2024年5月23日发(作者：夏侯妍丽)
・
研究与分析・ 低压电器（２０１２Ｎｏ．１３）
局部放电故障类型智能识别
技术的研究木
孙曙光， 陆俭国， 王景芹， 金少华
（河北工业大学，天津
摘
３００１３０）
要：研究了局部放电故障类型的智能识别方法和其识别效果。基于超高频法
孙曙光（１９７９一），
研究了局部放电的信号特征，分析了不同放电类型的信号特征差异。构造了局部放电
的二维谱图，提取了６个统计特征参数作为神经网络的输入，用以识别放电类型。通过
对设计的三种放电类型的试验分析，发现放电样本选取对识别正确率有很大的影响，
合理选取可提高识别效果。
关键词：气体绝缘组合电器；智能识别；局部放电；故障类型；超高频；神经网络
中图分类号：ＴＭ ７３２：ＴＭ ８５５ ．２文献标志码：Ａ文章编号：１００１－５５３１（２０１２）
１３－０００１ ５
男，讲师，博士后，研
究方向为局部放电
在线检测与诊断。
Ｓｔｕｄｙ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｒｅｃｏｇｎｉｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ ｏｆ
Ｐａｒｔｉａｌ Ｄｉｓｃｈａｒｇｅ Ｆａｕｌｔ Ｔｙｐｅ
ＳＵＮ Ｓｈｕｇｕａｎｇ，ＬＵ Ｊｉａｎｇｕｏ，ＷＡＮＧ Ｊｉｎｇｑｉｎ，ｊｌＮ Ｓｈａｏｈｕａ
（Ｈｅｂｅｉ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，Ｔｉａｎｊｉｎ ３００１３０，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｈｅ ｉｎｔｅｌｌｉｇｅｎｔ ｒｅｃｏｇｎｉｔｉｏｎ ｍｅｔｈｏｄ ａｎｄ ｒｅｃｏｇｎｉｔｉｏｎ ｅｆｆｅｃｔ ｏｆ ｐａｒｔｉａｌ ｄｉｓｃｈａｒｇｅ ｆａｕｌｔ ｔｙｐｅ ｗｅｒｅ
ｉｎｖｅｓｔｉｇａｔｅｄ．Ｔｈｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｐａｒｔｉａｌ ｄｉｓｃｈａｒｇｅ ｗｅｒｅ ｓｔｕｄｉｅｄ ｂａｓｅｄ ｏｎ ｕｌｔｒａ ｈＪ ｇｈ ｆｒｅｑｕｅｎｃｙ（ＵＨＦ）ｍｅｔｈｏｄ ａｎｄ
ｔｈｅ ｄｉｆｆｅｒｅｎｃｅ ｏｆ ｔｈｅｍ ｗａｓ ａｌｓｏ ａｎａｌｙｚｅｄ．Ｔｈｅ ｔＷＯ—ｄｉｍｅｎｓｉｏｎａｌ ｓｐｅｃｔｒｕｍ ｗａｓ ｃｏｎｓｔｒｕｃｔｅｄ ａｎｄ ｓｉｘ ｓｔａｔｉｓｔｉｃａｌ
ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｐａｒａｍｅｔｅｒｓ ｗｅｒｅ ｅｘｔｒａｃｔｅｄ ａｓ ｔｈｅ ｉｎｐｕｔ ｏｆ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｔｏ ｉｄｅｎｔｉｆｙ ｔｈｅ ｔｙｐｅ ｏｆ ｐａｒｔｉａｌ ｄｉｓｃｈａｒｇｅ．Ｆｒｏｍ
ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌ ａｎａｌｙｓｉｓ ｏｆ ｔｈｅ ｔｈｒｅｅ ｄｅｓｉｇｎｅｄ ｄｉｓｃｈａｒｇｅ ｔｙｐｅｓ，ｉｔ ｉｓ ｓｈｏｗｎ ｔｈａｔ ｔｈｅ ｓｅｌｅｃｔｉｏｎ ｏｆ ｓａｍｐｌｅ ｆｏｒ ｐａｒｔｉａｌ
ｄｉｓｃｈａｒｇｅ ｈａｓ ａ ｇｒｅａｔ ｉｍｐａｃｔ ｏｎ ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ ａｃｃｕｒａｃｙ ａｎｄ ｔｈｅ ｒｅａｓｏｎａｂｌｅ ｓｅｌｅｃｔｉｏｎ ｃａｎ ｉｍｐｒｏｖｅ ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ
ｅｆｆｅｃｔ．
Ｋｅｙ ｗｏｒｄｓ：ｇａｓ ｉｎｓｕｌａｔｅｄ ｓｗｉｔｃｈｇｅａｒ（ＧＩＳ）ｉ ｉｎｔｅｌｌｉｇｅｎｔ ｒｅｃｏｇｎｉｔｉｏｎ；ｐａｒｔｉｌｕ ｄｉｓｃｈａｒｇｅ；ｆａｕｌｔ ｔｙｐｅ；
ｕｌｔｒａ ｈｉｇｈ ｆｒｅｑｕｅｎｃｙ（ＵＨＦ）；ｎｅｕｒａｌ ｎｅｔｗｏｒｋ
０ 引 言
气体绝缘组合电器（Ｇａｓ Ｉｎｓｕｌａｔｅｄ Ｓｗｉｔｃｈｇｅａｒ，
ＧＩＳ）具有结构紧凑、占地面积小，且不受外界环
电源所表现出来的局部放电特征并不一样，对
ＧＩＳ的损害程度也不同，正确识别各种局部放电
源对于评估ＧＩＳ的绝缘状态和制定合理的维修
策略是至关重要的。本文研究了局部放电后，
放电类型的模式识别技术。结合不同放电类型
特点，通过试验着重分析了样本选择对识别效
境影响等特点，在电力系统和众多企业用户中得
到了广泛应用。对ＧＩＳ运行过程中发生的局部
