摘 要：针对单一特征信息分析模式独立辨识不能有效、可靠地判断出局部放电(PD)类型致使识别“误诊”的问题，以及为了最大限度地利用特高频(UHF)传感器所获取的丰富绝缘状态信息，利用放电时间、放电相位分布及 UHF 能量与放电量相关性等 3 类特征信息的共性和差异性进行融合互补，提出一种基于多特征信息融合的 PD 模式识别方法。通过在一套三相分箱式真实 GIS(ZF-10-126)试验平台上实测所得的 PD 试验信息进行分析其结果表明：3 类特征信息独立辨识各类缺陷的准确度存在较大差异性和不确定性，但有着各自优势。而采用 D-S 证据理论进行 3 类特征信息融合 PD 模式识别技术，可对 3 类特征信息独立识别法各自存在的不足进行互补，具有更高更准确的辨识率和可靠性。至此验证了所提方法的有效性与正确性。
关键词：局部放电;特高频;放电量;模式识别;局部放电相位分布模式;D-S 证据理论;多特征信息融合
0 引言
1 气体绝缘组合电器(GIS)设备因其占地面积小、运行可靠及电磁辐射小等突出优点，已成为新建变电站和城市电网改造的首选设备。然而，GIS 设备在设计、制造、运输、安装、运行和检修等过程中产生或留下的各种具有危害的潜伏性绝缘缺陷，如果得不到及时有效处置，这些缺陷会在运行电压下，由小变大，由弱变强，甚至由局部发展到整体，逐步发展成为致使设备绝缘能力完全丧失的突发性绝缘故障，最终可能导致因设备故障诱发的电网大面积停电的严重事故[1-2]。
由于各种前期潜伏性绝缘故障的主要表现形式为局部放电(partial discharge, PD)[3-4]，因此可通过对 GIS 设备实行在线监测的方法，来掌握其绝缘状态，并提前加以“治理”，从而达到有效预防设备发生绝缘故障的目的。这一过程除了要判断是否有 PD发生外，还需进一步判断故障缺陷类型[5-6]。同时对绝缘缺陷进行模式识别，既有利于 GIS 运行状态的监测预报和有针对性维护方案的确定，又能为正确评估 PD 的危害性以制定合理的处置措施提供重要依据。
目前，针对局部放电模式识别领域，国内外学者对此开展了大量的相关研究工作，并取得了显著的成果[7-9]。然而，通过前期的研究发现，采用单一信号提取的特征信息进行 PD 模式识别，其诊断结果存在较高的不确定性，甚至出现“误诊”致使识别失败[10-11]。此外，文献[12-13]采用基于时间的分析模式(TRPD)作为观察环境噪声和初步估计的首先条件，然后结合基于相位分析模式(PRPD)指纹来确认识别结果，导致浪费一些有用的 TRPD 信息。另外，当这两种分析模式对同一 PD 故障的识别结果相对立时，很难取决于那种模式的结果是正确的。因此，鉴于多信息融合技术是在线监测的必然趋势和最终走向[14]，已在变压器故障诊断方面取得了良好的应用效果[15-16]，可对于 GIS 状态评估领域的研究还鲜有报道。
本文在改变用传统单一信号提取的特征信息进行 PD 模式识别基础上，探索最大限度地利用特高频(UHF)传感器所获取的丰富的绝缘状态信息，采用多种特征量的融合技术对 PD 模式进行识别，以提高绝缘缺陷类型的辨识能力。其研究思路为：综合 UHF 检测法与脉冲电流法所获取的 PD 信息，分别以时域与频域提取的 TRPD 波形特征和以偏斜度、陡峭度等 16 组统计参数提取的 PRPD 指纹特征以及 UHF 累积能量与放电量之间的关联特性 3 类特征信息，作为表征 GIS 内部 PD 类型的特征量，将 3 类特征信息作用的差异性与互补性进行有机结合，提出一种基于多信息融合技术的 PD 辨识方法，并用真实 GIS 试验平台获取典型 PD 类型数据进行有效性与正确性的验证。
1 实验方法
1.1 试验平台
为使试验获取的 PD 数据能够真实反映 GIS 在运行条件下的绝缘状况，本文的 PD 试验与信息获取全部来自一套真实的三相分箱式 GIS(型号为 ZF-10-126)试验平台。现场试验在山东泰开高压开关有限公司的高压试验大厅内(长×宽×高=60 m×47 m×38 m)进行，整个大厅采用金属封闭且大厅内电磁屏蔽良好，试验环境温度约为 10 ℃，实验中 GIS 内充入 0.4 MPa 气压的 SF6。实验检测回路示意图如图 1 所示。其中，T1 为柱式调压器;T2 为无局部放电工频试验变压器(YDTCW-1000/2×500); C1/C2 为工频分压电容(TAWF-1000/600);R 为工频试验保护电阻(GR1000-1/6);试验中使用的 UHF 传感器为实验室自主研制的微带天线(带宽约为 340~440 MHz，中心频率约为 390 MHz);高速数字示波器(型号为 Tektronix DPO7104;模拟带宽为 1 GHz;最大采样频率为 20 GHz)用于 PD 信号的采集并保存，以便进行后期的数据分析。现场试验接线图如图 2 所示。
