基于零相位誤差濾波的局部放電故障識別

賴聯有， 許偉堅

(集美大學信息工程學院，福建 廈門 361021)

0 引言

開關柜主要起開通和關斷電力線路的作用，其可靠性能直接影響到電力系統的穩定性，是電力系統的重要設備之一。但是，受環境等因素的影響或長時間使用下，開關柜內部可能出現絕緣材料老化、導體接觸不良等情況，可能導致設備故障、電網停電和工廠停工[1-5]。統計表明，開關柜的主要故障是絕緣故障，絕緣故障的主要表現是局部放電(partial discharge，PD)[6-9]。導致PD的因素還有安全距離過小，電場分布不均勻，空氣潮濕過大等[10-13]。對開關柜局放進行PD檢測，有助于發現并排除各種安全隱患，提高系統的可靠性。

采集到的開關柜PD信號中通常混有較大的噪聲，因此需要對信號進行濾波。通常的濾波方法，如限沖激響應(finite impulse response， FIR)、無限沖激響應(infinite impulse response， IIR)等，在濾除信號中噪聲的同時會改變信號的相位，即濾波后的信號與原始信號相位不一致，存在著一個相位差[14-16]，從而導致信號頻譜和功率譜發生偏移。如果采用頻譜或功率譜作為特征量進行識別，勢必影響故障識別的準確性。針對該情況，本文提出采用零相位誤差濾波(zero phase error filtering，ZPEF)算法對信號進行濾波，確保濾波后信號的頻譜和功率譜不發生偏移。然后提取兩個頻帶上的能量占比構造特征量，采用最小二乘支持向量機(least squares support vector machine，LS-SVM)算法實現PD故障識別。

1 ZPEF算法

1.1 ZPEF的原理

目前，ZPEF方法主要有FRR(forward-reverse filtering，reverse output)法和RRF(reverse-reverse filtering，forward output)法兩種[17-18]。ZPEF方法的濾波原理如圖1所示。從圖1可知FRR濾波方法的過程是：先將輸入信號按順序濾波，然后將所得結果的順序反轉，再將反轉后的信號再次濾波，最后將濾波結果的順序反轉后輸出。與FRR相似，RRF濾波方法的過程是：先將輸入信號的順序反轉，然后將反轉后結果濾波，再將濾波結果的順序反轉，反轉后的信號再次濾波。FRR和RRF濾波方法的特點是：信號的順序都要經過2次反轉，信號要2次通過濾波器。ZPEF方法在物理上是不可實現的，不存在與其相對應的模擬濾波器，必須采用數字濾波方法才能實現。

圖1 FRR濾波原理Fig.1 The principle of FRR filtering

1.2 ZPEF對相位的影響

以FRR濾波為例，在濾波過程中信號的相位變化如圖2所示。圖2中，y0是帶噪聲的初始信號，其相位為0；y1是對y0濾波后得到的信號，其相位比滯后45°；y2是對y1反轉后得到的信號，其相位由y1滯后45°變為超前45°；yout是對y2濾波后得到的信號，由于y2相位超前，經過濾波后，yout的相位回歸為零。yout和相比y0，實現了零相位誤差濾波。

圖2 FRR濾波過程中信號的相位變化Fig.2 Phase change of signal in FRR filtering process

一個ZPEF方法的例子：假設初始信號為帶噪聲的正弦信號，其表達式為y(t)=sin(100×2πt)+(rand-0.5)，其中(rand-0.5)是幅度為0.5均值為0的噪聲。FRR和FIR的濾波效果如圖3所示。

圖3 FRR和FIR濾波效果對比Fig.3 The result of FRR vs FIR

圖3可以看出：FRR濾波有效的濾除了信號中的噪聲，效果非常好，并且FRR濾波前后信號的相位沒有發生變化，實現了零相位差濾波。

1.3 ZPEF對功率譜的影響

FRR和FIR濾波后信號功率譜如圖4所示。圖4表明：與FIR濾波相比，FRR濾波后信號的功率譜峰值更明顯，能量更集中，與真實信號的功率譜更接近。因此，采用ZPEF的FRR濾波可保證濾波后信號在特征頻段內的功率占比的準確性。

