王凤林 杨俊英 孙焕均
【摘 要】检修人员一般通过人工分析局部放电相位分辨数据生成的和图谱来判断被测电力设备是否有局部放电及类型。为了提高分析局部放电类型准确性，论文采用分布统计技术来处理的相位分辨数据，提出了偏度和峰度分布统计参量的计算方法，并对已知和未知局部放电类型的相位数据分布统计参量进行了计算、比较和分析。实例分析结果表明该技术有助于检测人员从数据统计角度更好地分析局部放电类型，也为实现局部放电类型自动分析提供了重要的特征参数。
【Abstract】The inspectors usually determines whether the power equipment has partial discharge and its type by manually analyzing the and graph generated by phase resolution data of partial discharge. In order to improve the accuracy of the analysis of the partial discharge type， this paper uses distributed statistics technology to process phase resolution data， proposes the calculation method of skewness and kurtosis distribution statistical parameters， and calculates， compares and analyzes the distribution statistical parameters of phase data of known and unknown partial discharge type. The results of case analysis show that the technology can help the inspectors to better analyze the partial discharge types from the perspective of data statistics， and also can provide important characteristic parameters for realizing automatic analysis of partial discharge types.
【关键词】局部放电 ;相位分辨; 分布统计; 偏度; 峰度
【Keywords】 partial discharge; phase resolution; distribution statistics; skewness; kurtosis
【中图分类号】TM831 【文献标志码】A 【文章编号】1673-1069（2018）10-0169-04
1引言
局部放电是绝缘与导体之间发生的不完全放电，不同的局部放电类型对绝缘性能的影响不同。对局部放电类型进行分类和分析对于评价放电的危害性具有重要意义，在现场也有助于检修人员对电力设备缺陷的排查[1]。
检修人员一般通过局放测量仪获取被测电力设备（如GIS、电缆和开关柜）的相位分辨数据，其基本参数包括相位角φ，局放电荷大小q和局放脉冲数n，相位分辨数据通常采用（φ-q）和（φ-n）的组合并以图谱方式显示给检修人员，检修人员可以通过图谱中脉冲的相位特征来分析是否存在局部放电，但对进一步分析局部放电类型缺乏分析依据[2]。
大量的局部放电检测结果表明，不同局放类型的相位分辨数据所生成的（φ-q）和（φ-n）图谱分布具有不同的对称程度和方向，根据这个特点，本文将引入分布统计中偏度和峰度作为局部放电相位分辨数据的重要统计参量，用于判定相位分辨数据分布的不对称程度以及方向，计算方法如下文所示[3] [4]。
2 相位分辨数据的统计参量的计算方法
2.1 （φ-q）相位分辨数据统计参量的计算方法
