0 引言

在电力系统中，气体绝缘全封闭组合电器(gas-insulated switchgear, GIS)以其稳定性高、易检修、占地面积小等优点而被广泛应用^[1-2]。对GIS局部放电的检测是评估和诊断其绝缘状况的重要手段^[3-6]。为进一步评价GIS内部产生局部放电的缺陷类型性质，须对采集到的放电信号进行模式识别^[7]。以GIS内部局部放电产生的脉冲电流信号和超高频信号为基础的模式识别方法易受现场电磁噪声的干扰，从而导致识别正确率降低。通过检测局部放电产生的超声信号，可降低现场电磁干扰对检测的影响，实现电气设备的在线监测^[8-9]。

基于非本征法布里-帕罗干涉(extrinsic Fabry-Perot interferometer, EFPI)原理的超声传感器采用光纤作为传感器载体，利用光的干涉原理，对局部放电产生的超声波信号进行检测。该传感器相较于传统的压电陶瓷传感器，具有灵敏度高、抗干扰能力强、电绝缘性良好等诸多优点^[10-12]。近些年来，不少专家学者开展了应用EFPI传感器检测高压电气设备局部放电信号的研究。文献[13]利用EFPI传感器对变压器内的局部放电进行了检测，与压电式传感器的检测效果进行对比，发现EFPI传感器的抗电磁干扰能力更为显著。文献[14]基于EFPI传感器测量超声波信号，对变压器内部的局部放电进行了模式识别，发现该传感器拥有较高的识别正确率。目前，使用EFPI传感器检测变压器局部放电研究已经取得很大的进展，但尚未在GIS中得到应用。这是由于超声波信号在SF₆气体中的衰减较变压器油中更为严重，且EFPI传感器须内置于GIS腔体中，大幅增大了EFPI传感器在GIS中的应用难度。然而利用EFPI传感器对GIS内部局部放电产生的超声波信号进行检测，可解决以往超声波检测法存在的信号衰减大、检测灵敏度不足、外界噪声干扰强等问题，有利于提高GIS在线监测水平。

通过分析GIS内部不同局部放电超声信号的差异，结合机器学习算法，可对产生局部放电的绝缘缺陷类型进行判断，该方式相较于传统的经验判别方法具有更高的可靠性。目前主流的模式识别方法是神经网络算法和支持向量机(support vector machine, SVM)算法。神经网络算法是基于经验风险最小化的原则而设计出的机器学习算法，包括反向传播神经网络(back propagation neural networks, BPNN)、概率神经网络(probabilistic neural networks, PNN)等。SVM建立在统计学理论之上，是继神经网络之后的一种新型机器学习算法。

文中搭建了4种典型的放电模型以模拟GIS中的局部放电，创新性地利用EFPI传感器检测GIS绝缘缺陷模型放电产生的超声信号。为识别不同的局部放电类型，采取了一种结合超声信号的波形特征。针对单次脉冲进行波形特征提取的方法，分别应用PNN算法和SVM算法对提取的特征参数进行智能模式识别，2种算法的平均识别正确率均在85%以上。

1 EFPI超声检测系统 1.1 EFPI传感器工作原理

EFPI传感器探头的设计结构如图 1所示，其工作原理^[15-16]为：单波长的光经过单模光纤入射到传感器探头，根据Fresnel原理，会有大约4%的入射光在光纤断面反射回光纤纤芯，其余约96%的入射光会经过F-P腔，并在传感器膜片处发生反射。2束反射光将会在光纤纤芯处发生干涉，由光的干涉理论可知，干涉光的光强为：

$ I = 2{I_0}R\left( {1 + {\rm{cos}}\left( {\frac{{4{n_0}\pi }}{\lambda }L} \right)} \right) $

(1)

