图1 试验整体流程
Fig.1 Experimental flow chart
摘要 冲击电压老炼技术是提高真空电极间隙绝缘能力的有效手段，快速准确地甄别真空击穿机制对揭示冲击电压老炼过程的物理演化机理具有重要意义。该文提出了一种基于深度学习的通过突显击穿前过程提高真空击穿机制甄别准确度的优化方法。对五对相同的无氧铜球形电极开展同样的冲击电压老炼试验，分别获得时间提取范围为0～400 μs的完整击穿电压电流波形样本和0～200 μs的突显击穿前过程的击穿电压电流波形样本，并通过深度学习模型对两种击穿电压电流波形样本开展脉冲电流诱发、场致发射诱发和微粒诱发三种真空击穿机制的甄别训练与测试，并将测试结果与真实结果进行对比分析与评估。结果显示：时间提取范围为0～200 μs的突显击穿前过程的击穿电压电流波形样本的击穿机制甄别准确率均在87.99%以上，平均提高了2.55%，其对应的精确率、召回率和F1分数均更优。研究结果表明，突显击穿前过程的击穿电压电流波形处理能够有效地优化真空击穿机制甄别的效果，具有良好的工程应用前景。
关键词：冲击电压老炼 击穿机制 深度学习 突显击穿前过程 击穿波形
目前，SF6气体断路器凭借优良可靠的绝缘和灭弧能力在72.5 kV及以上高电压等级线路中占据了主要市场份额[1-4]。然而，SF6气体具有强温室效应，其全球变暖系数达到了CO2的22 200～23 900倍，大量排放SF6气体会加剧全球气候变化[5-6]。并且SF6气体的分解产物具有强酸性，可以破坏臭氧层，导致臭氧空洞形成，对生态系统造成严重危害[7-9]。在我国“碳达峰、碳中和”的目标下，发展环保型高电压等级断路器取代SF6气体断路器已成为必然趋势[10]。
真空断路器是一种利用真空作为灭弧介质的电力设备，具有经济环保、紧凑可靠和快速开关等优势，目前已经在中低电压等级线路中广泛使用[11-12]。然而，真空断路器向高电压等级发展仍受到真空电极间隙绝缘能力的限制[13]。冲击电压老炼技术是一种常见的老炼技术，通过施加一定频率、幅值与脉宽的冲击电压去除电极表面的杂质、残余气体和加工毛刺，改善电极表面情况，能够显著提高真空电极间隙的绝缘能力[14]。因此，研究冲击电压老炼特性对于提升真空断路器的电压水平具有重要意义。
击穿电压是研究冲击电压老炼特性的重要参数，击穿电压与施加电压的关系可以反映老炼的变化过程。在老炼饱和阶段，击穿电压遵循Weibull分布，并且老炼饱和电压可以通过50%击穿电压U50表征[15-16]。因此，通过击穿电压与击穿时刻判别老炼饱和的方法被提出[17]。然而，击穿电压无法反映老炼不同阶段的真空击穿机制，并且电极材料特性、电极表面粗糙度和施加电压频率与幅值等因素均会影响击穿特性[18-20]。因此，仅通过击穿电压与击穿时刻无法完全揭示冲击电压老炼特性。
真空击穿机制可以描述冲击电压老炼过程的演化过程，快速准确地甄别真空击穿机制对研究冲击电压老炼特性及揭示其物理演化机理有着重要意义。李世民等[21]通过对纯铜球电极进行冲击电压老炼试验，验证了冲击电压老炼过程中的击穿机制包含脉冲电流诱发真空击穿（Pulse current induced Breakdown, PB）、场致发射诱发真空击穿（Field Emission induced Breakdown, FEBD）和微粒诱发真空击穿（Particles induced Breakdown, PBD）三种真空击穿机制。不同形状的电极，其间隙保持一致的击穿机制[22]。通过击穿前过程的电压电流特征可以对真空击穿机制进行甄别，但该方法需要通过数学补偿算法对位移电流进行剔除，并包含Fowler-Nordheim公式拟合等步骤，计算过程繁琐复杂，且只能在试验后通过数据计算分析获得[23-25]。
目前，随着人工智能的飞速发展，图像识别的准确率和速度有了质的飞跃，深度学习在电气学科中的故障检测、仪器辨识、模式识别等研究领域得以应用[26-30]。Li Shimin等[31]根据不同真空击穿机制具有不同的击穿前和击穿特征，通过深度学习技术进行提取和甄别，实现了冲击电压老炼过程中的真空击穿机制分类。然而，深度学习技术在真空击穿领域的应用目前仍然存在大量的研究空白，需要进一步的深入探索。因此，本文在文献[31]的基础之上，通过突显击穿电压电流波形的击穿前过程，提出了一种基于深度学习的冲击电压老炼过程中真空击穿机制的甄别优化方法。
