局部放电信号的处理

局部放电信号的处理（精选7篇）

局部放电信号的处理 篇1

摘要：电缆发生局部放电时所采集到的信号非常小且受到噪声干扰, 为了确定电缆故障, 需对采集到的信号进行处理, 包含放大和去噪。与运算放大器相比, LC谐振放大器放大效果明显。LC谐振放大器由信号源、LC谐振放大、电压跟随器组成, 通过对谐振频率选取, 元件参数计算, 增益的分配, 创建电路, 最后通过Multisim对电路进行仿真。电路结构简单, 经测试, 具有良好的放大功能, 且所得波形符合要求表明了电路的准确性。对于对信号的去噪则采用小波包变换, 通过对阈值的计算, 选择合适的数值, 在MATLAB上进行编程, 根据仿真结果可知小波包去噪的合理性。

关键词：电缆故障,高频小信号,小波包变换,MATLAB仿真,谐振放大器,电压跟随器,Multisim仿真

引言

电力电缆的使用范围越来越广, 在电力输电网络中及高压电力设备中, 因绝缘问题造成的局部放电现象是一个常见的电缆故障[1]。 一旦电缆绝缘被击穿就有可能引起停电事故造成社会影响和经济损失。 因此, 局部放电检测对于及时发现早期故障, 防止故障进一步扩大导致绝缘失效是一项非常有效的检测途径[2], 可以尽量减少财务损失[3]。 另外, 应用三脉冲法进行地埋电缆闪络性故障及高阻态故障的定位, 局部放电信号检测也是关键技术之一。

在实际问题中, 对电缆放电现场拾取得到的原始信号具有频率高且通频带窄、幅值非常小、且混杂着一定干扰信号和噪声等特点。 因此, 信号调理是局部放电检测关键环节。 噪声的存在对信号的本质特征会产生严重的干扰, 因此, 在处理原始信号时, 必须对混杂的噪声加以消除, 去噪后信号的一些重要特征才能显现出来。 文章将考虑对拾取到的信号进行硬件及软件相结合的滤波去噪处理。

对现场微小信号进行采集及数字处理的前提条件是信号放大。 采用运算放大器可以满足所需放大倍数要求, 但当放大倍数过大时容易使波形产生失真现象, 同时对于频率高、通频带窄的局部放电信号难以满足适应频率和硬件滤波技术要求。 与运算放大器相比LC谐振放大器对高频小信号有很好的放大作用且波形不易失真。

1 LC放大电路原理

电缆故障放电的信号幅值特别小, 传感器感应到的信号是非常微弱的, 一般在 μA级, 分析采集的信号, 则先要将信号放大, 这就需要用到高频小信号放大器来完成[4]。

LC并联谐振回路具有一个显著的特征, 即为选频功能, 可对所需测量的频率段的小信号进行放大处理。 LC并联谐振回路的电流信号在谐振点处呈现出较大的阻抗, 几乎是纯电阻性的, 此时将需要的电流信号转变为电压信号进行输出, 此时失谐点频率处的电流信号就会呈现较小的阻抗, 可实现抑制失谐点频率处电流信号输出的作用, 从而起到选择出需要测量的电信号, 抑制无用的干扰信号的目的。

1.1 LC谐振放大器

LC谐振放大器由两部分组成, 分别为LC谐振回路与放大器, 共发射极接法高频小信号调谐放大器, 它不但可以对有用频率信号进行放大, 同时兼具一定的滤波功能, 可以起到选择所需要的频率信号的作用。 LC谐振放大器的原理是利用电容与电感两元件的电抗随着频率的变化而发生变化, 在某一频率点或某一狭小频率带, 只有与之相匹配的LC参数, 才能满足谐振放大的条件, 该频率点之外的信号将被滤掉。 晶体管的静态工作点由三个电阻分别为R6、 R7、R8 决定。 放大器的调谐回路谐振时所对应的频率f0称为放大器的谐振频率, 高频小信号调谐放大器对处于中心频率处的信号具有极大的放大能力[5]。

f0的表达式为:

1.2 电压跟随器

在放大电路中一般存在两个问题必须加以考虑, 即信号在前级的输出电阻中因损耗产生的衰减问题和输入信号与反馈信号发生重叠造成信号失真问题。 因此放大电路中还需要一个缓冲和隔离环节。 电压跟随器的输入阻抗较高, 可以达到几兆欧姆, 而它的输出阻抗相对来说较低, 一般只有几欧姆, 甚至可能会更低, 此时电压跟随器可达到缓冲作用。 同时, 在负反馈电路中, 当输入信号与反馈信号发生重叠时, 将导致采集到的信号不准确, 影响测量结果, 此时电压跟随器将产生隔离作用。 电压跟随器可采用运放OPA355NA和电阻R1, R2 组成, 其中两个电阻的阻值是相等。

1.3 通频带和参数的选取

一般情况下, LC谐振放大电路只会对所设定的某一个特定频率范围内的信号进行放大, 即具有选频作用。 因此谐振回路中的电感L和电容C参数必须与设定频域相匹配。 如果电路输入信号频率偏离谐振频率时, 放大器的电压放大倍数就会有所下降, 电压放大倍数A1 下降到谐振电压放大倍数A2的0.707 倍时所对应的频率偏移称为放大器的通频带BW。

BW=2△f0.7=f0/Q, Q为谐振回路的有载品质因数。

2参数计算及电路仿真

旁路电容C1, C5一般大小选取为0.1μF, 电容C13, C8的取值为0.001μF。, 则L可选取标称值500ph。

局部放电脉冲信号放大的整体电路结构如图1 所示。

图1 是对高频小信号进行放大的电路图, 在测量过程中为了防止幅值较大的发射脉冲可能窜入到接收通道从而击穿放大器, 需要在信号放大之前加入一个并联倒置的二极管进行钳位处理;放大器则选用2N2222, 具有较高的放大倍数和超高的频率。

采用Multisim软件, 对上述电路作模拟仿真, 局部放电信号是高频信号, 在理论上可以用下面的数学模型等效。

其中A为局放信号的幅值;t0为放电脉冲起始时刻, fc为衰减振荡频率;τ为衰减时间常数。

此波形类似于一个逐渐衰减的正弦波, 则可采用一个正弦信号作为信号源, 仿真波形如图2所示。

从仿真结果图我们可以看出, 局部放电信号有明显的放大, 后续数字处理环节对信号等级及精度要求。但同时发现信号的相位发生了一定的偏移, 产生此现象的原因是因为电路中存在着电容, 电感和三极管2N222等一些惯性元件, 信号经过这些元件后相位就会发生改变。

3局部放电信号噪声数字处理

上述LC谐振放大电路对设定通频带外的信号能起到滤波作用, 但如果通频带设置较宽或谐振参数选择有偏差, 经放大后的信号除放电脉冲信号之外, 依然含有其他干扰信号。因此对经放大后的信号数字化后仍需进一步进行去噪处理。

3.1噪声处理方法

对于局部放电信号的去噪处理有多种方法:傅里叶变换去噪、小波分析去噪、小波包去噪。

小波包分析是一种时频联合局部化分析方法, 它是在小波分析的基础上提出来的。与小波分析相比, 小波包分析为信号提供的分析方法相对来说更加精细, 在进行处理信号时, 它会将信号的频带进行多层次的划分, 对高频部分进行进一步分解, 而小波分析则对高频部分没有细致的划分, 同时小波包分析具有很高的自主性, 可以根据被分析信号的特征, 自适应地选择相应的频带, 达到被分析信号的频带与信号的频谱相匹配的目的, 从而使信号的时频分辨率有了较大的提高[6]。对于傅里叶变换去噪, 如果干扰信号的中心频率发生变化, 则原来设置的参数都将会失效, 需重新计算, 比较麻烦。

因此选用小波包去噪的方法对局放信号进行去噪处理。

3.2小波包去噪步骤

小波包对信号去噪应用过程的步骤:

( 1) 信号的小波包分解。 选择一个小波并确定一个小波分解的层次, 然后对信号进行小波包分解。

( 2) 确定最优小波包基。 对于一个给定的嫡标准, 计算最佳树。

( 3) 小波包分解系数的阈值量化。 对于每一个小波包分解系数, 选择一个适当的阈值并对系数进行阈值量化。

(4) 信号的小波包重构。根据最底层的小波包分解系数和经过量化处理系数, 进行小波包重构。

利用小波包分析对一个含有噪声信号进行消噪处理。

图3 左上为原始信号的波形, 表示一个正弦信号, 右上为加上噪声之后的波形, 表示一个包含白噪声的正弦波信号, 左下为在默认的阈值下进行消噪后得到的波形, 从仿真结果看出去噪结果不理想, 右下为在原始默认阈值thr的基础上对阈值大小进行改变, 分析仿真得到的结果可知与原始信号相比去噪效果很明显, 信号的一些重要特征会显现出来。

