《统计参数在变压器局部放电模式识别中的应用.pdf》由会员分享，可在线阅读，更多相关《统计参数在变压器局部放电模式识别中的应用.pdf（5页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、统计参数在变压器局部放电模式识别中的应用胡文堂1,高胜友2,余绍峰1,谈克雄2,高文胜2(1.浙江省电力试验研究院,杭州310014;2.清华大学电机系电力系统及发电设备控制和仿真国家重点实验室,北京100084)摘 要:对局部放电进行模式识别可以了解放电类型和严重程度,为故障诊断和检修提供参考依据。为此将Weibull统计分布参数用于局部放电模式识别当中,采用仿真分析和模型试验的方法证明了局部放电的脉冲高度分布符合Weibull统计分布规律。在统计放电脉冲高度分布时对放电幅值进行了归一化处理,将放电累积概率为99%的放电幅值作为归一化因子,以消除试验中偶然出现的大的随机放电脉冲干扰的影响。使
2、用工频电压正负半周的Weibull统计分布的形状参数、放电幅值中心和放电相位中心共6个参数作为特征向量,以人工神经网络为分类器,对放电类型获得了超过85%的识别率。研究表明,这种故障模式的表征方法具有模式特征数量少、表征能力强等优点,采用人工神经网络方法可以准确识别不同模式的放电,具有较高的识别率。关键词:局部放电;模式识别;Weibull分布;统计参数;归一化;人工神经网络中图分类号:TM835.4文献标志码:A文章编号:100326520(2009)0220277205基金资助项目:国家自然科学基金(59977011)。Project Supported by National Natur
3、al Science Foundatin ofChina(59977011).Application of Statistic Parameters in Recognitionof Partial Discharge in TransformersHU Wen2tang1,GAO Sheng2you2,YU Shao2feng1,TAN Ke2xiong2,GAO Wen2sheng2(1.Zhejiang Electric Power Test&Research Institute,Hangzhou 310014,China;2.State Key Lab of Control and S
4、imulation of Power Systems and Generation Equipments,Deptartment of Electrical Engineering,Tsinghua University,Beijing 100084,China)Abstract:The pattern recognition for partial discharge(PD)is helpful for estimating PD type and level,which willprovide a scientific basis for failure diagnosis and mai
5、ntenance.We used Weibull statistic distribution parameters inthe pattern recognition for PD,and adopted the simulation and model test to prove that the PD height distribution(PDHD)fits well with 22parameter Weibull distribution.The simulation data were generated by the Monte2Carlomethod and 8 typica
6、l PD models were designed for test.In the period of each test,the pulse amplitude and phase in2formation of each PD pulse in 10 seconds were recorded.Meanwhile,the discharge amplitude was normalized duringcalculation of the PDHD.In order to eliminate the influence of random pulse interference,the am
7、plitude whose cu2mulative probability is 99%was used as the normalization factor.Six characteristic parameters,including the shapeparameter of Weibull distribution,the center of discharge amplitude and the center of discharge phase in positive halfperiod and negative half period of power cycle,were
