基于音紋數據的開關柜局部放電算法研究

王世林，桑仲慶,*，徐敏，梁煜健，易鵬

（1.廈門理工學院 電氣工程與自動化學院，廈門 361024；2.龍巖市廈龍工程技術研究院，龍巖 364000；3.廣東電網有限責任公司肇慶供電局，肇慶 526000）

0 引言

開關柜是電網系統中的一種關鍵設備。據權威統計其絕緣故障占37.3%，占有很大的比重，因此開展如何檢測PD信號對全面深入了解開關柜運行狀態及其“健康”檢測具有重要意義[1～5]。

開關柜并非密閉腔體，運行環境本身就有50pC～100pC的放電量乃至更高，對于UHF/AE這類靈敏度很高、TEV這類對接地要求比較高的檢測方法[6～13]。誤報率極高，反而對開關柜正常準確的智能運維和狀態檢修造成了極大的困擾。

開關柜的運行環境，決定了開關柜的智能運檢對局放測量的精度無特別高的要求[14]，但對可靠性要求較高。根據上述智能運檢的工程要求，以及開關設備在PD時的音紋特性，本文提出一種基于音紋特征分析開關柜局放智能識別方法，替代運維專家的耳朵，應用于開關柜的在智能運檢中。仿真機現場應用結果表明，本文所提方法可準確識別開關柜PD且具有更好的泛化性能，且工程應用性強。

1 基于工頻特征的音紋能量特征提取

現有的基于音紋的設備狀態分析，基于大數據及樣本訓練，總結一般規律的方法居多，但這種方法的總結的是設備音紋信息的一般規律，針對開關柜運行環境，外部噪音多，短暫的，持續的均有，開關柜的局放音紋特征的提取，采用大數據分析作為基礎算法，不能滿足實際的精確度要求。

PD一般在外施電壓幅值絕對值上升部分產生，電壓高到某特定程度，在一周可能發生多次放電，且電壓越高放電次數越多，并且每次放電間隔不是固定的[15]。局放強度直接決定了振動的程度和聲波的相度,間接影響音紋的強度[16]。在工頻電壓的波峰和波谷附近因放電而引起的震蕩波幅度較大，形成的音紋信號強度、頻譜信息相對能夠體現局放的特征。

本文依據上述原理和推論，設計基于工頻識別的局放檢測算法，提取開關柜絕緣劣化過程中，音紋信息中的各種頻次諧波的含量和比例，制定出基于音紋識別的開關柜局放識別方案。

1.1 自適應波濾波器原理

開關柜運行時,工頻電流是長期存在的，對于音紋信息而言,交變工頻源是最大的干擾源,為了便于特征提取以及提高識別精度，因而要設計一個濾波器,濾除采取到的信號中的工頻干擾信號和隨機白噪音。對于前后時刻變化平穩的噪音信號降噪通常采用自適應濾波器，自適應濾波器能根據噪聲變化動態地調整自身參數，以適應實際去噪情況，自適應濾波器原理圖如圖1所示。

圖1 自適應濾波器原理圖

其中，x(k)表示輸入信號，d(k)表示期望信號，w(k)表示濾波器系數，e(k)表示x(k)與d(k)的誤差，y(k)表示輸出信號。

最小均方誤差（LMS）算法在自適應濾波器應用廣泛[17]。基于最陡下降法的LMS算法的迭代公式如下：

其中，X(k)=[x1(k),x2(k),...,xM(k)]T,是k時刻輸入信號的適量形式，W(k)=[w1(k),w2(k),...,wM(k)]T,是第k時刻濾波器系數的矢量形式。M是LMS自適應濾波器階數。μ是步長因子，并且滿足，λmax是輸入自相關矩陣的最大特征值。

