电气绝缘故障诊断方法

第15章电气绝缘故障诊断方法15．1模式识别模式识别是伴随计算机技术的研究和应用而发展起来的，可用于设备诊断，是一种重要的诊断手段。人们利用分类方法来认识世界上的各种事物。给某一类事物确定概念和范围，给予定量的或结构的描述，通常称之为模式，然后将需要识别的事物与已知模式相对照，进行识别、归类。具有某些共同特性的模式的集合称为模式类。模式识别是利用计算机代替人来进行识别的，即利用计算机对各种物理量进行描述和分类，将待检模式分配到各自的模式类中去。广义的模式识别包括：描述被识对象的信号的引出、量化、预处理、特征提取和模式分类，其过程可由图15-1来表示。图15-1模式识别过程示意图图15-1中被识对象先经A/D变换，转换为能由计算机处理的数字量(若被识对象为非电量，则首先应将它们转换为电信号)。信号需经过预处理，以滤除混入的干扰，并突出有用信号。经改善后的有用信号，进行特征抽取，以供分类用。模式分类则是在特征抽取基础上，把被识对象归并分类，并确认其为某种模式。由于特征抽取与待检模式的类别密切相关，在分类过程中特征抽取和预处理方法将不断得到改进和提高，这就是图中虚线回溯的意义。15．1．1 模式识别的特征样本进行模式识别时，由试验数据提取出的一些特征构成了样本。设样本包含有I个特征参数，它们形成一组向量。对作为样板的、不同类型或严重程度等情况下的故障，可以提取它们的各种特征，得到许多向量，这些向量称为样板模式。由待检数据提取出的特征参数形成的向量称为待检模式。以放电识别为例。为构成放电样本,有不同的放电数据特征参数提取方法。根据特征参数的特点，可分为以下4类：荧光屏显示图谱、三维旷q-n谱图、放电的统计特征量、放电脉冲波形特征量。荧光屏显示图谱放电测量装置荧光屏上显示的放电图谱包含有丰富的信息。使用荧光屏显示图谱提取放电样本时，除了需用模拟量放电测量装置外，还要用数字相机摄取荧光屏上的图谱。数字相机的关键部件是电荷耦合器(couplingchargedevice，简称CCD)，它的作用是进行光电转换，即将影像信息的光信号转换成电信号，然后通过模/数转换器将电信号转换为数字信号。数字信号保存在数字相机的存储器内，它既可由打印机以图片的形式输出，即将数字信

号重新转换为影像;也可交由计算机保存、处理。数字相机是光、电、机一体化的装置 ,有时简称它为CCD相机。对放电图谱，数字相机可将摄得的脉冲高度q作为放电发生相位P的函数以数字量的形式输出，将这些量作为向量元素可构成放电样本。为减少输入数据,可将9轴划分为若干小段，再将各小段内的脉冲平均高度作为向量元素。三维（p-q-n谱图对局部放电三维（p~q-n谱图，有两种放电样本向量构成方法：三维谱图表列数据法和曲面拟合法。绘制三维谱图时大量的放电数据需要进行处理，即将p-q平面分为若干小块，统计每秒内放电发生的9及q处于各小块内的次数n，得到谱图表列数据。据此可绘出三维谱图，也可将这些数据作为放电样本向量的元素，这种方法即谱图表列数据法。为了保证足够的放电信息，所分小块的数目不能过少，因此样本向量的元素较多。为了缩短向量长度，也可对谱图进行曲面拟合，用曲面拟合参数来体现谱图特征，并以此作为样本向量，该方法即谱图曲面拟合法。放电的统计特征量三维谱图表列数据较多，为减少数据量，也可由二维谱图提取特征量。例如，可由局部放电二维p-q谱图、p-n谱图分别提取其偏斜度、陡峭度、局部峰点数（各参数在工频正负半周分别提取），还可由p-q谱图提取正负半周图形的互相关系数、放电量因数（负、正半周平均放电量之比）、修正的互相关系数。由此得到15个特征参数，并由它们构成放电样本。由三维谱图数据可求取绘制二维谱图的数据，实际上也可直接对放电信息进行数据统计，再来绘制二维谱图。即先将工频电压相位p等分为W个区间，统计第i个相位区间pi内发生放电的次数ni和放电量总和qsi，求得该区间的放电量平均值qi=qsi/ni，根据pi、qi、niisiisi/iiii的数值就可作出p-q谱图、p-n谱图。若将p-q谱图想象成为统计分布中的概率密度分布图形（pi为随机变量），则其偏斜度SK(15-1)(15-2)(15-3)(15-4)SK=Xp(9-卩)3/c3

ii(15-1)(15-2)(15-3)(15-4)i=1p=9/ii ii=1y=Xp9iii=1C=F以9i十)2丫i=1式中p、“、O—p.的出现概率、均值和标准差。偏斜度SK=0，表示图形左右对称；SK>0，表示图形向左偏斜，SK<0，表示图形向右偏斜。图形的陡峭度

