图1 空气放电故障模拟平台
Fig.1 Platform of air discharge faults
摘要 空气作为一种天然的绝缘气体，在电力设备中（开关柜、环网柜等）被广泛应用。研究表明，当电力设备发生放电故障时，空气绝缘介质会产生以NO2为代表的特征分解产物。放电分解产物的组分及含量能够反映放电故障的严重程度，因此，气体分解产物检测对电力系统安全稳定运行具有重要意义。该文在不同的电压等级、持续时间下，分别模拟了包括电晕放电、火花放电及电弧放电在内的15种空气放电故障，并发现NO2气体的含量在不同故障条件下存在显著差异。对此，设计了一款装载有四种对NO2气体具有高度选择性气敏材料的微型气体传感阵列。经多次实验测试，传感阵列对15种放电故障气体表现出差异性响应信号，构成丰富的样本数据集。分别采用四种机器学习算法（极限树、决策树、K邻近和随机森林）实现基于传感信号的空气放电故障识别，其平均准确率最高可达84.88%、81.82%、76.86%和81.32%。其中，传感阵列对局部放电和电弧放电的识别能力略高于火花放电，可以归因于多次火花放电过程中存在一定的NO2饱和现象。该文提出的基于微型气体传感阵列的检测方法具有操作简单、识别准确率高的显著优势，在空气放电故障诊断领域具有广阔的应用前景。
关键词：空气绝缘 放电故障模拟 NO2检测 微型传感阵列 故障诊断
电力设备长时间运行过程中易发生由绝缘缺陷引起的局部放电、局部过热等故障，从而导致设备内部气体绝缘介质发生分解[1-2]。其中，空气作为最常见的电力设备绝缘气体，广泛用于开关柜、变压器等电力设备以保障绝缘性能[3-4]。空气绝缘设备发生故障时，内部空气与微水、微氧及固体绝缘介质发生反应，生成以O3、NO2和CO为代表的多种气态衍生物。研究表明，绝缘特征分解气体的组分和含量与设备故障类型密切相关[5-6]。因此，基于气体组分分析的检测方法能够非接触式地反映设备运行状态，并有助于减缓设备绝缘劣化进程，对电力系统安全隐患的排除具有重大意义。
目前，国内外已开展多种基于气体分析法的空气放电规律与识别研究[7]。李康等[8]通过紫外光度法发现O3为低强度空气放电（8.8 kV以下）产物的主要成分，而NO2含量则会随着放电强度的增加发生阶跃变化。张振宇等[9]利用优化BP（back propagation）神经网络，构建了开关柜绝缘缺陷和局部放电气体产物组分与含量的关系，并实现了90%以上的识别率。张晓星等[10]发现NO2、CO气体的体积分数与空气放电量呈线性饱和的增长关系，证明了气体组分与放电程度的关联性。然而，此类检测方法大多依赖气相色谱[11]、红外光谱[12]等大型精密仪器以实现气体组分的定性与定量分析，成本高、操作复杂且在线监测应用难度大。
半导体气体传感器体积小、易集成、响应快速快的优势在空气放电产物检测领域表现出了极大的优势。作为空气放电分解产物的主要成分，NO2和CO气体具有良好的稳定性，能够通过气体含量检测实现故障类型识别。然而，传感材料对NO2和CO的交叉敏感特性严重制约了故障诊断的准确率[13-14]。R. Kumar等[15]通过研发多孔WO3材料实现了10-9级别的NO2气体检测，在室温下即具有快速响应和恢复能力。C. W. Na等[16]发现杂化rGO-In2O3纳米棒在150℃时能够显著地提升NO2响应值，但其对CO的交叉敏感缺陷并未得到改善。此外，以往半导体材料的气敏研究[17]多局限于实验室标气测试，难以直接建立传感器响应与放电类型之间的映射关系，进一步加大了空气放电故障类型的识别难度。
本文通过搭建放电实验平台，模拟15种不同电压等级、放电时长（次数）的空气放电故障，包括电晕放电、火花放电和电弧放电。不同于传统的分立式气体传感器，所研制的微型气体传感阵列可以在3.6 mm×3.6 mm范围内装载四种NO2敏感材料，并用于获取对不同放电故障的特异性响应信号。最后，采用主成分分析（Principal Components Analysis, PCA）降维，并对比极限树（Extra Tree）、决策树（Decision Tree）、K近邻（k-Nearest Neighbor, KNN）和随机森林（Random Forest, RF）四种机器学习算法，实现对不同电压等级、不同持续时长空气放电故障的有效识别。
