北极星智能电网在线讯:编者按
电容式电压互感器（capacitor voltage transformer，CVT）广泛应用于110 kV及以上电压等级变电站，是监测电力系统运行电压的重要设备。目前高压CVT已安装完善的在线监测系统，可实时获取CVT的电容量、介损、局部放电、温度、二次输出电压等多参量信息。这些多参量信息数据广泛应用于CVT运行过程中渗漏油、异常声响、电容元件击穿、电磁单元缺陷等故障的在线诊断。
《中国电力》2025年第5期刊发了张惠山撰写的《基于有效数据辨识及多维信息融合的高压CVT故障诊断方法》一文。文章通过采用有效数据及异常数据的相关性特征进行辨识。利用因子分析方法对CVT的诊断指标进行数据层信息融合，提取各故障类型对应的公共因子方差贡献值，作为反映故障类型差异的特征值。利用模糊理论进行特征层信息融合，将公共因子方差贡献值作为隶属函数的输入参数，用以对CVT故障进行精准判断，为运维人员提供决策支持。
摘要
当前高压电容式电压互感器（capacitor voltage transformer，CVT）缺少有效的在线监测数据，辨识不足。利用在线监测多数据源存在线性相关的数据特性，提出了基于分析数据相关系数进行有效数据辨识的方法。针对目前高压CVT故障诊断普遍存在信息单一、精度不高、局部放电在线监测装置故障信号检测受干扰因素影响较大、准确性差等问题，提出了基于多维信息融合的故障诊断方法。首先，利用因子分析对CVT的诊断指标进行数据层信息融合，提取各故障类型对应的公共因子方差贡献值，作为反映故障类型差异的特征值；然后，利用模糊理论进行特征层信息融合，将公共因子方差贡献值作为隶属函数的输入参数，识别CVT的故障类型，准确诊断高压CVT故障。案例验证了所提方法的有效性，为CVT故障诊断提供了理论参考和实践经验。
01
基于数据相关特性的CVT状态监测有效数据辨识
CVT状态在线监测的有效数据与异常数据的显著特征是不同的状态监测参量之间所呈现的数据相关特征。图1为某变电站线路间隔500 kV CVT分压电容故障时的电压监测对比数据。图2为某变电站线路间隔500 kV CVT二次回路异常时的电压监测对比数据。
图1 分压电容器故障时测量电压对比
Fig. 1 Comparison of measured voltages when voltage divider capacitor faults
图2 二次回路异常时测量电压对比
Fig. 2 Comparison of measured voltages when secondary circuit faults
由图1可知，异常电压曲线（CVT1）与正常电压曲线均表现出相似的变化规律，呈现出一定的线性相关特征。由图2可知，二次回路异常时的异常电压曲线（CVT1）与正常曲线无相似的变化规律，不具有相关性，其数据可判断为无效数据。同理，在局放的在线监测数据中，当CVT存在放电故障时，其分布于不同频段的信号强度均呈现相同的变化趋势，具有相关性。如果其不同频段的数据未呈现类似相关性特征，则可认为该样本数据为无效数据。
假设集合X包含m个CVT监测对象，每个对象xi（i=1, ···, m）由n个监测数据构成。可计算X中的各对象对应参量之间的相关系数，进而得到相关系数矩阵ρm×m，其元素为
式中：Cov(·)为协方差函数；D(·)为方差函数。
当某个CVT的监测数据为无效数据时，与其他CVT数据将呈现弱相关性。因此，通过计算X中的某个对象xi与其他对象xj的相关系数均值的最小值，并与阈值比较，即可进行数据有效性辨识，即
式中：k为阈值。当相关系数小于0.4时，表明其数据关联性较弱，大于0.6时，表明其具有明显的相关性。由此，建议阈值k=0.5。也可依据监测对象数量及特点来确定阈值的大小。
图1、2中2组数据的相关系数矩阵如表1和表2所示。依据表1、2计算各CVT相关系数均值最小值，表1为0.7401，表2为0.4101。由此，可确定图2所示的CVT电压监测数据为无效数据，进而推断其二次电压测量元件可能存在异常。
表1 图1所示各CVT相关系数
Table 1 The correlation coefficient of each CVT shown in figure 1
表2 图2所示各CVT相关系数
Table 2 The correlation coefficient of each CVT shown in figure 2
02
多维信息融合故障诊断方法
2.1 诊断指标选择
CVT状态监测信息繁多，要对CVT的故障类型进行准确诊断，需要选取与故障类型关联性大、易于定量描述的诊断指标。根据Q/GDW 1168—2013《输变电设备状态检修试验规程》和Q/CSG10010—2004《输变电设备状态评价标准》，结合现场运维经验，选取7个在线监测的状态信息作为诊断指标，如表3所示。
表3 CVT故障诊断指标
Table 3 CVT fault diagnosis indicators
