图1 沿面放电多光谱光电同步测量平台
Fig.1 Multispectral-electric simultaneous test measurement platform for surface discharge
摘要 绝缘子或套管处产生的沿面放电是导致开关柜、环网柜绝缘失效的常见诱因，而传统局部放电在线检测和诊断方法难以准确评估放电发展阶段和危害程度。该文采用单光子固态光电传感技术，对绝缘子沿面放电发展过程中的多光谱脉冲特性及其演化规律进行了试验研究，并提出一种基于多光谱脉冲演化特性的沿面放电严重程度诊断方法。首先，搭建多光谱光电同步检测平台，实现了沿面放电过程中多个光谱波段光信号和电流信号的同步采集；然后，根据全波段光脉冲幅值及其导数变化规律对沿面放电发展过程进行了三阶段划分，并分别对沿面放电三阶段多光谱脉冲的相位统计和非相位统计特征进行分析，明确了特征量随放电发展阶段的演化规律；最后，基于深度神经网络算法建立沿面放电多光谱严重程度评估模型，结果显示该模型诊断准确率达到96.75%，验证了多光谱诊断方法的可靠性。
关键词：沿面放电 光测法 多光谱诊断 深度神经网络 严重程度评估模型
绝缘子和套管是开关设备中的绝缘薄弱环节，而沿面放电是引起绝缘闪络和失效的重要诱因，因此，沿面放电的有效监测和跟踪预警对保障设备安全运行具有重要意义[1-3]。目前，脉冲电流法、超高频法、暂态地电压法及超声法等是开关柜中常用的局部放电监测方法[4-5]，然而上述方法在实际应用过程中面临着现场干扰源复杂、检测置信度低等挑战。而对于放电过程较为剧烈的电弧放电，弧光保护主要是以燃弧时产生的弧光阈值和电流阈值作为双判据进行高灵敏监测，然而其难以对放电较为微弱的局部放电做出响应[6]。除了上述监测方法外，光测法是一种抗干扰性强、检测置信度高的局部放电检测方法，最早被用于局部放电的实验室研究中[7-8]。总体而言，光测法在两个方面具有不可替代的优势：①局部放电光辐射伴随放电发生发展全过程，其与放电事件本身具有高度的同步性，因此，在放电基础特性研究中，光脉冲测量结果往往被用作放电表征其他原理检测结果是否可靠的依据[9]；②放电光子释放产生于场致发射、热发射、原子激发、电离及复合等各个微观过程，发射光谱携带了关于放电更为丰富和本征的信息[9-11]，因此光谱学诊断也被认为是研究放电基础特性的有效方法。然而，由于局部放电光脉冲幅值弱，无论是光脉冲测量或是光谱诊断，均需要借助单光子级光电器件才能实现，而传统单光子器件多以真空外场效应为原理，驱动电压高、器件尺寸大、工作寿命短，无法用于实际电力设备。
随着硅光电半导体技术的快速发展，灵敏度高、尺寸小、寿命长的固态硅光电倍增器件越来越多地应用于弱光探测领域，这不但使局部放电光测法趋向实用化，还能够将光谱诊断这一实验室技术应用于实际电力设备，实现高精准的放电故障诊断和预警。本文前期研究中，对固态硅光电倍增器件在局部放电光辐射检测有效性方面进行了系统性探索[12]，结果表明固态硅光电倍增器件与传统光测器件相比在灵敏度、脉冲分辨率、抗干扰性等方面均具有明显优势。在实用化光谱诊断方面，Ren Ming等率先提出将局部放电紫外-可见-红外三个波段下光脉冲特性与相位统计特性相结合，实现了局部放电精细化诊断[13]；在此基础上，该研究团队进一步建立了基于三波段的光谱比值法，该方法不依赖工频参考相位，为直流系统或相位丢失时的局部放电诊断提供了新的分析思路[14]；王玉伟等则将放电图像的光学三元色分量（Red-Green-Blue, RGB）、色调-饱和度-亮度模型（Hue-Saturation-Intensity, HSI）、CIE-XYZ光谱三刺激值和CIE LAB色空间（L*a*b*）四种颜色空间的色度特征参数引入沿面放电状态诊断，结果显示色度分析方法可以实现对沿面放电过程的准确检测[15]。整体而言，学者们的研究均显示将实用化光谱分析方法应用局部放电精细化诊断中具有优越性，然而现有研究对于光谱波段划分仍较为粗糙，未能充分利用光谱维度信息，因此进一步细分光谱波段开展局部放电诊断具有重要的研究意义。
本文以强垂直分量沿面放电为对象，利用局部放电多光谱传感器对沿面放电发生、发展全过程进行试验研究，一方面对多光谱光脉冲的相位周期性特征（Phase-Resolved Partial Discharge, PRPD）进行分析；另一方面，对放电多个光谱区间光脉冲随放电发展的基本规律进行分析，建立多光谱统计特征与放电强度之间的关联关系。最终建立了基于非相位信息的沿面放电多光谱特征参量表征方法，并结合深度神经网络算法实现了放电严重程度的有效划分。
为了模拟电力设备中沿面放电随外施电压的发展过程并同步获取多光谱信号，搭建沿面放电多光谱光电同步测量平台如图1所示。试验平台由高压试验回路和光电信号采集系统组成。
图1 沿面放电多光谱光电同步测量平台
Fig.1 Multispectral-electric simultaneous test measurement platform for surface discharge