放电进行监测，可以有目的地进行故障切除，大
大提高检修效率和系统的稳定性 。不同放
果的影响，以达到提高放电模式识别正确率的
目的。
陆俭国（１９３６一），男，教授，博士生导师，研究方向为电器可靠性与检测技术。
王景芹（１９６４一），女，教授，博士生导师，博士，研究方向为电器可靠性理论与测试技术。
基金项目：河北省教育厅科学研究计划项目（Ｚ２００８３０８）；河北省应用基础研究计划重点基础研究项目
（１０９６２１２６Ｄ）。
一
１一
．
低压电器（２０１２Ｎｏ．１３ Ｊ ・研究与分析・
１ 试验模型
试验模型由１１０ ｋＶ ＺＦＷ一１２６型ＧＩＳ实际部
端部位于绝缘子与高压导杆连接点１ ｃｍ处。
２ 基于超高频测量的ＧＩＳ局部放电
的信号特征
以上３种类型的局部放电信号波形如图２所
件构成，如图１所示。该试验装置模型整体呈Ｌ
型结构，各气室充以０．２４ ＭＰａ的ＳＦ 气体作为绝
缘介质。超高频传感器的安装采用外置式，频率
范围在３００～１ ５００ ＭＨｚ。模型中共有４个测量
点，测量点２、４为绝缘子浇铸孔；测量点１、３为腔
示。它们均为９０ ｋＶ条件下测得的检波信号。其
中，图２（ａ）对应高压导杆金属尖刺放电类型，传
感器置于测量点３，检波输出是将超高频传感器
的射频输出经过检波器检波得到的，本文中检波
器的脉冲宽度为０．２ ｍｓ，经检波后可以在工频周
期内直观地看出局部放电发生的相位分布，并可
利用该信号进行相关的放电谱图分析。由图
２（ａ）可见，此种类型的放电在单个工频周期内的
放电次数多，放电信号相互交叠，通过逐步升压，
放电首先出现在工频电压的正半周的峰值附近，
５０ ｋＶ后负半周才开始出现局部放电，但小于正
半周的放电幅值。
体开孔。采用环氧树脂做成的盖子进行封闭。本
文共设计了３种典型的局部放电源模型 ：
图２（ｂ）对应高压导杆悬浮电位放电类型，传
感器置于测量点３。由图２（ｂ）可见，此种类型的
局部放电在一个工频周期内的放电次数少，但只
图１试验模型
要发生放电，放电幅值就比较明显，工频正负半周
的放电信号基本成对出现，放电相位也基本对称。
图２（ｃ）对应绝缘子表面金属颗粒放电类型，
（１）高压导体上的金属尖刺放电。该放电属
电晕放电，尖刺为直径０．５ ｍｍ的单根铜丝，与筒
体壁的间隙为２０ ｍｍ，铜丝由螺丝固定在高压导
体上，并紧密接触。
传感器置于测量点１。由图２（Ｃ）可见，此种类型
的局部放电在一个工频周期内的放电次数较多，
但幅值大小不一，负半周的放电次数要明显多于
正半周的放电次数。
（２）悬浮电位。采用一个不锈钢螺母来模拟
这种放电，利用绝缘胶带将螺母垫起，螺母与高压
导杆的间隙为０．１ ｍｍ。
通过以上对３种放电类型放电的检波信号以
及超高频信号的分析可以发现，基于超高频法的
测量原理，不同类型的放电发生的相位分布、放电
幅值大小、工频周期的放电次数存在差别，这为进
（３）绝缘子表面的固定金属颗粒。该放电属
绝缘子沿面放电，放电模型为长度５ ｃｍ、直径
１ ｍｍ、平行于电场方向固定放置的单根铜丝，上
１．０
０．８
０．６
０４
２
之
０．
趔
Ｏ
２
馨
０．
０．４
Ｏ．６
０ ８
１ Ｏ
０
一
—
—
—
５ １０ １５ ２０
】．０
０．８
Ｏ ６
０．４
之
Ｏ．２
理
０
馨
０－２
０．４
０．６
Ｏ．８
１．Ｏ
—
之
趔
馨
—
一
时间／ｍｓ
时间／ｍｓ 时间／ｍｓ
（ａ）金属尖刺放电
（ｂ）悬浮电位放电 （ｃ）固定金属颗粒放电
图２局部放电信号波形
行放电类型的智能识别的特征参数的选取提供了
基础。本文对放电特征的选取是在相位分析模式
下，选取的相位分布统计特征作为放电类型识别
的特征参数。
２一
・
研究与分析・
ｒ．．．．．．。．．Ｌｒ．．．．．．．．．Ｌ ．．，．．．．． Ｌ．．。，．．．．。． ．．．．
低压电器（２０１２Ｎｏ．１３）
Ｌ
３ 基于ＢＰ神经网络的放电模式识别
３．１局部放电的谱图特征分析
图统计１００个周期内各相位段的放电次数，谱图
分析中相位窗的宽度为５。。此外，为了比较详细
为进行局部放电类型的模式识别，本文在相
了局部放电的二维谱图，包括Ｕｍ
谱图。为了更具普遍性，
谱图和Ｎ一
位分析模式下对局部放电信号进行了分析，构造
咖谱图是统计１００
▲
地分析放电信号，分别对７０、８０、９０ ｋＶ电压等级
下的放电信号进行了谱图分析。以上３种类型的
局部放电的二维谱图如图３所示，均为７０ ｋＶ电
压等级下。图３直观地表述了３种放电的相位分
布特征，可以在谱图的形状，以及正、负半周的轮
廓差异体现出来。
个工频周期内最大放电幅值和相位关系，ｍ－４，谱
之
坦
馨
。
之
脚
籍
斗＜
堪
翼１２ｏ
要８０
４Ｏ
＿Ｋ
删罄
