基于放電脈沖波形匹配的局部放電類型識別

孟慶振+楊金偉+徐學偉+韓寶國+李靜鵬

摘 要： 針對局部放電類型識別中不易全面提取特征等問題，提出將采集到的局部放電脈沖信息與經典的局部放電類型信息直接進行波形相識度匹配的方法，該方法只需通過表征波形相似性的互近似熵值便可識別出局部放電類型。首先討論不同局部放電類脈沖所具有的不同分布特點和樣式，歸納分析五種典型局部放電的脈沖波形。具體研究基于互近似熵進行局部放電信號識別的原理方法、識別系統和實現流程。實驗結果證實了基于互近似熵的局部放電識別方法的準確性和高效性。

關鍵詞： 局部放電； 放電脈沖； 波形匹配； 互近似熵

中圖分類號： TN98?34； TM76 文獻標識碼： A 文章編號： 1004?373X（2017）19?0164?05

Partial discharge type identification method based on discharge pulse waveform matching

MENG Qingzhen， YANG Jinwei， XU Xuewei， HAN Baoguo， LI Jingpeng

（Linyi Power Supply Company， State Grid Shandong Electric Power Company， Linyi 276023， China）

Abstract： It is difficult to fully extract the features in partial discharge type identification， so a method to march the waveform similarity between the sampled partial discharge pulse information and classical partial discharge type information directly， which can recognize the partial discharge type by means of the cross?approximate entropy presenting the waveform similarity. In this paper， the different distribution characteristics and styles of various partial discharge type pulses are discussed， and five pulse waveforms of classical partial discharge are summarized. The principle method， identification system and implementation procedure for partial discharge signal identification based on cross?approximate entropy are studied. The experimental result proves that the partial discharge type identification method based on cross?approximate entropy is accurate and effective.

Keywords： partial discharge； discharge pulse； waveform matching； cross?approximate entropy

0 引 言

盡管GIS（Gas Insulated Switchgear）設備具有高可靠性、無需頻繁檢修等優點而得到廣泛應用，但由于GIS設備一旦出現故障將可能導致整個電力系統嚴重故障。因此，及時發現GIS設備可能潛在的故障和各種異常情況，以保障GIS設備可靠運行具有重要意義[1]。

從GIS設備運行統計數據發現，GIS設備故障中包括絕緣故障（57.3%）、機械故障（18.1%）和氣體泄漏故障（12.4%）[2]。由此可見，絕緣故障成為影響GIS可靠運行的主要因素。GIS設備絕緣性能下降甚至發生閃絡故障可通過局部放電進行檢測。作為一種有效的局部放電檢測手段，特高頻法利用局部放電時產生很陡的脈沖電流，通過采集局部放電輻射出的300～3 000 MHz頻段的電磁波信號進行局部放電的檢測，已逐步應用于GIS設備的局部放電信號采集和狀態評估中。

由于局部放電是一個很復雜的物理電氣過程，受缺陷類型、放電程度、缺陷位置、現場環境等諸多因素的影響，所呈現的特征具有分化性的特點，不容易識別，而且局部放電信號容易被電力現場的電磁干擾所淹沒，增加了局部放電信號的識別難度。

當前局部放電信號進行放電模式識別方法主要針對局部放電信號的脈沖分布特征展開研究，進而提取特定的特征量，通過支持向量機算法、統計概率分類法、距離分類法、核主分量分析方法、模糊識別、專家系統、神經網絡等方法進行放電模式識別[3?6]，取得了一定的效果。由于局部放電現場情況復雜導致特征的多樣化，要準確捕捉局部放電的全部特征信息非常困難，而且人工智能等方法通常需要大量的樣本訓練以確保放電模式識別的準確性，算法過程也較為復雜，對識別系統的運算、存儲能力要求較高[7]。

本文采用互近似熵方法，對采集到的局部放電脈沖波形信息與經典的局部放電類型信息直接進行相似度匹配，只需運算得到反映兩者波形相似度的互近似熵值，便可以識別出所采集的局部放電信號屬于哪種局部放電類型，從而避免局部放電信號模式識別中不容易全面提取特征等難點。

1 局部放電特征分析

GIS設備的絕緣內部一旦存在缺陷，尤其當絕緣內氣體擊穿、小范圍的固體或液體介質的局部擊穿、金屬表面的邊緣或者尖角部位場強集中時，在電場強度的作用下，就可能不斷地產生擊穿和熄滅這類重復性的局部放電。

