摘要 该文首先设计实验模拟了气体绝缘开关设备（GIS）内绝缘的三种主要局部放电缺陷，并在SF6/N2（体积分数比为3
7）混合气体环境下采集火花放电光谱；其次，开发基于深度学习的可解释性人工智能光谱解析模型，标记不同类别放电光谱数据中有效的分类特征指标；然后，在此基础上开展针对不同缺陷放电的辐射跃迁机理分析，研究了放电过程中导致绝缘劣化的物理化学反应过程；最后，将理论分析识别的关键谱线作为约束条件，输入多目标优化模型中进行诊断波段的优化选择，并设计基于微结构侧发光光纤传感元件的多光谱局部放电在线监测样机。实验测试结果表明，样机对临界闪络状态下三种缺陷类型的识别准确率超过98%。这种检测方法可避免GIS内高温和电磁干扰对传感器的影响，并可通过灵活布置实现对其内部放电信号的广域监测。
关键词：局部放电 光谱解析 能级跃迁 多目标优化 可解释人工智能 微结构侧发光光纤
特高压直流输电技术在我国能源跨区消纳中发挥着重要作用[1-2]。SF6/N2（体积分数比为37）混合气体绝缘电气设备已在国家电网高压直流气体绝缘开关设备（Gas-Insulated Switchgear, GIS）中得到推广应用[3-4]。监测和诊断GIS局部放电（Partial Discharge, PD）现象是对其绝缘状态进行评估的有效手段[5]，目前现场常用的PD检测手段主要有超声波法和特高频（Ultra-High Frequency, UHF）法。但由于这两种方法会受到现场复杂的电磁干扰等因素的影响，工作人员在面对传感器输出的脉冲信号时，不敢轻易地对设备进行停电检修[6]。而光测法因抗干扰性强且检测置信度高，具有广泛的发展前景和应用价值[7]。
探究SF6/N2（体积分数比为37）混合气体直流火花放电光谱特性，有助于揭示其击穿瞬态机理，为高压直流GIS的绝缘设计和安全运维提供理论指导。近年来，光谱检测技术的进步为局部放电研究开辟了新视角[8-9]。文献[10]利用N2(C3Pu
B3Pg)电子跃迁过程中（
）振动能级的带头与带尾发射光谱峰值强度比计算放电区域气体温度，实现了直流辉光电晕温度分布的二维非接触式测量；文献[11]利用空间光谱检测系统研究了不同电极模型的局部放电特性，发现正极放电产生的紫外光谱更为丰富，针-球电极放电在长波段辐射更强，初步验证了利用光谱特征诊断放电类型的可行性；文献[12]建立了包含29种粒子和135个化学反应的流体模型，通过光谱比值反演获得了电离区电场分布，增进了对电晕放电电离过程中电场分布动态变化的理解。在放电等离子体参数诊断方法研究中，文献[13]基于原子光谱Stark展宽效应开发了高精度电子密度计算方法，通过复误差函数从Voigt线型中精确分离Gaussian与Lorentzian展宽，实现了1014～1017 cm-3范围的电子密度测量，为放电等离子体参数研究提供了可靠的方法；文献[14]通过线比法和玻耳兹曼图分析确立了射频等离子体振动温度、电子温度、电子密度与放电功率和压力的关系，为优化特定应用中的等离子体参数提供数据支持。在SF6气体放电分解特性研究方面，文献[15]利用傅里叶变换红外光谱（Fourier Transform Infrared, FTIR）技术研究了SF6放电分解机理，确定了CF4、SOF2和SO2F2等产物浓度与放电时间、电压和气体压力的定量关系；文献[16]确定了SF6分解产物生成的临界放电量阈值，发现当放电能量超过该阈值后，分解产物浓度显著提升；文献[17]确认了SO2是SF6环境下放电产生的稳定特征分解产物，提出了基于紫外光谱检测SF6气体中SO2的GIS局部放电早期预警方法。文献[18]发现了环氧树脂气泡放电中击穿前独特的光谱演变模式，N2发射强度急剧增加500%，并最终被CO特征谱线取代，为材料击穿机理分析提供了新线索。西安交通大学的研究团队基于硅光电倍增管（Silicon Photomultiplier, SiPM）阵列设计了一种高灵敏度三波段多光谱局部放电传感器，利用UHF-多光谱联合传感器，实现了对放电严重程度评估和局部放电缺陷的分类，无需信号强度和相位特征，因此特别适用于直流设备的故障诊断[19]；文献[20]基于SiPM开发了七波段光谱传感器阵列，结合深度学习算法实现了91%以上的放电模式识别率；文献[21]基于多波段测量系统分析沿面放电多波段光脉冲特征，实现了临界闪络状态96.9%的判别准确率。对局部放电发射光谱的深入研究使专家学者在微观粒子层面对放电过程产生了更深入的见解，这些发现不仅有助于提高电气设备的故障诊断能力，还为优化绝缘材料性能提供了科学依据。文献[22]通过FTIR等多种方法，发现纳米填料能够抑制放电造成的Si—CH3和Si—O—Si等关键化学键的损伤，为改进绝缘材料的绝缘强度提供了分子水平的设计指导。
综上所述，目前基于光谱分析技术对局部放电进行诊断的研究已取得显著进展，但现有研究多聚焦于特定波段的光谱特征与放电参数的关联性分析，缺乏对放电过程中广域光谱特性及其微观形成机理的系统性探索。此外，关于SF6/N2混合气体的研究相对较少。深入研究SF6/N2混合气体放电广域光谱响应特性，不仅有助于确定新型气体环境下GIS局部放电最优诊断波段的选择方法，还能充分挖掘光谱信息在精确放电诊断中的潜力。同时，研究可以提供放电过程中电子、离子和中性粒子等微观成分间的化学反应信息，从而揭示放电启动、发展和绝缘击穿的根本原因，不仅可为GIS局部放电诊断技术的创新提供理论基础，还能为开发新型绝缘材料和优化绝缘设备提供原子尺度的设计依据。因此，有必要将高压电气学与光谱物理学进行更深度的跨学科交叉，对放电广域光谱特征进行研究，从而进一步揭示放电过程中的微观物理化学反应机理。
在火花放电发生的极短时间内，电子在强电场驱动下通过碰撞电离生成高能量等离子体导电通道。研究表明，大部分光谱辐射产生于自放电通道形成的瞬间，因此火花放电全过程的发射光谱特征与闪络形成阶段前期高度相似[23]。模拟火花放电能够提供可重复且相对安全的“准击穿”环境，可以在不彻底破坏绝缘的前提下高效采集反映闪络形成阶段特征的光谱数据，有助于剖析绝缘破坏机理。同时，火花放电时出现的部分谱线能够成为判断临界闪络阶段的“指纹”。然而，这些谱线在临界击穿阶段的强度较弱，可能难以被光谱仪全部有效识别。通过分析火花放电光谱，锁定这些关键谱线，并结合高灵敏度光学检测与传感技术，可在工程应用中及时识别潜在的严重放电特征，实现故障预警与诊断。由于火花放电涉及ps～ms多个时间尺度的复杂电动力学过程，大量微观粒子在强电场中会受到统计涨落和局部电场不均匀的影响，表现出非线性和随机性行为，从而导致放电能量和路径呈现统计特性。与此同时，由于高气压条件下电子与气体粒子之间的平均自由程显著缩短，碰撞频率增加，各类激发态粒子的产生与猝灭过程更加随机，导致发射光谱呈现复杂性和不确定性[24]。因此，对高气压下火花放电光谱的深入研究需采用高灵敏度光谱设备采集大量火花放电瞬时光谱，并开展精密的光谱解析。为此，本文开发了可解释人工智能（Explainable Artificial Intelligence, XAI）模型。模型不仅在分类和预测任务上展现出优异的性能，还可突破传统深度学习模型在决策依据方面缺乏可解释性的局限[25]，通过注意力机制结合特征可视化和权重分析技术，自动提取有效划分不同类别放电光谱数据所需的关键指标，并通过热力图对其进行标记，从而协助人工识别不同情况下发射光谱的统计分类特征。目前，可解释人工智能已在医疗健康、工业制造、金融科技等领域得到了广泛的探索和应用[26-28]。将可解释人工智能引入放电发射光谱诊断领域，有助于识别和分析人眼无法直接察觉的细微光谱特征，从而为破解PD机理的认知难题开辟新的途径。