4 结束语

利用Multisim仿真软件对放电脉冲拾取信号进行调理电路辅助设计, 电路结构采用了带电压跟随的LC谐振放大电路, 按通频f0和通频带宽, 经计算确定了满足谐振条件的匹配电感L和电容C。 由仿真结果图可知被测信号被放大且没有明显失真, 同时电路具有滤波, 选频的功能, 可以抑制无用的信号。 根据结果进行电缆线路的分析, 所设计的电路是符合要求的。

在小波包去噪分析过程中, 从仿真结果图可以得知小波包在信号去噪方面有明显的效果, 且对于具体问题中, 不同的阈值下的信号去噪效果有很大差别。 因此, 在应用小波包去噪解决实际问题时要选取合适的阈值来进行信号去噪处理。

通过对局部放电信号的放大和去噪处理, 采集到的信号有了明显的变换, 最大程度地提取原始信号中的有用信息, 信号的一些细节特征将会突现出来。 分析处理过的信号易于观察出电缆的故障点, 易于电缆故障的定位和检测。

参考文献

[1]OTRON H.History of Underground Power Cables[J].IEEE Electrical Insulation Magazine, 2013, 29:52-57.

[2]RUDD S, MCARTHUR S, JUDD M.A Generic Knowledge-based Approach to the Analysis of Partial Discharge Data[J].IEEE Transactions on Dielectrics and Electrical Insulation, 2010, 17 (1) :149-156.

[3]GILLIE R, NESBITT A, RAMIRE-INIGUEZ R, et al.Correlation of IEC60270, HFCT RF Spectra and HFCT PQN Patterns for HV Cable Fault[C].Jiangsu:Unknown, 2014:15-18.

[4]任青莲.高频小信号放大器的设计与仿真[J].计算机仿真, 2009, 26 (12) :315-319.

[5]黄相杰, 林佳才.LC谐振放大器的设计[J].电子设计工程, 2013, 21 (5) :176-179.

[6]黄婷.电力电缆局部放电定位方法的研究[D].西安:西安电子科技大学, 2009.

[7]胡昌华.基于MATLAB6.x的系统分析与设计——小波分析[M].西安:西安电子科技大学出版社, 2004.

局部放电信号的处理 篇2

关键词：局部放电,在线检测,预处理,标准偏差

0 引言

近年来,局部放电(简称局放)在线检测以其能减少停电损失、提高电气设备运行可靠性和降低维修费用等诸多优越性已广泛应用于评定电力设备的绝缘状态,并为越来越多的管理和技术部门所共识。在绝缘系统各种老化机理中,局放对高压电力设备的运行和维护有着重要影响。尽管在实际应用中有些绝缘系统被设计成能耐受一定程度的局放,但绝大多数绝缘材料的绝缘性能会受到多种形式的局放影响而加速老化。局放的机理是电子碰撞理论和流柱放电理论,放电到最后形成电子崩,导致绝缘击穿。因为发生在击穿前后产生一系列的电子崩,局放往往能在绝缘系统外部呈现一系列的电压和电流脉冲信号,这些信号便成为局放在线检测技术的前提条件。可通过传感器之类的检测元件收集到绝缘内外的局放信号,对其进行分类、识别和定位就是局放检测的主要任务。随着电子技术的飞速发展和电子计算机的广泛应用,计算机辅助测试系统在局放测试中的应用越来越广泛[1,2]。通过计算机辅助测试系统与传统绝缘检测方法相结合,将测得的局放信号经放大器放大、滤波后进行A/D转换,将模拟量变换成数字量后送入计算机进行数据处理和分析,相应作出各种谱图和统计量,再利用它们来分析绝缘系统中绝缘状态,指出老化程度和缺陷。局放信号的分类和识别是测量系统的核心内容,分别有不同的处理方法。对局放原始信号的预处理分类是后面故障识别和定位准确与否的重要前提,本文引入了信号理论,把局放脉冲信号转化为时域和频域内的两组数列作为模糊分类器的特征输入并通过局放数字检测系统进行验证。

1 局放脉冲数字检测

过去的局放信号检测都是建立于局放脉冲信号形状的基础之上,因为不同的缺陷源对应的局放信号大致有着不同的放电脉冲形状和纳秒级的上升时间等[3,4]。为得到这些脉冲信号的数字表示,根据奈奎斯特定律,信号采样频率一定要大于信号最高频率的两倍才能有效抑制采样信号的频率重叠。由于对每一个脉冲都要求大量的样本,再考虑到绝缘内部局放的概率性分布和一些容易混淆的信号,为了评估一个绝缘系统的绝缘性能,将需要更多的采集样本,这就要求有较高的采样率,进行连续采样,把大量数据存储到一个较大的缓存器,往往需几百兆缓存,但这么大的缓存器现在还不能达到。

要得到局放脉冲的数字信号最关键在于两方面:一是保持一定的采样率,并避免频率混淆;二是得到足够多的有效信号。这方面可用触发式在线缓冲存储器进行解决,使得只有那些超过预置水平的局放信号才会被采集,这样不仅可节省缓存空间,且可避免一些冗余无用的信息。现在的局放数字测量系统能提供较大的带宽和采样率,如泰克公司生产的TDS754A示波器,其实时带宽为500 MHz,采样率为2 GS/s,能有效分辨1 ns的放电毛刺。计算机可通过GPIB总线控制测量系统,对其写数据处理程序,设置初始值,便能得到足够多的有效脉冲数字信号,而局放信号通过各类传感器引入试品电路。图1是一典型的变压器局放数字测量系统[5]。

A—传感器B—放大器C—抗干扰模块D—采集模块E—微机系统F—软件系统C1—变压器绕组等效电容C2—高压套管等效电容

2 局放信号分类

由于不同的噪声和绝缘缺陷源所激发的局放信号拥有不同的波形,才有了局放信号分类的思想。在早期,局放脉冲信号主要是通过测量脉冲宽度从噪声信号中隔离开来,近年来发展成应用超高频法、小波变换去噪技术对信号进行提取[6]。在这里,一种涉及噪声和不同放电源的更加普遍适用的信号分类方法被提出来,并进行了试验验证。

信号分类是指把实验中经过采样的时间序列转化为次时间序列,为信号的识别进行预处理分类,每一类在波形上是相近的,这一方法可以通过一般的信号理论把原来的时域脉冲波形转化为时频两域内的特征数列,并显示在时-频图上,其思想如下:

表示原始局放信号s(t)的归一化信号。

然后计算归一化信号在时域和频域内的标准偏差σT和σF,分别如式(2)、(3)所示:

通过上述变换可以把一局放信号转换成两组数列,分别保存了时域特征和频域特征,把这两组特征数据作为模糊分类器(通过写程序得到)的输入进行局放信号归类并显示时-频图。

为了验证上述分类方法的有效性,图2是在一台有无线电干扰条件下的变压器上测得的局放脉冲三维谱图,其中放电量为放电幅值和相位的函数。从图中可以看出,原始的局放信号图2 a)经过预处理和模糊分类器,在时-频图上显示了两种脉冲波形,并且有着明显的差异。图2 b)、c)分别为两种通过处理后被分类的故障模型时域图。

3 试验诊断

局放识别中用超高频法获取局放耦合信号,通过频谱分析仪采样,然后用小波进行去噪,从中提取37个统计算子,用遗传算法和BP神经网络组合进行训练识别。图3为一组工作在9 kV电压下变压器的局放检测图。变压器的局放信号包含多种类型的故障源,分别为噪声、内部放电和表面放电。其中噪声被抑制(本图中没有显示噪声诊断图),内部放电经过进一步的诊断可得出为油中气泡放电。因变压器上所施加的电压要比正常工作电压高出30%,表面放电是事先就已能够预料的一种局放类型。

4 结语

局放在线检测要求在故障识别上有一定的准确度,本文提出的局放脉冲数字信号预处理方法为故障识别中的数据处理方面提供了更加普遍而且行之有效的方法,其主要优点有两方面:

(1)特征数据的集中提取和冗余信号的压缩。局放数据一般较为庞大且包括的多余信号较多,通过预处理分类,提取时域和频域内的特征信号,将大大增加诊断识别对象的明确性。

(2)能为小波去噪、参数选取和谱图分析提供更有效的数据源。小波分析去噪技术在局放检测中的应用越来越成熟,预处理方法能为小波分析提供较为精确的故障数据,并为后面的谱图特征分析带来方便。

参考文献

[1]Gulski E,Kreuger F H.Computer-aidedrecognition of discharge sources[J].IEEETransactions on Electrical Insulation,1992,27(1):82-92.