局部放電由于放電能量較小，雖然一般不會立刻損害GIS設備，但由于絕緣缺陷一直存在，運行過程中在工作電壓的作用下會持續出現局部放電的情況，導致GIS設備絕緣性能不斷下降，最終可能導致絕緣完全擊穿，造成事故。因此，深入分析GIS設備局部放電的特征，及早發現和定位GIS設備放電類型，可以消除GIS設備局部放電帶來的絕緣隱患。

局部放電過程存在電荷交換、電磁波輻射、能量損耗等復雜的電氣現象，所采集到的局部放電信號和局部放電的類型、位置以及放電信號的傳播路徑等因素有關。由于放電位置多樣化，局部放電信號傳播路徑具有不確定性和復雜化，不能簡單地根據信號強度判斷局部放電性質。但對于同一類型的局部放電，其放電脈沖波的分布和具體波形還是呈現比較明顯的特征，具有較好的辨識度[8]。

首先研究金屬顆粒放電、懸浮電位體放電、絕緣件內部氣隙放電、沿面放電、金屬尖端放電等五種主要放電類型的脈沖波形分布情況，由于篇幅限制，取五種主要放電類型的一個工頻周期內的脈沖分布情況進行重點分析，如圖1所示。

金屬顆粒性質的局部放電，放電持續時間較長，放電脈沖在時間軸上分布較廣，在整個工頻周期相位均有放電信號分布，但放電脈沖強度和脈沖間隔較為分化，極性效應不明顯。

松動金屬部件產生的懸浮電位體放電具有較好的規律性，放電脈沖強度較為一致，且相鄰放電脈沖的間隔也比較接近。當懸浮金屬體不對稱時，正負半波檢測信號有極性差異。

固體絕緣內部開裂、氣隙等缺陷引起的絕緣件內部氣隙放電，放電脈沖強度差異性比較大，脈沖分布也較為稀疏，脈沖之間的間隔也較分散。但放電相位較穩定，無明顯極性效應。

絕緣表面金屬顆粒或絕緣表面臟污導致的沿面放電，放電脈沖分散性比較大，脈沖強度具有較大的差異性，脈沖分布不均勻且相鄰脈沖間隔不統一，極性效應不明顯。

處于不同電位的金屬毛刺或尖端，由于電場集中導致的金屬尖端放電，放電脈沖所呈現的特征較為明顯，具體表現在放電脈沖分布較為集中，脈沖強度也非常接近，相鄰脈沖的間隔也比較均勻。放電的極性效應比較明顯，通常僅在工頻相位的負半周出現。

不同類型的局部放電，其放電脈沖波在強度和時間間隔等方面呈現出不同的特征，具體表現在脈沖的分布波形具有差異性。為進一步分析不同類型的局部放電中單個放電脈沖的波形，以絕緣件內部氣隙放電和懸浮電位體放電這兩種類型的局部放電為例[9]，如圖2所示。

兩種類型的單個放電脈沖都為持續時間極短的陡脈沖，具體表現為振蕩衰減波形，放電脈沖的持續時間很短，波頭的上升時間僅為納秒級別。盡管兩種不同局部放電類型的單個脈沖具有相似性，但具體的振蕩衰減形式還是有所差別，懸浮電位體放電類型的單個脈沖振蕩衰減程度相對而言更加激烈，幅值震蕩幅度更大，衰減時間也更長。其他類型局部放電信號的單個脈沖波形也都有其自身特點。

結合局部放電所有脈沖的分布特點和單個放電脈沖的樣式特點，構成了每種局部放電類型區別于其他類型的波形曲線。如果兩條局部放電曲線波形很相似，則判斷這兩條曲線波形屬于同一種局部放電類型的概率很大。因此，可以通過直接比較所采集的局部放電曲線波形和各種不同類型的經典局部放電曲線波形的相似度，來確定局部放電類型。由于直接采用反映曲線波形的采樣數據進行運算比較，而不是從波形中提取某項特征以確定放電類型，因而可以避免因波形特征可能被遺漏而導致放電類型識別不準確的問題。

2 互近似熵及其應用

2.1 互近似熵

針對傳統的熵存在需要大量采樣數據、對噪聲敏感和不易收斂等問題，Pincus從衡量時間序列復雜性的角度，于20世紀90年代提出了近似熵（Approximate Entropy，ApEn）和互近似熵（Cross Approximate Entropy，CApEn），以解決混沌現象中難以求解熵等難點[10]。