本文聚焦于SF6/N2（37）混合气体环境下的GIS，首先设计三种GIS内绝缘典型缺陷模型，采用高灵敏度光谱检测系统采集不同极性下的火花放电发射光谱数据；其次，开发可解释人工智能模型，识别并标记不同情况下发射光谱的统计分类特征；然后，在此基础上进行光谱解析，反演并建立火花放电气体环境中主要元素的能级跃迁图，研究不同情况下火花放电的微观粒子行为，分析火花放电过程中的关键量子化学反应机理；最后，将放电关键谱线作为多目标优化算法的约束条件，优化缺陷类型诊断波段，设计多光谱传感器样机，在模拟临界闪络情况的实验条件下，该传感器样机对三种缺陷类型的分类准确率超过98%。本文构建了一套人工智能与人为分析有机结合的工作流，可应用于指导GIS的状态监测和运行维护工作。
实验系统示意图如图1所示，将用于模拟缺陷的结构布置在304不锈钢压气式密封罐体中，将电压施加在与电极连接的导电杆两端，控制试品产生局部放电。实验前首先通过真空泵对304不锈钢密封罐体抽真空；然后通过减压阀导入SF6/N2（37）混合气体，静置10 min，重复进行3次抽真空与输气过程；最后，通过减压阀导入0.6 MPa的SF6/N2（37）混合气体。为降低环境光干扰，实验需在无光的暗环境中进行。
图1 实验系统示意图
Fig.1 Schematic diagram of the experimental system
本文参考典型GIS几何特征和缺陷微缩结构设计方法[29]，设计等效的微缩电极模型，模拟GIS内三种常见放电缺陷，如图2所示。实验采用5052铝合金（模拟外壳）、氧化铝和环氧树脂混合物（模拟盆式绝缘子）、纯铝（模拟母线导体）作为主要材料，并确保放电区域与准直镜间的视场无遮挡。研究模拟了以下三种GIS放电缺陷结构：①绝缘表面缺陷，如图2a所示；②母线导体表面金属尖刺缺陷，如图2b所示；③外壳上自由金属颗粒缺陷，如图2c所示（实验前须对电极边缘进行倒圆角处理并抛光，以避免局部放电产生）。
图2 GIS典型放电缺陷微缩实验模型
Fig.2 Scaled-down experimental models of typical GIS discharge defects
光信号采集方法如图3a所示，使用有效直径为30 mm的准直凸透镜，并通过反向光路校准确保放电区域位于准直镜采集范围内。采用Ocean Optics QEpro光谱仪检测放电光谱信号，仪器积分时间设为100 ms，搭配使用5 V稳压源驱动的光控直流固态继电器。实验过程中，对放电光谱进行连续扫描，当火花放电发生时，固态继电器导通并产生高电平信号以触发光谱仪捕捉瞬时光谱。使用lumina系列紫外可见光成像系统实时记录放电过程的增强光影像，该设备可检测肉眼不可见的电晕放电光信号，如图3b所示。当火花放电发生时，高度导电的等离子体通道快速形成并熄灭，主回路电压暂时全部施加于限流电阻两端，间隙两端电压呈截断式下降后恢复。击穿瞬时电离、碰撞、激发最为剧烈，从而产生强光，如图3c所示。根据文献[23]，光谱特征主要产生于击穿通道形成的瞬间。
图3 光谱采集方法与放电增强影像
Fig.3 Spectrum acquisition methods and enhanced discharge images
实验采集了GIS中的三种典型缺陷（绝缘表面缺陷、金属尖刺缺陷和自由金属颗粒缺陷）正负极性放电的光谱数据。控制电极距离和绝缘表面缺陷结构，使三种缺陷在80～100 kV电压下发生火花放电，并采集火花放电光谱，分别随机抽取正、负极性下各类缺陷的火花放电光谱数据250组，即每种缺陷取500组光谱数据进行分析。
本文构建了一套将人为量子光学分析与人工智能大数据挖掘相结合的工作流。首先，对原始光谱数据进行归一化处理，并输入可解释人工智能模型中，算法将自动提取有效划分不同类别放电光谱数据所需的关键指标，并通过热力图对其进行标记，协助识别不同缺陷下的火花放电发射光谱特性，以降低人为主观判断的影响；然后，以识别的关键谱线作为约束条件，通过多目标优化算法，对有助于诊断和分类放电缺陷类型的优化波段组合进行搜索和评估，以选取优化诊断波段，并将其应用于多光谱传感器设计中。基于可解释人工智能的光谱分析流程如图4所示。算法相关公式与详细数学描述参见补充资料[30]第1节。
图4 基于可解释人工智能的光谱分析流程
Fig.4 Spectrum analysis workflow based on XAI
本节首先对放电环境中主要元素的特征发射谱线进行归类，并剔除背景杂质影响，依据粒子激发能和电离能筛选物理可行的反应通道，比较重叠谱线的相对强度以确定主要光谱来源。综合考虑放电环境主要元素的光谱、可能存在的杂质和反应能级等因素，并结合文献调研和美国国家标准与技术研究院（National Institute of Standards and Technology, NIST）等离子体数据库查询，对三类放电的发射光谱数据与反应机制进行了反演，进而识别不同放电类型的光谱特征及其涉及的关键粒子和主要跃迁过程。详细光谱辐射跃迁机理可查阅补充资料[30]第2节。
图5为三种典型缺陷放电事件的归一化发射光谱特征、特征权重分布与辐射跃迁机制标识。图5中，绿色谱线为三种典型缺陷火花放电事件的归一化发射谱线；背景热力图中，黄色至紫色的渐变色标代表模型分配的注意力权重，黄色区域表示对缺陷分类具有决定性影响的特征，紫色区域表示贡献较小的特征；彩色线标记了基于光谱分析确定的参与关键辐射跃迁过程的微观粒子，包括
离子、
中性激发态、Al Ⅰ/Ⅱ、H Ⅰ、N Ⅰ/Ⅱ以及SF6分解产物SFx和F Ⅰ/Ⅱ等。
图5 三种典型缺陷放电事件的归一化发射光谱特征、特征权重分布与辐射跃迁机制标识
Fig.5 Normalization emission spectral characteristics, feature weight distribution, and radiation transition mechanism identification of three typical defect discharge events