8、adopted to characterize fault pattern.The artificial neuron net2work was used as classifier to get at least 85%recognition rate for PD types.The results show that excellent char2acterization capability is obtained using a few of characteristic parameters,and different types of PD can be accuratelyid
9、entified using the artificial neuron network.Key words:partial discharge;pattern recognition;Weibull distribution;statistic parameters;normalization;artifi2cial neuron network0 引言识别放电模式对于变压器故障诊断和检修具有十分重要的意义。近年来,分形理论、小波变换和人工神经网络等方法在局部放电模式识别中得到广泛应用126。局部放电的发生、发展受多种偶然因素影响,具有随机性,因此可将局部放电现象看作是一个随机过程。作为放电
10、脉冲的基本参数,每次放电的放电量和发生相位都具有很强的随机性,可将统计学中的某些方法应用于局部放电的分析和判断,其中局部放电脉冲高度分布(partial discharge heightdistribution,PDHD)规律作为局部放电模式识别的一个重要依据而受到关注。近年来的初步研究表明,某些类型局部放电的脉冲高度(指放电量)分布可由两参数Weibull分布表达7213。考虑 到 不 同 类 型 的PD可 能 具 有 不 同 的Weibull分布参数,这一规律可以作为识别PD模式的基础。本文对Weibull分布参数在局部放电模式识别中的应用进行系统的研究,分别采用仿真和试772第35卷 第
11、2期2009年 2月高 电 压 技 术High Voltage EngineeringVol.35 No.2Feb.2009验方法来研究局部放电的脉冲高度分布与Weibull分布之间的关系。然后,利用PDHD的形状参数连同放电量中心和放电相位中心一起作为特征参数,分别对使用Monte2Carlo方法产生的局部放电仿真模式和实验室典型试验模型的放电模式进行识别。局部放电的试验数据和放电识别结果表明,单故障局部放电的PDHD与两参数Weibull分布吻合得很好,基于Weibull分布参数的识别方法可以有效地应用于局部放电的模式识别之中。1 放电量的Weibull分布单一类型的局部放电所产生的PDH
12、D通常可以用两参数Weibull分布来表示,放电量q的累积分布和概率密度函数分别为:F(q;,)=1-exp-(q);(1)f(q;,)=(q)-1exp-(q)。(2)式中,q=qm-qs是局部放电测试仪器测得的放电量qm与该量程下仪器最小可测放电量qs之差;为尺度参数;为形状参数。对Weibull分布函数的参数和,可以由足够时间段内q的实测数据,通过极大似然法(ML)或最小二乘法(LSM)等方法来进行数值估计。如果局部放电数据采集仪的量化级数为I,第i(i=1,2,I)个量化级所检测到的放电脉冲数是ni,则测得的放电脉冲总数N=Ii=1ni。(3)而参数估计的质量可以由克莱姆法则(Cram
13、er2Von2Mise,CVM)进行检验,使用的检验量W2=112N+Ii=1(F(qi;,)-F(qi)2。(4)式中,F(qi;,)为由试验数据统计得到的累积分布;F(qi)为由参数估计值计算得到的理论累积分布。一般选012为CVM方法的拒绝阈值,即当W2 012时认为参数估计满足要求。反之则拒绝。不同模式的局部放电具有不同形状的PDHD,也就是说它们的和值分布在不同的范围内。一般说来,发生局部放电的绝缘材料结构差别很大,即使是同一种类型的放电,其放电量的绝对值之差也很大,为了排除放电量数值大小的影响,研究中对放电量进行了预处理,即将放电量进行归一化,这样Weibull分布的尺度参数与关联
14、,再将作为特征量就没有意义了。因此主要采用Weibull分布的形状参数值,连同放电量的中心和放电的相位中心等参数一起作为放电模式的特征参数,并且通过典型放电模型的试验数据计算出这些参数,构建模式识别的样本数据库。2 放电模式特征量选择一共提取6个参数作为不同放电模式的特征参数,它们分别是工频电压正、负半周的Weibull分布形状参数+、-,放电量(归一化后)的中心q+、q-以及放电相位中心+、-。放电量中心和放电相位中心的计算公式分别为:q=iNiqiiNi;(5)=jNjjjNj。(6)式中,qi为第i个组的组中值;Ni为第i组内的放电次数;j为第j个相位区间的中心;Nj为区间j内的放电次数
15、。对正、负半周分别进行计算,得到相应的放电量q+、q-和放电相位+、-。在计算形状参数和放电量的中心时,涉及到对放电量q的归一化处理。这是因为放电量不仅与放电的模式有关,还与模型或电力设备本身的结构、体积等物理参数以及缺陷的物理参数等因素有关。同一类型的放电在不同的设备上,或者在不同的电压下,其放电量可能差异很大;而不同类型的放电则有可能放电量差异甚小。因此,单纯地选用放电量的绝对值作为特征参数可能是不合适的,为此需要进行归一化处理。在归一化处理过程中,为了消除试验中偶然出现的大的随机放电脉冲干扰的影响,没有单纯地采用放电量的最大值作为归一化因子,而是采用了放电累积概率为99%的q值作为归一化