[2]Gulski E.Computer-aided measurement ofpartial discharges in HV equipment[J].IEEETransactions on Electrical Insulation,1993,28(6):969-983.

[3]Bartnikas R,Novak J P.On the characterof different forms of partial dischargesand their related terminology[J].IEEETransactions on Electrical Insulation,1993,28(6):956-968.

[4]Montanari G C,Contin A,Cavallini A,et al.Random sampling and data processing for PD-pulse height and shape analysis[J].IEEETransactions on Dielectrics and ElectricalInsulation,2000,7(1):30-39.

[5]苏磊,徐阳,曹晓珑,等.局部放电数字化在线检测诊断系统[J].绝缘材料,2001,34(5):35-37.

局部放电信号模式识别应用研究 篇3

随着计算机的出现及人工智能的兴起, 模式识别在很多领域得到了广泛的应用, 和传统的依靠专家目测进行放电类型判定相比, 其显著提高了识别的科学性和有效性。但局部放电模式识别技术的研究尚处于起步阶段, 一方面由于很多非确定性因素使局部放电信号的采集过程中混杂着干扰信号, 需要更好的信号处理技术获取准确的局部放电信息;另一方面, 对局部放电信号中所包含信息的内涵及规律尚未完全清楚。因此, 局部放电信号模式识别尚处于研究阶段。

2 局部放电信号的分类

要对局部放电信号进行识别, 需了解局部放电信号的特性和分类。局部放电一般指在电场作用下, 绝缘系统中只有部分区域发生放电而没有形成贯穿性放电通道的一种放电现象。局部放电的表现形式为脉冲放电电流、超声波、粒子碰撞发出的光和热、介质分解形成的分解物等。可以利用这些特征采用相应的方法对局部放电进行测试。目前应用比较多的是基于脉冲电流的电测法。

实际设备的局部放电信号看似复杂, 但这些信号都可以归结为基本的放电类型。在进行模式识别前, 要首先确定局部放电信号的放电类型, 然后进行分类, 根据不同放电类型的特征, 研究识别算法, 最后将识别算法应用与未知的局部放电信号, 进行放电类型判断。根据放电的位置和机理的不同将局部放电分为以下几种类型。

1) 内部放电:

指发生在设备或者是发生在绝缘材料内部的放电。这种放电的特征与绝缘介质的特性和放电间隙的形状、大小、位置都有关。

2) 悬浮电位放电:

悬浮电位指高压设备内部或外部金属部件因与设备松脱从而失去有效接地, 处于高压设备和地之间产生悬浮电位, 当该悬浮电位所在部件与高压设备或地的电场场强低于其间介质场强时将发生放电, 这种放电形式称之为悬浮电位放电。

3) 电晕放电

气体介质在不均匀电场中的局部自持放电, 是常见的一种气体放电形式。在曲率半径很小的尖端电极附近, 由于局部电场强度超过气体的电离场强, 使气体发生电离, 出现电晕放电。

4) 表面 (沿面) 放电

在沿介质表面 (两种绝缘材料的交接面) 的电场强度达到击穿场强时所发生的局部放电, 属于表面放电。

3 局部放电信号的模式识别

通常模式识别系统由四部分组成:数据获取, 预处理, 特征提取和选择, 分类决策。前两者是数据量的获取过程, 特征量提取是对原始数据进行变换, 得到反映模式本质的特征量或是统计量。分类决策则是在特征空间中用一定的方法把被识对象区分归为不同类型。对于局部放电信号, 数据获取和预处理一般由仪器完成, 特征量提取和选择与分类决策由计算机完成。通常后面两个过程是局部放电模式识别的重点。

3.1 局部放电信号特征量提取

为了解具体事物或事件的真实特征, 在进行模式识别时尽可能多地采集数据, 这使得样本在模式空间的维数很大, 不方便处理和应用。信号的特征选择与特征提取成为必要。模式识别系统的特征量指用于描述局部放电故障模式识别系统的一组与分类有关的参数。特征量提取的目的就是通过映射或变换的方法计算模式的某种“特征”或“属性”, 把模式空间的高维特征变成特征空间的低维特征, 以减少原始信号图的维数。其前提条件就是所提取的特征必须像原始图形那样能准确地分辨不同的模式。目前, 多采用以下方法进行局部放电信号特征量提取。

1) 相位统计特征:

在工频交流电压作用下, 局部放电的发生具有明显的相位特征。每个局部放电脉冲具有特定的幅值以及相对于工频试验电压特有的相位角。因此可以把局部放电基本参数:放电量q和脉冲放电次数n看作放电发生相位角φ的函数, 用以表示局部放电特征。

2) 放电统计特征:

由于局部放电具有明显的随机性, 而且它可能随着放电位置的不同以及局部场强和电压作用时间而发生变化, 因此可以采用与随机特性有关的识别方法, 即提取统计参数特征作为局部放电信号特征量。

3) 脉冲波形特征:

在局部放电测量中应用高速采样和宽带检测技术, 可以记录每个脉冲的时域波形。不同类型放电与其电流脉冲信号的波形是相对应的, 可直接用测得的局部放电脉冲信号的波形特征对放电源进行分类。提取局部放电信号波形的特征量, 包括时域、幅值域、频域等特征量作为分类器的学习训练输入样本。

4) 分形特征:

分形学是以复杂事物 (信息) 为研究对象的新兴学科, 其分形信息论是用信息度量理论原理和方法来研究信号的分形及其度量和属性。由于电器结构的复杂性和局部放电的随机性, 导致局部放电信号不规则性;但局部放电本身又有许多规律性, 因此表现为一种无周期的有序态, 总体表现为无序性和局部规律性, 这使得局部放电信号具有分维性质。基于分形特征的局部放电模式识别研究也表明, 局部放电的多种模式集合具有分形特征, 属于分形几何研究的对象范畴。

5) 矩特征:

矩特征是一种被广泛应用的图形识别特征, 它在统计意义上描述了一幅灰度图象中所有象素点的整体分布情况, 与一些最基本的图象形状特征有直接关系。局部放电信号有其自身的特点:如果按照局部放电发生的工频相位分布, 可将三维统计图谱划分成工频正、负两部分, 不同类型局部放电的两幅图象具有不同的相关程度。研究描述这种相关程度的统计特征, 有助于局部放电模式识别的应用。

3.2 自动识别理论

针对不同的对象和不同的目的, 可以用不同的模式识别理论、方法, 目前应用与局部放电识别的识别方法有统计模式识别 (又称决策理论方法) 、模糊识别、神经网络等方法, 它们之间又存在一定的联系和借鉴。根据这几种方法, 设计出局部放电的模式识别的决策分类器, 主要有:基于距离的模式分类器、线性及非线性分类器、聚类分析分类器、模糊识别分类器、人工神经网络分类器。基于距离的模式分类法是依据待检模式与样本之间的距离判别模式匹配的程度, 距离越小则模式匹配程度越高。线性及非线性分类法可归结为找到一个能够返回某种度量值的线性或非线性函数, 而且该度量值能够成为区分样本不同类别的依据, 根据这些依据来训练分类器。聚类分析是对一批没有标出类别的模式样本集, 按照样本之间的形似程度分类, 相似的归为一类, 不相似的归为另一类。人工神经网络是由大量简单的基本单元 (神经元) 相互联接而成的非线性动态系统, 每个神经元结构和功能比较简单, 而由其组成的系统且可以非常复杂, 具有人脑的某些特征, 能用于联想、识别和决策。近年来采用BP (back propagation) 算法的前馈网络是当前应用最为广泛的人工神经网络 (如图1所示) 。BP网络基本思想是将输出层产生的误差, 通过连接权值传到隐含层, 逐步后退最后达到输入层, 从而根据误差调整各层间的权值。最终使输出层达到某种要求。

