基于声发射技术的绝缘子材料污闪动态智能监测

2023-11-29张泽彬

粘接 2023年11期

摘要：为提高电力设备运行的安全性和稳定性，提出一种基于声发射技术的电力设备绝缘子材料污闪监测的试验方法。其中采用K-L变换法提取材料污闪声发射信号特征量最大幅值和工频半周波包络线，并将其输入BP神经网络和D-S证据理论组合分类器中进行识别。结果表明：所提方法可有效识别电力设备绝缘子材料的污闪发展阶段，进而实现电力设备绝缘子材料的污闪监测，且具有较高的准确率为97.78%，相较于基于最小二乘支持向量机的方法，所提方法的识别准确率提高了6.67%，为电力设备的安全稳定运行提供了保障。

关键词：声发射技术；绝缘子材料；BP神经网络；D-S证据理论；污闪监测

中图分类号：TM216;TP277

文献标志码：A文章编号：1001-5922（2023）11-0189-04

Dynamic intelligent monitoring of insulator pollution flashover based on acoustic emission technology

ZHANG Zebin

（Gongzui Hydropower Plant of Guoneng Dadu River Basin Hydropower Development Co.，Ltd.，Leshan 641900，China

）

Abstract：In order to improve the safety and stability of power equipment operation，a test method based on acoustic emissiontechnology was proposed for pollution flashover monitoring of power equipmentinsulator materials.The maximum value of acoustic emission signal feature and the half-cycle envelope of power frequency were extracted by K-L transformation method，and were input into BP neural network and D-S evidence theory combination classifier for identification.The results showed that the proposed method could effectively identify the pollution flashover development stage of power equipmentinsulator materials，and then realize the pollution flashover monitoring ofpower equipment insulator materials，with a high accuracy of 97.78%.Compared with the method based on least squares support vector machine，the identification accuracy of the proposed method was improved by 6.67%，providing guarantee for the safe and stable operation of power equipment.

Key words：acoustic emission technology;insulator material;BP neural network;D-S evidence theory;pollution flashover monitoring

电力设备绝缘子材料是国家电网外绝缘的重要部件。然而由于电力设备绝缘子材料长期暴露在野外，导致绝缘水平下降，使电网在额定电压运行下发生污闪，威胁电网的安全稳定运行，对电力设别绝缘子材料进行污闪监测十分必要。有研究利用遗传算法优化BP神经网络，提出一种绝缘子污闪电压预测方法［1］；提出一种基于有限元的绝缘子污闪动态电弧模型，实现了绝缘子剩余污层电阻值动态变化趋势预测［2］；根据声发射特性，提出一种基于广义回归神经网络的玻璃绝缘子污闪预测模型［3］。由此可以发现，绝缘子材料污闪监测已取得一定成效，但有研究认为，现有监测方法的准确率有待进一步提高［4］。鉴于此，提出一种基于工业技术领域常用的声发射技术对电力设备绝缘子材料进行污闪监测的方法。

1 污闪声发射信号特征量提取

污闪声发射信号特征量提取是实现污闪检测的基础。根据电力设备绝缘子材料污闪声发射性能统计规律，研究选择事件计数PS、最大幅值Vmax/平均幅值Vav、幅值分布标准差Vvar、工频半周波包络线最大值Smax/最小值Smin/平均值Sae、振铃计数PV、工频正半周波包络线面积分布标准差Svar，9个特征量作为电力设备绝缘子材料污闪声发射信号的特征量［9-10］。

考慮到过多的特征量可能产生冗余信息，降低电力设备绝缘子材料污闪声发射信号最终分类识别的效率和准确率。因此，研究基于主成分分析法中常用的Karhunen-Loeve Transform（K-L变换法）对上述9个特征量进行了筛选，具体操作：