试验整体流程如图1所示。试验将五对相同的无氧铜球形电极分别标记为A、B、C、D和E，依次进行相同的冲击电压老炼试验，获得击穿电压电流数据。根据文献[21]，将电极A和B的击穿电压电流数据对应击穿机制标记为脉冲电流诱发真空击穿、场致发射诱发真空击穿和微粒诱发真空击穿；分别对电极A和B的击穿电压电流数据以不同时间提取范围绘制击穿电压电流波形图，从而获得时间提取范围为0～400 μs的击穿电压电流波形样本1和时间提取范围为0～200 μs的击穿电压电流波形样本2。分别对电极C、D和E的击穿电压电流数据以不同时间提取范围绘制击穿电压电流波形图，从而获得时间提取范围为0～400 μs的击穿电压电流波形样本3和时间提取范围为0～200 μs的击穿电压电流波形样本4。采用VGG16卷积神经网络对击穿电压电流波形样本1和2进行真空击穿机制甄别的训练，得到深度学习模型1和2，并对击穿电压电流波形样本3和4进行真空击穿机制甄别的测试。根据文献[21]将电极C、D和E的击穿电压电流数据对应击穿机制区分为脉冲电流诱发真空击穿、场致发射诱发真空击穿和微粒诱发真空击穿，结合对应击穿机制，通过评估指标对测试结果进行评估，并对评估结果进行对比与分析。
图1 试验整体流程
Fig.1 Experimental flow chart
冲击电压老炼试验装置示意图如图2所示。在整个试验过程中，真空腔室始终保持在10-6～10-7Pa超高真空条件下；施加电压由脉冲发生器提供，波形为正极性64/700 ms；分压器与200 Ω分流器分别测量施加电压与回路电流数据。
图2 冲击电压老炼试验装置示意图
Fig.2 Experimental equipment of impulse voltage conditioning
为了模拟工程中真空断路器电极间隙均匀电场，本试验使用球形-球形电极，其结构如图3所示。电极由金刚石切割制造并通过丙酮抛光，材料为无氧铜，纯度高于99.96%，符合JIS H3100标准。
图3 试验电极结构
Fig.3 Structure of the experimental electrode
脉冲电流诱发真空击穿、场致发射诱发真空击穿和微粒诱发真空击穿典型波形示意图如图4所示。由图4可知，脉冲电流诱发真空击穿的击穿前过程存在明显的脉冲电流且伴有电压波动；场致发射诱发真空击穿的击穿前过程不存在脉冲电流，电压持续上升并且在击穿前出现电流上升；微粒诱发真空击穿的击穿前过程不存在脉冲电流，电压持续上升，电流持续下降。由此可知，不同的真空击穿机制具有不同的击穿前电压电流波形特征，这些特征是区分不同真空击穿机制的关键，通过深度学习技术可以有效地提取击穿前电压电流波形特征，从而实现真空击穿机制甄别。
图4 真空击穿机制典型波形示意图
Fig.4 Schematic of typical waveforms of the breakdown mechanism
击穿时刻是区分击穿前过程和击穿过程的重要参数，击穿前过程所包含的击穿前电压电流波形特征是区分不同真空击穿机制的关键。Li Shimin等[16-17]发现冲击电压老炼过程中，击穿时刻均发生在200 μs以前。因此，为了验证击穿前电压电流波形特征对用深度学习模型甄别真空击穿机制的影响，本文以0～400 μs和0～200 μs两种波形时间提取范围对击穿电压电流数据进行提取，处理得到击穿电压电流波形样本。击穿电压电流波形样本具体提取过程和设置方法详见1.1节。
击穿电压电流波形样本中经处理用于深度学习的不同时间提取范围的脉冲电流诱发真空击穿、场致发射诱发真空击穿和微粒诱发真空击穿电压电流典型波形示意图如图5所示。图中实线为电压波形，点画线为电流波形。由于通过深度学习进行真空击穿甄别仅需提取电压电流波形特征，因此坐标轴、图例等无效信息进行统一去除处理。图5中左图的时间提取范围为0～400 μs，包含了全部的击穿前过程和击穿过程；右图的时间提取范围为0～200 μs，包含了全部的击穿前过程和部分的击穿过程。击穿前过程电压电流波形特征被突显出来，提高了击穿前过程电压电流波形特征在总电压电流波形特征中的占比。
图5 经处理用于深度学习的击穿电压电流典型波形示意图