16、因子,将累积概率超过99%的放电视为干扰脉冲予以消除。3 对模拟放电样本数据的识别为了对基于Weibull分布参数进行模式识别的方法进行系统的分析,采用仿真分析方法可无需进行复杂的实际模型试验而方便地获得所需数据,由这些数据形成的放电样本具有统计意义上的可重复性,有助于对放电量的Weibull分布及以此为基础的放电模式识别进行系统的分析。使用Monte2Carlo方法来模拟产生局部放电数据14,获得每次放电的放电量q以及放电发生的工频电压相位。使用Monte2Carlo方法共产生了12种模式的放电数据,其中包括4种类型,每种类型包含3种严872Feb.2009HighVoltageEngine
17、eringVol.35 No.2重程度。为了与以后试验的采集时间保持一致,将采集时间统一为10 s(500个工频周期)。经参数检验,如果以0.2作为CVM方法的拒绝阈值,则12种模式中表征参数估计质量的检验量W2均小于该值,证明了通过Monte2Carlo方法得到的局部放电模拟数据符合两参数Weibull分布。表1为从12种模式的放电模拟数据中提取的参数,表中放电量q已经进行了归一化处理。从仿真数据中提取放电特征参数中可以看出,不同模式下的特征参数之间存在比较明显的差异。以人工神经网络(ANN)为工具识别放电模式。采用二级分项识别方式,建立任务分解的网络模块:一个类型识别主块和4个程度识别子块
18、,并将它们组成人工神经网络组。将一部分放电样本作为样板模式来训练网络组,另一部分样本作为待检样本由训练好的网络组来识别。待检样本先由“类型识别主网络”判断放电类型,然后再由相应类型的“程度识别子网络”判断放电发展程度。每种模式选取10个样本用于训练,10个样本用于测试。每个样本的特征量均由500个工频周期内的数据提取。首先,按类型进行训练与识别。对于A、B、C、D4种类型,每种类型各有30个样本(每种严重程度各10个)用于训练,形成类型识别主网络ANN1,网络类型为反向传播的前馈网络,输入层、隐藏层和输出层的神经元个数分别为6、5和4。然后用训练好的ANN1对测试样本进行识别。ANN1对测试样
19、本的类型识别率达到了100%,从一定程度上说明了所选择的6个特征参数能反映放电类型间的差别,用于类型识别是很有效的。其次,按严重程度进行训练与识别,即对同一放电类型,用各自的不同严重程度的样本进行训练与识别。对3种严重程度,每种程度下各有10个样本用于训练,这样共形成4个程度识别子网络:ANN_A,ANN_B,ANN_C和ANN_D。各子网络对严重程度的识别率也达到了100%。由以上结果可知,可以综合类型识别主网络ANN1和严重程度识别子网络ANN_A(ANN_D来共同完成对12种模式的识别。4 对实测放电样本数据的识别为了模拟变压器油中和空气中不同的放电形式,设计制作了8种试验模型,图1给出
20、了几种典型的电极结构15217。空气中的试验模型包括:(1)尖 板电极,主要用来模拟空气中导线或电极尖端周围发生的电晕放电;(2)带屏障的尖 板电极;(3)套管图1 几种典型的模型结构Fig.1Typical partial discharge models表1 模拟放电数据的参数Tab.1Characteristic parameters of simulation data参数+-q+q-+/()-/()10.7910.7910.2790.27939.82218.44A20.8310.8350.2880.28555.09234.7530.8720.8740.2950.29466.77247
21、.1311.3561.3720.2360.36738.65217.64B21.4071.4170.2450.37253.33232.5831.4541.4600.2530.37567.03246.5411.9131.5180.3300.33338.57217.65C22.0031.6330.3340.34754.14232.1732.10991.7280.3640.36467.10244.9212.84953.2290.5230.18938.36217.40D22.9453.3240.5270.20452.71231.6433.0303.4100.5350.20466.28245.26类型的电
22、极,用来模拟空气中套管端部发生的沿面放电;(4)柱 板电极,模拟空气中柱 板电极边缘的沿面放电。油中的试验模型包括:(1)悬浮电位电极;(2)套管类型电极;(3)柱 板电极;(4)含有气泡的固体绝缘,用来模拟绝缘材料内部的放电。采用如图2所示的试验回路对上述模型开展模型试验。图中,R为保护水阻;Cx为试品;Ck为耦合电容器,电容量为1 nF;Zm为检测阻抗。取自检测阻抗上的PD信号经同轴电缆传送至局部放电数据9722009年2月高 电 压 技 术第35卷第2期图2 模型试验接线图Fig.2Diagram of model test采集仪的输入端,同时也传送给JFD23型模拟式局部放电测试仪,用
23、来监视试品上的放电情况,为升降压操作和采集控制提供参考。对这些模型所产生的放电高度分布分别进行了统计计算,得到各种模式下lg(-ln(1-F)与lgq的关系曲线,同时给出了理论分布曲线进行比较。作为示例,图3同时给出了固体绝缘中气泡放电的实测得到的和理论计算的lg(-ln(1-F)与lgq的关系曲线。可以初步看出这些模式的PDHD符合Weibull分布,同时进一步的CVM法则检验也证明了这一点。其他模型所产生放电的幅值分布也具有类似的特点。按照前述方法提取特征参数,用于模型放电的识别,从中提取的一组典型特征参数见表2。因套管与柱板有较相近的电场分布,都会产生强垂直分量电场下的沿面放电,故只取柱