(15-5)KU<0，表示图形较(15-6)KU二兰p(p )4/g4—3(15-5)KU<0，表示图形较(15-6)iiTOC\o"1-5"\h\z1-i=1 」KU=0，表示图形与正态分布图形一致，KU>0，表示图形较尖锐,平坦。图形中的局部峰点可由dpId申值确定，对于点((p.，p/,若平坦。图形中的局部峰点可由\o"CurrentDocument"dP 、dp /j>0，亠<0dp dpi—1 i+1则该点即为局部峰点；局部峰点数PE为相应图形中局部峰点的总数。工频正负半周两个图形SK、KU、PE可能会不同，所以要分别提取。此外对于p-q谱图，还比较其正负半周圆形的差异，并提取特征参数，即正负半周两个图形的互相关系数为q+q——(为q+艺q—)/WCC—:[艺(qCC—:[艺(q+)2—(艺q+)2/W][艺(q—)2-(为q—)2/W](15-7)-i=1 i=1 i=12i i ii=1 i=1 i=1 i=1式中上标“+”或“－”分别表示正负半周的数据；放是量因数QF为正、负半周平均放电昱n+昱n+q+iiI 为n+ii=1(15-8)MCC=QF•CCMCC=QF•CC对于p一n谱图，令(15-9)(15-10)其SK，KU，PE可沿用p-q谱图相应参数的计算方法求得。据文献介绍，可由二维谱图提取一些量的平均值、偏差值等，并以这些特征参数来构成样本向量。4．放电脉冲波形征量不同类型放电的脉冲波形会有差异，可提取其特征作为样本向量。例如空穴放电，放电统计时延使空穴上产生过电压，影响放电时的电压突变过程；当空穴与金属相邻时，因阴极的光电子发射，会出现大的放电脉冲，脉冲上升也较快。对不与金属相邻的空穴，每次放电后介质的表面电荷畸变了空穴电场，影响脉冲的上升时间及放电量。空穴周围介质还因放电发生变性，表面电导变化，改变空穴电场而影响放电脉冲。以聚丙烯板试样为例，对直径2mm，深度1mm的空穴，若空穴与金属相邻，放电脉冲上升时间为6ns，放电量为5000pC；若空穴不与金属相邻，则脉冲上升时间为 14ns，放电量27pC。可以用脉冲波形的自回归模型参数作为样本向量；也有用放电量、脉冲上升时间、脉冲下降时间、波形面积、放电量与波形持续时间的乘积、放电能量等6个特征量作为样本向量的。15．1．2 局部放电的模式识别模式识别是随着计算机技术的研究和应用而发展起来的一种重要的论断手段，于90年代应用于电力设备的放电识别，代替放电谱图的目测判断，显著提高了识别的科学性和有效性。在广义的模式识别中，被识别对象的信号需经过预处理，以滤除混入的干扰，并突出有用信号；再对改善的有用信号进行特征提取，以供分类用。变压器绝缘体系中的放电类型很多，不同的放电类型对绝缘的破坏作用有很大差异，因此有必要对各种放电类型加以区分。对变压器超高频局部放电自动识别系统所得的放电谱图进行模式识别，可以区分不同类型的绝缘内部缺陷。将神经网络用于局部放电模式识别大大提高了识别的可靠性和实用性。应用于变压器超高频局部放电的模式识别，是将计算机辅助测试系统测得的电磁信号经放大、滤波后进行A/D转换，然后把提取到的多个工频周期的高频（中心频率在500-1000MHz之间可调）窄带（带宽5MHz）时域信号送入计算机进行数据处理和分析，作出各种谱图（包括三维谱图 0-q-r、三维谱图Hqmax（©）、Hqn（0）、Hn（0）、H（p）和H（q））和统计量（37个），由此来分析变压器的局部放电情况。（1）局部放电特征提取：变压器绝缘结构中发生的局部放电类型主要有五种：油中尖板（ A）、纸或纸板内部放电（B）、油中气泡放电（C）、纸或纸板沿面放电（D）和悬浮放电（E）。局部放电具有明显的随机性，采用超高频测量系统，对100个工频周期的超高频放电信号进行统计，可以得到局部放电的各种分布谱图，包括Hqman（0）、Hqn（0）、Hn（0）、H（p）、H（q），它们能全面地描述局部放电的特征，可用于区分不同类型的局部放电。模式识别结果的正确与否关键在于放电信号特征的提取。我们采用上述五种分布谱图的统计算子作为神经网络的输入量，包括偏斜度Sk突出度Ku局部峰个数Pe放电不对称度Q相位不对称度0互相关因子cc和相位中值Mn共37个特征量，进行放电类型的自动识别。（2）识别结果选取合适的训练样本集对提高网络的识别能力十分重要。一定要合理挑选样本，以使训练样本能涵盖全部样本的变化范围，这样经训练的神经网络可以达到较高的识别率。为此，每种放电模型都有5个以上的样品，这些样品的材料和结构完全相同，但尺寸等方面有一定差别；而且对同一个样品，在相同条件下采集多个样本，以确保实验结果具有良好的统计性和可重复性。