在高压试验回路中，380V/100kV试验变压器用作高压电源，通过1:2 000阻容式分压器测量输出电压；电容值9.96nF的标准电容器作为沿面放电测量回路中高频低阻抗通道；直径50cm的金属罐体用以模拟气体绝缘设备密闭环境；放电缺陷采用具有强垂直分量的柱板沿面放电缺陷，上电极为直径6mm的铜制柱电极，下电极为直径40mm的铜制板电极，绝缘介质为厚度2mm、直径70mm的环氧树脂板。
多光谱信号由局部放电多光谱传感器（SiPM-based Multispectral Discharge Sensor, SMDS）同步采集[12]，其具有尺寸小、偏置电压低、抗电磁干扰能力强等优势。其中SiPM是一种由数千个工作在盖革雪崩模式的单光子雪崩二极管（Single Photon Avalanche Diode, SPAD）和猝灭电阻（Rq）串联结构组成的微型固态硅光电倍增器件，每个串联结构通过“自持式雪崩”和“无源猝灭”的循环实现了具有单光子级灵敏度的光电转换[16]。由于循环过程仅发生于接受到光子的串联结构，因此SiPM具备了表征瞬时光通量的“准模拟量输出”。本文中所用SMDS是由SensL-ARRAYJ-30035型SiPM阵列和滤光片组构成的8通道多光谱传感器，其中包含了7个特定光谱波段和1个全波段，每个通道由偏置2.5V的直流电源驱动。在光电转换器件中，量子效率是描述光电转换能力的重要参数，表征了器件在特定波长下单位时间内产生的平均光电子数与入射光子数之比。本文中综合考虑了沿面放电的光谱分布范围及SMDS的量子效率，将光谱检测范围设定为350～650nm，各通道量子检测效率及滤光片透过率如图2所示，其中SMDS通过连接法兰固定于正对沿面放电缺陷的金属罐体观察窗（见图1b和图1c），传感器电源线与信号线通过密封航空插头引出，分别与设备外部的直流电源和高速数字采集卡（PicoScope 4824，模拟带宽为16kHz～20MHz，采样速率为80MS/s）相连。
图2 SMDS阵列量子效率及各通道滤光片透过率
Fig.2 Transmittance parameters of the filters and the quantum efficiency of SMDS array
脉冲电流信号由型号为PEARSONCM-500-L的高频线圈（High Frequency Current Transformer, HFCT）采集，其灵敏度为5V/A，带宽为460kHz～120MHz，并与数字采集卡相连接以保证光-电信号的同步检测。
试验前任意抽取一片环氧树脂板作为试品，缓慢升高外施电压直至出现沿面放电脉冲电流信号时，记录此时的外施电压为放电起始电压Ui；继续升高外施电压直至样品击穿，记录此时的外施电压为沿面闪络电压Ub。分别测定三组样品的Ui和Ub并求取平均值作为后续试验的基础。试验采取逐级升压的方式，从1.1Ui开始直到Ub，记录放电过程中放电脉冲数据、峰值电压及工频参考相位。在预试验阶段验证了SMDS和HFCT检测到的光-电信号的同步性，结果如图3所示。
图3 SMDS和HFCT检测放电脉冲同步性
Fig.3 Discharge pulses detected by SMDS and HFCT
分析结果显示，SMDS检测到的各波段光脉冲信号具有良好的同步性，而与HFCT检测到的脉冲电流信号相比也同样保持良好的同步性。
文献[12]研究表明，SMDS传感器光脉冲幅值与放电过程的视在放电量具有良好的线性关系，因此可以使用光脉冲幅值表征放电发展程度。沿面放电缺陷下全波段光脉冲幅值（正比于视在放电量）随外施电压升高的变化情况及光脉冲幅值导数曲线如图4所示。
由图4可知，全波段光脉冲幅值随外施电压升高逐渐上升，并且由光脉冲幅值导数曲线可知，当外施电压为8.8kV时光脉冲幅值导数呈现“尖端状”，意味着在外施电压达到8.8kV时光脉冲幅值出现了“陡升”并随后保持原始增速缓慢增加；而当外施电压达到13.6kV时光脉冲幅值导数呈现“台阶状”，意味着在外施电压达到13.6kV时光脉冲幅值出现了“陡升”，并随后保持相近速率增加。基于上述分析，本文中将沿面放电过程划分为三个阶段：轻微放电阶段（3.4～8.4kV）、中度放电阶段（8.8～13kV）、剧烈放电阶段（13.6～17.6kV）。三个放电阶段下可见光图像如图5所示。
图4 全波段光脉冲幅值及其导数随外施电压变化规律
Fig.4 Variation of full-band light radiation intensity and its derivative with applied voltage
在轻微放电阶段，初始电子在外电场作用下从阴极出发向阳极运动，运动中由于碰撞电离产生电子崩释放光子，此时圆柱电极附近出现电晕放电（见图5a）；当外施电压为8.4kV时，光脉冲幅值从0.20au增长至0.65au，整体幅值较低并且增长趋势平缓。在中度放电阶段，当电子崩头部积聚到足够数量的空间电荷后，由于空间电荷使得局部电场增强及正负离子复合产生光辐射加强光致电离，将引发新的强烈电离和二次电子崩，形成流注通道，并向地电极迅速发展，发生了辉光放电（如图5b所示）；当外施电压达到8.8kV时光脉冲幅值会急剧增长至1.04au，外施电压在8.8～13kV范围内光脉冲幅值从1.04au增长至1.46au，在该阶段内光脉冲幅值较前一阶段有较大增长，但增速仍然较为缓慢。在剧烈放电阶段，由于热电离增强，火花通道迅速延伸并快速发展，带电粒子数量剧增，电阻骤降，辐射出大量光子，放电转入滑闪放电阶段（如图5c所示）；当外施电压高于13kV后，光脉冲幅值增速显著提高，从1.46au迅速增长至3.21au（17.6kV），此时外施电压临近击穿电压，放电状态剧烈。