圖4 FRR和FIR濾波后的頻譜Fig.4 The spectrum after FRR and FIR filtering

2 PD故障識別方法

本文中，PD故障識別采用LS-SVM方法，即采用LS-SVM方法構造故障識別器。

2.1 LS-SVM

SVM的理論基礎是統計學習，其基本思想是：以結構風險最小化為目標，通過訓練樣本集中的一組特征子集，實現對支持向量的線性劃分，并將該劃分等價為對整個數據集的劃分，以此克服維數災難問題[17-21]。為了降低計算的復雜度，Suykens和Vandewalle改進了傳統的SVM，提出LS-SVM方法[22-23]。與傳統的SVM相比，LS-SVM的特點為：把不等式約束條件轉化為等式約束條件，把訓練過程中的二次規劃問題求解轉化為線性方程組的求解，從而大大減小計算量。

2.2 PD故障特征量的選取

能量高峰的出現可以作為判斷是否發生PD故障的識別依據，即可取在局放頻帶上的能量占比作為PD故障識別的特征量。通常，發生某種類型的PD時，在頻譜上會出現相應的能量高峰。采用高峰能量占比為特征量進行分類時要注意的是：如果不同的PD的中心頻率不重疊，則可采用該方法進行分類，并能識別是否發生PD及發生PD的類型；如果不同的PD中心頻率重疊，則只能識別是否發生PD，而不能識別PD的類型；如果同時發生很多種類型的PD，且各種PD的中心頻率較接近，則會導致頻譜放電高峰不明顯，不能識別是否發生放電。

3 實驗及分析

3.1 實驗平臺及實驗參數

實驗平臺的原理如圖 5 所示，實驗系統主要由4部分組成：高壓開關柜，PD信號測量分析系統，PD檢測系統和電壓調節電路。高壓開關柜型號為KYN28A-12。PD信號測量分析系統主要由電流互感器、示波器和計算機組成。電流互感器型號為ETA5315，帶寬60 MHz。示波器型號為TDS3054C數字泰克示波器，既可以觀測信號，又可以把信號傳輸到計算機，起數據采集作用。PD檢測系統主要由HD-2010雙通道數字式PD檢測儀組成。電壓調節電路主要由YDWT-10 kV·A無局放試驗變壓器組成。PD檢測系統根據脈沖電流法設計，采用并聯接法。

圖5 PD實驗原理Fig.5 Schematic of PD experimental

實驗時，在高壓開關柜內部主要設置了針尖對平板和平板對平板兩種故障類別。針尖對平板局放實驗時，平板為20×20 cm的銅板，平板距離8 cm。平板對平板局放實驗時，平板大小20×20 cm銅板，針尖大小0.1 cm，平板和針尖的距離8 cm。平板同時對針尖和平板局放實驗時，平板大小20×20 cm，平板距離8 cm，針尖為焊接在平板上的小突起，針尖大小0.1 cm。調節變壓器的輸出電壓，產生PD故障，不同類型的放電，調節的輸出電壓可能有所不同。通過信號采集系統采集電流互感器的輸出電壓，得到PD信號。

3.2 PD故障特征量的提取

檢測到信號的典型波形及其功率譜如圖6所示。對比圖6(a)、(b)、(c)的時域波形，可以看出正常波形和PD故障波形很相似，基本上無法區分。對比圖(a)、(b)、(c)的功率譜，可以看出正常時頻率譜比較平均，發生PD故障時頻譜上出現能量高峰。

圖6 PD信號時域和頻域Fig.6 Time and frequency domain of PD signals

為更直觀的體現能量分布情況，把0～5 MHz整個頻段劃分為10等份，分別計算各頻段內的功率，然后繪制條形圖，如圖7所示。

圖7 局放信號功率分布Fig.7 Power distribution bar of PD signal

從圖7可以看出：PD故障信號功率譜的峰值主要出現在1.3 MHz和2.7 MHz附近。取該1.0～1.5 MHz和2.5～3.0 MHz 兩個頻帶的能量占比作為PD故障識別的特征量。

3.3 PD故障特征向量數據集的建立

故障識別器的輸入為特征向量x，輸出識別結果y。選擇信號在頻段1.0～1.5 MHz上的功率作為特征量x1，頻段2.5～3.0 MHz上的功率作為特征量x2，x1和x2組成特征向量x。通過x來識別是否發生PD。識別結果y=1表示發生PD，y=-1表示沒有發生PD。

