基于KBS的高压设备局部放电数据分析方法

电气设施普遍需要进行状态监测和自动诊断，以便设备在出现故障时能够识别，进而安排工作人员进行维护，并提高其可靠性.只有有效捕获指示设备健康状况信息才能为自动化诊断系统提供依据，而分析设施局部放电(PD)数据是获取设备健康状况信息的一种主要方法[1-4].

局部放电是不完全桥接两个电极之间的间隙放电[5]，其可导致光、声、热或化学反应的产生.在局部放电过程中，发出的各种信号意味着存在各种检测其发生的方法，可由电、声、热、化学及最近的超高频(UHF)进行监测.本文将集中讨论UHF与电气技术，并分析基于知识库系统如何通过识别代表专家，寻找到特征相位分解模式的描述符，得出了利用这两种技术捕获的局部放电数据缺陷诊断的通用方法.

1 局部放电超高频检测

超高频传感器是在20世纪80年代为气体绝缘变电站(GIS)开发的[6]，其设计目的是捕捉由局部放电电流脉冲发出的超高频(300 MHz～3 000 MHz)电磁波，现有3种不同类型的超高频传感器来捕获PD信号，如图1所示.图1a为排水阀传感器，其在变压器油阀运行时插入其中；图1b传感器是安装在特殊电介质窗上的窗耦合器，该传感器更适合新的变压器，需要在运行中移除变压器来安装此传感器；图1c传感器是制造时内置在油箱中的内部连接器.局部放电超高频监测由于其对噪声的敏感性和相对抗扰性，已成为公认的监测技术.

IEC 60270标准提供了测量方法，即是通过使用专用设备测量电流的微小变化以获得明显的电荷水平.电场测量通常需要利用传感器与测量电路的相关变化来记录电流脉冲，例如利用高压套管(和抽头)作为耦合.

2 相位分辨模式

要从IEC或UHF传感器捕获的局部放电数据中诊断出故障，首先需要将其转换为通用的可操作格式.一种显示局部放电数据的方法是绘制绝缘缺陷在3D相位分辨模式上产生的连续脉冲，在由脉冲的相对振幅、脉冲出现的周期数和电压周期中脉冲的相位组成的三维轴上绘制每个脉冲，如图2所示；或在IEC数据已知的情况下，绘制表观电荷的峰值振幅来实现[7].图2为突出缺陷的相位分辨模式的示例，该模式以50×64浮点数矩阵的形式表示电压周期的64个相窗口中50个连续周期内的PD活动.首先出现正半周期，介于0°～180°之间；然后出现负半周期，介于180°～360°之间.

利用上述数据形式，文献[8]描述了基于知识库的系统自动缺陷分类的方法，并且知识库系统还提供了一种存储有价值PD诊断专家知识的方法.基于增量知识的局部放电数据分析方法最初是利用与超高频传感器数据相关的知识创建的，然而，由于高压设备中局部放电的共同物理性质[9]，基于知识库系统提供了一种通用的方法：从IEC或UHF传感器产生的任何相位分辨模式中分类缺陷.本文通过一组IEC数据中盲诊断的案例，突出该应用，该诊断使用来自UHF相位分辨模式中获取的数据.由于不同高压设备局部放电物理特性的一致性，该系统具有诊断各种高压设备(包括电力变压器、GIS和电缆)缺陷的潜力.

3 基于知识库的系统

高压绝缘设备可能会出现不同类型的缺陷，基于知识库系统主要检测原理为：由于绝缘层内发生的物理过程不同，每个缺陷均会产生不同的局部放电信号[10].

先前的研究集中在使用超高频传感器来检测绝缘层内可能出现的7种局部放电缺陷[11].此后，专家根据相位分辨模式进一步对缺陷进行分类，因此，目前基于知识库的系统能够识别的缺陷为：接触不良、弹跳粒子、浮动电极、浮动组件、滚动粒子、表面放电和空洞.

有限的专家可以查看不同缺陷的阶段解决模式并解释特征.有关缺陷诊断的知识是使用知识工程技术获得的，如文献[8]所述.隐性知识是专家可能了解或可能不了解的上下文信息，难以获得.知识引出技术被用来识别与相位分辨模式和局部放电现象诊断缺陷相关的隐性知识.所得到的知识用统一建模语言(UML)模型[12]表示，以便专家作为规则在系统中实现验证.