图5 三个放电阶段下可见光图像
Fig.5 Visible light images under three discharge stages
通过最小二乘拟合可以得到三个阶段下光脉冲幅值和外施电压的关系如式（1）所示。
（1）
式中，y1、y2、y3分别为轻微放电、中度放电和剧烈放电三个阶段下的光脉冲幅值，au；x为外施电压，kV；R2为决定系数。
本文给出了三个放电阶段多光谱相位统计特性演化情况，如图6所示。
图6 三个放电阶段多光谱脉冲相位分布
Fig.6 Multispectral pulse phase distribution in three discharge stages
在轻微放电阶段，从幅值上看，450nm波段幅值明显高于其余波段，而500nm波段幅值则最小。从脉冲相位上看，在正半周期，350nm、450nm和550nm波段在20°前即出现了幅值较小且较为分散的光脉冲，500nm波段主要分布在50°～90°之间，而其余波段主要分布在20°～100°之间；在负半周期，500nm波段脉冲主要分布在200°～280°之间，而其余波段分布在175°～280°之间。
在中度放电阶段，从幅值上看，所有波段幅值均出现明显增大，450nm波段下幅值仍显著高于其他波段，而500nm波段下幅值仍略小于其他波段。从脉冲相位上看，在正半周期，500nm波段脉冲分布在15°～90°之间，其余波段光脉冲主要分布在0°～90°之间，其中450nm波段在170°附近又出现了连续脉冲并且持续至负半周期；在负半周期，全波段在180°附近出现连续脉冲并在270°截止，在345°后又出现连续脉冲。正负半周放电脉冲相位相较于轻微放电阶段均出现了起始相位“左移”的现象。
在剧烈放电阶段，从幅值上看，所有波段幅值急剧上升，此时500nm、550nm和600nm波段下光脉冲幅值较为接近，而400nm波段下光脉冲幅值快速增大接近于450nm波段下光脉冲幅值。从脉冲相位上看，放电脉冲相位分布进一步向左平移，全波段在0°～90°，170°～300°均出现了连续脉冲，而在340°时全波段再次出现了放电脉冲。
进一步分析各波段下光脉冲幅值的变化规律，以工频相位为参考进行开窗处理，相位窗口为5°，计算各窗口区间内的平均放电脉冲幅值，具体方法为
（2）
式中，Lb为一个窗口内第b个波段的平均光脉冲幅值；Lk为第k个脉冲的幅值；k为一个窗口内的光脉冲数。
为了更直观地表征各波段脉冲相对幅值的变化，对各波段光脉冲幅值进行归一化处理，具体方法为
（3）
式中，Lb%为一个窗口内第b个波段光脉冲的平均光脉冲幅值占比。
开窗处理后三个阶段（7.5kV、12.7kV、17.6kV）下各波段平均光脉冲幅值及占比计算结果如图7所示。
如图7a～图7c所示，从轻微放电阶段到剧烈放电阶段，平均脉冲幅值出现了显著上升，并且相位范围不断扩大。而对于平均光脉冲幅值占比，如图7d～图7f所示，在轻微放电阶段，450nm波段下的放电脉冲幅值占比最大，约占7个光谱波段下脉冲幅值分量占比之和的一半，400nm波段下的脉冲幅值占比最小，500nm、550nm和600nm波段下的放电脉冲幅值占比相当，略小于650nm波段。当放电发展到中度放电阶段时，450nm波段下的脉冲幅值占比略有下降，400nm波段下的放电脉冲幅值占比相较于轻微放电阶段有一定的增长。当放电发展至剧烈放电阶段，400nm波段下的放电脉冲幅值占比明显变大，450nm波段下的脉冲幅值分量占比明显减小，500nm、550nm、600nm和650nm波段下的幅值分量占比均略有增大。总体上来说，不同光谱波段下放电脉冲幅值分量的占比较为稳定，几乎不随相位的变化而变化，只有当放电严重程度变化时，其各波段下的脉冲幅值占比才会相应地发生变化，这为放电严重程度的划分提供了依据。
图7 开窗后各波段平均光脉冲幅值及其占比
Fig.7 The average optical pulse amplitude and its proportion of each band after windowing processing
以工频电压相位为参考的统计方法在现场应用中面临着工频参考相位获取困难、直流设备难以适用等挑战。多光谱检测为放电诊断提供了光谱信息维度，参考局部放电分析中常用的特征量，本文定义了六个非相位特征量。
1）最大脉冲幅值
最大脉冲幅值表征在M个采样周期内，各波段采集到的最大光脉冲幅值，即
（4）
式中，Lmax,b为第b个波段在M个采样周期内最大脉冲幅值，b=1,2,
,7；LM,b为第b个波段在M个采样周期内的脉冲幅值集合。
2）最大脉冲幅值占比
（5）
式中，Lmax,b%为第b个波段的最大脉冲幅值占比。
3）平均脉冲幅值
平均脉冲幅值表征m个采样周期内各波段采集到的平均光脉冲幅值，用以消除放电过程中存在的随机性，即