空气放电故障模拟平台原理图如图1a所示，主要包括调压器、滤波器、变压器、保护电阻、电容分压器和放电腔体。实验所需高电压由380 V交流输入电压经滤波器滤波后，再由变压器YDTW—30/150（30 kV·A、150 kV）升压得到。高压侧连接电容分压器以测量实验电压，保护电阻（5 kΩ）用来限制腔体中因电极间隙击穿形成的短路电流的幅值，确保实验安全进行。放电腔体顶部为高压端，底部经铜线接地。
空气放电故障在密闭的不锈钢腔体内模拟，实物如图1b所示。腔体规格为1.5 L（0.1 MPa）且具有优良的抗腐蚀性能。压力表用于显示腔体内部空气压力，保证实验在常压下进行。针-板电极建立不对称和不均匀电场，其中针电极连接高压电源，板电极接地，通过调节针-板电极间距实现放电电压的调节。如图1b所示，腔体两侧设有由针型阀门控制的气路，分别用于空气进样和样气采集。放电模拟开始前，罐体内部充满常压标准空气。放电模拟结束后，放电分解产物经手持式气体采样泵（ATS-BC）收集至密封的聚四氟乙烯气体采样袋中。该采样泵具有体积小、操作灵活、流量调节范围大的优势，能安全地收集空气放电故障模拟后的有毒有害气体。聚四氟乙烯材质具有较强的抗腐蚀性，能够实现放电分解产物中NO2等强腐蚀性气体的保质。
图1 空气放电故障模拟平台
Fig.1 Platform of air discharge faults
为记录放电电压和电流波形，分别将高压探头（Tektronix P6015A）和电流探头（Pearson 2877）与示波器相连，得到电晕、火花和电弧的放电波形如图2所示。电晕放电（9.5 kV）过程中，以空气为绝缘介质的针-板电极间隙未击穿，电压呈现工频变化，电流峰-峰值约为0.1 mA。火花放电（13 kV）过程中电极间隙击穿，但由于放电电流超过保护范围（10 A）导致电源断开。因此，火花放电电流呈现出振荡特性且幅值持续衰减。电弧放电（8 kV）过程中电极间隙同样击穿，但由于放电电流未超过保护范围（10 A），电源无法断开，空气燃弧过程一直持续。
图2 空气放电电压电流波形
Fig.2 Voltage and current waveforms of air discharge
采用傅里叶红外光谱（Fourier Transform Infrared, FTIR）仪（Bruker tensor Ⅱ）分别对 100 μL/L的NO2标准气体，以及电晕、火花和电弧放电分解产物进行检测，得到如图3a所示的红外吸收光谱。由于气体分子吸收红外光的频率不同，各气体成分在不同波段表现出不同形状的吸收峰。所有吸收光谱中，NO2气体吸收峰的强度最高。这一现象可能是由于CO气体含量较少，或由于O3气体不稳定，在采气与运输过程中易导致气体分解[18]所造成的。然而，电晕放电、火花放电和电弧放电分解产物在1 650～1 550 cm-1波段均观察到了明显的吸收峰。100 μL/L NO2标准气体的红外测试结果表明，1 650～1 550 cm-1波段对应的O＝N＝O化学键发生反对称伸缩振动[19-20]。因此，可以确定空气放电分解产物中NO2气体的存在。
图3 空气放电产物的红外光谱结果
Fig.3 FTIR results of air discharge products
依据朗伯比尔定律可知，红外吸收峰的积分面积能够定量表示气体组分的含量。依据100 μL/L NO2标准气体在1 650～1 550 cm-1波段的吸收峰面积，本文得到了不同空气放电模式下的NO2气体含量，如图3b所示。从放电模式来看，电弧放电（200～400 μL/L）比电晕和火花放电（10～50 μL/L）产生更多的NO2气体。以电弧放电为例，6 kV电弧放电（387.09 μL/L）比4 kV电弧放电（205.52 μL/L）产生更多的NO2气体。因此从放电电压等级来看，放电电压越大意味着空气分解产物中NO2含量越多。此外，放电时间（次数）越长，FTIR积分面积所代表的NO2气体含量也越大。在实际放电过程中，放电电压越大、放电时间（次数）越长，放电能量也就越高。因此可以推断，NO2含量随空气放电能量的增大而上升，进一步证明基于NO2气体含量实现空气放电故障识别这一方法的可行性。
