★ 田廣亮，朱連富（上海格魯布科技有限公司，上海 200120）

關鍵詞：局部放電定位；仿生天線；時間反演技術；嵌入式系統；人工神經網絡；振蕩波檢測

局部放電是電力設備絕緣劣化的重要前兆信號，對電力系統的安全穩定運行構成了嚴重威脅。根據統計，高壓電氣設備故障中約有30%直接源于絕緣缺陷導致的局部放電。傳統的局部放電檢測方法包括脈沖電流法、特高頻（Ultra High Frequency， UHF）法、超聲波檢測等，但這些方法在實際應用中面臨諸多挑戰。

脈沖電流法雖被IEC 60270標準采納為權威方法，但易受現場電磁干擾；UHF法雖具有較高的靈敏度，但其在復雜變電站環境中的定位精度有限，尤其是在多路徑傳播和噪聲干擾環境下其性能顯著下降。

在檢測靈敏度方面，傳統天線在300MHz～3GHz頻帶內的增益和方向性不足，難以有效提取微弱的局放信號；就定位精度而言，基于時差的定位方法受波速頻變特性及時間同步精度制約，易產生較大定位誤差。在工程應用方面，現有檢測系統往往體積龐大，難以實現便攜式、實時性監測需求。特別是對于振蕩型局部放電信號，傳統峰值法、能量法等相關方法的定位誤差通常在2%以上，難以滿足精準檢修的需求。

近年來，仿生學原理在天線設計領域的應用為解決上述問題提供了新思路。受昆蟲聽覺器官卓越的定向感知能力啟發，研究人員設計的仿生天線具有多頻帶響應、高增益和定向可控等特點，能夠顯著提升局放信號的采集質量。同時，時間反演技術因其固有聚焦特性和抗干擾能力，在復雜介質波傳播問題中展現出獨特優勢。該技術通過將接收信號進行時間反演并重新注入傳播環境，可實現信號在源點處的自適應聚焦，有效克服了色散和多路徑效應帶來的定位誤差。

1   研究方法設計

研究采用“仿生感知-信號處理-系統實現”的三層研究框架，通過仿生天線設計、時間反演算法優化和嵌入式系統實現了三個關鍵技術環節，從而構建了完整的局部放電定位解決方案。

仿生學原理與應用：研究基于昆蟲聽覺器官的定向感知機制，特別借鑒了螽斯科昆蟲的聽覺系統結構。該類昆蟲的聽覺器官具有螺旋狀共鳴腔和多層膜結構，能夠在復雜聲場中實現特定頻率信號的增強接收。將其原理轉化為電磁波接收領域，可設計基于分形幾何的仿生天線結構。

天線結構采用迭代函數系統生成分形圖案，迭代公式為式（1）：

其中，系數(aix、  biy、  ei、  cix、   diy、  fi)通過遺傳算法優化確定，以在300MHz～3GHz頻段內實現最佳阻抗匹配。

天線參數優化與性能測試：通過ANSYS HFSS軟件進行電磁仿真，重點優化了以下幾個關鍵參數：基底材料、介質厚度（1.524mm）、分形迭代次數（4次）。我們在優化過程中發現，迭代次數與帶寬存在明顯的權衡關系，如表1所示。

表1 分形迭代次數對天線性能的影響

2   實證數據收集與分析

2.1   實驗設計與數據采集方案

實驗室測試在標準電磁屏蔽室內進行。測試平臺核心為498m的10kV交聯聚乙烯電纜，通過振蕩波電壓發生器在電纜中誘發局部放電。該系統采用多通道同步采集設計，確保信號的時間一致性，為時間反演處理提供高質量數據基礎。人工缺陷模型包括三種典型絕緣缺陷：針板放電模型（模擬絕緣內部缺陷）、表面放電模型（模擬絕緣表面爬電）和氣隙放電模型（模擬材料內部空穴）。每種缺陷在電纜的100m、250m和400m位置分別設置，共9個測試點。數據采集使用表5所示的儀器配置，確保捕獲信號的完整特征。采樣率設置為200MS/s，分辨率14位，連續記錄時間30s，每個測試點重復實驗50次，共獲得1350組有效數據。

現場試驗在某市供電公司500kV變電站進行，歷時6個月， 覆蓋春夏兩季的不同氣候條件。監測點包括開關柜母線室、電纜終端接頭和變壓器出線裝置等關鍵部位，重點關注高溫高濕環境下的方法穩定性。

2.2   數據分析方法與模型構建

信號質量評估與分析：為量化仿生天線對信號質量的改善效果，定義了信號質量指數（Signal Quality Index， SQI）作為評價指標，如式（2）所示：

其中， Psignal/Pnoise為信噪比，G mean為平均增益，Bweff為有效帶寬，α、β為權重系數（通過主成分分析確定為0.35和0.25）。

對1350組實驗室數據的分析結果顯示，在500MHz～1.5GHz關鍵頻段， 改善效果最為顯著， 平均提升幅度達4.8dB。

針對振蕩型局部放電信號的特殊性，我們采用了集合經驗模態分解方法進行預處理。將原始信號分解為8個本征模態函數，計算各IMF的樣本熵作為特征參數，可有效區分不同類型局放信號的模式特征。