（6）
式中，Lmean,b为M个采样周期内第b个波段的平均脉冲幅值；Lm,b为第b个波段在第m个周期内的脉冲幅值。
4）平均脉冲幅值占比
（7）
式中，Lmean,b%为第b个波段的平均脉冲幅值占比。
5）脉冲重复率
脉冲重复率表征单位时间内沿面放电的平均脉冲个数，即
（8）
式中，Nb为第m个采样周期内第b个波段下脉冲重复率；Nb,m为第m个周期内b个波段下的脉冲数。
6）脉冲重复率占比
（9）
多光谱非相位特征量计算结果如图8所示。
图8a、图8b显示了各波段下最大脉冲幅值及其占比随外施电压的变化趋势。从最大脉冲幅值来看，随着外施电压的升高，各波段下最大脉冲幅值呈现总体上升的趋势，在部分电压下也体现了放电的随机性。从最大脉冲幅值占比来看，拥有最大占比的450nm波段最大脉冲幅值占比从54.6%逐渐下降至23.3%，这是由于随着放电的发展，其余波段最大脉冲幅值有了明显上升，导致450nm波段最大脉冲幅值占比下降。
图8 多光谱非相位特征量计算结果
Fig.8 Calculation results multispectral non-phase characteristics
图8c、图8d显示了各波段下平均脉冲幅值及其占比随外施电压的变化趋势。类似地，从各波段平均脉冲幅值来说，随外施电压的升高各波段平均脉冲幅值整体上升，并且相较于最大脉冲幅值，平均脉冲幅值的增长趋势更加平滑，更能消除放电随机性带来的数据剧烈波动。从平均脉冲幅值占比来看，由于其余波段脉冲幅值的显著增加，450nm波段平均脉冲占比呈现逐渐下降的趋势。
图8e、图8f显示了各波段下脉冲重复率及其占比随外施电压的变化趋势，总体来说，各波段下脉冲重复率及其占比有着和上述过程类似的变化规律，即脉冲重复率逐渐上升，并且450nm波段占比逐渐下降。
进一步地，本文采用Pearson相关性分析定量评估多光谱特征量与外施电压之间的相关性和显著性，其中Pearson相关系数为
（10）
式中，
为外施电压V与多光谱特征量Y之间的Pearson相关系数，其取值范围为[-1,1]，取值的正负分别表示正负相关性[17]。同时，Pearson相关系数还可以衡量两个变量之间的线性关系。
另一方面，在讨论相关性的同时还需要对两个变量之间的相关关系的显著性水平开展判断，以此避免两个变量之间的相关关系不是因为偶然因素造成的。本文采用假设检验的方法，设定原假设H0为两变量之间不存在线性关联，H1为两者之间存在线性关联。根据假设检验方法，在H0成立的条件下计算两个变量不存在相关性的概率值（P值），若P值小于0.05则可以拒绝H0，当P值远大于0.05时即便Pearson相关系数很大也不能表明两个变量之间存在明显相关性[18]。各多光谱非相位特征量与外施电压的Pearson相关系数及P值结果见表1～表6。
表1 最大脉冲幅值与外施电压的Pearson相关系数及P值计算结果
Tab.1 The results of Pearson correlation coefficient between maximum pulse amplitude and applied voltage and P value
波段/nm相关系数P值 3500.916 261.216 81×10-12 4000.928 751.372 23×10-13 4500.944 884.167 27×10-15 5000.876 642.143 91×10-10 5500.918 478.478 95×10-13 6000.915 71.330 7×10-12 6500.925 162.669 26×10-13
表2 最大脉冲幅值占比与外施电压的Pearson相关系数及P值计算结果
Tab.2 The results of Pearson correlation coefficient between maximum pulse amplitude ratio and applied voltage and P value
波段/nm相关系数P值 3500.963 381.527 4×10-17 4000.767 397.504 6×10-7 450-0.954 113.391 41×10-16 5000.935 53.548 93×10-14 5500.867 755.365 08×10-10 6000.907 624.552 72×10-12 6500.596 984.966 66×10-4
由表1～表6可知，对于最大脉冲幅值、平均脉冲幅值和脉冲重复率三个特征量来说，7个波段下的三个特征量均与外施电压存在显著的正相关性，并且具有显著的线性关系。而其余三个特征量与外施电压的相关性和显著性在7个波段下表现出了各异性。对于最大脉冲幅值占比，所有分量均表现出了显著的相关性，其中450nm分量为负相关，并且650nm分量线性度相对较低。对于平均脉冲幅值占比，除600nm分量外其余分量均与外施电压表现出显著相关性，其中450nm分量为负相关。对于脉冲重复率占比，所有分量均表现出了显著的相关性，其中400nm和450nm为负相关性，并且650nm波段分量线性度较低。
表3 平均脉冲幅值与外施电压的Pearson相关系数及P值计算结果
