瓷支柱絕緣子主要用于變電站隔離開關和母線的支撐、固定和絕緣,在實際應用中,若絕緣子出現故障卻不能被及時發現,將會造成巨大的經濟損失。目前瓷支柱絕緣子故障診斷方法有紅外測溫檢測、超聲波檢測和振動聲學檢測。
紅外測溫檢測只能通過絕緣子表面溫度判斷絕緣子有無缺陷,無法探測絕緣子內部初期缺陷。超聲波檢測只能用于非帶電檢測。振動聲學檢測方式可以兼顧瓷支柱絕緣子內外缺陷檢測和帶電檢測,具有明顯的優勢。因此,加強對瓷支柱絕緣子振動信號的研究,提前發現初期缺陷,對變電站運行的可靠性及加強電力系統的穩定性具有重要意義。
造成瓷支柱絕緣子故障的原因很多。從內部結構分析,主要是生產制造工藝不合格,如法蘭盤與瓷體之間膠狀水泥的不均勻性和生產過程中氣孔的產生。從外部因素分析,主要是受外部作用力(如風載荷)的影響。通常將瓷支柱絕緣子故障歸為絕緣子上端故障和絕緣子下端故障兩種。
有學者提出了對瓷支柱絕緣子振動信號進行小波包分解,對各節點能量進行提取分析的方法,利用瓷支柱絕緣子故障發生前后各小波節點能量的差異實現絕緣子故障判別。有學者采用基于統計分布特征的方法,以一定數量瓷支柱絕緣子檢測數據的頻率為基礎直接建立絕緣子的評判標準,證明了振動信號分析的有效性。
這些診斷方法仍存在一定的不足,例如,小波包分解求節點能量這一方法只能區分絕緣子的正常和故障狀態,無法判斷故障位置;而基于統計分布特征的方法主要是通過分析不同狀態下瓷支柱絕緣子功率譜密度圖的頻率區間來判斷,因區間范圍較寬,故受主觀因素影響較大,容易產生絕緣子錯檢和漏檢。
云南電網電力科學研究院、華北電力大學云南電網公司研究生工作站、華北電力大學河北省電力機械裝備健康維護與失效預防重點實驗室的研究人員焦宗寒、邵鑫明等,將振動信號頻譜與高斯混合模型(Gaussian mixture model, GMM)相結合,提出一種應用于瓷支柱絕緣子來提取振動信號特征的新方法,利用粒子群算法(particle swarm optimization, PSO)優化后的極限學習機(extreme learning machine, ELM)實現故障狀態識別與分類。針對瓷支柱絕緣子現場數據分析,該方法能快速有效地提取瓷支柱絕緣子的特征向量并能正確地進行狀態識別和分類,診斷效果較好。
圖1 基于振動信號頻譜高斯混合模型的絕緣子診斷流程
圖2 現場瓷支柱絕緣子信號采集
研究人員將高斯混合模型中的權重系數和標準差作為用于分類的有效特征值輸入PSO-ELM模型中進行狀態分類及識別,得出以下結論:
1)通過分析振動信號的特點,將基于概率統計的高斯混合模型與信號頻域相結合的方法首次用在瓷支柱絕緣子振動信號分析中,有效提取了瓷支柱絕緣子在三種狀態下的特征值。
2)對于故障分類,采用了粒子群優化的極限學習機模型,與未優化的分類模型相比較,PSO-ELM分類模型具有更高的穩定性與識別準確率。
3)本算法能快速有效地提取瓷支柱絕緣子各狀態振動信號的特征值并能正確地進行狀態識別和分類,獲得了較好的診斷效果,為瓷支柱絕緣子基于振動信號的故障診斷提供了較為實用的解決方案。
本文編自2021年第6期《電氣技術》,論文標題為“基于振動信號頻譜高斯混合模型的瓷支柱絕緣子故障診斷”,作者為焦宗寒、邵鑫明、鄭欣、劉榮海。