基于GK 模糊聚類的電力系統(tǒng)內(nèi)部絕緣缺陷智能識(shí)別

池震霆

（南京工程學(xué)院離退休工作處，江蘇南京 211167）

導(dǎo)致電力系統(tǒng)崩潰的原因有很多，電力系統(tǒng)內(nèi)部絕緣缺陷就是其中一種，電力系統(tǒng)在正常工作中[1]，由于各種因素的作用，往往存在兩種內(nèi)部絕緣缺陷，一種是范圍較小但是危害比較大的集中性缺陷，這種類型的缺陷在高電壓、強(qiáng)電場(chǎng)的作用下，發(fā)展比較快，會(huì)使缺陷范圍逐漸擴(kuò)大，造成設(shè)備絕緣事故；另一種缺陷是范圍比較廣的分布性缺陷，往往是由于密封不好導(dǎo)致絕緣受潮、污染、介質(zhì)老化、整體絕緣性能下降、電阻減小、損耗增大，進(jìn)一步加速老化、縮短絕緣壽命[2-4]。在這種情況下，電力系統(tǒng)內(nèi)部絕緣缺陷智能識(shí)別方法得到了深入地研究與發(fā)展。

現(xiàn)階段，國(guó)內(nèi)外市場(chǎng)上有很多專門用于識(shí)別電力系統(tǒng)內(nèi)部絕緣缺陷的方法，如基于可聞聲波分析的智能識(shí)別方法可以很好地對(duì)電力系統(tǒng)內(nèi)部絕緣缺陷問題進(jìn)行精確的識(shí)別；基于頻域熱特征成像的復(fù)合絕緣子缺陷檢測(cè)方法可以采集其表面動(dòng)態(tài)變化溫度分布，利用離散傅里葉變換分析其表面溫度變化信息的頻域特征，具備非接觸測(cè)量、檢測(cè)速度快、結(jié)果形象直觀的特點(diǎn)。

但是這些識(shí)別方法的缺點(diǎn)也很明顯，在現(xiàn)階段隨著電力系統(tǒng)使用范圍的擴(kuò)大，電力數(shù)據(jù)呈爆炸性增長(zhǎng)，識(shí)別方法受到數(shù)據(jù)集合體積限制，擾動(dòng)識(shí)別能力比較差，識(shí)別前后對(duì)系統(tǒng)負(fù)荷影響比較大，識(shí)別方法的整體適應(yīng)能力需要提高[5-7]。因此，設(shè)計(jì)基于GK模糊聚類的電力系統(tǒng)內(nèi)部絕緣缺陷智能識(shí)別方法，其創(chuàng)新之處在于采用GK 模糊聚類算法對(duì)提取的特征進(jìn)行處理，形成不同層次的特征向量。利用特征向量構(gòu)造層次分類樹，對(duì)每個(gè)節(jié)點(diǎn)的特征向量進(jìn)行分層識(shí)別，實(shí)現(xiàn)對(duì)電力系統(tǒng)內(nèi)部絕緣缺陷的識(shí)別。

1 基于GK模糊聚類的電力系統(tǒng)內(nèi)部絕緣缺陷智能識(shí)別方法設(shè)計(jì)

1.1 提取不同缺陷的特征

在電力系統(tǒng)內(nèi)部絕緣缺陷智能識(shí)別中，首先對(duì)發(fā)生故障的位置進(jìn)行初步分析，確定故障監(jiān)測(cè)點(diǎn)，保證識(shí)別數(shù)據(jù)的有效性、準(zhǔn)確性。

