波形识别

2024-09-24

波形识别（精选4篇）

波形识别篇1

1引言

在现在的信息时代中, 信息量呈爆炸式增长, 这也导致了所需处理的数据量的极速增长。而随着数据量的增长, 寻找快速的处理信息的方式也成为了很多专家学者的研究内容。混沌储备池计算正是在这种需求下应运而生的。相对于神经网络而言, 储备池计算将其中间层设置为一个有固定节点数量并且有固定连接权值的网络, 从而大大降低了权值训练的复杂度。但是在物理实现上, 一定数量的节点的实现需要大量的物理器件, 而且节点之间的连接权值也需要进行详细的设计, 为了简化传统储备池计算的物理结构, 专家们提出了以一个非线性系统作为储备池的节点来实现储备池计算, 并利用电路混沌系统[1]、光电混沌系统[2]以及全光混沌系统[3]实现了混沌储备池计算。

储备池计算主要是用来进行机器学习, 完成一些诸如光学字符识别[4]、语音识别[5]、产生和预测混沌时间序列[6]等任务。则主要是利用光电混沌储备池仿真实现了正弦波和余弦波、不同频率正弦波和不同相位正弦波的识别。目前波形识别多用于医学上心电图的识别[7]以及地震波的识别[8]。

2光电混沌储备池计算原理

光电混沌储备池计算中的储备池, 主要是利用光电反馈来实现的[2], 系统构成如图1所示。激光器发出的激光经过马赫-曾德尔调制器后再经一段延时光纤到达光耦合器。耦合器将激光分为两部分, 一部分输出到示波器中观察系统状态, 另一部分经光电转换器转换为电信号。电信号经过放大器和低通滤波器后与任意波形发生器中产生的数据经功率合成器合成后注入马赫-曾德尔调制器形成反馈。

光电反馈产生混沌信号的系统动力学行为, 可以用时滞微分方程来描述为

式中,表示驱动调制器的归一化电压, V ( t) 是微波功率放大器的输出, Vπ是调制器的半波电压,为反馈环低频截止的特征时间,是高频截止的特征时间, fL和fH分别是反馈环内各器件组合后形成的带通滤波器的低端截止频率和高端截止频率, β 是归一化后的反馈系数, T是反馈延时,ø为调制器的工作相位。

判断储备池计算实现波形识别的性能指标, 为归一化均方根误差(Normalized root of mean square error, NRMSE), 表达式为[1]

式中, s(t)为储备池计算的实际输出, y(t)为储备池计算的期望输出。 NRMSE越小, 说明储备池计算识别波形的性能越好。

3波形识别仿真结果

仿真中, 选取参数值为:τ=19.89ps, θ =51.34ps, T = 2.5ns,ø=-π/4, Vπ=5V, β=1。

图2给出了虚拟节点个数为100时波形识别的仿真结果。其中图2 (a) 中给出的是输入储备池中的数据, 图2 (b) 是经储备池输出后的波形识别测试结果, 图2 (c) 给出的是经滤波和判决处理后的波形识别结果。

图2中正弦波和余弦波识别后的NRMSE为0.13, 不同相位正弦波识别后的NRMSE为0.13, 不同频率正弦波识别后的NRMSE为0.13。从图2中可看出, 光电系统作为储备池计算的非线性节点, 能够很好地实现正弦波和方波、不同频率正弦波以及不同相位正弦波的识别。

4结语

从仿真结果中可以看出, 当光电反馈系统作为非线性节点时, 能够很好地实现正弦波和方波、不同频率正弦波以及不同相位正弦波的识别。光电反馈系统在物理上可以利用光电器件来实现, 在对信息的处理速度上可以有较大的提高, 达到Gb/s。目前信息处理中不仅要求计算容量大, 同时对信息的处理速度也有很高的要求, 所以光电混沌储备池计算实现波形识别的研究意义十分重大。

摘要：光电混沌储备池计算的高带宽、处理能力强等优点,使得其在信息处理中有广泛的应用前景。根据光电混沌储备池计算的结构,研究了光电反馈系统作为储备池计算的非线性节点时系统的工作特性,并在系统参数一定的情况下实现了波形识别。

关键词：混沌,储备池计算,波形识别

参考文献

[1]Appeltant L,Soriano M C,Van der Sande G,et al.Information processing using a single dynamical node as complex system[J].Nature communications,2011,2:468.

