气体绝缘金属封闭开关设备（Gas InsulatedSwitchgear，以下简称GIS）因其具有优异的绝缘性能 和灭弧性能、占地面积小等优点被广泛应用^[1]。然 而GIS由于受到热、电、机械等环境的作用和内部绝缘介质老化的影响，可能会造成绝缘劣化，产生局 部放电，最终导致GIS设备发生绝缘故障，影响电力系统稳定运行^[2]。 局部放电既是设备绝缘的劣化征兆，又是造成绝缘劣化的重要原因^[3]。局部放电试 验有助于检查多种绝缘缺陷和绝缘弱点，它不仅是现场耐压试验很好的补充，也是电力设备状态检测重要手段之一。

目前，用于GIS局部放电检测的方法以超高频法和超声波法为主，两者都具有较好的抗干扰和定 位能力^[4]。超声波法虽然对自由微粒缺陷具有更高 的灵敏度，但是对绝缘子缺陷却不敏感，而超高频法对几种缺陷均敏感 ^{[5, 6, 7]}， 其检测效果明显优于超声波法^[8]。因此，本文采用超高频法对试验GIS设备内不同缺陷进行检测，对检测的脉冲相位分布模式 （Phase Resolved Partial Discharge，PRPD）图谱提取了特征参数，并应用粒子群优化方法对支持向量机 的参数进行优化，解决了支持向量机参数选取的难题，提高了GIS局部放电模式识别的准确率。 1 试验设备及典型缺陷模型设置

1.1 局部放电试验设备

试验平台借助于杭州西湖电子研究所高压实验室GIS试验设备，模型是基于GIS局部放电的故 障缺陷构造，GIS试验设备如图 1所示。试验设备由交流电源控制箱、电源隔离滤波器、GIS内置变压器 与GIS构成的一套GIS试验设备，由旋片式真空泵与SF₆气罐构成的辅助换气设备，对GIS气室内充入 0.3 MPa的SF₆气体。

MPa的SF₆气体。试验设备共2个气室，如图 1所示左侧气室为 试验母线气室，右侧气室是变压器气室。试验气室可以同时放入4种缺陷，并通过螺旋杆调节缺陷的 上下高度来选择试验缺陷类型，同时在气室内设有摄像头可以实时监视缺陷类型和缺陷距母线距 离。设备最左侧的圆柱头为内置超高频传感器。

图 1 GIS试验设备

局部放电检测系统由超高频传感器、超高频信号接收机、AD采集卡和计算机操作界面等构成。超 高频传感器选取了背腔式螺旋天线设计方案，在300～2000 MHz 频率范围内具有较平坦的频响特 性，驻波比均小于2。超高频接收机由前置滤波器、低噪声放大器、混频器、中频滤波器、对数检波器、 本振频率源等多个信号处理部分组成。本次试验工作频段选取为400～1600 MHz。 1.3 典型缺陷模型

本文研究了6种典型的局部放电模型，包括自由金属颗粒、悬浮电位体、母线金属尖端、外壳金属 尖端、绝缘子表面金属颗粒和绝缘子气泡。结构如图 2所示（左图为典型缺陷模型，右图为各缺陷在 GIS内部由摄像头实时监控获取的画面）。

图 2 典型缺陷模型及对应监控画面

自由金属颗粒由直径为0.3 cm的圆铁球（5个）与直径0.1 cm的圆铁球（25个）构成，放入一个长3 cm、直径2 cm的半球形玻璃罩中；悬浮电位体是由厚度0.8 cm、直径4 cm的铜圆饼组成；母线金属尖端 是由厚度0.8 cm、直径3 cm的圆饼，柱长0.5 cm、直径1 cm的圆柱与锥长1 cm、直径1 cm的圆锥构成； 外壳金属尖端由锥长1.5 cm、底面直径1 cm的铜锥构成；绝缘子表面金属颗粒是由直径2.5 cm、长7 cm 的聚四氟乙烯构成的圆柱外表面粘铜金属粉末；绝缘子气泡是由直径4 cm、长6 cm的环氧树脂构成的 圆柱，内有大量气泡，底端由长1 cm、直径1 cm的同圆柱构成。 2 试验过程及结果

