基于WT-SVM的高壓電力電纜局部放電檢測方法研究

陸鐘華,朱 健

(國網江蘇省電力有限公司揚州供電分公司,江蘇 揚州 225009 )

0 引言

電力電纜是電力系統中使用的一種絕緣線路，主要用于主干線路，以實現大功率電能的傳送和分配。高壓電力電纜指的是電壓在110～275 kV、用于電能傳輸和分配的絕緣電纜[1]。局部放電(partial discharge，PD)是由于絕緣劣化以及遭受破壞導致的。每次PD都會對絕緣介質造成損害。PD強度將直接影響絕緣介質損害程度。其損害程度越高，絕緣介質的絕緣強度越低[2]。PD會引發電脈沖、超聲波、局部發熱等現象，對于電纜的運行和使用均存在較大的安全隱患。因此，PD檢測作為可及時發現PD的主要方法，對其進行相關研究非常重要。為可靠檢測高壓電力電纜是否存在PD現象，劉哲等[3]對電纜終端PD的信號特性進行分析后，通過建立暫態對地電壓法物聯網傳感單元監測PD現象。該方法在應用過程中的檢測效果較好，但存在一定局限性，如發生放電的位置不在電纜終端時會影響檢測精度。劉孟佳等[4]分析了電磁干擾信號對PD檢測的影響，并利用寬頻帶檢測傳感器和分離分類相結合完成PD檢測。該方法的檢測效率較高、功耗較低，但檢測精度和穩定性較低，不能大范圍應用。

基于此，本文結合小波變換(wavelet transform,WT) 和支持向量機(support vector machine,SVM)兩種算法的優勢，實現高壓電力電纜PD檢測。SVM算法依據監督學習完成目標的分類識別[5]。WT分析法具備變換能力，可在完成信號分析和處理的同時實現信噪分離[6]。本文結合這2種算法的優勢，在最大程度保證放電信號特征的前提下去除信號中的噪聲，完成信號的分類識別，實現PD檢測。

1 高壓電力電纜PD檢測

1.1 PD檢測流程

WT和SVM的高壓電力電纜PD檢測方法整體包含2個部分：一是PD信號采集和預處理；二是信號的特征提取和分類識別。

PD檢測流程如圖1所示。

圖1 PD檢測流程

電纜在實際的檢測過程中，采集的信號會存在不同強度的噪聲。噪聲會對最終檢測結果造成直接影響[7]。因此，為保證在去除噪聲的同時不會對PD信號造成影響，本文將WT和信息熵相結合，以改進后的WT算法(即小波熵算法)對采集的信號進行預處理，從而去除信號中的噪聲。

1.2 基于小波熵的高壓電力電纜PD信號降噪

本文通過小波熵算法完成高壓電力電纜PD信號的降噪處理。該算法能完成噪聲能量閾值的確定，依據該閾值對采集的有效信號和噪聲信號進行調整[8]，修正兩者的比例，從而完成降噪。

本文采用WT分析PD信號。其分析方式為多制度，以此獲取信號信息，且該信息呈現差異性尺度。在此基礎上，為獲取小波熵的大小，對獲取的信號實行量化計算。總能量為：

(1)

式中：f(j,n)為小波系數，其位于第j層；N為系數點數量。

采用式(2)描述位于第i個子區間的小波系數能量：

(2)

式中：m、M為子區間范圍點。

整體能量中，第i個子區間的小波系數能量所占比例及其小波熵的計算式分別如式(3)、式(4)所示。

(3)

式中：pj,i為第i個子區間的小波系數的能量所占比例。

(4)

式中：Si為第i個子區間的小波熵。

由式(3)和式(4)可知，每個尺度信息均可作為1個信號源。因此，可采用平均劃分對每個尺度小波系數進行處理，使其形成數個子區間，從而獲取小波熵值。

PD信號包含低頻和高頻兩種區域。前者以小波系數為主，而后者以噪聲信息為主。如果該區域內全部都是噪聲信號[9]，則噪聲閾值的計算式為：

(5)

