妙旭娟，喬楷，馮玫，劉維

(1.國網(wǎng)新疆電力公司經(jīng)濟技術(shù)研究院，新疆 烏魯木齊　830011，2.湖南科鑫電力設計有限公司，湖南 長沙　410000)

0　引　言

高壓XLPE電纜絕緣缺陷的帶電檢測和在線監(jiān)測是保障電纜正常運行的必要手段，其中脈沖電流法等局部放電檢測方法被IEEE、CIGRE等國際電力權(quán)威機構(gòu)一直推薦為最有效的電力設備絕緣狀態(tài)評價方法。XLPE電纜不同絕緣缺陷模式、嚴重程度的快速準確識別是實現(xiàn)智能化電網(wǎng)的需要。

常用的局部放電模式識別方法可分為線性投影和非線性投影分析兩種。如文獻[1]使用主成分分析方法(PCA)方法對XLPE電纜局部放電信號統(tǒng)計特征進行分類就是典型的線性投影手段。部分研究基于核方法[2]、流形學習[3]和稀疏表示[4]等方法抽取局部放電樣本的非線性特征。隨著研究的不斷開展，基于單一方式提取的局部放電信號特征難以滿足識別精度的要求，使用多種手段進行有效融合得到組合特征，實現(xiàn)優(yōu)勢互補是當下研究的熱點。

典型相關(guān)投影分析(CCA)是一種經(jīng)典的多元數(shù)據(jù)統(tǒng)計分析方法，以兩組及兩組以上的特征集數(shù)據(jù)為主要內(nèi)容，能夠提取多組數(shù)據(jù)間的相關(guān)關(guān)系，而又盡量不丟失原始特征集的有效辨識信息，有效減少特征表示的冗余度。然而CCA無法提取不同特征之間的非線性關(guān)系[5]。在此基礎上，Akaho于2001年提出將基于核技術(shù)的非線性降維方法引入CCA，提出了核典型相關(guān)分析(KCCA)[6]?，F(xiàn)階段，CCA和KCCA方法在氣象信息預測、人臉識別、字符識別、圖像處理等領域已有較多運用，但在電網(wǎng)信息和電力設備運行信息狀態(tài)評估等領域應用極少。

本文提出將KCCA方法應用于XLPE電纜接頭局部放電缺陷的模式識別，對運用多種手段獲取的局部放電特征進行有效融合產(chǎn)生新的特征，既保留各特征的有效鑒別信息，又可以消除多特征的冗余信息。本文在高壓XLPE電纜接頭內(nèi)部制作了4種典型絕緣缺陷，分別對各類缺陷電纜模型分別進行加壓試驗，使用高頻電流檢測系統(tǒng)采集得到局部放電信號，繪制PRPD圖譜。對原始PRPD圖譜以2維矩陣形式進行小波變換，采用KCCA方法對對原始PRPD圖譜和變換后圖譜兩種特征進行融合，最后采用K近鄰方法進行聚類分析。實驗結(jié)果表明，使用KCCA融合方法比使用單一特征數(shù)據(jù)可以獲得更高識別精度。

1　基于KCCA的局部放電特征提取

1.1　局部放電特征提取

PRPD圖譜，即φ-q-n(相位-幅值-放電次數(shù))三維圖譜，是一種表征局部放電信息的常用統(tǒng)計方法，可以直觀反映局部放電信號的相位分布特征。

對PRPD圖譜進行向量表示，并進行正交小波變換后，選取低頻分量作為新的特征量。分別對原始和小波變換后的PRPD圖譜列向量使用隨機映射或PCA等方法進行降維，一般情況下，特征維數(shù)較高，且兩類特征間存在冗余信息。假設樣本總數(shù)為N，分別用X=[x1,x2,…,xN]∈Rp×N和Y=[y1,y2,…,yN]∈Rq×N表示原始和小波變化后的PRPD圖譜特征向量。CCA的關(guān)鍵是尋找一堆投影向量w和u，使得wTxi和uTyi具有最大相關(guān)系數(shù)，即如式(1)所示準則函數(shù)最大。