０ ５０ １０Ｏ １５Ｏ ２００ ２５０ ３００ ３５０
０ ５０ １００ １５０ ２００ ２５０ ３００ ３５０
０ ５Ｏ １ＯＯ １５０ ２００ ２５０ ３００ ３５０
相位 ）
相位／（ ）
相位 ）
（ａ）金属尖刺放电 谱图
（ｂ）金属尖刺放电Ⅳ． 谱图
１３Ｏ
１２Ｏ
１０Ｏ
８０
（ｃ）悬浮电位放电 一 谱图
蓁１ 一
●
■■■■■■■●—■■＿
６０
４０
２０
Ｏ ５０ １００ ｌ５Ｏ ２００ ２５０ ３００ ３５０
０ ５０ １００ １５Ｏ ２００ ２５０ ３００ ３５０
汕■
相位 ）
■■阻
０ ５０ １００ １５Ｏ ２０ｏ ２５０ ３００ ３５０
相位 ） 相位 。）
（ｄ）悬浮电位放电Ｎ－４，谱图
（ｅ）同定金属颗粒放电 一≯谱图
（ｆ）固定金属颗粒放电Ｎ－４，谱图
图３局部放电二维统计谱图
３．２谱图特征参数的提取
本文选取了如下的６个统计特征参数来描述
■
数。这些特征参数将作为神经网络的训练样本和
测试样本。表２给出了３种电压等级下各一组统
计特征参数值。值得注意的是，由于放电发生具有
随机性的特点因此会受到试验条件影响，同种类型
放电在同一电压下的各组样本参数值存在差异，且
会随电压的变化样本参数值也会发生变化。
二维谱图的形状与轮廓特征，具体计算可参考文献
［４－６］。这些参数是神经网络模式分类器的输入
量，如表１所示。具体分为３个电压等级，在每个
电压等级下对３种放电类型各提取了５０组特征参
表１统计特征参数说明
名称 作用
偏斜度龇
描述某种形状的分布对比于正态分布形状的偏斜程度
陡峭度Ｋｕ
互相关系数ＣＣ
描述某种形状的分布对比于正态分布形状的突起程度
反映谱图正、负半周内的形状相似度
反映谱图正、负半周内平均放电量的差异
反映谱图正、负半周内放电的起始相位的差别
放电量因数Ｑ
相位不对称度
修正的互相关系数Ｆｔ￣＇Ｃ
用于评价谱图正、负半周内放电模式的差异
３一
低压电器ｆ２０１２Ｎ０．１３） ‘研究与分析・
３．３ ＢＰ神经网络智能识别的试验分析
基于ＢＰ神经网络的局部放电类型识别如
络进行训练，学习速率选为０．１，目标误差选为
０．０００ １，训练次数选为２０００次。
图４所示。从理论上讲，具有一个隐含层的网络
可以解决几乎所有非线性问题… 。本文所设计
的ＢＰ神经网络隐含层为一层，识别用到了６个
在试验分析中，对神经网络输出值＞１０．９５，认
为是１；输出值≤０．０５，认为是０；在此之间的值不
能识别。为了更好地利用神经网络进行放电类型
识别，按以下３种方式进行了试验分析。
（１）同一电压下选择不同数目的训练样本进
行测试。在此方式下，分别在３种电压下各选取
了２０和４０组样本进行训练，然后对同样的１０
统计特征参数，即输入层节点数为６；隐层节点数
计算依据２ｎ＋１来取，其中ｎ为输入层节点个数，
可以确定隐层节点数为１３个；输出层节点的数目
为３。神经网络的输出采用二进制表示法，以识
别上述３种类型为例，金属颗粒放电［１ ０ ０］、悬
浮电位放电［０ １ ０］、金属尖刺放电［０ ０ １］。输入
层到隐层的转移函数选择为双曲正切函数，隐层
到输出层的转移函数为线性函数。采用Ｌ—Ｍ
组样本进行测试，训练样本和测试样本的电压
等级相同。测试结果如表３所示，识别效果是
被识别的样本数除以总的识别样本数的百分比
表示。由表３可见，对于金属尖刺放电类型在
各个电压等级下，２０和４０组样本训练下识别率 （Ｌｅｖｅｎｂｅｒｇ—Ｍａｑｕａｒｄｔ）改进ＢＰ算法对ＢＰ神经网
船
都达到了１００％，识别效果最好，主要是由于此
种放电在这３种电压下放电发生的次数多，放
Ｋｕ
电比较稳定，放电特征明显，样本差异不大。对
输
人
ｃｃ
模
式Ｑ
中
曩藿
类式
型
于悬浮电位放电在９０ ｋＶ电压下，识别率都很
低，但增加训练样本个数，识别率还是有所提
高，增加至５０％，由于在此条件下放电不是很稳
定，样本参数波动比较大。对于固定金属颗粒，
试验条件改变，放电也存在和悬浮电位放电类
， ＣＣ
输入层 隐层 输出层
似的情况，但其在８０ ｋＶ电压下，训练样本增加
后，识别率提高到１００％，在９０ ｋＶ电压下识别率
提高到８０％。
图４神经网络结构图
—— ——
・
研究与分析・
表３训练与测试电压相同的识别结果
（２）训练样本电压等级和测试样本电压等级
不同。在此方式下，分别选取一种电压等级下的
４０组样本进行训练，但用其他电压等级的１０组
样本进行测试，训练样本和测试样本的电压等级
不同。测试结果如表４所示。由表４可见，在此
方式下除尖刺放电达到了很好的识别率，其他放
电类型的识别效果整体上都不如训练和测试电压
相同时的效果好，主要是由于尖刺放电次数多，各
种电压下都比较稳定，放电特征明显，样本参数波
