基于GK 模糊聚类的电力系统内部绝缘缺陷智能识别

池震霆

（南京工程学院离退休工作处，江苏南京 211167）

导致电力系统崩溃的原因有很多，电力系统内部绝缘缺陷就是其中一种，电力系统在正常工作中[1]，由于各种因素的作用，往往存在两种内部绝缘缺陷，一种是范围较小但是危害比较大的集中性缺陷，这种类型的缺陷在高电压、强电场的作用下，发展比较快，会使缺陷范围逐渐扩大，造成设备绝缘事故；另一种缺陷是范围比较广的分布性缺陷，往往是由于密封不好导致绝缘受潮、污染、介质老化、整体绝缘性能下降、电阻减小、损耗增大，进一步加速老化、缩短绝缘寿命[2-4]。在这种情况下，电力系统内部绝缘缺陷智能识别方法得到了深入地研究与发展。

现阶段，国内外市场上有很多专门用于识别电力系统内部绝缘缺陷的方法，如基于可闻声波分析的智能识别方法可以很好地对电力系统内部绝缘缺陷问题进行精确的识别；基于频域热特征成像的复合绝缘子缺陷检测方法可以采集其表面动态变化温度分布，利用离散傅里叶变换分析其表面温度变化信息的频域特征，具备非接触测量、检测速度快、结果形象直观的特点。

但是这些识别方法的缺点也很明显，在现阶段随着电力系统使用范围的扩大，电力数据呈爆炸性增长，识别方法受到数据集合体积限制，扰动识别能力比较差，识别前后对系统负荷影响比较大，识别方法的整体适应能力需要提高[5-7]。因此，设计基于GK模糊聚类的电力系统内部绝缘缺陷智能识别方法，其创新之处在于采用GK 模糊聚类算法对提取的特征进行处理，形成不同层次的特征向量。利用特征向量构造层次分类树，对每个节点的特征向量进行分层识别，实现对电力系统内部绝缘缺陷的识别。

1 基于GK模糊聚类的电力系统内部绝缘缺陷智能识别方法设计

1.1 提取不同缺陷的特征

在电力系统内部绝缘缺陷智能识别中，首先对发生故障的位置进行初步分析，确定故障监测点，保证识别数据的有效性、准确性。

对于电力系统内部绝缘缺陷中的集中性缺陷，通过PD Locator（PDL1）设备定位缺陷位置，通过研究发现，该设备对集中性缺陷定位相对准确，将定位结果在示波器中显示出来，便于识别缺陷位置[8]。通过示波器显示的波形可知，当PDL1 的触发阈值高于背景值时，绝缘缺陷的位置在工频电压的正、负半轴均有放电的现象，同时集中在波峰附近，并且显示出负半轴放电次数多于正半轴的放电次数。由于绝缘缺陷导致的放电现象属于不均匀场的放电，因此具有明显的极性效应，正空间电荷的电场与正极尖的电场方向相反，导致其合成电场强度减弱[9-11]。合成电场的变化过程如图1 所示。

图1 正空间电荷的电场与正极尖、负极尖的合成电场

将合成电场的变化作为集中性缺陷的特征。对于分布性缺陷，可以采用同样的方法提取出电力系统内部绝缘缺陷特征，用于后续智能识别中。

1.2 聚类特征数据

提取的数据均处于同一存储空间，在智能识别之前，使用GK 模糊聚类算法度量特征数据的分散程度，从而进行有效分类。假设特征数据的聚类中心向量是Q=[q1,q2,…,qn]T，其中n表示聚类数目，隶属度矩阵为，m表示样本数目，u和v表示数据点位置[12]。在实际聚类中，隶属度矩阵满足以下条件：

GK 模糊聚类在识别中的性质指标为：

式中，i表示描述聚类模糊程度的模糊指数参数，在识别中该值为2，X=(x1,x2,…,xm)是一组数据序列，表示平方内积范数，是任一数据点xv到聚类中心qu的距离[13]，计算公式为：

式中，Bu表示正定对称矩阵，主要由聚类协方差矩阵决定[14]。计算公式为：

利用拉格朗日乘法优化式（2），使其满足极小值的(W,Q)条件：

实际处理过程中，在各个参数满足式（1）条件后，设置迭代次数为d=1,2,3,…，根据式（6）更新聚类中心qu，计算模糊协方差矩阵Eu：

将Eu代入式（4）中，更新模糊划分矩阵W，如果计算满足，则终止运算，α表示人为设置的任意正数，如果不满足上述条件，则设置迭代次数为d=d+1，重新更新聚类中心，重复计算过程，直到满足条件，输出结果，将输出结果作为识别的输入。