Tab.3 The results of Pearson correlation coefficient between average pulse amplitude and applied voltage and P value
波段/nm相关系数P值 3500.977 951.376 08×10-20 4000.941 171.013 54×10-14 4500.899 511.406 35×10-11 5000.958 438.732 92×10-17 5500.975 545.787 49×10-20 6000.983 263.002 93×10-22 6500.980 831.971 7×10-21
表4 平均脉冲幅值占比与外施电压的Pearson相关系数及P值计算结果
Tab.4 The results of Pearson correlation coefficient between average pulse amplitude ratio and applied voltage and P value
波段/nm相关系数P值 3500.405 880.026 05 4000.827 891.654 56×10-8 450-0.068 180.420 36×10-1 5000.597 744.864 2×10-4 5500.707 41.235 64×10-5 6000.021 140.911 72 6500.324 120.405 7×10-1
表5 脉冲重复率与外施电压的Pearson相关系数及P值计算结果
Tab.5 The results of Pearson correlation coefficient between pulse repetition rate and applied voltage and P value
波段/nm相关系数P值 3500.895 191.216 81×10-12 4000.924 061.372 23×10-13 4500.939 094.167 27×10-15 5000.911 272.143 91×10-10 5500.953 098.478 95×10-13 6000.953 791.330 7×10-12 6500.930 412.669 26×10-13
表6 脉冲重复率占比与外施电压的Pearson相关系数及P值计算结果
Tab.6 The results of Pearson correlation coefficient between pulse repetition rate ratio and applied voltage and P value
波段/nm相关系数P值 3500.826 751.800 59×10-8 400-0.8952.524 37×10-11 450-0.808 836.348 32×10-8 5000.936 882.643 62×10-14 5500.741 672.736 36×10-6 6000.814 534.316 04×10-8 6500.480 960.007 13
从初始放电逐渐发展到击穿阶段的放电过程伴随着能量增长，由第2节中分析可知，随着外施电压（即放电能量）的增加，多光谱特征量会沿着特定路径变化。考虑到以相基多光谱特征量受制于工频相位获取的限制，本文使用非相基多光谱特征量建立放电能量评估模型。同时考虑到非相位多光谱特征绝对值会在光辐射传播过程中随着传播路径发生衰减[13]，而波段间的“相对值”将保持良好的一致性，因此本文将结合非相基多光谱特征占比和深度神经网络建立放电严重程度评估模型，同时对比基于传统相位统计特征量的评估结果。
深度神经网络（Deep Neural Networks, DNN）是由多个全连接层组成的神经网络，通过多层神经元学习可以实现利用较少参数表示复杂的输入和输出之间的关系，具有极强的表达能力[19-21]。对于DNN而言，其神经网络层按位置划分为输入层、隐藏层和输出层。DNN的前向传播算法即为将输入向量x与权重系数矩阵W和偏置向量b相结合进行运算，并从输入层开始层层向后推进到输出层，最后得出输出结果[22]。基于DNN的放电严重程度评估模型训练流程如下：
1）构建DNN网络框架，设置6层网络结构，包括1层输入层、1层输出层和4层隐藏层，其中输入层与每层隐藏层神经元个数为512，输出层神经元个数为3，并初始化网络权重。
2）输入数据集，进行网络训练。其中，用于模型训练的数据集是7个光谱波段下平均脉冲幅值占比，样本容量为10 800，并将数据集按8:2的比例随机分配为训练集和测试集，其中训练集用于训练网络参数，测试集用于测试神经网络的鲁棒性。
3）通过学习曲线、验证曲线、损失函数值及其收敛速度等判断神经网络训练效果。
DNN网络参数设置见表7。
表7 DNN网络参数设置
Tab.7 DNN network parameter settings
网络参数数值/类型 激活函数带泄露修正线性单元（Leaky ReLU） 损失函数交叉熵损失函数（CrossEntropyLoss） 迭代次数200 迭代步长0.001 训练样本数10 800 每批样本数（BatchSize）1 080 每轮迭代训练样本数8 640