實驗時，先調節好實驗條件，然后使用PD信號測量分析系統采集實驗數據，同時使用局放儀測量局放量。如果局放量大于12 pC，則表示發生PD，該段實驗數據標記為1，即yi=1。如果局放量小于12 pC，則表示沒有發生PD，該段實驗數據標記為-1，即yi=-1。

采集270組時域數據，計算數據的功率譜，以條形圖的形式計算各個頻段內的功率占比并歸一化，取1.0～1.5 MHz和2.5～3.0 MHz 兩個頻段內的功率占比，建立故障識別特征量數據集，如表1所示。

表1 故障識別的特征量數據集Tab.1 Characteristic data set for recognizing faults

3.4 PD故障的識別

根據多次試驗經驗， LS-SVM故障識別器選用RBF核函數，選取核參數σ2=0.06，懲罰因子C=3。在表1中隨機選取200組數據作為LS-SVM的訓練數據，其余的70組數據作為測試數據。PD故障識別結果如圖8所示。

圖8 PD故障識別結果Fig.8 Result of PD fault identification

采用測試樣本的數據對LS-SVM進行檢驗，如果樣本落在正常區域則表示為沒有發生PD故障，否則表示發生PD故障。經過實驗證明，LS-SVM對70組測試樣本識別的正確率為98.57%，預測效果良好。

3.5 PD故障識別效果的比較

采用不同的濾波方法和不同的樣本數量，其他條件相同，分別測試PD識別的正確濾波，實驗結果如表2所示。

表2 故障識別的正確率比較Tab.2 Accuracy rate comparison of recognizing faults

從表2可以看出：采樣ZPEF可以提高故障的識別精度，當采樣點較少時，這種優勢更為明顯。由此也可推測一個結論：如果要保持故障識別精度不變，采樣ZPEF需要的采用點數更少，由此可以提高故障識別的速度。

4 結語

對PD信號進行ZPEF濾波可有效的濾除噪聲，同時保持濾波前后信號的相位不變，從而保正濾波后信號的功率譜的準確性。PD故障通常伴隨出現能量高峰，可以此為特征量判斷是否發生PD故障。采用ZPEF濾波，可提高以功率分布為特征量的故障識別的準確性。對于樣本數據點數少的情況下，ZPEF的優勢更明顯。采用LS-SVM可以實現開關柜PD故障識別，故障識別率可達98.5%。

參考文獻：

[1] HAQ S U， STRANGED M K W， WOOD B. A proposed method for establishing partial discharge acceptance limits on API 541 and 546 sacrificial test coils[J]. IEEE Transactions on Industry Applications， 2017， 53(1)：718-722.

[2] 趙 科， 王靜君， 劉 通， 等. 直流GIL絕緣設計及局部放電檢測研究進展[J]. 電力工程技術， 2017， 36(5)： 98-102，108.

ZHAO Ke， WANG Jingjun， LIU Tong， et al. A review of insulation design and partial discharge detection of DC gas insulated line[J]. Electric Power Engineering Technology， 2017， 36(5)： 98-102，108.

[3] 霍 天， 吳振升， 桂俊峰. 高壓開關柜局部放電聲-電聯合定位方法研究[J]. 電力工程技術， 2017， 36(3)： 62-66.

HUO Tian， WU Zhensheng， GUI Junfeng. Acoustic-electric joint localization method of PD in high voltage switch cabinet[J]. Electric Power Engineering Technology， 2017， 36(3)： 62-66.

[4] HEKMATI A， HEKMATI R. Optimum acoustic sensor placement for partial discharge allocation in transformers[J]. Iet Science Measurement & Technology， 2017， 11(5)：581-589.

[5] LI P， ZHOU W， YANG S， et al. Method for partial discharge localisation in air-insulated substations[J]. Iet Science Measurement & Technology， 2017， 11(3)：331-338.

[6] MONTANARI G C. Partial discharge detection in medium voltage and high voltage cables： maximum distance for detection， length of cable， and some answers[J]. IEEE Electrical Insulation Magazine， 2016， 32(5)：41-46.