1.2 典型缺陷的设计及位置
文中共设置了 4 种典型绝缘缺陷，分别为以导电杆上系一根距离壳体内壁约 40 mm 的直径 2 mm 的铜丝模拟突出物缺陷(图 3(a));以绝缘子表面沾上直径 2 mm 的铜丝，与高、低压端的距离 15 mm、 35 mm 模拟附着物缺陷(图 3(b));以实际使用产生裂纹的绝缘子模拟气隙缺陷，其裂纹长度约 43 mm(图 3(c));以数个约 2×2 mm2 的矩形薄铝片来模拟自由金属微粒缺陷并放置在母线筒底部(图3(d))。
缺陷的分布位置为：附着物与突出物缺陷分别设置在靠近绝缘子 S1 处的两个独立气室内，其余两个缺陷设置在母线筒 II 内。且为了减弱信号传播中衰减与折反射的影响，UHF 传感器安置在离缺陷最近的绝缘子处。
2 特征信息的提取与识别
PD 模式识别的效果主要取决于选取的特征参数，为了最大限度地利用 UHF 传感器所获取的 PD 信号所包含的丰富绝缘状态信息，分别以放电时间、放电相位分布和 UHF 能量与放电量的关联特性 3 类特征信息的相互融合识别 PD 模式开展研究。
2.1 基于放电时间特征信息的 PD 辨识
利用放电时间特征信息对 PD 类型进行辨识，原理为直接提取 PD 信号波形作为判别的特征参数进行识别[16-17]，本质为时间序列信息，也称为 TRPD 模式。其中时域波形形状的变化能在一定程度上体现 PD 的剧烈程度，而频域的能量分布与缺陷类型亦有着很大的关联[18]。
本文采用 BP 神经网络(BPNN)作为 TRPD 特征信息的辨识分类器，具体计算表达式可参考文献 [19-20]。试验中利用 UHF 传感器采集到的 PD 信号归一化处理后，通过表 1 中方法提取到的 13 个特征量作为输入层的神经元个数，输出层神经元的个数对为 4 种典型绝缘缺陷类型。每类绝缘缺陷的放电信号样本各采集 500 组，随机选取其中的 100 组作为训练样本，剩余的 400 组作为测试样本，经 BP 神经网络识别后结果如表 2 所示。
从表 2 中可看出，采用 TRPD 特征信息对样本的整体识别的准确率在 77%以上，其中对自由金属微粒的识别率稍低，为 77.25%。分析其主要原因可能是金属粒子在放电过程中发生了跳动，改变了每次放电物理模型的形态，使得获取到的 TRPD 信息的随机性增强，导致对其的识别率较低。但由于 BP 神经网络具有较强的非线性逼近能力，以至即使 UHF 信号的 TRPD 波形特征具有较强的波动性，其识别效果仍达到 79%以上，这在很大程度上为准确辨识 PD 缺陷提供了有利信息。
2.2 基于放电相位分布特征信息的 PD 辨识
放电相位分布特征信息(也称为 PRPD 指纹)是 PD 模式识别应用最为广泛的特征量，它描述的是发生 PD 的工频相位、放电量以及放电次数之间的关系[21]。通过实验观察和分析发现，不同绝缘缺陷类型对应的 PRPD 指纹特征信息的轮廓存在着明显的差异，得到统计参数的值也不同。
这里仍采用 BPNN 作为 PRPD 指纹特征信息的辨识分类器。试验中采集每类缺陷的 PRPD 指纹特征信息样本各 200 组，随机选取其中的 100 组作为训练样本，剩余的 100 组作为测试样本，经 BPNN 识别后的结果如表 3 所示。
由表 3 中可以看出，采用 PRPD 指纹特征信息的 16 个特征参数作为特征量具有较好的辨识效果，其中大部分缺陷的识别率都达到了 88%以上，仅气隙缺陷辨识率稍低为 81%。通过分析发现对气隙缺陷识别效果不佳原因主要为被划分为附着物缺陷，这可能是由于 BPNN 采用的是竞争输出机制，该机制在计算过程中会忽略了部分较小的输出值，从而导致对结果的误判。
2.3 基于 UHF 能量与放电量相关性的 PD 辨识
通过前期的研究和分析发现，UHF 信号的能量与对应的视在放电量分布具有很好的关联性[22-24]，因而可尝试利用这两者的关联关系作为识别 PD 类型的属性。试验中，同时采集 UHF 信号与电流脉冲信号，经计算后 4 种缺陷的 UHF 信号能量与视在放电量存在的关系如图 5 所示(为了便于观察和比较，对 UHF 信号能量 EF与视在放电量 QS进行了对数变换)。可看出气隙、附着物和突出物 3 类缺陷具有很好的线性相关性，而微粒缺陷较为分散，但其分布还是有着较明显的规律，这主要也是由于微粒在电场下跳动导致物理模型的不稳定所致。