试验前，利用真空泵对GIS腔体抽真空后充入SF₆气体，直至腔体内气压为指定试验气压为止。为 保证试验测量的有效性，在每次充入SF₆气体后将外施电压升高至140 kV、并持续恒压30 min以上， 以验证充入SF₆气体的绝缘性能是否满足该气压下的试验要求。

试验利用常规脉冲电流法确定各缺陷模型的起始放电电压（PDIV），其方法为：以2 kV/min升高 外施电压，每次升压后停留5 min，若5 min内视在放电量超过10 pC（试验背景为0～2 pC），则该时刻对 应的外施电压值便为起始放电电压值；否则继续以固定步长升高电压，直到放电量大于10 pC止。试 验时逐步升高外施电压值，待放电稳定后开始记录各缺陷模型的实时放电信息。

将超高频传感器通过GIS盆式绝缘子采集到的超高频信号，经信号接收机处理后传送至计算机操 作界面。将1 s（50个周期）内的放电数据保存为1个样本，以10个样本叠加而成为1个PRPD图谱放 电信息，具体各种缺陷类型的PRPD图谱、三维图谱及其特征见表 1

表 1(Table 1)

表 1 6种缺陷的PRPD图谱和三维图谱及局放特征

表 1 6种缺陷的PRPD图谱和三维图谱及局放特征

3 局放特征参数提取

局部放电具有很强的随机性，对10个工频周期的放电信号进行统计，得到局部放电的PRPD 图 谱。不同放电源图谱的形状各有差异，利用不同PRPD放电图谱提供的信息可以区分不同的缺陷类 型。但这种区分仅是定性的，通常需要丰富的经验才能分辨出来。因此，将放电图谱用指纹进行操 作，获得一些有用的统计算子。统计算子是对各种分布进行统计分析，采用定量的参数来描述某种分 布的形状特征^[9]。

目前，用于描述局部放电图谱的特征参数主要有如下几个 ^{[10, 11,12]}。

3.1 偏斜度

偏斜度S_k（Skewness）是描述图谱形状与标准正态分布形状的偏斜程度。S_k=0，表示图谱与标准正 态分布一致；S_k>0，表示图谱形状中线向左偏移；S_k<0，表示图谱形状中线向右偏移。 S_k计算公式如下：

3.2 陡峭度

陡峭度K_u （Kurtosis）是描述图谱形状与标准正 态分布形状的陡峭差异。K_u =0，表示图谱与标准正 态分布一致；K_u >0，表示图谱形状比正态分布更加陡 峭；K_u <0，表示图谱形状比正态分布更加平坦。K_u 计 算方法见公式（5）

3.3 互相关系数

互相关系数C_c 描述的是在不对称电极中，局放 系统的放电情况在正、负半周期内的分布会有明显的差异，计算方法见公式（6）：

其中，q_i 是图谱在相窗i 内的平均放电量，上标“+/-” 对应于q—φ图谱的正、负半周期。互相关系数越接近0，说明图谱的形状差异越大；互相关系数越接近 于1，说明图谱的形状越接近。 3.4 放电量因数

互相关系数是反映图谱正、负半周期的相似程度，而放电量因数Q 则是反映图谱正、负半周期放电 量存在的差异，计算公式如下：

其中，ni表示放电周期内放电量为qi的放电次数，上标“+/-”对应于q—φ图谱的正、负半周期。 3.5 修正的互相关系数

将互相关系数C_c 和放电量因数Q 结合起来便 构成了1 个新的特征量——修正的互相关系数M_cc ，计算公式见公式（8）：

虽然有了修正的互相关系数特征量，但这并不意味着互相关系数和放电量因数这两个特征量失 去意义。在某些放电模式下，当C_c<1时，Q>1，C_c与 Q 具有不同的变化趋势，对于这些放电模式C_c和Q

综上所述，由特征参数构成的局部放电模式识 别的特征向量V为： V=（S_kp+ ，K_uq+ ，S_kq- ， K_uq- ，S_un+ ，K_un+ ，S_kn- ， K_un- ，C_c ，Q，M_cc ）。 特征向量V 共包含11个特征因子。每种缺陷提取27组数据，总数据量则为27×6×11=1782。表 2 为缺陷特征向量的部分数据。

表 2(Table 2)