[2]Paquot Y,Duport F,Smerieri A,et al.Optoelectronic reservoir computing[J].Scientific reports,2012,2.

[3]Duport F,Schneider B,Smerieri A,et al.All-optical reservoir computing[J].Optics express,2012,20(20):22783-22795.

[4]Simard P Y,Steinkraus D,Platt J C.Best practices for convolutional neural networks applied to visual document analysis[C]//2013 12th International Conference on Document Analysis and Recognition.IEEE Computer Society,2003,2:958-958.

[5]Ghani A,Mc Ginnity T M,Maguire L P,et al.Neuro-inspired speech recognition with recurrent spiking neurons[M]//Artificial Neural Networks-ICANN 2008.Springer Berlin Heidelberg,2008:513-522.

[6]Schrauwen B,Stroobandt D.Using reservoir computing in a decomposition approach for time series prediction[C]//ESTSP 2008 European Symposium on Time Series Prediction.Multiprint Oy/Otamedia,2008:149-158.

[7]高菊梅,纪炜,韩智,魏孔星,郭萍.心电监护波形识别技术临床教学方法的研究与应用.中国实用护理杂志:上旬版,2007,8.

[8]韩振中,张文连.地质雷达在隧道检测中的波形识别及应用.筑路机械与施工机械化,2008,25(6).

波形识别篇2

如何正确区分励磁涌流和内部故障电流一直以来都是变压器纵差保护的一个难以回避的问题。目前工程上主要采用二次谐波制动原理来防止变压器空投和外部故障切除时保护的误动。由于现代变压器铁心材料的改进,使其饱和点降低,这使得变压器发生涌流时二次谐波含量减少[1]。另一方面由于超高压长输电线路分布电容的谐振电流及串补电容谐振的影响,故障电流中的二次谐波含量可能大大增加[2]。这两方面原因使得二次谐波制动原理的整定值难以确定,采用的闭锁方式在安全性和可靠性上也难以兼顾。资料表明,220 kV以上变压器保护正确动作率为68.96%,远低于发电机保护及线路保护的平均正确动作率[3]。为提高变压器保护的性能,近年来国内、外学者进行了大量的研究[4～15],这些工作对变压器保护的发展起了极大的促进作用。

从变压器保护研究的最新进展可以看出,进一步探索快速、准确的区分变压器励磁涌流和内部故障电流的新原理、新方法,对提高变压器差动保护性能十分重要。文献[4]提出了一种基于波形正弦度的涌流识别算法,该方法综合利用了波形特征,且原理简单、直观,易于实现,值得进一步研究。基于波形正弦度的涌流识别方法在判别励磁涌流及变压器正常运行过程中发生故障的故障电流时,有较好的效果。但是,当变压器空投于轻微匝间故障时,恰逢故障相发生涌流,这时由于励磁涌流大,故障电流小,在铁心饱和阶段,励磁涌流“淹没”了故障电流,差流呈现出涌流特征,在铁心非饱和阶段,差流呈现为故障电流特征,但由于励磁涌流远大于故障电流,所以从一整个周期波形来看,差流主要表现为涌流特征,此时按文献[4]的方法计算其的非正弦度值较大,可能导致变压器纵差保护闭锁,须待涌流衰减后保护才能动作。基于上述认识,本文提出通过比较动态差流短数据窗波形覆盖面积的大小来确定变压器非饱和工作区域,并计算非饱和区域差流波形的非正弦度,来区分励磁涌流和内部故障时的故障电流。理论分析及大量的仿真实验表明该涌流识别方法在带故障空载合闸及变压器运行中发生故障时,能够正确开放纵差保护;在变压器正常空载合闸时,能可靠闭锁纵差保护。

1 改进的波形正弦度算法及判据

1.1 波形正弦度算法及判据[4]

该原理主要思想是对差分后的变压器差动电流波形进行正弦度比较。对任意正弦波形存在:

设差分后差动电流某一点的瞬时值为ki,前1/4周的瞬时值为ik-90°。

定义:

对于标准基波正弦电流,S是常数,设其数学期望为:

式中:T为工频周期。则S与其数学期望的相对均方差为:

定义σ1S(t)为差流波形的非正弦度,则σ1S(t)随着差流偏离正弦曲线程度的增大而增大,如果差流是标准基波正弦曲线,则σ1S(t)为零,可得涌流判据为:

式中:σSed1为判据门槛值。

波形正弦度涌流识别算法原理简单,易于实现,它以差流全波波形作为处理对象,在识别正常空投时的涌流和正常运行过程中发生故障时的故障电流方面效果显著。但在变压器空投于轻微匝间故障时,差流全波波形总体表现为涌流特征,对其计算所得的σ1S(t)较大,可能引起变压器差动保护延时动作。

1.2 变压器匝间短路分析[5,6]

一台两绕组变压器发生匝间故障时,故障部分绕组可用一第三绕组来等效,这样一台匝间故障的两绕组变压器可用一发生端口故障的三绕组变压器来等效,如图1[5,6]为其T型通用等值电路(已折算至一次侧,不计绕组电阻及励磁支路电阻),L1δ、L′2δ为一、二次绕组漏感,sL为短路绕组漏感,mL为励磁电感,R等效于短路绕组电阻及故障点电弧电阻。当变压器正常运行或正常空投时sL及R为无穷大,差流即为励磁电流mi,空投时变压器铁心不断地进入饱和、再退出饱和,对应变压器铁心非饱和区域的励磁电流mi很小,此部分电流波形与标准正弦波形相差很大[7];当变压器正常运行过程中发生故障时mL远大于sL及R,si远大于mi[8],差流表现为短路电流特征;当变压器空投于轻微匝间故障时,mL剧烈变化,在变压器铁心不饱和时mL远大于sL及R,si远大于mi,差流表现为短路电流特征;当变压器铁心饱和时,磁化涌流mi将“淹没”故障电流si,差流表现为涌流特征。因此,变压器空投于轻微匝间故障时,其差流全波波形对称性较差,整体表现为涌流特征,非正弦度的计算值较大。

1.3 非饱和区域长度确定

非饱和区域短数据窗应具有以下特点:励磁涌流时,对应包含非饱和区域的间断角部分;空投于匝间故障时对应包含正弦波的故障电流部分。现代变压器多采用晶粒定向冷轧硅钢片宜取[9]:Br=0.7Bm,Bs=1.15Bm,再考虑到现代大型变压器均采用单相变压器组,对于单相变压器组,三相之间不存在磁路的联系,再计及三相电流的对应关系因而变压器三相剩磁之和接近于零[10],故取:r AmB=0.7B;r BrCmB=B=-0.35B;smB=1.15B;Aα0°=(Aα为A相合闸角)。在此条件下所得涌流的间断角应较小,二次谐波含量应较低,变压器空投时的三相差流波形(本文中差流通过测量各侧相电流计算)如图2(b)。从图中可看出在此不利条件下A相差流间断角最小,约为120o,故非饱和区长度可定为1/3工频周期。

1.4 波形正弦度算法的改进

T为工频周期,每周期采样点数为N,取4/3周期长度的变压器差流采样值di(k)作为观察数据窗,取短数据窗长度为1/3周期,在保护启动后的4T/3内逐点向后截取1/3个周波的信号作为短数据窗,并计算短数据窗差流波形的覆盖面积,则总共可得N个面积,其中的最小面积所对应的短数据窗区域即为非饱和区域。从1.3可知,1/3周期的短数据窗长度是根据对涌流识别较为不利的情况(间断角小、二次谐波含量低)得出的,所以在一般情况下,由1/3周期长度的滑动短数据窗最小面积法所确定的区域对应的是非饱和区域,对正常空投而言,该区域为铁心不饱和区;对空投于轻微匝间故障而言,该区域差流波形即为故障电流波形,不包含涌流波形。

由1.1知,波形正弦度算法是以差流全波为处理对象,可较好地反应差流波形的全波特征,对空投于轻微匝间故障的情况,差流全波仍表现为涌流特征,这有可能引起差动保护延时动作。对此,本文作如下改进:

ik为各相差流。对于一个标准正弦波,式(4)为用任意连续三个时刻的采样值计算幅值的公式[11],∆T为采样间隔。对于由最小面积法确定的1/3周期长度的非饱和区域短数据窗,计算其各采样点幅值的数学期望:

K点为非饱和区域短数据窗起始点,再计算非饱和区域短数据窗内S(j)与E′(S)的相对变化率:

σ2S(j)在三分之一周期非饱和区内的平均值为:

比较式(2)、(6)、(7)可知,式(2)表征了一周波内全波波形的平均非正弦度,式(6)表征了非饱和区内某时刻的波形非正弦度,式(7)表征了非饱和区内波形的平均非正弦度,当变压器空投于轻微匝间故障时,非饱和区域短数据窗为正弦形的故障电流,此时。当正常空投时,非饱和区域短数据窗为非正弦的正常磁化电流,S(j)为一变化量,σ2S(j)亦为一变化量,为一定值,涌流判据为:

其中:σSed2为判据门槛值。

2 仿真研究

利用PSCAD/EMEDC对Y/△-11三单相变压器组空载合闸励磁涌流、内部匝间故障及空投于匝间故障等情况进行了仿真并结合仿真结果对识别判据和识别效果进行分析。

图2～4中各差流非正弦度由式(2)计算所得。图2(a)、(b)及图4(a)、(b)中:Br A=0.7Bm;Br B=Br C=-0.35Bm;Bs=1.15Bm;Aα=0°;图2(c)、(d)及图4(c)、(d)及图3中:Br A=Br B=Br C=0;Bs=1.15Bm;Aα=0°。图2(a)、(b)为对涌流识别较为不利的情况(间断角小、二次谐波含量小),由图2可见,随间断角的增大,差流非正弦度增加。

图3为变压器正常运行中发生A相5%匝间短路的情况,A相差流为标准正弦波,其非正弦度为零;B、C两相差流为正常励磁电流,其非正弦度较大。图4为合闸于A相5%匝间故障的情况,A相差流在铁心饱和区表现为涌流特征,在铁心非饱和区表现为短路电流特征,对比图4(c)及图2(a)的A相差流非正弦度,在开始几周期内,空投于匝间故障的非正弦度甚至大于正常空投的非正弦度,此时基于全波正弦度的方法无法区分涌流和故障电流。图5为采用改进型波形正弦度算法的仿真图,(b)图依次为B相非饱和区差流幅值波形、B相非饱和区差流幅值变化率波形,(c)图为C相差流相关波形,其中差流幅值采用式(4)计算,差流幅值变化率采用式(6)计算。由图5可见,A相非饱和区差流完全表现为标准正弦波特征,其各时刻幅值不变;B、C相差流则不然,它们的幅值变化剧烈,表现出明显的非正弦特征,据此可判别正常空投及空投于内部故障的情况。

实际应用中可通过计算式(7)非饱和区幅值变化率的平均值(非饱和区的平均非正弦度)来有效区分正常空投及空投于内部故障,大量的仿真表明,当大于0.1即取σSed2为0.1时,可判为涌流。

3 结论

设计了一种计算变压器非饱和区差流波形正弦度的算法,该算法能有效判别内部故障电流和涌流特别是空投于匝间故障与涌流的情况,理论分析及大量的仿真实验表明,该涌流识别方法可有效区分各种情况下的励磁涌流及故障电流。

摘要：提出了一种基于波形正弦度的改进算法来识别变压器励磁涌流和故障电流。该方法通过比较动态差流短数据窗波形覆盖面积的大小,来确定短路故障或励磁涌流下变压器的差流非饱和区短窗波形,并计算该短窗差流波形的非正弦度来识别励磁涌流和故障电流。理论分析及仿真实验表明该涌流识别方法在带故障空载合闸及变压器运行中发生故障时,能够正确开放纵差保护;在正常空载合闸时,能可靠闭锁纵差保护。

波形识别篇3

关键词：波形不对称,人工神经网络,变压器保护,电力系统,励磁涌流

0 引言

多年来在变压器的差动保护中, 区分励磁涌流和内部故障电流一直是研究的热点。目前, 传统变压器差动保护主要采用二次谐波制动原理、间断角原理等方法区分故障电流和励磁涌流, 但是电网电压等级的升高和电网结构的复杂化对这些制动原理提出了新的挑战。随着输电电压等级不断提高, 输电电线的分布电容也不断增大, 这使得变压器在发生内部故障时会产生很大的谐波[1]。此外, 随着现代变压器铁芯材质的提高, 其饱和磁通倍数下降, 励磁涌流中的所有谐波的百分比都可能明显地降低, 因此应用传统的二次谐波制动原理区分励磁涌流和内部故障电流可能造成差动保护误动作[2]。