(1)

式中：Sxx∈Rp×p，Syy∈Rq×q分別表示特征集X和Y的自協(xié)方差矩陣，Sxy∈Rp×q表示X和Y的互協(xié)方差矩陣。

核方法是解決非線性模式分析問題的有效途徑，其基本思想是將樣本數(shù)據(jù)當前空間映射到更高維度的空間，即隱特征空間，使數(shù)據(jù)在隱特征空間中的映射是線性的，再運用線性方法降維。原始和小波變換PRPD圖譜矩陣數(shù)據(jù)進行PCA所提取的特征向量。現(xiàn)在選擇核函數(shù)φ和φ，分別將X和Y映射到高維特征空間，即φ:x→φ(x)，φ:y→φ(y)。則有φ(X)=[φ(x1),φ(x2),…φ(xN)]和φ(X)=[φ(y1),φ(y2),…φ(yN)]分別表示兩組樣本數(shù)據(jù)的高維核特征向量。w和u可以表示為如上特征空間的線性組合，即滿足w=φ(X)α和u=φ(Y)β，則KCCA獲得類似式(1)的準則函數(shù)如式(2)所示。

(2)

(3)

一般運用拉格朗日乘子求解上述帶約束極值問題。幾種常用的核函數(shù)如式(4)-式(7)所示：

(4)

(5)

(6)

(7)

各種核函數(shù)在各種計算環(huán)境下的適用性不同，本文中選用式(6)，即高斯徑向基函數(shù)，它能使非線性支持向量機具有良好的泛化性能。

求得α和β后，運行線性變換融合，最終經(jīng)過KCCA后投影獲取的組合特征向量為:

(8)

1.2　分類器構(gòu)建

本文使用K最近鄰算法(KNN)對所提取的局部放電特征向量數(shù)據(jù)進行模式識別，從而驗證所提取的特征向量的有效性。KNN基本思想是給定一個待分類的樣本z∈Rn，首先找到與zq最接近的或最相似的k個已知類別標簽的訓練集樣本，據(jù)此確定zq類別。使用歐氏距離度量樣本間的“近鄰”，設由1.2章節(jié)確定的特征向量集Z中確定訓練樣本集Ztr假設zq,zq,…,zk為與zq距離最近的k個樣本，共有s類樣本，標簽集合為C={e1,e2,…，es}，設目標函數(shù)f:Rn→ci，

(9)

2　樣本數(shù)據(jù)獲取

2.1　缺陷模型設計

XLPE電纜局部放電缺陷主要由于不良的電纜或附件制作工藝、運行時的外力破壞或長時間的絕緣老化。電纜終端接頭、中間接頭等附件制作工藝復雜，需在安裝現(xiàn)場進行手工制作，因此是絕緣缺陷多發(fā)位置。本文采用YJV-26/35 kV型電纜及其配套冷縮硅橡膠終端接頭設計了4種典型絕緣缺陷模型，電纜接頭結(jié)構(gòu)及各缺陷模型示意圖如圖1所示。缺陷均在接頭安裝前制作，各缺陷及其制作過程分別為：(1)內(nèi)部氣隙放電：在電纜主絕緣表面縱向劃痕，尺寸為10 mm(長)*2 mm(寬)*1 mm(深)，劃痕周圍避免涂抹高壓硅脂；(2)懸浮電位放電：將尺寸為3 mm*3 mm的銅箔固定在主絕緣表面；(3)沿面放電：應力錐處半導電層斷口位置殘留2 mm×5 mm長半導電材料；(4)電暈放電：在主絕緣內(nèi)置入一根3 mm長金屬針并可靠碰觸電纜銅芯。

圖1　高壓電纜接頭局部放電缺陷示意圖

2.2　試驗平臺及檢測系統(tǒng)

