【《电气设备局部放电检测与诊断研究的文献综述》2700字】

电气设备局部放电检测与诊断研究的文献综述局部放电检测作为电气设备绝缘状态评估的最有效手段，通过对局部放电的产生机理和放电特性进行研究，可以实现对电气设备的绝缘状态监测、放电故障诊断和寿命预测等。其中，局部放电诊断作为局部放电研究的重要内容，包括局部放电故障类型的辨别和局部放电严重程度的评估，可以为电气设备故障危险性评价提供参考。局部放电类型的辨别局部放电类型的辨别为通过模式识别对电力设备故障类型进行归类，根据电气设备中绝缘缺陷的电场分布情况，可以将故障类型分为尖端放电、沿面放电、悬浮电位放电、气隙放电和自有金属微粒放电这5种。局部放电模式识别主要包括三个关键步骤：=1\*GB3①局部放电模式构造；=2\*GB3②局部放电特征量提取；=3\*GB3③分类器选择REF_Ref68379490\r\h[12]。局部放电模式构造由于局部放电检测有多种不同的方式，通过不同检测方法测得的局部放电信号可以构造出用于局部放电模式识别的不同放电模式，主要包括：局部放电时间分布模式（TRPD）、局部放电相位分布模式（PRPD）、脉冲序列分布模式（PRPS）和模式等。TRPD模式是识别对象是局部放电脉冲波形，通过提取放电脉冲波形的特征实现模式识别REF_Ref68379561\r\h[13]。以超高频测GIS中局部放电为例，实验研究表明，对于不同的放电缺陷，其放电脉冲波形具有一定差异，因此可以直接将测得的放电脉冲波形用于模式识别。PRPD模式描述的是局部放电脉冲所对应的工频电压相位、放电量q和放电次数n之间的关系，是最常用的一种放电模式REF_Ref68379569\r\h[14]。通过不同的组合，PRPD可以构造出不同的放电谱图，其中最常用的是模式。谱图的画法是将平面划分成个单元，然后计算各单元内的放电次数。PRPS模式描述的是放电脉冲幅值、工频电压相位以及放电脉冲时间之间的关系，是局部放电最基本的放电模式，通过PRPS模式可以表征放电脉冲序列的相位及周期分布情况REF_Ref68379581\r\h[15]。通过对电缆附件的四种放电研究表明，不同类型的局部放电信号对应的脉冲序列相位分布有很大差异，因此可根据放电脉冲序列相位分布情况进行局部放电模式识别。模式指的是多个工频周期内两个相邻放电脉冲参考电压差的分布情况。研究表明，绝缘劣化程度受电压梯度的影响，通常只有当满足一定条件时才会造成局部放电，利用模式也可实现局部放电模式识别。放电特征量提取由于局部放电模式包含巨大的信息量，很难直接用于模式识别，需要提取最能反应放电特征的参数进行模式识别REF_Ref68379594\r\h[16]。统计特征参数、分形参数和矩特征参数是三种最常用的局部放电模式识别参数。统计特征参数主要包括统计算子和威布尔参数，其中统计算子包含偏斜度和陡峭度、放电量因数、相位不对称度以及相位相关系数，分别用于描述其谱图形状相对于正态分布的偏斜程度和突起程度、正负半周平均放电量的差异、正负半周局部放电起始相位差异以及谱图正负半周的分布相似性REF_Ref68379604\r\h[17]。分形参数广泛应用于局部放电模式识别，常用的分形特征有：盒维数、信息维数、关联位数和空缺率。矩特征描述的是PRPD模式谱图的灰度图像分布情况，其用于局部放电模式识别的识别率与三维数据相比识别率更高；另一方面，由于矩特征的特征量相对较少，也使得后续分类速度更快。(a)单次脉冲波形图(b)PRPD谱图(c)PRPS谱图(d)Δu谱图图STYLEREF1\s1SEQ图\*ARABIC\s11自由金属微粒放电的单次脉冲波形图、PRPD谱图、PRPS谱图和谱图分类器选择分类器是依据所提取的特征量对待识别故障类型进行分类，局部放电模式识别中常用的分类器包括：距离分类器、支持向量机分类器和人工神经网络分类器。距离分类器是根据识别对象与样本之间的距离判断其相似度，距离越大表示差异越大，距离越小越相似REF_Ref68379618\r\h[18]。不同的距离分类器由不同的聚类算法构成，其中常用的距离分类器包括最小马氏距离分类器、最小欧氏距离分类器等、最近邻分类器REF_Ref68379629\r\h[19]。支持向量机（supportvectormachines,SVM）是以统计学中结构风险最小化原理为基础，通过内积核函数代替原模式空间中非线性映射的二分类模型，适用于样本容量小而维数高的情况REF_Ref68379641\r\h[20]。人工神经网络是一种通过模拟人脑神经系统进行分类的算法，由输入层、隐含层和输出层这三层结构组成REF_Ref68379648\r\h[21]。输入层为局部放电模式中所提取的放电特征参量；隐含层用于提取分类信息，表征网络结构；输出层在局部放电类型识别中表示的是不同的放电类型。人工神经网络以其高容错性和鲁棒性的优势，广泛应用于放电类型的识别中，常见的人工神经网络包括：反向传播神经网络、遗传神经网络、自组织特征神经网络和自适应共振理论网络REF_Ref68379660\r\h[22]。