基于T-F聚类和PRPD图谱分析的配网电缆局部,放电类型识别研究*

周 达 张 昕 邹云峰 倪玉玲 王德玉

(国网江苏省电力有限公司营销服务中心 南京 210019)

随着全球电网的不断升级，可持续能源成为电网的优先选择之一，可持续能源的投入大多是通过10 kV电缆连接的配电网络[1-4]，配网电缆数量的增加使得供电可靠性要求越来越高，要求减少停电时间及频率。根据数据表明[5]，超过80%的电缆故障都与局部放电有关，局部放电是指在电缆中发生局部区域的放电，而没有贯穿整个主绝缘，局部放电的发生伴随着许多其他物理效应，进一步影响电缆寿命，是绝缘劣化的重要特征之一[6]。因此，为保证配网电缆的运行安全，需要及时获取电缆状态数据，评估电缆运行状态。在该研究领域，对局部放电模式的识别一直是国内外的研究热点，开展配网电缆的局放信号模式识别是局部放电在线监测的 关键。

就目前研究而言，对配网电缆的局放信号模式识别方法大多集中在单一放电源的类型识别上，如基于统计学原理的局部放电相位谱图(Phase resolved partial discharge，PRPD)法[7]、以及改进的基于BP神经网络[8]、支持向量机[9]的相位图谱识别法。此类方法只能在单一放电源存在的情况下准确识别局部放电类型，而当电缆同时存在多种局部放电类似或检测环境中存在随机干扰时，得到的PRPD图谱是混叠在一起的，对照特征数据库中的单一放电类型会出现不匹配的情况，准确率大大降低。目前对于多种放电类型的混合识别相关研究报道还较少，文献[10]提出了一种将局部放电的脉冲幅值采用多参数Weibull分布进行拟合的方式来识别多放电源的类型识别，当放电信号来自于多个放电源时，局部放电脉冲幅值分布将具有多个拐点，由此来判断混合放电源类型，但此方法无法识别出干扰，当干扰信号较大时，放电信号容易被淹没无法准确判断。文献[11]提出了一种等效时频法结合模糊聚类分析的方法，首先使用等效时频变换，将原始脉冲信号转换到T-F模式下，再利用模糊聚类将放T-F图谱的数据点进行分类，并根据事先建立的单一局放缺陷指纹库进行对比，完成对多放电源信号的分类和识别，但当同一种缺陷程度不同时，在T-F模式下的分布不一致，导致对指纹库的要求十分高，使得在实际现场应用过程中效果不太理想。文献[12]提出了一种基于FastICA算法的多缺陷局放信号分离，将多放电源局部放电信号识别转化为单一信号识别的问题，但该方法同样对测试系统中的噪声要求较高，当测试环境中干扰噪声过大时，识别结果的准确度将明显降低。综上所述，目前配网电缆的局放信号检测方法主要存在以下问题：大多方法仅能识别单一局放类型，当有多种局放类型存在时无法准确对局放信号进行诊断；
而常规的混合局放类型识别的方法无法排除噪声干扰信号带来的影响，使得局放信号误判率明显升高，且所需故障数据库庞大，数据库维护过于频繁。

为解决上述问题，本文采用等效时频分析法与模糊C均值聚类分析结合PRPD图谱的方法对配网电缆多放电源的局部放电信号进行分离和识别。首先通过等效时频分析，将原始放电的时域波形转化为T-F模式，之后采用模糊C均值聚类分析将T-F模式下的数据进行分类，对放电脉冲进行初步划分。对每一类的放电脉冲提取PRPD图谱。根据PRPD图谱识别其放电类型，最终实现配网电缆多放电源局放信号的准确分类与识别。最后，分别在多个单一局放源和两种混合局放源放电情况下验证了该方法的有效性。

2.1 T-F模式下模糊聚类

短时间内电缆中的局放信号是相对稳定的，因此检测到的由同一局放源发出的局放信号波形在时域上具有高度的相似性[13]。采用脉冲波形-时间序列代替脉冲峰值-时间序列，在原始脉冲信号的基础上形成T-F特征图谱，不同类型的放电将在图谱上分布于不同的点，此特征可用于局部放电类型的分类。本文采用等效时频法将峰值-时间序列转化为T-F特征图谱。首先将采集得到的局部放电时间序列进行标准归一化处理[14]

再按照式(2)计算标准化信号的时间重心

最后，根据式(3)和式(4)计算单个局放脉冲波形的时域等效时长和频域等效带宽

式中，t为采样时间；
T为最大采样时刻；
f为采样频率；
S(f)为(t)的傅里叶变换。

将单个局部放电脉冲信号按照式(1)～(4)进行处理后得到一组等效时长T及等效带宽F，当具有多组T-F向量后投影到T-F构成的二维平面上，即可形成该局放脉冲的特征T-F谱图。

