基于大数据的局放在线监测及诊断研究

　　摘要：GIS设备对于电力系统的稳定性至关重要，介绍了GIS设备及局部放电的基本情况，对局部放电的产生机理及检测方法进行介绍，并对目前局部放电监测存在的不足进行梳理，在此基础上利用大数据模型分析对局部放电的变化趋势和故障检测进行介绍，通过介绍可以看出利用大数据模型分析可以满足局部放电监测的需求。

　　关键词：大数据;局部放电;在线监测

　　一、引言

　　局部放电主要发生在两个电极之间，还未完全形成贯穿电流。根据GIS设备运行的相关经验判断，出现局部放电的原因关键是绝缘系统内部存在某种故障从而影响了设备的绝缘特性，导致性能减弱甚至直接消失，同时电极表面出现了凸起，接地不良的情况。另外，GIS设备内部放电的原因还有可能是由于制造和安装设备时造成有金属微粒残留。短时间的局部放电一般不会对设备和系统运行带来较大影响，但局部放电的长期存在会导致固体绝缘材料老化击穿、SF6绝缘放电，严重时可能会发生电气设备的爆炸，造成较为恶劣的电气事故，通过大数据分析，可以较为准确地找到故障点，同时还能对系统的运行状态进行预判，提前找到故障点，保证供电线路的可靠性。

　　二、局放机理

　　局部放电过程是一个相对复杂的物理过程，在此过程中还伴随着电荷的转移和电能的损耗，同时还伴随着产生电磁辐射、光、热等能量。在绝缘中如果存在气泡，高频电压施加在绝缘体的两端，如果作用在气泡上的电压低于其擊穿电压，此时气泡上的压力随着外加电压的变化而变化，如果气泡上的电压高于击穿电压，气泡则会发生放电，放电过程中使得中性气体分子发生电离，产生大量的带有相反电荷的气体分子，并在外加电压的作用下发生相对移动，迁移到气泡壁上，形成与外加电场相反方向的内部电压，此时的电压则是内部电压和外部施加电压的叠加结果，当气泡上的实际电压低于其击穿电压时，此时放电暂停，气泡上的电压随着外加电压的升高而升高，直至增加至击穿电压时，此时则会发生第二次放电过程，周而复始，则会出现多次放电。当试品中的气隙放电时，会产生失去电荷，导致端电压下降，导致一个微伏级的脉冲电压施加在千伏级别的外加电压上，局部放电检测设备主要是对此电压脉冲进行检测。

　　局部放电的机理可以等效为放电气隙与非放电组合电容的回路，电极之间存在绝缘物，对其回路施加交流电压时，会在电极之间出现局部的放电现象，主要可以看作为导体之间串联两个以上的电容器，如图1所示。

　　图1中Cg为存在放电气隙的电容，Cb为回路中串联的其他绝缘电容，Cm为电极其他电容。此时的Cg电容的两端电压可以表征为：

　　Vg高于击穿电压时，会出现局部放电的情况，Vg会降低至击穿后的熄灭电压时，如果外加的电压Vt高于Vg时，会再次给Cg电容器进行充电，直至Vg再次高于击穿电压，进行放电。局部放电的进行伴随着Vt的变化而持续进行。

　　三、局放监测方式

　　局部放电的监测方式主要可以分为以下几种：电荷法、高频法、声测法、泄漏电流法等。

　　电荷法：主要在实验室内使用，通过放电量的不断变化监测试品的局部放电量，测试的精度较高，但容易受到背景噪音的影响，现场应用难度较高。

　　高频法：在进行局部放电检测过程中，会伴随产生高频电波现象。特高频检测技术就是通过检测局部放电过程中产生的高频电波信号，对设备内部的缺陷进行检测。超声波的测试声波频率处于300-3000MHz区间。利用特高频检测手段进行局部缺陷的定位检测，近几年应用比较广泛，该方法的优点是敏感度高、对低频电晕的干扰屏蔽效果好，能够有效的识别缺陷的类型和位置，该技术在应用过程中容易受到环境中的相同频率的电波影响。采用该方法进行缺陷检测不能准确做到量化描述。

　　声测法：在进行局部放电检测过程中，会伴随产生声波发射现象。超声波检测技术就是通过检测局部放电过程中产生的超声波信号，对设备内部的缺陷进行检测。超声波的测试声波频率处于20-200KHz区间。利用超声波检测技术具有明显的优势，可以对电磁干扰造成的干扰进行屏蔽、具有定位准和操作简便的特点。因为超声波在设备的内部的产生和传递比较复杂，存在超声波的反射和折射作用，会随着折射和反射的进行，超声波的能量会出现衰减，对测试结果造成影响。

　　四、基于数据分析的高压电气故障诊断

　　局部放电信号属于高频放电信号，目前现有的传感器对信号进行采集后，通过区间放电统计方法计算一定的时间间隔内大于一定比例的局部信号值，因此最终得到的数据是一定时间间隔内的放电量，可用的信息相对较少，只能用于局部信息的判断，很难满足目前故障处理和分析的需求。基于此种情形，本文基于大数据分析，对局部放电量的变化趋势进行数据分析，对其运行状态进行监测，以提升故障预判和预处理的目的。

　　局部放电趋势预测模型监测

　　本模型采取的间隔时间为1s，某秒内的局部放电量数值以此时间内采集到的左右数据均方根进行表示，通过对不同时间内的局部放电量进行分析，对变化趋势进行监测。通过对某地区一35kv整流变压器为例，进行局部放电量监测，由数据的趋势图可以看出，整体性的波动较小，为了实现更好的无人监护，本模型采取放电量高于2倍阈值时进行报警。

　　其中，Tp为放电量变化趋势差量，p为阈值。当Tp高于阈值时进行预报警;若高于2倍阈值时进行报警。

　　局部放电故障诊断

　　局部放电的类型主要可以分为悬浮电位放电、高压导杆尖刺放电、沿面放电及自由金属颗粒放电。不同的故障类型产生的放电频谱具有一定的特征性，对故障信号进行数据处理，采用人工智能算法 Xgboost 算法进行分类训练，采用训练后模型对现有局放数据进行监测，以诊断局放故障。此智能算法具有正则化、并行处理、高度灵活性、缺失值处理、剪枝、内置交叉验证特点。采用 Xgboost 算法对数据进行模型训练，训练集与测试集比例为 8∶2。通过测试，模型的局放检测对局放识别的准确率为 98.15%，能满足实际应用。

　　五、结语

　　GIS 设备的局部放电检测主要使用超声波检测技术和高频检测技术，对于设备局部放电监测只能对故障发生后的情况进行监测，不能对局部放电量的变化趋势进行监测，因此本文在大数据模型基础上，通过数学模型对局部放电量的趋势变化和故障类型进行在线模型监测，可以更好地保证系统的稳定性，保证供电稳定性。

　　参考文献：

　　[1]柳贡强， 徐超， 高颖. 基于低温的GIS局部放电在线监测及故障诊断技术研究[J]. 全文版：工程技术， 2016， 000(006)：P.282-284.

　　[2]陈昆鹏. 基于超高频的局部放电在线监测系统的研究与开发[D]. 兰州理工大学， 2014.

　　[3]李子龙. 基于大数据的设备状态在线监测与预警诊断系统研究[D].

　　推荐阅读：大数据研究论文如何发表

期刊VIP网，您身边的高端学术顾问

文章名称： 基于大数据的局放在线监测及诊断研究

文章地址： http://www.qikanvip.com/jisuanjixinxiguanli/53537.html