基于原始信號多尺度信息的局部放電特征提取與識別

魏占朋，方 靜，林國洲，李松原，張 華

（1.國網天津市電力公司電纜分公司，天津 300300；2.國網天津市電力公司電力科學研究院，天津 300384）

局部放電PD（partial discharge）現象是電纜線路絕緣劣化的重要表現形式。不同來源的PD脈沖，對電纜的危害程度不同，判斷標準也不一樣[1-3]。因此對PD類型進行準確識別極為重要。

PD識別的整個過程基本分為原始放電數據獲取、數據預處理、放電模式構造、特征提取和模式識別[4]，其中特征提取和模式識別是最重要的步驟。特征提取是指從PD信號樣本中提取特征量，其主要方法有統計特征法、脈沖波形特征法、分形特征法、圖像矩特征法和小波分析法等。而目前應用比較廣泛的PD模式識別分類器主要有神經網絡分類器、基于距離的模式分類器和支持向量機SVM（support vector machine）分類器等[5-6]。

本文制作了沿面放電、懸浮放電、針-板放電和自由顆粒放電4種典型的故障缺陷模型，搭建實驗平臺測取了原始PD數據，對原始數據去噪處理后，構建了4種放電類型的局部放電相位分布PRPD（phase resolved partial discharge）譜圖，然后對原始PD信號進行了諧波小波包變換HWPT（harmonic wavelet packet transform），提取了PD信號的多尺度能量特征參數和多尺度樣本熵參數。將多尺度能量參數和多尺度樣本熵參數組成特征向量，送入SVM中進行分類識別。

1 局部放電模型及試驗平臺搭建

1.1 放電模型

為了研究不同故障類型的PD信號特征，搭建實驗平臺，制作沿面放電、懸浮放電、針-板放電和自由顆粒放電4種典型的故障缺陷模型，如圖1所示。

圖1 4種典型放電模型Fig.1 Four typical discharge models

圖1（a）為沿面放電模型，2個圓形銅板電極之間是絕緣板，銅板周圍均被打磨光滑，絕緣板由環氧樹脂板做成。圖1（b）是針-板放電模型，針狀電極是用銅柱打磨而成，板電極為圓形銅板。圖1（c）為懸浮放電模型，此模型用來模擬設備內部導體接觸不良或接地不良產生的懸浮放電。圖1（d）為自由顆粒放電模型，此模型可以模擬設備內部存在金屬碎屑情況下產生的顆粒放電。

1.2 實驗線路與設備

PD實驗電路如圖2所示，調壓器和實驗變壓器能產生至高50 kV電壓，保護電阻為1 MΩ，以上部分構成實驗電路的加壓系統。高頻脈沖電流傳感器HFCT（high frequency current transformer）具有非常高的頻率響應特性和良好的線性度[7]，可以感應PD脈沖信號，再與同步正弦信號一并輸送到采集卡中。

圖2 PD實驗電路Fig.2 Circuit of PD experiment

1.3 局部放電原始時域脈沖波形

PD信號的原始時域脈沖波形如圖3所示。采樣頻率為250 MHz，采樣長度為1個工頻周期。

圖3 PD原始時域脈沖波形Fig.3 Original time-domain pulse waveforms of PD

2 局部放電PRPD圖譜

2.1 小波閾值去噪

從圖3中可以看出，實驗室環境中存在一定的背景噪聲。為了取得良好的去噪效果，首先根據每類PD的觸發幅值和波形特征設計了PD信號提取程序，從一個工頻周期中提取單個的PD脈沖，每個PD脈沖的采樣點數為5 000。

得到單個PD脈沖后，采用小波閾值去噪算法濾除背景噪聲。去噪的步驟如下[8]。

步驟1對含噪的PD原始信號進行小波分解，得到對應的小波系數{ }Cj,k；

步驟2除了最高分解尺度j對應的低頻小波系數外，對其他高頻小波系數進行閾值處理；

步驟3對閾值去噪后得到新的小波系數，再進行小波逆變換，得到去噪后的信號。

去噪后的PD時域信號波形如圖4所示。

圖4 去噪后的PD時域波形Fig.4 Time-domain waveforms of PD after deno

去噪效果可以用信噪比來評價。信噪比指的是原始信號和噪聲之間能量的比值，記為SNR，表示為

從工頻周期中提取的PD脈沖的SNR值都在15以上，小波去噪方法取得了良好的效果。從圖4中也可以看出，小波閾值去噪方法可以很好地保留PD信號特征，且有效濾除了白噪聲。

2.2 PRPD譜圖構建

PRPD反映了不同類型放電脈沖的統計特征，得到了廣泛應用。在三維PRPD圖譜中，橫軸φ表示放電的相位，縱軸q表示放電量，豎軸n表示放電重復率（放電次數）。記錄的背景噪聲為2 mV，統計10個工頻周期，將φ軸平分為360份，q軸平分為128份，這樣在φ-q平面得到360×128個小格，計算每個小格內的放電重復率，即可得到PRPD圖譜[9]。