24、板放电样本作为沿面放电的代表样本来训练网络。这样,目标模式数目为6。在识别时,则将套管放电的样本也送入网络进行识别,看这些样本是否被识别为沿面放电,以此来衡量神经网络模式识别的扩展性。使用按上述方法提取的参数作为神经网络的输入特征向量来训练网络,然后使用测试样本进行测试。每种模式的训练样本数为同一种电压下20组数据,测试样本数为每种电压下各20组,共60组。表3为该神经网络对各测试样本的识别率,表中,A_P、A_P_B和A_S分别代表空气中尖板、空气中带屏障的尖板和空气中沿面;O_F、O_S和O_V分别代表油中悬浮电位、油中沿面和油中固体绝缘中气泡放电。从表3数据可以看出,神经网络对6种模式的
25、放电均达到了比较高的识别率。将空气中套管A_B和油中套管O_B的放电样本各60组也输入神经网络,其中,空气中沿面放电和油中沿面放电的识别率分别达到了97%和90%,图3 固体绝缘中气泡放电的lg(-ln(1-F)与lgqFig.3PDPH distribution of gas in solid insulation说明网络具有较好的识别扩展性。表2 放电数据的特征参数Tab.2Characteristic parameters of PD data参 数+-q+q-+/()-/()空气中尖板-1.232-0.158-275.00空气中尖板(屏障)1.0971.0510.3220.01965.
26、77233.97空气中套管0.6220.5860.1690.21239.18226.90空气中沿面0.3400.4720.1720.28166.82227.81油中悬浮电极0.7480.7600.1900.16186.26243.90油中套管0.7680.8990.2790.38660.26240.66油中沿面0.7710.9450.1640.13745.83229.68油中固体绝缘中气泡0.9140.9420.2380.21334.13212.18表3 神经网络对6种模型放电的识别率Tab.3Recognition rate for 6 types of model PDs模型A_PA_P_
27、BA_SO_FO_SO_V识别率95%100%98%90%93%86%5 结论通过局部放电仿真分析和典型模型试验,本文系统研究了局部放电脉冲幅值q的Weibull分布规律,得到如下结论:082Feb.2009HighVoltageEngineeringVol.35 No.2a)在大量仿真模拟放电和实际模型放电数据的基础上,证明了局部放电脉冲幅值遵循两参数Weibull分布,且不同放电模式有不同Weibull分布参数,可将Weibull分布参数作为模式特征。b)在Weibull分布参数中,形状参数可选作为模式特征量;但尺度参数与放电量q的大小有关,不具有普遍性,而在对q进行归一化后,又与关联,因
28、此尺度参数不能作为模式特征量。c)以6个特征量来表征故障模式,它们是工频正、负半周的Weibull分布形状参数+、-,放电量中心q+、q-和放电相位中心+、-。模式特征的数量少,表征能力强。依据这些特征量,采用ANN方法可以准确地识别不同模式的放电,具有很高的识别率。使用包括Weibull分布参数在内的较少的模式特征量,为双故障放电的模式识别提供了基础。参考文献1谈克雄,李福祺.局部放电识别用的几种人工神经网络J.高电压技术,1996,22(4):327.TAN Ke2xiong,LI Fu2qi.Some types of artificial neural net2works used f
29、or recognition of partial dischargeJ.High VoltageEngineering,1996,22(4):327.2杜伯学,魏国忠.基于小波与分形理论的电力设备局部放电类型识别J.电网技术,2006,30(13):76280.DU Bo2xue,WEI Guo2zhong.Partial discharge classificationbased on wavelet and fractal theoryJ.Power System Technol2ogy,2006,30(13):76280.3孙才新,李 新,李 俭,等.小波与分形理论的互补性及其在局部放
30、电模式识别中的应用研究J.中国电机工程学报,2001,21(12):73276.SUN Cai2xin,LI Xin,LIJian,et al.Research on complementa2ry between wavelet and fractal theory and relevant application inPD pattern recognition J.Proceedings of the CSEE,2001,21(12):73276.4 Gao Shengyou,Li Fuqi,Yu Cangbi,et al.PD pattern recogni2tion of power
31、capacitors model based on combinational neuralnetworkCProc of the 7th ICPADM.Nagoya,Japan:s.n.,2003:3192322.5 Kranz Hans2Gerd.Diagnosis of partial discharge signals usingneural networks and minimum distance classification J.IEEETransactions on Electrical Insulation,1993,28(6):101621024.6王 萍,傅立华,胡广振.