以7个波段下平均脉冲幅值分量占比为特征量，进行DNN训练所获取的验证曲线和损失曲线如图9所示。
图9 基于平均脉冲幅值占比的放电严重程度识别结果
Fig.9 Recognition result of discharge severity based on the proportion of average pulse amplitude
从图9中可以看出，随着迭代次数的增加，严重程度评估结果趋于稳定，且模型训练的收敛速度也较快，放电严重程度评估正确率为96.75%。类似地，以最大脉冲幅值占比和脉冲重复率占比为特征量的识别正确率分别为93.45%和95.25%。
传统相位统计方法是包括沿面放电缺陷在内的局部放电分析中最广为应用的方法，本节中将引入全波段下沿面放电相位统计参量正负半周的偏斜度SK、陡峭度Ku和正、负半周最大脉冲幅值u+和u-建立沿面放电严重程度评估模型。其中，可偏斜度SK、陡峭度Ku分别为
（11）
（12）
式中，Li为放电光脉冲幅值，V；Lmean为平均放电光脉冲幅值，V；σ为放电光脉冲幅值的标准差，V；n为放电光脉冲数。
参照表7的网络参数，建立基于传统相位统计量的沿面放电严重程度DNN评估模型，所获得的验证曲线和损失曲线如图10所示。
图10 基于传统相位统计量的放电严重程度识别结果
Fig.10 Recognition result of discharge severity based on the proportion of traditional phase statistic operators
从图10中可以看出，传统相位统计量的DNN网络收敛速度略慢于多光谱特征量的DNN网络，放电严重程度评估正确率为87.15%，略低于多光谱特征量。
本文围绕强垂直分量缺陷下沿面放电随外施电压（放电能量）升高的发展过程，搭建了多光谱光电联合检测系统，研究了多光谱相位特征量和非相位特征量随放电阶段的发展多光谱特征量的演化规律，并结合深度神经网络建立了放电严重程度评估模型。具体结论如下：
1）对于多光谱相位特征量，在轻微放电阶段，450nm波段具有最高的脉冲幅值和最广的相位分布，而500nm波动脉冲幅值最小且相位分布较窄。而随着放电的发展，在中度放电和剧烈放电阶段全波段脉冲幅值均明显增加，并且在相位分布上出现明显“左移”。
2）对于多光谱非相位特征量，随着放电阶段的发展，各波段最大脉冲幅值、平均脉冲幅值和脉冲重复率均显著升高，而各波段最大脉冲幅值占比、平均脉冲幅值占比、脉冲重复率占比均呈现出450nm波动占比下降，其余波段占比上升的趋势。
3）多光谱比值特征可以有效地反映放电发展过程的微观特征，基于多光谱比值特征和深度神经网络的放电严重程度评估模型均达到93%以上的准确度，其中以平均脉冲幅值占比为特征量的评估模型正确率最高，达到了96.75%。
参考文献
[1] 彭兆裕, 岳丹, 颜冰, 等. 开关柜内沿面放电及电弧放电多光谱特征分析[J]. 绝缘材料, 2021, 54(1): 84-90.
Peng Zhaoyu, Yue Dan, Yan Bing, et al. Multi-spectral characteristics of creeping discharge and arc discharge in switch cabinet[J]. Insulating Materials, 2021, 54(1): 84-90.
[2] 朱明曦, 王黎明. 具有强垂直分量结构沿面放电现象及特征[J]. 电工技术学报, 2020, 35(10): 2266-2274.
Zhu Mingxi, Wang Liming. Surface discharge phenomenon and properties of strong-vertical electric field electrode structures[J]. Transactions of China Electrotechnical Society, 2020, 35(10): 2266-2274.
[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] 任重, 吴海涛, 肖利龙, 等. 绝缘子表面放电的多物理信号比值演化特征及其诊断方法研究[J]. 绝缘材料, 2020, 53(4): 95-102.
Ren Zhong, Wu Haitao, Xiao Lilong, et al. Multi-physical signals specific value evolution characteristics of surface discharge along insulator and its diagnosis approach[J]. Insulating Materials, 2020, 53(4): 95-102.
[5] 邹阳, 周求宽, 刘明军, 等. 局部放电特高频检测装置抗电磁干扰性能的量化评估方法研究[J]. 电工技术学报, 2020, 35(10): 2275-2282.
