顏湘蓮　王承玉　季嚴松　張振乾　宋 杲　楊　韌

氣體絕緣設備中SF6氣體分解產物與 設備故障關系的建模

顏湘蓮1王承玉1季嚴松1張振乾1宋 杲1楊韌2

（1. 中國電力科學研究院 北京 100192 2. 陜西電力科學研究院 西安 710049）

運行表明SF6氣體分解產物檢測方法成為了氣體絕緣設備狀態(tài)檢測的有效手段，但分解產物與設備故障關系及其現(xiàn)場應用參考指標等有待深入研究。本文提出了SF6氣體分解產物與設備故障的建模方法和流程，對開斷電弧、局放和異常發(fā)熱下的分解產物實驗數據進行了統(tǒng)計分析，建立了設備在典型工況下的分解產物概率模型，并通過現(xiàn)場實測驗證了建模方法和概率模型的有效性。利用建立的概率模型，提出了設備故障概率估計的貝葉斯構想，為運行設備狀態(tài)評價提供了有效依據。

氣體絕緣設備 SF6氣體分解產物 概率模型 故障分布 貝葉斯估計

0　引言

SF6氣體絕緣設備在電網中廣泛應用，運行表明SF6氣體分解產物檢測方法對該類設備的絕緣沿面、懸浮放電和異常發(fā)熱等典型缺陷具有受干擾小、靈敏度高等優(yōu)勢［1-8］。該技術在現(xiàn)場的應用仍缺乏參考指標和規(guī)則，難以根據檢測結果判斷設備運行狀態(tài)或故障狀況，亟需開展設備中分解產物與設備故障關系的研究。

針對氣體絕緣設備中SF6氣體分解產物與設備故障關系的研究，大多僅開展了局放或發(fā)熱產生的分解產物單一類型實驗［9-16］，采用模擬實驗裝置，得到設備狀態(tài)判斷的分解產物參考指標與運行工況存在偏差［17，18］，難以對運行設備狀態(tài)評價提供有效的指導。目前，有關分解產物與設備故障的建模研究未見報道，由此，在實驗基礎上，有必要對不同工況下的SF6氣體分解產物實驗結果進行建模分析，用合適的統(tǒng)計分布擬合數據和估算參數，以建立分解產物與設備故障關系的模型，提出設備狀態(tài)判斷的參考指標。

本文研究SF6氣體分解產物與設備故障的建模方法，提出合適的故障分布和參數估計相關性計算方法，進而對不同工況下的分解產物實驗數據進行建模分析，建立分解產物概率模型，得到設備典型工況的概率分布。在此前提下，提出設備概率估計的貝葉斯構想，為氣體絕緣設備狀態(tài)評價提供技術支撐。

1　分解產物與設備故障建模方法

為便于進行設備狀態(tài)判斷和評價，需開展不同設備工況下SF6氣體分解產物實驗及實測數據的建模，提出了分解產物與設備故障關系的建模方法，包括故障分布、參數估計和相關性計算，進而選擇不同設備故障適用的概率分布。

1.1故障分布

根據廣泛應用的概率分布描述方法，結合設備可靠性的理論分析，通常采用威布爾（Weibull）分布、正態(tài)分布或對數正態(tài)分布描述開關設備故障分布［19］，本文在這三種統(tǒng)計分布基礎上建立分解產物與設備故障模型，由實驗數據確定各分布函數中的參數。