近似熵和互近似熵定義為：時間序列向量在由[m]維增加至[m+1]維時繼續保持其相似性的條件概率。其物理意義是當維數變化時，時間序列向量產生新模式的概率大小，如果熵值越大，表明時間序列向量產生新模式的概率越大，也就是該序列向量越復雜。近似熵用于描述一個時間序列（比如，簡單地理解為一條曲線波形）在模式上的復雜性（即相似性），是對自身波形復雜性的描述；而互近似熵則用一種條件概率來衡量兩個時間序列（兩條曲線波形）在模式上的相似性[11]。

互近似熵對兩條時間序列向量的相似性進行定量表述，也就是描述兩條曲線在時間軸上的相似模式，或者說描述兩條曲線在模式上的相似程度有多大，若兩條曲線波形越相似和接近，那么對應的互近似熵將越小。

互近似熵以統計的方法來表征兩條曲線隨著時間發展所呈現出來的差異或變化情況，以此來描述兩條曲線波形的相似程度，互近似熵不用于重建整個曲線波形的全貌，因此只需要較短的數據樣本就可以運算得到比較穩定的熵值。互近似熵所需數據窗較短的優點對于動態觀察兩條局部放電曲線相似度具有重要意義。可以采用一個較短的數據窗，在需要比較相似度的兩條局部放電曲線中，從頭到尾移動并計算每一條曲線位置上數據窗內的互近似熵值，從而通過互近似熵系列得到這兩條波形曲線在時間軸上的相似度，互近似熵值越小，說明當前時刻的兩條波形曲線越接近。

同時，互近似熵提出了相似容限的概念，互近似熵相當于相似容限條件下的統計概率。當參與互近似熵運算的曲線樣本數據小于該相似容限時，小于相似容限的曲線細節信息就會被過濾掉，只保留幅值大于相似容限的相似模式。也就是說，幅值低于相似容限的噪聲能夠被抑制，互近似熵具有良好的抗干擾性能。雖然小波分析等抗干擾方法對于抑制白噪聲等電磁干擾具有一定的效果，但現場應用中存在如何有效地區分局部放電信號和干擾信號頻帶等問題，尤其當干擾信號和局部放電信號具有非常相似的時頻特性時，如何高效地抑制干擾信號并準確地提取局部放電信號仍然是局部放電類型識別的難點，互近似熵方法自身具有良好的抗低頻干擾能力，因此本身作為一種抗干擾手段應用于局部放電的檢測中。

互近似熵具有良好的適用性，對于信號類型沒有嚴格限制，適用于各種信號的相似性分析。對于局部放電信號的多樣化和不確定性，甚至可能包含各種隨機的干擾，互近似熵方法也同樣適用于局部放電信號分析。

2.2 互近似熵計算方法

對于包含[N]個采樣數據[i（t）]的兩條波形按以下步驟計算互近似熵值[12]：

（1） 對時間序列[i（t）]進行矢量重構，按順序組成[m]維矢量，分別記為[Xk] 和[Xj：]

[Xk=i（k），…，i（k+m-1）， k=1，2，…，N-m+1] （1）

[Xj=i（j），…，i（j+m-1）， j=1，2，…，N-m+1] （2）

（2） 分別計算矢量[Xk]和[Xj]之間的距離，并記錄下最大的矢量距離：

[dXk，Xj=max0≤p≤mi（k+p）-i（j+p）] （3）

（3） 給定相似容限[r，]統計[Xk]和[Xj]的矢量距離小于[r]的個數[Nm，r，]并計算[Nm，r]與總的矢量個數[（N-m+1）]的比值，即：

[Cm，r=（d（Xk，Xj）

式中：[Cm，r]反映序列中[m]維模式在相似容限[r]下相互近似的概率。具體應用中，通常取[m=2，][r=0.1～]0.25標準差。

（4） 先對[Cm，r]求取對數，進而求其平均值，從而獲得兩條曲線之間的互相關程度：

[Om，rd（Xk，Xj）=1N-m+1k=1N-n+1lnCm，rd（Xk，Xj）] （5）

（5） 當嵌入維度變為[m+1]時，重復上述步驟（1）～步驟（4）的運算過程，得到[m+1]維數時的互相關程度數值[Om+1，rd（Xk，Xj）]。

（6） 最后得到互近似熵值[CApEn（m，r）]：

[CApEn（m，r）=Tm，rOU（i），U（j）-Tm+1，rOU（i），U（j）] （6）

3 基于互近似熵的放電類型識別

3.1 分析系統

安裝在GIS設備的傳感器采集局部放電信號后，送入到具有高頻電流采集功能的前端智能電子設備中。局部放電信號首先經過由RC組成的簡單式無源濾波回路或是性能更好的、以放大器為核心元件組成的有源濾波回路以硬件方式過濾掉明顯的毛刺干擾。局部放電識別系統如圖3所示。

