基于人工免疫系统的GIS故障监测研究

气体绝缘组合电器 (gas insulated substation, 简称GIS) 由于占地面积小、可靠性高, 广泛应用于城市供电等高压输变电系统中。GIS具有诸多优点, 其发生绝缘故障的概率很小, 但是绝缘击穿的后果通常比较严重, 因而受到国内外的关注[1,2]。随着对SF6气体分解机理的深入研究以及检测技术和仪器的发展。气体分析技术已成为诊断SF6电气设备内部状况的有力工具, 用该技术作为诊断工具的主要特点是不需对SF6电气设备作任何改动。不需要停电, 不影响设备的正常运行。

以往研究故障模式识别的方法有很多, 有遗传算法[3]、神经网络[4]、模糊逻辑[5]、分形理论、专家系统、灰关联度分析法[6]等。但是, 现有方法均需要以各种故障情况的先前经验为基础。可是, 在工业环境下, 想要采集到各种故障模型数据非常困难。本文给出的基于人工免疫系统的算法, 不仅可找出特定的活动模型, 更可监测到任意非预料的改变。

1 基于免疫机制的变化监测算法

本监测算法受自然免疫系统在信息处理中的性能启发。免疫系统采用学习、记忆、相关检索来解决模式识别问题。脊椎动物的免疫系统能够辨识出几乎所有外来细胞抑或躯体自身细胞在内部滋生并散布的分子。这被称为己—非己辨别问题。我们的人工免疫系统是对自然免疫系统中复杂的化学异体辨识的模仿, 其基本负向选择算法如下。

(1) 由一组候选监测器开始监测器的生成, 并在反复迭代后成熟。监测器的中心随机选定, 半径是决定监测器大小 (m维空间) 的变量参数。每次迭代时, 先计算出每一个候选监测器的半径。然后, 调整那些坠入“己空间”区域的监测器的位置。接着, 异己监测器的集合被存储并根据其半径大小排序。半径较大且与其他监测器交叠较小的监测器被采用, 被选进入下一阶段。

(2) 克隆被选中的监测器, 将克隆体进行固定距离的移动, 并通过引入一些随机监测器开拓异己空间的新领域。

(3) 整个监测器生成过程决定何时一套提供足够异己空间覆盖率的成熟 (交叠率最小) 的监测器集进化完成。

故障监测的目的是识别系统的哪些状态是正常的 (己) , 哪些是故障 (异己) 。

监测阶段采用简明直接的方法:不断以测试数据集中的新例子对成熟监测器进行试验测试。例如, 测试样品p= (cp, rs) 与监测器d= (c, rd) 的距离被计为D (cp, c) , 其中D (cp, c) 是采用监测器生成阶段方法测算得出的测试样品与监测器的距离。若距离D< (rs+rd) , 则检测器d被激活, 指示出可能的故障。

2 GIS故障监测实验

在以SF6气体作为绝缘绝缘介质的电气设备中, 发生放电性和过热性故障时, 会导致SF6气体分解。并同时和有关杂质气体发生化学反应, 产生一系列新的杂质气体。气体分析技术就是通过对这些杂质体的检测来了解和判断设备中内部故障性质的分析技术。

根据SF6气体在GIS不同的故障下会分解出SF4、C3F8、SOF2、SO2F2、SOF4、HF、SO2、CO、CO2、CF4等中的一种或多种杂质气体的特质, 本文采用气相色谱法对SF6气体杂质进行分析。

实验针对常见绝缘缺陷分别采集100组数据进行分析, 然后取其中的50组样本用于监测器训练, 另外50组用于对基于免疫机制的变化监测算法的缺陷模式识别准确度进行验证。并采集未知故障样本, 参与算法测试。实验效果如表1所示。

3 结语

现有GIS故障检测方法在监测非预计和不可预知的故障类型方面表现不足。基于免疫系统这种智能故障监测算法源自于生物学免疫系统, 其方法已在包括故障监测和异常监测等领域广泛应用。本文提出了一种基于人工免疫系统的GIS故障监测算法, 对已知和不可预知的GIS故障进行监测。此算法是一个旨在监测GIS工作模型的背离的概率方法, 监测系统对已知数据进行学习, 概率分布地生成一个异常模式监测器集。实验证明, 该监测器集可监测到GIS工作中的任何异常, 且在故障模式识别中具有较高的辨识度。

摘要：气体分析技术是诊断SF6电器设备内部状况的有力工具。我们研究了一种人工免疫算法, 用于气体绝缘组合电器 (GIS) 故障监测。该算法构造了一组可监测GIS工作过程中的任何异常的故障监测器。实验证明, 此算法能有效地对GIS已知和未可预知的故障样本进行及时探知, 具有较高的检测准确率。

关键词：气体绝缘组合电器,人工免疫系统,故障监测

参考文献

[1] 王建生, 邱毓昌.气体绝缘开关设备中局部放电的在线监测技术[J].电工电能新技术, 2000, 19 (4) :44～48.

[2] Hasegawa Y, Izumi K, Kobayshi A, etal.Investigation on phenomena causedby insulation abnormalities in actualGIS[J].IEEE Transactions on PowerDelivery, 1994, 9 (2) :796～804.

[3] Zlomek W, Reformat M, Kuffel E.Application of genetic algorithms topattern recognition of defect s in GIS[J].IEEE Transom Dielectrics and Elec-trical Insulation, 2000, 7 (2) :161～168.

[4] Satish L, Gururaj B I.Partial dischargepattern classification using multilayerneural networks[J].IEEE Proceedings～A, 1993, 140 (4) :323～330.

[5] Salama M M A, Bartnikas R.Fuzzylogic applied to PD Pattern Classification[J].IEEE Trans on D&EI, 2000, 7 (1) :118～123.

[6] 刘一, 倪远平.三比值灰关联度分析的变压器故障诊断法[J].高电压技术, 2002, 28 (10) :16～17, 27.