1.1.1 Weibull分布

Weibull分布函數Fw（l）可表示為

式中，l為統(tǒng)計變量；γ、θ分別是Weibull分布的形狀和尺寸參數。

Weibull分布概率密度函數fw（l）為

1.1.2 正態(tài)分布

累積正態(tài)分布函數Fn（l）表達式為

式中，μ、σ分別是正態(tài)分布的均值、標準偏差；Φ為分布函數。

式（3）中的正態(tài)分布函數表示為

正態(tài)分布的概率密度函數fn（l）為

1.1.3 對數正態(tài)分布

與正態(tài)分布類似，累積對數正態(tài)分布函數Fl（l）為

得到對數正態(tài)分布函數為

對數正態(tài)分布的概率密度函數fl（l）為

用這三種概率分布擬合不同設備工況下的SF6氣體分解產物實驗和實測數據，可得到不同分布的參數γ、θ和μ、σ。

1.2參數估計

對實驗結果符合的概率統(tǒng)計分布進行參數估計，準確度取決于樣本大小和參數估計方法。本文用極大似然估計法對實驗數據進行參數估計，極大似然函數L（θ）為

式中，θ為函數變量，利用變量l1， l2， l3，…，ln來擬合計算該函數中的參數。

1.2.1 Weibull分布

聯(lián)立式（1）和式（9），對函數取對數后求導，得到參數γ和θ的函數

求解式（10），得到Weibull分布的參數γ和θ。

1.2.2 正態(tài)和對數正態(tài)分布

聯(lián)立求解式（3）～式（8）與式（9），給定參數μ和σ初始值，由式（11）、式（12）遞歸求解得到正態(tài)分布和對數正態(tài)分布的參數μ、σ。

將參數γ、θ和μ、σ代入各分布函數中，得到分解產物檢測數據可能符合的統(tǒng)計分布，進而分析其適用的概率分布。

1.3誤差分析

由于實驗條件受限，實驗結果與實際應用仍存在差距，需分析實驗數據與統(tǒng)計分布的誤差，計算實驗數據與分布的相關性，選擇可信的概率分布。

1.3.1 均值和方差

為彌補樣本有限導致的采樣誤差，用置信區(qū)間量化實驗結果的不確定性，選取典型值95%。置信水平對具有置信區(qū)間過程性能的概率進行描述，該區(qū)間定義為

式（13）用來估計具有置信系數（1-α）的參數?（）v l的置信區(qū)間，Zα是標準正態(tài)分布的α分位數。

對任意α值，Z（1-α/2）滿足

由此，得到均值?（）v l和方差?? Var［（）］lν為

Weibull分布的均值和方差為

式中，（）nΓ是伽瑪函數。

正態(tài)分布與對數正態(tài)分布的均值和方差計算方法一致，即

1.3.2 相關性

應用統(tǒng)計學的假設檢驗，計算統(tǒng)計分布的相關性χ2描述分布與檢測結果的符合程度，χ2計算方 法為

式中，li為檢測數據。

比較分析χ2值與1的關系，χ2＜1表明模型過度擬合數據；χ2＞1意味模型不能完全擬合數據或低估了方差； χ2=1表明實驗數據完全符合該分布模型?？梢?，應選擇χ2值最接近1的概率分布作為設備工況的概率模型。

1.4建模流程

在上述研究基礎上，提出分解產物與設備故障關系的建模方法和流程，包括檢測數據建模和故障概率估計兩大模塊：建立三種故障分布，對分解產物檢測數據進行統(tǒng)計處理后，開展概率分布的參數估計和誤差分析，得到設備故障適用的分布模型；用檢測數據進行故障分布擬合，提取概率分布和置信區(qū)間，進而用Bayes方法估計設備故障概率（具體分析見第2節(jié)），實現(xiàn)運行設備故障概率估計及壽命預測的構想。

圖1給出了分解產物與設備故障關系的建模流程，利用該方法對不同設備工況下的分解產物實驗數據進行建模，預測設備發(fā)生故障的概率。

圖1　分解產物與設備故障建模流程Fig.1　Flow of the model for the relation between SF6decomposition products and the faults in equipment

2　分解產物實驗數據的建模分析

利用建立的分解產物與設備故障建模方法和流程，對開斷電弧、局放和異常發(fā)熱實驗數據［20］進行建模，擬合出不同設備工況下的分解產物概率分布和置信區(qū)間，為預測設備故障概率提供參考。