Fig.5 Schematic of processed breakdown waveforms with voltage and current for deep learning
深度学习模型基于Python语言实现，在Pytorch深度学习框架下搭建VGG16卷积神经网络，硬件平台配置如下：CPU为12th Gen Intel(R) Core(TM) i5-12500H 2.50 GHz，内存为16 GB。
VGG16卷积神经网络结构如图6所示，由13个卷积层、5个最大池化层、3个全连接层和1个归一化层组成。首先，将224×224像素（RGB）的击穿电压电流波形样本输入深度学习模型；然后，卷积层从输入波形样本中提取电压电流波形特征并通过修正线性单元激活，实现去线性化，最大池化层将图像尺寸缩小为原始图像的1/4、输入通道数扩大为原来的2倍；最后通过全连接层与修正线性单元激活，由归一化层输出各类真空击穿机制预测概率及预测结果。
图6 VGG16卷积神经网络结构
Fig.6 The structure of VGG16
本试验以击穿电压电流波形样本1和2作为训练样本，包含1 530张击穿电压电流波形图，训练样本按照9:1划分为训练集与验证集；以击穿电压电流波形样本3和4作为测试样本，包含1 398张击穿电压电流波形图。本文深度学习模型与击穿电压电流波形样本对应关系见表1。本试验基于VGG16，通过击穿电压电流波形样本1进行真空击穿机制甄别的训练（训练次数：120，批量：128），得到深度学习模型1（0～400 μs），并对击穿电压电流波形样本3进行真空击穿机制甄别的测试；通过击穿电压电流波形样本2进行真空击穿机制甄别的训练（训练次数：120，批量：128），得到深度学习模型2（0～200 μs），并对击穿电压电流波形样本4进行真空击穿机制甄别的测试。测试完成后，根据文献[21]将电极C、D和E的击穿电压电流数据对应击穿机制区分为脉冲电流诱发真空击穿、场致发射诱发真空击穿和微粒诱发真空击穿。
表1 深度学习模型与击穿电压电流波形样本对应关系
Tab.1 The relationship between models and breakdown waveform samples
模型训练样本测试样本 ABCDE 数量846684325616457 深度学习模型1（0～400 μs）击穿电压电流波形样本1击穿电压电流波形样本3 深度学习模型2（0～200 μs）击穿电压电流波形样本2击穿电压电流波形样本4
评估指标是衡量深度学习模型执行多分类任务的效果的重要参数[29]。在混淆矩阵的基础上，通过准确率（Accuracy）、精确率（Precision）、召回率（Recall）和F1分数（F1-Score）四个评估指标对测试与验证结果进行多方面评估。
深度学习模型对击穿电压电流波形样本3和4进行真空击穿机制甄别的测试结果经处理可以得到真空击穿机制甄别测试结果的混淆矩阵，见表2。表中，k为击穿机制类别，k=1, 2, 3分别代表脉冲电流诱发真空击穿（PB）、场致发射诱发真空击穿（PEBD）和微粒诱发真空击穿（PBD）；Tk为第k类击穿机制实际输入的波形数量；Pk为第k类击穿机制模型预测的数量；Ckk为实际输入的第k类击穿机制的波形被正确预测的数量；Ckm（m=1, 2, 3，m≠k）为实际输入的第k类击穿机制的波形被错误预测为第m类击穿机制的数量；N为输入波形总数量。
表2 真空击穿机制甄别测试结果的混淆矩阵
Tab.2 Confusion matrix of results of identifying breakdown mechanism
击穿机制PBFEBDPBD总计（实际） PBC11C12C13T1 FEBDC21C22C23T2 PBDC31C32C33T3 总计（预测）P1P2P3N
准确率是对整体预测结果的评估指标，表示为
（1）
精确率表示正确预测数量在预测结果中的占比，第k类击穿机制的精确率为
（2）
召回率表示正确预测数量在实际结果中的占比，第k类击穿机制的召回率为
（3）
F1分数表示精确率与召回率的调和平均值，第k类击穿机制的F1分数为
（4）
本试验中包含三类不同的击穿机制，因此引入权重系数来计算加权后的各项指标，第k类击穿机制的权重系数为
（5）
经加权计算后可得到各项指标表达式分别为
（6）