式中：Pw為PD信號。

在實際情況下，高頻區域中并不全是噪聲信號，也存在PD信號。因此，如果對高頻區域進行處理會對PD信號造成破壞。采用小波熵值大小描述細節程度和風量分布。前者對應PD信號，而后者對應尺度空間。噪聲信號含量隨著小波熵值的增加而增加[10]。因此，需依據小波熵值的大小確定h(j)。

假設加入小波熵的最大區間為第i個子區間，那么可利用小波熵的最大值表示噪聲值的變化關系，將其均值作為噪聲值能量的閾值。則該閾值的計算式為：

(6)

如果噪聲信號覆蓋PD信號中的有效信號，則表示此時信號較弱，可對頻率進行計算，通過空域相關去噪方法完成。同時，將計算獲取的頻率由高至低排列。當相關系數發生變化時，屬于模極值點且位于PD信號中的噪聲能量閾值可采用h*(j)描述，以完成信號和噪聲的區分[11]。

噪聲能量閾值采用h*(j)描述時，能夠最大程度去除PD信號中的噪聲，同時可使檢測結果的可靠程度顯著提升[12]。詳細步驟如下所述。

①C(j,n)為相關系數，屬于高頻尺度，且j=1。對C(j,n)實行求解，通過空域去噪方法求出歸一化系數CNew(j,n)。將CNew(j,n)與C(j,n)進行對比，判斷兩者大小。如果前者大于或等于后者，則對PD信號信息fNew(1,n)進行保留，并確定位于n點處的小波變換值是由PD信號導致。利用n點系數替代fNew(1,n)。n點系數屬于f(1,n)區間，保留該點值，將位于該點處的f(1,n)和C(j,n)歸零，對PD信號的相關性信息實行搜尋。此時，f(1,n)均會保留在fNew(1,n)中，且不含有噪聲。

②如果j>1，對|CNew(j,n)|和|f(1,n)|進行對比，判斷兩者的大小。如果前者大于等于后者，則將剛獲取的PD信息采用WfNew(j,n)替代。

循環上述步驟，即可確定最佳的Th*(j)值。

1.3 PD檢測

PD特征能夠體現其信號的類別，并能判斷信號是否為異常信號。因此，信號特征的提取直接與檢測結果關聯。本文采用奇異值譜對經過小波熵降噪后的電纜PD信號實行檢測。其計算式為：

(7)

式中：pi為整個奇異譜中第i個奇異值占據的百分比。

pi的計算式為：

(8)

式中：δi為奇異譜值，屬于PD信號。

對PD信號的奇異譜熵實行歸一化處理，以此提升PD信號檢測效率。其處理式為：

(9)

經特征提取后得出PD檢測特征Xi，且Xi=[X1,X2,...,Xd]T∈Rd。PD信號的類別為yi∈Rd。由PD信號樣本組成的訓練集為(Xi,yi)，且i=1,2,...,n，其中，n為樣本數量。采用SVM對(Xi,yi)進行映射，以構建最佳超平面，使距離最小化。以此可完成線性函數的構建。其計算式為：

f(x)=wΦ(x)+b

(10)

式中：Φ(x)為函數；w和b分別為權值和偏置。

在對兩者實行求解時，會存在部分樣本點誤差較大的情況。因此，本文引入松弛因子進行調整。計算式為：

(11)

式中：ε為損失函數，且為不敏感。

采用式(12)描述最優超平面獲取問題。

(12)

向式(12)中引入Largrange函數，完成式(12)的轉化，使其形成對偶形式。其計算式為：

(13)

式中：α和α*均為乘子，屬于Largrange函數。

采用式(14)表示式(13)的約束條件：

(14)

(15)

式中：K(xi,xj)為核函數。

(16)