[7] KANEGAMI M， MIYAZAKI S， MIYAKE K. Partial discharge detection with high-frequency band through resistance-temperature sensor of hydropower generator stator windings[J]. Electrical Engineering in Japan， 2016， 195(4)：9-15.

[8] HOU Z， LI H， SUN Z， et al. A novel sinusoidal damped oscillating voltage generator for the detection of partial discharge in MV distribution power cables[J]. IEEE Transactions on Power Delivery， 2016， 31(1)：410-411.

[9] XIE J， WANG Y， LV F， et al. Denoising of partial discharge signal using rapid sparse decomposition[J]. International Transactions on Electrical Energy Systems， 2016， 26(11)：2494-2512.

[10] CASTRO B， CLERICE G， RAMOS C， et al. Partial discharge monitoring in power transformers using low-cost piezoelectric sensors[J]. Sensors， 2016， 16(8)：1-16.

[11] DAI D， WANG X， LONG J， et al. Feature extraction of GIS partial discharge signal based on S-transform and singular value decomposition[J]. Iet Science Measurement & Technology， 2017， 11(2)：186-193.

[12] LIU C， LI H， WANG J， et al. Optimal eigenvalue weighting detection for multi-antenna cognitive radio networks[J]. IEEE Transactions on Wireless Communications， 2017， 16(4)：2083-2096.

[13] MOHAMMADI H， HAGHJOO F. Feasibility study for partial discharge detection and defective region identification in power transformers by using distributed sensors[J]. Iet Generation Transmission & Distribution， 2016， 10(16)：4006-4023.

[14] JIAN W， CHEN M， MCFARLAND D J. EEG based zero-phase phase-locking value (PLV) and effects of spatial filtering during actual movement[J]. Brain Research Bulletin， 2017， 130：156-164.

[15] ZHANG B， PAN J F， YUAN J， et al. Tracking control with zero phase-difference for linear switched reluctance machines network[J]. Energies， 2017， 10(7)：949.

[16] LEWIN P L， TRAN T N， SWAFFIELD D J， et al. Zero-phase filtering for lightning impulse evaluation： A K-factor Filter for the Revision of IEC60060-1 and-2[J]. IEEE Transactions on Power Delivery， 2008， 23(1)：3-12.

[17] ANGELIDIS E. A recursive frequency-sampling method for designing zero-phase FIR filters by nonuniform samples[J]. IEEE Transactions on Signal Processing， 2002， 43(6)：1461-1467.

[18] 賈亞飛，朱永利，蘭志堃，等. 基于S變換和深度置信網絡的變壓器局部放電模式識別[J]. 廣東電力，2017，30(1)：108-115.

JIA Yafei, ZHU Yongli, LAN Zhikun, et al. Pattern recognition on partial discharge signals of transformers based on S-transform and deep belief network[J]. Guangdong Electric Power，2017，30(1)：108-115.

[19] 紀躍波， 秦樹人. 零相位數字濾波器[J]. 重慶大學學報： 自然科學版，2000， 26(6)：4-6.

JI Yuebo， QIN Shuren. Digital filtering with zero phase error[J]. Journal of Chongqing University： Natural Science Edition， 2000， 26(6)：4-6.

[20] DAI D， WANG X， LONG J， et al. Feature extraction of GIS partial discharge signal based on S-transform and singular value decomposition[J]. Iet Science Measurement & Technology， 2017， 11(2)：186-193.

[21] KHAN Y， KHAN A A， BUDIMAN F N， et al. Partial discharge pattern analysis using support vector machine to estimate size and position of metallic particle adhering to spacer in GIS[J]. Electric Power Systems Research， 2014， 116(11)：391-398.

[22] SI L， QIAN Y， BAI W， et al. Pattern recognition of UHF partial discharge for GIS with support vector machine[J]. High Voltage Apparatus， 2014， 50(11)：1-6.

[23] 徐衛東，聶一雄，彭 丹，等. FFT優化算法與小波分析在局部放電檢測中的應用[J]. 廣東電力，2017，30(4)：67-73.

XU Weidong, NIE Yixiong, PENG Dan,et al. Application of FFT optimization algorithm and wavelet analysis in partial discharge detection[J]. Guangdong Electric Power，2017，30(4)：67-73.