3.3 局部放电信号模式识别应用

为了研究具体设备的局部放电的特征, 选取干式互感器作为研究对象, 其原因是因为干式互感器的结构简单, 可能存在的局部放电的原因多是环氧树脂浇注时真空不够, 内部存在气泡、裂隙。内部放电是干式互感器 (固体绝缘, 绝缘材料为环氧树脂) 产生局部放电的主要原因。为了方便研究, 假设所测试具有相似局部放电谱图的干式互感器均为内部放电 (如气泡、裂隙) 原因造成, 根据30只干式互感器的局部放电的相似放电图谱可以发现, 内部放电发生在第一、第三象限, 即电压幅值上升的部分, 而且正负半周的放电基本对称, 最大放电的相位在正负半周45度左右。

在软件中将相位分成若干个区间, 通过软件计算得出每个相位区间放电次数和平均局部放电量即Hn、Hqn。同时由软件统计功能由可以得出Hn、Hqn的统计量偏斜度Sk、陡峭度Ku、放电量因数Q、互相关系数cc以及局部峰点数Peaks。由样本值和样本均可以得出以下规律, 正负半周Hn、Hqn的Peaks差异较小, 且正负半周Hn、Hqn的Peaks均较大, 说明正负半周局部的放电特征相似, 即局部出现最大放电次数、最大放电量的次数接近;Q较小说明正负半周放电量差异不大。同时cc的较大说明正负半周平均放电量相似程度较高。正负半周Hn的Sk的样本值及均值大于0, 说明正负半周的放电次数的统计谱图相对于正态分布左偏。正负半周Hqn的Ku的样本值大部分 (>75%样本值) 小于0, 均值小于0, 说明正负半周的平均放电量的统计谱图相对于正态分布平坦的概率较大。

由此可以得出假设的内部放电的统计规律。假设30个个体的统计量取自同一放电类型的随机样本的统计量, 根据我们得出的该放电类型的统计规律, 计算样本中的统计量Q[Hqn (φ) ]、Sk[Hundefined (φ) ]、Ku[Hundefined (φ) ]、Pe[Hundefined (φ) ]、Pe[Hundefined (φ) ]的99%置信区间, 经过计算上述统计量置信度99%的置信区间分别为[0.86, 1.36], [0.48, 0.91], [-1.02, -0.47], [22, 28], [23, 30], 对cc求置信度99%的单侧置信区间为[0.60, 1]。以上统计量构成对局部放电模式识别的特征量, 各统计量在模式识别中的权重相当, 在对模式判别中, 计算被测试品局部放电的相关统计量是否落在上述置信度为99%置信区间内, 依据测试对象中6个统计量值落入置信区间的概率来确定为环氧树脂内部放电的概率。

图2、图3为两个试品的放电谱图, 根据上述计算方法计算图2为环氧树脂内部放电的概率为33%, 图3为环氧树脂内部放电的概率为83%, 根据局部放电的特点可直观判断图2为较明显的电晕放电谱图。可见这种内部放电的识别方法具有一定的合理性和代表性, 其识别结果有助于对环氧树脂内部放电类型的判断。

4 结束语

由于样本数量受试品个数限制, 以上方法存在一定的误差和限制。同时统计量落入样本置信区间的概率来代表放电可能性的概率还值得进一步的深入研究。随着计算机及数字处理技术的不断发展, 信号的处理及自动识别技术将得到广泛应用。但由于局部放电信号存在的多样性、复杂性、形成因素的不确定性等, 造成现有大多的局部放电识别系统与实际脱节, 识别效率不高, 应针对具体某种类型的设备, 根据设备的特点, 对局部放电信号进行分类, 根据其放电信号所具有的特征, 选择合适的识别方法进行识别;进行大量的设备局部放电信号的统计, 来验证识别方法的效率, 来形成一套高效、准确、方便的识别方法。

参考文献

[1]李剑, 孙才新, 廖瑞金, 等.用于局部放电图像识别的统计特征研究[J].中国电机工程学报, 2002, 22 (9) :104-107.

[2]郑重, 谈克雄, 高凯.局部放电脉冲波形特性分析[J].高电压技术, 1999, 25 (4) :15-20.

局部放电信号的处理 篇4

由于电负性气体SF6极强的灭弧能力, 被广泛应用于电力系统电气设备绝缘结构, 并且发挥了极强的绝缘性能。然而, 从大量GIS事故发现, 事故之前常常发生局部放电现象, 该现象是GIS绝缘强度降低的先兆, 因此研究GIS内缺陷引起的局部放电现象尤其重要, 为保证GIS安全稳定运行, 及时发现缺陷隐患具有重要的作用。

局部放电现象同时会伴随声、光、电、热等现象, 其中应用最广泛的是脉冲电流法、超声法和超高频法, 然而脉冲电流法由于在线运行GIS不适用, 超高频法由于硬件放大器设计和制作具有较高要求, 因而其性能一直受到限制。超声法是一种获取局部放电现象产生的超声信号分析缺陷类型的方法。由于变电站现场噪声较大, 大量局部放电信号淹没于噪声中, 很难获取有用信号, 因而也无法判断缺陷类型及其特性。而超声法是机械振动波法, 巧妙地避开了电磁干扰, 因而对GIS绝缘检测具有较好的优势。

以下介绍GIS典型缺陷模型, 通过超声法获取其缺陷超声信号, 并分析了GIS典型缺陷超声信号特性, 提出了超声信号连续谱图和相位谱图结合判别GIS缺陷类型的方法。

2 试验装置及电路

图1所示, GIS典型缺陷超声波实验和测量系统的原理图。图中K为开关, V为阻容分压器和H.V.为高压电源。试验装置由1:1真实220kVGIS罐体组成, 该罐体通过三个气室组成, 分别为高压套管气室、隔离开关气室和接地开关气室。所有的实验都在室温 (22℃) , 大气压 (748mmHg) 下和相对湿度为40-60%进行。本实验中采用的接触式压电超声波传感器 (中心频率为40kHz) 压贴在接地电极的表面, 且传感器表面涂覆耦合剂以防止超声信号的衰减。信号的采集采用AIA超声局放仪器。

3 GIS金属性缺陷模型

根据GIS内金属性缺陷类型, 文中设计了四种缺陷类型, 分别是高压导体上尖刺、悬浮电位、绝缘子上微粒和地电极上尖刺。在测量超声波信号时, 超声传感器紧贴GIS外壳, 采用的前置放大器为40dB。

4 GIS典型缺陷超声波特性

GIS内部缺陷在高场强下可产生局部放电现象。局部放电现象的检测采用的超声检测法。如图2 (a) 和 (b) 所示高压导体尖刺超声信号图谱和相位谱图 (电压89kV) , 其中图 (a) 所示连续谱显示频率成份1 (50Hz) 是0.45mV, 频率成份2 (100Hz) 是2.9mV, 说明局部放电具有低频和高频成份。从图 (b) 相位谱图可以看出高压尖刺缺陷大量脉冲群主要集中于90°和0°之间, 并未集中与90°附近, 说明高压尖刺模型一旦发生局部放电现象, 并且具有初始电子崩以及足够的电场强度, 会在电压正半周波形前部较低电压发生持续的局部放电现象。

如图3 (a) 和 (b) 所示悬浮电位超声信号连续和相位谱图。从图中可以看出, 电压等级虽然和高压尖刺模型相当 (85kV) , 但是悬浮电位产生的局部放电信号为2.2mV, 其信号较小, 并且连续谱显示频率成份1 (50Hz) 是0.08mV, 频率成份2 (100Hz) 是0.02mV, 均较小。从图4 (b) 相位谱图所示大量脉冲在电压较低的情况下, 首先从电压负半周开始出现, 而经典高压尖刺模型的首先在正半周出现超声脉冲。

如图4 (a) 和 (b) 分别是绝缘子上微粒超声信号连续和相位谱图。从图5 (a) 可以看出, 在电压 (95kV) 较高的情况下, 绝缘子上的微粒产生的超声信号连续谱图频率成份2为0.35mV, 频率成份1为0.17mV, 说明一次成份 (低频) 低于高频成份, 说明此超声信号群高频成份较多。从图5 (b) 中可以看出, 脉冲群主要集中于90°-180°和270°-360°之间, 与高压尖刺、悬浮电位模型不同, 脉冲群不是出现电压上升期间, 而是出现在电源电压下降过程, 这主要是绝缘子上的微粒畸变场强较严重, 无需较高的电压就可以产生满足局部放电现象的场强;并且由于电源电压上升阶段电子产生数量较少, 且绝缘子在电压正向时具有一定电荷积聚能力, 电荷不易在高场强下释放, 因此在电压下降阶段, 电荷积累较多且场强较高的情况下产生局部放电现象。