本试验深度学习模型训练结果如图7所示。两个深度学习模型在前10次训练过程内，验证集准确率迅速上升，然后趋于稳定，达到85%以上；其中，深度学习模型1验证集准确率最高为90.85%，深度学习模型2验证集准确率最高为92.16%，本试验选用验证集准确率最高的深度学习模型对击穿电压电流波形样本进行真空击穿机制甄别的测试。在测试的过程中，深度学习模型完成一次真空击穿机制甄别的时间仅需5 s左右。
图7 深度学习模型训练结果
Fig.7 Training results of deep learning models
深度学习模型1对击穿电压电流波形样本3进行真空击穿机制甄别的评估结果见表3；深度学习模型2对击穿电压电流波形样本4进行真空击穿机制甄别的评估结果见表4。由表3可知，深度学习模型1对电极C、D和E的击穿电压电流波形样本进行真空击穿机制甄别的准确率分别为85.23%、84.90%和91.90%。由表4可知，深度学习模型2对电极C、D和E的击穿电压电流波形样本进行真空击穿机制甄别的准确率分别为88.92%、87.99%和92.78%。以上结果表明，深度学习模型1和2进行真空击穿机制甄别的准确率达84.90%以上，而深度学习模型2对于每一对电极的真空击穿机制甄别的准确率更高。
表3 深度学习模型1评估结果
Tab.3 Evaluation results of Model 1
电极准确率(%)精确率(%)召回率(%)F1分数(%) C85.2384.9585.2385.09 D84.9080.8984.9082.85 E91.9091.7891.9091.84
表4 深度学习模型2评估结果
Tab.4 Evaluation results of Model 2
电极准确率(%)精确率(%)召回率(%)F1分数(%) C88.9289.0288.9288.97 D87.9987.4487.9987.71 E92.7893.8192.7893.29
深度学习模型2与1进行真空击穿机制甄别的评估结果的差值如图8所示。深度学习模型2对电极C、D和E进行真空击穿机制甄别的准确率相比深度学习模型1分别提升了3.69%、3.09%和0.88%。对于电极C和D的击穿电压电流波形样本，深度学习模型2进行真空击穿机制甄别的准确率、召回率和F1分数较深度学习模型1均提升了3.09%以上，其中提升最高的为对电极D测试样本进行真空击穿机制甄别的精确率，提升了6.55%。对于电极E的击穿电压电流波形样本，使用深度学习模型1进行真空击穿机制甄别已达到了91.90%的高准确率，使用深度学习模型2进行甄别的各项评估结果相比深度学习模型1仍能有提升。以上结果表明，深度学习模型2进行真空击穿机制甄别的准确率高于深度学习模型1，并且精确率、召回率和F1分数三项评估指标也均优于深度学习模型1，采用深度学习模型2进行真空击穿机制甄别的效果优于深度学习模型1。
图8 评估结果差值
Fig.8 Difference values of evaluation parameters
深度学习模型1和2分别通过时间提取范围为0～400 μs和0～200 μs的击穿电压电流波形样本进行真空击穿机制甄别的训练和测试，而深度学习模型2进行真空击穿机制甄别的效果优于深度学习模型1，这表明使用时间提取范围为0～200 μs的击穿电压电流波形样本进行真空击穿机制甄别的训练和测试优于使用时间提取范围为0～400 μs的击穿电压电流波形样本。
击穿电压电流典型波形对比分析示意图如图9所示。由图9可知，时间提取范围为0～200 μs的击穿电压电流波形样本放大了击穿前过程，突出了击穿前电压电流波形特征，提高了深度学习模型在提取电压电流波形特征时击穿前电压电流特征的占比。从物理过程分析，击穿前电压电流波形特征是区分不同真空击穿机制的关键，而击穿前过程均发生在200 μs内，深度学习模型2也正是通过时间提取范围为0～200 μs的击穿电压电流波形样本进行甄别训练和测试，从而取得了更优异的效果。
深度学习模型使用时间提取范围为0～200 μs的击穿电压电流波形样本进行真空击穿机制甄别的训练与测试已经达到了87.99%的高准确率，若要进一步提升，可以考虑对击穿电压电流波形样本进一步改进。一种击穿电压电流波形样本的改进方案示意图如图10所示。时间提取范围为0～200 μs的击穿电压电流波形样本仍未能准确地定位至击穿时刻，这使得深度学习模型在提取电压电流波形特征时尚未最大化击穿前电压电流波形特征的占比，若对击穿电压电流波形样本进行图像处理以准确地定位至击穿时刻，则能够提高深度学习模型在提取电压电流波形特征时的击穿前过程电压电流波形特征占比。该算法仍需进一步的研究。