在采用了等效时频法对局放信号进行预处理，不同类型的局部放电脉冲在进行T-F转化后将分布于谱图上不同的区域即T-F转化可以使具有相同特征的脉冲紧聚在一起，将不同区域进行分类是将多种局部放电信号区分的关键步骤，本文采用模糊C均值聚类方法(Fuzzy C-means，FCM)对T-F谱图中的特征点进行分类。FCM是目前最为灵敏、应用也最广泛的一种聚类分析算法[15]。该算法的思想是把聚类分析问题转化为一个带约束的非线性规划问题，通过优化求解来获取数据集的最优划分。基于目标函数的模糊聚类分析有如下一般性描述[16-17]

式中，V= (v1,v2,…,vc)为C个聚类中心；
‖xj-vi‖为欧氏距离；
m∈[1，∞)为加权指数，又称平滑系数。

基于以上分析得到FCM的具体流程如下。

初始化：给出聚类类别数c，2≤c≤n为样本的总个数c；
对聚类中心V0初始化；
设置迭代停止阀值ε的大小。

步骤一：根据式(6)计算或更新隶属度函数矩阵Ub=[uij]。

步骤二：根据式(7)更新聚类中心。

步骤三：如果满足 ||Vb-Vb-1||≤ε则算法停止并输出隶属度函数矩阵U和聚类中心V；
否则继续执行步骤一。

基于上述处理，局部放电脉冲波形原始数据已完成预处理，从原始脉冲峰值-时间序列转换到T-F图谱并通过FCM将放电类型进行区分，可对放电类型数量进行初步判断。在聚类步骤中对于聚类类别数的选取通常可基于两种选择方式，一是根据T-F谱图团聚情况，有明显的C种团聚则可将聚类类别数设为C；
二是T-F图谱中只有一种团聚没有明显的几种团聚但特征时长或特征带宽分布较长，则可将c值从小到大依次尝试，直到出现明显错误分类或脉冲数不足以与指纹库对比。

2.2 基于PRPD谱图放电类型识别

放电量Q、放电次数n和放电所在相位Φ是局部放电的3个基本参数，将多个周期内的单次放电脉冲折算到一个工频周期内观测其统计特征即形成PRPD图谱可突出放电的统计规律性。

局部放电脉冲波形原始数据预处理后，根据T-F图谱下的聚类结果，将每一类的原始数据提取，获取每一个脉冲产生时相对于工频信号的相位及幅值，以脉冲发生时的相位值为横轴，脉冲幅值为纵轴，生成每一类放电信号的原始PRPD图谱。通过对已知放电类型的图谱进行分类器学习，得到的分类器模型可对未知放电波形进行对比自动识别，即可将典型局部放电缺陷的PRPD图谱作为指纹库，放电信号的PRPD图谱与之进行对比，由此可对T-F聚类后的每一类局部放电放电信号类型进行判断以及排除干扰噪声。以上所述的基于T-F聚类及PRPD谱图的放电模式分类与识别的流程图如图1所示。

图1 放电模式分类及识别方法流程图

3.1 典型绝缘缺陷的局部放电模拟

为验证本文所提出的局放类型识别方法的有效性，本文采用上海锐测电子科技有限公司的PDS型局部放电模拟源建立了4种配网电缆中典型的局放缺陷模型。缺陷模型如图2所示，包括金属尖端缺陷、绝缘气隙放电、金属微粒悬浮放电和界面沿面放电。

图2 四种缺陷放电模型

其中，金属尖端缺陷会导致电缆导体部分出现尖端或毛刺，电场强度变大，致使尖端或毛刺周围的绝缘层发生局部放电，产生绝缘击穿现象。绝缘气隙放电是指电缆主绝缘内部出现了杂质或气隙，相较于主绝缘其介电常数更低，击穿场强更低，导致先于主绝缘发生放电。金属微粒悬浮放电是指导体与附件之间的内部自由金属微粒，存在金属悬浮电位，引起悬浮电极放电。复合界面沿面放电是指绝缘子在制造过程中引起的内部气泡以及由于试验闪络导致的表面放电痕迹，同时还包括高压电极表面粗糙不平整或者在设备加工时嵌入的金属颗粒。

3.2 局部放电测试系统

图3所示为局部放电测试系统示意图及实物图。其中，正泰(CHNT)TDGC2-0.5型调压器为局放模拟源提供电源，可调电压范围为0～5.5 kV，局放模拟源输出信号幅值最高可达2 V；
示波器为Tektronix DPO 4032，可实现对局部放电波形的实时监测，其带宽为350 MHz，最大采样率2.5 GS/s；
HFCT传感器为自制高频电流传感器，用于局部放电脉冲信号的测量，其测量带宽为0.5～30 MHz，灵敏度为15 mV/1 mA；
Pico Technology的5442D型高速数采卡用于对脉冲信号进行采集和存储，其带宽为60 MHz，采样率1 GS/s，存储深度为512 Mpts；
计算机可实现对局部放电信号进行T-F模糊聚类和PRPD图谱分析。