局部放电的脉冲周期与电网工频周期对应，每个周期包含0-360度相位角，局放测量仪将0-360度相位角划分成一定数量的相位窗数，并在每个相位窗数上记录当前窗的脉冲幅值，生成（φ-q）相位分辨数据，以相位角φ为横轴，以局放电荷幅值q为纵轴，可以生成（φ-q）二维图谱[5]。如果对多个工频周期的局放数据进行累计观测，则采用相位窗口幅值平均值Hqn（φ）作为（φ-q）二维图谱相位窗口的幅值。对于单个缺陷，（φ-q）相位分辨数据分布均可以用正态分布来描述，其偏度和峰度统计参赛量如公式（1）和公式（2）所示[6] [7]。
其中：
Vi为各个相位窗口的局放幅值Hqn（φ）;
m为局放幅值Hqn（φ）的平均值，可参考公式（3）[6];
σ为局放幅值Hqn（φ）的标准差。
偏度和峰度是参照正态分布来评价的，偏度是局放相位分辨数据对称性程度指标，Sk=0表示其数据分布形态与正态分布的偏斜程度相同;Sk>0表示其数据分布形态与正态分布相比为右偏，数据右端有较多的极端值;Sk<0表示其数据分布形态与正态分布相比为左偏，数据左端有较多的极端值。偏度的绝对值数值越大表示其分布形态的偏斜程度越大。
峰度是局放相位分辨数据分布尖锐程度指标，Ku=0表示该总体数据分布与正态分布的陡缓程度相同;Ku>0表示该总体数据分布与正态分布相比较为陡峭;Ku<0表示该总体数据分布与正态分布相比较为平坦。峰度的绝对值数值越大表示其分布形态的陡缓程度与正态分布的差异程度越大。
2.2 相位分辨数据统计参量计算方法
局放测量仪在每个相位窗数上记录当前窗累计的脉冲数量，生成（φ-n）相位分辨数据，以相位角φ为横轴，以累计的局放脉冲数n为纵轴，可以生成（φ-n）二维图谱。
（φ-n）相位分辨数据分布偏度和峰度的计算可参考公式（1）和公式（2），其中Vi为各个相位窗口的局放脉冲累计值n，m为各个相位窗口的局放脉冲累计值n的平均值，σ为局放幅值各个相位窗口的局放脉冲累计值n的标准差。
3 相位分辨数据的统计参量实例计算分析
为了验证分布统计参量偏度和峰度对于分析局放类型具有较大价值的判断依据，本文将从已知局放类型和未知局放类型的相位分辨数据中计算出偏度和峰度值，并通过数值和图谱比较，推断出未知局放类型的相位分辨数据所属的局放类型。
已知局放类型的相位分辨数据包括气隙放电、沿面放电、电晕放电三种局放类型，未知局放类型的相位分辨数据有三个，分别是数据1，数据2，数据3。
3.1 （φ-q）相位分辨数据统计参数实例计算
3.2 （φ-n）相位分辨数据统计参数实例计算
图4为已知和未知局放类型相位分辨数据的（φ-n）图，其数据经过计算，其统计参量偏度和峰度值如表2所示，其中n+（φ）代表0-180度正半周相位窗口累计脉冲数，n-（φ）代表180-360度负半周相位窗口累计脉冲数。
3.3 局放数据的统计参数实例分析
本文将所计算出的相位分辨数据统计参量值，以图表的形式表示并进行交叉比较分析，如图5，图6所示。
交叉比较分析结果如下：
①从图5（a）和图6（a）可知，数据3的统计参量曲线与气隙放电的相位数据统计参量曲线相近，因此可较为确定推测数据3为气隙放电;
②从图5（a）（b）和图6（a）（b）可知数据2的统计参量曲线与气隙和沿面的放电的相位数据的统计参量曲线相近，因此可推测数据2可能是气隙放电或沿面放电中的一种，其中是气隙放电的概率更大;
③从图5（b）和图6（b）可知，数据1的统计参量与气隙放电的相位数据的统计参量相近，因此可较为确定推测数据1的放电类型为沿面放电;
④从图5和图6可知，数据1、数据2和数据3的统计参量曲线均与电晕放电的相位数据统计参量相差较大，所以数据1，数据2和数据3均可确定不是电晕放电类型。
分析结果与数据1、数据2及数据3的实际所属放电类型一致。
4 结论
①上文的分析结果表明采用分布统计技术进一步处理和的相位分辨数据，能为分析和判断局部放电类型提供有价值判断依据。
②仅仅采用分布统计技术还不能完全实现局部放电类型的自动分析和判断，但由本文提出和的相位分辨数据偏度和峰度统计参量计算方法，其结果可以作为人工智能算法（如神经网络算法）处理的重要特征参数，得到进一步的分析和处理。
【参考文献】
【1】李军浩，韩旭涛，刘泽辉，等.电气设备局部放电检测技术述评[J].高电压技术，2015（8）：2583-2601.
【2】何兰香，荆文忠，刘铁英.基于神经网络的局部放电模式识别方法研究[J].信息技术，2009（1）：91-92，96.
【3】刘双宝，王立欣，诸定秋.？局部放电模型中的不确定因素[J].高电压技术，2002（3）：24-25.
【4】张仁豫，等.高电压试验技术[M]. 北京：清华大学出版社， 2003.