2.1分解產物檢測方法

采用電化學傳感器法、氣相色譜法和氣體檢測管法對3種實驗產生的SF6氣體分解產物進行檢測。

2.1.1 電化學傳感器法

電化學傳感器技術利用被測氣體在高溫催化劑作用下發(fā)生的化學反應，改變傳感器輸出的電信號，從而確定被測氣體成分及其含量。電化學傳感器具有較好的選擇性和靈敏度，可檢測出SF6氣體中SO2、H2S和CO組分，被廣泛應用于設備中SF6氣體分解產物的現(xiàn)場檢測。

2.1.2 氣相色譜法

氣相色譜儀選用熱導檢測器（TCD）、火焰光度檢測器（FPD）和氦離子化檢測器（HID），針對氣體樣品中的硫化物、含鹵素化合物和電負性化合物等物質響應靈敏，檢測準確度較高?？蓹z測出SF6氣體中SO2、H2S、SOF2、SO2F2和CO、CF4、C2F6等，是主要的實驗室檢測手段。

2.1.3 氣體檢測管法

應用化學反應與物理吸附效應的干式微量氣體分析法即“化學氣體色層分離（析）法”，檢測管可用來檢測SF6氣體分解產物中SO2、HF、H2S、CO、CO2和礦物油等雜質的含量。氣體檢測管的檢測精度較低，受環(huán)境因素影響較大，主要用于SF6氣體分解產物含量的粗測。

2.2模型參數計算

在開斷電弧和發(fā)熱實驗中，檢測到的分解產物特征組分為SO2和H2S，局放實驗的分解產物特征組分為SOF2和S2OF10。采用類似于油色譜分析用比值法，本文用不同實驗下的特征組分含量比值為特征參量進行數據建模。

用本文提出的Weibull、正態(tài)和對數正態(tài)分布擬合實驗數據特征參量，進行參數估計和誤差分析，選擇各實驗類型適用的概率分布。表1～表3給出了三類實驗在不同分布下的模型參數，根據χ2值與1的接近程度，表明開斷電弧、局放和發(fā)熱分別適用于對數正態(tài)、Weibull和正態(tài)分布。

表1　不同實驗的Weibull分布模型參數Tab.1 Model parameters of Weibull distribution for different tests

表2　不同實驗的正態(tài)分布模型參數Tab.2　Model parameters of normal distribution for different tests

表3　不同實驗的對數正態(tài)分布模型參數Tab.3 Model parameters of Logarithmic normal distribution for different tests

2.3實驗數據建模

2.3.1 開斷電弧實驗

由模型參數計算結果可知，開斷電弧實驗數據滿足對數正態(tài)分布，利用式（6）～式（8），得到該類實驗下的概率分布和置信區(qū)間，如圖2所示，圖中實線為概率分布曲線，圖2a為開斷電弧實驗的概率分布與實驗數據的對比，“×”點代表實驗數據，圖2b中虛線為置信區(qū)間的包絡線。

圖2　開斷電弧實驗的概率分布曲線和置信區(qū)間Fig.2 The probability distribution and confidence intervals for arc tests with Logarithmic normal distribution

根據圖1中的建模結果，發(fā)現(xiàn)開斷電弧的特征參量（SO2/H2S含量比值）主要分布于1～6。以電弧能量10kJ區(qū)分該實驗，分為高能量電弧（＞10kJ）和低能量電?。ā?0kJ）實驗，都滿足Weibull分布。對這兩種實驗的數據分別進行建模，兩種情形下的概率分布如圖3所示?？梢姡吣芰侩娀∠碌奶卣鲄⒘糠秶鸀?～2，低能量電弧形成的特征參量主要為2～6，能用于初步界定電弧能量范圍。

圖3　高能量電弧和低能量電弧實驗的概率分布Fig.3　The probability distributions for high energy and low energy arc tests with Weiibull distribution

2.3.2 局放實驗

根據1.1節(jié)，局放實驗數據符合Weibull分布，特征參量為SOF2/S2OF10含量比值，由式（1）、式（2）得到其概率分布和置信區(qū)間如圖4所示，圖中的標注與圖1一致。