1.2 工頻能量特征的提取原理

音紋信號經過自適應濾波后,濾除隨機白噪音和低頻干擾,特別是工頻干擾信號。音紋信號的能量隨時間變化明顯,在背景噪聲不大的情況下,短時能量能較好地表現音紋特征。

離散信號能量公式如式(4)所示：

式(4)中，x(k)為離散信號,N為每幀的采樣序列。即對每幀采樣序列所含采樣點幅值的平方進行求和,所得的和為短時幀能量（幀能量特征）。

根據短時幀能量變化特性，設定脈沖能量門限比較邏輯，并獲取脈沖幀特征。若脈沖幀具備10ms/20ms的間隔規律,則認為能量脈沖具備工頻特性。

2 基于工頻特征的音紋頻率特征提取

根據電力系統的工頻特性,設計數據短窗對工頻局放波峰或波谷附近進行頻譜和強度分析,建立基于音紋的開關柜局放頻域特性模型。

依據本文1中所述的工頻特性,分析音紋的頻域特性,首先需要對數據進行頻率的切片。

為避免相鄰數據窗之間的數據干擾，頻域通過頻率切片函數進行時域無重疊窗移分析，進而獲取工頻PD處的頻譜信息變化規律。如圖2所示是在工頻局放信號單個周波的5ms短時窗無重疊窗移，以工頻局放信號的波峰或波谷前2.5ms為起點，連續窗移一個周波（即4個數據短窗），圖2為數據窗移示意圖，數據短窗在工頻PD的波峰和波谷處交替出現。

圖2 數據窗移示意圖

設P(W)為P(t)的Fourier變換，稱為頻率切片函數頻率切片,函數需滿足條件：

3）P(±∞)＜0。

4）丨P(w)丨≤丨P(0)丨或丨P(t)丨≤丨P(0)丨。

常用的兩種頻率切片函數及其時域表達式為：

由于P(w)=e-0.5w2具有最佳時頻聚集性，故本文選其作為頻率切片函數[18]。

其次，通過切片函數，得到頻域的數據窗后，對數據窗內的頻譜含量定量分析。由于DFT算法其變換點可任意選定相對變換比較靈活，故本文選用DFT算法對短窗數據進行頻域分析，為探究PD音紋信息所含各次諧波含量在工頻電壓周波上的短時變化規律提供了基礎。

DFT在頻域的離散序列X(m)的指數形式定義為:

式(7)中:x(n)是時域連續變量x(t)的離散采樣值,e是自然對數的基，

DFT在頻域的離散序列X(m)的直角坐標形式為:

把式(6)中的復指數分解為實部和虛部,其中X(m)是第m個梯度值的輸出,如X(0)，X(1)，X(2),…,X(N)。其中m是頻域DFT輸出序列的指標,n=0,1,2,3,…,N-1，N是輸入序列的樣點數和DFT輸出序列的頻率點個數[19]。用其實部與虛部表示任意DFT復輸出值X(m)的梯度值為：

根據梯度值求得頻點對應的幅值表達式為：

3 音紋局放識別的仿真

依據本文1，2節所述的音紋PD兩類特征的提取算法，利用MATALB仿真和試驗室的測試數據，仿真驗證音紋PD的頻域特征分布和工頻能量識別的閾值。

試驗室中，分別采用球形和尖端模式，通過升壓形成對不同地點的柜壁和相互之間的局部放電。按96k/s的采樣率，采集音紋放電數據。采集樣本為1000次，每次15s。

3.1 短時能量工頻特征的提取

首先，對音紋數據濾波、分幀預處理，每幀對應一個幀能量，然后求得所有幀的幀能量之和除以總的幀數的商為平均幀能量，平均幀能量乘以能量因子α得到脈沖幀能量門限。最后,進行脈沖幀特征提取。若當前幀的幀能量值大于脈沖幀能量門限，則將此幀置為1；若當前幀能量值小于脈沖幀能量門限，則把此幀置為0，并記錄幀索引，相應得取出了所有脈沖幀（脈沖幀特征）。

所有脈沖幀的幀能量之和除以總幀數得到平均脈沖幀能量，脈沖信噪比SIR和能量因子α定義式為：

工頻局放信號特征提取步驟具體如下：

1）采集并導入工頻信號；

2）對導入的工頻信號進行濾波、分幀預處理；

3）根據能量公式提取幀能量特征；

4）將幀能量特征與脈沖幀能量門限做比較，提取所有脈沖幀能量特征。四個步驟分別與圖3局放信號工頻特征提取示意圖中的波形相對應。（其中能量波形圖中上方的實線為脈沖能量門限曲線，中間實線為脈沖幀能量曲線，下方虛線為平均幀能量曲線）。