图5 (a) 和 (b) 所示, 分别是地电极尖刺超声信号连续和相位谱图。从连续谱图看出, 地电极76kV情况下, 频率成份1是0.06mV, 频率成份2是0.26mV, 说明悬浮电位和地电极尖刺模型类似, 高频率成份比低频成份幅值高。从相位谱图可以看出, 低电极尖刺脉冲群大量主要90°和270°附近, 与高压电极尖刺模型类似。

5 结论

综上所述, 提出了基于连续模式和相位谱图分析GIS缺陷类型的方法。超声实验数据表明:高压尖刺和悬浮电位的高频成份均低于低频成份;而绝缘子上的微粒和地电极尖刺模型高频成份均高于低频成份。高压尖刺模型和地电极尖刺模型所获取的超声信号幅值均大于绝缘上的微粒和悬浮电位模型。高压导体尖刺超声脉冲群主要集中于电压正半周上升沿和负半周下降沿;悬浮电位超声脉冲主要集中于电压负半周上升沿;绝缘子上的微粒超声信号主要集中于电压下降沿;地电极尖刺模型主要位于90°和270°附近。

摘要：介绍接触式超声测量系统, 研究了GIS典型缺陷局部放电超声信号特性, 并提出了基于局部放电连续谱图和相位谱图分析缺陷类型的方法。

参考文献

[1]王建生, 邱毓昌.气体绝缘开关设备中局部放电在线监测技术[J].电工电能新技术, 2000 (4) :44-48.

[2]K D Srivastava, M M Morcos.A Review ofSome Critical Aspects of Insulation Design of GIS/GIL Systems.Transmission and Distribution Confer-ence and Exposition IEEE/PES 2001.Atlanta.USA.2001.

[3]中华人民共和国国家标准GB 50150-2006电气设备安装工程电气设备交接试验标准[S], 2006.

[4]谭向宇, 郭浩, 张乔根, 张俊.直流下GIS内运动金属微粒的超声波特性及状态识别[J].高电压技术, 2010, 36 (2) :391-395.

局部放电信号的处理 篇5

1 脉冲电流(PD)检测技术

脉冲电流法是研究最早、应用最广泛、唯一具有国际标准(IEC270)的局部放电定量检测方法。它是将被测设备等效一个电容，当其内部发生局部放电时，将在检测回路中形成脉冲电流信号，如图1所示。通过检测阻抗Zm检测这个脉冲电流并通过标准方波脉冲进行定量校正，即可得到局部放电量大小。该方法的测量频率通常低于1 MHz(最高也不会为10 MHz)，具有较高的检测灵敏度，但易受外部电磁干扰影响。该方法主要用于试验室环境，或现场离线试验。由于局部放电信号极其微弱(微安级电流)，而被监测设备运行现场的各类干扰又非常强烈，故如何抑制和识别外部干扰，是局部放电在线监测的技术难点。尤其是应用于在线监测时，即便采用了窄带选频测量技术、脉冲极性鉴别技术和开设相位窗口，也难以获得有效的干扰抑制能力。

2 超声波(AE)检测技术

超声波检测法是利用超声换能器，将被测设备内部局部放电产生的超声波信号转换为电气信号。对于变压器而言，由于设备内部绝缘结构较为复杂，各种声介质对声波的衰减及对声速的影响也不同，因此该技术通常仅可用于定性地判断是否存在局部放电，并结合电脉冲信号或直接利用超声信号对放电源进行定位，无法进行定量检测。由于变压器的结构较为复杂且尺寸较大，声波信号在向外壳传播过程中，会明显受到铁心、夹件、线圈、绝缘纸板等固体绝缘材料的阻挡和衰减，实际所能达到的检测灵敏度将大打折扣。如果传感器接近放电缺陷，或者传播途径中无固体材料的阻挡，则通常可达到较高的检测灵敏度，例如绕组围屏及相间隔板的放电、分接开关接触不良的放电、绕组出线及引线绝缘的放电、最外层绕组表面的放电、磁屏蔽及静电屏蔽的悬浮放电等。但在测量点远离缺陷的情况下，或者对发生在固体结构深处的局部放电，因声波信号在传播时要受到严密的阻隔和衰减，通常难以在油箱表面接收到有效的信号，当然更无法进行定位。

因此，该技术若用于变压器局部放电在线检测，则需安装数量较多的传感器，且传感器与油箱之间的界面耦合处理也较为复杂，通常难以获得必要的检测灵敏度。

3 超高频(UHF)检测技术

超高频检测法是近年来发展起来的，也是目前最有希望在变压器局部放电在线监测方面获得突破性进展的一项新技术。该技术最早应用于GIS设备的局部放电检测，近年来逐步推广应用于变压器、发电机、电缆等。变压器中每一次局部放电都发生正负电荷中和，伴随有一个陡的电流脉冲，并向周围辐射电磁波。试验结果表明:局部放电所产生电磁波的频谱特性与放电源的几何形状及放电间隙的绝缘强度有关。当放电间隙比较小时，放电过程的时间比较短，电流脉冲的陡度比较大，能辐射出较高频率的电磁波;而放电间隙的绝缘强度比较高时，击穿过程也会较快，此时电流脉冲的陡度也较大，辐射高频电磁波的能力也会较强。例如:空气中电晕放电所产生的脉冲电流具有比较低的陡度，仅能产生100 MHz以下频率的电磁波，超过300 MHz的频率分量很少，相比之下，变压器油中局部放电所产生的脉冲电流，通常具有纳秒级的脉冲陡度，脉冲持续时间介于1 ns～100 ns之间，可产生频率在1 GHz以上的电磁波。传统的局部放电检测技术，由于测量频率较低，测量频带与周围环境的强干扰源的频带重叠，因而易受外界干扰的影响，既不能避开干扰测量，也不容易区分放电与干扰。而超高频检测技术，则是在UHF频段(300 MHz～3 000 MHz)内接收局部放电所产生的高频电磁脉冲信号，如图2所示。由于电力系统中的干扰信号(包括空气中电晕放电)频率分量通常低于300 MHz，因而在UHF频段进行局部放电检测，可以避开绝大多数的干扰脉冲信号，而对于分布在UHF检测频段内的固定频率干扰(如手机通讯、电视信号等)，则可通过选频滤波方式来避开这些干扰频段，从而达到局部放电信号的在线检测的目的。

采用UHF法检测变压器局部放电信号的灵敏度，目前已得到普遍证实。例如，英国DMS通过变压器检修孔预先安装的UHF传感器(如图3所示)，利用UHF宽带检测技术(500 MHz～1 500 MHz)，可检测到20PC的局部放电信号。而荷兰KEMA则通过变压器事故放油阀安装的UHF传感器(如图4所示)，利用抗干扰更好的UHF窄带检测技术(40 MHz或80 MHz带宽)，同样可检测到50PC的局部放电信号。

4 结语

目前在现场实际得以应用的变压器局部放电检测技术中，脉冲电流法更适合于试验室环境或现场离线试验，运用于在线监测效果不佳;超声波检测法仅能用于定性检测，而且也很难做到对变压器内部局放的定位;超高频检测法更加适合于变压器局部放电的在线监测。

摘要：对目前常用的脉冲电流、超声波、超高频三种局部放电检测技术进行了介绍,并分析了其在变压器设备上的应用效果,提出了对于变压器各种局部放电检测方法的适用范围。

局部放电信号的处理 篇6

局部放电(以下简称局放)检测是诊断电力设备绝缘故障的有效手段之一,对提高电力系统的可靠性和经济性具有重要意义。由于早期绝缘故障产生的局放信号往往十分微弱,在现场检测时会淹没于各种高强度的干扰之中,因此如何抑制各种干扰,提取有效的放电信号,是现场局放检测需要解决的一个关键问题[1,2,3,4]。