（1）特征量归一化处理。考虑到不同特征量的量纲不同，在进行特征量筛选前，对所有特征量进行了归一化处理［11］：

X=x－xminxmax－xmin（1）

式中，x、X分别为归一化处理前后的数据；xmin、xmax分别为归一化处理前数据的最小值和最大值。

（2）计算原始特征量矩阵X的协方差矩阵C，以及C的特征值λj及其正交特征向量pj。

（3）按从大到小的顺序对λj进行排列，并根据顺序对pj进行排列。

（4）当累计方差贡献率大于90%时，则对应特征向量构成正交阵P。

（5）根据式（2）求解主成分矩阵Y。

Y=y1y2yk=p11p12…p1mp21p22…p2mpk1pk2…pkm x1x2xm=PTX （2）

通过上述方法，最终本研究筛选出2个与电力设备绝缘子材料污闪声发射信号密切相关的特征量，分别为最大幅值Vmax和工频半周波包络线最大值Smax。

2 污闪声发射信号识别

具体的信号识别步骤分为以下几步：

（1）利用BP神经网络对绝缘子材料的污闪特征量进行信息融合，并基于BP神经网络中的权值和阈值对声发射信号进行识别；

（2）利用Dempster-Shafer（D-S证据理论）对BP神经网络的输出融合分类识别；

（3）根据一定的判定准则，即可得到绝缘子材料污闪声发射信号的分类识别结果。

3 仿真实验

3.1 实验环境搭建

本次实验搭建的实验环境如图1所示，由试品、雾室、变压器、调压器等组成。其中，试品包括单片绝缘子和长串绝缘子2种类型，实验分别选用1片的XP3160瓷质悬式绝缘子和30片的FC12P/146玻璃钢悬式绝缘子作为单片和长串绝缘子试品。

根据试品不同，雾室的水蒸气雾来源不同，电压升压方式也不同。针对单片绝缘子试品，雾室中的人工雾由大功率电热炉加热产生的水蒸气通过喷嘴进入产生；电压的升压通过一台单相额定容量为100 kVA的DJ-100/50感应变压器施加电压［12］。

针对长串绝缘子试品，雾室中的人工雾由4t的极低压锅炉产生的水蒸气通过管道并由减压分配系统进行分配，并通过喷雾进入雾室；电压的升压通过一台F3200—8/1730同步电动机组和TFS 7500—8/2130低阻抗同步发电机组施加电压。

具体实验方法：将试品悬挂于雾室中央，并连接其接线。确定接线连接正确后关闭雾室冲雾10 min以上，直至雾室雾气分布均匀。然后施加电压至闪络，并利用声发射传感器采集声发射信号。实验过程中，假设气压为102.9 kPa，保持恒定，仅电压和污闪度发生变化［13-14］。

为避免随机误差的影响，对每只试品进行3次闪络实验，每次实验间隔时长1 min。

3.2 数据来源及预处理

实验数据来自自主利用声发射信号传感器采集的电力设备绝缘子材料污闪声发射信号。

考虑到实验采集的绝缘子材料污闪声发射信号数据含有一定噪声，试验前对采集的声发射信号进行了降噪预处理。常用降噪算法包括边缘检测和波峰/波谷等方法。实验选用边缘检测法对绝缘子材料污闪声发射信号进行滤波，具体操作：

首先确定结构元素g（x）=0，x为－1、0、1，并计算采集的数据的逐点梯度，同时选择计算结果的均方根作为阈值。然后比较逐点梯度值与阈值，若梯度值更大，则令其权值为1；反之，则令其权值为0.2。最后，将权值乘以信号上的每个点，即可得到降噪后的绝缘子材料污闪声发射信号。

通过降噪等预处理，实验共获取145个有效样本。随机选取其中100个样本作为训练样本，剩余45个样本作为测试样本。

3.3 评价指标

本次实验选用准确率（acc）作为评估所提基于BP神经网络与D-S证据理论分类器识别性能的指标，其计算公式：

acc=（TP+TN）/（TP+TN+FP+FN）（3）

式中：TP、TN分别表示真正例和真负例；FP、FN分别表示假正例和假负例。

3.4 参数设置

实验根据主成分分析结果，将BP神经网络的输入节点数设置为2，根据绝缘子材料污闪存在绝缘子表面积污、绝缘子表面湿润、出现干区和局部放电、闪络的4个阶段［15］，将BP神经网络的输出节点数设置为4，然后采用试凑法确定隐藏层节点数。根据实证结果，实验设置隐藏层节点数为12。

为确定BP神經网络的迭代次数，实验利用100个训练样本对BP神经网络进行训练，结果如图2所示。

由图2可知，当迭代到45次后，BP神经网络的误差小于0.01。因此，本次实验设置BP神经网络的迭代次数为45。

4 结果与分析

4.1 方法验证

为验证所提基于BP神经网络与D-S证据理论分类器的有效性，实验基于100个训练样本对BP神经网络进行训练，并采用训练样本和测试样本对网络分类识别结果进行验证，得到BP神经网络的训练准确率和测试准确率分别为100%和93.33%，部分样本分类识别结果如表1所示（“*”表示测试样本）。

由表1可知，所提方法利用BP神经网络可良好识别样本所属类别，判断污闪发展阶段，进而实现对绝缘子材料的污闪监测，但也存在误判的情况，如样本6输出可归属于阶段2～4。

采用D-S证据理论对BP神经网络输出进行决策层融合，以样本6为例，设E={e2，e3，e4}为证据空间，e2，e3，e4分别为绝缘子污闪发展阶段2～4，其实际输出和期望输出分别为（0.501 2 0.573 7）和（0 1），所以其正确分类的类别应该为e2。