本研究将传统二次谐波原理和基于波形不对称判别励磁涌流的新原理相结合, 建立一个三层前向神经网络模型。用Matlab软件的电力工具箱来仿真一个实际的双端供电系统, 以得到三相变压器在空载合闸状态和故障状态下的电流波形数据, 通过处理得到波形不对称系数和各次谐波数据等特征量, 并以这些特征量作为人工神经网络输入, 形成训练样本, 用经训练的网络来识别励磁涌流和故障电流。

1 波形上下不对称原理

变压器发生故障时的电流波形如图1所示, 故障电流波形一般为正弦波, 上下波形对称。设该正弦波形函数方程为:

式中 α—初相角;b—偏移量;t∈[0, 2π/ω]。

对于该函数, 计算其在t∈[0, 2π/ω]区间内与过正弦函数最小值且平行于时间轴的直线y=b-A围成的面积S1:

$\begin{array}{l} S_{1} = \int_{0}^{2 π / ω} [y (t) - (b - A)] d t = \\ \int_{0}^{2 π / ω} [A \sin (ω t + α) + b - b + A] d t = \frac{2 π A}{ω} (2) \end{array}$

正弦波最大值C点和过正弦函数最小值且平行于时间轴的长度为2π/ω的线段AB围成的三角形的面积为S2:

$S_{2} = \frac{1}{2} A B \times 2 A = \frac{1}{2} \times \frac{2 π}{ω} \times 2 A = \frac{2 π A}{ω}$ (3)

所以, 对于正弦函数, 任意2π/ω时间长度区间正弦函数与其最小值所在直线围成的面积S1均与该区间函数最大值点和过正弦函数最小值且长度区间2π/ω的平行于时间轴的线段围成的三角形面积S2相等。

由此得出波形上下对称定义:若一周期函数, 在任意的一个周期区间内满足该波形与过函数最小值平行于时间轴的直线围成的面积等于函数的最大值与过函数最小值且平行于时间轴的直线所围成三角形的面积, 则此波形称为上下对称[3]。

上下不对称系数J的计算公式为:

$J = \frac{S_{2} - S_{1}}{S_{2}}$ (4)

励磁涌流波形如图2所示。比较图1和图2可以看出, 单向涌流和故障电流主要的区别在波形的下部。因为间断角是由正弦曲线的波谷削去而得到的, 从而导致波形上下不对称。

基于波形上下不对称系数判别励磁涌流是对波形对称原理的一种改进。波形对称原理的思路是将微分后的差动电流的前半波和后半波对应值进行比较, 根据故障电流微分后前半波和后半波基本对称, 而励磁涌流则基本不对称的特点来区分励磁涌流和故障电流。该原理的实质是用偶次谐波的瞬时值与奇次谐波 (包括基波分量) 的瞬时值相比, 以得到不对称判据。因此, 波形对称原理的缺陷在于易受高次谐波和干扰的影响, 导致差动保护误动作。

基于波形上下不对称系数区分励磁涌流的思路则是由于故障电流具有上下对称的特征, 上下不对称系数很小, 其值近乎为零;而单向励磁涌流具有上下不对称的特征, 上下不对称系数较大。因此通过计算差流波形的上下不对称系数作为判据, 来区分励磁涌流和故障电流。该方法与波形在时间轴上的偏移量无关, 即不受直流分量的影响, 因此具有抗CT (电流互感器) 饱和的能力。此外, 相比较基于差分计算的波形对称原理, 使用积分计算的波形不对称系数法具有很好的抑制高次谐波的能力, 不易受高次谐波和干扰的影响而导致差动保护的误动作。

该方法的一个缺点是不易鉴别对称涌流。对于Y/d联结的三相变压器在空载合闸时, 在不同的合闸角情况下各相有可能出现对称涌流的情况[4]。对于三相对称涌流, 可以采用“或”门制动的方法解决, 因为一般三相之中只有一相会出现对称涌流的情况。对于单相对称涌流, 则不易鉴别。而二次谐波制动原理可以很好地识别对称涌流, 即使在对称涌流达到最小间断角的情况下, 其二次谐波含量也大于0.4, 因此本研究考虑将二次谐波制动原理与波形不对称系数法相结合, 综合起来识别励磁涌流。