从图 5 可看出，UHF 信号能量与对应的视在放电量的关联数据属于二维的，不利于直接采用 BPNN 算法进行分类，因此为了挖掘其用于分类的自然特征，本文采用模糊 C-均值聚类(FCM)算法，对四类绝缘缺陷进行划分，详细计算表达式可参考文献[20]。然后同时采集每类缺陷的 UHF 信号波形与电流脉冲波形数据样本各 500 组，通过竞争输出 (最大值输出)各缺陷最大隶属度所为对应的缺陷，其辨识结果如表 4 所示。
由表 4 可以看出，辨识结果类似于用 TRPD 特征信息办法，对突出物、附着物和气隙 3 种绝缘缺陷的识别效果相对较好，辨识率均达到了90%左右。而对微粒缺陷的识别率为 82.8%，相对偏低一点，这也与图 5 所示的相关性结果基本一致，主要原因仍是由于微粒在电场下跳动导致物理模型的不稳定所致。
以上 3 种分析模式的结果表明，单一特征信息用于模式识别时，由于在特征提取时受到 PD 信号中干扰和不稳定性等影响，造成提供的信息不全或稳定性差，使得 3 种方法之间辨识率有一定差异，且微粒缺陷的识别率偏低。其中 PRPD 模式的效果最佳，TRPD 模式的较差，主要是由于 TRPD 信号有较强的随机性影响所致。同时，3 类特征信息对于各类缺陷的作用也存在着差异性，如 TRPD 模式和 UHF 能量与放电量相关性对微粒缺陷的识别效果相对较弱，PRPD 模式则对气隙缺陷的识别效果相对稍差。因此，有理由考虑通过结合这 3 类特征信息之间的共性与互补性来弥补各自的不足，通过多信息融合的思想提高识别的准确率，进而使得辨识结果更加具有确定性与可靠性。
3 基于 D-S 证据理论的多信息融合辨识
多信息融合是将来自同一目标的多源信息进行智能化综合处理，从中得到比单一信息源更加准确和全面估计与判决的解决方案[25]。其中，D-S 证据理论[26-27]是融合信息的一种有效手段，原理为通过数学推理的方式，对不确定和不完整的信息进行融合计算，达到相互补充的目的。其主要由识别框架 Θ、基本概率分配(basic probability assignment, BPA)、合成规则(Dempster’s combinational rule)、信任函数(belief function, Bel)和似然函数(plausibility function, Pl)组成。文中将第 2 章中 3 类特征信息识别所得的结果作为 D-S 证据识别框架的证据体，应用基本概率分配函数计算出各证据体的信度分配，然后运用 D-S 证据合成法则计算出融合之后的信度分配，最后利用判定原则进行 PD 类型判断。
4 实验结果与分析
为了综合考察本文所提方法的有效性和正确性，试验中分别设置了两种未知缺陷进行分析验证，其中一种缺陷的结构及位置与样本的相似，另外一种的结构及位置与样本的差异较大。
4.1 缺陷的结构及位置与样本相似
试验中在图 2 所示的 ZF-10-126 型 GIS 的出线端设置了某未知绝缘缺陷，然后通过 UHF 传感器和脉冲电流法传感器分别采集了 TRPD 信息和 PRPD 信息，如图 6 中(a)、(b)所示(采样点数为 n，相位为 φ)。
相关知识推荐：论文初审被拒可能是哪些原因
通过第 2 章节叙述的方法，分别选取了 TRPD 特征信息的时域与频域所包含的 13 组特征参数和 PRPD 特征信息的 16 组特征参数及 UHF 信号能量与放电量的相关性信息，分别经 BPNN 和 FCM 分类器输出其初步判决结果，然后经 D-S 证据合成理论融合的识别结果如表 5 所示。
从表 5 中可以看出，3 类辨识信息的输出结论相似，都识别为 A3，即为高压导体金属突出物缺陷。而经 D-S 证据算法融合后，虽然最终的融合结论与 3 类特征信息独自诊断结果完全一致，但通过融合后，得到的辨识结果使得更加具有确定性，识别精度和准确度也得到了提高。同时，由于此绝缘缺陷的位置和结构与之前样本数据库中的缺陷设计比较接近，因而较容易辨识。最终打开端盖，发现其亦为突出物缺陷。
4.2 缺陷的结构及位置与样本不同
对于另一未知缺陷，布置在 II 号母线筒内，其 UHF 法和脉冲电流法所采集的 TRPD 信息和 PRPD 指纹分别如图 7 中(a)和(b)所示。采集到的数据通过与上一节相同的处理方法，得到的结果如表 6 所示。