实验所用气敏测试平台原理及实物如图4所示，通过微型气体传感阵列对采气袋中的故障特征气体进行响应。传感阵列置于密闭气室内，气室体积为200 mL。在实验过程中，传感器加热电压为5 V，其对应工作温度为50℃。每次实验过程持续400 s，包括响应阶段和恢复阶段。响应阶段（100 s）利用气泵将采气袋中的故障分解气体以200 mL/min的稳定流速泵入气室；恢复阶段（300 s）则由气泵以相同的流速泵入空气以冲洗气室，直至传感器阵列的电阻恢复至初始状态。同时，传感器各通道经高速采集卡（NI USB 6218）连接至上位机，实现传感数据的实时采集。经上述响应与恢复过程，即可得到一组基于微型传感阵列的响应曲线，用于后续分析测试。
图4 基于微型气体传感阵列的气敏测试平台
Fig.4 Gas sensing platform based on micro gas sensing array
本实验所采用的微型气体传感阵列包括硅衬底（500 nm Si）、加热电极（200 nm Pt）、绝缘层（460 nm Si3N4）和叉指测试电极（250 nm Au），具有体积小、集成度高、功耗低的显著优势，其实物如图4b所示。
传感阵列表面涂覆有四种气敏材料（10%WO3- 10%SnCl2-In2O3、5%NiO-10%SnCl2-In2O3、10%TiO2- 10%SnCl2-In2O3和5%SnO2-10%SnCl2-In2O3），用以获得差异性响应信号。所有的敏感材料均购买自国药集团（分析纯），且材料掺杂百分比均为质量分数。气体传感器的制备过程如下：
1）以10%TiO2 -10%SnCl2-In2O3为例，将0.8 g In2O3、0.08 g SnCl2·2H2O和0.08 g TiO2溶解在12 mL去离子水中，超声10 min。
2）利用移液枪吸取0.05 mL分散液，滴涂于叉指电极区域，60℃烘箱干燥老化3 d，形成稳定的气敏薄膜。
本节共模拟15种空气放电故障并收集对应的空气放电分解气体，此外，基于微型传感阵列对上述气体进行多次响应恢复测试并记录其响应曲线。
电晕放电的实验条件设置见表1，通过改变放电电压等级和放电持续时间，可得到四种不同组分和含量的故障特征气体。
表1 电晕放电实验条件
Tab.1 Experimental conditions of corona discharge
标签电压等级/kV放电时长平均响应值(%) 161 h44.05 21030 min37.82 3101 h54.38 4102 h67.63
本文研究了微型传感阵列对四种电晕放电特征分解气体的敏感特性，传感器的五次循环响应曲线如图5所示，其中响应值的定义[21]为
（1）
式中，Ra为传感器在空气中稳定的电阻值；Rg为传感器在待测气体中稳定的电阻值。
图5 传感器对局部放电分解气体的响应特性曲线
Fig.5 Response curves of sensor to partial discharge decomposition gas
从表1和图5可以发现，相同放电时间（1 h）下，随着电压等级从6 kV提升至10 kV，传感器响应值从44.05%提升至54.38%；相同放电电压（10 kV）下，随着放电时间从30 min延长至2 h，传感器响应值也从37.82%提升至67.63%。传感阵列的响应值反映了放电分解气体中NO2的含量。因此，电晕放电电压越高、持续时间越长，分解气体中NO2的含量越多。此外，由于放电条件的差异，空气分解气体的生成速率也不同。除响应值外，传感器信号在响应恢复速度上也存在明显差异。
相较电晕放电，火花放电会产生更多的空气分解产物。实验过程中火花放电的放电电压和放电次数等参数设定见表2。
表2 火花放电实验条件