2 神经网络模型

人工神经网络 (ANN) 是人工智能较为突出的一种, 它是对人脑神经网络的模拟[5]。将人工神经网络应用于变压器故障诊断, 其输入量可以全面反映涌流的特征。由于它应用了大量的训练样本, 因而具有很大的容错能力。同时由于神经网络具有较强的泛化能力, 对输入数据的精度要求不是太高, 这就避免了过高的采样精度要求[6]。

2.1 特征量的选取

由于神经网络的输入层直接体现差动保护的二次谐波制动原理和波形不对称原理, 因此取一个周波的励磁涌流或短路电流波形作为研究对象, 以傅里叶级数展开, 得到二次、三次、五次谐波分量与基波分量的比值, 同时对电流波形进行计算得到每个周期内的波形上下不对称系数, 这些数据称为特征量, 作为神经网络的输入量。

将经过计算处理的波形不对称系数作为特征量的好处在于:①大大减少了网络的输入量, 从而减少了网络的复杂程度和训练难度;②相比无序的电流波形数据, 经过计算处理的波形不对称数据更容易使网络达到收敛。

由于各次谐波分量与基波分量的比值和波形上下不对称系数模值大小差别较大 (一般在104数量级) , 为了避免出现奇异样本数据, 因此需要对特征值进行归一化, 提高了网络训练效率。

设特征量为:

归一化处理为:

$Ρ = \frac{F}{\max (F)} = [Ρ_{0}, Ρ_{1}, Ρ_{2} \dots \dots Ρ_{11}, Ρ_{12}]$ (6)

2.2 神经网络的结构选取及训练

采用一个3层神经网络就可在模式空间构成任意复杂程度的几何图形, 从而对任意复杂的对象进行分类[7], 因此笔者考虑采用3层前向BP神经网络来进行微机变压器保护。

神经网络的结构图如图3所示。

(1) 神经网络的输入与输出。

神经网络的输入为经过归一化的三相电流数据, 具体为二次、三次、五次谐波与基波分量的比值, 以及三相电流每个周期内的波形上下不对称系数, 共有12个输入节点。

网络的输出为判断是否为励磁涌流, 因此输出节点只有1个。在输入为涌流样本时, 输出为1;输入故障电流样本时, 输出为0。

(2) 隐含层数。

在3层网络中, 隐含层神经元个数n2和输入层神经元个数n1之间有以下近似关系[8]:

由此, 在本研究中, 隐含层的神经元个数确定为25个。

神经网络参数如表1所示。

3 仿真与分析

3.1 系统仿真模型

电力系统仿真模型为如图4所示的双端供电系统。

系统参数如下:

频率:50 Hz;

M侧:电源电压110 kV, 系统阻抗ZM1=j4.02, ZM0=j8.09;

N侧:电源电压500 kV, 系统阻抗ZN1=j2.9, ZM0=j9.15;

线路长度:330 km;

线路参数如下:

正序:

R1=0.024 7 Ω/km,

X1=0.277 2 Ω/km,

C1=0.287 6 μF/km;

零序:

R0=0.178 9 Ω/km,

X0=0.635 0 Ω/km,

C0=0.198 6 μF/km;

变压器:接线方式为△/Y0-11, 电压比为110 kV/500 kV, 容量为250 MVA。

3.2 仿真过程及结果分析

为了使所建立的神经网络模型能够正确地进行工作, 正确识别各种状态下的励磁涌流和故障电流, 采用的训练样本尽可能多的包括变压器可能发生的各种状态类型。因此, 系统仿真主要分为以下两种情况进行。

空载合闸状态下, 按照无剩磁和最大剩磁两种剩磁情况, 电源合闸初相角分别为0°, 30°, 45°, 60°, 90°进行仿真, 合计10种情况。

变压器内部故障状态下, 按照三相故障、两相故障、单相故障这3种故障状况, 以及相间短路和接地短路两种故障状况分别进行仿真, 合计9种情况。

本研究采集以上19种情况的数据, 并进行了处理, 从中提取了285组数据作为神经网络的训练样本, 另外19组数据作为测试样本。

部分电流仿真波形如图5～图9所示。

神经网络测试结果如表2所示。测试结果表明, 经训练的该神经网络能够正确识别各种情况下的励磁涌流和故障电流。当处于空载合闸状态时, 神经网络输出接近1, 判断为励磁涌流;当处于内部故障状态时, 神经网络输出接近0, 判断为故障电流。