圖3 工頻特征提取示意圖

3.2 頻域特征的提取

提取音紋的工頻特征后，以提取的工頻脈沖為中心，采用圖2模式進行短時數據窗移，分析PD音紋的頻域特征。

首先，對工頻局放信號進行一個周波的數據短窗窗移，如圖4為工頻放電600pC的情況，圖4(a)為工頻電壓波波峰處的頻譜信息，從中可以看出4kHz頻點所對應的能量值最大，3～7kHz頻段內頻點所對應的能量值明顯高于其他頻段。圖4(b)為非波峰（谷）處的頻譜信息。從中可以看出5kHz頻點所對應的能量值最大，高能量頻點都也集中在3～7kHz頻段，但其能量值小的多。

圖4 DFT-5ms工頻局放信號時頻能量波形圖

通過對比分析發現：波峰（谷）處所對應的頻點最大能量值比非波峰（谷）處的頻點最大能量值明顯要大，最大能量值所對應的頻點均在5KHz附近。此頻段為音紋局放的特征頻段。為了驗證本工頻PD信號模型頻譜規律的普遍性，后續對不同放電模式、放電位置、放電強度的1000組數據進行頻譜分析，均滿足上述結論。

對非局放音紋信號，即背景干擾，如風機、人畜聲、汽車、音樂等音紋信息，工頻特征的提取是不成功的，不能直接進入音紋局放的判別邏輯，診斷為非局放。對非局放音紋信號單個周波頻譜分析如圖5所示，非工頻PD信號的各數據短窗最大特征能量所對應得頻點分布差異較大，幾乎貫穿整個頻段，相比工頻PD信號而言無規律可尋。

圖5 DFT-5ms非局放信號時能量波形圖

3.3 音紋局放的判別邏輯

根據上述仿真分析可知音紋局放特征頻段為3～7kHz。對10kV高壓開關柜的500ms音紋局放信號片段進行5ms音紋數據短窗分析。每窗中的最大能量特征點展示如圖6所示。其中橫坐標代表5ms音紋數據短窗的窗索引，縱坐標為該數據短窗內最大的能量特征值，圖中下面的橫線代表平均能量值，上方的橫線為平均能量值的120%(設為能量閾值)。工頻信號的周期為20ms，故橫坐標窗索引相差為4的脈沖能量特征（代表相鄰兩個波峰或波谷能量較大）記為20ms脈沖，橫坐標窗索引相差為2的脈沖能量特征（代表相鄰的波峰與波谷之間能量較大）記為10ms脈沖。以大于能量閾值的10ms脈沖和20ms脈沖個數為依據，可有效判別局放的音紋特性。

圖6 工頻局放信號能量波形圖

若局放音紋片段所含10ms脈沖和20ms脈沖總數大于脈沖總閾值，并且20ms脈沖個數和10ms脈沖個數都分別大于其對應的脈沖閾值，SIR也達到其閾值，則判定為有局放信號，若出現以下狀況：

1）總脈沖數或20ms及10ms脈沖數小于所對應閾值（脈沖過少）。

2）SNR小于閾值（脈沖不明顯）。

以上出現任意一種情況，則判定為非局放信號。

4 結語

本文根據PD的過程中的工頻特性的原理，對音紋信息的工頻特征進行提取，再結合DFT算法設計短數據窗，在短數據窗內分析音紋的頻譜特征能量變化規律，獲取局放判別的頻域參數及其能量閾值。依據本文方法設計的音紋局放檢測裝置在鋼鐵、電力、鐵路行業已經現場應用并正確判別現場的局放特性，有效驗證了本文方法的有效性和可靠性。

本文方法適用于配電網數據巨大的開關柜的智能運維，可有效監測因設備老化或制造工藝問題引起的設備絕緣問題。本文目前的方法的測量精度有比較大的提升空間，后續通過細化時間窗切片模式和優化算法，并與超聲波傳感器結合，完成放電點的定位和精度的提升，并可作為設備的絕緣劣化趨勢分析的依據。