表3所列指标量纲不一致，为了方便后续计算，须进行归一化处理。b1~b4指标为相对变化量，采用Min-Max法进行归一化处理；b5~b7为绝对值，采用与标准值差值相除进行归一化处理。
2.2 多维信息融合
根据信息融合层次的不同，CVT信息融合技术分为数据层融合、特征层融合和决策层融合。数据层融合准确性最高，但对数据资源要求苛刻；特征层融合属于中间层次融合，是对原始信息中提取的特征信息进行融合；决策层融合相对便捷，但易丢失数据信息。为了提高CVT故障诊断的精度，结合工程应用的实际需要，本文采用数据层和特征层两级融合的方法。
2.2.1 基于因子分析的数据层融合
因子分析方法通过研究变量间的关联特征，利用统计学方法找到变量内部具有关联属性的公共因子，公共因子为能代表基本相关属性的变量。根据变量因子间的关联程度进行分组，用公共因子的线性关系来描述研究所需的特征量。该方法很适合在线监测的数据特征，应用至CVT故障诊断当中，相当于在数据层进行了融合。
将CVT状态分为以下6种状态（以下称标准状态）。A：正常态，B：高压电容器故障，C：分压电容器故障，D：中间变压器故障，E：补偿电抗器故障、F：阻尼器故障，每种状态类型由b1~b7 7个诊断指标进行诊断。
n个CVT样本对象在同一时刻获得的诊断指标数据为n×7阶样本矩阵，即
式中：xi（i=1, ···, n）为CVT i的诊断指标向量；bij（i=1, ···, n， j=1, ···, 7）为CVT i的指标j数值。
通过坐标变换的方法，将b1~b7 7个诊断指标进行线性组合，转换成7个相互解耦的独立向量F=[f1f2⋯f7]，完成数据层融合的同时保留了CVT的全部状态监测信息，即
式中：pij（i=1,⋯,7，j=1,⋯,n）为解耦后的比例系数。
定义
为第k（k=A, B, C, D, E, F）类状态的第i个独立向量公共因子方差贡献值，其值为
反映了第k类状态下fi的重要程度。
2.2.2 基于模糊理论的特征层融合
模糊理论可以实现故障特征向故障类型的映射，有效识别特征不确定性问题。隶属度函数能否正确反映元素隶属于故障模糊集的特征，是模糊理论实现分类效果的基础。
对已知6种状态样本的CVT 7个诊断指标监测数据b1~b7进行数据集融合。6种状态的CVT样本数据将形成6×7阶公共因子矩阵S为
式中：Si（i=A, ···, F）为第i种状态类型样本对应归一化数据经过因子分析后的公共因子方差贡献值向量。S反映了状态的信息特征。
对于待分类对象，将其监测的参量信息分别加入各已知标准状态的样本集合中，按照式（3）~（5）计算得到该类状态的公共因子方差贡献值
的集合
。将已知各标准状态样本集合所形成的公共因子矩阵S转置为矩阵ST，计算各标准状态下涵盖7维量化指标的公共因子方差贡献值的均值和方差，分别记为μ和φ，建立待分类变量的多维高斯模糊集隶属函数为
式中：Y为向量y关于标准状态模糊集的高斯隶属度函数，定义
为第i（i=A, ···, F）种状态类型的模糊集。对于待分类对象，利用式（7）计算其对应于各模糊集的隶属度，并按照最大隶属度原则判断其所属模糊集，从而实现设备的故障诊断。多维高斯型隶属函数可以利用多维诊断指标提供的状态信息，实现数据特征层信息融合的同时，增强模糊集隶属函数的分类能力，提高模糊理论对CVT不同故障类型的诊断精度。
设备状态模糊集的隶属度服从高斯分布。本文采用多维高斯型隶属函数。多维高斯型隶属函数可以实现多维特征量的整合，增强模糊集隶属函数的分类能力，提高模糊理论在设备故障诊断领域的工程适用性。多元高斯分布式为
式中：μS =[μ1,μ1,⋯,μn]，为公共因子方差贡献值的均值向量；
为向量y的协方差矩阵行列式。
2.3 多维信息融合诊断策略
基于因子分析和模糊理论，提出多维信息融合的CVT故障诊断策略，具体流程如图3所示。
图3 多维信息融合诊断策略流程
Fig. 3 Flowt of multi-dimensional information fusion diagnosis
1）将7维待诊断信息分别与标准状态进行因子分析，实现数据层信息融合；2）分别提取待诊断信息在各标准状态下的7维方差贡献值，作为各状态的特征量；3）各标准状态的特征量用于建立各类故障模糊集相应的多维高斯型模糊集隶属函数；4）利用模糊集理论对待诊断信息的特征量进行分类识别，实现CVT的故障诊断。
03
诊断效果评估
3.1 样本分类
为验证所提方法的有效性，以某电网公司故障案例库中的420组数据作为状态类型标准样本，各状态类型在样本中的分布如表4所示。
表4 样本分布
Table 4 Sample distribution
随机抽取状态类型数据的70%进行训练，剩余30%进行测试。将训练样本每种状态类型下7维诊断指标进行归一化处理，依式（3）~（6）进行因子分析，提取7维公共因子方差贡献值，计算CVT 的6种标准状态下训练组的7维方差贡献值S及其均值和方差，作为各标准状态类型的特征量信息，计算结果如表5所示。
表5 7维方差贡献值
Table 5 7-dimensional contribution of variance