测试结果误差曲线如图10所示 (虚线为训练曲线;实线为目标曲线) 。其结果显示神经网络训练计算经过了两次迭代运算, 最终误差为0.000 796 965, 小于目标误差0.001, 满足收敛要求。

4 结束语

本研究基于人工神经网络方法, 将传统二次谐波制动原理和波形上下不对称系数法结合起来, 提出并建立了一个3层前向BP神经网络模型。利用Matlab软件对一个双端供电系统进行大量的仿真运算, 以得到各种故障状态和空载合闸状态下的励磁涌流和故障电流数据。这些电流数据经过处理之后将做为神经网络的训练样本, 用经训练的神经网络来实现对励磁涌流的识别。仿真测试结果验证了该方案原理简单、收敛快, 是切实可行的, 能够准确识别各种变压器状态下的励磁涌流和故障电流。

参考文献

[1]李家坤, 刘娇娇.电力变压器差动保护方案的研究[J].变压器, 2007, 44 (10) :28-32.

[2]LIU Pei, MALIK O P, CHEN De-shu, et al.Improved op-eration of differential protection of power transformers for in-ternal faults[J].IEEE Trans.on Power Delivery, 1992, 7 (4) :1912-1919.

[3]陈军.基于波形不对称系数的新型变压器差动保护[D].天津:天津大学电气与自动化工程学院, 2005.

[4]吕俪婷, 罗建, 黄正炫, 等.电力变压器对称励磁涌流的仿真研究[J].继电器, 2007, 35 (5) :4-6.

[5]PEREZ L G, FLECHSIG A J, MEADOR J L, et al.Train-ing an artificial neural network to discriminate between mag-netizing inrush and internal faults[J].IEEE Transactionson Power Delivery, 1994, 9 (1) :434-440.

[6]陈金莉, 于飞, 刘喜梅.人工神经网络在电力变压器故障诊断中的应用及仿真[J].青岛科技大学学报, 2003, 24 (2) :178-181.

[7]段玉倩, 贺家李, 贺继红.基于人工神经网络方法的微机变压器保护[J].中国电机工程学报, 1998, 18 (3) :190-194.

波形识别篇4

地质雷达勘探是以地下不同介质的介电常数差异为基础的一种地球物理方法, 如图1示。其基本原理是:雷达主机通过发射天线将高频电磁波 (1MHz~1GHz) 以宽频带短脉冲形式送入被探测体内部, 遇到有电性差异的目标体时, 发生反射。反射波返回到被探测体的表面, 为接收天线所接收。电磁波在介质中传播时, 其路径、电磁场强度与波形将随所通过的介质的电磁特性和几何形态而变化。所以, 对接收信号的频率、幅度和相位等信息进行分析处理, 结合地质背景, 便可确定目标体的位置及埋深等。最后进行综合解释, 划分界面, 判断目标体的内部情况等。

地质雷达的工作频率越高, 波长越小, 探测距离越近, 分辨率则越高, 反之亦然。因此, 应根据被探测体的埋深, 选用合适主频的天线。

2工程概况

汕头至湛江高速公路揭西大溪至博罗石坝段T4合同段东岭隧道特长公路隧道, 左、右线分离布设。东岭左线隧道起讫桩号为ZK110+471.00~ZK114+719.00, 长度为4248.00m;东岭右线隧道起讫桩号为K110+576.00~K110+820.00, 长度为4244.00m, 进出口洞门均采用削竹式洞门。东岭隧道汕头端洞口段线间距约为29.00m, 洞身段线间距约为40.00m, 湛江端线间距约为23.00m;东岭隧道地面最大高程约为577.00m, 隧道最大埋深约为305.00m;左线隧道汕头端位于缓和曲线上, 湛江端位于R=3900的圆曲线上;右线隧道汕头端位于R=3050的圆曲线上, 湛江端位于R=6000的圆曲线上。左线隧道纵坡为0.857%及-0.644%的人字坡;右线隧道纵坡为0.806%及-0.709%的人字坡。