最后，将多个5种放电模型的局部放电测量结果随机地分成两组，一组样本集用于神经网络的学习，另一组样本集不经过网络学习环节，直接用于神经网络识别，以判断网络的学习效果及推广能力。利用学习样本集分别用BP算法AGA和AGA-BP混合算法训练神经网络，一个典型的神经网络输出误差变化关系如图15-2所示，其中AGA算法的一代相当于BP的一步，两者的计算时间也基本相同。由图15-2可以看出，要达到同样的误差精度0.0001，BP网络AGA网络和AGA-BP网络需要的迭代次数分别为241412716和1685次，可见AGA-BP神经网络较BP神经网络和AGA神经网络，在全局优化意义上能更加稳定快速地收敛。

图15-2神经网络误差输出变化利用测试样本集分别对BP、AGA和AGA-BP网络进行测试，识别结果如表15-1所示。表15-2列出了每种放电类型的具体识别情况。每种放电类型选取5组随机的数据，对每组数据，三种算法分别执行20次，取其平均结果。表15-1放电类型识别结果放电类型训练样本数/全部样本数正确识别数/识别总数识别率（%）BP-NNAGA-NNAGA-BP-NNBP-NNAGA-NNAGA-BP-NNA20/5022/3028/3029/3073.393.396.7B20/5027/3030/3030/3090100100C20/5026/3029/3030/3086.796.7100D20/5028/3030/3030/3093.3100100E20/5027/3029/3030/309096.710015．2专家系统专家系统是一个具有大量专门知识的计算机程序系统。它是目前人工智能领域研究中最为活跃的一个分枝。60年代中期，美国Stanford大学的E.A.Feigenbaum教授等成功开发出了用于有机化学分析的DENDRAL系统；麻省理工学院的C.Eegleman等研制出了用于数学符号积分和公式化简的MACSYMA系统，从而揭开了专家系统研究的序幕。至今，已有各种类型的专家系统在许多领域获得成功，并带来了可观的经济效益。从80年代以来美国已有80%以上的大公司应用了专家系统技术；日本已拥有的处于不同阶段的专家系统达2000多个；西欧各国专家系统的年增长率也有30%以上。这些专家系统已广泛专用于医学、地质、数学、工程、故障诊断等各个方面。15．2．1专家系统的基本结构从本质上讲，专家系统是一类包含着知识和推理的智能计算机程序。但是，这种“智能程序”与传统的计算机“应用程序”已有本质上的不同。专家系统已经从传统的“数据结构+算法=程序”的应用程序模式变成了“知识+推理=系统”的模式。通常，一个以规则为基础、以问题求解为中心的专家系统主要包括五个组成部分：知识库、推理机、综合数据库、解释接口或人—机界面和知识获取。各个部分之间的相互关系一般可表达为图15-3。

表15-2变压器典型局放模型的放电类型识别结果放电BP-NN识别结果AGA-NN识别结果AGA-BP-NN识别结果样本ABCDEABCDEABCDEA-10.40220.00000.01790.00050.20120.74680.00000.00010.00010.03520.95360.00000.01200.00030.0357A-20.50950.00000.00740.00060.19510.90950.00000.00000.00010.02910.97460.00000.00670.00120.1050A-30.99350.00000.00020.00270.00570.99760.00000.00000.00210.00140.99740.00000.00290.00440.0030A-40.99540.00000.00020.00300.00400.99750.00000.00000.00230.00140.99630.00000.00250.00430.0032A-50.99520.00000.00030.00310.00330.99770.00000.00000.00220.00130.99940.00000.00210.00280.0032B-10.00000.98760.00030.00020.01650.00000.99580.00290.00400.00250.00000.99660.00100.00120.0042B-20.00000.14720.17830.00000.37790.00000.51690.26810.00170.00950.00000