初步分析图5可知，200～400 nm的发射线主要由Al Ⅰ自由原子、Al Ⅱ离子、N2带系发射线和F Ⅱ离子发射线构成，不同放电情况下的发射线分布表现出明显的特征性差异。绝缘表面缺陷放电Al Ⅰ发射线的相对强度较显著，但深紫外的Al Ⅱ发射线和近紫外的F Ⅱ与N2激发态发射线相对较弱；自由金属颗粒放电发生时，深紫外的Al Ⅱ发射线和近紫外的F Ⅱ与N2激发态发射线呈现更高的强度；金属尖刺放电发生时，可同时检测到Al Ⅰ、Al Ⅱ、F Ⅱ和N2激发态发射线的高强度信号。
对比分析表明，绝缘表面缺陷光谱在590 nm与656 nm波长处呈现显著的强度峰值。这两处特征峰分别对应Na Ⅰ和H Ⅰ（Ha）的特征跃迁谱线，源于放电环境中绝缘材料表面的分子解离现象。
算法识别出N2第二正带系发射线是金属尖刺缺陷的主要特征标识。这是因为尖刺结构附近的强电场区域促进了N2分子发生能级跃迁，形成了N2(C3Pu)激发态粒子，这些激发态粒子在退激发至低能级过程中将释放N2正带系强发射线。因此，N2紫外波段的正带系发射光谱强度可作为判断放电是否存在尖刺结构的指标。
除了Al、F Ⅰ粒子与N2(C3Pu)激发态粒子发射线外，不同放电情况下N Ⅰ自由原子与N Ⅱ离子发射线的强度比值也存在显著差异。特别是，870 nm以上波段的N Ⅰ发射线表现出独特的强度分布特性，可作为判别缺陷类型的关键光谱指纹。
本节基于光谱分析中识别出的优势跃迁反应，结合多源光谱数据库与相关文献[31-42]，经系统分析后反演特征谱线所对应的辐射跃迁过程，绘制了涵盖粒子激发与退激发完整过程的能级跃迁图。分析这些激发过程的能级可以推断放电过程中电子向粒子碰撞转移的能量。当能量超过分子键能时，一方面可能导致分子键扭曲或断裂，从而引起绝缘材料化学结构与组分的变化；另一方面还可能引发中性粒子电离形成等离子体并提供种子电子，加速后续放电通道的形成与扩展。分析上述辐射跃迁过程与能量转移关系，可评估放电造成的损伤，并为绝缘材料分子设计提供量子化学层面的理论基础。
3.1.1 火花放电下混合气体辐射跃迁机理分析
混合气体火花放电的辐射跃迁机理示意图如图6所示。图6左侧展示了放电过程中SF6强发射线形成的辐射跃迁机理，这些发射线主要位于可见光谱红光区域，主要由F原子的3p能级精细结构退激发释放能量形成[32]。在放电瞬间，电子与基态自由F原子的碰撞转移能量超过14.73 eV。当激发态F原子在该轨道的价电子从激发态跃迁至较低能级时，存在对应于678 nm波长的光子能量的优势跃迁轨道。
图6 混合气体火花放电的辐射跃迁机理示意图
Fig.6 Radiation transition mechanism diagram of mixed gases under spark discharge
由于SF6的解离能仅为4.25 eV[33-34]，远低于空气中大量存在的N2分子（9.67 eV）。在放电过程中，高能电子与SF6分子发生非弹性碰撞时易导致S—F化学键断裂并引发解离，产生具有高反应活性的自由原子F Ⅰ，辐射跃迁过程为
（1）
（2）
（3）
式中，e为参与非弹性碰撞反应的高能级电子；下角标
、
分别代表粒子碰撞前后的高、低能态；E为反应所需的必要激活能；v1为对应辐射光子波长；h为普朗克常数。
硫原子（S Ⅰ）和硫离子（S Ⅱ）的主要发射谱线集中在200 nm以下的真空紫外波段[35]，这一范围内的光子因波长短、能量高，易触发气体介质中分子的电子跃迁和光电离过程，进而被环境气体强烈吸收。其在可见光区的微弱发射线易被其他强谱线掩盖，因此实验中未能有效检测到其特征谱线。
图6右侧展示了N2分子的辐射跃迁过程，尽管实验环境中N2占据最高浓度，但在混合气体火花放电时，通常主导氮元素光谱的N2(C3PuB3Pg)第二正带系分子激发态特征发射线强度相对较弱，仅在337.1 nm和357.7 nm处存在两条相对强度具有可测量性的谱线[36]。这一现象主要归因于自由铝原子（Al Ⅰ）和F Ⅰ发射谱线对氮分子带系的光谱掩盖效应，导致N2分子激发态发射线的强度不突出。此外，SF6分子及其分解产物可能与N2激发态发生非辐射能量转移，缩短其寿命，进而抑制其辐射跃迁过程。
一价氮分子的电离态（）特征发射线主要位于波长391 nm处，但该波段同时存在氮离子（N Ⅱ）、氟离子（F Ⅱ）及自由铝原子（Al Ⅰ）等粒子的谱线重叠。在火花放电阶段，由于尚未形成长期稳定的导电通道，N2电离程度有限，的浓度相对较低。在这种条件下，的负带系谱线相对微弱，难以在复杂的光谱背景被清晰分辨。自由氮原子（N Ⅰ）更易在较低的碰撞转移能量下电离形成单电荷态氮离子（N Ⅱ），进而在局部区域产生空间电荷效应，成为推动击穿通道形成的重要因素。
红外波段中形成的多条N Ⅰ自由原子发射谱线[37-38]表明，在放电条件下N2分子发生了显著的解离。放电过程中产生的N Ⅱ发射谱线强度超过F Ⅱ离子发射谱线强度，这是因为与F Ⅰ自由原子电离能（17.4 eV）相比，N2分子产生的N Ⅰ自由原子电离能（14.5 eV）较低，其在放电条件下更易发生电离，在形成N Ⅱ离子的同时释放自由电子，使得空间电荷累积，进而导致放电通道的形成与扩展。
3.1.2 火花放电下固体结构辐射跃迁机理分析
火花放电下固体结构辐射跃迁机理示意图如图7所示。图7最左侧展示了放电过程中Al元素特征发射线形成的辐射跃迁机理。在放电过程中，自由原子（Al Ⅰ）和一价电离态铝离子（Al Ⅱ）的发射谱线主要分布在深紫外与近紫外波段[39]。在绝缘表面缺陷放电情况下，能级较低的Al Ⅰ辐射跃迁发射线更加明显；而自由金属颗粒放电发生时，能级较高的Al Ⅰ辐射跃迁发射线和Al Ⅱ发射线更加显著；对于金属尖刺放电，两类发射线均表现出较强的发射强度。
图7 火花放电下固体结构辐射跃迁机制示意图
Fig.7 Radiation transition mechanism diagram of solid structures under spark discharge
由于金属Al的金属键结合较弱，其原子易于逸出。在放电过程中，受离子冲击的铝原子仅需获得约3.36 eV的能量即可克服其结合能，进而从表面逸出形成自由原子（Al Ⅰ）。又由于Al Ⅰ电离能较低（仅为5.99 eV），这些自由原子在高能电子的作用下，容易进一步电离为一价正离子（Al Ⅱ）。随后，Al Ⅱ离子还可能会被激发至更高能级，形成激发态离子。
在此过程中，溅射出的Al金属微粒可能会沉积在绝缘介质表面，形成导电层。Al Ⅰ的电离不仅会持续产生Al Ⅱ离子，提高绝缘气体的电导率，还会通过电离反应释放初始种子电子，为后续放电过程提供发展条件。因此，放电过程中的铝金属溅射、解离及电离现象可能会对设备的绝缘性能造成威胁。
图7右侧展示了放电过程中绝缘表面材料特征发射线形成的辐射跃迁机理。波长为656 nm和590 nm的特征发射线分别对应自由氢原子（H Ⅰ）的Ha线与自由钠原子（Na Ⅰ）的D双线。这些强发射线主要由如下辐射跃迁过程产生。
（4）
（5）
式中，v2、v3分别为对应辐射光子波长（656 nm和590 nm）。