从表 6 中可以看出，3 类信息的预测结果不完全一致，其中 TRPD 信息辨识为 A1的概率要稍高，而 PRPD 指纹和 UHF 信号能量与视在放电量相关性辨识为 A2的可能性较大。但从整体上来看，3 类信息独立判定为 A2都隐含着较大的可能性。经 D-S 证据理论融合计算后识别为 A2，其结果满足 3 个判决规则。最终打开端盖发现缺陷为绝缘子表面金属附着物缺陷，即与 D-S 证据理论算法融合判决的结果一致。因而，通过融合挖掘竞争输出所忽略的潜在重要信息，使得原本冲突的结论变得一致，从而使判决更具有确定性和正确性。此外，由于本次设置的缺陷结构及位置与之前数据库样本中的差异较大，获取得到的 TRPD 信号的数学模型都发生了变化，引起了其识别结论的可靠性相对较差，即样本数据库中没有包含此类似的绝缘缺陷，使得单一特征信息的识别结果精度较低或出现识别结论不统一的情况。由此可见，样本数据库的质量对结果的影响也起着基础性和关键性的作用。
4.3 性能及可靠性测试
为整体评价所提方法对 PD 多信息融合的辨识性能及可靠性，随机地选取每种典型绝缘缺陷的 3 类特征信息组成的样本各 200 组，其中 100 组作为训练样本，剩下的另 100 组作为测试样本。通过前述的数据预处理、特征提取、初步辨识和经融合计算后得到的统计结果如表 7 所示。
可以看出，3 类特征信息独立辨识的结果与之前测试结果基本接近，仍然是 TRPD 模式的辨识能力稍弱，PRPD 指纹的较好。通过 D-S 证据理论多信息融合，挖掘了各子特征所判决的包含的共性有效信息，得到了比较突出的诊断结果，降低了识别结果的不确定度。此外，通过融合后的有部分样本识别错误或未作决策，这可能是由于当 3 类特征信息源所提供的信息存在较严重的冲突或证据之间互斥时，造成 D-S 证据算法作出错误判决或未能决策。由此可见，在确保单一特征信息辨识结果可靠性的基础上，多信息融合识别方法能有效地提高判决结果的确定度和可靠度。同时，样本数据库的数据规模、多样性等因素，也对多信息融合识别的性能有着很大的影响。因而，在实际应用时需不断丰富和提升样本数据库的质量与数量，这有助于提高模式识别的确定性和可靠性。
5 结论
1)对于 GIS 设备的 PD 模式识别，分别基于 TRPD 信号、PRPD 指纹及 UHF 能量与放电量关联关系 3 类特征信息都能够在一定程度上对缺陷类型作出辨识，其中由于 TRPD 信号有较强的随机性影响致使其辨识能力稍弱。对实验采集到的样本数据分析表明，3 类特征信息对于各类缺陷的作用存在着共性与差异性，且信息之间有着各自的优势与互补性。
2)通过多信息融合思想将 3 类特征信息属性的差异进行有机结合互补，充分挖掘各子特征辨识所包含的共性有效信息，获取了比较突出的诊断结果，从而提高了模式识别的一致性、稳定性和可靠性。实验结果分析表明，经 D-S 证据理论融合处理后得到较比单一特征信息更为突出的辨识结论。
3)基于多特征信息融合方法的精确度和辨识能力直接与各子特征信息的识别性能密切相关，因而在融合识别之前要确保所参与的子特征信息的可靠性和辨识率以提高识别的确定性。同时，样本数据库的质量与数量对识别结果有着基础性与关键性的影响。——论文作者：黄 亮 1 ，唐 炬 1,2，凌 超 1 ，张晓星 1,2
参考文献 References
[1] Qi B, Li C R, Xing Z L. Partial discharge initiated by free moving metallic particles on GIS insulator surface: severity diagnosis and assessment[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2014, 21(2): 766-774.
[2] Oyama M, Hanai E, Aoyagi H, et al. Development of detection and diagnostic techniques for partial discharges in GIS[J]. IEEE Transactions on Power Delivery, 1994, 9(2): 811-818.
[3] 钱 勇，黄成军，江秀臣，等. 基于超高频法的 GIS 局部放电在线监测研究现状及展望[J]. 电网技术，2005，29(1)：40-43. QIAN Yong, HUANG Chengjun, JIANG Xiuchen, et al. Present situation and prospect of ultrahigh frequency method based research of on-line monitoring of partial discharge in gas insulated switchgear[J]. Power System Technology, 2005, 29(1): 40-43.