圖4 局放實驗的概率分布曲線和置信區(qū)間Fig.4　The probability distribution and confidence intervals for partial discharge tests with Weibull distribution

圖4中，局放實驗的特征參量為5～24，因局放產生的SOF2和S2OF10不穩(wěn)定，使得特征參量范圍較寬。同時開展了吸附劑對局放產生的分解產物的影響實驗，有吸附劑局放和無吸附劑實驗數據均滿足正態(tài)分布，建模結果如圖5所示。

分析圖5中的結果，表明在有吸附劑情形下，消除了水分的影響，局放形成的特征參量較穩(wěn)定，為15左右，無吸附劑局放的特征參量為5～24。

2.3.3 異常發(fā)熱實驗

用正態(tài)分布擬合異常發(fā)熱實驗數據，建模得到 的概率分布和置信區(qū)間如圖6所示，圖中的標注與圖1一致。該實驗選用的特征參量與開斷電弧實驗的特征參量相同，均為SO2/H2S含量比值，分布于7～24。比較圖2與圖6，發(fā)現(xiàn)與開斷電弧實驗不同，異常發(fā)熱實驗的特征參量的值增大，范圍較寬。

圖5　有吸附劑局放和無吸附劑局放實驗的概率分布Fig.5　The probability distribution for partial discharge tests with and without absorbents with Normal distribution

圖6　異常發(fā)熱實驗的概率分布曲線和置信區(qū)間Fig.6　The probability distribution and confidence intervals for abnormal heating tests with normal distribution

在該類實驗中，同樣分析了吸附劑的影響，有吸附劑發(fā)熱實驗滿足正態(tài)分布，無吸附劑過熱實驗符合對數正態(tài)分布，建模結果見圖7，可看出兩種實驗的概率分布區(qū)別較小，表明吸附劑對發(fā)熱實驗的影響較小。

圖7　吸附劑發(fā)熱和無吸附劑發(fā)熱實驗的概率分布Fig.7　The probability distributions for abnormal heating tests with and without absorbents with normal and logarithmic normal distribution

2.3.4 建模結果分析

利用本文提出的分解產物與設備故障建模方法，建立了開斷電弧、局放和異常發(fā)熱實驗的分解產物概率模型。根據圖2、圖4和圖6的建模結果，可知開斷電弧和異常發(fā)熱選取的特征參量相同，但兩種實驗情形下的參量范圍沒有交疊，電弧的取值為1～6，發(fā)熱的取值為7～24；局放實驗選取的特征參量與上兩種實驗的特征參量不同，取值為5～24。

上述分析表明，三類實驗的分解產物概率模型對應的特征參量及其取值有較嚴格的區(qū)分，有利于設備狀態(tài)判斷，可見本文提出的建模方法和流程是可行的。

2.4模型驗證及應用案例

為進一步驗證本文建立的概率模型的可行性和有效性，用典型實驗條件下的分解產物檢測結果代入相應的概率模型進行驗算，應用建立的模型指導分解產物現(xiàn)場實測［ 21］，預判設備內部狀態(tài)。

2.4.1 實驗數據

本文以典型的開斷電弧實驗為例對建模方法進行驗證，開斷實驗電流為8.44kA，產生的電弧能量為3.13kJ，實驗中檢測到的SO2/H2S含量比值隨檢測時間的變化如圖8所示。圖中的SO2/H2S含量比值為2.5～5.8，在圖2a中的故障概率為60%～90%，不滿足異常發(fā)熱實驗的概率模型。

圖8　開斷電弧實驗的SO2/H2S含量比值Fig.8　Content ratios of SO2/H2S in breaking arc tests

2.4.2 現(xiàn)場實測數據

某110kV變電站發(fā)生線路故障，造成110kVⅡ母遭受短路電流沖擊，對Ⅱ母母線氣室、1102母線隔離開關氣室和出線斷路器氣室進行了SF6氣體分解產物檢測，發(fā)現(xiàn)這3個氣室均有分解產物。其中母線氣室出現(xiàn)過故障，出線斷路器開斷過短路電流，隔離開關氣室的檢測結果為：SO2為29μL/L，H2S為4μL/L，CO為36μL/L，SO2/H2S含量比值為7.25，符合圖6a中的概率分布，由發(fā)熱實驗的概率模型初步判斷為絕緣受熱缺陷。