动小，而另外两种类型在不同电压下，样本参数波
动比较大
表４训练与测试电压不同的识别结果
（３）三种电压等级样本共同作为训练样本。
在此方式下，选取了３种电压下的各４０组样本，
共计１２０组样本进行训练，分别对３种电压等级
的各ｌＯ组样本进行测试。测试结果如表５所示。
由表５可见，在此方式下的整体识别效果最好，这
样训练除了使训练样本覆盖面更广，包含的放电
特征信息量大，同时也相当于增加了训练样本的
个数，起到了比较好的识别效果。
低压电器（２０１２Ｎｏ．１３）
表５全部电压下训练的识别结果
以上分析结果表明，由于局部放电发生的随
机性和放电特性会受到外界条件的影响，故在进
行智能识别时，神经网络训练样本的选取要具有
尽可能大的覆盖面，从而包含充分的放电特征信
息，同时，增加训练样本的个数也有利于提高识别
效果。
ｒＬ
１
４ 结 语
１Ｊ
本文在相位分析模式下构造了放电信号的二
维谱图，并提取了谱图的特征参数作为神经网络
模式分类器的输入，利用样本对神经网络进行训
练以识别不同的放电类型。经试验分析表明，由
于局部放电发生的随机性和放电特性会受到外界
条件的影响，故在进行智能识别时神经网络训练
样本的选取要具有尽可能大的覆盖面。若训练样
本包含信息单一，则不能达到好的识别效果，同
时，增加训练样本的个数也有利于提高识别效果。
【参考文献】
李继胜，赵学风，杨景刚．ＧＩＳ典型缺陷局部放电测
量与分析［Ｊ］．高电压技术，２００９，３５（１０）：
２４４０－２４４５．
印华，方志，张小勇，根据ＵＨＦ信号特征的ＧＩＳ局
部放电模式识别［Ｊ］．高压电器，２００５，４１（１）：
１９ ２３．
刘云鹏，王会斌，王娟，等．高压开关柜局部放电
ＵＨＦ在线监测系统的研究［Ｊ］．高压电器，２００９，４５
（１）：１５—１７．
孙学勇，阳国庆，仲伟涛，等．局部放电故障神经网
络模式识别及实验研究［Ｊ］．模式识别与仿真技
术，２００５，２４（３）：２２－２５．
唐炬，王静，李剑，等．统计参数用于局部放电模式
识别的研究［Ｊ］．高电压技术，２００２，２８（８）：４ ．
董志敏．大型发电机定子绝缘局部放电在线模式
识别研究［Ｄ］．北京：华北电力大学，２００７．
（下转第１Ｏ页）
一
５—
ｒＬ ｒＬ
２
１ｊ
３
］Ｊ
低压电器（２０１２Ｎｏ．１３） ・研究与分析・
接触器电流仿真计算曲线如图１０所示。将
试验测得的电流波形和仿真得到电流波形在第一
波峰点、第一波谷点和刚趋于稳定点进行比较，即
比较冈１０中ｎ、ｂ、Ｃ三点的电流和时间，结果如表
２所示。
０．２５
０．２０
０．１５
４ 结 语
（１）采用有限元方法计算了三气隙永磁接触
器不同电流、气隙时的电磁吸力和磁链；然后建立
接触器闭合过程的数学模型；利用ＶＣ＋＋编写程
序，实现接触器闭合过程电路、机械运动、磁场的
耦合求解，实现触头弹跳和永磁接触器动态过程
的计算。
（２）通过对ＬＣ１Ｄ３２型三气隙永磁接触器进
ｏ １０
０．０５
Ｏ
０ ０５
行仿真计算和试验测试，将试验测得电流波形和
计算所得电流波形对比，吻合良好，证明了计算结
果的正确性。
ｔ／ｍｓ
ｌ０ ０ １０ ２Ｏ ３Ｏ ４０ ５０ ６０ ７０ ８Ｏ ９Ｏ １００１１０
【参考文献】
ｌ１ｊ ＫＡＷＡＳＥ Ｙ，ＹＡＭＡＧＵＣＨＩ Ｔ．３一Ｄ ｆｉｎｉｔｅ ｅｌｅｍｅｎｔ
ａｎａｌｙｓｉｓ ｏｆ ｄｙｎａｍｉｃ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｅｌｅｃｔｒｏｍａｇｎｅｔ
图１０接触器电流仿真计算曲线
表２试验和仿真电流波形关键点对比结果
ｗｉｔｈ ｐｅｒｍａｎｅｎｔ ｍａｇｎｅｔｓ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ
Ｍａｇｎｅｔｉｃｓ，２００６，４２（４）：１３３９—１３４２．
［２］ 张冠生．电器理论基础［Ｍ］．北京：机械Ｔ业出版
社．１９８９．
［３］ 陈德桂，李兴文，刘颖异，等．三气隙永磁接触器工
作原理和静态特性分析［Ｊ］．低压电器，２０１０（２３）：
２ｌ一２４．
由表２可见，试验电流波形和仿真电流波形
的。、ｂ、ｃ三点非常接近，即仿真电流波形和试验
电流波形吻合良好。由此可见，试验结果验证了
仿真结果的正确性。
［４］房淑华，林鹤云，蔡彬，等．永磁接触器合闸过程的
动态仿真及实验［Ｊ］．电工技术学报，２００７（２）：
４５．５０．
收稿日期：２０１２—０５—２１
《瓴层电器》荣获第二届中国政府出版奖期刊奖——中国期刊最高政府奖
全国中文核心期刊 中国学术期刊光盘版 中国科技论文统计用刊
中国科学引文数据库来源期刊
一
中国学术期刊综合评价数据库来源期刊
１０—