經過濾波處理的局部放電信號接著進入信號調理回路，調理回路主要由阻抗匹配電路和放大電路組成。通過阻抗匹配電路減少局部放電信號傳輸過程中的損耗，同時利用放大電路將較為微弱的信號調整成符合模數轉換器電平接口的信號；模數轉換器進而將采集的局部放電信號由模擬量形式轉換成數字量形式，并通過對應的通信口（CAN、Profibus各種現場總線、光纖以太網等通信方式）將局部放電數據發送到后臺的局部放電分析系統。

局部放電分析系統由性能強大的工控機甚至服務器組成，實現局部放電信息的存儲、放電類型識別等處理功能，并最終以告警等方式顯示局部放電的分析結果通知運行人員。

局部放電分析系統接收來自通信網絡的局部放電數據，并將其存儲到采樣值數據庫，該數據庫專門用于存儲現場采集的局部放電數據。同時，局部放電分析系統配備經典值數據庫，該數據庫已事先存儲由出廠試驗數據或歷史試驗數據等組成的局部放電經典值數據和對應的局部放電類型。數據庫可以采用以局部放電類型為關鍵字的樹形結構，這樣在局部放電類型識別算法應用時能迅速地查找到對應的局部放電經典值數據，并調出到局部放電類型識別算法中，作為算法識別時進行數據比較的依據。

局部放電類型識別算法是識別分析系統的核心，本文采用互近似熵方法直接對待識別的局部放電波形和五種經典的局部放電波形分別進行兩條曲線的相似度比較。局部放電類型識別算法從采樣值數據庫和經典值數據庫調出相應的兩條曲線波形數據，并根據互近似熵方法算出的熵值確定局部放電類型，最后將識別的局部放電類型通過局部放電分析系統的顯示界面提醒現場運行人員。

3.2 算法流程

具體的局部放電類型識別算法實現上，采用互近似熵算法對采樣值數據和各種經典局部放電類型的典型數據進行熵值運算，并通過運算得到的熵值進行波形相似度識別。熵值最小對應的典型放電類型與該采樣值數據（也就是待識別的局部放電）的波形相似度最高，實現流程如圖4所示。

具體的算法步驟主要包括：

（1） 從采樣值數據庫調出待識別的局部放電波形數據，將局部放電采樣數據按順序形成數組[{is}，]得到二維的局部放電類型待識別矢量。

（2） 從經典值數據庫調出五種經典局部放電類型的波形數據，將五種經典的局部放電類型的數據按順序分布形成數組[ic，k（k=1，2，…，5）]，得到五組局部放電的經典類型矢量。

（3） 充分利用互近似熵算法自身具有的抗噪聲功能，類型待識別矢量[{is}]不再采用小波去噪等濾波方法，分別將直接和經典類型矢量[ic，k（k=1，2，…，5）]進行互近似熵運算，得到五種經典局部放電類型對應的五個熵值CApEn。

（4） 選取其中最小的熵值CApEn，理論上表明最小熵值對應的經典放電波形和待識別的局部放電波形相似度最高，即這兩者局部放電類型最接近，即可初步判定待識別的局部放電類型為該熵值對應的經典放電類型。

（5） 進一步分析該最小熵值CApEn是否在合理區間。如果最小熵值CApEn明顯過大，說明待識別的局部放電類型不在這五種經典的放電模式中。如果最小熵值在合理的區間內，說明該熵值對應的經典放電類型是待識別的局部放電類型。

4 實 驗

為了驗證互近似熵方法在局部放電類型識別中的效果，在GIS設備上進行模擬金屬顆粒放電、懸浮電位體放電、絕緣件內部氣隙放電、沿面放電、金屬尖端放電五種類型的局部放電實驗，局部放電實驗過程中利用采樣速率高達800 MS/s的采集器捕捉局部放電脈沖信號，并連續采集50個工頻放電周期的局部放電樣本數據，對得到的樣本數據與經典的局部放電類型數據進行互近似熵值計算，運算結果如表1所示。