图9 击穿电压电流典型波形对比分析示意图
Fig.9 Schematic of comparison and analysis of typical breakdown waveforms
图10 击穿电压电流波形样本改进方案示意图
Fig.10 Schematic of improvement plan for breakdown waveform samples
在工程应用中，冲击电压老炼技术常被用于提升真空断路器的耐压水平。冲击电压老炼过程包含一系列击穿过程，并存在真空击穿机制的转换，老炼不同阶段所主导的击穿机制具有规律的演化趋势[21]。通过对老炼过程中击穿机制的甄别，能够实现老炼演化阶段的判别，从而可以为不同阶段设计出更合理的老炼方案，进而提升真空断路器的绝缘性能。因此，快速准确地实现老炼过程中真空击穿机制的甄别，对于实时监测、准确判别老炼演化阶段和优化老炼方案、提升真空断路器绝缘能力具有重要意义。
文献[31]阐述了深度学习技术应用于老炼过程的可行性，而本文旨在提出一种优化方法，通过突显击穿前过程实现真空击穿机制的快速准确甄别。依据该优化方法建立的深度学习模型2对电极C、D和E的击穿电压电流波形样本进行真空击穿机制甄别的准确率分别达到了88.92%、87.99%和92.78%，精确率、召回率和F1分数均达到了87.44%，并且其完成一次真空击穿机制甄别的时间仅为5 s左右。以上结果表明，深度学习模型2能够准确、有效、快速地完成真空击穿机制甄别。本文提出的优化方法有效地提升了深度学习技术实现真空击穿机制甄别的准确率，使深度学习技术在老炼过程中的应用具有更良好的前景。
1）本文提出了一种基于深度学习的真空击穿机制甄别优化方法，通过对比采用不同时间提取范围的击穿电压电流波形样本进行真空击穿机制甄别的效果，得到突显击穿前过程的波形处理能够有效优化真空击穿机制甄别效果。
2）依据本文提出的基于深度学习的真空击穿机制甄别优化方法能够快速地实现真空击穿机制的甄别，准确率达到了87.99%，并且通过精确率、召回率和F1分数验证了该方法的有效性，对工程应用具有理论指导意义。
参考文献
[1] 李彦飞, 汤贝贝, 韩冬, 等. SF6放电的发射光谱特性分析与放电识别[J]. 电工技术学报, 2022, 37(7): 1866-1874.
Li Yanfei, Tang Beibei, Han Dong, et al. Spectroscopy analysis of emission spectrum characteristics and discharge recognition of SF6 gas discharge[J]. Transactions of China Electrotechnical Society, 2022, 37(7): 1866-1874.
[2] 周朕蕊, 韩冬, 赵明月, 等. SF6替代气体分解特性的研究综述[J]. 电工技术学报, 2020, 35(23): 4998-5014.
Zhou Zhenrui, Han Dong, Zhao Mingyue, et al. Review on decomposition characteristics of SF6 alternative gases[J]. Transactions of China Electro-technical Society, 2020, 35(23): 4998-5014.
[3] 李昊天, 曾福平, 颜伊鸣. Ag表面对SF6初级分解产物氧化反应的影响作用研究[J]. 电工技术学报, 2024, 39(9): 2841-2850.
Li Haotian, Zeng Fuping, Yan Yiming. Effect of Ag surface on the oxidation of SF6 primary decom-position products[J]. Transactions of China Electro-technical Society, 2024, 39(9): 2841-2850.