式中：I₀为初始入射光强；R为反射系数；n₀为腔体折射率；λ为光源波长；L为F-P腔腔长。

由式(1)可知，在确定了传感器的制作材料之后，能够对干涉光光强产生影响的因素只有F-P腔腔长。因此，当EFPI传感器探头接收到超声波信号时，传感器膜片会随超声波信号产生振动，从而改变F-P腔的腔长，进而改变干涉光的光强，这个过程就实现了超声波信号向光信号的转换。

由于SF₆气体对超声波的强吸收效应，且超声波的高频分量较低频分量在SF₆气体中的衰减更为严重，EFPI传感器接收到的超声信号主要集中在低频段，据此开展EFPI传感器参数的设计，提高其灵敏度并降低固有频率。有研究表明，通过改变传感器膜片材质、扩大膜片半径、减小膜片厚度，可提高传感器灵敏度，且降低其固有频率^[17]。文中在实验室条件下，选用石英玻璃膜片，并将膜片半径从原1 mm增大至1.3 mm，厚度从原25 μm增大至30 μm，此时传感器的固有频率为48 kHz，灵敏度为262 nm/kPa。经测试，对于同一次绝缘缺陷引发的局部放电，在相同检测距离与放大倍数的条件下，EFPI传感器测量到的超声信号幅值约为压电陶瓷传感器的2.1倍。

1.2 超声检测系统

EFPI超声检测系统如图 2所示，该系统由EFPI传感器、单模光纤、光纤环形器、光源、光电放大器以及示波器连接而成^[18-19]。当EFPI传感器检测到超声波时，超声信号在传感器探头处转换成光信号，并由单模光纤将反射光传入光纤环形器处进行干涉，之后再传至光电放大器。光电放大器集成了光电转换与放大的功能，首先将光信号转换为电信号，再将电信号按设置的增益进行放大，最后在示波器上显示经过声-光-电转换、具有放大增益的超声波信号。通过分析该超声波信号可以获得产生局部放电的绝缘缺陷信息。

2 局部放电超声信号检测及特征参数提取 2.1 GIS局部放电检测试验平台

文中搭建的GIS局部放电检测试验平台由高压电源、4种典型的放电模型、GIS实验腔体以及EFPI超声检测系统4部分组成，如图 3所示。

GIS的缺陷类型主要包括尖刺放电、自由金属颗粒放电、悬浮电位金属体放电、绝缘子沿面放电^[20]。文中建立了4种放电模型，模拟以上4种缺陷类型产生的局部放电信号，即：尖端放电、金属颗粒放电、悬浮放电与沿面放电。放电模型的导电材质采用黄铜，其结构如图 4所示。在图 4(a)尖端放电模型中，对上电极表面进行抛光处理，周围进行倒圆角加工，保持放电稳定性。在图 4(b)金属颗粒放电模型中，电极间放置大小形状不一的金属铝球来模拟金属颗粒，并设置了一个环氧树脂罩以防自由金属球在电场中高速运动或碰撞时脱离放电模型。在图 4(c)悬浮放电模型中，电极间的环氧树脂套用来支持悬浮金属体，并可调整悬浮金属体与电极之间的距离。在图 4(d)中，沿面放电电极间的绝缘材质采用环氧树脂。

经测试，在充有0.4 MPa SF₆气体的GIS实验腔体内，上述放电模型均能在有效值18 kV左右的交流电压下产生稳定的放电，且EFPI超声检测系统能够检测到相应的放电超声信号。

GIS实验腔体为平高集团生产的220 kV GIS上的一段，中间充有0.4 MPa的SF₆气体，腔体内的EFPI传感器通过光纤馈通器与外部的检测系统连接。光纤馈通器可以根据需要组装到不同尺寸的法兰上，其两端均为FC/APC接口，用于连接内部的传感器和外部的检测系统，用装好光纤馈通器的法兰替换掉腔体上的观察窗，可实现EFPI传感器的置入，光纤馈通器及其安装方式如图 5所示。