對1102母線隔離開關氣室進行了解體檢查，如圖9a所示，該氣室的盆式絕緣子（近隔離開關側）、盆式絕緣子連接導體梅花觸指有局部的異常受熱現(xiàn)象。將該設備進行返廠，進行了局放和耐壓實驗，如圖9b所示，實驗后的盆式絕緣子出現(xiàn)了明顯樹枝狀放電痕跡，絕緣性能出現(xiàn)劣化跡象。

圖9　隔離開關氣室的異常發(fā)熱Fig.9　The abnormal heating of dis-connector

由上可知，設備解體檢查和返廠實驗的結果均表明設備出現(xiàn)了絕緣異常受熱的潛伏性缺陷，利用模型成功預判了該缺陷，驗證了本文的建模方法和概率模型的有效性。

3　設備故障概率估計的貝葉斯構想

在圖1的分解產物與設備故障建模流程中，提出了利用實驗建立的概率模型進行設備故障概率估計的構想，本文應用貝葉斯（Bayes）方法進行基于分解產物的設備故障概率估計。

Bayes理論提供了一種計算假設概率的方法，基于假設的先驗概率和給定假設，推測不同數據的概率［22］。由于設備故障是小概率事件，用于設備概率模型的參數估計的經驗數據較少，由此Bayes方法成為參數估計中綜合大量信息的分析手段。

本文提出的Bayes估計設備故障概率構想為：先用實驗數據或設備運行的歷史數據建立設備故障的分解產物概率模型，跟蹤檢測設備運行中產生的分解產物，由Bayes技術更新概率模型的參數，使模型較好地符合設備運行工況?？梢姡瑧肂ayes方法，基于設備狀態(tài)檢測，可持續(xù)更新設備的故障分布和故障概率估計。

在設備故障概率模型中，假定τ 是未知參數， 首先定義信息量較少的分布函數為是先驗概率分布，用先驗知識如歷史信息表征τ 的不確定性，然后用τ 的后驗概率分布賦予了設備狀態(tài)監(jiān)測數據的檢測值。由Bayes定律可得到設備故障概率

圖10為Bayes構想的分析框圖，對數據缺失造成的參數不確定性用包含未知分布參數的概率分布進行解釋，可將未知參數分布的特征參數作為隨機變量?；趯嶒灁祿⒌墓收戏植际剑ㄊ剑?）～式（8）），結合運行設備的狀態(tài)監(jiān)測數據，用貝葉斯分析法更新原分布中的參數，如β，獲得設備在運行工況下的故障分布函數，進而對設備故障概率等進行預估。

圖10　設備故障概率估計的貝葉斯方法Fig.10　Bayes method for probability estimation of equipment failures

貝葉斯估計法為基于SF6氣體分解產物的設備故障概率估計提供新的手段，隨著實驗和現(xiàn)場檢測數據形成的樣本增加，先驗概率模型準確度提高，可實現(xiàn)有效預估設備故障概率。

4　結論

（1）提出了SF6氣體分解產物與設備故障的建模方法和流程，包括概率分布、參數估計和誤差分析方法，應選取χ2值最接近1的概率分布作為設備工況的概率模型。

（2）選用實驗中的特征組分含量比值為特征參量，開斷電弧和異常發(fā)熱實驗的特征參量均為SO2/H2S含量比值，異常發(fā)熱實驗的特征參量為SOF2/S2OF10含量比值，三類實驗分別滿足對數正態(tài)、正態(tài)和Weibull分布。

（3）建立了電弧、局放和發(fā)熱實驗的分解產物概率模型，得到了其概率分布及置信區(qū)間，并通過實驗和實測數據對模型進行了校核，驗證了建模方法和概率模型的有效性。