基于知识库的系统分为5个阶段，以模拟专家根据阶段解决模式诊断缺陷时遵循的过程，如图3所示.将知识分为5个独立的知识库，可以方便地添加更多知识，从而提供一个不断扩充的知识库.当系统进行诊断时，其可以提供不同程度的解释，专家通过实验数据和反馈，对这些知识库中的知识进行验证.

在知识工程任务中，建立代表专家知识的语义网络模型.知识与5个阶段中的每一项相关联，需要构造“先条件后行动”规则，并在基于规则实现的系统中[13]提供分类.将语义网络模型的左侧转换为条件，将右侧转换为操作，例如语义网络模型左侧为“在电压和零点之间的位置”以及“过零流量”，右侧为“空间电荷问题”，则可以转化为如果“在电压和零点之间的位置出现过零流量后”，然后认定“空间电荷问题”.

为了确定应触发的规则，需使用推理引擎.推理机的推理部分由两种基本策略之一完成，即前链(数据驱动)或后链(目标导向).Drools是一个前向链推理引擎的案例[14-16]，并被用于构建本文描述的基于知识库的系统.Drools的前向链引擎通过匹配规则的前提条件来提供结果.为了实现这种数据驱动方法，Drools使用Rete算法遍历数据，直到得到较少的匹配结果便给出结论.这些规则存储在5个知识库中，而推理引擎匹配的事实则放在工作内存中.在工作内存中，可以进一步调用其匹配新规则.

4 案例研究

为证明基于知识库系统的有效性与通用性，本文给出了案例研究.案例研究显示了实验室测试中记录的突出缺陷(导线上固定的尖锐金属物体)的诊断结果.采用超高频传感器，对金属包壳变压器通电后的420 kV GIS母线短段内的局部放电进行监测.

大多数类型的放电通常与50 Hz电压周期特征相位相关，突出物(严格说是点对平面的几何结构)就是典型的例子.施加高电压(50 Hz)的突出物在尖头处产生最大的几何场图案.由于尖端的电场与瞬时交流电压成正比，因此PD通常出现在90°和270°相位处的电压峰值附近，如图2所示.当这些脉冲被具有相位分辨能力的测量系统捕获时，可以被传递到基于知识库的系统中进行分类.下文将详细说明如何通过图3中所示的5个阶段来为图2的突出示例导出分类.

阶段1的输入是一种相位分辨模式，该模式由超高频传感器捕获的局部放电数据创建.使用Gulski的一些统计特征来确定描述符，描述符统计图形显示界面如图4所示，这些描述符包括：相位、幅值、形状、起始对称性、幅值对称性、形状对称性、密度对称性、脉冲分布等.描述符通过统计分析(参见图4的左侧)自动识别，并放置在工作内存中，以便在后期使用.

在识别相位分辨模式的描述符前，通常需要消除主相位区域之外的小随机脉冲，自动去除噪声，模拟专家的噪声去除过程.例如在计算脉冲形状前，系统已自动去除图2中正半周期内随机脉冲.但值得注意的是，若所分析的模式被认为是随机的，则不会执行此过程；否则，有效数据可能会丢失.或者用户可以通过在系统图形用户界面(GUI)中选择一个选项，从模式中手动删除低于噪声阈值的脉冲.

基于知识库系统的第2个阶段是确定PD行为，从而创建阶段1中标识的描述符.推理引擎通过将行为规则库中的前提条件与工作内存中的描述符匹配来实现这一目标.一旦调用这些行为规则，其结论也将被放置在阶段3的工作内存中，而输出将显示在图4 GUI的“行为”选项卡中.

阶段3匹配了相关的缺陷特征.为了理解分类的来源，有必要检查在第2阶段中确定的PD行为相关的缺陷特征.这些缺陷特征告知用户金属部件的物理存在，或放电发生在何种类型的材料之间.阶段3的输出显示在图形用户界面的“特征”选项卡中.

阶段4为缺陷分类.将图2中的阶段解析模式传递到基于知识库的系统中，即可得到如表1所示的分类情况.系统匹配5种不同的情况，表明缺陷是突出物.如表1第4行所示，专家也可以根据自己的知识识别突出物的严重性.

在诊断故障时，缺陷的位置确定尤为重要，第5阶段利用专家知识通知用户第4阶段发现缺陷所在设备的子系统.先前的研究着眼于“飞行时间”技术来识别位置，但基于知识库的系统也可以向用户提供关于缺陷位置的部分信息.通过调用已诊断缺陷的识别特征，实现识别缺陷位置的规则.本案例研究结果表明，由于缺陷是一个突出物，具有高电位金属部件的特性，因此可以得出结论：在高压导体上发现突出物.此描述将显示在图4所示的GUI“位置”选项卡中.