Tab.2 Experimental conditions of spark discharge
标签电压等级/kV放电次数平均响应值(%) 581215.77 683273.46 785421.96 8101312.50 9103485.33 10105633.68 11151622.31 12153844.09 131551 142.8
传感器对火花放电分解气体的响应特性曲线如图6所示，可见，传感器对9种火花放电分解样气的响应值大于电晕放电。与电晕放电结果相似，传感阵列的响应值随着放电电压和放电次数的改变同样表现出规律性变化趋势。相同放电次数（1次）下，随着电压等级从8 kV提升到15 kV，传感器响应值从215.77%提升至622.31%；相同放电电压（10 kV）下，随着放电次数从1次增加至5次，传感器响应值也从312.50%提升至633.68%。然而，随着火花放电电压等级的升高，传感器对不同放电次数的响应差异也随之减小，可能是由于多次火花放电过程中存在一定的NO2饱和现象。
图6 传感器对火花放电分解气体的响应特性曲线
Fig.6 Response curves of sensor to spark discharge decomposition gas
电弧放电能量高、持续时间长，实验条件设置见表3。与电晕放电和火花放电相比，传感阵列对电弧放电（电压等级为4 kV和6 kV、持续时间均为10 s）的分解产物表现出极大的响应值。而且，随着电压等级的提升，传感器的响应值也明显增大，再次证明了更高的放电能量产生了更多的特征分解气体。传感器对电弧放电分解气体的响应特性曲线如图7所示，可见五次循环测试的重复性良好，为气体识别模型的构建奠定了基础。
表3 电弧放电实验条件
Tab.3 Experimental conditions of arc discharge
标签电压等级/kV燃弧时长/s平均响应值(%) 144103 510 156104 033
图7 传感器对电弧放电分解气体的响应特性曲线
Fig.7 Response curve of sensor to arc discharge decomposition gas
使用微型传感阵列分别对上述15种空气放电故障模拟（见表1～表3）产生的放电分解样气进行10次响应恢复测试，共构建包含150组响应特性曲线的实验数据集。研究表明，传感阵列的响应-恢复曲线蕴含丰富的物理信息，包括响应值、响应时间、恢复时间和重复率等[22-23]。因此，从测试曲线中提取合适的响应特征对提高空气放电类型识别的准确率十分重要。本文对每个样本中由微型传感阵列测得的四条响应曲线分别进行了时域特征提取，包括响应值S、响应时间τres、恢复时间τrec、最大响应值时间、恢复率、一阶导数最大时间和一阶导数最小时间共7个特征。通过时域特征提取，样本数据由高维电阻响应信号优化为28维特征，最终构成150×28维度的特征矩阵数据集。
t分布随机邻域嵌入（t-distributed Stochastic Neighbor Embedding, t-SNE）是一种适用于复杂数据的非线性降维方法，被广泛应用于高维特征可视化，验证样本聚类能力。图8展示了传感阵列对15种空气放电分解气体响应结果的t-SNE二维可视化散点图（气体样本标签见表1～表3）。可以看出，传感阵列对电晕放电、火花放电和电弧放电三种分解气体的响应特征表现出较大的空间距离，主要归因于不同放电类型所伴随的放电能量大小导致的空气分解产物含量差异。二维可视化结果进一步证明了微型传感阵列对空气放电分解气体具有较高灵敏度和较强识别能力。
图8 t-SNE降维可视化结果
Fig.8 The visualization of two-dimensional t-SNE
基于微型气体传感阵列的空气放电故障识别流程如图9所示。经3.1节中的响应恢复曲线特征提取及t-SNE二维可视化结果可知，150×28阶特征矩阵能够充分地表征原始数据的时域信息，为后续样本的分类识别提供重要依据。
图9 空气放电故障识别流程
Fig.9 Flow chart of discharge faults recognition