放电环境中，H Ⅰ和Na Ⅰ的来源主要与绝缘材料中含羟基（—OH）的化合物及钠化合物有关。在盆式绝缘子表面放电情况下，H Ⅰ可由环氧树脂、酸酐和陶瓷材料中的结构羟基、水合物分解生成[40-41]，这些物质是盆式绝缘子的重要组成部分。在含羟基的分子中，其羟基与主链之间的化学键相对脆弱，易在局部放电产生的高能带电粒子轰击下断裂（仅需4.80 eV），进而产生H2O分子；随后H2O将被进一步分解，从而生成OH自由基和H Ⅰ自由原子；OH自由基还可被进一步解离生成H Ⅰ和O Ⅰ。其中656 nm的Ha线是H元素的经典发射线之一，有较高的辐射强度。生成Ha发射线的反应过程为
（6）
（7）
（8）
制作盆式绝缘子所用的氧化铝通常含有钠化合物杂质（以Na2O为主）。由于Na的价电子处于较高能级，且受内层电子屏蔽效应显著，因此钠化合物的化学键键能通常较弱（Na2O的键能在5.20 eV左右[42]）。在放电环境中，高能电子碰撞诱导钠化合物分解，释放Na Ⅱ离子。Na Ⅱ离子在等离子体环境中易发生反应获得电子，被还原为自由钠原子（Na Ⅰ）。基态的Na Ⅰ(2p63s(2S1/2))仅需2.10 eV的激发能作用就可形成Na Ⅰ(2p63p(2
))，因此即使微量的Na Ⅰ也能产生显著的特征谱线。其电子跃迁反应过程为
（9）
（10）
（11）
3.2.1 金属尖刺缺陷火花放电反应机理分析
为揭示火花放电初始阶段粒子群的空间分布与演化特征及对后续放电发展的影响，本文建立非平衡态等离子体化学模型，模拟火花放电早期空间电荷积累过程。通过仿真分析可以理解放电的起始机理，并预测其后续发展趋势。仿真考虑了SF6/N2气体粒子间的物理相互作用、化学反应动力学、能量传递过程以及系统的电磁特性，详细数学描述参见补充资料[30]第3节。仿真得到放电早期空间电荷分布如图8所示。
图8 放电初期SF6/N2混合气体中的空间电荷分布
Fig.8 Spatial charge distribution in SF6/N2 gas mixture during early discharge
由于电子和离子在质量与荷质比上存在巨大差异，电子质量仅为9.1×10-31 kg，在尖端强电场作用下可被迅速加速；而电荷量相等的离子质量为电子的数万倍，在相同电场作用下达到同等速度需要很长的时间。因此，在金属尖刺缺陷等电场分布高度不均匀的放电环境中，正负极性放电机制存在显著差异。
根据仿真结论，可总结模拟金属尖刺缺陷的GIS金属微结构正负极性放电机理示意图如图9所示。
图9 模拟金属尖刺缺陷的GIS金属微结构放电机理示意图
Fig.9 Discharge mechanism of GIS metallic microstructures: simulation of metal spike defects
在正极性放电中，金属尖端带正电，主要通过强电场电离周围气体分子产生电子-正离子对。由于正离子质量大，移动速度慢，会导致尖端外围形成拟静态的正离子云，进一步增强局部电场。最终，正离子云造成局部电场严重畸变，将引发快速的电子雪崩过程，迅速形成导电通道并导致击穿。
负极性放电则主要由金属尖端场致电子发射引起。当强电场作用于金属尖端时，金属-气体界面的势垒变薄，使得电子可通过量子隧穿效应逸出金属表面，形成初始自由电子[43]。当自由电子数量和能量超过临界值后，产生电子雪崩，进而形成电导率显著增加的导电通道，最终导致电击穿形成。
尽管正、负极性放电的起始机理不同，但是两种极性的放电最终都会导致局部电场的显著增强和大量带电粒子的产生。这些带电粒子在电场作用下向金属缺陷区域定向迁移，导致缺陷处的金属结构受到等离子体冲击而发生溅射，从而释放大量自由铝原子。因此，在金属尖刺火花放电时，可检测到较强的Al Ⅰ与Al Ⅱ发射线，这些发射线在深紫外和紫外波段的表现尤为突出。
3.2.2 自由金属颗粒缺陷火花放电反应机理分析
模拟自由金属颗粒缺陷的GIS微结构放电机理示意图如图10所示，可见自由金属颗粒缺陷火花放电在初期表现出与金属尖刺缺陷相似的特征。放电初始阶段，正电性金属颗粒周围形成离子云，负电性金属颗粒尖端发生场致电子发射，驱动火花通道的形成。然而，随着火花通道的形成，金属颗粒因受到库仑排斥力和热效应的作用，产生起跳位移，导致初始放电通道中断。放电通道的不连续性显著影响了放电的持续时间及能量，改变了其放电光谱表现。
图10 模拟自由金属颗粒缺陷的GIS微结构放电机理示意图
Fig.10 Discharge mechanism of GIS metallic microstructures: simulation of free metal particle defects
首先，更短的放电时长限制了SF6分子的解离程度，导致自由氟原子（F Ⅰ）生成量相对减少，使N Ⅱ和N Ⅰ发射线在整体光谱中的相对强度占比增加。
此外，金属颗粒的起跳行为显著地影响了Al元素的发射光谱特征。由于放电时间缩短且金属颗粒位移运动离开放电区域，铝的持续溅射过程被中断，导致Al Ⅰ发射线相对强度降低。然而，在放电的瞬间，金属颗粒表面经历了短暂且强烈的能量沉积，使铝原子能够瞬时跃迁至高能激发态，产生位于深紫外波段的Al Ⅱ发射线。
3.2.3 绝缘表面缺陷诱导火花放电反应机理分析
绝缘表面缺陷的火花放电呈现独特的特征：由于放电路径存在不确定性，可能会沿绝缘表面蔓延，形成爬电现象；也可能会部分脱离表面，在气体中进一步发展，形成复合放电模式。因此，在这种情况下，采集的发射谱线样本之间会存在更大的差异。
绝缘材料表面成分产生的特征谱线为此类缺陷的识别提供了有效的标识。在放电作用下，绝缘子材料中含有羟基化合物的环氧树脂分解并释放自由氢原子（H Ⅰ），使得在656 nm处形成强度显著的Ha线。一些绝缘子在生产中添加或掺杂的钠化合物（如Na2O等）在放电过程中将产生位于589～590 nm处的D双线。同时，绝缘表面缺陷放电在777 nm处检测到自由氧O Ⅰ的强发射线，而在金属尖刺和金属颗粒两种情况下，相应位置的谱线峰值出现在775 nm，对应F Ⅰ(3p(2
))(3s(2P3/2))发射线。
在高性能绝缘部件设计中，应考虑限制使用含大量羟基或钠的化合物，或采用保护涂层避免放电对绝缘表面的侵蚀。例如，可考虑涂覆氮化铝（AlN）涂层以隔离内部材料[44-45]，防止基体材料在放电等离子体的直接冲击下发生分解。此外，Ha线强度可作为评估设备内微水含量的有效指标，对判断设备绝缘状态具有参考价值。
本文采用了一种将理论光谱分析与人工智能算法相结合的方法，将关键特征谱线作为约束条件，通过多目标优化聚类算法确定最优诊断波段组合。在算法中引入以下限制条件：①所选波段必须包括330～365 nm，该范围包括N2第二正带系强发射线，是SF6/N2气体环境下尖端放电早期的重要特征指标；②所选波段必须包括655～658 nm，因其为H Ⅰ特征发射线，对绝缘表面缺陷具有显著的诊断价值；③排除300 nm以下的深紫外发射线，这是因为目前前端传感装置和后端SiPM探测器普遍对深紫外波段的响应性能不佳，不利于实际应用实施。
