（广东电网责任有限公司汕头供电局 广东汕头 515800）
摘要：随着我国社会经济的不断发展与进步，科学技术的发展也在突飞猛进。各行各业在发展过程中也逐渐增加了对电能的需求，在此基础上向电力系统提出了更高的标准和要求，它的性能和安全性也已经成为人们关注的焦点和讨论的热点。在目前电力供应紧张的形势下，电力设备状态参量规模在逐渐上升，电力设备状态数据较为复杂。对于传统的诊断方法已经无法满足大规模数据处理的效率，无法保障诊断结果的准确性。因此，本文对以大数据挖掘为核心的电力设备局部放电诊断进行了深入性的探究。
关键词：大数据；电力设备；局部放电诊断
由于电气设备的性能比较特殊、结构比较复杂，所以无法对故障进行及时的诊断和维修，加剧了电力行业的竞争力。传统诊断方法对大规模的数据进行处理看，容易存在很多的问题，对电气设备的安全性和稳定性造成了一定的影响。随着科学技术的不断发展，本次研究以以大数据挖掘为核心对电力设备局部放电诊断方法进行研究，为局部放电诊断结果提供有力的依据。
一、基于大数据分析挖掘技术的电力设备局部放电诊断方法
（一）、谱图生成
通过采用IEC61850 通信协议在很大程度上实现了对电力设备局部放电信息的有效传输，局部放电信息所包括的内容非常多：放大量、放电类型、放电次数等。将单位时间用1s进行表示，将电力设备局部放电的工频周期波形图、二维谱图以及三维谱图进行有效的绘制。谱图的生成主要通过以下几个步骤：
第一，利用二维数组将已经处理过的信号进行存放，本次研究的数组的三个列向量分别表示为相位区间、幅值区间与次数。
第二，通过二维数组可以直接得到三 PＲPS谱图，在三维图中，X、Y、Z 与数组上的三个列向量进行对应。
第三，利用PＲPS 谱图可以直接获取到PＲPS 谱图。具体的实施方法为：采用一个三维的数组将PＲPS数据进行准确的存储，并向其标记为APRPS.png)
qn。其中，.png)
主要是对放电的相位进行描述，.png)
∈［0，99 ］；q 主要是对放电强度进行描述，q ∈［0，99 ］；n主要是对放电的周波序号进行描述，n∈［1，50］。则有：
.png)
（1）
对统计PRPD 的q坐标值时，可以直接由以上的相关数据获取成一个N-P谱图，具体的公式描述如下：
.png)
（2）
对PRPD中的 坐标中的最大值进行统计的过程中，可以直接获取Q-P的最佳谱图，具体公式表示为：
.png)
（3）
该式中，.png)
主要表示为最大的放大强度。
（二）、电力设备局部放电特征提取
在诊断电力设备局部放电之前，一定要先对进行诊断前，首先提取电力设备局部放电特征，主要包括以下几个特征：
一、对第一象限的放电集中度进行计算，也就是从 0° ～ 90°相位域范围放电脉冲的比值。
二、第一和第二象限不对称度也就是第一象限与第二象限间集中度的差值。先通过式（5）求出第二象限也就是 90° ～ 180°相位域范围放电脉冲的比值。
三、对相位区域平均值进行计算，即各个相位区间的脉冲数和相位值相乘并累计求和后与总脉冲数的比值。
四、对第三象限的放电集中度进行计算，也就是 180°～270°相位域范围放电的脉冲
的比值。（三）、电力设备局部放电诊断
根据局部放电的特征对局部放电情况进行诊断。目前最常采用的一种方法就是模糊聚类法，可以有效对聚类的问题进行解决，通过优化迭代对电力设备局部放电特征的样本进行划分，划分成若干分，并且还要获取相对应的聚类中心，具体的步骤为：
（一）采集相应的聚类指标集，获取相应的特征参数。
（二）获取相应的数据之后，设.png)
，表示为由M个信号的样本组合而成的一种集合，从而构架样本的一种矩阵，同时还可以对其采用标准化的方式进行处理，确保.png)
处在[0，1]区间中。
.png)
（1）
用.png)
描述第.png)
类的聚类原型矢量，其中z表示为划分的类数，且z的范围为 2≤z≤M，采用式（1）对起相关的目标函数进行全面的描述：
.png)
（2）
公示中的.png)
表示为：加权指数，.png)
表示为：样本的向量.png)
与.png)
类的聚类类型.png)
之间的具体距离，其具体的公示设为：
.png)
（3）
（三）将聚类类型数设定为z，在对聚类原型D进行初始化处理之后，通过将式（4）与式（5）取最优的模糊分类矩阵、聚类中心，根据相关得到相应的最优模糊分类矩阵，之后在将所得到的信号设为 z 类，再结合局部放电的具体特征情况加以进行全面的诊断。