根据式（7），建立6种标准状态的多维高斯型模糊集隶属函数。提取测试数据在6种标准状态下的7维公共因子方差贡献值均值，作为6种标准状态模糊集隶属函数特征量的输入，求得该种状态对于6个模糊集的隶属度。根据最大隶属度原则，隶属度最大的模糊集即为这种状态的归属，从而实现被测对象状态的识别。按照最大隶属度原则对剩余的30%的数据作为测试组数据进行测试。表6为测试对象对于标准状态模糊集的隶属度均值，可见测试对象归属状态与所对应模糊集间的隶属度明显高于与其他模糊集的隶属度。
表6 模糊集隶属度均值
Table 6 Mean membership degree of fuzzy set
3.2 分类结果评估
为了综合考虑文中模型的分类效果，对于每一种状态的预测结果，可用混淆矩阵表示，如图4所示。可以看出，在126组测试数据中，有94个样本分类正确，有32个样本诊断错误。由此可见该方法分类效果较好，能够以较高的准确率鉴别高压CVT的状态。
图4 混淆矩阵柱状示意
Fig. 4 Bar t of confusion matrix
混淆矩阵的相关计算参数为
式中：T为正确预测的样本数；ω为样本总数；pi为某类型模型预测正确的样本数量占全部预测为该类型样本的比例；ri为某类型模型预测为正确的样本数量占该类型的实际样本的比例。
由参数值可见，本文方法的预测指标均接近或超过70%，表明本文模型的预测能力处于较高水平。
3.3 诊断方法对比
本文基于
型CVT搭建了模拟试验平台，在试验平台上分别模拟6种标准状态类型。对标准状态类型下的多维信息进行分析，对前文所描述的420个样本进行测试。分别使用支持向量机（support vector machine，SVM）、决策树和本文诊断策略进行分类。每种算法进行20次诊断，记录每次的准确率与标准差，并取其平均值，对比结果如表7所示。可以看出，决策树标准差最高，分类效果较差，分类准确率低于其他2种算法。本文诊断方法标准差显著低于另外2种算法，准确率最高，达86.6%。综上，本文提出的多维信息融合的CVT诊断方法准确率高、稳定性好。
表7 诊断结果对比
Table 7 Comparison of diagnostic results
04
诊断案例
4.1 故障诊断
2023年1月10日，某变电站500 kV线路CVT C相二次电压较其他相高0.2 V，2023年4月5日，监测数据发现其升高至0.3 V，初步怀疑内部存在故障。统计其诊断指标及归一化计算值如表8所示。
表8 诊断指标及归一化值
Table 8 Diagnostic indicators and normalized values
计算该监测数据在各标准样本数据下的公共因子方差贡献值及其均值，提取其均值作为特征量输入模糊集进行诊断，各状态类型的隶属度及诊断结果如表9所示。
表9 隶属度及诊断结果
Table 9 Membership degree and diagnostic result
4.2 解体验证
对故障CVT的中节高压电容器的172个电容元件依次进行电容量检测，发现第21、56号电容元件电容测试值异常，判断为击穿，其他完好元件电容测试值为2.30~2.50 μF。对上述2个击穿元件进一步检查，发现击穿点在元件铜引线片的纸衬垫处，衬垫中间局部已烧黑并穿透。根据击穿元件位置号来看，击穿位置无规律，击穿点位置与元件极板在芯子压装过程中形成的褶皱关系不大，击穿点贯穿纸衬垫，基本符合单层击穿后电荷放电能量波及贯穿其他层的规律。图5为故障CVT解体验证过程示意。由图5可见，其放电特征明显，但现场的局放监测装置未监测到异常的局部放电信号，这反映出当前高压CVT局部放电在线监测装置故障诊断精度低、准确性差的问题，也进一步表明了依靠单一的局放在线监测进行故障诊断准确性低。
图5 验证过程
Fig. 5 Schematic of the verification process
05
结论
模糊集隶属度的故障诊断方法在人工智能领域应用较广，常用于模式识别及故障诊断当中，其判断方式特别适用于不同信息之间存在耦合关联的数据分析。本文首先提出了利用监测数据存在相关性特征的有效数据辨识方法。其次采用因子分析进行多维信息融合，利用高斯模糊集隶属度进行对象分类，实现高压CVT的故障诊断。本文所提出的方法弥补了当前高压CVT故障诊断缺少有效数据辨识的不足，解决了当前高压CVT故障诊断仅依靠单一数据信息进行诊断准确率偏低的问题。
需要特别说明的是，本文的有效数据辨识方法是建立在故障样本数据与正常样本数据存在数据相关性的特征之上，故障类型单一，样本数据占全部监测对象比例较小，若存在某监测对象内同时存在多个、多种类型的CVT故障，有效数据辨识的准确性将会受到影响，这将是后期的研究目标和方向。
作者简介
张惠山
张惠山（1976），男，通信作者，高级工程师（教授级），从事电力系统继电保护与安全稳控系统研究，E-mail：51183942@qq.com。
注：本文内容呈现略有调整，如需要请查看原文。