DBSCAN（density-based spatial clustering of applications with noise）聚类下的光谱峰值累积强度分布如图11所示。图11中，纵轴表示峰值的累计强度，横轴表示所选取峰值的索引位置序号。根据DBSCAN聚类结果，使用不同颜色标识不同的子簇编号，这些子簇将在后续作为多目标优化NSGA-Ⅱ（non-dominated sorting genetic algorithms-Ⅱ）算法的输入，进一步选择最具诊断价值的光谱波段，从而在复杂的光谱数据中找出具有区分度的波段组合。模型最终选择三个诊断波段，分别为330～400 nm、400～790 nm和810～945 nm。
图11 DBSCAN聚类下的光谱峰值累积强度分布
Fig.11 Sub-cluster ID distribution of spectral peak cumulative intensity based on DBSCAN algorithm
不同类别样本在三个特征波段积分强度空间的三维散点图及其对应各平面的二维投影如图12所示，该图呈现了不同类别样本在三个特征波段（330～400 nm、400～790 nm和810～945 nm）的积分强度分布。图12中，每个点代表一个样本，其三个坐标值分别对应该样本在三个波段范围内的光谱积分强度。不同类别的样本使用不同的颜色和标记进行区分，类别0为红色圆点，对应绝缘表面缺陷；类别1为绿色三角形，对应金属尖刺缺陷；类别2为蓝色方块，对应自由金属颗粒缺陷。
由图12可知，三个类别在特征空间中形成了各自独特的分布区域，展现出良好的空间分离性。2D投影图进一步揭示了不同类别样本在特征平面上的分布特性。图中，即使某些类别间的样本在某一投影面上发生重叠，它们在其他投影面上仍能得到有效地区分。这种清晰的类别分离趋势表明，所选取的三个特征波段能够有效地捕捉不同类别样本的光谱特征差异。在不同波段组合的投影中，每个类别均呈现双簇分布特征，这种现象可能与直流放电正负极特性相关，具体物理机制有待进一步研究。
图12 三种缺陷类型在优选诊断波段的特征空间分布
Fig.12 Feature space distribution of three defect types in the selected diagnostic bands
目前，研究人员普遍采用内置SiPM阵列的方法实现对GIS放电的多光谱检测。虽然SiPM具有在正常环境下长寿命工作且能够对光信号实现高增益的优势，但GIS内部工作环境严苛，现场GIS罐体内部温度可从-40～60℃变化，对SiPM的稳定性及使用寿命提出了严峻考验。此外，GIS的高电场环境既可能导致SiPM器件及其前端电路损坏，又可能会干扰其正常工作状态，产生更大的背景噪声，影响检测灵敏度。布置于GIS内的SiPM受母线导体与复杂结构遮挡，难以实现对GIS内部空间的全覆盖，导致某些区域的放电信号无法被有效检测。
因此，有必要采用电场屏蔽与隔离措施，并结合一种广域光子采集元件取代SiPM实现对GIS内部放电光信号的采集。本文设计并采用微结构侧发光光纤作为传感元件，光纤结构设计与材料选型见表1。
表1 光纤材料选型与工艺参数[46-47]
Tab.1 Material selection and process parameters of optical fiber[46-47]
结构材料选型特性与功能 基底低OH含量石英（SiO2）避免紫外波段光子传输损耗 包层SiO2基质掺氟（F），理想F掺杂质量分数：3.5%提高光纤的数值孔径，增强光束缚能力 纤芯SiO2掺锗（GeO2），GeO2目标质量分数：6%提高折射率和光纤带宽，增强光谱传输性能 微结构散射体Al2O3实验级纳米颗粒，平均直径20 nm提高紫外光侧向入射的散射效率
微结构侧发光光纤的工作原理示意图如图13所示。这种光纤具有与荧光光纤相似的光信号传输特性，能够在其整个光纤外表面接收光信号，实现对GIS内部放电信号的广域采集。其可弯曲的柔性结构也能适应GIS内部复杂的布局。与荧光光纤不同的是，微结构侧发光光纤通过纳米颗粒在光纤纤芯中产生的瑞利散射机制，将外部光线导入纤芯，并在光纤内部双向传播，进而捕捉放电所产生的光信号，具有使用灵活、响应更快的优势。与此同时，纳米颗粒引起的散射过程仅改变光的空间分布特性，在实现光信号的侧向输出的同时保留了原始光谱信息。由于侧光光纤无需依赖荧光激发产生光信号，因此避免了荧光材料反复激发导致的退化问题，具备更高的耐久性和稳定性，随着各类单光子探测器性能的持续提升，该方案未来有望在电力设备状态监测领域得到应用。
图13 微结构侧发光光纤的工作原理示意图
Fig.13 Schematic diagram of working principle for microstructured side-coupling optical fiber
基于侧发光光纤的GIS内绝缘在线监测系统设计如图14所示。系统通过微结构侧发光光纤进行光子信号采集，随后通过光纤束穿过真空接口，采集到的光子信号被均匀分配到光纤束分支，并经过长波段胶合式滤光片进行波段筛选，筛选后的光信号被投射至SiPM表面进行增益，再通过高速数据采集卡传输至计算机进行实时数据处理与分析。最终，系统通过整合三个波段的强度信息，实现对GIS内部绝缘状态的诊断。该检测手段能够克服传统SiPM阵列在GIS环境中面临的高温影响和电场干扰问题，还可通过光纤的布置实现对GIS内部更全面的覆盖。
图14 基于侧发光光纤的GIS内绝缘在线监测系统设计
Fig.14 Design of online insulation monitoring system in GIS based on side-emitting optical fiber
传感器样机性能验证试验用电源系统如图15所示。为模拟真实工程中GIS的高电压环境，更好地反映不同缺陷类型下的放电特征，本文在样机验证试验中采用大功率高压直流电源进行火花放电试验。电源最高试验电压达到1 200 kV，额定功率为60 kW。
图15 传感器样机性能验证试验用电源系统
Fig.15 Power supply for sensor prototype verification
在电气设备运行情况下，击穿过程可能在瞬间完成，如果等到击穿发生时再进行预警，系统难以进行有效的应对。通过掌握临界状态前的光谱变化特征，能够在实际击穿发生前及时发出预警信号，为实施后续保护措施预留充足的时间。因此，本文将传感器样机的检测重点转向闪络形成前的临界状态，通过捕捉关键光谱特征，实现早期预警和缺陷诊断。试验中，首先通过控制电极间距确定三种缺陷的临界击穿电压；然后测量临界击穿电压下三种缺陷的辐射信号；最后分别随机抽取各种缺陷下的5 000个样本数据（正、负极性下各2 500组）进行分析。