對(duì)于電力系統(tǒng)內(nèi)部絕緣缺陷中的集中性缺陷，通過PD Locator（PDL1）設(shè)備定位缺陷位置，通過研究發(fā)現(xiàn)，該設(shè)備對(duì)集中性缺陷定位相對(duì)準(zhǔn)確，將定位結(jié)果在示波器中顯示出來，便于識(shí)別缺陷位置[8]。通過示波器顯示的波形可知，當(dāng)PDL1 的觸發(fā)閾值高于背景值時(shí)，絕緣缺陷的位置在工頻電壓的正、負(fù)半軸均有放電的現(xiàn)象，同時(shí)集中在波峰附近，并且顯示出負(fù)半軸放電次數(shù)多于正半軸的放電次數(shù)。由于絕緣缺陷導(dǎo)致的放電現(xiàn)象屬于不均勻場(chǎng)的放電，因此具有明顯的極性效應(yīng)，正空間電荷的電場(chǎng)與正極尖的電場(chǎng)方向相反，導(dǎo)致其合成電場(chǎng)強(qiáng)度減弱[9-11]。合成電場(chǎng)的變化過程如圖1 所示。

圖1 正空間電荷的電場(chǎng)與正極尖、負(fù)極尖的合成電場(chǎng)

將合成電場(chǎng)的變化作為集中性缺陷的特征。對(duì)于分布性缺陷，可以采用同樣的方法提取出電力系統(tǒng)內(nèi)部絕緣缺陷特征，用于后續(xù)智能識(shí)別中。

1.2 聚類特征數(shù)據(jù)

提取的數(shù)據(jù)均處于同一存儲(chǔ)空間，在智能識(shí)別之前，使用GK 模糊聚類算法度量特征數(shù)據(jù)的分散程度，從而進(jìn)行有效分類。假設(shè)特征數(shù)據(jù)的聚類中心向量是Q=[q1,q2,…,qn]T，其中n表示聚類數(shù)目，隸屬度矩陣為，m表示樣本數(shù)目，u和v表示數(shù)據(jù)點(diǎn)位置[12]。在實(shí)際聚類中，隸屬度矩陣滿足以下條件：

GK 模糊聚類在識(shí)別中的性質(zhì)指標(biāo)為：

式中，i表示描述聚類模糊程度的模糊指數(shù)參數(shù)，在識(shí)別中該值為2，X=(x1,x2,…,xm)是一組數(shù)據(jù)序列，表示平方內(nèi)積范數(shù)，是任一數(shù)據(jù)點(diǎn)xv到聚類中心qu的距離[13]，計(jì)算公式為：

式中，Bu表示正定對(duì)稱矩陣，主要由聚類協(xié)方差矩陣決定[14]。計(jì)算公式為：

利用拉格朗日乘法優(yōu)化式（2），使其滿足極小值的(W,Q)條件：

實(shí)際處理過程中，在各個(gè)參數(shù)滿足式（1）條件后，設(shè)置迭代次數(shù)為d=1,2,3,…，根據(jù)式（6）更新聚類中心qu，計(jì)算模糊協(xié)方差矩陣Eu：

將Eu代入式（4）中，更新模糊劃分矩陣W，如果計(jì)算滿足，則終止運(yùn)算，α表示人為設(shè)置的任意正數(shù)，如果不滿足上述條件，則設(shè)置迭代次數(shù)為d=d+1，重新更新聚類中心，重復(fù)計(jì)算過程，直到滿足條件，輸出結(jié)果，將輸出結(jié)果作為識(shí)別的輸入。

1.3 智能識(shí)別絕緣缺陷

電力系統(tǒng)內(nèi)部絕緣缺陷產(chǎn)生的特征信號(hào)是非平穩(wěn)信號(hào)，以特征向量作為識(shí)別的輸入量，將聚類結(jié)果逐步分層細(xì)化，構(gòu)成分層模塊的特征成分，形成絕緣缺陷識(shí)別的模塊層次結(jié)構(gòu)。絕緣缺陷層次分類樹如圖2 所示。

