首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 白噪声干扰下的超高频局部放电信号检测方法

白噪声干扰下的超高频局部放电信号检测方法

2024-09-23 54 上传者：管理员

摘要：为及时发现电力设备绝缘故障，防止电力事故发生，提出白噪声干扰下的超高频局部放电信号检测方法。选取特宽频传感器作为检测设备，设置天线的上、下限截止频率；利用复小波构造算法，通过数字滤波器确定小波基并生成函数序列，获取重构后的复高通滤波器系数，抑制白噪声；根据相关性系数、放电量因数与峰值率提取信号特征；引入激活函数建立人工神经网络模型，设置权值参数，将特征参数作为输入，经过训练完成局部放电信号检测。仿真测试表明，所提方法传感器响应灵敏，能够抵抗白噪声干扰，精准检测出不同局部放电模型特征。

关键词：
复小波构建
局部放电
白噪声
神经网络
超高频信号
加入收藏

局部放电检测是设备绝缘状态在线监测的关键技术，设备放电时伴有脉冲、辐射和超声波等。针对这些特征，相关学者提出如下检测方法。陈凌[1]等提出基于振荡波的检测算法，构建振荡系统仿真模型，设置振荡回路参数，在产生振荡过程中检测局部放电量。Shang,H.[2]等提出了一种基于自适应噪声和近似熵的完全集成经验模式分解的新方法。通过在分解过程中引入自适应噪声，将原始信号分离为具有不同频率尺度的不同本征模函数。提取真实的IMF重构局部放电信号。该方法能够有效地抑制噪声，并成功地提取局部放电脉冲。但是在信号检测过程中会受到白噪声[3-4]影响，降低检测精度。为此，本文提出一种基于超高频的局部放电信号检测方法。超高频检测可以降低电磁干扰，与其他方式获取的脉冲信号对比，频谱范围较高，包含更多放电信息，有助于特征提取。另外通过小波去噪最大程度消除白噪声，再构建人工神经网络（ANN）模型，通过学习训练局部放电信号特征，实现状态识别，完成局部放电信号检测。该网络具备高度并行优势和较强的容错能力，能准确区分局部放电类型，检测效果良好。

1、基于小波变换的白噪声过滤

1.1超高频传感器设置

传感器性能直接影响局部放电信号检测效果。为此，本文选用特宽频传感器[5]，保证密封性的同时便于安装。

传感器设计的关键是天线设计，为改善检测灵敏度，将天线和外电路相连接构成闭合回路。假设电压源与内阻分别表示为Vov和Zin，负载阻抗是ZL，则天线输出电流计算公式如下：

假设天线在接收方向上造成极化匹配，则输出到负载的功率PR为：

在所有检测装置中，天线作为接收设备，影响电磁波变换性能。由上述公式可知，干扰源越多，局部放电信号特征提取的难度越大。因此，确定天线下限与上限的截止频率分别为250 MHz和2 500 MHz。这样能够减少外部干扰，获取更加真实的放电信息。

1.2白噪声过滤

复小波过滤算法是结合小波多分辨理论提出的，以数字滤波器为基础，对信号做分解重构，去除白噪声。在研究多分辨率时，Vj代表尺度空间，每种空间所对应的尺度函数φj,k(t)不同，假设ωj属于小波空间，其是Vj在Vj+1内的正交补空间，正交小波表示为ψ(t)，则尺度与小波函数[6]具有下述关系：

明确小波基后，Vj内一随机函数fj(t)均具有下述分辨率分析表示：

式中，AMf代表函数低频部分，DMf则是不同分辨率下高频部分。在每次操作过程中，只分解低频部分，忽略高频，得到下述公式：

式中，c代表滤波器，对式(6)的两边和φj-1,k做内积处理，获得：

式中，hk-2j代表正交尺度函数生成的系数序列。

经过上述分析获取滤波器系数序列和尺度函数、小波基三者之间的关系。所以，可将复小波构造转换为滤波器系数序列建立问题。

对于白噪声，利用复小波构造的方式对其过滤，具体过程如下：

步骤一：计算由低通分解滤波器系数h(n')建立的多项方程：

式中，表示方程根，n'是滤波器系数数量。

步骤二：求解式（1）中的根，若是实数，则始终不变；如果为复数，利用替换，并将其带入到式（8）中，按照升幂排序；

步骤三：由上一步获得复数序列，结合规范性要求对序列做规范处理，获取Db复低通分解系数；

步骤四：利用下述公式，计算复高通重构滤波器系数cg(n')，同时利用公式（9）做规范化处理[7];

步骤五：获得由低通滤波器系数h(n')建立的多项方程，反复执行上述步骤，即可获得重构后的复高通滤波器系数c G(n'):

经过上述处理完成复小波重构，有效去除信号中的白噪声，提高信号质量。

2、超高频局部放电信号检测

2.1局部放电信号特征提取

经过小波去噪后，信号中大部分白噪声被过滤，由于白噪声随机性较强，在信号检测的整个周期内还有可能存在，但干扰性较小。

局部放电信号特征提取是检测的前提，当产生局部放电现象时，超高频电磁波与放电电压、时间具有一定关系。结合此种关联提取局部放电信号特征。

(1）相关系数CC代表在正负半周期中，获取的超高频信号数据之间存在的相关性：

式中，qi代表正负半周期中所有数据点表示的放电量。如果CC=0，表明该周期内数据不具有相关性；若CC=1，代表数据存在完全相关关系；当数值在0-1区间内，系数越高表明相关性越强。