事实上，多维特征中可能存在对样本分类几乎无贡献的冗余信息，必要的特征降维可以筛除无效特征，加快模型训练速度[24]。然而，t-SNE方法在原始数据从多维映射到低维的过程中依赖概率计算，其计算过程的随机性导致故障识别结果存在不稳定性[25-26]。主成分分析法（PCA）通过搜索最大方差对原始特征空间进行重构，被广泛应用于数据特征处理。因此，本节选用PCA实现多维特征向k维的线性重构，在避免重要信息损失的同时降低数据复杂度。
降维后的特征数据集（150×k）需要结合机器学习算法进行训练，以期得到面向空气放电故障识别的最优模型。本文分别选取极限树（Extra Tree）、决策树（Decision Tree）、K近邻（KNN）和随机森林（RF）四种基本分类算法进行训练并对比。其中，K近邻在处理多分类问题时具有时间复杂度低的显著优势；极限树、决策树和RF则主要基于树形结构来实现类别预测，广泛应用于样本的分类识别领域[27]。上述分类方法算法简单，适用于嵌入便携式检测设备中。考虑到训练过程中样本划分的随机性，本文采用5折交叉验证的方法评估模型性能。
微型传感阵列对空气放电故障类型的平均识别准确率见表4。合理地选择PCA的主成分数量对空气放电故障识别准确率的提高具有重要意义[28]。一般来说，特征重构得到的主成分个数太少会导致其无法充分地代表原始样本信息；而主成分个数过多则会导致模型计算量大、冗余度高、识别时间长等问题。当主成分的累计贡献率达到85%以上，即可认为不损失原有信息。在本文中，当特征维数k=10时，方差贡献率可达95%以上，此时重构后的特征值能够充分地代表原始数据。由表4可知，10维PCA特征降维结合Extra Tree模型具有最高的识别准确率（84.88%）。实验过程中基于Extra Tree模型的放电故障识别混淆矩阵如图10所示，与t-SNE可视化结果相同，传感阵列对10 kV和15 kV火花放电样气的识别能力略低，对电晕放电和电弧放电则表现出较好的区分能力。
表4 空气放电故障气体平均识别准确率
Tab.4 Average accuracy of identification method towards air discharge faults
分类模型PCA特征降维平均识别准确率(%) Extra Treek=1084.88 Decision Treek=1081.32 KNNk=1076.86 RFk=1081.32
图10 基于Extra Tree的放电故障识别混淆矩阵
Fig.10 Confusion matrix of different discharge faults based on Extra Tree
本文模拟了空气绝缘电力设备中可能发生的电晕放电、火花放电和电弧放电故障，通过调节放电电压和放电时间，获得了15种空气分解样气。基于所研制的微型传感阵列对放电分解产物进行气敏测试，并构建了包含150组响应特性曲线的实验数据集，得出以下结论：
1）空气放电分解产物的红外光谱结果表明，电弧放电（200～400 μL/L）比电晕放电和火花放电（10～50 μL/L）产生更多的NO2气体，且气体含量随着放电电压、放电时间（次数）的增大而上升。
2）较电晕放电和火花放电而言，微型传感阵列对电弧放电分解气体表现出极大的响应值（6 kV、4 033%），高出火花放电（15 kV、5次、1 142.8%）近3倍。
3）10维PCA特征降维后，对比极限树、决策树、K邻近和随机森林四种机器学习算法，发现极限树算法得到了空气放电故障的最佳识别准确率（84.88%）。
因此，气体传感阵列在空气绝缘电力设备故障识别领域具有极大的应用潜力。
参考文献
[1] Chu Jifeng, Li Weijuan, Yang Xu, et al. Identification of gas mixtures via sensor array combining with neural networks[J]. Sensors and Actuators B: Chemical, 2021, 329: 129090.