（4）利用建立的SF6氣體分解產物與設備故障關系的概率模型，結合設備狀態(tài)檢測數據，提出了Bayes更新模型參數并修正模型，進而估計設備故障概率的方法。

（5）由于實驗條件受限，本文建模采用的樣本數較少，而且因實驗數據的分散性和檢測手段的缺乏，使得建立的分解產物概率模型存在一定的局限性。需結合設備運行工況增加實驗情形和次數，提高檢測技術確保檢測結果準確度等，以完善模型，加強對設備狀態(tài)判斷的指導。

致謝：本文的工作得到了國家電網公司科技項目“GIS氣體絕緣金屬封閉開關設備綜合狀態(tài)評價”和“氣體絕緣開關設備內部絕緣件缺陷診斷和混合氣體分解產物檢測技術研究”的資助，感謝項目組相關單位的辛勤工作和大力支持，謹此致謝！

［1］ Chu F Y. SF6decomposition in gas insulated equipment［J］. IEEE Transactions on Electric Insulation， 1986， 21（5）： 693-725.

［2］ Tominaga S， Kuwahara H， Hirooka K， et a1. SF6gas analysis technique and its application for evaluation of internal conditions in SF6gas equipment ［J］. IEEE Transactions on Power Apparatus and Systems， 1981， 100（9）： 4196-4206.

［3］ 李建基. SF6在高壓斷路器和GIS不同放電下的分解物［J］. 華通技術， 1992（3）： 58-64， 46. Li Jianji. The decompositions of SF6in high voltage circuit breaker and GIS under different discharge［J］. Hua Tong Technology， 1992（3）： 58-64， 46.

［4］ 汪金星， 楊韌， 鄭小川. SF6開關設備帶電測試新技術在陜西電網的應用［J］. 陜西電力， 2008， 36（11）： 15-17. Wang Jinxing， Yang Ren， Zhen Xiaochuan. Applica- tion of novel live test methods for SF6switch equipment to Shaanxi power grid［J］. Shaanxi Electric Power， 2008， 36（11）： 15-17.

［5］ 劉永， 印華， 姚強， 等. 氣體分析技術在 GIS 故障定位和故障類型判斷中的應用［J］. 高壓電器， 2009， 45（3）： 132-134. Liu Yong， Yin Hua， Yao Qiang， et al. The application of gas analysis technology to fault location and fault diagnosis of GIS［J］. High Voltage Apparatus， 2009， 45（3）： 132-134.

［6］ 顏湘蓮， 王承玉， 季嚴松， 等. 開關設備中SF6氣體分解產物檢測的應用［J］. 電網技術， 2010， 34（9）：160-165. Yan Xianglian， Wang Chengyu， Ji Yansong， et al. Application of decomposition products detection of SF6in switchgears［J］. Power System Technology， 2010， 34（9）： 160-165.

［7］ 季嚴松， 王承玉， 楊韌， 等. SF6氣體分解產物檢測在GIS設備故障診斷中的應用［J］. 高壓電器， 2011， 47（2）： 100-103. Ji Yansong， Wang Chengyu， Yang Ren， et al. Measuring technique of SF6decomposition products and its application to fault diagnosis of GIS［J］. High Voltage Apparatus， 2011， 47（2）： 110-103.

［8］ 顏湘蓮， 王承玉， 楊韌， 等. 應用SF6氣體分解產物的高壓開關設備故障診斷研究［J］. 電網技術， 2011， 35（12）： 120-123. Yan Xianglian， Wang Chengyu， Yang Ren， et al. Fault diagnosis of high voltage switchgears by decomposition products of SF6［J］. Power System Technology， 2011， 35（12）： 120-123.

［9］ Beyer C， Jenett H， Klockow D. Influence of reactive SFx gases on electrode surfaces after electrical discharges under SF6atmosphere［J］. IEEE Transactions on Dielec- trics and Electrical Insulation， 2000， 7（2）： 234-240.

