基于多传感器的1000kv 气体绝缘组合电器局部放电在线检测技术

马延柯 程伟然

（河南平高电气股份有限公司，河南 平顶山 467000）

局部放电是气体绝缘组合电器的一类常见故障，根据故障原因的不同，又可分为电晕放电、自由微粒放电等若干种类型。局部放电故障除了会造成设备自身的损坏，还有可能影响到整个电网的正常运行，因此做好局部放电的在线检测与故障类型的准确识别尤为重要。传统的1000kV气体绝缘组合电器局部放电检测还是以单一类型的传感器为核心，由于采集到的信息具有局限性，因此检测结果的精确性并不高，漏报、误报的情况时有发生。在这一背景下，探究基于多传感器信息融合的局部放电在线检测技术，对确保1000kV 气体绝缘组合电器的可靠运行有积极帮助。

1 气体绝缘组合电器（GIS）局部放电检测技术

1.1 超声波局部放电检测

组合电器在出现局部放电故障时，同时也会产生纵波、横波、表面波等不同形式的声波。利用超声波传感器采集声波信号，然后由工控机进行分析，即可检测到组合电器的局部放电故障。基于超声波的局部放电在线检测流程如图1 所示。

图1 超声波在线检测系统原理图

在技术的实际应用中，通常会设置两个或多个超声传感器，将其放置在不同的位置。然后利用多个传感器接收同一放电声波的时间差异，对局部放电故障进行空间定位。其中，超声传感器与放电源距离（S）之间的关系为：

式中t 表示局部放电处声波传导超声传感器的时间，单位为s；C 表示组合电器上横波的传播速度，单位为m/s。这样就可以根据多个超声传感器分别计算得到S1、S2…Sn，综合分析判断故障点位。

1.2 超高频局部放电检测

当气体绝缘组合电器出现局部放电故障时，在故障部位会出现明显的电荷转移现象，并形成毫秒级的电流脉冲以及多种频率的电磁信号。利用超高频法可以检测到100-5000MHz 频段的电磁信号，进而实现对局部放电的在线检测。该检测技术中有以下几个核心指标：第一是驻波比（VSWR），用于表示天线与馈线的匹配情况，计算方法为：

上式中 Γ表示反射系数，用于衡量反射损耗的大小，与天线的总阻抗有关。驻波比越大，表明天线与馈线的匹配越好，超高频传感器对外界电磁干扰的屏蔽效果越高，从而使检测结果越精确。第二是增益，天线增益越强，检测范围越大，其计算公式如下：

式（3）中Pt 和Pr 分别表示天线的发射与接收功率，L1和L2分别表示发射端与接收端的损耗，L0为波长。

1.3 基于多传感器信息融合的局部放电在线检测

单一使用超声波传感器或超高频传感器进行局部放电在线监测，具有容易受到电气或电磁干扰、检测结果精确性不高等缺陷，特别是对于局部间歇性放电经常会出现无法识别的情况。多传感器信息融合是使用多种类型、两个及以上的传感器，并将每1 台传感器采集到的数据进行合并、分析，能够自动修正数据误差、提高检测精度的一种技术。其信息融合流程为：首先将前端传感器采集到的模拟信号（如振动、温度等）加以转换，得到对应的数字信号。再对数字信号做降噪、放大等预处理，最后将处理完毕的数据传输至计算机完成信息融合与特征提取，得到最终的局部放电故障检测结果。

2 1000kV 气体绝缘组合电器局部放电检测模型试验

2.1 局部放电模拟试验平台的搭建

某特高压变电站1000kV 气体绝缘组合电器的局部放电在线监测装置存在误报、漏报情况，为查明其原因搭建了气体绝缘组合电器高压试验平台。该平台的核心设备包括局放仪、示波器、UHF 放大器、UHF 检测分析仪、调压器、限流滤波阻抗等，结构组成如图2 所示。

图2 试验模型及测试系统的电路结构

2.2 气体绝缘组合电器局部放电故障缺陷模型

在构建的气体绝缘组合电器模型中，人为设置4 种常见的绝缘缺陷，具体如下：第一种是在导电杆上缠绕数圈细铜丝，模拟金属尖端突出物缺陷；第二种是剪下一段长度5cm 左右的透明胶带，粘上一条直径为0.3mm、长度为2cm 的铜丝，然后将透明胶带粘在绝缘子表面，用于模拟附着物缺陷；第三种是选择一个环氧树脂绝缘板，使用电钻从一端钻孔，孔深约为6-8cm，再用树脂胶将孔口堵住，使内部中空，模拟绝缘子气隙缺陷；第四种是在气体绝缘组合电器内壳表面放置2mm×2mm的若干薄铝片，模拟微粒缺陷。

2.3 气体绝缘组合电器局部放电缺陷的特性分析

将人为设置了不同缺陷的气体绝缘组合电器模型放入到上文设计的试验平台中。首先对该模型做清洁处理，并抽取空气使之真空。然后用氮气清洗，并冲入0.5MPa 的SF6气体。静置约30min 后，利用升压器提高试验电压，并密切观察此时示波器中的信号及波形。

在超声波检测法中，绝缘子气隙缺陷灰度图中，在相位的正半周与负半周上均表现出放电现象。绝缘子附着污染物缺陷灰度图中，放电特点不明显。自由金属微粒灰度图中，放电次数明显集中，并且正半周和负半周均发现了放电现象。金属突出物缺陷灰度图中，负半周的120-180°放电明显。