[2] 林涛, 韩冬, 钟海峰, 等. 工频交流电晕放电下SF6气体分解物形成的影响因素[J]. 电工技术学报, 2014, 29(2): 219-225. Lin Tao, Han Dong, Zhong Haifeng, et al. Influence factors of formation of decomposition by-products of SF6 in 50Hz AC corona discharge[J]. Transactions of China Electrotechnical Society, 2014, 29(2): 219-225.
[3] 李进, 赵仁勇, 杜伯学, 等. 电工环氧绝缘件缺陷无损检测方法研究进展[J]. 电工技术学报, 2021, 36(21): 4598-4607. Li Jin, Zhao Renyong, Du Boxue, et al. Research progress of nondestructive detection methods for defects of electrical epoxy insulators[J]. Transactions of China Electrotechnical Society, 2021, 36(21): 4598-4607.
[4] Zhang Xiaoxing, Li Yi, Tian Shuangshuang, et al. Decomposition mechanism of the C5-PFK/CO2 gas mixture as an alternative gas for SF6[J]. Chemical Engineering Journal, 2018, 336: 38-46.
[5] Zhang Xiaoxing, Gui Yingang, Zhang Ying, et al. Influence of humidity and voltage on characteristic decomposition components under needle-plate discharge model[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2016, 23(5): 2633-2640.
[6] Chu Jifeng, Wang Qiongyuan, Liu Yuyang, et al. Fault diagnosis of SF6-insulated equipment by micro gas sensor array[J]. IEEE Transactions on Power Delivery, 2023, 38(1): 222-230.
[7] Li Yi, Zhang Xiaoxing, Zhang Ji, et al. Assessment on the toxicity and application risk of C4F7N: a new SF6 alternative gas[J]. Journal of Hazardous Materials, 2019, 368: 653-660.
[8] 李康, 郭润睿, Javed H, 等. 空气局部放电衍生物气体生成规律的研究[J]. 电工电能新技术, 2017, 36(8): 1-7. Li Kang, Guo Runrui, Javed H, et al. Study of air by-products formation characteristics under corona discharge[J]. Advanced Technology of Electrical Engineering and Energy, 2017, 36(8): 1-7.
[9] 张振宇, 晋涛, 王天正, 等. 基于气体检测的空气开关柜绝缘缺陷识别[J]. 武汉大学学报(工学版), 2021, 54(8): 761-768. Zhang Zhenyu, Jin Tao, Wang Tianzheng, et al. Insulation defect recognition of air switchgear based on gas detection[J]. Engineering Journal of Wuhan University, 2021, 54(8): 761-768.
[10] 张晓星, 周磊, 裘吟君, 等. 针-板缺陷开关柜局部放电与空气分解组分的关联特性[J]. 高电压技术, 2016, 42(12): 3948-3954. Zhang Xiaoxing, Zhou Lei, Qiu Yinjun, et al. Correlation character between switch gear′s partial discharge quantity and air decomposition components under needle-plate defect model[J]. High Voltage Engineering, 2016, 42(12): 3948-3954.
[11] Tang Ju, Zeng Fuping, Zhang Xiaoxing, et al. Relationship between decomposition gas ratios and partial discharge energy in GIS, and the influence of residual water and oxygen[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2014, 21(3): 1226-1234.
[12] Luo Zongchang, Han Fangyuan, Tang Bin, et al. Optical properties and decomposition mechanisms of SF6 at different partial discharge determined by infrared spectroscopy[J]. AIP Advances, 2018, 8(6): 065107.
[13] Rai P, Raj S, Ko K J, et al. Synthesis of flower-like ZnO microstructures for gas sensor applications[J]. Sensors and Actuators B: Chemical, 2013, 178: 107-112.
[14] Nam B, Ko T K, Hyun S K, et al. NO2 sensing properties of WO3-decorated In2O3 nanorods and In2O3-decorated WO3 nanorods[J]. Nano Convergence, 2019, 6(1): 40.
[15] Kumar R, Goel N, Kumar M. UV-activated MoS2 based fast and reversible NO2 sensor at room temperature[J]. ACS Sensors, 2017, 2(11): 1744-1752.