局放检测中的干扰信号主要有窄带干扰、脉冲型干扰和白噪声干扰。其中,由系统高次谐波、载波通信及无线电通信所引起的窄带干扰比较常见且往往强度较大,应作为首先抑制的对象[5,6,7,8]。目前,针对窄带干扰的滤波方法主要有FFT滤波[9]、自适应滤波[10]及小波变换[11]等方法。近年来,基于经验模态分解(EMD)理论的窄带干扰抑制方法得到了广泛应用,取得了较好的效果[12,13]。EMD是一种分析非线性、非平稳信号的新方法,能够将复杂信号分解为一组平稳化的固有模态函数(IMF)[14]。分解得到的IMF具有从高频到低频的滤波器特性,可用于非平稳信号的干扰抑制。然而,EMD方法在对含突变信号的平稳信号进行分解时会产生模态混叠现象[15],即一个IMF中包含频率尺度差异较大的信号分量,或者相似频率尺度的信号分量出现在不同的IMF中。因此,在分解含窄带干扰的局放信号时,局放信号的突变性会使得某些IMF中仍然同时含有窄带和局放成分,从而无法将两者进行有效的分离。

针对EMD的模态混叠问题,Huang等人在研究白噪声的EMD特性基础上,提出了一种EMD的改进方法——集合经验模态分解(EEMD)[16]。通过在信号中人为添加白噪声成分,使信号的不同频率尺度能被自动投影到由白噪声所建立的均匀空间的相应频率尺度上,最后通过多次重复取整体平均的方式消除所添加的白噪声成分。本文在上述理论的基础上,对含有窄带干扰的局放信号进行EMD分解时所产生的模态混叠现象进行了分析,并给出了基于EEMD的解决方法。同时依据白噪声的EMD分解特性,结合自适应阈值方法对EEMD中添加的白噪声干扰进行抑制,取得了较好的效果。

1 经验模态分解理论

1.1 经验模态分解算法

EMD将信号分解成一系列的IMF,每个IMF须满足以下两个条件:(1)信号的极值数目和零点数目相等或最多相差一个;(2)在任何一点,极大值包络和极小值包络的均值为零,即IMF的均值趋近于零。

对于信号x(t),EMD分解的迭代算法如下[14]:

初始时,IMF记为imfn(t),n初始为1。初始迭代序列h i(t)=x(t),i初始为1。

(1)求出数据序列hi(t)中所有极大值点和极小值点,并采用三次样条函数拟合成上下包络线。上下包络线均值为该序列的平均包络线mi(t);

(2)将hi(t)减去其平均包络线mi(t),得到一个低频的新数据序列hi+1(t)=hi(t)-mi(t);

步骤(1)、(2)称为一个筛选过程,重复步骤(1)、(2),直到满足结束条件。结束条件可通过连续两次迭代结果的标准差来判别,如式(1)示。

通常S.D.∈[0.2,0.3]时效果较好。这样,就得到了第n个IMF分量,imfn(t)=hi+1(t);

(3)将信号x(t)减去imfn(t)得到剩余数据序列

(4)把r(t)看成一组新的待分解信号,重复以上步骤直到r(t)为单调函数,不可再分解为止。设分解次数为N,信号即可表示为N个IMF分量和残差之和,如式(2)示。

EMD分解过程类似一组二进滤波器,具体表现在式(2)中每个imfn(t)的中心频率为imfn-1(t)的1/2。因此通过选取适当频率范围的IMF,就能获取不同的滤波效果。

1.2 集合经验模态分解方法

EEMD方法是为了解决模态混叠问题的EMD的改进方法。该方法的本质是,在每次EMD分解时,所添加的白噪声在整个时频空间内均匀分布,因此信号不同频率尺度可以被自动投影到由白噪声所建立的均匀空间的相应频率尺度上。由于每次添加到信号上白噪声之间不相关,因此对所有IMF做整体平均后,添加的白噪声能够互相抵消[16,17]。EEMD方法的流程为:

(1)在信号上添加的白噪声,该白噪声应服从(0,(ασ)2)的正态分布。其中,σ=std(x(t))为信号的标准差,α为噪声强度参数;

(2)对叠加白噪声后的信号进行EMD分解,得到各IMF分量;

(3)重复步骤(1)、(2)共m次,每次添加强度相同但序列不同的白噪声,得到各IMF分量;

(4)对所有m次EMD分解后得到的各层IMF分量分别求整体平均,即为最终的IMF。

EEMD方法应用时,需要确定噪声强度参数α和重复次数m。文献[16]中给出,m为100次,强度参数α从0.1~0.3选择时能够取得较好的结果。因此在本文中选取强度参数α为0.18,m为100。

2 自适应阈值计算

EEMD方法添加的白噪声需要通过多次平均进行抑制,其抑制效果与重复次数m紧密相关。重复次数过大会严重影响分解速度,因此考虑通过自适应阈值的方式对IMF中的白噪声进行抑制[18]。通常在对信号中的白噪声干扰进行抑制时,可通过如式(3)的方式来确定阈值[19]。

其中:N为信号长度;σ为噪声分量的标准差,可通过式(4)来估计。

而对于分解后的IMF,由于EMD分解的二进滤波作用,每层IMF中所含的白噪声能量逐渐递减,可通过式(5)来估计[20]。

其中:E1为第一层IMF的白噪声能量,可通过式(4)来估计;ρ和β为与筛选循环次数有关的参数。文献[18]给出ρ为2.01,β为0.719。

由式(3)~(5)可推出每层IMF的阈值为

式中,C为与信号相关的常数,在本文中取1.1时,即可取得较好的消噪效果。

3 仿真实验分析

3.1 局部放电窄带干扰模态混叠现象分析

对电力设备中产生的局部放电进行仿真分析时,通常可采用单指数衰减振荡函数和双指数衰减振荡函数来模拟放电信号。其仿真公式表述为

式中:A为信号幅值;fc为振荡频率;τ为衰减系数。本文采用不同的fc和τ组合,共模拟8组放电脉冲,其参数如表1所示。8组脉冲的峰值均为100m V,脉冲宽度10μs,脉冲间隔10μs,采样率为50 MHz(图1(a))。叠加幅值为50 m V,频率为500 k Hz的窄带干扰后如图1(b)所示。对该信号进行EMD分解后(图2,只列出前5个分量结果),可以看到局放信号主要集中在imf 1中,而由于模态混叠的问题,使得部分窄带干扰也被分解其中,因此仅通过阈值处理方法无法提取出有意义的局放脉冲来。

为研究叠加窄带干扰强度和频率对EMD分解的影响,笔者选择频率从10 k Hz至1 MHz,步长10 k Hz,幅值为10 m V、50 m V、100 m V、200 m V的窄带干扰信号,分别叠加到原始放电信号上。将EMD分解后imf 1中的非局放成分称为混叠部分(统计区域可参见图3中粗线部分,由于EMD分解存在边沿效应[21],因此不考虑信号的起始及结束部分),统计混叠部分的最大幅值,作出窄带幅值、频率混叠部分最大幅值关系曲线(图4)。从中可以看出,对于四种幅值的窄带干扰,该成分最大幅值在一般情况下都要大于所叠加窄带干扰的幅值,且在窄带频率小于250 k Hz时,其值比较大且有较大波动,而在大于250 k Hz时,其值基本上保持稳定。为研究这一现象,选取图中50 m V曲线最小对应频率980 k Hz,最大对应频率20 k Hz的imf 1进行分析(图3)。当窄带频率为980 k Hz时(图3(a)),与500 k Hz(图2)情形类似,其混叠成分主要以窄带干扰为主,其幅值要小于放电信号,这种情况下局放脉冲的峰值部分能够提取出来,但振荡部分大多和干扰成分重合而无法分辨。而当窄带频率为20k Hz时(图3(b)),其混叠成分的频率要远低于20k Hz,该成分并非由窄带干扰本身产生,而是由模态混叠所产生的虚假信号。其最大幅值要高于局放信号,这不利于局放成分的阈值提取,但该成分与局放成分在时域上有明显差别,不会影响到局放成分的振荡部分提取。

从以上分析可以看出,传统EMD分解方法在针对不同强度和频率的窄带干扰时,均存在其无法克服的模态混叠问题,因此笔者尝试采用EEMD方法加以解决。

3.2 单一频率成分窄带干扰EEMD滤波分析

通过上文所述的EEMD方法,对叠加500 k Hz窄带干扰的信号进行分解,得到图5所示结果(只列出前5个分量)。其中,imf 1中主要以白噪声成分为主,也含有部分局放信号成分;imf 2中以局放脉冲的高频成分为主;imf 3以局放脉冲的低频成分为主;imf 4和imf 5中主要是窄带干扰成分。这一结果完全体现了EMD分解从高频到低频的滤波器特性,且分解过程中没有出现混叠及虚假成分。基于时空滤波理论,选取前3个分量进行重构后得到的滤除窄带后信号如图6(a)所示。该信号已经能较好地体现出局放脉冲,但是背景上仍有少量白噪声干扰。为提高信号信噪比,可通过本文第2节提出的自适应阈值法确定各IMF阈值,并对其进行硬阈值处理。计算出IMF的阈值分别为5.003、2.936、2.071,滤波后结果如图6(b)所示,可以看出原图6(a)中信号的背景白噪声已经基本被滤除。