Zou Yang, Zhou Qiukuan, Liu Mingjun, et al. Research on quantitative evaluation on anti-electromagnetic interference capability of ultra high frequency partial discharge detection instrument[J]. Transactions of China Electrotechnical Society, 2020, 35(10): 2275-2282.
[6] Kumpulainen L, Hussain G A, Rival M, et al. Aspects of arc-flash protection and prediction[J]. Electric Power Systems Research, 2014, 116: 77-86.
[7] 刘永刚. 光测法检测局部放电的模式识别及放电量估计研究[D]. 重庆: 重庆大学, 2012.
[8] Xia Changjie, Ren Ming, Wang Bing, et al. Infrared thermography based diagnostics on power equipment: state of the art[J]. High Voltage, 2021, 6(3): 387-407.
[9] Ren Ming, Dong Ming, Liu Jialin. Statistical analysis of partial discharges in SF6 gas via optical detection in various spectral ranges[J]. Energies, 2016, 9(3): 152.
[10] Christophorou L G, Olthoff J K. Electron interactions with SF6[J]. Journal of Physical and Chemical Reference Data, 2000, 29(3): 267-330.
[11] Tewari S V, Kshirsagar R J, Roy A, et al. Optical emission spectroscopy study on flashover along insulator surface due to particle contamination[J]. Laser and Particle Beams, 2014, 32(4): 681-689.
[12] 任明, 李信哲, 王思云, 等. 基于雪崩面阵的气体绝缘放电光脉冲检测技术及传感性能研究[J]. 电网技术, 2021, 45(9): 3627-3636.
Ren Ming, Li Xinzhe, Wang Siyun, et al. Gas insulated discharge optical pulse detection technology and sensing performance based on avalanche diode array[J]. Power System Technology, 2021, 45(9): 3627-3636.
[13] Ren Ming, Zhou Jierui, Miao Jin. Adopting spectral analysis in partial discharge fault diagnosis of GIS with a micro built-in optical sensor[J]. IEEE Transactions on Power Delivery, 2021, 36(2): 1237-1240.
[14] Ren Ming, Zhang Chongxing, Dong Ming, et al. Fault prediction of gas-insulated system with hypersensitive optical monitoring and spectral information[J]. International Journal of Electrical Power & Energy Systems, 2020, 119: 105945.
[15] 王玉伟, 叶齐政, 郭自清. 基于图像处理技术的交流沿面放电状态诊断方法研究[J]. 中国电机工程学报, 2021, 41(1): 222-230, 412.
Wang Yuwei, Ye Qizheng, Guo Ziqing. AC surface discharge status diagnosis based on image processing techniques[J]. Proceedings of the CSEE, 2021, 41(1): 222-230, 412.
[16] 沈龙, 钱国超, 周仿荣, 等. 一种应用于GIS内部局部放电检测的新型光学传感系统[J]. 光电子技术, 2020, 40(4): 258-264, 276.
Shen Long, Qian Guochao, Zhou Fangrong, et al. A novel optical sensor system for internal partial discharge detection in gas insulation switchgear[J]. Optoelectronic Technology, 2020, 40(4): 258-264, 276.
[17] 姜丰, 朱家玲, 胡开永, 等. Pearson相关系数评价ORC系统蒸发器特性的应用研究[J]. 太阳能学报, 2019, 40(10): 2732-2738.
Jiang Feng, Zhu Jialing, Hu Kaiyong, et al. Applied research to assess envaporator performances in orc system by Pearson correlation coefficient[J]. Acta Energiae Solaris Sinica, 2019, 40(10): 2732-2738.
[18] 姜丰.Pearson相关系数评价混合工质与纳米流体换热特性的应用研究[D]. 天津: 天津大学, 2018.
[19] 朱煜峰, 许永鹏, 陈孝信, 等. 基于卷积神经网络的直流XLPE电缆局部放电模式识别技术[J]. 电工技术学报, 2020, 35(3): 659-668.
Zhu Yufeng, Xu Yongpeng, Chen Xiaoxin, et al. Pattern recognition of partial discharges in DC XLPE cables based on convolutional neural network[J]. Transactions of China Electrotechnical Society, 2020, 35(3): 659-668.
[20] 李超然, 肖飞, 樊亚翔, 等. 基于卷积神经网络的锂离子电池SOH估算[J]. 电工技术学报, 2020, 35(19): 4106-4119.
Li Chaoran, Xiao Fei, Fan Yaxiang, et al. An approach to lithium-ion battery SOH estimation based on convolutional neural network[J]. Transactions of China Electrotechnical Society, 2020, 35(19): 4106-4119.
[21] Xia Changjie, Ren Ming, Wang Bin, et al. Acquisition and analysis of hyperspectral data for surface contamination level of insulating materials[J]. Measurement, 2021, 173: 108560.
[22] 张慧, 卢文冰, 赵雄文, 等. 基于最小二乘支持向量机和小波神经网络的电力线通信信道噪声建模研究[J]. 电工技术学报, 2018, 33(16): 3879-3888.