.png)
（4）
.png)
（5）
二、电力设备局部放电诊断实例
（一）、实验数据
本次研究以某电网企业的500 kV电力设备的监测数据做研究的主要数据，并对该设备的局部放电情况进行全面的诊断。通过该电力设备中的铁芯、夹件高频局部放电监测中的数据得到局部的放电量[1]。
此次研究的电力设备主要包括A柱、X柱。
不一样的检测点，局部的放电时间和相关的数据也不一样，具体数据见表1，在实验的过程中根据检测点选取相应的局部放电数据。
表1 不同检测点局部放电时间及数据
.png)
（二）、电力设备局部放电诊断
通过对某日期三周之内的数据进行整理，并建立一个完善的，具有绝缘性能的特征序列，可以获取最佳的特征值圆环，具体内容见图1。特征值圆环中的绿色圆环表示为：局部放电的最小值，红色圆环表示为：局部放电的最大值，其蓝色的波点表示为局部放电的主要表现形式，特征值圆环中的表现形式越多，说明局部的放电情况越明显。
.png)
图1 局部放电特征值圆环比较
通过对图1中的情况分析可知得出，时间的不断延长，局部的放电情况就越发的恶劣，相比第一周、第二周，第三周局部放电的表现情况越多，明显看出绿色圆环明显高于第一周、第二周的绿色圆环，这样就可以这说明，第三周的局部放电情况相对非常的严重，而且还存在明显的异常现象[2]。
通过对本次研究的电力设备的相关工作记录查阅发现，在9月的某天电力设备线路在1. 9 km的位置上受到外界因素的冲击，导致单相接地出现严重的安全故障，阻碍了系统的运行，但是在0. 4 s后合闸。在11月的某天对电力设备开展局部放电停电的实验，在实验中发现存在非常的放电现象。通过对以上的相关记录分析可知，电力设备的周围如果出现严重的接地障碍，就会对大电流产生极大的冲击力，并且还会对电力设备的内部造成一定的影响，造成其出现严重的绝缘劣化现象，易出现严重的局部放电现象。
对电力设备局部放电进行诊断的过程中，一般都是采用AＲMA、HMM这两种方法，因为油中的气体与油温、局部放电采样频率、时间都存在一定程度上的差异性，所以只有采用有效的方法对其信号进行处理才可以获取每天最佳的标准值。
通过分别采用本文方法、AＲMA、HMM 法进行诊断，其诊断结果分别为：9/21，17：31局部放电异常；9/23局部放电异常、9/28局部放电异常。通过对诊断结果进行分析可知本文方法诊断的结果以及相关的数据与实际情况都非常的相符合，具有显著的一致性，而且这种方法的应用效果明显优于AＲMA 方法和 HMM 方法。其主要的原因就是，AＲMA方法在实际应用的过程中无法对采样频率中所存在的差异性进行及时的处理，只能对最低的采样频率和相关的数据进行处理，整个操作的过程中就会过滤掉大量的数据和信息，这样就会降低诊断结果的准确性和真实性[3]。而HMM方法在应用的过程中，对于时刻改变的状态量无法对分类器进行有效的训练，这样就会出现误判的现象，并且还会降低电力设备局部放电诊断的准确性，导致诊断结果不具有可靠性，无法为确保电力设备在安全。稳定的环境下运行。将本文方法与 AＲMA 方法、HMM 方法进行对比，可以直接得出对大规模的数据进行处理可以有效提升诊断的准确性。
结束语
综上所述，本次研究中提出了一种新型的诊断方法，即基于大数据分析挖掘技术的电力设备局部放电诊断法。通过对给出谱图生成过程，提取电力设备局部放电特征等对电力设备局部放电情况进行诊断，可以有效确保诊断结果的准确性和稳定性，经本次研究表明，此方法的诊断结果非常可靠，值得广泛的推广与应用。
参考文献：
[1]国网江苏省电力有限公司电力科学研究院.一种用于电力设备局部放电缺陷诊断的训练方法及装置：CN201910484266.0[P].2019-09-06.
[2]红相股份有限公司.基于卷积神经网络的电力设备局部放电故障诊断方法：CN201811288833.7[P].2019-01-01.
[3]李雯雯，高阳，许傲然.XLPE电力电缆局部放电检测诊断系统的设计[J].山东工业技术，2017，（17）：165.
论文作者:郭伟,林楠
论文发表刊物:《电力设备》2019年第19期
论文发表时间:2020/1/15
标签：局部论文; 电力设备论文; 方法论文; 数据论文; 相位论文; 圆环论文; 象限论文; 《电力设备》2019年第19期论文;