3.3 多种频率成分窄带干扰EEMD滤波分析

以上只针对单一频率的窄带干扰,为研究多种频率成分下窄带干扰对EMD分解的影响,在上文原始放电信号上同时叠加频率为300 k Hz、400 k Hz、500 k Hz、600 k Hz、700 k Hz,幅值为20 m V的窄带干扰(图7)。在此情况下,局放信号已经完全淹没于干扰之中。对叠加信号进行EMD分解后各IMF分量如图8(a)所示(只列出前5个分量),从中可以看出,局放成分和干扰成分依然混叠于imf 1中。而采用EEMD方法进行分解后(图8(b)),局放信号成分能够明显地分布在imf 2和imf 3中,没有出现模态混叠的现象。其他IMF成分也与单频率窄带干扰EEMD的分解结果一致。在八组放电脉冲中,能够看到第1、3组脉冲效果不甚理想,其原因为这两组脉冲均为单指数振荡衰减,其振荡频率为1 MHz,与叠加的窄带干扰频率接近,其波形与所叠加的窄带成分有较多重合,从而影响了分解效果。同样选取前三个IMF重构后得到消除窄带干扰后的信号(图9(a))。在其背景中仍然有白噪声成分,通过自适应阈值法确定阈值分别为7.891、4.631、3.266,消噪后的结果如图9(b)所示。

4 现场电缆检测局放信号分析

对华东地区某110 k V变电站内的35 k V电压等级XLPE电缆进行现场局放检测时,使用Rogwoski线圈耦合电缆接地线上的高频电流,能够采集到如图10(a)所示的信号,其频谱如图10(b)所示。从图中可以看出,该信号中含有较强的窄带成分,经分析其频段后判断由电缆本体耦合了较强的广播信号所致。对该信号分别做EMD和EEMD分解后(图11)发现,EEMD在im f1、imf 4、imf 5中均能够看到比较明显的放电成分;而EMD中,只有imf 1中有比较明显的放电成分,在imf 4和imf 5中由于放电成分和窄带成分混叠而无法区分。因此通过EEMD方法所提取出的局放成分能够较好地保留原始放电信号中低频分量。取EEMD的imf 1,imf4,imf 5重构后所得到的窄带抑制结果如图12(a)所示。其背景噪声成分较高,这主要是因为该噪声不仅包含EEMD方法添加的白噪声成分,也包含采集信号本身所含有的高频噪声干扰。对该信号进行自适应阈值法滤波后,得到图12(b)所示结果。原信号中的背景噪声已经被完全消除,同时较好地保留了其中的放电脉冲成分。上述结果能够较好地体现出本文方法的优越性。

5 结论

在通过EMD方法抑制局放信号中的窄带干扰时,会出现模态混叠问题。本文基于EEMD理论,针对这一问题进行了研究,得出以下结论:

(1)在局放信号上叠加不同幅值,不同频率的窄带干扰,通过EMD方法均会产生模态混叠现象。在窄带频率较高时,其混叠成分主要是窄带干扰;当窄带频率较低时,主要由虚假成分构成。这两种情况均导致imf 1中局放信号和混叠成分发生重叠,无法有效提取出局放信号。

(2)针对单一频率成分和多频率成分窄带干扰信号,EEMD方法在强度参数α取0.18,重复次数M取100次时,能够将局放信号和窄带干扰分解到不同的IMF中,解决了模态混叠问题。

(3)EEMD方法本身会引入白噪声干扰,本文提出的基于白噪声EMD分解特性的自适应阈值方法能够对其进行有效抑制。

局部放电信号的处理 篇7

随着电力系统的不断发展,电压等级越来越高,对大型电力设备的绝缘性能要求也越来越高。局部放电会逐渐腐蚀、损坏绝缘材料,使放电区域不断扩大,最终导致整个绝缘体击穿。电力设备内部早期故障产生的局部放电信号很微弱,而且现场存在着强烈的电磁干扰,局部放电信号往往被淹没在噪声中,对局部放电信号的检测和提取产生直接影响。因此,研究强噪声背景下的局部放电信号提取,对大型电力设备早期绝缘故障诊断有很重要的意义[1,2,3]。

局部放电的干扰信号按照其波形可分为窄带周期型干扰、平稳随机型干扰和随机脉冲干扰[4]。电力系统的载波通信、高频保护信号和无线电广播对监测的干扰属于窄带周期型干扰;各种设备以及监测线路中的白噪声属于平稳随机型干扰;输电线路和邻近电力设备的电晕放电和内部放电干扰信号属于脉冲型干扰。本文主要讨论平稳随机型干扰和窄带周期型干扰在局部放电信号提取中的影响。

目前研究局部放电信号提取的方法有小波阈值去噪法[5,6,7]、HHT方法[8,9,10]等,它们对局部放电信号的处理都能达到一定的效果,但是也都存在各自的问题。如小波的多分辨率特性能将信号在不同尺度下进行多分辨分解,但是小波变换的基函数的选取和最佳小波分层数的确定都存在问题,所以不能保证最优的分解效果。HHT方法可以分析非线性、非平稳的信号,具有良好的局部适应性,但这种方法会产生虚假分量,存在端点效应和模态混叠,且各分量的物理意义不是很明确。

本文提出将谱峭度SK(Spectral Kurtosis)[11,12]的方法应用到局部放电信号的提取中。谱峭度属于高阶统计量的范畴,是一个4阶累积量,理论上能够完全抑制高斯噪声,表征信号中的非平稳和非高斯信号,并且能够确定其在频带上的位置。谱峭度方法凭借其良好的统计特性已经在机械振动系统的故障诊断,如齿轮故障诊断[13]、轴承早期故障诊断[14,15]中得到广泛应用,并取得了很好的成果。本文通过求取谱峭度,根据其设计自适应最优带通滤波器,对局部放电信号进行滤波,从强噪声中提取出局部放电信号,并进行2~3层小波平滑去噪,以进一步提高局部放电信号特征的提取精度。通过仿真实验分析验证了本文方法的可行性和有效性。

1 谱峭度

1.1 谱峭度的定义

峭度是随机变量的4阶累计量,作为一个全局性指标不能反映特定信号分量的变化情况,因此,不适合强噪声环境下的状态检测问题。为了克服峭度在工程应用中的不足之处,Dwyer提出了谱峭度方法[16]。

考虑非平稳信号的Wold-Cramer分解,定义Y(t)为由信号X(t)激励的系统响应,则Y(t)可以表示为[17]:

其中,H(t,f)是系统的时变传递函数,可解释为信号Y(t)在频率f处的复包络。在实际系统中,H(t,f)是随机的,可表示为H(t,f,w),w表示滤波器时变性的随机变量。

S2n Y(t,f)为2n阶瞬时矩,是复包络能量的度量,定义为:

因此,当n分别取1、2时,谱峭度可定义为:

1.2 谱峭度的性质

谱峭度有很多性质[17],本文主要给出以下2个性质。

性质1一个纯的平稳过程Y(t)的谱峭度为:

特别地,一个纯的平稳高斯过程Y(t)的谱峭度为0。

性质2一个条件非平稳随机过程Z(t)=Y(t)+N(t),N(t)是添加的噪声信号,它与Y(t)相互独立。N(t)的谱峭度为:

其中,ρ(f)=S2N(f)/S2Y(f),为噪信比。根据式(5)可以得出,ρ(f)越大,谱峭度值越接近于0,而ρ(f)越小,谱峭度值近似等于KY(f),因此在整个频域进行搜索,可以找到谱峭度最大的频带。

2 基于谱峭度的局部放电去噪算法

本文根据局部放电信号的特征,提出一种基于谱峭度的局部放电信号提取新算法。该算法核心思想是首先求取出含噪局部放电信号的谱峭度,然后根据谱峭度设计自适应带通Wiener滤波器,再进行小波平滑去噪,提取出局部放电信号。

