物故障类型(如图8所示)。

通过对比发现，选择三种气体含量比值可以很好地辨识自由金属微粒、绝缘子金属污染和高压导体突出物故障类型，剩余一种故障类型即为绝缘子外气隙故障类型。可见将三种气体含量比值作为辨识特征量具有可行性。

2.3 气体含量比值物理意义

有文献提出c(SOF2)/c(SO2F2)的值可用来表征局部放电能量的大小，c(CF4)/c(CO2)的值可表征绝缘缺陷的结构，c(SOF2+SO2F2)/c(CO2+CF4)反映绝缘材料和金属材料的劣化程度[15]。本文从另一个角度提出气体含量比值的物理意义。

(1)由于SOF2和SO2F2中的S元素都来自SF6，所以其反映了六氟化硫气体的分解程度。c(SOF2)/c(SO2F2)的物理意义是SF6在放电分解过程中S原子进入SOF2分子与进入SO2F2分子的比值。

虽然四种故障类型S原子进入SOF2分子与进入SO2F2分子没有明显特征，但是其比值却能够反映出不同的故障类型放电情况，而且可以较好地辨识自由金属微粒故障类型。

(2)CF4和CO2中的C元素来自于绝缘物质和金属钢，c(CF4)/c(CO2)的物理意义是GIS局部放电时绝缘物质和金属钢中C原子进入CF4分子与CO2分子的比值。

由于四种故障类型的放电环境、放电量等不同，使得C原子进入CF4和CO2分子的比值能够有效反应出不同绝缘缺陷的特征，同(1)相结合可以有效地区分出绝缘子金属污染故障类型。

(3)c(SOF2+SO2F2)反映六氟化硫气体的分解程度，c(CO2+CF4)反映GIS绝缘及金属的损耗程度。c(SOF2+SO2F2)/c(CO2+CF4)的物理意义为SF6分解时进入SO2F2和SOF2分子的S原子的总和与进入CO2和CF4分子的C原子总和的比值，反应了SF6气体分解程度与绝缘腐蚀程度的比值。

3 ANFIS用于GIS 故障诊断系统

3.1 系统结构

本文提出的用于GIS故障诊断的ANFIS结构如图9所示。输入集为R={c(CF4)/c(CO2)、c(SOF2)/c(SO2F2)、c(SOF2+SO2F2)/c(CO2+CF4)}；第1层为模糊化层，该层选用9个隶属函数，参数通过网络的学习可自动调整；第2层为规则层，该层的每个神经元和Sugeno类型的单个模糊规则相对应，规则神经元从各自的模糊化神经元接收输入，并计算它表示的规则强度，该层使用27个节点，可完全覆盖论域空间；第3层为归一化层，该层每个神经元接收来自规则层的所有神经元输入，并计算给定规则的归一化激活程度；第4层为逆模糊化层，该层每个神经元均连接到各自的归一化神经元上，同时接收初始输入R1、R2、R3；第5层为一个总和神经元，该神经元计算所有逆模糊化神经元输出的总和，并产生最后的ANFIS输出。

图9 用于GIS故障诊断的ANFIS结构图Fig.9 ANFIS structure of fault diagnosis for GIS

3.2 训练算法

ANFIS生成的是Sugeno型模糊推理系统，该系统为多输入单输出系统。输出为1，代表N类绝缘缺陷；输出为2，代表P类绝缘缺陷；输出为3，代表M类绝缘缺陷；输出为4，代表G类绝缘缺陷。

将原始数据划分为4组训练样本和4组测试样本，表1为训练样本。其中，R1、R2、R3为输入变量，分别代表c(CF4)/c(CO2)、c(SOF2)/c(SO2F2)、c(SOF2+SO2F2)/c(CO2+CF4)，Y为输出变量。

表1 气体样本比值Tab.1 Ratio of sample gas

按照设定好的参数进行训练，训练结果如图10所示，训练误差为3.9056e-006，收敛于第50步，且误差曲线平滑性较好。

图10 ANFIS的训练曲线Fig.10 Training results for ANFIS

4 局部放电模式识别结果

测试结果如图11所示。其中·代表期望输出，*代表ANFIS实际输出。从图中可以看出测试数据的输出与期望输出基本吻合，所以此系统有效，即ANFIS模糊神经网络应用于SF6气体分解组分的分析是可行的。

表2 故障类型测试结果Tab.2 Fault type test results

图11 测试结果Fig.11 Test Results

5 结论

本文首次将ANFIS算法用于GIS设备局部放电故障辨识，得出如下结论。

(1)特征量的选取将直接影响辨识的正确率。以SF6气体分解组分含量比值为特征量可以较好地辨识多类故障，并且本文从另一个角度阐述了气体比值的物理意义。

(2)局部放电类型的ANFIS辨识系统识别效果好，收敛速度快，且对样本数量要求低。

[1] 骆立实，姚文军，王军，等 (Luo Lishi, Yao Wenjun, Wang Jun, et al.). 用于GIS局部放电诊断的SF_6分解气体研究 (Research on partial discharge diagnosis of GIS by decomposed gas of SF_6) [J]. 电网技术 (Power System Technology)，2010，34(5)：225-230.

[2] 颜湘莲，王承玉，杨韧，等 (Yan Xianglian, Wang Chengyu, Yang Ren, et al.). 应用SF_6气体分解产物的高压开关设备故障诊断 (Fault diagnosis of high voltage switchgears by decomposition products of SF_6) [J]. 电网技术 (Power System Technology)，2011，35(12)：118-123.