[4] 何彦良, 丁未, 孙安邦, 等. 电场不均匀系数对SF6/N2混合气体负直流电晕电流脉冲特性的影响[J]. 电工技术学报, 2021, 36(15): 3124-3134.
He Yanliang, Ding Wei, Sun Anbang, et al. Effect of electric field non-uniformity coefficient on current pulse characteristics of negative DC corona in SF6/N2 gas mixtures[J]. Transactions of China Electrote-chnical Society, 2021, 36(15): 3124-3134.
[5] 高克利, 颜湘莲, 刘焱, 等. 环保气体绝缘管道技术研究进展[J]. 电工技术学报, 2020, 35(1): 3-20.
Gao Keli, Yan Xianglian, Liu Yan, et al. Progress of technology for environment-friendly gas insulated transmission line[J]. Transactions of China Electro-technical Society, 2020, 35(1): 3-20.
[6] 张晓星, 陈琪, 张季, 等. 高气压下环保型C4F7N/CO2混合气体工频击穿特性[J]. 电工技术学报, 2019, 34(13): 2839-2845.
Zhang Xiaoxing, Chen Qi, Zhang Ji, et al. Power frequency breakdown characteristics of environmental-friendly C4F7N/CO2 gas mixtures under high pressure conditions[J]. Transactions of China Electrotechnical Society, 2019, 34(13): 2839-2845.
[7] 王宝山, 余小娟, 侯华, 等. 六氟化硫绝缘替代气体的构效关系与分子设计技术现状及发展[J]. 电工技术学报, 2020, 35(1): 21-33.
Wang Baoshan, Yu Xiaojuan, Hou Hua, et al. Review on the developments of structure-activity relationship and molecular design of the replacement dielectric gases for SF6[J]. Transactions of China Electrote-chnical Society, 2020, 35(1): 21-33.
[8] 张晓星, 田双双, 肖淞, 等. SF6替代气体研究现状综述[J]. 电工技术学报, 2018, 33(12): 2883-2893.
Zhang Xiaoxing, Tian Shuangshuang, Xiao Song, et al. A review study of SF6 substitute gases[J]. Transactions of China Electrotechnical Society, 2018, 33(12): 2883-2893.
[9] 张晓星, 王宇非, 崔兆仑, 等. 不同填充材料对介质阻挡放电降解SF6的实验研究[J]. 电工技术学报, 2021, 36(2): 397-406.
Zhang Xiaoxing, Wang Yufei, Cui Zhaolun, et al. Experimental study on the degradation of SF6 by dielectric barrier discharge with different packing materials[J]. Transactions of China Electrotechnical Society, 2021, 36(2): 397-406.
[10] 程显, 杜帅, 葛国伟, 等. 环保型罐式多断口真空断路器均压配置研究[J]. 电工技术学报, 2021, 36(15): 3154-3162.
Cheng Xian, Du Shuai, Ge Guowei, et al. Study on voltage-sharing configuration of environment-friendly tank type multi-break vacuum circuit breakers[J]. Transactions of China Electrotechnical Society, 2021, 36(15): 3154-3162.
[11] 邹积岩, 刘晓明, 于德恩. 基于智能模块的高压直流真空断路器研究[J]. 电工技术学报, 2015, 30(13): 47-55.
Zou Jiyan, Liu Xiaoming, Yu Deen. Investigations on the HVDC vacuum circuit breaker based on intelligent models[J]. Transactions of China Electrotechnical Society, 2015, 30(13): 47-55.
[12] 王季梅. 真空开关的现状及发展趋势[J]. 电力设备, 2005(2): 1-5.
Wang Jimei. Present situation and development tendency of vacuum switch[J]. Electrical Equipment, 2005(2): 1-5.
[13] 王季梅, 钱予圭. 论高压真空灭弧室和真空断路器的产品开发[J]. 高压电器, 2003, 39(1): 65-67.
Wang Jimei, Qian Yugui. Discussion on the product development of high voltage vacuum interrupters and vacuum circuit breakers[J]. High Voltage Apparatus, 2003, 39(1): 65-67.
[14] 何俊佳, 邹积岩, 张汉明, 等. 火花老炼对真空灭弧室绝缘强度的影响[J]. 电工技术学报, 1997, 12(3): 33-36.