东岭隧道洞身衬砌按照新奥法原理采用复合式衬砌。初期支护采用锚喷支护, 二次衬砌为模筑混凝土衬砌, 衬砌采用曲墙式衬砌。

3验证方法

通过对雷达实际检测带有钢筋网的二衬段进行打孔验证, 以确定雷达剖面图中所确定的分层界面是否准确。

4数据采集

本次检测二次衬砌背后脱空缺陷及二次衬砌厚度使用美国劳雷公司所生产的SIR-30E型地质雷达系统。检测时采用反射剖面法, 即收发天线以固定天线间距及测点距沿测线同步移动, 以得到测线剖面上的雷达图像。本次检测所选用的工作参数如下:天线中心频率:400MHz;

技术参数:采样点数512, 时窗45ns;工作方式:连续探测, 点距为0.02m。

对隧道衬砌进行检测时, 将雷达天线贴在混凝土表面上拖动, 高频脉冲电磁波由天线发射进入混凝土中;当电磁波遇到混凝土中的钢筋、各种脱空缺陷时, 由于材料的介电常数的差异, 电磁波会产生反射, 并同时被天线所接收。反射体的位置可以由天线的定位系统给出。

5实测数据验证

对隧道混凝土介质而言, 电磁波由空气进入二衬的混凝土层, 会出现强反射;同样, 当电磁波由二衬传播至初衬, 继而由初衬传播到岩层时, 如果交界面处贴合不好, 或存在脱空等施工质量时, 由于不同介质的介电常数差异, 亦会导致所采集的雷达记录上相位和幅度的变化, 由此可确定衬砌厚度和发现施工缺陷。而对于有钢筋网影响的二次衬砌与初支分层界面的判定, 通过雷达波形图及灰度图可知:分层界面经常会出现轻微脱空及贴合不好, 此时的分层界面直接根据灰度图中灰度差异突变中间位置即出现负反射波谷位置确定, 对于初支与二次衬砌贴合较好段, 通常由波形叠加处确定, 若为出现波形叠加, 可以通过正波波峰来确定。本文中列举东岭隧道检测的三个实例说明雷达检测中二衬存在钢筋段初支与二衬分层界面的确定问题。

⑴ZK110+866左洞拱顶, 雷达剖面图中二衬厚度显示结果为46.8cm, 实际验证结果47.0cm, 防水板深度50cm。此处可知二衬底面为箭头所指位置。 (图2)

⑵ZK110+540左洞拱顶, 雷达剖面图中二衬厚度显示结果为51.5cm, 实际验证52.0cm, 防水板深度53cm。此处可知二衬底面为箭头所指位置。 (图3)

⑶ZK111+205左洞拱顶, 雷达剖面图中二衬厚度显示结果为47.6cm, 二衬厚度48cm, 防水板深度50cm。此处可知二衬底面为箭头所指位置。 (图4)

6误差分析

误差主要来源: (1) 雷达剖面图衬砌深度读取误差; (2) 波速标定产生的误差; (3) 工程实际位置取点验证与雷达剖面图中取点位置误差。由于工程检测时精度只能控制在毫米级, 只有尽力控制现场以及后期仔细核对数据, 误差才能得到有效控制。

7结语

通过打孔验证的方式了解工程实际情况, 并与雷达波形图进行比较研究, 寻找相关规律, 提高检测精度, 逐步积累相关经验, 最终做到无损检测能够准确判断隧道衬砌厚度及质量, 是当前需要努力研究的发展趋势。

摘要：地质雷达检测技术在隧道衬砌质量检测中越来越受到重视, 因其检测方便、快捷、无损, 并能准确地反映衬砌质量问题, 现已被广泛应用, 本文根据工程实例进行验证探究, 以提高该检测技术的解释精度。

关键词：地质雷达,波形,分层界面

参考文献

[1]呼啸, 陈厚德, 吴宝杰.隧道衬砌质量检测中探地雷达图像特征研究[J].浙江交通职业技术学院学报, 2010, 11 (1) .

[2]陈培德.地质雷达检测技术在梧村隧道衬砌质量检测中的应用[J].公路工程, 2010, 35 (1) .