[3] 张晓星，姚尧，唐炬，等 (Zhang Xiaoxing, Yao Yao, Tang Ju, et al.). SF6放电分解气体组分分析现状和发展(Actuality and perspective of proximate analysis of SF6decomposed products under partial discharge) [J]. 高电压技术 (High Voltage Engineering)，2008，34(4)：664-669,747.

[4] Tang J, Liu F, Zhang X, et al. Partial discharge recognition based on SF_6 decomposition products and support vector machine [J]. IET Science, Measurement and Technology, 2012, 6(4): 198-204.

[5] Xiaoxing Zhang, Song Xiao, Na Shu, et al. GIS partial discharge pattern recognition based on the chaos theory [J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2014, 21(2):783-790.

[6] Jyh-Shing Roger Jang. ANFIS: adaptive-network-based fuzzy inference system [J]. IEEE Transactions on Systems, Man and Cybernetics, 1993, 23(3):665-685.

[7] 李延沐，袁鹏，牟磊，等(Li Yanmu, Yuan Peng, Mou Lei, et al.). 基于自适应模糊神经推理系统(ANFIS)的变压器超高频局部放电模式识别(Partial discharge of UHF pattern recognition in transformers using adaptive neuro-fuzzy inference system(ANFIS))[J]. 电工电能新技术(Advanced Technology of Electrical Engineering and Energy)，2005，24(4)：30-33.

[8] 刘炜，苏宏升，曾晓琴 (Liu Wei, Su Hongsheng, Zeng Xiaoqin). 基于改进算法ANFIS的变压器故障诊断(Diagnosis of transformer faults based on improved ANFIS) [J]. 重庆工学院学报(自然科学版) (Chongqing Institute of Technology (Natural Science))，2009，23(4)：107-111.

[9] Martin Y, Li Z, Tsutsumi T, et al. Identification of DC corona generating SF_6 decomposition gases adsorbed on CNT gas sensor using FTIR spectroscopy [A]. TENCON 2010-2010 IEEE Region 10 Conference [C]. 2010. 663-666.

[10] 颜湘莲，王承玉，季严松，等 (Yan Xianglian, Wang Chengyu, Ji Yansong, et al.). 气体绝缘开关设备中SF_6气体分解产物检测与设备故障诊断的研究进展 (Recent progress in detection of SF_6 decomposition products and fault diagnosis for gas insulated switchgears) [J]. 高压电器(High Voltage Apparatus)，2013，49(6)：1-9, 16.

[11] 刘有为，吴立远，弓艳朋 (Liu Youwei, Wu Liyuan, Gong Yanpeng). GIS 设备气体分解物及其影响因素研究(Investigation on SF6decomposition products in GIS and affecting factors) [J]. 电网技术(Power System Technology)，2009，33(5)：58-61.

[12] 齐波, 李成榕, 骆立实, 等 (Qi Bo, Li Chengrong, Luo Lishi, et al.). GIS中局部放电与气体分解产物关系的试验 (Experiment on the correlation between partial discharge and gas decomposition products in GIS) [J]. 高电压技术 (High Voltage Engineering)，2010，36(4)：957-963.

[13] 张晓星，任江波，李毅，等 (Zhang Xiaoxing, Ren Jiang bo, Li Yi，et al.). SF_6分解组分的红外光谱定量测定(SF_6 decomposition components IR measurement and quantify) [J]. 高电压技术 (High Voltage Engineering)，2010，36(3)：584-589.

[14] 唐炬，陈长杰，刘帆，等 (Tang Ju, Chen Changjie, Liu Fan，et al.). 局部放电下SF6分解组分检测与绝缘缺陷编码识别(Detection of constituents from SF6decomposition under partial discharge and recognition of insulation defect coding) [J]. 电网技术 (Power System Technology) 2011, 35(1): 110-116.

[15] 刘帆 (Liu Fan). 局部放电下六氟化硫分解特性与放电类型辨识及影响因素校正 (Decomposition characteristic of SF6 under PD & recognition of PD category and calibration of impact factors) [D]. 重庆: 重庆大学 (Chongqing: Chongqing University)，2013. 51-53.

Fault identification of GIS equipment partial discharge based on ANFIS

WANG Jiao1， LIU Li-qiang1， HU Kai-xuan1， LV Chao2， WANG Lian-jing1

(1. Inner Mongolia University of Technology of Electricity Institute， Hohhot 010080, China;2. Inner Mongolia Electric Power Research Institute， Hohhot 010020, China)

GIS equipment is one of the most important equipment in the power system and is widely used. It is significant to make GIS insulation defect detection regarding to safe and reliable operation of GIS. When GIS insulation defect exists within the device, the internal partial discharge is likely to occur. Partial discharge signal contains a lot of insulation status information, through which its insulating status can be determined. In order to recognize the fault types of partial discharge of gas insulated switchgear equipment, the characteristics of SF6gas decomposition component of four typical insulation defects are analyzed when partial discharge occurs. The content ratio of four gas decomposition is selected as a feature vector, and the physical meaning of gas content ratio is explained. A three-input single output system of ANFIS is constructed, and the effectiveness of the proposed model is tested. Test results show that the characteristics of the partial discharge type of ANFIS recognition system can satisfy the requirements of good recognition, fast convergence and low sample size.

GIS; partial discharge; ANFIS; fault identification

2015-03-31

内蒙古自治区研究生自然科学基金(S20141012805)、 内蒙古自治区自然科学基金(2015MS0543)资助项目

王 姣(1989-)， 女， 内蒙古籍， 硕士研究生， 研究方向为高电压与绝缘技术; 刘利强(1975-)， 男， 内蒙古籍， 副教授， 博士， 研究方向为电工理论与新技术。

TM855

A

1003-3076(2016)04-0075-06