He Junjia, Zou Jiyan, Zhang Hanming, et al. Effect of spark conditioning treatment on electrical strength of vacuum interrupters[J]. Transactions of China Electrotechnical Society, 1997, 12(3): 33-36.
[15] Fukuoka Y, Yasuoka T, Kato K, et al. Breakdown conditioning characteristics of long gap electrodes in a vacuum[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2007, 14(3): 577-582.
[16] Li Shimin, Yamano Y, Geng Yingsan, et al. Conditioning saturation diagnosis with breakdown electric field and breakdown time in vacuum[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2023, 30(2): 862-868.
[17] Li Shimin, Yang Wei, Jiang Xixi, et al. Breakdown time characteristics under uniform electric field in vacuum[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2022, 29(1): 193-198.
[18] Okubo H, Yasuoka T, Kato T, et al. Electrode conditioning mechanism based on pre-breakdown current under non-uniform electric field in vacuum[C]//2008 23rd International Symposium on Discharges and Electrical Insulation in Vacuum, Bucharest, Romania, 2008: 13-16.
[19] Kojima H, Hayakawa N, Nishimura R, et al. Conditioning mechanism of Cu-Cr electrode based on electrode surface state under impulse voltage application in vacuum[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2011, 18(6): 2108-2114.
[20] Kato K, Fukuoka Y, Saitoh H, et al. Effect of electrode surface roughness on breakdown conditioning under non-uniform electric field in vacuum[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2007, 14(3): 538-543.
[21] 李世民, 江希茜, 李镇廷, 等. 脉冲电压老炼过程中真空击穿机制演化机理[J]. 高电压技术, 2023, 49(11): 4790-4797.
Li Shimin, Jiang Xixi, Li Zhenting, et al. Evolution mechanism of vacuum breakdown mechanism during pulse voltage aging process[J]. High Voltage Engineering, 2023, 49(11): 4790-4797.
[22] Li Shimin, Geng Yingsan, Liu Zhiyuan, et al. Discharge and breakdown mechanism transition in the conditioning process between plane-plane copper electrodes in vacuum[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2019, 26(2): 539-546.
[23] 王建华, 耿英三, 刘志远. 输电等级单断口真空断路器理论及其技术[M]. 北京: 机械工业出版社, 2017.
[24] Li Shimin, Yamano Y, Geng Yingsan, et al. Gas desorption induced discharge in vacuum and its polarity effect[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2020, 27(3): 799-805.
[25] Li Shimin, Yamano Y, Geng Yingsan, et al. Polarity effect of impulse conditioning characteristics under a uniform electric field in vacuum[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2021, 28(3): 838-844.
[26] 王卓, 王玉静, 王庆岩, 等. 基于协同深度学习的二阶段绝缘子故障检测方法[J]. 电工技术学报, 2021, 36(17): 3594-3604.
Wang Zhuo, Wang Yujing, Wang Qingyan, et al. Two stage insulator fault detection method based on collaborative deep learning[J]. Transactions of China Electrotechnical Society, 2021, 36(17): 3594-3604.
[27] 徐建军, 黄立达, 闫丽梅, 等. 基于层次多任务深度学习的绝缘子自爆缺陷检测[J]. 电工技术学报, 2021, 36(7): 1407-1415.
Xu Jianjun, Huang Lida, Yan Limei, et al. Insulator self-explosion defect detection based on hierarchical multi-task deep learning[J]. Transactions of China Electrotechnical Society, 2021, 36(7): 1407-1415.
[28] 王晓辉, 朱永利, 王艳, 等. 基于深度学习的电容器介损角在线辨识[J]. 电工技术学报, 2017, 32(15): 145-152.
Wang Xiaohui, Zhu Yongli, Wang Yan, et al. Online identification method of power capacitor dielectric loss angle based on deep learning[J]. Transactions of China Electrotechnical Society, 2017, 32(15): 145-152.
[29] 赵书涛, 徐晓会, 尹子会, 等. 基于深度学习断路器储能机构故障诊断方法研究[J]. 高压电器, 2022, 58(10): 25-32.
Zhao Shutao, Xu Xiaohui, Yin Zihui, et al. Research on fault diagnosis method of charging operating mechanism of circuit breaker based on deep learning[J]. High Voltage Apparatus, 2022, 58(10): 25-32.