2024年5月23日发(作者：夏侯妍丽)
・
研究与分析・ 低压电器（２０１２Ｎｏ．１３）
局部放电故障类型智能识别
技术的研究木
孙曙光， 陆俭国， 王景芹， 金少华
（河北工业大学，天津
摘
３００１３０）
要：研究了局部放电故障类型的智能识别方法和其识别效果。基于超高频法
孙曙光（１９７９一），
研究了局部放电的信号特征，分析了不同放电类型的信号特征差异。构造了局部放电
的二维谱图，提取了６个统计特征参数作为神经网络的输入，用以识别放电类型。通过
对设计的三种放电类型的试验分析，发现放电样本选取对识别正确率有很大的影响，
合理选取可提高识别效果。
关键词：气体绝缘组合电器；智能识别；局部放电；故障类型；超高频；神经网络
中图分类号：ＴＭ ７３２：ＴＭ ８５５ ．２文献标志码：Ａ文章编号：１００１－５５３１（２０１２）
１３－０００１ ５
男，讲师，博士后，研
究方向为局部放电
在线检测与诊断。
Ｓｔｕｄｙ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｒｅｃｏｇｎｉｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ ｏｆ
Ｐａｒｔｉａｌ Ｄｉｓｃｈａｒｇｅ Ｆａｕｌｔ Ｔｙｐｅ
ＳＵＮ Ｓｈｕｇｕａｎｇ，ＬＵ Ｊｉａｎｇｕｏ，ＷＡＮＧ Ｊｉｎｇｑｉｎ，ｊｌＮ Ｓｈａｏｈｕａ
（Ｈｅｂｅｉ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，Ｔｉａｎｊｉｎ ３００１３０，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｈｅ ｉｎｔｅｌｌｉｇｅｎｔ ｒｅｃｏｇｎｉｔｉｏｎ ｍｅｔｈｏｄ ａｎｄ ｒｅｃｏｇｎｉｔｉｏｎ ｅｆｆｅｃｔ ｏｆ ｐａｒｔｉａｌ ｄｉｓｃｈａｒｇｅ ｆａｕｌｔ ｔｙｐｅ ｗｅｒｅ
ｉｎｖｅｓｔｉｇａｔｅｄ．Ｔｈｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｐａｒｔｉａｌ ｄｉｓｃｈａｒｇｅ ｗｅｒｅ ｓｔｕｄｉｅｄ ｂａｓｅｄ ｏｎ ｕｌｔｒａ ｈＪ ｇｈ ｆｒｅｑｕｅｎｃｙ（ＵＨＦ）ｍｅｔｈｏｄ ａｎｄ
ｔｈｅ ｄｉｆｆｅｒｅｎｃｅ ｏｆ ｔｈｅｍ ｗａｓ ａｌｓｏ ａｎａｌｙｚｅｄ．Ｔｈｅ ｔＷＯ—ｄｉｍｅｎｓｉｏｎａｌ ｓｐｅｃｔｒｕｍ ｗａｓ ｃｏｎｓｔｒｕｃｔｅｄ ａｎｄ ｓｉｘ ｓｔａｔｉｓｔｉｃａｌ
ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｐａｒａｍｅｔｅｒｓ ｗｅｒｅ ｅｘｔｒａｃｔｅｄ ａｓ ｔｈｅ ｉｎｐｕｔ ｏｆ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｔｏ ｉｄｅｎｔｉｆｙ ｔｈｅ ｔｙｐｅ ｏｆ ｐａｒｔｉａｌ ｄｉｓｃｈａｒｇｅ．Ｆｒｏｍ
ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌ ａｎａｌｙｓｉｓ ｏｆ ｔｈｅ ｔｈｒｅｅ ｄｅｓｉｇｎｅｄ ｄｉｓｃｈａｒｇｅ ｔｙｐｅｓ，ｉｔ ｉｓ ｓｈｏｗｎ ｔｈａｔ ｔｈｅ ｓｅｌｅｃｔｉｏｎ ｏｆ ｓａｍｐｌｅ ｆｏｒ ｐａｒｔｉａｌ
ｄｉｓｃｈａｒｇｅ ｈａｓ ａ ｇｒｅａｔ ｉｍｐａｃｔ ｏｎ ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ ａｃｃｕｒａｃｙ ａｎｄ ｔｈｅ ｒｅａｓｏｎａｂｌｅ ｓｅｌｅｃｔｉｏｎ ｃａｎ ｉｍｐｒｏｖｅ ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ
ｅｆｆｅｃｔ．
Ｋｅｙ ｗｏｒｄｓ：ｇａｓ ｉｎｓｕｌａｔｅｄ ｓｗｉｔｃｈｇｅａｒ（ＧＩＳ）ｉ ｉｎｔｅｌｌｉｇｅｎｔ ｒｅｃｏｇｎｉｔｉｏｎ；ｐａｒｔｉｌｕ ｄｉｓｃｈａｒｇｅ；ｆａｕｌｔ ｔｙｐｅ；
ｕｌｔｒａ ｈｉｇｈ ｆｒｅｑｕｅｎｃｙ（ＵＨＦ）；ｎｅｕｒａｌ ｎｅｔｗｏｒｋ
０ 引 言
气体绝缘组合电器（Ｇａｓ Ｉｎｓｕｌａｔｅｄ Ｓｗｉｔｃｈｇｅａｒ，
ＧＩＳ）具有结构紧凑、占地面积小，且不受外界环
电源所表现出来的局部放电特征并不一样，对
ＧＩＳ的损害程度也不同，正确识别各种局部放电
源对于评估ＧＩＳ的绝缘状态和制定合理的维修
策略是至关重要的。本文研究了局部放电后，
放电类型的模式识别技术。结合不同放电类型
特点，通过试验着重分析了样本选择对识别效
境影响等特点，在电力系统和众多企业用户中得
到了广泛应用。对ＧＩＳ运行过程中发生的局部