32、一种基于Moret小波分析与神经网络技术的局部放电识别方法J.高压电器,2005,41(5):3662369.W ANG Ping,FU Li2hua,HU Guang2zhen.Recognition of partialdischarge distribution patterns based on wavelet transform and neuralnetworkJ.High Voltage Apparatus,2005,41(5):3662369.7 Cacciari M,Contin A,Montanari GC.Use of a Mixed2Weibull dis2tribut
33、ion for the identification of PD phenomenaJ.IEEE Transac2tions on Dielectrics and Electrical Insulation,1995,2(4):6142627.8 Bozzo R,Contin A,Cacciari M,et al.Stochastic analysis ofpartial discharge patterns deriving from electrical tree measure2mentC1995 IEEE International Conference on Conductionan
34、d Breakdown in Soild Dielectrics.Leicester,USA:IEEE,1995.9唐 炬,王 静,李 剑,等.Weibull分布在识别变压器局部放电中的应用J.重庆大学学报(自然科学版),2002,25(4):87290.TANG Ju,WANG Jing,LI Jian,et al.Application of theWeibull distribution for the recognition of transformer PD phe2nomenaJ.Journal of Chongqing University(Natural ScienceEdit
35、ion),2002,25(4):87290.10 Contin A,Montanari G C,Ferraro C.PD source recognitionby Weibull processing of pulse height distributionsJ.IEEETransactions on Electrical Insulation,2000,7(1):48258.11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):426,37.TANGJu,WANG Jing,LI Jian,et al.Statistical paramete
36、rmethod for PD pattern recognitionJ.High Voltage Engineer2ing,2002,28(8):426,37.12 Contin A,Rabach G.PD analysis of rotating ac machinesJ.IEEE Transactions on Electrical Insulation,1993,28(6):103321042.13 Contin A,Fenu G F,Parisini T.Diagnosis of HV stator barsinsulation in the presence of multi par
37、tial2discharge phenomenaC1996 IEEE Annual Report2Conference on Electrical In2sulation and DielectricPhenomena.SanFrancisco,USA:IEEE,1996:4882491.14 Hikita M,Yamada K,Nakamura A,et al.Measurements ofpartial discharges by computer and analysis of partial dischargedistribution by the Monte2Carlo method
38、 J.IEEE Transac2tions on Electrical Insulation,1990,25(3):4532468.15吴 鹏,陈志勇,李锐华,等.电力变压器典型放电模型试验研究J.高压电器,2004,40(3):1612163.WU Peng,CHEN Zhi2yong,LI Rui2hua,et al.Experimentalresearch on typical PD models for power transformers J.High Voltage Apparatus,2004,40(3):1612163.16姜 磊,朱德恒,李福祺,等.基于人工神经网络的变压器绝
39、缘模型放电模式识别的研究J.中国电机工程学报,2001,21(1):21224.JIANGLei,ZHU De2heng,LI Fu2qi,et al.ANN based dischargepattern recognition of insulation models of electrical transformersJ.Proceedings of the CSEE,2001,21(1):21224.17 Tatsuki Okamoto,Naohiro Hozumi,Takasiha Imajo.Patterndischarge pattern recognition for four kinds electrode systemCConference Record of the 1992 IEEE International Sym2posium on Electrical Insulation.Baltinore,USA:IEEE,1992:3752378.HU Wen2tangSenior engineer胡文堂1962,男,高工从事高电压技术方面的研究电话:(0571)51211112E2mail:hu_wentang 收稿日期 2008212212 修回日期 2009201208 编辑 卫李静1822009年2月高 电 压 技 术第35卷第2期