[30] 周秀, 朱洪波, 马云龙, 等. 基于深度学习的变压器局部放电模式识别研究[J]. 高压电器, 2019, 55(12): 98-105.
Zhou Xiu, Zhu Hongbo, Ma Yunlong, et al. Partial discharge pattern recognition of transformer based on deep learning[J]. High Voltage Apparatus, 2019, 55(12): 98-105.
[31] Li Shimin, Jiang Xixi, Xu Xunchen, et al. Classification of vacuum breakdown during conditioning based on deep learning[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2023, 30(4): 1877-1883.
Abstract Impulse voltage conditioning technology is an effective means to improve the insulation ability of vacuum circuit breaker (VCB). Classifying the breakdown mechanism quickly and accurately has a great significance to reveal the physical evolution of impulse voltage conditioning and improve the VCB withstanding voltage level. The traditional method to classify the breakdown mechanism needs to eliminate the displacement current through mathematical compensation algorithm and fit the Fowler-Nordheim formula, which is complicated to obtain the breakdown mechanism. Deep learning has an obvious advantage in image recognition and feature extraction. In this paper, an optimized method to classify the breakdown mechanism was proposed through enlarging the pre-breakdown period in breakdown waveform based on deep learning.
Five identical sphere oxygen-free copper electrode pairs A, B, C, D and E were applied the same impulse conditioning. All the breakdown waveforms were processed into two kinds: 0~400 μs, containing the whole breakdown waveform, and 0~200 μs, pre-breakdown period enlarged breakdown waveform. The corresponding breakdown mechanisms of A and B were labeled as pulsed current induced vacuum breakdown (PB), field emission induced breakdown (FEBD) and particle induced vacuum breakdown (PBD) through the traditional method. Then, breakdown waveforms of A and B (1 530) in 0~400 μs and 0~200 μs were for the breakdown mechanism classification training, and breakdown waveforms of C, D and E (1 398) in 0~400 μs and 0~200 μs were for breakdown mechanism classification test, respectively. The corresponding breakdown mechanisms of C, D and E were classified into PB, FEBD and PBD with deep learning. In addition, the breakdown mechanisms of C, D and E were also obtained through the traditional method. The deep learning outputs were compared with that through the traditional method. The test results were evaluated and analyzed by the evaluation parameters such as precision, recall, F1-score and so on.
The results showed that the breakdown mechanism classification accuracies of C, D and E (0~200 μs) were 88.92%, 87.99% and 92.78%, respectively, and all the accuracies of 0~200 μs were higher than 87.99%. The breakdown mechanism classification accuracies of C, D and E (0~400 μs) were 85.23%, 84.90% and 91.90%, respectively. Compared with 0~400 μs, the breakdown mechanism classification accuracies of 0~200 μs were improved by 3.69%, 3.09% and 0.88%, respectively. The accuracy of 0~200 μs had an average improvement by 2.55% than that of 0~400 μs. Precision, recall and F1-score of 0~200 μs were also higher than those of 0~400 μs. The results showed that 0~200 μs, pre-breakdown period enlarged breakdown waveform had a better performance in breakdown mechanism classification.
Conclusions were drawn as following: (1) The classification accuracy for breakdown mechanism through deep learning could be improved by enlarging the pre-breakdown period in the breakdown waveform. (2) The breakdown mechanism classification can be completed quickly and accurately, whose accuracy could be higher than 87.99% with the effectiveness verified by precision, recall and F1-score. It has a theoretical guidance for a promising conditioning technology to improve the VCB voltage level in industry application.
keywords：Impulse voltage conditioning, breakdown mechanism, deep learning, pre-breakdown period enlarged, breakdown waveform
DOI:10.19595/j.cnki.1000-6753.tces.230617
中图分类号：TM561.2
国家自然科学基金（52207162）、江苏省自然科学基金（BK20210307）和中央高校基本科研业务费专项资金（NJ2023012, NJ2023014）资助项目。
收稿日期 2023-05-04
改稿日期 2023-07-14
李世民 男，1988年生，讲师，硕士生导师，研究方向为高压真空断路器、真空放电与绝缘、深度学习、等离子体模拟等。E-mail：dianqilishimin@163.com（通信作者）
徐勋晨 男，2000年生，硕士研究生，研究方向为真空击穿与深度学习。E-mail: xuxunchen@nuaa.edu.cn
（编辑 李 冰）