2.1 估计谱峭度

根据谱峭度的定义,本文采用短时傅里叶变换(STFT)的方法实现峭度谱的估计[18],如式(6)所示。

其中,Y(m)为一个随机过程;w(m)为窗函数,其长度为Nw。

定义Yw(u,f)的2n阶谱矩为:

其中,〈·〉l表示l阶时平均。因此,当n分别取1和2时,基于STFT的谱峭度的估计值为:

2.2 自适应最优带通滤波器设计

Wiener滤波器设计简单,性能优越,但是其参数是固定的。要设计这种滤波器,必须对信号和噪声的统计特性有先验知识,但是在实际中,常常无法预先知道这些统计特性,或者它们是随时间变化的,从而用Wiener滤波方法不能实现最优滤波。Wiener滤波器可表示为[18]:

根据1.2节中的谱峭度性质2,Wiener滤波器可以通过求取相应信号的谱峭度来实现,即:

其中,k为未知参数,其获取可以先假设一个比较小的值代入式(10),构造Wiener滤波器,再通过多次迭代,找到使滤波器滤波后相应输出信号的峭度值(可用MATLAB自带的峭度程序求取)的最大值,从而确定参数k[18]。

局部放电信号的窄带周期干扰可用一系列频率不同的正弦信号表示,平稳随机干扰可看作是白噪声。根据1.2节中的谱峭度性质1,理论上窄带周期干扰的谱峭度恒为-1,平稳随机干扰的谱峭度为0。但是基于STFT方法估计出的谱峭度值不是理论上的-1或者0,而是在它们附近波动。只根据式(10)设计出来的滤波器会包含其他频带的噪声,因此本文设置阈值σ来限定谱峭度的值。根据实际应用,σ可设置为:

其中,为信号谱峭度的最大值。谱峭度小于阈值σ可以认为是窄带周期干扰和白噪声信号,在设计滤波器时将其直接滤除。根据该方法设计出的滤波器是一个完全由数据驱动的自适应滤波器,不必知道信号的先验知识就能进行最优滤波。

2.3 小波平滑去噪

经过滤波过后的信号仍然存在与局部放电频率相同或相近的噪声信号,只需进一步通过2~3层的小波阈值平滑去噪,便可以得到更为精确的局部放电特征信号。

本文选用与局部放电信号波形匹配较好的db8小波进行分解[20],对经过自适应最优Wiener带通滤波器处理后的局放信号进行2~3层小波分解,采用无偏似然估计软阈值方法就可将局部放电信号提取出来。

综上所述,本文提出的基于谱峭度的局部放电信号提取算法的主要步骤如图1所示。

3 仿真验证

实际电力设备运行中,采集到的局部放电信号经常表现为指数衰减振荡形式,因此在理论分析中,通常可以采用以下2种数学模型来表示局部放电信号的形式[19]。

单指数衰减振荡型(图2(a)):

双指数衰减振荡型(图2(b)):

其中,A1、A2为信号幅值;τ1、τ2、τ3为衰减系数;fc为振荡频率。

在仿真中fc都取为1 MHz,τ1、τ2、τ3分别为2μs、2μs、4μs,A1、A2都为1 m V,采样频率为10 MHz。

3.1 抑制平稳随机噪声

平稳随机噪声可用白噪声模拟。理想局部放电信号见图3(a),加入白噪声(信噪比-2.029 0 d B)后的信号如图3(b)所示。

本文基于STFT方法求取含噪信号的谱峭度。大量的试验表明在窗函数长度确定的情况下,窗函数的类型(如汉明窗、海宁窗等)对谱峭度的估计值影响不大;但窗函数的类型确定时,窗函数的长度对求取出来的谱峭度影响比较大。这是由STFT本身决定的,窗函数太长不能保证时间分辨率,窗函数太短不能保证频率分辨率,只能在时间分辨率和频率分辨率之间折中处理。所以本文考虑到局部放电信号本身的频率特征,选择的窗函数的类型为汉明窗,窗函数每次移动一个数据点,讨论窗函数长度为分别为25、45、85、125,求取含噪局部放电信号的谱峭度的优劣性,如图4所示。

窗函数长度为25时,谱峭度频率分辨率不高;窗函数长度为125时,谱峭度频率分辨率达到要求,但是其中包含很多噪声成分;窗函数长度为45和85时,频率分辨率达到要求,其中的噪声成分比较少。从而对含噪局部放电信号,选取窗函数长度为45~85。本文选择窗函数的类型为汉明窗,每次移动1个数据点,窗函数长度为55,求出的谱峭度如图5所示。

由局部放电信号的谱峭度可以确定局部放电信号的频率,而且加入的白噪声的谱峭度几乎为0,从而就可以通过局部放电信号和噪声的谱峭度大小来设计滤波器。

根据式(10)、(11)可以设计Wiener最优带通滤波器,经过试验k的值使原信号谱峭度最大时,输出信号的峭度值最大,从而可得出最优带通滤波器,如图6所示,滤波后的信号如图7所示。

由图7可以看出,通过Wiener滤波器滤去了大部分噪声,能够清晰地看出局部放电信号的特征,但是还存在一些和局部放电信号频率相同或者相近的噪声信号。因此再进行小波平滑去噪处理,选用与本算例局部放电信号波形匹配较好的db8小波进行3层分解,就可以提取出光滑的局部放电信号。

分别用本文的方法和小波方法对局部放电信号进行去噪的结果比较如图8所示,小波方法的小波基选取的是与本算例局部放电信号波形匹配较好的db8小波,分解层数为8层。

原始信噪比为-2.029 0 d B的含噪局部放电信号去噪后的性能指标[20]为消噪后的信噪比、均方根误差和相关系数。在表1中列出本文方法进行3层分解和db8小波进行3层、8层分解的去噪性能指标。

从图8和表1中可见,在原始信噪比为-2.0290 d B时,本文方法对平稳随机型干扰有很好的消噪效果,不仅大幅提高了信号的信噪比,而且失真度小,与理想局部放电信号的波形相似度最高。通过消噪后的信噪比、均方根误差和相关系数这几个指标的比较,明显看出本文方法比db8小波的各方面性能都要好。

为了体现本文提出方法在低信噪比条件下的处理性能,在信噪比为-7.926 1 d B的情况下与传统小波去噪进行了对比分析,结果如图9所示,各个性能指标对比在表2中列出。

通过在不同信噪比条件下,对本文提出的方法和db8小波阈值去噪性能的比较,可以得出db8小波只有在信噪比比较高且分解层数较大的情况下,对局部放电信号的去噪效果较好,然而分解层数越多,去噪后将丢失更多的原始信息,随着信噪比降低,db8小波的去噪性能明显下降,不能准确地提取出局部放电信号;而本文提出的方法先通过谱峭度设计出来的自适应带通滤波器,提高了信噪比,然后进行3层小波平滑去噪,分解层数少,保留了更多的原始信息,在信噪比较小时也能很好地对局部放电信号进行去噪,对局部放电信号的波形特征提取效果更好。

3.2 抑制混有白噪声的窄带周期干扰

窄带周期干扰可以通过一组频率不同的正弦信号表示,其频率fc1、fc2、fc3、fc4分别设为150 k Hz、500 k Hz、1.75 MHz、2.5 MHz,干扰信号的数学表达式为:

理想局部放电信号中加入窄带周期干扰和白噪声(白噪声是由MATLAB中自带常用白噪声功能函数产生),原始信噪比为-12.7138d B,如图10所示。

窗函数的类型为汉明窗,每次移动一个数据点,窗函数长度为55,基于STFT谱峭度方法求出的谱峭度如图11(a)所示。

根据图11(a)可以得出窄带周期干扰的谱峭度值接近-1,而白噪声的谱峭度值在0附近。利用本文提出自适应带通滤波器的设计方法,可设计出最优带通Wiener滤波器,如图11(b)所示。

对含噪局部放电信号进行滤波,再进行小波平滑去噪,得到去噪后的局部放电信号,如图12(a)所示;图12(b)为直接用小波去噪后的局部放电信号。

原始信噪比为-12.7138 d B的含噪局部放电信号去噪后的各个性能指标在表3中列出。

从图11和表3中可以看出,本文方法能对窄带周期型干扰有很好的抑制效果,不仅大幅提高了信噪比,而且失真度小,与理想局部放电信号的波形相似度最大。通过消噪后的信噪比、均方根误差和相关系数这几个指标的比较,明显看出本文方法比db8小波方法的各方面性能都要好。

4 结论