表 2 6种局部放电缺陷特征向量的部分数据1） 注：1）“0”表示无放电现象。

表 2 6种局部放电缺陷特征向量的部分数据1）

4 模式识别

4.1 数据归一化

由于提取的缺陷特征参数含有奇异样本数据，所谓奇异样本数据是指相对于其他输入样本特别 大或特别小的样本矢量，奇异样本数据的存在会在模式识别中导致网络训练时间增加，并可能造成网 络无法收敛。归一化主要用于归纳统一样本的统计分布性，归一化处理采用的线性函数转换公式如 下：

本文提取的样本数据经归一化后的范围在-1~1，即统计的坐标分布。 4.2 支持向量机

基于统计学理论的支持向量机（Support Vec⁃tor Machine，SVM）识别能够较好地解决人工神经网 络过学习、欠学习以及易陷入局部极小值问题^[14]。 在分类问题中，惩罚参数C 控制着错分样本的惩罚程度，其大小影响着整个系统的计算精度；核函数 参数g 控制着核函数的识别能力，其大小影响着整个系统的泛化能力，这两个参数对支持向量机的分 类计算识别能力影响很大。

但使用支持向量机时，选取惩罚参数“C”和核函数参数“g”较难，导致总体识别率一直不高，且支 持向量机不支持多分类画图，因此，本文应用粒子群（Particle Swarm Optimization，PSO）算法对支持向 量机参数进行优化。 4.3 应用PSO优化支持向量机

PSO算法其实质是模拟鸟群飞行过程中，整个鸟群都能保持完整的飞行队形。对于需求解的优 化问题，可以将待优化的参数看作整个空间的一个点，也就是粒子。假设共有m 个粒子在空间中以一 定的速度飞行，粒子根据自身的位置向量x_i=（x_ii，x_i2，…，x_i3）和飞行向量v_i=（v_i1，v_i2，…，v_id）及同伴的飞行经验，可以动态地调整飞行状态，从而判断出目 前的飞行状态是否处于最佳位置^{[13, 14, 15]}，

在算法的调整过程中，记录单个粒子目前的最佳位置，即个体极值p_best，并在整个群体中记录所有 粒子最佳个体极值g_best。在每次算法迭代中，根据公式（10）、（11）调整粒子速度向量和位置向量。

c₁—局部搜索能力参数，选取1.5；

c₂—全局搜索能力参数，选取1.7；

rand(·)—介于（0，1）的随机数。

PSO优化算法具体如下。

（1） 对SVM中的惩罚参数和核函数参数初始化，并将PSO算法中粒子速度向量v 初始化为（0，1） 的随机数。定义PSO算法的迭代次数N_max=100，初 始种群规模为20，C 的变化范围为[0.1，100]，参数g的变化范围为[0.1，100]，交叉验证次数选取5。

（2） 初始化后，将训练样本（每个典型缺陷数据随机选取13组）带入网络，根据公式（12）评价粒 子的适应度。

（3） 更新之后的p_best 和g_best 值代入公式（10）、 （11），将得到新一代粒子的位置向量和速度向量。

（4） 在本轮学习结束后，如果当前的迭代次数 已达到预先设定的最大次数或最小目标误差，则依 据径向基网络核函数输出终值，否则转至步骤（1）。

（5） 最终将测试样本（每个缺陷数据随机选取 14组）输入训练好的SVM中，根据输出结果判断缺 陷类型。

由PSO 优化得到支持向量机的参数为：C_best= 13.214，g_best=1.4776，识别准确率为97.4359%。图 3 为经PSO优化后的适应度曲线，平均适应度在低位震荡，没有上升趋势。

图 3 PSO优化后的适应度曲线

5 试验结论

应用超高频法进行GIS局部放电试验，并对典 型缺陷进行模拟试验研究，得出如下试验结论：

（1） 超高频法检测出的GIS内部不同的典型缺 陷在图谱上表现着不同的特征；

（2） 根据不同的缺陷进行放电指纹提取，会产 生不同特征的统计算子，可应用支持向量机对其进 行模式识别；

（3） 将支持向量机的粒子群优化方法引入GIS 局部放电模式识别中，解决了支持向量机参数选取 的难题，粒子群优化支持向量机展现出了比支持向 量机更好的鲁棒性和泛化能力，识别能力有很大的 提高。