定位精度評估模型，建立多元回歸模型分析影響定位精度的關鍵因素，如式（3）所示：

其中，β0  β4為回歸系數，e為誤差項。通過最小二乘法擬合得到各因素的影響程度，如表2所示。

表2 定位誤差影響因素的回歸分析結果

模型調整R2為0.893，F統計量為245.7（p＜0.001），表明模型具有很好的解釋力。結果顯示，信噪比是影響定位精度的最主要因素，貢獻度達43.2%。

2.3   實驗結果與討論

實驗室測試三種典型局放信號的定位性能對比結果如表3所示， 時間反演法在所有測試場景下均表現出優越性，特別是在振蕩型局放定位中，相對誤差僅為傳統峰值法的1/20。

表3 不同定位方法的性能對比（實驗室數據）

通過方差分析檢驗不同方法間的顯著性差異，結果如表4所示， 時間反演法在各組比較中均表現出顯著優勢（p＜0.001）。

表4 定位方法性能的方差分析結果

現場試驗共收集有效數據127組。盡管現場環境的電磁干擾顯著強于實驗室條件，但本方法的平均定位誤差仍保持在0.35%以下，滿足工程應用要求。本研究方法在高溫高濕條件下的性能穩定性表現突出：在環境溫度35℃以上、相對濕度80%以上的極端條件下，定位誤差僅增加0.08%，遠低于傳統方法的0.35%增幅。這一優勢主要源于仿生天線的溫度穩定性設計和時間反演算法的抗干擾能力。通過6個月的連續監測， 系統成功預警了3起潛在絕緣故障，平均預警時間提前量達72小時，為設備檢修提供了寶貴時間窗口。這一結果驗證了本方法在預測性維護方面的應用價值。

3   模型構建與驗證

3.1   人工神經網絡模型構建

模型架構設計：基于前期仿生天線采集的信號特征和時間反演處理結果，本研究構建了具有雙路徑并行處理能力的深度神經網絡模型。該模型采用模塊化設計，包含特征提取、信號分類和位置回歸三個核心模塊。該設計實現了特征提取的并行處理，確保了時域和頻域特征的有效利用，提高了模型的表達能力和收斂速度。輸入層設計為多維度特征向量，包含25個特征參數，具體分布如表5所示。這些特征參數基于前期實驗結果和特征重要性分析篩選得出，涵蓋了信號的時域、頻域和時頻域特性。

表5 輸入特征參數分布及重要性排序

網絡參數優化與訓練策略：隱藏層采用三層全連接結構，神經元數量分別為128、64和32。基于超參數優化實驗結果，確定以下關鍵參數：激活函數采用ReLU，優化器選擇Adam，初始學習率設為0.001，批量大小為32。為防止過擬合，引入了Dropout層（丟棄率0.2）和L2正則化(λ=0.01）。

訓練數據來自實驗室模擬和現場試驗收集的427組有效樣本，通過數據增強技術（添加高斯噪聲、時序抖動、幅度縮放）將樣本量擴大至2135組。數據集按7:2:1的比例劃分為訓練集、驗證集和測試集。訓練過程采用早停策略，當驗證集損失連續10個epoch未改善時自動停止訓練。

3.2   模型驗證與性能評估

基準測試與對比分析：為全面評估模型性能，我們設計了嚴格的基準測試方案， 包括k折交叉驗證（k=5）和獨立測試集驗證。同時，將其與三種傳統機器學習方法進行對比分析，結果如表6所示。

表6 不同模型的性能對比結果

分析表明，研究模型在局放類型識別和定位精度方面均顯著優于對比方法。特別是在振蕩型局放識別中，其準確率達到97.8%，較傳統方法提升超過10個百分點。其定位精度的提升更為明顯，相對誤差降低至0.13%，滿足了工程應用的高精度要求。

抗干擾性能測試：為驗證模型在復雜環境下的魯棒性，我們設計了多層級抗干擾測試。模型根據輸入信號質量自動選擇最優處理路徑，在保證精度的同時提升了計算效率。測試結果顯示， 即使在SNR=-2dB的極端噪聲環境下， 模型的定位誤差仍可控制在1.2%以內，識別準確率保持在85%以上。這一性能顯著優于傳統方法，證明了模型在實際工程環境中的適用性。

消融實驗與貢獻度分析：為評估各組件對整體性能的貢獻，我們設計了系統的消融實驗，通過逐步移除關鍵組件，觀察性能變化，結果如表7所示。

表7 消融實驗結果分析

實驗結果表明， 時間反演處理模塊對性能貢獻最大（35.2%），其次是雙路徑網絡結構（48.9%）。仿生天線特征雖然單獨貢獻度為22.1%， 但與時間反演技術結合時產生了明顯的協同效應，共同貢獻了超過60%的性能提升。