[16] Na C W, Kim J H, Kim H J, et al. Highly selective and sensitive detection of NO2 using rGO-In2O3 structure on flexible substrate at low temperature[J]. Sensors and Actuators B: Chemical, 2018, 255: 1671-1679.
[17] Wang Jing, Wang Caileng, Liu Ao, et al. High-response mixed-potential type planar YSZ-based NO2 sensor coupled with CoTiO3 sensing electrode[J]. Sensors and Actuators B: Chemical, 2019, 287: 185-190.
[18] 谭桂霞, 陈烨璞, 徐引娟, 等. 氧气中臭氧分解规律[J]. 上海大学学报(自然科学版), 2007, 13(1): 82-84. Tan Guixia, Chen Yepu, Xu Yinjuan, et al. Rules of ozone decomposition in oxygen[J]. Journal of Shanghai University (Natural Science Edition), 2007, 13(1): 82-84.
[19] Perrin A, Toon G, Orphal J. Detection of atmospheric 15NO2 in the ν3 spectral region (6.3μm)[J]. Journal of Quantitative Spectroscopy and Radiative Transfer, 2015, 154: 91-97.
[20] Chaisriratanakul W, Bunjongpru W, Pankiew A, et al. Modification of polyvinyl chloride ion-selective membrane for nitrate ISFET sensors[J]. Applied Surface Science, 2020, 512: 145664.
[21] Chu Jifeng, Wang Qiongyuan, Yang Aijun, et al. Method of sieving the optimal NO2 sensitive material[J]. Sensors and Actuators B: Chemical, 2023, 375: 132929.
[22] 张晓星, 姚尧, 唐炬, 等. SF6放电分解气体组分分析的现状和发展[J]. 高电压技术, 2008, 34(4): 664-669, 747. Zhang Xiaoxing, Yao Yao, Tang Ju, et al. Actuamity and perspective of!Proximate analysis of SF6 decomposed products under partial discharge[J]. High Voltage Engineering, 2008, 34(4): 664-669, 747.
[23] Kumar R, Al-Dossary O, Kumar G, et al. Zinc oxide nanostructures for NO2 gas–sensor applications: a review[J]. Nano-Micro Letters, 2015, 7(2): 97-120.
[24] 韩翔宇, 纽春萍, 何海龙, 等. 电磁式断路器状态监测与智能评估技术综述[J]. 电工技术学报, 2023, 38(8): 2191-2210. Han Xiangyu, Niu Chunping, He Hailong, et al. Review of condition monitoring and intelligent assessment of electromagnetic circuit breaker[J]. Transations of China Electrotechnical Society, 2023, 38(8): 2191-2210.
[25] 顾崇寅, 徐潇源, 王梦圆, 等. 基于CatBoost算法的光伏阵列故障诊断方法[J]. 电力系统自动化, 2023, 47(2): 105-114. Gu Chongyin, Xu Xiaoyuan, Wang Mengyuan, et al. CatBoost algorithm based fault diagnosis method for photovoltaic arrays[J]. Automation of Electric Power Systems, 2023, 47(2): 105-114.
[26] 彭莎, 孙铭阳, 张镇勇, 等. 机器学习在电力信息物理系统网络安全中的应用[J]. 电力系统自动化, 2022, 46(9): 200-215. Peng Sha, Sun Mingyang, Zhang Zhenyong, et al. Application of machine learning in cyber security of cyber-physical power system[J]. Automation of Electric Power Systems, 2022, 46(9): 200-215.
[27] 姜雅男, 于永进, 李长云. 基于改进TOPSIS模型的绝缘纸机-热老化状态评估方法[J]. 电工技术学报, 2022, 37(6): 1572-1582. Jiang Yanan, Yu Yongjin, Li Changyun. Evaluation method of insulation paper deterioration status with mechanical-thermal synergy based on improved TOPSIS model[J]. Transactions of China Electrotechnical Society, 2022, 37(6): 1572-1582.
[28] 崔芮华, 李泽, 佟德栓. 基于三维熵距和熵空间的航空电弧故障检测与分类技术[J]. 电工技术学报, 2021, 36(4): 869-880. Cui Ruihua, Li Ze, Tong Deshuan. Arc fault detection and classification based on three-dimensional entropy distance and entropy space in aviation power system[J]. Transactions of China Electrotechnical Society, 2021, 36(4): 869-880.