放电进行监测，可以有目的地进行故障切除，大
大提高检修效率和系统的稳定性 。不同放
果的影响，以达到提高放电模式识别正确率的
目的。
陆俭国（１９３６一），男，教授，博士生导师，研究方向为电器可靠性与检测技术。
王景芹（１９６４一），女，教授，博士生导师，博士，研究方向为电器可靠性理论与测试技术。
基金项目：河北省教育厅科学研究计划项目（Ｚ２００８３０８）；河北省应用基础研究计划重点基础研究项目
（１０９６２１２６Ｄ）。
一
１一
．
低压电器（２０１２Ｎｏ．１３ Ｊ ・研究与分析・
１ 试验模型
试验模型由１１０ ｋＶ ＺＦＷ一１２６型ＧＩＳ实际部
端部位于绝缘子与高压导杆连接点１ ｃｍ处。
２ 基于超高频测量的ＧＩＳ局部放电
的信号特征
以上３种类型的局部放电信号波形如图２所
件构成，如图１所示。该试验装置模型整体呈Ｌ
型结构，各气室充以０．２４ ＭＰａ的ＳＦ 气体作为绝
缘介质。超高频传感器的安装采用外置式，频率
范围在３００～１ ５００ ＭＨｚ。模型中共有４个测量
点，测量点２、４为绝缘子浇铸孔；测量点１、３为腔
示。它们均为９０ ｋＶ条件下测得的检波信号。其
中，图２（ａ）对应高压导杆金属尖刺放电类型，传
感器置于测量点３，检波输出是将超高频传感器
的射频输出经过检波器检波得到的，本文中检波
器的脉冲宽度为０．２ ｍｓ，经检波后可以在工频周
期内直观地看出局部放电发生的相位分布，并可
利用该信号进行相关的放电谱图分析。由图
２（ａ）可见，此种类型的放电在单个工频周期内的
放电次数多，放电信号相互交叠，通过逐步升压，
放电首先出现在工频电压的正半周的峰值附近，
５０ ｋＶ后负半周才开始出现局部放电，但小于正
半周的放电幅值。
体开孔。采用环氧树脂做成的盖子进行封闭。本
文共设计了３种典型的局部放电源模型 ：
图２（ｂ）对应高压导杆悬浮电位放电类型，传
感器置于测量点３。由图２（ｂ）可见，此种类型的
局部放电在一个工频周期内的放电次数少，但只
图１试验模型
要发生放电，放电幅值就比较明显，工频正负半周
的放电信号基本成对出现，放电相位也基本对称。
图２（ｃ）对应绝缘子表面金属颗粒放电类型，
（１）高压导体上的金属尖刺放电。该放电属
电晕放电，尖刺为直径０．５ ｍｍ的单根铜丝，与筒
体壁的间隙为２０ ｍｍ，铜丝由螺丝固定在高压导
体上，并紧密接触。
传感器置于测量点１。由图２（Ｃ）可见，此种类型
的局部放电在一个工频周期内的放电次数较多，
但幅值大小不一，负半周的放电次数要明显多于
正半周的放电次数。
（２）悬浮电位。采用一个不锈钢螺母来模拟
这种放电，利用绝缘胶带将螺母垫起，螺母与高压
导杆的间隙为０．１ ｍｍ。
通过以上对３种放电类型放电的检波信号以
及超高频信号的分析可以发现，基于超高频法的
测量原理，不同类型的放电发生的相位分布、放电
幅值大小、工频周期的放电次数存在差别，这为进
（３）绝缘子表面的固定金属颗粒。该放电属
绝缘子沿面放电，放电模型为长度５ ｃｍ、直径
１ ｍｍ、平行于电场方向固定放置的单根铜丝，上
１．０
０．８
０．６
０４
２
之
０．
趔
Ｏ
２
馨
０．
０．４
Ｏ．６
０ ８
１ Ｏ
０
一
—
—
—
５ １０ １５ ２０
】．０
０．８
Ｏ ６
０．４
之
Ｏ．２
理
０
馨
０－２
０．４
０．６
Ｏ．８
１．Ｏ
—
之
趔
馨
—
一
时间／ｍｓ
时间／ｍｓ 时间／ｍｓ
（ａ）金属尖刺放电
（ｂ）悬浮电位放电 （ｃ）固定金属颗粒放电
图２局部放电信号波形
行放电类型的智能识别的特征参数的选取提供了
基础。本文对放电特征的选取是在相位分析模式
下，选取的相位分布统计特征作为放电类型识别
的特征参数。
２一
・
研究与分析・
ｒ．．．．．．。．．Ｌｒ．．．．．．．．．Ｌ ．．，．．．．． Ｌ．．。，．．．．。． ．．．．
低压电器（２０１２Ｎｏ．１３）
Ｌ
３ 基于ＢＰ神经网络的放电模式识别
３．１局部放电的谱图特征分析
图统计１００个周期内各相位段的放电次数，谱图
分析中相位窗的宽度为５。。此外，为了比较详细
为进行局部放电类型的模式识别，本文在相
了局部放电的二维谱图，包括Ｕｍ
谱图。为了更具普遍性，
谱图和Ｎ一
位分析模式下对局部放电信号进行了分析，构造
咖谱图是统计１００
▲
地分析放电信号，分别对７０、８０、９０ ｋＶ电压等级
下的放电信号进行了谱图分析。以上３种类型的
局部放电的二维谱图如图３所示，均为７０ ｋＶ电
压等级下。图３直观地表述了３种放电的相位分
布特征，可以在谱图的形状，以及正、负半周的轮
廓差异体现出来。
个工频周期内最大放电幅值和相位关系，ｍ－４，谱
之
坦
馨
。
之
脚
籍
斗＜
堪
翼１２ｏ
要８０
４Ｏ
＿Ｋ
删罄