.95910.01000.00010.0345B-30.00000.94140.00160.00000.02740.00000.98390.00620.00230.00490.00000.98420.00430.00030.0165B-40.00090.99080.00580.00240.00000.00000.99490.00380.00320.00190.00000.99590.00210.00250.0040B-50.00000.84490.01130.00010.01800.00000.98960.00680.00350.00300.00000.99190.00410.00070.0032C-10.13040.40040.46360.00000.00010.00030.00000.70180.24060.00000.03990.00020.83050.00500.0002C-20.00100.00310.98100.00000.01700.00000.00100.98630.00000.07250.00110.00590.98090.00010.0069C-30.00060.00440.99170.00000.00220.00000.00380.99410.00020.00360.00150.00360.99620.00010.0014C-40.00100.00310.99650.00000.00190.00000.00190.99790.00010.00170.00120.00210.99750.00020.0012C-50.00090.00310.99660.00000.00180.00000.00180.99780.00010.00170.00180.00230.99780.00020.0009D-10.00320.00490.00000.99450.00010.00300.00300.00010.99620.00000.00210.00220.00000.99610.0008D-20.00330.00480.00000.99440.00010.00310.00290.00010.99620.00000.01730.00060.00010.99720.0002D-30.00350.00470.00000.99400.00010.00310.00310.00000.99620.00000.00350.00240.00000.99380.0006D-40.00320.00490.00000.99450.00010.00300.00300.00000.99630.00000.00190.00180.00000.99720.0008D-50.00340.00470.00000.99410.00010.00360.00260.00010.99570.00000.00150.00260.00000.99620.0012E-10.00300.00000.00260.00010.99700.00160.00050.00190.00000.99770.00060.00070.01000.00090.9981E-20.00290.00000.00260.00010.99700.00130.00060.00160.00000.99800.00280.00310.00160.00000.9979E-30.00300.00000.00250.00010.99700.00460.00030.00550.00000.99430.00130.00180.00320.00020.9951E-40.91490.00010.00000.00540.03910.20140.00060.00160.00000.49800.13070.00030.00010.00090.6871E-50.00300.00000.00250.00010.99700.00460.00030.00560.00000.99420.00310.00360.00140.00000.9955（1）知识库。它是专家系统的核心之一，其主要功能是存储和管理专家系统的知识。包括相关领域的学术著作、教科书中的知识和领域专家在长期实践中所获得的经验知识等。（2）推理机。它实际上是一组计算机程序。其主要功能是协调控制整个系统，决定如何选用知识库中的有关知识，对用户提供的证据进行推理，以最终作出回答。在专家系统中，推理过程控制方式主要有正向推理（由原始数据出发的推理）、反向推理（由假设性结论出发的推理）和正反向推理三种。（3）综合数据库。