图16展示了三类典型缺陷在临界击穿状态下采集卡的输出信号。绝缘表面缺陷与金属尖刺的临界击穿状态主要表现为稳定的电晕放电，呈现为频率较高的窄脉冲信号，但与金属尖刺相比，绝缘表面缺陷放电形成的脉冲信号更加简洁明晰。自由金属颗粒缺陷的放电特征则明显不同，表现为强度更大、频率更低的脉冲式放电。这种特征与金属颗粒在放电过程中的电荷积累和起跳运动有关（金属颗粒放电起跳的具体表现形式见文献[48]）。其光信号呈现与前两种缺陷一致的垂直上升沿，但与前两种缺陷不同的是，信号存在指数衰减特性的下降沿。由于金属颗粒的表面结构微小，在发生脉冲放电前，其放电信号较弱。与金属尖刺放电相比，绝缘表面缺陷和自由金属颗粒缺陷在放电情况下，400～790 nm波段光信号强度占比更大。
图16 三类典型缺陷临界击穿状态下放电多光谱信号
Fig.16 Multi-spectral discharge signals of three typical defects under critical breakdown condition
虽然基于光电探测的传感器只能诊断选定光谱的辐射强度，在光谱波长分辨率上无法与高精度光谱仪相比，但该检测装置输出的多光谱数据具有更高的灵敏度和时间分辨率。通过将时域分析与三波段辐射强度信号分析相结合，可提取不同缺陷类型的特征信息，实现对放电过程的诊断和分类。
本文采用的可解释人工智能算法不仅具有解释决策过程的功能，同时也因为引入卷积层提升了其特征辨识能力。基于前述多光谱传感器采集的放电信号，本文将算法用于放电过程的分类与诊断。为确保模型的可靠性和泛化能力，按照70%、15%和15%的比例将15 000组各类缺陷样本随机分为训练集、验证集和测试集。三类火花放电传感器信号的混淆矩阵如图17所示。混淆矩阵结果显示，绝大多数故障类型被有效地识别，仅类别0与类别1之间存在少数误分类情况。模型在测试集上实现了98%的整体识别准确率。
图17 三类缺陷火花放电事件归一化发射光谱信号的混淆矩阵
Fig.17 Confusion matrix for normalized emission spectral signals of three types of defect-induced spark discharge events
本文针对SF6/N2（3
7）混合气体工况下GIS的局部放电损伤问题，构建基于可解释人工智能的多目标优化光谱解析模型，开展对不同缺陷放电光谱的机理分析。研究发现，放电过程中电子与分子单次碰撞的最大转移能超过16 eV，该能量值对应约1.24×104 K温度下的分子热运动动能，引发了一系列反应。首先，SF6气体大量解离，其绝缘强度降低。气体解离产物具有高反应活性，可能与绝缘材料中的成分发生反应，破坏绝缘层化学结构。高能电子冲击将导致绝缘材料中的羟基（X—OH）等含水成分发生分解，形成Ha特征谱线。同时，Al金属缺陷表面易发生溅射并电离，释放自由电子，加速设备故障。
基于光谱分析结论进行多目标优化，本文设计了采用微结构侧发光光纤传感元件的多光谱监测装置。传感装置样机在实验室条件下达到了98%的分类准确率。这一结果表明，结合微结构侧发光光纤传感技术与光谱分析的监测方法对于SF6/N2混合气体环境中的局部放电缺陷具有一定的诊断潜力。本文从光谱解析、波段选择到传感器设计和验证构建了一个完整的工作流，探索了GIS在SF6/N2混合气体环境下局部放电故障的诊断方法，可为相关领域的研究工作提供参考思路。
基于本文的成果，未来可以进行GIS关键部件的改进研究，包括绝缘子材料的优化及金属部件的保护与材料优化。同时，可提升光谱检测灵敏度，研究分子光谱特征，以获取更全面的放电信息。在本文基础上，可进一步研发适用于复杂现场环境的高灵敏度多光谱在线监测系统。
参考文献
[1] 周勤勇. 多直流馈入受端电网直流受电规模研究[D]. 济南: 山东大学, 2015.
Zhou Qinyong. Studies on maximum multi-infeed HVDCs’ capacity to receiving end powor grid[D]. Jinan: Shandong University, 2015.
[2] 戴志辉, 张程, 刘宁宁, 等. 特高压直流线路保护原理及动作策略分析[J]. 电力系统自动化, 2019, 43(21): 1-11.
Dai Zhihui, Zhang Cheng, Liu Ningning, et al. Analysis of UHVDC line protection principle and operation strategy[J]. Automation of Electric Power Systems, 2019, 43(21): 1-11.
[3] 孙鹏程, 王帮田, 洪文芳, 等. SF6/N2混合气体绝缘特性的实验研究[J]. 中国电力, 2012, 45(12): 71-75.
Sun Pengcheng, Wang Bangtian, Hong Wenfang, et al. Experimental studies on electrical insulation performances of SF6/N2 gas mixtures[J]. Electric Power, 2012, 45(12): 71-75.
[4] 赵彦杰, 陈丽安, 袁传镇. 252 kV GIS用SF6/N2混合气体局放特性研究[J]. 高压电器, 2023, 59(9): 169-175, 183.
Zhao Yanjie, Chen Li’an, Yuan Chuanzhen. Research on partial discharge characteristics of SF6/N2 gas mixture in 252 kV GIS[J]. High Voltage Apparatus, 2023, 59(9): 169-175, 183.
[5] 王艳新, 闫静, 王建华, 等. 基于多级二阶注意力孪生网络的小样本GIS局部放电诊断方法[J]. 电工技术学报, 2023, 38(8): 2255-2264.
Wang Yanxin, Yan Jing, Wang Jianhua, et al. Few-shot partial discharge diagnosis for gas-insulated switchgear using a novel multi-level second-order attention Siamese network[J]. Transactions of China Electrotechnical Society, 2023, 38(8): 2255-2264.
[6] 张国治, 田晗绿, 张磊, 等. 具备局部放电超声波感知功能的PZT基特高频传感技术[J]. 电工技术学报, 2024, 39(19): 6215-6227.