Abstract As a natural insulating gas, air is widely used in power equipment (switchgear, ring cabinets, etc.). It will produce characteristic decomposition products represented by NO2 when the power equipment occurs internal faults. The content of composition reflects the severity of the discharge fault. Therefore, the detection of gas decomposition products is helpful to the stable operation of power equipment. The cross-sensitivity of the sensor materials towards NO2 and CO have seriously restricted the accuracy of fault diagnosis. To address these issues, this paper develops a miniature gas-sensing array with high sensitivity and great reliability, which aimed for the discharge fault diagnosis of air-insulated equipment.
This paper has simulated 15 air discharge faults including corona discharge, spark discharge, and arc discharge at different voltage levels and durations. After that, Fourier infrared tests were performed on the 15 gas samples. However, there has no apparent absorption peak of CO and O3 in the infrared absorption spectrum. The absorption peak in 1 650～1 550 cm-1 band corresponds to the antisymmetric stretching vibration of O＝N＝O chemical bond. This indicates the presence of NO2 in the decomposition products of air. Besides, discharge with different voltages and times shows significant differences in the content of NO2.
To discriminate fault characteristic gases, this paper has integrated a micro sensor array loaded with four gas-sensitive nanomaterials(10%WO3-10%SnCl2-In2O3, 5%NiO-10%SnCl2-In2O3, 10%TiO2-10%SnCl2-In2O3 and 5%SnO2-10%SnCl2-In2O3). Then the paper obtains the repeatable gas response recovery curves under different discharge faults, which lays the foundation for the construction of gas identification model. The results demonstrate that the higher voltage and the longer discharge time means the larger response value of sensor array. Accordingly, it is further proved that the higher air-discharge voltages and times generates more characteristic decomposition gas. In addition, t-SNE dimensionality reduction has been employed to explore the identification ability of miniature gas-sensing array. The identification results of different air discharge faults are 84.88%, 81.82%, 76.86%, and 81.32% by four machine learning algorithms (Extra Tree, Decision Tree, KNN, and RF) respectively. And the recognition ability of the micro gas sensing array for partial discharge and arc discharge is slightly higher than that of spark discharge. The essential reason can be ascribed to the saturation of NO2 in the process of multiple spark discharges.
The following conclusions can be drawn from the simulation analysis: (1) The FTIR of air discharge products shows that the arc discharge (200～400 μL/L) produces more NO2 than corona and spark discharge (10～50 μL/L). Besides, the NO2 concentration increases with the increase of discharge voltage and discharge time (times). (2) Compared with corona and spark discharge, the response value of the micro sensor array towards arc discharge products (6 kV, 4 033%) is nearly 3 times higher than that of spark discharge (15 kV, 5 times, 1 142.8%). (3) After the feature reduction of 10-dimensional PCA, we compared four machine learning algorithms, and found that the Extra Tree algorithm obtained the best identification accuracy of air discharge fault (84.88%).
keywords：Air insulation, discharge fault simulation, NO2 detection, micro sensor array, fault diagnosis
DOI: 10.19595/j.cnki.1000-6753.tces.L10079
中图分类号：TM930
国家自然科学基金（U2166214, 52207170）、中国博士后科学基金（2022M712510, 2022TQ0252）、陕西省自然科学基础研究计划（2023-JC-JQ-41）、陕西省重点研发计划（2022GXLH-01-11, 2022GY-273）和电力设备电气绝缘国家重点实验室（EIPE23408, EIPE23314）资助项目。
收稿日期 2023-01-13
改稿日期 2023-02-20
王琼苑 女，1998年生，博士研究生，研究方向为电力装备智能感知与运行维护。E-mail：wqy13994558885@stu.xjtu.edu.cn
杨爱军 男，1986年生，教授，博士生导师，研究方向为微纳传感器、能量收集、人工智能技术。E-mail：yangaijun@mail.xjtu.edu.cn（通信作者）
（编辑 李冰）