根據表1的互近似熵值，可以分析得到基于互近似熵的局部放電方法具有以下特點：

（1） 當待識別樣本的局部放電類型與典型的局部放電類型相匹配時，通過互近似熵運算得到的熵值比較小，在0.2～0.4之間，說明兩者的波形相似度高，在模式上接近；當待識別樣本的局部放電類型與典型的局部放電類型不一致時，對應的互近似熵值大于0.6，明顯區分于兩者類型一致時的互近似熵值。說明基于互近似熵方法的局部放電類型識別具有較好的區分度。

（2） 對隨機生成的樣本數據與典型的局部放電類型數據進行互近似熵運算，得到的所有熵值都大于0.8，說明隨機生成的樣本數據波形與典型的局部放電類型波形在模式上差別很大，可以很容易地排除隨機生成的樣本數據不屬于文中所述的五種局部放電類型。

（3） 進一步觀察待識別樣本的局部放電類型與典型的局部放電類型相匹配時熵值的大小情況，金屬尖端放電和懸浮電位體放電兩者類型的互近似熵值最小，說明待識別樣本波形和對應的典型波形的相似度更高，與這兩種放電類型的波形具有較好的規律性有關。金屬顆粒放電、絕緣件內部氣隙放電和沿面放電三種放電類型的互近似熵值逐步增大，說明這三種類型的局部放電波形趨向于渾濁狀態，波形的信息較為分散和雜亂，不規則性逐步明顯。

（4） 本文方法沒有采用濾波算法，就直接對可能包含各種噪聲的局部放電采樣數據直接進行互近似熵運算，上述的實驗結果分析表明，互近似熵值能準確區分局部放電的類型，表明互近似熵算法具有較好的噪聲容忍度，局部放電應用中可以減少傳統局部放電類型識別所需的算法去噪這一環節，具有較高的算法效率。

5 結 語

本文以典型的局部放電波形為基準，對采集到的局部放電脈沖波形信息與經典的局部放電類型信息直接進行相似度匹配。采用具有算法實現簡便、同時具有抗噪能力、所需數據窗短等優點的互近似熵方法，通過直接運算得到反映兩者波形相似度的互近似熵值，便可以識別出采集的局部放電信號的類型。避免了局部放電信號模式識別中不容易全面提取局部放電特征，及神經網絡等局部放電識別方法所需的培訓樣本大、不易收斂、計算過程復雜等難點。

參考文獻

[1] 徐長寶，莊晨，蔣宏圖.智能變電站二次設備狀態監測技術研究[J].電力系統保護與控制，2015，43（7）：127?131.

[2] 周沙，景亮.基于矩特征與概率神經網絡的局部放電模式識別[J].電力系統保護與控制，2016，44（3）：98?102.

[3] 苑津莎，尚海昆，王瑜，等.基于相關系數矩陣和概率神經網絡的局部放電模式識別[J].電力系統保護與控制，2013，41（13）：110?115.

[4] 臧懷剛，李清志.改進的EMD方法在局部放電信號提取中的應用[J].電力系統及其自動化學報，2014，26（11）：78?81.

[5] 鄧雨榮，郭麗娟，郭飛飛，等.引入二代小波的自適應BP神經網絡局部放電故障識別[J].電力建設，2013，34（6）：87?91.

[6] 楊志超，范立新，楊成順，等.基于GK模糊聚類和LS?SVM的GIS局部放電類型識別[J].電力系統保護與控制，2014，42（20）：38?45.

[7] 王立欣，諸定秋，蔡維錚.局部放電在線監測中基于小波變換的閾值消噪算法研究[J].電網技術，2003，27（4）：46?48.

[8] 嚴璋，朱德恒.高電壓絕緣技術[M].北京：中國電力出版社，2007.

[9] 任重.典型SF6氣體絕緣缺陷局部放電脈沖的Gabor特征識別[J].高壓電器，2015，51（12）：142?148.

[10] 郝曉弘，田江博，陳偉，等.基于信息熵和數學形態學的電壓跌落持續時間檢測方法[J].電力系統保護與控制，2012，40（11）：30?35.

[11] 符玲，何正友，麥瑞坤，等.近似熵算法在電力系統故障信號分析中的應用[J].中國電機工程學報，2008，28（28）：68?73.

[12] 何文平，何濤，成海英，等.基于近似熵的突變檢測新方法[J].物理學報，2011，60（4）：813?821.