[4] 唐 炬. 防御变电设备内绝缘故障引发电网停电事故的基础研究 [J]. 高电压技术，2012，38(6)：1281-1291. TANG Ju. Basic research on preventing power supply blackout caused by the inner insulation fault of transformation equipments[J]. High Voltage Engineering, 2012, 38(6): 1281-1291.
[5] Qi B, Li C R, Bibo G, et al. Severity diagnosis and assessment of the partial discharge provoked by high-voltage electrode protrusion on GIS insulator surface[J]. IEEE Transactions on Power Delivery, 2011, 26(4): 2363-2369.
[6] 孙才新，许高峰，唐 炬，等. 以盒维数和信息维数为识别特征量的 GIS 局部放电模式识别方法[J]. 中国电机工程学报，2005，25(3)： 100-104. SUN Caixin, XU Gaofeng, TANG Ju, et al. PD pattern recognition method using box dimension and information dimension as discrimination features in GIS[J]. Proceedings of the CSEE, 2005, 25(3): 100-104.
[7] Zhou J B, Tang J, Zhang X X, et al. Pattern recognition for partial discharge in GIS based on pulse coupled neural networks and wavelet packet decomposition[J]. Przeglad Elektrotechniczny, 2012, 88(5B): 44-47.
[8] 姚陈果，陈 昱，陈 攀，等. 基于信号能量谱特征的局部放电故障识别方法及其系统实现[J]. 高电压技术，2014，40(3)：829-836. YAO Chenguo, CHEN Yu, CHEN Pan, et al. Method for partial discharge pattern recognition based on characteristics of signal energy spectrum and its system realization[J]. High Voltage Engineering, 2014, 40(3): 829-836.
[9] 唐 炬，曾福平，范庆涛，等. 基于荧光光纤检测 GIS 局部放电的多重分形谱识别[J]. 高电压技术，2014，40(2)：465-473. TANG Ju, ZENG Fuping, FAN Qingtao, et al. Multi-fractal spectrum identification of partial discharge in GIS based on fluorescence optical fiber detection[J]. High Voltage Engineering, 2014, 40(2): 465-473.
[10] Chang C, Chang C S, Jin J, et al. Source classification of partial discharge for gas insulated substation using waveshape pattern recognition[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2005, 12(5): 374-386.