3.3   模型在實際場景中的驗證

多源局放定位測試： 針對實際工程中常見的多源局放現象，我們設計了密集放電源定位測試。在間距2.5m的范圍內設置兩個局放源，模型成功實現了信號分離和精確定位，定位誤差小于0.35m。這一性能明顯優于傳統方法的1.2m誤差，證明了模型在復雜場景下的實用性。

我們在測試過程中發現， 當放電源間距小于1.5m時，模型性能有所下降，但通過引入注意力機制和空間相關性分析，可將最小可分辨距離優化至0.8m，滿足了絕大多數工程應用需求。

長期穩定性評估：進行6個月的連續現場測試，以評估模型的長期穩定性。每月對模型進行重新校準和測試，結果顯示其性能波動范圍在±2.3%以內，表現出良好的穩定性。特別是在溫度變化劇烈的夏季，模型通過自適應調整機制，保持了穩定的性能輸出。

計算效率分析：在嵌入式平臺（X i l i n x Zynq-7000）上部署模型后，我們進行了計算效率測試。單個局放事件的完整處理時間平均為89ms，滿足實時性要求（＜100ms）。功耗測試顯示，系統在滿負荷運行時的功耗為4.3W，低于設計目標的5W。

系統的模型構建和嚴格的驗證測試表明， 本研究提出的人工神經網絡模型在局部放電識別和定位方面表現出卓越的性能， 為電力設備狀態監測提供了有效的智能解決方案。模型的創新性在于將仿生天線特征與時間反演技術深度融合，通過雙路徑網絡結構實現了信號處理與模式識別的協同優化。

4   結語

本研究針對電力設備局部放電檢測與定位中的關鍵技術難題，提出了基于仿生天線與時間反演技術的局部放電定位方法，并設計了相應的嵌入式系統實現方案。仿生天線在局部放電信號檢測中表現出顯著優勢。與傳統天線相比，仿生天線的增益提高了約3dB，帶寬增加了25%，在500MHz～1.5GHz關鍵頻段內的輻射效率明顯提升。這些改進使得系統能夠更有效地提取微弱局放信號，為后續精準定位奠定了良好基礎。時間反演定位算法在復雜局放信號處理中展現出強大性能。實驗結果表明，該算法對脈沖型、振蕩型和混合型局放的平均定位相對誤差分別為0.05%、0.11%和0.09%，遠低于傳統峰值法、相關法和能量法。特別是在振蕩型局放定位方面，時間反演算法的誤差僅為傳統方法的1/5。基于Zynq-7000 SoC的嵌入式系統實現了局部放電定位的實時處理與便攜式監測。系統可在100ms內完成單個局放事件的定位處理，功耗低于5W，滿足了現場應用的實時性和便攜性需求。人工神經網絡模型的引入實現了局部放電的智能識別與精準定位，其在局放類型識別上的準確率達到96.3%，定位相對誤差不超過0.13%，表現出較強的泛化能力和工程適用性。

作者簡介：

田廣亮（1990-），男，河南周口人，工程師，學士，現就職于上海格魯布科技有限公司，主要從事高壓設備絕緣狀態帶電檢測技術方面的研究。

朱連富（1989-），男，甘肅慶陽人，助理工程師 ，現就職于上海格魯布科技有限公司，主要從事高壓設備絕緣狀態帶電檢測技術方面的研究。

參考文獻：

[1] 宋文. 基于SOA的變壓器局部放電超聲定位方法[J]. 科技創新與應用, 2022, 12 (06) : 11 - 13,

[2] 胡雨婕, 王奎. 基于時差定位法的變壓器繞組局部放電定位方法研究[J]. 黑龍江電力, 2025, 47 (04) : 354 - 358 + 369.

[3] 江炯, 岳龍, 徐鐘波, 等. 高頻信號觸發計時下的變壓器局部放電故障光電圖像融合定位方法[J]. 電子器件, 2025, 48 (02) : 359 - 365.

[4] 林貞榮. 融合多傳感特征的中壓SF6環網柜氣室局部放電診斷及定位方法[J]. 電工技術, 2025, (06) : 84 - 86 + 93.

[5] 馬文濤, 嚴天峰, 鄭禮, 等. 基于電力變壓器的局部放電定位方法研究[J]. 現代雷達 ,

[6] 回恩良, 蔡志遠. 基于聲電聯合的局部放電定位方法研究[J]. 電工技術, 2024, (23) : 47 - 50 + 54.

[7] 肖小龍, 郭佳豪, 郭茂森, 等. 基于改進GCC算法的交流配電電纜局部放電在線定位方法研究[J]. 機械與電子, 2024, 42(03) : 26 - 31 + 39.

[8] 蒙志強. GIS局部放電高效檢測及定位方法[J]. 電氣技術與經濟, 2024, (03) : 355 - 357.

[9] 張樹銘. 基于超聲測量的發電機定子局部放電故障精準定位方法研究[J]. 電氣時代, 2023, (09) : 82 - 86.

摘自《自動化博覽》2026年4月刊