2.2 不同局部放电类型的时域波形

在有效值18 kV左右的交流电压下，4种典型的绝缘缺陷放电模型均能在充有0.4 MPa SF₆气体的GIS实验腔体内产生稳定的放电，光电放大器的增益选为40 dB，记录不同局放模型产生的放电超声信号，如图 6所示。其中0时刻为放电起始时刻，超声信号较电磁信号在介质中传播较慢，故传感器接收到超声信号的时刻与放电起始时刻存在一定时间间隔，该时间间隔由传感器与放电源之间的距离决定。

由图 6可知，由EFPI传感器检测到的不同绝缘缺陷模型的放电超声信号差异较大，特征较为突出，有利于特征参数提取与模式识别研究的开展。

2.3 超声信号特征参数提取

局部放电产生的超声信号具有时延、宽脉宽和多次放电等特点，因此难以采用传统的构造二维统计谱图法对其进行模式识别^[21]。文中选择了一种更接近局部放电机理的方法，即结合超声信号的波形特征，针对单次脉冲进行波形特征参数提取。

超声波信号包括了很多的特征参数^[22]，文中选取了如下5个参数：上升时间T_r，持续时间T_d，幅值V_max，能量E，振铃计数C，如图 7所示。不同局部放电故障类型的原始超声信号经LabVIEW程序提取特征参数后，可形成特征参数数据库，用于后续的故障类型模式识别。

(1) 上升时间。超声脉冲信号第一次超过阈值与到达信号峰值之间的时间差，该数值可以体现信号的偏斜程度。

(2) 持续时间。超声脉冲信号第一次超过阈值与最后一次到达阈值的时间差，该数值可用于过滤无效的短脉冲信号，提高特征参数的有效性。

(3) 幅值。超声脉冲信号峰值的大小，即信号振幅，该数值可以体现信号的高度特征。幅值大小与光电放大器的增益相关，文中选定为40 dB。

(4) 能量。超声脉冲信号超过阈值的面积和。该数值与信号宽度特征(持续时间)、高度特征(幅值)均相关，可体现信号的相对强度。

(5) 振铃计数。该特征参数可以统计超声脉冲信号超过阈值的次数，与阈值大小的选取相关。根据实验现场噪声，文中的阈值选定为0.5 V。

3 基于不同模式识别算法的GIS局放模式识别

PNN是一种基于统计原理的人工神经网络，综合了径向基函数神经网络与经典概率密度估计原理的优点。与传统的BPNN相比，径向基神经元还可以和竞争神经元一起共同组建PNN，在模式识别领域具有显著优势^[23]。SVM是基于统计学理论和结构最小化理论的机器学习算法，相比于神经网络，其结构更简单、泛化能力更强。SVM可在有限的样本下，找到问题的最优解，尤其适合小样本数据，在模式识别领域的应用前景广阔^[24]。因此，文中将两者应用于GIS局部放电的故障类型判别中，并对其进行比较分析。

在对单次超声脉冲波形提取了5个特征参数的基础上，在识别流程开始之前对特征参数进行归一化处理，归一化映射如式(2)所示。

$ y = \frac{{x - {x_{{\rm{min}}}}}}{{{x_{{\rm{max}}}} - {x_{{\rm{min}}}}}} $

(2)