根据式（4）～式（6）计算基本概率赋值。然后，根据式（7）对阶段2和阶段3数据进行融合，得到：

m′（A）=m1（A）·m2（A）+m1（A）·m2（θ）+m2（A）·m1（θ）1-K1′（4）

m′（B）=m1（B）·m2（B）+m1（B）·m2（θ）+m2（B）·m1（θ）1-K1′（5）

m′（θ）=m1（θ）·m2（θ）1－K1′（6）

K1′=m1（A）·m2（B）+m2（A）·m1（B）（7）

将阶段4与上述结果进行融合。根据m″（A）、m″（B）、m″（θ），可得到决策结果为e2。根据该识别结果可知，通过D-S证据理论进行分类后，提高了BP神经网络的分类准确率。

将所有45个测试样本通过BP神经网络和D-S证据理论分類器进行分类识别，可得到所提算法的准确率为97.78%。由此说明，所提的基于BP神经网络与D-S证据理论的分类器具有良好的分类识别准确率。

4.2 方法对比

为进一步验证所提基于BP神经网络与D-S证据理论的分类器对电力设备绝缘子材料污闪声发射信号的识别效果，实验对比了所提方法与常用基于最小二乘支持向量机的分类识别方法的识别结果。实验设置最小二乘支持向量机的径向基内积参数σ2=0.09和惩罚因子C=4。将45个测试样本输入2种分类识别方法中进行识别，结果如表2所示。

由表2可知，基于最小二乘支持向量机的期望输出与实际输出存在4例误判，识别准确率为91.11%，所提基于BP神经网络与D-S证据理论的分类器存在1例误判，识别准确率提高了6.67%，达到97.78%。由此说明，所提方法在电力设备绝缘子材料污闪声发射信号识别中具有一定的有效性和优越性。

4.3 重复性实验

为验证所提基于BP神经网络与D-S证据理论的分类器的重复性，采用所提方法对单片和长串绝缘子分别进行了3次重复性实验分类识别效果。表3和表4为单片和长串绝缘子污闪4个发展阶段中的任意1个样本分类识别结果示例。由此可知，所提方法具有良好的重复性，可实现电力设备绝缘子材料污闪的有效监测。

5 结语

提出的基于声发射技术的电力设备绝缘子材料污闪监测方法，通过将电力设备绝缘子材料污闪声发射信号输入基于BP神经网络和D-S证据理论组合分类器中，可有效识别电力设备绝缘子材料污闪发展阶段，进而实现对电力设备绝缘子材料污闪监测，且具有较高的准确率为97.78%，相较于基于最小二乘支持向量机的分类识别方法，准确率提高了6.67%。在电力设备绝缘子材料污闪声发射信号识别中，方法具有一定的有效性、优越性和重复性。为材料技术在电力中的应用提供了一种新的参考

。

【参考文献】

［1］王思华，王军军，赵珊鹏.高原盐碱区接触网复合绝缘子污闪电压预测研究［J］.电瓷避雷器，2022（1）：134-142.

［2］张云翔，陈昊，宋恒东，等.基于有限元法的绝缘子污闪动态电弧模型研究［J］.广东电力，2021，34（6）：119-126.

［3］王远东，史文江，韩兴波，等.基于声发射特性的玻璃绝缘子污闪预测模型［J］.电力建设，2021，42（5）：138-144.

［4］戴罕奇，孙月，王黎明.基于特征参量K_（h10）的复合绝缘子污闪试验［J］.电工技术学报，2020，35（24）：5207-5217.

［5］苏颜，张珍，林庆达，等.基于BP神经网络算法的短期电力负荷预测研究［J］.电子设计工程，2022，30（12）：167-170.

［6］张钰曼，吴海淼，侯红娟.基于D-S证据理论和模糊理论的工业机器人健康状态评估［J］.机床与液压，2022，50（8）：198-203.

［7］张宽，吐松江·卡日，高文胜，等.基于云模型和改进D-S证据理论的变压器故障诊断［J］.高压电器，2022，58（4）：196-204.

［8］邢晓敏，徐海瑞，廖孟柯，等.基于云模型和D-S证据理论的配电终端健康状态综合评估方法［J］.电力系统保护与控制，2021，49（13）：72-81.

［9］马千柱，李广，李世杰.高速动车组牵引电机匝间绝缘的纳米氧化铝制备及性能分析［J］.粘接，2022，49（2）：49-52.

［10］张东东，刘欣，黄宵宁，等.典型工业粉尘地区复合绝缘子污秽成分及其闪络特性［J］.电力工程技术，2022，41（4）：162-168.