4種放電模型的PRPD圖譜分別如圖5所示。自由顆粒放電模型中金屬顆粒的放電具有一定的隨機性和偶然性，因此譜圖中其放電分布較為分散；懸浮放電量大且負半周放電次數更多，其譜圖基本可以分為兩部分，其中0°～120°相位區間上放電幅值大但放電次數少，180°～270°相位區間上放電幅值小但放電次數多；沿面放電電極是對稱的，因此其譜圖中放電也基本對稱，放電主要集中在10°～140°和200°～260°相位區間上；針-板放電模型中，在針電極上施加高壓，此時起始放電電壓較高，因此其譜圖中放電次數較少，主要集中在20°～90°和200°～270°相位區間上。

圖5 局放PRPD譜圖Fig.5 PRPD spectra

3 特征量的提取及識別

3.1 諧波小波包變換

3.2 多尺度能量參數

3.3 多尺度樣本熵參數

對于PD信號X（i）（i=1，2，…，N），樣本熵的計算步驟如下[11]。

步驟1HWPT分解：對X(i)進行j層HWPT分解，得到2j個不同子帶信號，即Xk(i),k=1,2,…,2j。

步驟2計算各子帶信號樣本熵SampEn（k）。

樣本熵與模式維數m和相似容限r的取值有關，一般情況下m=1或m=2，r=（0.10～0.25）Std（Std是原始數據的標準差）。因此，本文取m=2，r=0.15Std。

3.4 特征提取結果分析

利用HWPT對PD放電信號進行了4層分解，得到16個子帶。計算子帶相對能量參數和樣本熵參數。統計分析了100組子帶的相對能量和樣本熵數據，得到了4種PD信號多尺度能量特征和多尺度樣本熵特征的95%置信區間，如圖6和圖7所示（圖中展示10個子帶E1～E10，是因為能量主要集中在這10個子帶內）。

圖6 多尺度能量參數的分布Fig.6 Distribution of multi-scale energy parameters

圖7 多尺度樣本熵參數的分布Fig.7 Distribution of multi-scale sample entropy parameters

由圖6可見，自由顆粒放電和針板放電的能量主要集中在E4、E5、E6等較高頻率的子帶上，而懸浮放電和沿面放電的能量則主要集中在E1、E2、E3等較低頻率的子帶上。不同類型PD能量具有不同的分布，因此可以將多尺度能量參數作為特征量。

由圖7可見，不同PD的特征子帶的樣本熵序列分布也不同。在PD信號能量比較集中的子帶（E1～E5）內，針-板放電和沿面放電計算得到的樣本熵值明顯高于自由顆粒放電和懸浮放電。因此，也可以利用多尺度樣本熵特征來區分不同類型的PD信號。

3.5 局部放電類型識別

PD類型的識別采用SVM分類器來實現。在分類過程中，分別將多尺度能量參數序列RE（i）、多尺度樣本熵參數序列SampEn（i）及二者組合RE（i）+SampEn（i）作為特征向量，輸入到SVM中進行分類。從每類放電類型的特征庫中隨機選取200組作為訓練樣本，選取100組作為檢驗樣本。PD信號識別準確率如表1所示。

表1 PD信號識別準確率Tab.1 Recognition accuracy of PD signals %

從表1中可知，將多尺度能量參數序列RE（i）和多尺度樣本熵參數序列SampEn（i）組合起來，作為特征向量，取得了最好的識別效果，識別率為94.5%，相比使用單一RE（i）或SampEn（i）序列，分別提高了8.3%和10.9%。這是因為能量特征和樣本熵特征分別從不同角度描述了PD信號，而兩者組合之后反映的PD信號特征更加全面，因此識別率更高。

將多尺度能量參數序列RE（i）和多尺度樣本熵參數序列SampEn（i）組合起來作為特征向量時，4種放電類型的識別率都達到了90%以上，平均識別率為94.5%，因此，由多尺度樣本能量特征和多尺度樣本熵特征組成的特征向量可以實現PD放電類型的模式識別。

4 結論

（1）PRPD譜圖反映了不同類型放電脈沖的統計特征，如：金屬顆粒的放電具有一定的隨機性和偶然性，因此其譜圖中放電較為分散；針-板放電的起始放電電壓較高，因此譜圖中放電次數較少。

（2）自由顆粒放電和針-板放電的能量主要集中在頻率較高的特征子帶上，懸浮放電和沿面放電的能量則主要集中在頻率較低的子帶上。在PD信號能量比較集中的子帶內，針-板放電和沿面放電計算得到的樣本熵值高于其余2種放電。

（3）多尺度能量參數和多尺度樣本熵參數從不同角度反映了PD信號的特征，將兩者組合起來，作為特征向量，可以獲得更好的識別效果。

（4）4種放電類型的識別率都達到90%以上，平均識別率為94.5%，因此由多尺度樣本能量特征和多尺度樣本熵特征組成的特征向量可以實現PD類型的模式識別。