(2）放电量因数Q，代表正、负周期内放电量之间的差异，公式如下：

式中，ni代表放电量是qi的次数，结合放电和相位周期之间的相关性，该因数从0开始到无限大。

(3）峰值率P是信号在周期内出现局部峰值[8]的次数和整体信号峰值的比值，表达式如下：

式中，npeaks代表局部峰值次数。

2.2基于人工神经网络的信号检测

将上述特征提取参数引入到神经网络模型中，经过网络的学习与训练，实现信号分类识别，达到检测目的。

神经元是神经网络最根本的单元，具有接收输入信号的功能，且任意一个输入均存在对应权值。

假设N输入表示为X1,X2,…,XN，对应权值描述为W1,W2,…,WN，全部输入与权值生成输入矢量X与权矢量W:

利用u代表神经元累积效果，存在下述关系：

将激活函数f()引入到神经元模型中，组成人工神经元。如果输入信号累计值符合激活函数要求，同时累计值高于设定阈值，进入激活状态。

在此基础上，构建误差反向传播模型，包含输入、隐含与输出三个层次。隐含层结合实际需求，能够划分成多层。在该网络中，每一层神经元数量不必一致，但邻近两层必须是完全连接状态。

正向传播：输入训练数据，计算神经元连接权重，预测神经元是否处于激活状态，再经过正向传播，得到网络输出。

反向传播：比较输出结果和期望值之间的差距，将误差反向传输到输入层，修正所有层权值。

经过正、反向传播的反复操作，设定最终权值参数，神经网络构建完成，将特征参数输入到该网络中，经过训练，实现对局部放电信号分类，完成检测。

3、仿真测试数据分析与研究

本次仿真测试将变压器作为局部放电信号检测目标，高频传感器的采样频率设置为100 Ms/s，选用数字示波采集卡。局部放电信号检测的测试设备连接情况如图1所示。

图1 测试设备连接图

由于检测过程中传感器发挥着至关重要的作用，为保证测试顺利进行，对传感器设备响应情况进行测试，分别采集传感器对正弦波、三角波的动态响应结果。测试结果如图2所示，通道1和通道2分别代表测试信号与传感器输出信号波形。

图2 传感器响应性能测试结果

由图2得出，本文选用的传感器对于正弦波与三角波均有很好的响应性能，传感器输出结果与实际波形相似度高。这是因为本文对传感器超高频天线进行设计，确定天线的最低截止频率，最大程度减少干扰，提高传感器灵敏度。

为测试本算法性能，设计如图3所示的四类典型变压器局部放电模型。其中气隙由环氧板构成，中心直径是12 mm。

图3 不同绝缘缺陷示意图

测试过程中，将图3(b）、（c）、（d）三种缺陷模型放入油箱中，利用低压套管接地，这样缺陷模型生成的超高频电磁波信号会被天线接收，产生脉冲电流，利用传感器可测量出电流大小，再通过示波器显示并储存。假设示波器的采样频率是8 GHz，在信号检测过程中添加白噪声，分别测试四种局部放电模型的信号，结合相关性系数、放电量与峰值率三个特征对信号分析，测试结果如图4所示。

图4 不同模型局部放电信号检测结果

图4所示，四种不同放电模型的超高频信号波形具有明显差异，这是由于放电机理不同导致的。气隙放电检测中，放电现象出现在气隙内，带电粒子运动速度非常快，信号峰值率较高，但电容生成寄生电感，信号出现长时间振动；沿面放电测试中，绝缘油的导热性能加强了游离作用，使放电快速消失，波形连续时间短；悬浮放电信号的持续时间特别长且平稳，在一定周期内信号数据相关性较大，但与气隙和沿面放电相比，电流幅值较小；电晕放电整体电流幅值较小，放电前后电流较弱，放电差异不明显。利用所提检测方法对上述绝缘缺陷模型进行检测，可获得差异明显的信号波形，且每种放电波形均与实际放电情况相符。四种信号之所以特征分明，是因为本文利用的小波去噪算法能够很好地去除白噪声干扰，很容易提取到信号特征，提高检测精度。

4、结束语

电气设备经历了事故抢修、定期检修和状态检测三个阶段，这是电力行业发展的必然趋势。如果不能及时了解设备绝缘状态，必定会给电网运行带来较大灾难。本文在白噪声干扰下提出一种基于超高频局部放电信号检测方法。通过小波去噪有效抑制白噪声，提取出准确的放电特征，再利用人工神经网络完成特征识别，达到信号检测目的。该方法对保证电网安全具有重要意义，可减少昂贵的人工检修费用，节省时间，提高经济效益。

参考文献:

[1]杨航,朱永利.基于Storm的局部放电信号集合经验模态分解[J].计算机工程与应用,2020,56(10):261-267.

[3]刘宏,俞华,梁基重.GB1094.3修订对变压器局部放电测试影响分析[J].变压器,2020,57(4):54-56.

[4]徐洋,周电波,丁登伟,等.GIS盆式绝缘子表面缺陷的局部放电检测[J].高压电器,2020,56(5):101-106.

[5]刘溟,张锡洋,邹建明,等.三维定位方法在变电站局部放电检测中的应用[J].电测与仪表,2019,56(5):111-118.

[6]唐志国,蒋佟佟,于智强,等.高频电流法用于电容器出厂局部放电检测的研究[J].电机与控制学报,2019,23(3):18-25,33.

[7]薛磊,柴琦,兀鹏越,等.一种高分辨率的便携式GIS局部放电检测装置[J].电力科学与技术学报,2019,34(1):149-153.

[8]栾贻青,李建祥,李超英,等.高压开关柜局部放电检测机器人的开发与应用[J].中国电力,2019,52(3):169-176.

文章来源:王彦军,李宗虎,郑建志,等.白噪声干扰下的超高频局部放电信号检测方法[J].自动化技术与应用,2024,43(09):69-72.