圖2 絕緣缺陷層次分類樹

圖2為8種電力系統(tǒng)內(nèi)部絕緣缺陷的分類樹，節(jié)點(diǎn)表示分級(jí)層次，根節(jié)點(diǎn)包括所有絕緣缺陷特征向量集合[15-16]。分類樹針對(duì)所有絕緣缺陷之間的內(nèi)在聯(lián)系，建立分類樹，根據(jù)分類樹包含的缺陷總體結(jié)構(gòu)和分層架構(gòu)進(jìn)行逐級(jí)分類，形成分類樹結(jié)構(gòu)。在分類樹的每個(gè)節(jié)點(diǎn)上，識(shí)別該節(jié)點(diǎn)絕緣缺陷的特征向量，遍歷分類樹上的所有層次和節(jié)點(diǎn)，最終達(dá)到電力系統(tǒng)內(nèi)部絕緣缺陷智能識(shí)別的目的。至此，完成了基于GK 模糊聚類的電力系統(tǒng)內(nèi)部絕緣缺陷智能識(shí)別方法設(shè)計(jì)。

2 電力系統(tǒng)內(nèi)部絕緣缺陷智能識(shí)別方法實(shí)驗(yàn)研究

2.1 實(shí)驗(yàn)數(shù)據(jù)準(zhǔn)備

利用潮流分析工具模擬實(shí)際電網(wǎng)某月運(yùn)行方式數(shù)據(jù)，以此作為電力系統(tǒng)內(nèi)部絕緣缺陷智能識(shí)別方法實(shí)驗(yàn)研究的基礎(chǔ)運(yùn)行點(diǎn)。利用VSAT 進(jìn)行仿真，通過改變電力系統(tǒng)傳輸功率，保證電網(wǎng)全網(wǎng)負(fù)荷功率因數(shù)不變，使其初始有功輸出達(dá)到5 000 MW，系統(tǒng)中的各節(jié)點(diǎn)按相同比例增加負(fù)荷，模擬出7 種不同類型的特征向量矩陣作為實(shí)驗(yàn)數(shù)據(jù)樣本，將其標(biāo)準(zhǔn)化后使用不同智能識(shí)別方法識(shí)別模擬的特征向量矩陣，并進(jìn)行對(duì)比實(shí)驗(yàn)。模擬數(shù)據(jù)VSTA柱狀圖如圖3所示。

圖3 VSTA柱狀圖

在以上準(zhǔn)備中，使用的實(shí)際電網(wǎng)結(jié)構(gòu)如圖4所示。

圖4 電網(wǎng)結(jié)構(gòu)圖

從以上內(nèi)容簡(jiǎn)單分析可知，220 節(jié)點(diǎn)處于電網(wǎng)末端，是單線直饋供電，發(fā)電機(jī)容量比較小，是薄弱區(qū)域；204、208 等節(jié)點(diǎn)負(fù)荷相對(duì)過重，容易出現(xiàn)電壓對(duì)無功不敏感的現(xiàn)象，容易發(fā)生電壓失穩(wěn)現(xiàn)象，該區(qū)域是次薄弱區(qū)域。

在以上實(shí)驗(yàn)環(huán)境下，使用不同的電力系統(tǒng)內(nèi)部絕緣缺陷智能識(shí)別方法進(jìn)行識(shí)別，根據(jù)識(shí)別的特點(diǎn)和流程，設(shè)計(jì)擾動(dòng)識(shí)別實(shí)驗(yàn)和穩(wěn)定性實(shí)驗(yàn)，完成實(shí)驗(yàn)后，結(jié)合兩組實(shí)驗(yàn)結(jié)果分析不同的智能識(shí)別方法。

2.2 擾動(dòng)識(shí)別實(shí)驗(yàn)及分析

實(shí)驗(yàn)中使用的智能識(shí)別方法分別是基于可聞聲波分析的智能識(shí)別方法（方法1）、基于頻域熱特征成像的復(fù)合絕緣子缺陷檢測(cè)方法（方法2）以及方法3，分別對(duì)7種不同類型擾動(dòng)特征向量矩陣進(jìn)行識(shí)別，使用第三方軟件輸出實(shí)驗(yàn)結(jié)果，具體結(jié)果如圖5所示。

