使用组合神经网络的电容器模型局部放电模式识别研究
虞苍璧 高胜友 李福棋 谈克雄
(清华大学电机系，北京 100084)
摘 要:设计了5种反映电力电容器中局部放电现象的典型模型，使用研制的局部放电声发射信号数字化检测装置采集了模型放电声信号的大批数据。气隙放电信号的持续时间较短。易与其它类型放电区分开。依据信号时域和频域图形。油隙放电与油纸沿面放电的特性较接近。而油纸绝缘中金属杂质放电则与套管表面放电相近使用组合神经网络来识别5种典型放电模式。结果表明，组合神经网络是有效的。可根据声信号特征来识别电力电容器的局部放电模式。
关键词：电力电容器 ；局部放电；声发射；组合神经网络
前 言
电力电容器局部放电的模式识别，对于分析绝缘状况、判断故障类型或部位、改进电容器设计及工艺。具有重要意义。由于设备的电容量大，对电容器的局部放电检测，电测法的应用有困难，有时甚至无法实现。检测放电的声发射信号，不受设备电容量的限制，抗电磁干扰的能力也较强，且便于局部放电定位，因此声测法常用于电力电容器的局部放电检测[1]。
通过电容器生产现场和实验室内的局部放电测试，发现放电声信号大致可区分成两大类，它们的波形持续时间明显有别。为此，根据电容器中可能出现的局部放电形式，设计了5种典型放电模型，检测了一批放电声信号，探索这5种局部放电声信号的波形特点。气隙放电声信号的持续时间极短，易于与其它放电类型区分开。对其它4种放电类型，采用单神经网络和组合神经网络进行局部放电模式识别。结果表明，根据声信号的波形特点，对电力电容器进行局部放电模式识别是可行的，组合神经网络的方法更为可靠、有效。
1 局部放电声信号
使用研制的局部放电微机化声发射检测装置[2]来采集局部放电声信号。装置包括超声传感器、前置放大器、预处理单元、数据采集卡和工控机。传感器吸附在试验模型的钢板外壳上，捕获的局部放电声信号经放大、处理、采样，数据保存在工控机中，可作进一步的分析和提取信号特征。采集放电声信号的采样率为10MHz，长度为512k个数据点。在检测声信号的同时观察局部放电的电信号，以作参考。
设计和制作的5种典型放电模型分别反映了如下的局部放电形式:(a)气隙放电;(b)油隙放电;[c]油纸沿面放电;(d)油纸绝缘中悬浮电位金属杂质放电;(e)套管表面放电。本文以下用字母 a-e分别代表5种放电类型。图1代表性地给出5种类型局部放电声信号的时域波形和频域图形 根据信号波形，模型局部放电声信号主要可以分为两类。
第一类包括气隙、油隙和油纸沿面放电，信号如图2 (a,b,c)所示。特点为:波形持续时间较短，一般不超过2m,，气隙放电的甚至只有几μS;幅值比较大 一般在 200mV以上;波形上升比较快.下降比较慢，呈衰减振荡波形;频谱能量相对集中在频率较高的范围。
第二类包括悬浮电位金属杂质和套管表面放电，信号如图2 (d,e)所示。特点为:波形持续时问较长一般为6--8ms;幅值相对较低 一般在300mV以下;波形上升时间和下降时问基本上相等，大概各占整个波形一般;频谱能量相对集中在频率较低的范围。