图4的GUI显示了基于知识库的系统输出.为了实现与分类相关的解释，图形用户界面分为多个部分.图形用户界面的左侧显示使用统计运算符从相位解析模式计算出的描述符.这些描述符允许用户查看从阶段解析模式中提取的特性，专家在从阶段解析模式手动诊断缺陷时会查找这些特性.右侧显示放电脉冲的3D相位分辨模式，并显示从3D模式计算的平均和最大脉冲，以及直接视图的2D平均和最大图形.GUI右上角选项卡允许具有不同专业水平的用户根据其需求显示不同的诊断阶段.

经过多次实验表明，采用本方法所测得的缺陷类型、位置与实际中缺陷类型、位置吻合率高达98%，证明了该方法的有效性.

5 结论

本文介绍了一种基于知识库的局部放电数据分析方法，其可将相变模式用作知识库系统的输入，并根据IEC 60270或UHF传感器数据对缺陷进行分类.由于与PD行为相关的知识和设备类型无关，因此该知识可用于各种设备，包括变压器和GIS.利用该方法可以构成通用系统，可以通过多种类型高压设备的各种传感数据来诊断缺陷.

[1]Nikjoo R，Taylor N，Edin H.Effect of superimposed impulses on AC partial discharge characteristics of oil-impregnated paper [J].IEEE Transactions on Dielectrics & Electrical Insulation，2017，23(6)：3602-3611.

[2]Liu Y，Zhang G，Geng Y，et al.Research on impact of opening velocity in DRM tests of SF6 high voltage circuit breakers [C]//International Conference on Electric Power Equipment-switching Technology.Shanghai，China，2017：511-523.

[3]Bernal E，Spiryagin M，Cole C.Onboard condition monitoring sensors，systems and techniques for freight railway vehicles：a review [J].IEEE Sensors Journal，2018，19(1)：4-24.

[4]Neettiyath A，Vasa N J，Sarathi R.Optical sensing techniques for condition monitoring of transformer insulation material [J].INAE Letters，2018，3(1)：1-8.

[5]Mitiche I，Morison G，Hughesnarborough M，et al.Classification of partial discharge signals by combining adaptive local iterative filtering and entropy features [J].Sensors，2018，18(2)：406-419.

[6]Hekmati A，Hekmati R.Optimum acoustic sensor placement for partial discharge allocation in transformers [J].IET Science Measurement & Technology，2017，11(5)：581-589.

[7]Peng X，Wen J，Li Z，et al.Rough set theory applied to pattern recognition of partial discharge in noise affected cable data [J].IEEE Transactions on Dielectrics & Electrical Insulation，2017，24(1)：147-156.

[8]Strachan S M，Rudd S，Mcarthur S D J，et al.Knowledge-based diagnosis of partial discharges in power transformers [J].IEEE Transactions on Dielectrics and Electrical Insulation，2008，15(1)：259-268.

[9]Siegel M，Beltle M，Tenbohlen S，et al.Application of UHF sensors for PD measurement at power transformers [J].IEEE Transactions on Dielectrics & Electrical Insulation，2017，24(1)：331-339.

[10]Dukanac D.Application of UHF method for partial discharge source location in power transformers [J].IEEE Transactions on Dielectrics and Electrical Insulation，2018，25(6)：2266-2278.

[11]Islam M M，Lee G，Hettiwatte S N.A review of condition monitoring techniques and diagnostic tests for lifetime estimation of power transformers [J].Electrical Engineering，2017，100(25)：1-25.

[12]Li P，Zhou W，Shuai Y，et al.Method for partial discharge localisation in air-insulated substations [J].IET Science Measurement & Technology，2017，11(3)：331-338.

[13]Clark T，Evans A，Kent S.Aspect-oriented metamodel-ling [J].The Computer Journal，2018，46(5)：566-577.

[14]Carayannis E G.Rule-based expert systems [M].New York：Addison-Wesley Publishing Company，2013.

[15]Kunicki M，Cichon A.Application of a phase resolved partial discharge pattern analysis for acoustic emission method in high voltage insulation systems diagnostics [J].Archives of Acoustics，2018，43(2)：235-243.

[16]Su H，Pu M，Zhu Z，et al.Research on partial discharge of switchgear based on ANSYS simulation [J].High Voltage Apparatus，2017，53(2)：159-165.