在超高频检测法中，绝缘子气隙缺陷的工频相位上，正半周和负半周均出现了少量放电现象，并且随着电压的升高，放电次数也有增加的趋势。绝缘子表面附着物缺陷上，只在负半周附近有少量放电现象。金属物突出缺陷方面，放电现象集中在工频正负半周的峰值处。自由金属微粒缺陷方面，工频周期内放电次数无明显规律。根据上述试验结果，认为该1000kV 气体绝缘组合电器局部放电检测装置误报、漏报的原因为：（1）超高频检测方法下，由于绝缘子气隙和表面附着物缺陷的图谱特征具有极高的相似性，导致检测时容易出现混淆、误判的情况。（2）在超声波检测方法中，故障气室内有明显的放电现象，并且放电较为强烈，对声波传播造成了干扰，导致局部放电检测时容易出现检测结果不准确的情况。

3 多传感信息融合检测系统的局部放电定位

3.1 选择符合系统需求的神经网络模型

气体绝缘组合电器局部放电在线检测分为两个基本步骤：第一是运用TDOA 定位算法，确定出局部放电故障的大体发生位置；然后再运用DS 证据理论决策级融合；第二是将初步检测结果与SF6气体分解物组分检测结果进行二级融合，最终实现故障的精确定位。在局部放电故障定位时，选择合适的数学模型对提高定位结果的精度和故障识别的速率有直接影响。本文选择BP 神经网络模型，整个网络拓扑结构可分为3 层：

输入层有3 个节点，表示3 个超声波传感器与超高频传感器接收局部放电信号时的时间差。

隐含层共有18 个节点，神经元函数选择双极性S 型函数，其公式为：

输出层共有3 个节点，为最终定位目标的空间坐标。

3.2 训练网络模型

对选定的基于BP 神经网络的局部放电定位模型进行样本训练，通过深度学习提高其检测结果的精确性，该模型的训练流程如图3 所示。

图3 训练网络模型的算法流程

本文选择Matlab7.3 中自带的神经网络工具箱进行定位仿真。首先确定训练函数，该函数可从Matlab7.3 软件的函数库中选择，函数名为traingdx，格式为：

[net,TR，AC,E1] =traingdx (net,Pd,T1,Ai,Q,TS,VV,TV)

inf 0=traingdx(code)

随机选出50 组数据作为样本，用于该模型的训练。为提高定位仿真结果的精度，对每一组数据分别进行3 次仿真，然后以仿真次数做x 轴、以误差值做y 轴，绘制训练误差变化曲线。如果该曲线最后的误差稳定在10-3以下，即精度达到0.001，说明定位仿真精度满足要求。

3.3 基于DS 证据理论决策级融合的局部放电定位

为验证DS 证据理论在局部放电检测中的应用效果，设计了以下试验：构建一个有4 个气室的1000kV 气体绝缘组合电器模型，并在第2 个气室中放置1 块金属，使其成为故障气室。构建故障气室位置识别框架，以集合形式表示：

上式中，Y1～Y4依次为4 个气室，而λ 表示不确定性。对该模型分别使用超声波法、超高频法、SF6气体分解物组分检测法，以及DS 融合法进行检测，所得结果如表1所示。

结合表1 数据可知，单一使用超声波、超高频和气体分解物组分检测法，对1000kV 气体绝缘组合电器局部放电故障检测结果的不确定性较高，可信度偏低；相比之下，基于DS 融合的局部放电检测结果不确定性较低，可信度较好。

表1 3 种单一方法及融合方法的检测结果可信度分配表

4 多传感器信息融合检测系统局部放电故障类型识别

通过上文分析可知，基于多传感器的1000kV 气体绝缘组合电器局部放电检测中，运用D-S 证据理论决策级融合方法，相比于常规的超声波、超高频等方法，检测结果的可信度更高。从气体绝缘组合电器的运行管理角度来看，除了要做到局部放电故障的在线监测外，还应对故障类型进行准确识别，从而为设备维修人员制定应急预案、确定维修策略提供必要的依据。基于DS 证据理论的决策级识别，能够对局部放电故障的常见类型（如绝缘放电、电晕放电等）进行准确识别。为验证其识别精度，设计了以下试验：

建立1 个故障识别集合，该集合形式表示为：

上式中，Z1～Z4分别代表气体绝缘组合电器局部放电的常见类型。同样选择4 种方法对4 种局部放电故障进行检测，并求出可信度，统计结果如表2 所示。

表2 3 种单一方法及DS 融合后的检测结果可信度分配表

结合表2 数据可知，超声波法、超高频法以及气体分解物组分检测法3 种单一方法对局部放电类型的识别不确定值较高，说明识别精度较差。相比之下，基于DS融合的局部放电类型识别不确定值较低，说明识别精度较高。另外，横向对比4 种故障的检测结果，可以发现3种单一方法和DS 融合方法下Z3值明显高于Z1、Z2和Z4，即4 种方法都认为金属突出物缺陷的概率较高，与最初设置的故障类型一致，说明该故障识别方法切实可行。

结束语

为解决超声波或超高频等单一检测方法在1000kV气体绝缘组合电器局部放电检测方面存在的不确定性高、结果精度差等问题，本文提出了一种基于DS 证据理论的多传感器信息融合检测技术。以BP 神经网络模型为核心，将超声波、超高频、SF6气体分解物组分三种传感器检测结果进行决策级融合。从试验效果来看，这种基于多传感器信息融合的在线检测技术，能够使组合电器局部放电检测结果精度得到显著提升，并且能准确判断局部放电故障的具体类型，对1000kV 气体绝缘组合电器的日常检测与检修维护提供了必要的参考。