2 測試結果與分析

為測試本文方法在高壓電力電纜PD檢測方面的相關應用情況，采用無線傳感器對某地區220 kV的電纜PD信號進行采集。采集的樣本數量為1 500個。采集的信號包含自然環境中的不同大小的噪聲。將采集的信號通過服務端接口傳送至服務器，并存儲至MATLAB軟件內。利用該軟件向采集的信號輸入包括電暈、沿面、氣隙和懸浮的4種PD現象模擬信號。輸入數量均為25個，則總樣本數量為1 600個。

參數優化取值測試結果如圖2所示。在進行PD檢測測試前，需確定最佳懲罰參數和核函數的取值，以PD的識別精度值作為衡量標準，測試在2個參數取值不同時PD的分類識別結果。

圖2 參數優化取值測試結果

根據圖2的測試結果可知：懲罰參數和核函數的取值不斷增加，PD的識別準確率隨之發生不同的波動變化，在兩者取值分別為0.5和0.2時識別準確率最高。因此，本文確定兩者的最佳取值為0.5和0.2，并用于后續試驗。

為判斷本文方法的降噪效果，采用本文方法對電暈、沿面、氣隙、懸浮4種PD信號進行降噪處理，并將降噪后的信號與降噪前的原始采集信號進行對比，以此衡量本文方法的降噪效果。但是由于篇幅有限，僅隨機呈現其中2種PD信號的降噪結果。

氣隙信號降噪前后的測試結果如圖3所示。

圖3 氣隙信號降噪前后的測試結果

懸浮信號降噪前后的測試結果如圖4所示。

圖4 懸浮信號降噪前后的測試結果

根據圖3和圖4的測試結果可知：本文方法具備良好的降噪效果，能夠完成包含不同PD類別的信號降噪，降噪后的信號噪聲極大程度地消失，可保證PD信號的可靠性。本文方法主要可確定噪聲能量閾值，并依據該閾值對局部放電信號中有效信號和噪聲信號進行調整，修正兩者的比例以完成降噪，因此降噪效果良好。

為進一步測試本文方法的降噪效果，以信噪比(signal-to noise ratio,SNR)和波形相似系數λNCC作為評價指標，獲取本文方法在不同噪聲下的SNR和λNCC結果。2個指標的測試結果如圖5所示。

圖5 2個指標的測試結果

其中，SNR的值越高表示降噪效果越好，信號中涵蓋的噪聲越少；λNCC的值越高表示降噪效果越好，降噪后的信號完整性越高。由圖5可知，隨著噪聲的逐漸增加，2個指標均呈現穩定趨勢，且波動幅度較小，兩者值均在0.8以上。這表明本文方法的降噪效果良好，能夠很大程度地保證降噪后信號的完整性。

為測試本文方法對PD的檢測效果，采用本文方法對樣本集中的PD信號實行分類識別。PD的分類識別測試結果如圖6所示。

圖6 PD的分類識別測試結果

由圖6可知：本文方法能可靠識別樣本中的4種不同的PD信號類別，完成不同類別的信號檢測。為進一步測試本文方法的檢測效果，以特異性和靈敏度作為衡量指標，測試本文方法在不同SNR的情況下特異性指標和靈敏度指標的變化情況。

檢測效果測試結果如圖7所示。其中：特異性值越低，分類效果越好；靈敏度越高，檢測結果穩定性越高。

圖7 檢測效果測試結果

由圖7可知，2個指標的期望標準為低于0.35和高于0.85。隨著樣本數量的增加，在不同的SNR時，本文方法的特異性和靈敏度良好，兩者的值均滿足期望標準。因此，該結果進一步表明了本文方法具備較佳的檢測效果。

3 結論

隨著現代科技的不斷發展，人們對電能的使用需求逐漸提升。為保證人民生產及生活用電，需要重視電能輸送電路的保護。高壓電力電纜是眾多工業企業、煤礦的主要電能輸送線路。為保證電纜的安全性，需對PD實行檢測。基于此，本文提出WT和SVM相結合的高壓電力電纜PD檢測方法。經測試，該方法可有效降低PD信號中的噪聲，保證了降噪后信號的完整性，實現了精準識別。