０ ５０ １０Ｏ １５Ｏ ２００ ２５０ ３００ ３５０
０ ５０ １００ １５０ ２００ ２５０ ３００ ３５０
０ ５Ｏ １ＯＯ １５０ ２００ ２５０ ３００ ３５０
相位 ）
相位／（ ）
相位 ）
（ａ）金属尖刺放电 谱图
（ｂ）金属尖刺放电Ⅳ． 谱图
１３Ｏ
１２Ｏ
１０Ｏ
８０
（ｃ）悬浮电位放电 一 谱图
蓁１ 一
●
■■■■■■■●—■■＿
６０
４０
２０
Ｏ ５０ １００ ｌ５Ｏ ２００ ２５０ ３００ ３５０
０ ５０ １００ １５Ｏ ２００ ２５０ ３００ ３５０
汕■
相位 ）
■■阻
０ ５０ １００ １５Ｏ ２０ｏ ２５０ ３００ ３５０
相位 ） 相位 。）
（ｄ）悬浮电位放电Ｎ－４，谱图
（ｅ）同定金属颗粒放电 一≯谱图
（ｆ）固定金属颗粒放电Ｎ－４，谱图
图３局部放电二维统计谱图
３．２谱图特征参数的提取
本文选取了如下的６个统计特征参数来描述
■
数。这些特征参数将作为神经网络的训练样本和
测试样本。表２给出了３种电压等级下各一组统
计特征参数值。值得注意的是，由于放电发生具有
随机性的特点因此会受到试验条件影响，同种类型
放电在同一电压下的各组样本参数值存在差异，且
会随电压的变化样本参数值也会发生变化。
二维谱图的形状与轮廓特征，具体计算可参考文献
［４－６］。这些参数是神经网络模式分类器的输入
量，如表１所示。具体分为３个电压等级，在每个
电压等级下对３种放电类型各提取了５０组特征参
表１统计特征参数说明
名称 作用
偏斜度龇
描述某种形状的分布对比于正态分布形状的偏斜程度
陡峭度Ｋｕ
互相关系数ＣＣ
描述某种形状的分布对比于正态分布形状的突起程度
反映谱图正、负半周内的形状相似度
反映谱图正、负半周内平均放电量的差异
反映谱图正、负半周内放电的起始相位的差别
放电量因数Ｑ
相位不对称度
修正的互相关系数Ｆｔ￣＇Ｃ
用于评价谱图正、负半周内放电模式的差异
３一
低压电器ｆ２０１２Ｎ０．１３） ‘研究与分析・
３．３ ＢＰ神经网络智能识别的试验分析
基于ＢＰ神经网络的局部放电类型识别如
络进行训练，学习速率选为０．１，目标误差选为
０．０００ １，训练次数选为２０００次。
图４所示。从理论上讲，具有一个隐含层的网络
可以解决几乎所有非线性问题… 。本文所设计
的ＢＰ神经网络隐含层为一层，识别用到了６个
在试验分析中，对神经网络输出值＞１０．９５，认
为是１；输出值≤０．０５，认为是０；在此之间的值不
能识别。为了更好地利用神经网络进行放电类型
识别，按以下３种方式进行了试验分析。
（１）同一电压下选择不同数目的训练样本进
行测试。在此方式下，分别在３种电压下各选取
了２０和４０组样本进行训练，然后对同样的１０
统计特征参数，即输入层节点数为６；隐层节点数
计算依据２ｎ＋１来取，其中ｎ为输入层节点个数，
可以确定隐层节点数为１３个；输出层节点的数目
为３。神经网络的输出采用二进制表示法，以识
别上述３种类型为例，金属颗粒放电［１ ０ ０］、悬
浮电位放电［０ １ ０］、金属尖刺放电［０ ０ １］。输入
层到隐层的转移函数选择为双曲正切函数，隐层
到输出层的转移函数为线性函数。采用Ｌ—Ｍ
组样本进行测试，训练样本和测试样本的电压
等级相同。测试结果如表３所示，识别效果是
被识别的样本数除以总的识别样本数的百分比
表示。由表３可见，对于金属尖刺放电类型在
各个电压等级下，２０和４０组样本训练下识别率 （Ｌｅｖｅｎｂｅｒｇ—Ｍａｑｕａｒｄｔ）改进ＢＰ算法对ＢＰ神经网
船
都达到了１００％，识别效果最好，主要是由于此
种放电在这３种电压下放电发生的次数多，放
Ｋｕ
电比较稳定，放电特征明显，样本差异不大。对
输
人
ｃｃ
模
式Ｑ
中
曩藿
类式
型
于悬浮电位放电在９０ ｋＶ电压下，识别率都很
低，但增加训练样本个数，识别率还是有所提
高，增加至５０％，由于在此条件下放电不是很稳
定，样本参数波动比较大。对于固定金属颗粒，
试验条件改变，放电也存在和悬浮电位放电类
， ＣＣ
输入层 隐层 输出层
似的情况，但其在８０ ｋＶ电压下，训练样本增加
后，识别率提高到１００％，在９０ ｋＶ电压下识别率
提高到８０％。
图４神经网络结构图
—— ——
・
研究与分析・
表３训练与测试电压相同的识别结果
（２）训练样本电压等级和测试样本电压等级
不同。在此方式下，分别选取一种电压等级下的
４０组样本进行训练，但用其他电压等级的１０组
样本进行测试，训练样本和测试样本的电压等级
不同。测试结果如表４所示。由表４可见，在此
方式下除尖刺放电达到了很好的识别率，其他放
电类型的识别效果整体上都不如训练和测试电压
相同时的效果好，主要是由于尖刺放电次数多，各
种电压下都比较稳定，放电特征明显，样本参数波