使用脈沖電流法檢測系統(tǒng)局部放電。所用局放傳感器為寬頻羅氏線圈，工作頻帶為1 MHz-30 MHz。將傳感器鉗在電纜終端接頭接地出現(xiàn)上，經(jīng)前置放大電路與數(shù)字式示波器相連，模擬帶寬為1 GHz，設置采樣率為100 MS/s。每條樣本數(shù)據(jù)為連續(xù)50個工頻周期內(nèi)的放電信號。每種缺陷模型各采集70條，共280條。信號采集時的各缺陷模型施加電壓分別為18.5 kV，23.7 kV，20.5 kV，14.3 kV。

2.3　實驗結(jié)果

利用實驗采集的各組數(shù)據(jù)分別繪制PRPD圖譜，各類缺陷放電的典型圖譜如圖2所示，各類缺陷放電的PRPD圖譜表現(xiàn)出較明顯差異性，但憑借主觀判斷對新加入的樣本進行分類仍十分困難。

圖2　各局部放電缺陷典型PRPD圖譜

3　結(jié)果及分析

為驗證本文方法性能，將本文方法應用于實驗獲得的PRPD圖譜數(shù)據(jù)，每類缺陷放電各采集70條，共280條。每類樣本隨機選取40條用于訓練，余下的作為測試樣本。每個原始PRPD圖譜為50*90維矩陣，使用KCCA進行壓縮所獲得的特征向量維數(shù)分別為10,20,40,60，各種情況下各進行10次實驗并取平均值，所獲得的識別精度如表1所示。

表1　基于本文方法識別正確率

觀察表1中方法應用結(jié)果可知，基于KCCA方法提取的局部放電特征向量可有效表征信號內(nèi)部特征信息，隨著向量維數(shù)不斷增加，識別正確率逐漸提高，且維數(shù)較小時增加較快，向量維數(shù)為40時，獲得平均89.5%的識別正確率，足以滿足實際應用需求。另外比較發(fā)現(xiàn)，各種缺陷放電的識別正確率存在一定差異，懸浮放電和沿面放電的識別效果明顯低于另外兩種，內(nèi)部氣隙放電的識別效果最好。分析可知，由于局部放電存在較大隨機性，導致同一類型放電的PRPD圖譜仍可能存在較大區(qū)別，直接影響了訓練樣本的有效性。另一方面，懸浮放電和沿面放電PRPD圖譜存在某些相似特征，易造成錯分。當然，樣本數(shù)量，KCCA方法參數(shù)選擇均會對識別效果產(chǎn)生不同程度的影響，在后續(xù)研究中將做著重分許。

4　結(jié)束語

本文基于核典型相關(guān)分析方法提取局部放電信號PRPD圖譜的特征信息，可以有效反映信號內(nèi)部的非線性特征并減少信息冗余度，使用K最近鄰分類方法，可以失效不同局部放電模式的識別。使用XLPE電纜及接頭設計了4種典型絕緣缺陷模型，使用脈沖電流法采集獲得足夠局部放電信號樣本，在不同特征向量下驗證了本文方法有效性，獲得了90%以上識別正確率。

參考文獻：

[1] 苑津莎,尚海昆. 基于主成分分析和概率神經(jīng)網(wǎng)絡的變壓器局部放電模式識別[J]. 電力自動化設備,2013,41(6):27-31.

[2] 律方成,金虎,王子建,等. 基于組合核多特征融合的GIS局部放電檢測與識別[J]. 電工技術(shù)學報,2014,39(10):334-340.

[3] 律方成,張波. 基于LLE降維和BP_Adaboost分類器的GIS局部放電模式識別[J]. 電測與儀表,2014,51(15):37-41.

[4] 姚林朋,王輝,錢勇,等. 基于半監(jiān)督學習的XLPE電纜局部放電模式識別研究[J]. 電力系統(tǒng)保護與控制,2011,39(14):40-46.

[5] 王大偉,陳浩,王延杰. 核典型相關(guān)分析的融合人臉識別算法[J]. 激光與紅外,2009,39(11):1241-1245.

[6] 郗仙田. 正交正則化核典型相關(guān)分析的研究[D].吉林：東北電力大學，2016.