它用于存储系统运行过程中所需要的初始数据、证据及推理过程中得到的中间结果等等。它们能反映系统要处理问题的主要状态和特征，是系统操作的对象。在系统运行过程中，综合数据库中的内容是不断改变的，并且它的表示和组织通常与知识库中知识的表示和组织相容或相一致。图15-3专家系统的一般功能结构（4）解释接口（人机界面）。有些系统将解释接口和人机界面分开考虑，其实他们均是人机交互程序。解释程序负责回答用户提出的问题，包括系统运行的问题与系统本身的一些问题。它可对推理的路线和提问的含义给出必要的清晰的解释，同时也是一个可发现系统不合理性或者存在错误的调试工具。人机界面则包括输入和输出两大部分。可把用户输入信息转换成系统内规范化的表示形式，用于相应的模块去处理；或为把系统输出的内部信息转换成用户易于理解的外部表示形式以显示给用户。（5）知识获取模块。这是专家系统中能将某专业领域内的事实性知识和领域专家所特有的经验性知识转化为计算机可利用的形式并送入知识库的功能模块。同时也负责知识库中知识的修改、删除和更新，并对知识库的完整性和一致性进行维护。上面论述的只是一般专家系统的功能和结构。由于专家系统类型较多，包括演绎型、经验型、工程型和咨询型等，因此在具体设计和开发一个实用专家系统时，应考虑在功能和结构方面的不同，根据系统的实际情况作出适当的变动。15．2．2专家系统的分类专家系统可以按不同的方法来分类。（1）按应用领域可分为化学专家系统，如DENDRAL系统；数学专家系统，如MACSYMA系统；医疗专家系统，如用于一些细菌感染疾病诊断的MYCIN系统；气象专家系统，如用于台风路径预报的TYT系统；地质专家系统，如PROSPECTOR系统等等。（2）按知识表示技术可分为基于规则的专家系统；基于框架的专家系统；基于语义网络的专家系统；基于逻辑的专家系统等等。（3）按解决问题的性质可分为解释型专家系统，即根据外表观察的情况或采集到的数据来分析解释内部可能的情况或深一层的结构等；诊断型专家系统，这类系统应用最广泛，如用于计算机硬件、软件故障诊断的CRIB系统等；规则与设计型专家系统，如用于VAX计算机总体配置的XCON系统等；监测与控制型专家系统；咨询与决策型专家系统等。（4）按推理方法可分为基于精确推理模型的专家系统；基于确定性理论模型的专家系统；基于主观概率方法的专家系统；基于证据理论模型的专家系统和模糊专家系统等。专家系统同传统的程序设计方法有着本质上的不同，它所具有的基本特征是：①具有专家水平的专门知识；②具有符号处理能力；③具有一般的问题求解能力；④具有一定的复杂度和难度；⑤具有解释功能；⑥具有获取知识的能力。故障诊断专家系统的设计同其他专家系统的设计大致相同，但也有它的特点。15．2．3专家系统的构建故障诊断专家系统设计的原则（1）系统设计应面向工程实际，选用成熟可靠的技术，保证系统的实用性，能解决实际问题。（2）系统应设计成开放式的结构，全部知识对用户透明，允许监督和维护。（3）诊断知识的表达方式应尽量统一，以便于对它进行统一的处理、解释和管理，从而使故障诊断专家系统的实现相对简化。知识的表达能反映知识间的相互关系，即故障与征兆、征兆与征兆、故障与故障间复杂的关系结构。（4）推理机制简洁、有效，能够模仿人类专家在故障诊断过程中采用的层次渐进的思维方式。诊断知识的表达和推理应具有较强的处理不确定性的能力。（5）数据管理要强大有效，能够适应不同方式、不同渠道的数据和信息的输入；能够处理各类数据，能够包容数据的不完备性。（6）诊断推理具有较强的容错能力和默认推理能力。在数据信息不很完全、不确切、不严格、甚至不大可靠的情况下也能够工作。（7）标准化的知识入口，保证良好的人机交换环境，降低对用户的专业技术要求；有较强的诊断解释能力，诊断结果简单、直观、易懂，不要求用户有很深的知识背景和介入水平。（8）提高系统的可靠性，尽可能给出所有可能的诊断解，最大限度地避免虚警和漏诊开发诊断专家的基本步骤诊断专家系统是一类特殊的基于诊断知识的软件系统，所以它的开发应遵循一般大型软件开发的指导性原则，又要有很多不同于其他软件开发的特点和内容。一般情况下，开发包括下列阶段。（1）任务的确定和可行性分析阶段。这一阶段的目标是确认故障类型并提出解决问题的方案。根据现实要求，合适地选择和划定问题域是首先要解决的一个关键问题。若所选择的问题结构性很差，会造成专家系统开发的难度增加，可能导致开发不成功。可行性分析用来评估系统实现目标的可能性，估算系统开发所需人力、财力、物力和时间等。（2）诊断知识获阶段。这是开发过程中最重要的一步，也是最难的