动小，而另外两种类型在不同电压下，样本参数波
动比较大
表４训练与测试电压不同的识别结果
（３）三种电压等级样本共同作为训练样本。
在此方式下，选取了３种电压下的各４０组样本，
共计１２０组样本进行训练，分别对３种电压等级
的各ｌＯ组样本进行测试。测试结果如表５所示。
由表５可见，在此方式下的整体识别效果最好，这
样训练除了使训练样本覆盖面更广，包含的放电
特征信息量大，同时也相当于增加了训练样本的
个数，起到了比较好的识别效果。
低压电器（２０１２Ｎｏ．１３）
表５全部电压下训练的识别结果
以上分析结果表明，由于局部放电发生的随
机性和放电特性会受到外界条件的影响，故在进
行智能识别时，神经网络训练样本的选取要具有
尽可能大的覆盖面，从而包含充分的放电特征信
息，同时，增加训练样本的个数也有利于提高识别
效果。
ｒＬ
１
４ 结 语
１Ｊ
本文在相位分析模式下构造了放电信号的二
维谱图，并提取了谱图的特征参数作为神经网络
模式分类器的输入，利用样本对神经网络进行训
练以识别不同的放电类型。经试验分析表明，由
于局部放电发生的随机性和放电特性会受到外界
条件的影响，故在进行智能识别时神经网络训练
样本的选取要具有尽可能大的覆盖面。若训练样
本包含信息单一，则不能达到好的识别效果，同
时，增加训练样本的个数也有利于提高识别效果。
【参考文献】
李继胜，赵学风，杨景刚．ＧＩＳ典型缺陷局部放电测
量与分析［Ｊ］．高电压技术，２００９，３５（１０）：
２４４０－２４４５．
印华，方志，张小勇，根据ＵＨＦ信号特征的ＧＩＳ局
部放电模式识别［Ｊ］．高压电器，２００５，４１（１）：
１９ ２３．
刘云鹏，王会斌，王娟，等．高压开关柜局部放电
ＵＨＦ在线监测系统的研究［Ｊ］．高压电器，２００９，４５
（１）：１５—１７．
孙学勇，阳国庆，仲伟涛，等．局部放电故障神经网
络模式识别及实验研究［Ｊ］．模式识别与仿真技
术，２００５，２４（３）：２２－２５．
唐炬，王静，李剑，等．统计参数用于局部放电模式
识别的研究［Ｊ］．高电压技术，２００２，２８（８）：４ ．
董志敏．大型发电机定子绝缘局部放电在线模式
识别研究［Ｄ］．北京：华北电力大学，２００７．
（下转第１Ｏ页）
一
５—
ｒＬ ｒＬ
２
１ｊ
３
］Ｊ
低压电器（２０１２Ｎｏ．１３） ・研究与分析・
接触器电流仿真计算曲线如图１０所示。将
试验测得的电流波形和仿真得到电流波形在第一
波峰点、第一波谷点和刚趋于稳定点进行比较，即
比较冈１０中ｎ、ｂ、Ｃ三点的电流和时间，结果如表
２所示。
０．２５
０．２０
０．１５
４ 结 语
（１）采用有限元方法计算了三气隙永磁接触
器不同电流、气隙时的电磁吸力和磁链；然后建立
接触器闭合过程的数学模型；利用ＶＣ＋＋编写程
序，实现接触器闭合过程电路、机械运动、磁场的
耦合求解，实现触头弹跳和永磁接触器动态过程
的计算。
（２）通过对ＬＣ１Ｄ３２型三气隙永磁接触器进
ｏ １０
０．０５
Ｏ
０ ０５
行仿真计算和试验测试，将试验测得电流波形和
计算所得电流波形对比，吻合良好，证明了计算结
果的正确性。
ｔ／ｍｓ
ｌ０ ０ １０ ２Ｏ ３Ｏ ４０ ５０ ６０ ７０ ８Ｏ ９Ｏ １００１１０
【参考文献】
ｌ１ｊ ＫＡＷＡＳＥ Ｙ，ＹＡＭＡＧＵＣＨＩ Ｔ．３一Ｄ ｆｉｎｉｔｅ ｅｌｅｍｅｎｔ
ａｎａｌｙｓｉｓ ｏｆ ｄｙｎａｍｉｃ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｅｌｅｃｔｒｏｍａｇｎｅｔ
图１０接触器电流仿真计算曲线
表２试验和仿真电流波形关键点对比结果
ｗｉｔｈ ｐｅｒｍａｎｅｎｔ ｍａｇｎｅｔｓ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ
Ｍａｇｎｅｔｉｃｓ，２００６，４２（４）：１３３９—１３４２．
［２］ 张冠生．电器理论基础［Ｍ］．北京：机械Ｔ业出版
社．１９８９．
［３］ 陈德桂，李兴文，刘颖异，等．三气隙永磁接触器工
作原理和静态特性分析［Ｊ］．低压电器，２０１０（２３）：
２ｌ一２４．
由表２可见，试验电流波形和仿真电流波形
的。、ｂ、ｃ三点非常接近，即仿真电流波形和试验
电流波形吻合良好。由此可见，试验结果验证了
仿真结果的正确性。
［４］房淑华，林鹤云，蔡彬，等．永磁接触器合闸过程的
动态仿真及实验［Ｊ］．电工技术学报，２００７（２）：
４５．５０．
收稿日期：２０１２—０５—２１
《瓴层电器》荣获第二届中国政府出版奖期刊奖——中国期刊最高政府奖
全国中文核心期刊 中国学术期刊光盘版 中国科技论文统计用刊
中国科学引文数据库来源期刊
一
中国学术期刊综合评价数据库来源期刊
１０—