［10］ Belarbi， Pradayrol A C， Casanovas J， et a1. Influence of discharge production conditions， as pressure， current intensity and voltage type， oil SF6dissociation under point-plane corona discharges［J］. Journal of Applied Physics， 1995， 77（4）： 1398-1406.

［11］ Belmadani， Casanovas B J， Casanovas A M. SF6decomposition under power arcs［J］. IEEE Transactions on Chemical Aspects B， 1991， 26（6）： 1177-1182.

［12］ 劉有為， 吳立遠， 弓艷朋. GIS 設備氣體分解物及其影響因素研究［J］. 電網技術， 2009， 33（5）： 58-61. Liu Youwei， Wu Liyuan， Gong Yanpeng. Investigation on SF6decomposition products in GIS and affecting factors［J］. Power System Technology， 2009， 33（5）： 58-61.

［13］ 張曉星， 姚堯， 唐炬， 等. SF6放電分解氣體組分分析的現(xiàn)狀和發(fā)展［J］. 高電壓技術， 2008， 34（4）： 664-747. Zhang Xiaoxing， Yao Yao， Tang Ju， et al. Actuamity and perspective of proximate analysis of SF6decomposed products under partial discharge［J］. High Voltage Engineering， 2008， 34（4）： 664-747.

［14］ 袁亮. 高壓電器中SF6氣體分解物的檢測與研究［D］. 長春： 長春理工大學， 2009.

［15］ Suehiro J， Zhou G B， Hara M. Detection of partial discharge in SF6gas using a carbon nanotube based gas sensor［J］. Sensors and Actuators， 2005， 105（2）： 164-169.

［16］ Derdouri A， Casanovas J. 3 Spark decomposition mixtures of SF6/H2O［J］. IEEE Transactions on Electrical Insulation， 1989， 24（6）： 1147-1157.

［17］ IEC 60480—2004 guidelines for the checking and treatment of sulfur hexafluoride（SF6） taken from electrica1 equipment and specification for its re-use［S］. 2004.

［18］ 全國化學標準化技術委員會. GB/T 12022—2006工業(yè)六氟化硫［S］. 中國國家標準化管理委員會， 2006年.

［19］ 中國電力科學研究院. SF6氣體分解產物與設備故障關系建模研究［R］. 2011年.

［20］ 中國電力科學研究院. 氣體絕緣設備中SF6氣體分解產物實驗研究［R］. 2011年.

［21］ 中國電力科學研究院. 運行設備中SF6氣體分解產物檢測現(xiàn)場應用［R］. 2011年.

［22］ 茆詩松. 貝葉斯統(tǒng)計［M］. 北京： 中國統(tǒng)計出版社， 1999年.

顏湘蓮 女，1977年生，博士，研究方向為電力系統(tǒng)高電壓、電弧實驗與建模、高壓開關設備故障診斷技術等。

王承玉 男，1963年生，博士，教授級高工，長期從事高壓開關設計、開關設備運行管理及其技術規(guī)范研究。

Modeling of the Relation between SF6Decomposition Products and Interior Faults in Gas Insulated Equipment

Yan Xianglian1Wang Chengyu1Ji Yansong1Zhang Zhenqian1Song Gao1Yang Ren2
（1. China Electric Power Research Institute Beijing 100192 China 2. Shaanxi Electric Power Research Institute Xi'an 710049 China）

The method to measure SF6decomposition products in gas insulated equipment becomes the effective tool for equipment state detection. But the relation between the decompositions and equipment faults and the reference contents of the decompositions for field application need to be further investigated. In this paper the method and flow of modeling for the relation was studied and proposed. The decomposition data of the breaking arc， partial discharge and abnormal heating tests have been used to establish the decompositions probability models under the different equipment conditions. And the field measurement results have shown the modeling method and probability model are valid. The Bayes statistics based on the decomposition models to estimate the probability of equipment fault was provided in the end， which provides the effective basis for the equipment condition evaluation.

Gas insulated switchgear， SF6decomposition products， probability model， fault distribution， Bayes estimation

TM861

2014-01-26 改稿日期 2014-04-09