Zhang Hui, Lu Wenbing, Zhao Xiongwen, et al. Noise modeling for power line communication channel using the LS-SVM and wavelet neural networks[J]. Transactions of China Electrotechnical Society, 2018, 33(16): 3879-3888.
Abstract Insulator surface discharge is a common cause of insulation failure of switch cabinets. However, traditional surface discharge detection methods characterized by electromagnetic and acoustic signals can hardly meet the requirements in field application. Based on light radiation, another intrinsic nature of discharge, optical detection method has been applied for discharge diagnosis, performing strong anti-interference and high detection confidence. Further, spectral analysis provides a light wavelength information dimension for refined discharge diagnosis, but it is not practical because of the limitation of sensing equipment. In this paper, a practical discharge spectral detection sensor named SiPM-based multispectral discharge sensor (SMDS) is introduced to study the optical radiation characteristics and the evolution laws of multispectral characteristics during the surface discharge development process of insulators, moreover, a strategy for severity diagnosis of surface discharge based on the characteristics of multispectral pulse evolution are proposed.
First, based on the new generation solid state photoelectric sensors, SMDS with seven specific band channels and one full band channel are adopted to acquire multispectral pulses of surface discharge. Second, the evolution stages of surface discharge are distinguished into three stages, named slight, moderate and severe stage, respectively, according to the derivative of full-band light pulse intensity at different voltages. Third, multispectral characteristics of surface discharge at different stages are analyzed. For the phase-based multispectral characteristics, the light intensity of each band increases significantly with the applied voltage independent of the phase, while the light intensity proportion of each band shows different evolution trends. In the slight stage, the light intensity at 450nm is the largest, accounting for about half of the total light intensity. While the light intensity of 400nm band has the smallest proportion. In the moderate stage, the proportion of light intensity at 450nm decreases slightly, while the proportion of light intensity at 400nm increases slightly. In the severe stage, the proportion of 450nm band decreases obviously with the increase of 400nm band. In terms of the phase distribution, the phase range expands continuously from the slight stage (20°～100° and 175°～280°) to moderate stage (0°～90° and 180°～270°) and to severe stage (0°～90°, 170°～300° and over 340°). At the same time, six characteristics named maximum pulse amplitude, average pulse amplitude, pulse repetition rate and their proportions of each band are defined as the non-phase-based multispectral characteristics. In addition, the first three characteristics perform the significant positive liner correlations with the applied voltage. However, for the maximum pulse amplitude proportion, all the components show a significant correlation with applied voltage, with the 450nm component showing a negative correlation and the 650nm component showing relatively low linearity. For the average pulse amplitude proportion, all the components are significantly correlated with the applied voltage, and the 450nm component is negatively correlated. For the pulse repetition rate proportion, all components show significant correlation with applied voltage, among which 400nm and 450nm show a negative correlation. Finally, discharge risk assessment models with a deep neural networks (DNN) based on the non-phase-based multispectral characteristics are built. The results reveal that the correct rates based on multispectral average pulse amplitude proportion, maximum pulse amplitude proportion and pulse repetition rate proportion are 96.75%, 93.45% and 95.25%, respectively.
The following conclusions can be drawn from the multispectral analysis: ①For the phase-based multispectral characteristics, in the slight stage, the 450nm band has the highest pulse amplitude and the widest phase distribution, while the 500nm wave pulse has the smallest amplitude and narrow phase distribution. With the development of the discharge, the amplitude of the whole band pulse increases obviously in the moderate and severe stage, and the phase distribution shows a significant “left shift”. ②For the non-phase-based multispectral characteristics, with the development of discharge stage, maximum pulse amplitude, average pulse amplitude and pulse repetition rate are significantly increased, and the band maximum pulse amplitude proportion, average pulse amplitude proportion and pulse repetition rate present decrease trends for 450nm and increase trends for other bands. ③The multispectral proportion characteristics can effectively reflect the microscopic characteristics of the discharge development process. The accuracies of the discharge severity evaluation model based on the multispectral proportion characteristics and DNN (over 93%) are higher than that of the traditional phase statistical characteristic models (87.15%).
Keywords：Surface discharge, optical detection, multispectral diagnostic, deep neural network, severity assessment model
DOI:10.19595/j.cnki.1000-6753.tces.211357
中图分类号：TM85
国家电网有限公司总部科技项目资助（5500-202218131A-1-1-ZN）。
收稿日期 2021-08-27
改稿日期 2022-01-25
任明 男，1987年生，博士，副教授，研究方向为高压试验技术、状态监测智能传感器、图像融合与故障可视化等。E-mail：renming@xjtu.edu.cn（通信作者）
夏昌杰 男，1996年生，博士研究生，研究方向为电力设备状态光学检测及故障可视化。E-mail：xcj19960521@stu.xjtu.edu.cn
（编辑 赫蕾）