图STYLEREF1\s1SEQ图\*ARABIC\s12人工神经网络结构图局部放电严重程度评估局部放电严重程度评估指的是对局部放电发展程度进行划分，按照放电能量从低到高依次可分为轻微放电、中度放电和严重放电REF_Ref68379817\r\h[23]。轻微放电为放电的起始阶段，此时放电脉冲数较少、放电微弱，轻微放电对于电气设备的绝缘状态影响在可控范围内，执行常规的检修计划即可。中度放电时放电脉冲数和放电量都有大幅提高，放电更加密集，此时应该缩短检修时间间隔，同时保持持续在线监测观测放电的发展趋势。严重放电时放电最剧烈，易引起绝缘失效导致电力设备故障，影响电力系统的稳定运行，这时应主动预警并迅速确定缺陷位置，必要时应切除设备REF_Ref68379827\r\h[24]。目前国内外对局部放电严重程度评估的研究主要依靠幅值信号，易受检测位置、信号传播过程中损耗等因素影响，另一方面，由于局部放电发展阶段边界的模糊性，对于放电发展程度基本是人为根据放电现象划分的，缺乏相关行业标准REF_Ref68379841\r\h[25]。由上可知，目前对于局部放电诊断而言，最重要的是提取能够反应放电本征特性的特征量，并选取合适的分类器。在局部放电检测中，光测法以局部放电产生的光辐射信号为检测对象，由于光辐射伴随于局部放电发展的全过程，光信号可以表征局部放电的本质特性。因此提取局部放电光辐射中的多光谱特征量并选取合适的分类器，可以实现可靠、高效的局部放电诊断。参考文献施围，邱毓昌，张乔根．高电压工程基础［M］．第2版．北京：机械工业出版社，2014：89-91．李刚，于长海，刘云鹏等．电力变压器故障预测与健康管理：挑战与展望［J］．电力系统自动化，2017，41(23)：156-167．王卫东，赵现平，王达达等．GIS局部放电检测方法的分析研究［J］．高压电器，2012，48(8)：13-17．RodrigoMA,CastroHLC,MuñozFA.ANovelApproachforPartialDischargeMeasurementsonGISUsingHFCTSensors[J].Sensors,2018,18(12).辛晓虎，李继胜，纪海英等．用于变压器中局部放电定位的十字形超声阵列传感器研究［J］．中国电机工程学报，2013，33(21)：154-162+205．XuY,ChengJ,LiuW,etal.EvaluationoftheUHFmethodbasedontheinvestigationofapartialdischargecaseinpostinsulators[J].IEEETransactionsonDielectricsandElectricalInsulation,2017,24(6):3669-3676.MangeretR,FarencJ,AiB,etal.Opticaldetectionofpartialdischargesusingfluorescentfiber[J].IEEETransactionsonElectricalInsulation,1991,26(4):783-789.IECInternationalStandard60270.HighVoltageTestTechniques-PartialDischargeMeasurements.InternationalElectrotechnicalCommission(IEC),Geneva,Switzerland,3rdedition,2000.JiangJ,WangK,WuXR,etal.CharacteristicsofthepropagationofpartialdischargeultrasonicsignalsonatransformerwallbasedonSagnacinterference[J].PlasmaScienceandTechnology,2020,22(02):12-20.ZhengQ,LuoL,SongH,etal.IntelligentlearningapproachforUHFpartialdischargelocalisationinair-insulatedsubstations[J].HighVoltage,2020,5(5):583-590.LiuZH,WangYQ,ChenX,etal.AnopticalfibersensingmethodforpartialdischargeintheHVDCcablesystem[J].InternationalJournalofElectricalPowerandEnergySystems,2021,128.唐志国，唐铭泽，李金忠等．电气设备局部放电模式识别研究综述［J］．高电压技术，2017，43(07)：2263-2277．唐炬，卓然，吴冕之等．气体绝缘电器局部放电模式的多特征信息融合决策诊断［J］．高电压技术，2013，39(11)：2581-2588．JungSY,KooJY.AComparativeS