式中：x_min为参数最小值；x_max为参数最大值。将原始数据规整至[0, 1]范围内。

3.1 PNN识别方法

利用Matlab平台实现PNN模式识别，识别步骤如图 8所示。

(1) 特征向量格式调整。为将特征样本向量输入至PNN训练函数及测试函数中，须将其调整为特定输入格式。

(2) PNN参数设置。在PNN创建过程中，将扩展系数Spread设置为2，使得在可控的运行时间内，神经元能够对输入向量所覆盖的区间都产生响应。

(3) PNN创建及训练。在PNN创建及训练的过程中，将特定格式的测试样本特征向量进行输入，在训练完成后将训练样本进行回代测试，确保PNN的识别有效性。

(4) PNN测试。利用训练好的PNN对测试样本特征向量进行测试，并将识别结果与测试样本对应真实缺陷类型进行对比，可得知PNN的识别正确率。

3.2 SVM识别方法

文中利用基于Matlab平台的LIBSVM工具箱实现SVM的模式识别，识别步骤如图 9所示。

(1) 特征向量格式调整。基于SVM训练函数及测试函数的特定输入格式，对特征样本向量的格式进行调整。

(2) 核函数选取及参数设置。选取径向基核函数作为SVM程序的核函数，其可通过内积的方式解决低维空间特征向量线性不可分的问题。将g参数设置为1，c参数设置为2，确保了SVM模型的拟合能力以及相应的泛化能力。

(3) SVM模型创建及训练。在SVM模型创建及训练的过程中，输入特定格式的测试样本特征向量，并对核函数、g参数、c参数进行设置。在训练完成后对训练样本进行回代测试，确保训练样本对SVM模型的训练效果。

(4) SVM模型测试。利用训练好的SVM模型对测试样本特征向量进行测试，基于LIBSVM的预测函数可直接给出SVM模型的识别正确率。

3.3 识别结果比较分析

文中针对4种绝缘缺陷类型，一共检测并记录了300即75×4组局部放电超声信号，并在此基础上提取了300组特征向量，组建形成了特征参数数据库，选取200即50×4组特征向量样本分别对PNN和SVM进行训练，再将其分别应用于100即25×4组测试样本的模式识别。应用PNN的测试样本识别效果和分类误差如图 10所示，应用SVM的测试样本识别效果和分类误差如图 11所示。

从图 10和图 11可知，在由EFPI超声检测系统提取的超声信号特征参数数据库基础上，SVM算法的整体识别效果要优于PNN算法。表 1分别列出了2种模式识别算法对不同绝缘缺陷放电模型的局放超声信号的识别正确率。

从表 1的数据可以得出：

(1) 2种模式识别算法的平均识别率正确均在85%以上，SVM算法的平均识别正确率达到95%，要优于PNN算法。

(2) 尖端放电的识别正确率在2种算法下均能达到100%，由此可见其特征参数与其他3种放电模式差距较大。

(3) 悬浮放电与沿面放电之间存在相对数量较多的误诊断，由此可见这2类局部放电超声信号所提取的特征参数是相似的。

(4) 金属颗粒放电的识别正确率相对较低。由于金属铝球在电场中的运动与碰撞没有规律且放电形式多样，造成特征参数较为混乱，从而导致识别正确率降低。

4 结论

文中搭建了一套模拟GIS内部不同局部放电的实验装置，在该实验腔体内设置了4种典型的局部放电模型，利用EFPI超声传感器测量不同类型局部放电产生的超声信号，结合波形特征对超声信号单次脉冲进行了特征参数提取，并分别利用PNN算法和SVM算法对不同故障类型进行了模式识别，结论如下：

(1) 设计制作的EFPI传感器可对GIS中的尖端、金属颗粒、悬浮和沿面4种典型的绝缘缺陷模型产生的放电超声信号进行检测，检测到的超声信号波形特征突出，有利于后续特征参数提取及模式识别研究的开展。

(2) 在放电超声信号基础上，可以提取得到上升时间T_r，持续时间T_d，幅值V_max，能量E，振铃计数C这5个超声脉冲波形特征参数，特征参数可以很好地突出不同绝缘缺陷放电超声信号的特点，有利于对缺陷类型进行判别。

(3) 训练后的模式识别算法表现良好，均能达到85%以上的平均识别正确率，且SVM的识别效果要优于PNN。对于不同类型的局部放电，算法具有不同的识别正确率：尖端放电识别正确率最高，金属颗粒放电识别正确率最低，悬浮放电与沿面放电之间存在数量较多的相互误诊断。