【《电力设备局部放电检测研究的国内外文献综述》5800字】

电力设备局部放电检测研究的国内外文献综述局部放电检测与诊断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。局部放电光学检测局部放电光学检测技术是一种非电量测量法，利用光电探测器检测局部放电产生的光辐射信号，不受电气干扰且灵敏度高。将光学手段引入局部放电的检测于1993年第一次被S.S.Bamji学者提出，他利用局部放电光学检测技术研究了绝缘材料聚乙烯的老化特性REF_Ref68375397\r\h[26]。近年来，国内外学者对光测法检测局部放电进行了大量的研究，使得光测法在设备外绝缘电晕检测、局部放电定位、电气绝缘老化机理等方面都取得了较大的进展。现阶段的局部放电领域中，光测法主要包括局部放电光谱研究和局部放电光脉冲检测。局部放电光谱分析技术是光测法研究的基础REF_Ref68375406\r\h[27]，主要用于测量局部放电光谱范围分布特征，根据局部放电光的波长分布选取合适的光电探测器，以提高光测法的检测效率、灵敏度等。学者们研究了油中局部放电的光谱特性，测得在非均匀场中，油中局部放电的光谱范围大致为500~700nmREF_Ref68375414\r\h[28]。对气体中电晕放电光谱特性的研究中REF_Ref68375428\r\h[29]，测量得出空气中一个大气压下电晕放电的光谱范围主要分布在200~800nm波段；SF6中气体中，气压范围在0.1MPa~0.5MPa时，局部放电光谱范围大致为300~500nm。局部放电光脉冲检测主要用于电气设备绝缘监测、局部放电源定位、放电模式识别等，局部放电光脉冲检测可分为设备内绝缘局部放电检测和设备外绝缘电晕检测REF_Ref68375449\r\h[30]。对于设备外绝缘电晕检测，通常采用紫外成像法，即利用日盲紫外波段，通过紫外成像仪检测局部放电产生的紫外光信号，进而对设备的电晕放电进行监测REF_Ref68375458\r\h[31]。设备内绝缘局部放电检测则是将光电探测器置于电力设备内部或通过光纤将光信号引出设备外部再由光电探测器进行检测REF_Ref68375469\r\h[32]。对于测得的局部放电光脉冲信号，常采用PRPD(PhaseResolvedPartialDischarge)谱图进行分析REF_Ref68375479\r\h[33]，然而这种基于相基统计数据的局部放电分析难以适用于直流设备或现场难以取得相位信息的情况，使得光测法在实际应用中仍存在较大的局限性。如何充分挖掘局部放电的光谱特征，将放电信息与多光谱信息相结合，实现可应用于现场实际的不依赖相位信息的局部放电诊断，是目前亟待解决的问题。多光谱分析技术光谱的概念最早出现于17世纪，牛顿通过棱镜实现了光的色散，使人们对光谱有了初步的认识REF_Ref68361761\r\h[34]。1895年，第一个分光装置由物理学家克希霍夫制造出来，用于研究金属的光谱，从此奠定了光谱分析的基础REF_Ref68361861\r\h[35]。多光谱是指从光辐射中提取多个单波段，得到的多个波段的光谱数据可以反应物体在不同光谱波段上的光学特性。光谱特征是由物体本身特性决定的REF_Ref68361728\r\h[36]，对不同的目标物进行光谱信息提取会得到不同的光谱特征，因此多光谱分析技术是特征识别的一种重要手段。近年来，国内外学者对多光谱信息以及不同波段之间的相关性进行了大量研究，使得多光谱分析技术得以广泛的应用于国防军事REF_Ref68362072\r\h[37]、环境检测REF_Ref68362083\r\h[38]、仿生识别REF_Ref68362093\r\h[39]、农业生产REF_Ref68362099\r\h[40]等领域。光谱分析技术是指通过根据待观测目标的光谱响应与波长之间的关系，对目标物的特性及种类进行分析的处理技术。通常单一波段上的数据可利用信息较少，在对目标物特征识别上存在明显局限性，为了对目标物的特征有更全面、更准确的认识，需要同时对不同波段下的光谱数据进行分析处理。基于此，国内外学者对光谱数据处理和最佳波段的选取分别进行了大量研究，其中包括国外学者提出的利用优化施密特正交法对光谱成像数据进行处理，从而选取高度相关的光谱波段下的有效数据REF_Ref68372023\r\h[41]；利用多变量距离测试对机载光谱数据选择特征波段，并验证了该特征波段的有效性REF_Ref68372030\r\h[42]。国内学者冯永康等人利用类内与类间可分性、最佳指数因子以及联合熵三种方法分别对植被信息的多光谱数据选取了最佳组合波段REF_Ref68372038\r\h[43]；利用最小噪声分离(MinimumNoiseFraction,MNF)REF_Ref68372051\r\h[44]、小波变换(WaveletTransform,WT)REF_Ref68372055\r\h[45]、主成分分析(PrincipalComponentAnalysis,PCA)REF_Ref68372060\r\h[46]以及独立成分分析(IndependentComponentAnalysis,ICA)等方法对光谱特征波段进行选择REF_Ref68372070\r\h[47]。图STYLEREF1\s1SEQ图\*ARABIC\s13牛顿色散试验示意图表STYLEREF1\s1SEQ表\*ARABIC\s11常见光谱的波长范围光谱区域波长范围光谱区域波长范围γ射线区5~140pm近红外区0.78~3μmX射线区0.01~10nm中红外区3~30μm远紫外区10~200nm远红外区30~300μm近紫外区200~380nm微波区0.3~1m可见光区380~780nm射频区1~1000m多光谱分析技术最早应用于军事国防领域，之后随着电子技术的发展、精密仪器的产生以及新的探测领域的出现，逐渐被广泛应用于各工业领域，包括水质检测、医学医疗、农业生产等。在军事领域中，通常利用多光谱同时对目标物进行探测，从而辨别目标物的成分及状态，得到空间探测信息与地面目标的对应关系，是一种精确有效的战场侦察方式REF_Ref68372085\r\h[48]。在水质检测领域，由于各种液体对不同波长光的吸收特性不尽相同，可利用多光谱分析技术检测水体的悬浮物浓度及可溶解性有机物等相关水质参数REF_Ref68372092\r\h[49]。