Zhang Guozhi, Tian Hanlü, Zhang Lei, et al. Research on PZT-based ultrasonic-ultra high frequency composite partial discharge sensing technology[J]. Transactions of China Electrotechnical Society, 2024, 39(19): 6215-6227.
[7] 李泽, 钱勇, 刘伟, 等. GIS局部放电光信号检测技术及光学图像诊断方法[J]. 电工技术学报, 2025, 40(1): 253-263.
Li Ze, Qian Yong, Liu Wei, et al. Optical signal detection technology and optical image diagnostic method of partial discharge in GIS[J]. Transactions of China Electrotechnical Society, 2025, 40(1): 253-263.
[8] 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. Spectros- copy analysis of emission spectrum characteristics and discharge recognition of SF6 gas discharge[J]. Transactions of China Electrotechnical Society, 2022, 37(7): 1866-1874.
[9] 李红月. SF6/Ar及SF6/N2混合气体脉冲放电等离子体的光谱研究[D]. 大连: 大连理工大学, 2019.
Li Hongyue. Spectroscopic study on pulsed discharge plasma of SF6/Ar and SF6/N2 mixed gases[D]. Dalian: Dalian University of Technology, 2019.
[10] Sasamoto R, Matsumoto T, Orii H, et al. Quantitative visualization of gas temperature distribution in atmosp- heric DC glow corona by spectral image processing [C]//2016 IEEE Conference on Electrical Insulation and Dielectric Phenomena (CEIDP), Toronto, ON, Canada, 2016: 203-206.
[11] Wang Taiqi, Cheng Yongkang, Xu Chao, et al. Spatial spectral characteristics of partial discharge with different electrode models[J]. Photonics, 2023, 10(7): 788.
[12] Zhang Wanxia, Xia Lingzhi, Sun Hao, et al. On the distribution of 
and N2 bands in ionization region of positive DC corona discharge[C]//Proceedings of the 4th International Symposium on Plasma and Energy Conversion, Singapore, 2023: 352-365.
[13] 曾鑫, 张帅, 白晗, 等. 基于原子光谱Stark展宽高压放电等离子体电子密度计算[J]. 中国电机工程学报, 2024, 44(11): 4579-4589.
Zeng Xin, Zhang Shuai, Bai Han, et al. Method for calculating plasma electron density based on stark broadening of atomic spectrum[J]. Proceedings of the CSEE, 2024, 44(11): 4579-4589.
[14] Fatima H, Ullah M U, Ahmad S, et al. Spectroscopic evaluation of vibrational temperature and electron density in reduced pressure radio frequency nitrogen plasma[J]. SN Applied Sciences, 2021, 3(6): 646.
[15] 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.
[16] Zhang Xiaoxing, Liu Heng, Ren Jiangbo, et al. Fourier transform infrared spectroscopy quantitative analysis of SF6 partial discharge decomposition components[J].Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2015, 136: 884-889.
[17] Zhao Yu, Wang Xianpei, Dai Dangdang, et al. Partial discharge early-warning through ultraviolet spectroscopic detection of SO2[J]. Measurement Science and Techno- logy, 2014, 25(3): 035002.
[18] Shcherbanev S A, Nadinov I U, Auvray P, et al. Emission spectroscopy of partial discharges in air- filled voids in unfilled epoxy[J]. IEEE Transactions on Plasma Science, 2016, 44(7): 1219-1227.
[19] 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 Trans- actions on Power Delivery, 2021, 36(2): 1237-1240.
[20] Xia Changjie, Ren Ming, Chen Rongfa, et al. Multispectral optical partial discharge detection, recognition, and assessment[J]. IEEE Transactions on Instrumentation Measurement, 2022, 71: 3162284.
[21] 任明, 王玥, 关浩斌, 等. 沿面放电光脉冲发展特征与临界击穿判据研究[J]. 中国电机工程学报, 2024, 44(10): 4123-4134.
Ren Ming, Wang Yue, Guan Haobin, et al. Develop- ment characteristics and critical breakdown criterion of surface discharge light pulse[J]. Proceedings of the CSEE, 2024, 44(10): 4123-4134.
[22] Nazir M T, Phung B T, Hoffman M. Performance of silicone rubber composites with SiO2 micro/nano-filler under AC corona discharge[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2016, 23(5): 2804-2815.
[23] Li Yao, Li Sisi, Feng Yi, et al. Fast breakdown process and characteristics diagnosis of nanosecond pin-pin discharge[J]. Journal of Physics D: Applied Physics, 2024, 57(22): 225201.
[24] Yoshida S, Kojima H, Hayakawa N, et al. Light emission spectrum depending on propagation of partial discharge in SF6[C]//Conference Record of the 2008 IEEE International Symposium on Electrical Insulation, Vancouver, BC, Canada, 2008: 365-368.
[25] Barredo Arrieta A, Díaz-Rodríguez N, Del Ser J, et al. Explainable artificial intelligence (XAI): concepts, taxonomies, opportunities and challenges toward respon- sible AI[J]. Information Fusion, 2020, 58: 82-115.
[26] Bai Xiao, Wang Xiang, Liu Xianglong, et al. Explai- nable deep learning for efficient and robust pattern recognition: a survey of recent developments[J]. Pattern Recognition, 2021, 120: 108102.
[27] 王小君, 窦嘉铭, 刘曌, 等. 可解释人工智能在电力系统中的应用综述与展望[J]. 电力系统自动化, 2024, 48(4): 169-191.
Wang Xiaojun, Dou Jiaming, Liu Zhao, et al. Review and prospect of explainable artificial intelligence and its application in power systems[J]. Automation of Electric Power Systems, 2024, 48(4): 169-191.
[28] 刘煦阳, 段潮舒, 蔡文生, 等. 可解释深度学习在光谱和医学影像分析中的应用[J]. 化学进展, 2022, 34(12): 2561-2572.
Liu Xuyang, Duan Chaoshu, Cai Wensheng, et al. Explainable deep learning in spectral and medical imageanalysis[J]. Progress in Chemistry, 2022, 34(12): 2561- 2572.
[29] 卓然. 气体绝缘电器局部放电联合检测的特征优化与故障诊断技术[D]. 重庆: 重庆大学, 2014.
Zhuo Ran. Feature optimization and fault diagnosisof GIS based on combined detection[D]. Chongqing: Chongqing University, 2014.
[30] Feng Yuning. Spectral analysis and critical flashover defect identification of DC spark discharge in SF6/N2 gas based on XAI-complete mathematical description of algorithms and data analysis presentation[DB/OL]. [2024-09-30]. https://osf.io/5x9vz/.
[31] National Institute of Standards and Technology. Atomic spectra database lines form[DB/OL]. [2024-09-30]. https://physics.nist.gov/PhysRefData/ASD/lines_ form. html.
[32] National Institute of Standards and Technology. Strong lines of fluorine (F)[DB/OL]. [2024-09-30]. https://physics.nist.gov/PhysRefData/Handbook/Tables/fluorinetable2.htm.
[33] Sieck L W, Ausloos P J. The ionization energy of SF5and the SF5-F bond dissociation energy[J]. The Journal of Chemical Physics, 1990, 93(11): 8374-8378.