圖5 不同智能識(shí)別方法的擾動(dòng)識(shí)別實(shí)驗(yàn)結(jié)果

如圖5 所示，以7 種擾動(dòng)類型為中心的數(shù)據(jù)分布情況。從整體觀察圖中結(jié)果可以看出，使用智能方法對(duì)數(shù)據(jù)樣本進(jìn)行處理分析后，形成了7 個(gè)數(shù)據(jù)中心，其中圖5（a）和圖5（b）中的結(jié)果顯示，7 個(gè)分布在同一空間中的數(shù)據(jù)中心周圍擾動(dòng)數(shù)據(jù)存在交叉混疊現(xiàn)象；而圖5（c）中結(jié)果顯示，7 個(gè)數(shù)據(jù)中心周圍的擾動(dòng)數(shù)據(jù)沒有發(fā)生交叉混疊的現(xiàn)象，有利于對(duì)數(shù)據(jù)大小、密度的識(shí)別與分析。綜上所述，設(shè)計(jì)的基于GK模糊聚類的電力系統(tǒng)內(nèi)部絕緣缺陷智能識(shí)別方法在擾動(dòng)環(huán)境下識(shí)別能力更強(qiáng)。

2.3 穩(wěn)定性實(shí)驗(yàn)及分析

依據(jù)實(shí)驗(yàn)準(zhǔn)備某實(shí)際電網(wǎng)，在內(nèi)部絕緣缺陷條件下使用不同智能識(shí)別方法識(shí)別電力系統(tǒng)中的絕緣缺陷，計(jì)算識(shí)別前負(fù)荷量、識(shí)別后負(fù)荷量，根據(jù)計(jì)算結(jié)果對(duì)比不同的智能識(shí)別方法，分析識(shí)別方法的穩(wěn)定性。計(jì)算結(jié)果如表1 所示。

表1 不同智能識(shí)別方法負(fù)荷計(jì)算結(jié)果

對(duì)比觀察報(bào)表中不同智能識(shí)別方法的負(fù)荷計(jì)算結(jié)果，從中可以看出，不管是哪一種識(shí)別方法在識(shí)別前后對(duì)電力系統(tǒng)的負(fù)荷均產(chǎn)生影響，其中傳統(tǒng)的方法1 和方法2 在識(shí)別前后負(fù)荷比較差，相差兩倍以上；文中設(shè)計(jì)的方法3 識(shí)別前后的負(fù)荷變化極小，基本可以忽略。再結(jié)合擾動(dòng)實(shí)驗(yàn)結(jié)果可知，設(shè)計(jì)的基于GK 模糊聚類的電力系統(tǒng)內(nèi)部絕緣缺陷智能識(shí)別方法擾動(dòng)識(shí)別能力強(qiáng)，給電力系統(tǒng)帶來的負(fù)荷小，該智能識(shí)別方法在不同環(huán)境中的適應(yīng)能力更強(qiáng)。

3 結(jié)束語

在詳細(xì)分析國(guó)內(nèi)外有關(guān)電力系統(tǒng)內(nèi)部絕緣缺陷識(shí)別的基礎(chǔ)上，設(shè)計(jì)了基于GK 模糊聚類的電力系統(tǒng)內(nèi)部絕緣缺陷智能識(shí)別方法，利用GK 模糊聚類算法的優(yōu)勢(shì)解決傳統(tǒng)識(shí)別方法的問題。設(shè)計(jì)完成后，通過對(duì)比實(shí)驗(yàn)驗(yàn)證了智能識(shí)別方法的可行性。

但是研究過程中，由于實(shí)測(cè)數(shù)據(jù)有限，相關(guān)數(shù)據(jù)不完整，因此，在未來研究中，需要獲取更多的實(shí)測(cè)數(shù)據(jù)，進(jìn)一步開展電力系統(tǒng)內(nèi)部絕緣缺陷的識(shí)別工作，為保障電力系統(tǒng)的正常運(yùn)行做出貢獻(xiàn)。