在医学医疗领域，由于某些特定波段可以穿透生物组织，选择合适波长的光对病灶结构进行拍照，可获取病灶特征信息，从而用于医学诊断分析REF_Ref68372099\r\h[50]。在农业生产领域，通过多光谱数据获得农作物光谱特征，可对不同的作物进行识别和分类，检测分析农作物生长品质、监测农作物染病程度等REF_Ref68372111\r\h[51]。多光谱分析技术目前已广泛应用于各个领域，但在电力行业发展甚微。多光谱技术的发展为局部放电诊断提供了新的思路，本文旨在探究多光谱分析技术在电力设备绝缘诊断方面的应用，实现利用放电光谱信息对电气设备的故障诊断。局部放电多光谱检测与诊断为了充分利用局部放电光谱信息并发挥光测法的优势，西安交通大学任明等人第一次将光谱与局部放电光脉冲检测相结合REF_Ref68375493\r\h[52]。为了实现多光谱同步检测，他们首先通过对SiPM传感器的信噪比、测得的局部放电光脉冲波形、起始放电电压、局部放电光脉冲分辨率和脉冲恢复时间等响应特性的测试，验证了新型光电探测阵列进行局部放电检测的有效性REF_Ref68375504\r\h[53]。然后利用该传感器分别在0.1MPa和0.3MPa六氟化硫气体中对尖端、悬浮和沿面三种不同放电缺陷在紫外、可见及红外波段下的放电特性进行了研究，利用三元图分析方法，通过划分区域对局部放电类型进行了分析REF_Ref68375512\r\h[54]，如图1-4所示。(a-i)0.1MPaSF6尖端放电(b-i)0.1MPaSF6悬浮放电(c-i)0.1MPaSF6沿面放电(a-ii)0.3MPaSF6尖端放电(b-ii)0.3MPaSF6悬浮放电(c-ii)0.3MPaSF6沿面放电(a-iii)0.1MPaSF6三种类型放电(b-iii)0.3MPaSF6三种类型放电图STYLEREF1\s1SEQ图\*ARABIC\s14利用三光谱的局部放电类型辨识结果任明等人将放电光谱信息与光脉冲相结合，通过三光谱局部放电检测结合三元图分析完成了初步局部放电类型识别REF_Ref68375519\r\h[55]，但对多波段的光谱信息深入挖掘、特征光谱选取以及如何不依靠相位信息进行局部放电诊断等方面还有待进一步研究。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.AComparativeStudyofThePDPatternAnalysisBasedonPRPDandCAPDforTheDiagnosisofGasInsulatedTransformer[J].TheTransactionsoftheKoreanInstituteofElectricalEngineersC,2006,55(6):308-312.尚海昆．电力变压器局部放电信号的特征提取与模式识别方法研究［D］．华北电力大学，2014．刘永刚．光测法检测局部放电的模式识别及放电量估计研究［D］．重庆大学，2012．XuY,QianY,ShenG,etal.SimulationanalysisonthepropagationoftheopticalpartialdischargesignalinI-shapedandL-shapedGILs[J].IEEETransanctionsDielectricsandElectricalInsulation.2018,25(4),1421-1428.R.Singh,R.Vásquez.MLparameterestimationandminimumdistanceclassifierfortextureanalysisusingwavelettransform[J].Computers&IndustrialEngineering,1997,33(1):449-452.KedarS,Chaitali,etal.CurrencyRecognitionUsingImageProcessingandMinimumDistanceClassifierTechnique[J].InternationalJournalofAdvancedEngineeringResearchandScience,2016,3(9).KalpitRC,AshwiniMJ.ComparativeStudybetweenTwo-ClassSVMandOne-ClassSVMClassifiersforOutlierDetectionforDiseaseDiagnosis[J].InternationalJournalofDataMiningAndEmergingTechnologies,2015,5(1):42-48.周沙，景亮．基于矩特征与概率神经网络的局部放电模式识别［J］．电力系统保护与控制，2016，44(03)：98-102．V.Khoshdel,A.RAkbarzadeh.ApplicationofstatisticaltechniquesandartificialneuralnetworktoestimateforcefromsEMGsignals[J].JournalofArtificialIntelligenceandDataMining,2016,4(2):135-141.董玉林．组合电器局部放电特征提取与放电严重程度评估方法研究［D］．重庆大学，2015．SchichlerU,KoltunowiczW,EndoF,etal.RiskassessmentondefectsinGISbasedonPDdiagnostics[J].IEEEtransactionsondielectricsandelectricalinsulation:ApublicationoftheIEEEDielectricsandElectricalInsulationSociety,2013,20(6):2165-2172.Gao,WS,DingDW,LiuWD,etal.InvestigationoftheEvaluationofthePDSeverityandVerificationoftheSensitivityofPartial-DischargeDetectionUsingtheUHFMethodinGIS[J].IEEETransactionsonPowerDelivery,2014,29(1):38-47.ChenWG,WangJX,WanF,etal.Reviewofopticalfiber