瓷支柱绝缘子主要用于变电站隔离开关和母线的支撑、固定和绝缘，在实际应用中，若绝缘子出现故障却不能被及时发现，将会造成巨大的经济损失。目前瓷支柱绝缘子故障诊断方法有红外测温检测、超声波检测和振动声学检测。

红外测温检测只能通过绝缘子表面温度判断绝缘子有无缺陷，无法探测绝缘子内部初期缺陷。超声波检测只能用于非带电检测。振动声学检测方式可以兼顾瓷支柱绝缘子内外缺陷检测和带电检测，具有明显的优势。因此，加强对瓷支柱绝缘子振动信号的研究，提前发现初期缺陷，对变电站运行的可靠性及加强电力系统的稳定性具有重要意义。

造成瓷支柱绝缘子故障的原因很多。从内部结构分析，主要是生产制造工艺不合格，如法兰盘与瓷体之间胶状水泥的不均匀性和生产过程中气孔的产生。从外部因素分析，主要是受外部作用力（如风载荷）的影响。通常将瓷支柱绝缘子故障归为绝缘子上端故障和绝缘子下端故障两种。

有学者提出了对瓷支柱绝缘子振动信号进行小波包分解，对各节点能量进行提取分析的方法，利用瓷支柱绝缘子故障发生前后各小波节点能量的差异实现绝缘子故障判别。有学者采用基于统计分布特征的方法，以一定数量瓷支柱绝缘子检测数据的频率为基础直接建立绝缘子的评判标准，证明了振动信号分析的有效性。

这些诊断方法仍存在一定的不足，例如，小波包分解求节点能量这一方法只能区分绝缘子的正常和故障状态，无法判断故障位置；而基于统计分布特征的方法主要是通过分析不同状态下瓷支柱绝缘子功率谱密度图的频率区间来判断，因区间范围较宽，故受主观因素影响较大，容易产生绝缘子错检和漏检。

云南电网电力科学研究院、华北电力大学云南电网公司研究生工作站、华北电力大学河北省电力机械装备健康维护与失效预防重点实验室的研究人员焦宗寒、邵鑫明等，将振动信号频谱与高斯混合模型（Gaussian mixture model, GMM）相结合，提出一种应用于瓷支柱绝缘子来提取振动信号特征的新方法，利用粒子群算法（particle swarm optimization, PSO）优化后的极限学习机（extreme learning machine, ELM）实现故障状态识别与分类。针对瓷支柱绝缘子现场数据分析，该方法能快速有效地提取瓷支柱绝缘子的特征向量并能正确地进行状态识别和分类，诊断效果较好。

图1 基于振动信号频谱高斯混合模型的绝缘子诊断流程

图2 现场瓷支柱绝缘子信号采集

研究人员将高斯混合模型中的权重系数和标准差作为用于分类的有效特征值输入PSO-ELM模型中进行状态分类及识别，得出以下结论：

1）通过分析振动信号的特点，将基于概率统计的高斯混合模型与信号频域相结合的方法首次用在瓷支柱绝缘子振动信号分析中，有效提取了瓷支柱绝缘子在三种状态下的特征值。

2）对于故障分类，采用了粒子群优化的极限学习机模型，与未优化的分类模型相比较，PSO-ELM分类模型具有更高的稳定性与识别准确率。

3）本算法能快速有效地提取瓷支柱绝缘子各状态振动信号的特征值并能正确地进行状态识别和分类，获得了较好的诊断效果，为瓷支柱绝缘子基于振动信号的故障诊断提供了较为实用的解决方案。

本文编自2021年第6期《电气技术》，论文标题为“基于振动信号频谱高斯混合模型的瓷支柱绝缘子故障诊断”，作者为焦宗寒、邵鑫明、郑欣、刘荣海。