图3 局部放电测试系统示意图及实物图

4.1 单一缺陷的放电类型识别

本文分别对4种放电模型施加电压，采集200个局部放电脉冲信号。图4分别为四种放电脉冲信号的典型波形、T-F图谱及相应的PRPD图谱。由图4可知每一类放电模型在T-F模式下均呈现出团聚现象，但由于放电程度不同，并非所有放电类型都为一类团聚。图4e所示为根据尖端放电脉冲得到的T-F图谱，脉冲波形在T-F模式下团聚为一团，其PRPD图谱如图4i所示，主要聚集在第一象限，为典型的尖端放电类型的PRPD图谱，可知该类局放源为尖端放电。图4f所示为根据气隙放电脉冲得到的T-F图谱，同样也团聚为一团，对该类放电脉冲PRPD图谱分析，放电主要发生在第一三象限，且较为对称呈驼峰状，可判断其为气隙放电类型。图4g所示为根据悬浮放电脉冲得到的放电T-F模式和聚类分析。悬浮放电脉冲波形在T-F模式下积聚为一团，其PRPD谱图如图4k所示，在一个周期内任何相位均有放电发生，可知其为悬浮放电类型。

值得一提的是图4h，其所示为根据沿面放电得到的放电T-F模式和聚类分析。可知其放电脉冲在T-F模式下呈两个不同的团聚分布，这是由于在放电过程中由于放电的持续发生，模型内部出现缺陷变严重的情况，对其放电脉冲进行等效时频转化后，其等效时长及等效带宽有变化，导致放电脉冲在T-F图谱中呈现两个不同的团聚部分(C1、C2)。C1、C2两类脉冲波形的PRPD图谱如图5b、5c所示，对PRPD谱图进行分析后可看到其放电发生在正负半周峰值位置且较为对称，符合沿面放电的PRPD谱图特征，即C1、C2均属于沿面放电。直接通过T-F模糊聚类对放电类型进行识别时，会出现团聚重心偏移指纹库所对应的放电类型的情况，从而出现局部放电类型误判的情况，因此相较之本文提出的方法准确性更高。

图4 四种放电脉冲信号的典型波形、T-F图谱及相应的PRPD图谱

图5 沿面放电T-F聚类及PRPD图谱分析

4.2 混合缺陷的放电类型识别

为了验证所提的算法对于多种局部放电类型的识别能力，本文同时采集得到尖端放电缺陷和悬浮放电缺陷的局放波形(下称F1+F3)以及沿面放电缺陷和气隙放电缺陷的局放波形(下称F2+F4)共1 000个脉冲信号进行分析。混合波形原始PRPD谱图如图6所示，若直接进行故障类型识别，容易识别为单一故障。

图6 混合缺陷波形PRPD图谱

将F2+F4混合缺陷的原始脉冲波形进行等效时频分析，其T-F图谱如图7a所示。由于其特征时长、频域分布较宽，聚类类别数按照前文所述，可从分类数2开始，根据单一放电模型训练出的隶属度，可以将原始脉冲分为D1和D2两类脉冲，D1的PRPD谱图如图7c所示，D2的PRPD图如图7d所示，从中可以看出，D1类脉冲的放电主要集中在工频的第一与第三象限，其中放电最为集中的部分分别出现在靠近正负峰值处，从谱图可知其有典型沿面放电的特征，即可认为D1类脉冲放电类型属于沿面放电。D2类放电同样出现在外加电压的第一与第三象限，但其总的放电频次较少，分布较D1更为分散，且在正负半周放电基本呈驼峰状分布，具备气隙放电的特征，可知D2类脉冲属于气隙放电。同样将F1+F3混合缺陷的原始波形进行等效时频分析，其T-F图谱如图8a所示，有较为明显的两类团聚现象，可将其分为E1和E2两类脉冲。分别对E1类脉冲和E2类脉冲的PRPD图谱进行提取如图8b、8c所示。E1类脉冲的PRPD图谱可看出放电集中于正半周，即放电在一个工频周期内只发生一次，为典型的尖端放电特征，E1类脉冲属于尖端放电。E2类脉冲的PRPD图谱显示放电发生在整个工频周期内，正负半周对称性尚可，具备悬浮放电的特征，可知E2类脉冲属于悬浮放电。综合两个实例证实本文提出的方法具有较为理想的脉冲分类和类型识别效果。

图7 F2+F4混合放电T-F聚类及PRPD图谱分析

图8 F1+F3混合放电T-F聚类及PRPD图谱分析

本文提出了一种基于等效时频分析与模糊C均值聚类方法结合PRPD谱图实现局部放电分离和类型识别的方法。通过在单一局放类型和混合局放类型两种条件下的放电信号检测与识别试验验证，得到了如下结论。

(1) 引入T-F模糊聚类对局部放电类型进行特征提取相较于直接使用PRPD图谱更清晰，不同放电类的T-F图谱会出现不同的特征从而在不同位置出现团聚现象，而在PRPD谱图中会混合难以区分。直观地说明了采用T-F模糊聚类进行多放电源分类的可行性。

(2) 单一局放源及混合局放源放电的试验结果表明，经过等效时频分析、模糊C均值聚类后的PRPD图谱能够准确对多局放源的放电类型进行分类和识别。

(3) 综上，本文提出的基于T-F聚类和PRPD图谱分析的局部放电类型识别方法在实验室单一缺陷和多缺陷放电的分离和识别中具有较高的准确率。后续的研究工作将通过现场局放数据的采集和识别进行该方法的进一步完善，以提升其工程应用价值。