1.3 智能识别绝缘缺陷

电力系统内部绝缘缺陷产生的特征信号是非平稳信号，以特征向量作为识别的输入量，将聚类结果逐步分层细化，构成分层模块的特征成分，形成绝缘缺陷识别的模块层次结构。绝缘缺陷层次分类树如图2 所示。

图2 绝缘缺陷层次分类树

图2为8种电力系统内部绝缘缺陷的分类树，节点表示分级层次，根节点包括所有绝缘缺陷特征向量集合[15-16]。分类树针对所有绝缘缺陷之间的内在联系，建立分类树，根据分类树包含的缺陷总体结构和分层架构进行逐级分类，形成分类树结构。在分类树的每个节点上，识别该节点绝缘缺陷的特征向量，遍历分类树上的所有层次和节点，最终达到电力系统内部绝缘缺陷智能识别的目的。至此，完成了基于GK 模糊聚类的电力系统内部绝缘缺陷智能识别方法设计。

2 电力系统内部绝缘缺陷智能识别方法实验研究

2.1 实验数据准备

利用潮流分析工具模拟实际电网某月运行方式数据，以此作为电力系统内部绝缘缺陷智能识别方法实验研究的基础运行点。利用VSAT 进行仿真，通过改变电力系统传输功率，保证电网全网负荷功率因数不变，使其初始有功输出达到5 000 MW，系统中的各节点按相同比例增加负荷，模拟出7 种不同类型的特征向量矩阵作为实验数据样本，将其标准化后使用不同智能识别方法识别模拟的特征向量矩阵，并进行对比实验。模拟数据VSTA柱状图如图3所示。

图3 VSTA柱状图

在以上准备中，使用的实际电网结构如图4所示。

图4 电网结构图

从以上内容简单分析可知，220 节点处于电网末端，是单线直馈供电，发电机容量比较小，是薄弱区域；204、208 等节点负荷相对过重，容易出现电压对无功不敏感的现象，容易发生电压失稳现象，该区域是次薄弱区域。

在以上实验环境下，使用不同的电力系统内部绝缘缺陷智能识别方法进行识别，根据识别的特点和流程，设计扰动识别实验和稳定性实验，完成实验后，结合两组实验结果分析不同的智能识别方法。

2.2 扰动识别实验及分析

实验中使用的智能识别方法分别是基于可闻声波分析的智能识别方法（方法1）、基于频域热特征成像的复合绝缘子缺陷检测方法（方法2）以及方法3，分别对7种不同类型扰动特征向量矩阵进行识别，使用第三方软件输出实验结果，具体结果如图5所示。

图5 不同智能识别方法的扰动识别实验结果

如图5 所示，以7 种扰动类型为中心的数据分布情况。从整体观察图中结果可以看出，使用智能方法对数据样本进行处理分析后，形成了7 个数据中心，其中图5（a）和图5（b）中的结果显示，7 个分布在同一空间中的数据中心周围扰动数据存在交叉混叠现象；而图5（c）中结果显示，7 个数据中心周围的扰动数据没有发生交叉混叠的现象，有利于对数据大小、密度的识别与分析。综上所述，设计的基于GK模糊聚类的电力系统内部绝缘缺陷智能识别方法在扰动环境下识别能力更强。

2.3 稳定性实验及分析

依据实验准备某实际电网，在内部绝缘缺陷条件下使用不同智能识别方法识别电力系统中的绝缘缺陷，计算识别前负荷量、识别后负荷量，根据计算结果对比不同的智能识别方法，分析识别方法的稳定性。计算结果如表1 所示。

表1 不同智能识别方法负荷计算结果

对比观察报表中不同智能识别方法的负荷计算结果，从中可以看出，不管是哪一种识别方法在识别前后对电力系统的负荷均产生影响，其中传统的方法1 和方法2 在识别前后负荷比较差，相差两倍以上；文中设计的方法3 识别前后的负荷变化极小，基本可以忽略。再结合扰动实验结果可知，设计的基于GK 模糊聚类的电力系统内部绝缘缺陷智能识别方法扰动识别能力强，给电力系统带来的负荷小，该智能识别方法在不同环境中的适应能力更强。

3 结束语

在详细分析国内外有关电力系统内部绝缘缺陷识别的基础上，设计了基于GK 模糊聚类的电力系统内部绝缘缺陷智能识别方法，利用GK 模糊聚类算法的优势解决传统识别方法的问题。设计完成后，通过对比实验验证了智能识别方法的可行性。

但是研究过程中，由于实测数据有限，相关数据不完整，因此，在未来研究中，需要获取更多的实测数据，进一步开展电力系统内部绝缘缺陷的识别工作，为保障电力系统的正常运行做出贡献。