[34] Joshi S, Barden S, Mayer P M. Anionic reactions degrading SF6 using metals: insights from the gas phase [J]. Rapid Communications in Mass Spectrometry, 2025, 39(3): e9948.
[35] National Institute of Standards and Technology. Strong lines of sulfur (S)[DB/OL]. [2024-09-30]. https:// physics.nist.gov/PhysRefData/Handbook/Tables/sulfurtable2_a.htm.
[36] National Institute of Standards and Technology. Nitrogen (N2)[DB/OL]. [2024-09-30]. https://webbook. nist.gov/cgi/cbook.cgi?ID=7727-37-9.
[37] National Institute of Standards and Technology. Nitrogen neutral atom data[DB/OL]. [2024-09-30]. https://physics.nist.gov/PhysRefData/Handbook/Tables/nitrogentable2_a.htm.
[38] Chou S, Lo J, Peng Y, et al. Emission spectra of atomic and molecular nitrogen from photolysis of ammonia in solid neon[J]. AIP Advances, 2019, 9(5).
[39] National Institute of Standards and Technology. Energy levels of neutral aluminum (Al Ⅰ)[DB/OL]. [2024-09-30]. https://www.physics.nist.gov/PhysRefData/Hand book/Tables/aluminumtable2_a.htm.
[40] Zhang Xiaoxing, Wu Yunjian, Chen Xiaoyu, et al. Theoretical study on decomposition mechanism of insulating epoxy resin cured by anhydride[J]. Polymers, 2017, 9(8): 341.
[41] Karthikeyan L, Desakumaran D, Mol P B S, et al. Non-isothermal cure and decomposition kinetics of hydroxyl and propargyl functional poly (ether ether ketone): epoxy resins[J]. Journal of Thermal Analysis and Calorimetry, 2022, 147(12): 6793-6805.
[42] Steinberg M, Schofield K. A reevaluation of the vaporization behavior of sodium oxide and the bond strengths of NaO and Na2O: Implications for the mass spectrometric analyses of alkali/oxygen systems[J]. The Journal of Chemical Physics, 1991, 94(5): 3901-3907.
[43] Li Zhibing, Deng Shaozhi, Xu Ningsheng. Mechanism of field electron emission from carbon nanotubes[J]. Frontiers of Physics in China, 2006, 1(3): 305-316.
[44] Doolittle W A, Matthews C M, Ahmad H, et al. Prospectives for AlN electronics and optoelectronics and the important role of alternative synthesis[J]. Applied Physics Letters, 2023, 123(7): 070501.
[45] Cunha C L A, Pimenta T C, Amorim Fraga M. Development and applications of aluminum nitride thin film technology[M]//Yang Dongfang. Thin Films: Deposition Methods and Applications. London: IntechOpen, 2023.
[46] 钱新伟, 涂峰, 刘德明, 等. 掺杂对光纤紫外传输性能的影响[J]. 光子学报, 2010, 39(2): 247-250.
Qian Xinwei, Tu Feng, Liu Deming, et al. Study of doping influence the fiber’s UV transmission perfor- mance[J]. Acta Photonica Sinica, 2010, 39(2): 247-250.
[47] 陈光辉. 掺杂二氧化硅玻璃光敏性及光纤光栅器件研究[D]. 上海: 复旦大学, 2005.
[48] 许渊. 运行中GIS绝缘子表面金属颗粒诱发放电研究[D]. 北京: 华北电力大学, 2020.
Xu Yuan. Investigation on mechanism of metallic particle induced flashover of GIS insulators in operation condition[D]. Beijing: North China Electric Power University, 2020.
Abstract Currently, gas-insulated switchgear (GIS) employing an SF6/N2 gas mixture with a volume ratio of 37 is considered a highly viable technical solution. This is attributed to its optimal balance among dielectric performance, cost-effectiveness, and environmental impact. To further reveal the microscopic physicochemical reaction mechanisms during discharge and improve both insulation design and fault detection strategies, this study investigates the spectral characteristics of spark discharges in SF6/N2 (37) mixed gas environment under direct current voltage.
Initially, experimental platforms simulating partial discharges were established within a sealed chamber containing SF6/N2 (37) mixed gas at 0.6 MPa. The test specimens consisted of scaled electrode models representing insulator surface contamination, conductor protrusion, and floating metallic particles, and were constructed using materials analogous to those found in actual GIS components. The study employed the QE65 Pro high-resolution spectrometer from Ocean Optics with synchronized triggering to capture instantaneous discharge spectra during spark events, while a Lumina series UV-visible imaging system simultaneously recorded the visible discharge process.
Subsequently, this research developed an integrated analytical framework combining quantum optical analysis with artificial intelligence-based data processing. An explainable AI model was designed that identifies key spectral features characterizing different spark discharge types. These features were then visualized through attention heatmaps, assisting experts in interpreting discharge mechanisms based on quantum optical principles. This approach addresses limitations in deep learning models where decision basis lacks interpretability, enabling researchers to identify subtle spectral features that may not be directly perceptible to the human eye.
Moreover, building upon the identified spectral features, an investigation of reaction mechanisms was conducted. The energy-level transitions of key elements were mapped and correlated with discharge conditions. This analysis revealed several critical physicochemical processes: the decomposition of SF6 into reactive fragments, nitrogen excitation pathways, electrode materials’ metal surface sputtering effects, and the decomposition processes of hydroxides and sodium compounds on insulation surfaces. And the influence of these reactions on discharge development was analyzed. Studies of maximum energy transfer thresholds provided insights into discharge-induced damage mechanisms and material tolerance limits. These findings support the development of optimized insulation solutions with enhanced discharge withstand capabilities.
Based on spectral lines identified through theoretical and database analyses, a multi-objective optimization algorithm was employed to select optimal diagnostic bands for defect type identification. Using these optimized spectral bands, we designed and constructed a novel multi-spectral sensor prototype incorporating micro- structured side-emitting optical fiber sensing elements. We validated the sensor’s performance using high-power sources that simulated critical flashover conditions, achieving over 98% accuracy in distinguishing between three typical GIS defect types.
This research has established a workflow that organically combines artificial intelligence with human analysis. The approach can guide GIS insulation design optimization, fault prevention, and operational maintenance. Based on these findings, future work can simultaneously advance the optimization of key insulation components, such as insulator materials and protective measures for metallic parts, and develop high-sensitivity multi-spectral online monitoring systems suitable for practical and complex GIS field environments.
keywords：Partial discharge, spectral analysis, energy level transition, multi-objective optimization, explainable artificial intelligence (XAI), micro-structured side-emitting optical fiber
DOI: 10.19595/j.cnki.1000-6753.tces.241857
中图分类号：TM85
辽宁省教育厅基本科研项目资助（LJKMZ20220472）。
收稿日期 2024-10-21
改稿日期 2025-03-27
冯宇宁 男，1993年生，博士研究生，助理工程师，研究方向为局部放电光学光子检测及多物理场耦合仿真技术在电器领域的应用。E-mail: 13291149113@163.com
蔡志远 男，1962年生，博士，教授，研究方向为智能电器、电气设备在线监测和故障诊断。E-mail: mashcaizy@hotmail.com（通信作者）
（编辑 李 冰）