小波包能量譜和神經網絡的開關柜局部放電自動檢測方法

趙昊然，陸智勇，江 明，劉立石

（1.武漢大學 電氣與自動化學院，武漢 430000；2.國網六安供電公司，六安 237000）

開關柜在運行過程中，當發生局部絕緣老化等因素的影響后，會形成絕緣缺陷，產生局部放電現象[1]，該現象會導致開關柜運行異常，甚至發生設備損壞和運行故障[2]，如何精準完成開關柜局部放電自動檢測或者識別，是保證開關柜正常運行的重要手段[3]。局部放電自動檢測過程中，均需依據采集的機械信號完成，但是該類信號在采集過程中，受到環境的干擾[4]，導致采集的信號具有顯著的非平穩性以及非線性和時變性[5]，對于局部放電自動檢測精度存在直接影響。因此，文獻[6]為實現局部放電自動檢測，采集開關柜運行數據，利用聚類算法對數據進行處理后，完成局部放電分類檢測，但會受到噪聲數據的干擾，降低檢測精度；文獻[7]實現了開關柜絕緣故障診斷，但是該方法在應用過程中，如果采集的信號中包含大量的混頻信號，則檢測結果會存在較大誤差。

小波包能量譜結合小波包和能量譜形成，可以深入描述信號的局部細節和整體性能[8]。神經網絡能夠通過對自身節點之間相互連接關系的調整完成信息處理，具有較高的非線性運算能力、并行處理能力以及容錯性能[9]。因此，本文提出基于小波包能量譜和神經網絡的開關柜局部放電自動檢測方法。

1 開關柜局部放電自動檢測

1.1 開關柜局部放電混頻信號處理

開關柜在運行過程中，會受到環境干擾，導致采集的開關柜運行信號中存在大量混頻信號以及噪聲，影響開關柜局部放電自動檢測精度[10]。因此，本文在對開關柜運行信號進行處理，刪除信號中的混頻信號[11]。該方法是依據負荷波動情況，分析開關柜內的電氣設備局部放電耦合過程參數進行分析[12]，同時結合該設備運行過程中的參數約束條件，構建開關柜電氣設備參數辨識模型，通過該模型獲取開關柜電氣設備運行最大功率參數的輸出結果。其中參數的約束條件表達公式為

式中：e 表示控制參數；i 表示電氣設備運行信號傳輸形成的諧波；δ 表示信號容量；φ 表示局部放電信號頻率。

為獲取信號中的有效信號，計算開關柜運行信號的分布情況B，其計算公式為

式中：F 表示信號擾動補償；S 表示信號被動幅度；t 表示時間段。

依據公式（2）即可完成信號的分布情況提取，在此基礎上引入模糊參數識別方法，獲取控制端放電信號H 結果，其計算公式為

式中：ε 表示參數可靠性；ξ 表示模糊量。

依據上述公式可獲取新的開關柜運行信號U=［u1，u2，…，un］，混頻信號被有效刪除。

1.2 小波包能量熵特征提取

小波包能量熵則能夠實現信號能量分布的有序度表示，其能夠描述局部放電的變化特征，同時能夠有效完成信號中的噪聲處理。因此，文中采用小波能量熵作為開關柜局部放電的特性信息，為局部放電自動檢測提供可靠依據。以基小波φ（t）為參考，生成二進離散小波，以此構成標準正交基，通過正交小波分解獲取尺度函數ψ（t），將φ（t）和ψ（t）分別定義為φ（t）=u0（t）、ψ（t）=ui（t），則得出：

式中：k 表示時間位置參數；u2n（t）和u2n+1（t）均為信號序列；n 表示分解層數，n=2l 或者n=2l+1；h（k）和g（k）均表示高通和低通分解濾波系數，其中g（k）=（-1）kh（1-k），因此，h（k）和g（k）之間呈現正交關聯。

在小波包分解過程中，引入正交小波分解，以此獲取開關柜局部放電信號的小波包表達公式：

通過小波包分解后，信號的L2 范數的平方即為分解前信號在時域上的能量，則各個頻帶上信號的投影序列能量計算公式為

依據Parseval 恒等式對公式（6）進行轉換后得出：

小波變換系數代表了信號在不同頻帶和尺度上的特性，2n個能量能夠描述信號由低至高的每個頻段的情況。

基于小波包能量譜的局部放電特征提取詳細步驟如下所述：

（1）采用小波分解對處理后的時域信號進行分解，獲取2n個頻帶特征信號，同時去除信號中噪聲；

1.3 徑向基神經網絡的開關柜局部放電自動檢測

完成局部放電特征向量提取后，采用徑向基神經網絡（radial basis function network，RBF）進行開關柜的局部放電分類檢測。RBF 包含輸入層、隱含層以及輸出層組成，其隱含層中包含徑向基函數神經元，該網絡結構如圖1 所示。

圖1 徑向基神經網絡結構Fig.1 Radial basis function neural network structure

圖中Cij和Pij分別表示隱含層空間的中心參數和寬度向量；i 和j 分別表示樣本數量以及隱含層數量；k 表示神經元數量。RBF 在進行開關柜局部放電自動檢測時，其核心原理是通過徑向基函數神經元組成的隱含層對輸入的特征向量進行變換，將特征變換至高維空間中，實現特征向量的線性可分；在該變換過程中，需確定網絡的中心點Cij，進而確定映射關系。Cij和Pij為隨機生成，隱含層和輸出層之間的鏈接權重用ωkj表示。將X作為RBF 的輸入矢量，ηj（x）表示隱含層節點的激活函數，隱含層第j個神經元的輸出結果計算公式為

基于徑向基神經網絡的開關柜局部放電自動檢測詳細步驟如下所述：

步驟1確定輸入參數將作為網 絡輸入；確定輸出結果

步驟2參數計算

計算ωkj，其公式為

式中：kmin和kmax表示期望輸出結果的下限和上限，對應樣本特征集中的第k 個輸出神經元。

Cij的計算公式為

式中：j=1，2，…，p；imin和imax期望輸出結果的下限和上限。

Pij的計算公式為

式中：df表示寬度調節系數。

ηj（x）的計算公式為

步驟3局部放電自動檢測結果輸出計算

2 測試結果與分析

選擇某高壓變電站內的立柜式高壓開關柜作為測試對象，該開關柜的額定電壓為10 kV，額定頻率為50 Hz，其防護等級為IP40，額定電流為630 A。獲取該變電站監控中心采集的高壓開關柜運行45天的狀態信號作為測試數據。采集的信號中包含高壓開關柜運行過程中發生的沿面放電、氣隙放電、懸浮放電3 種信號。

為驗證本文方法對于混頻信號的處理效果，選擇一段包含混頻信號的高壓開關柜運行信號，采用本文方法對其進行處理，獲取處理前后的信號結果，如圖2 所示。對圖2 測試結果進行分析后得出：本文方法應用前，采集的信號中存在顯著的混頻信號，該信號和正常信號之間存在交叉現象；采用本文方法進行處理后，信號中的混頻信號被有效處理，僅保留正常開關柜運行信號。因此，本文方法具有較好的信號處理效果，可保證信號的有效性。

圖2 混頻信號的處理結果Fig.2 Processing results of mixed frequency signals

為驗證本文方法對于信號中噪聲的處理效果，隨機選擇一段包含噪聲的高壓開關柜運行信號，采用本文方法對信號進行小波分解，獲取分解后信號的噪聲變化情況，測試結果如圖3 所示。對圖3 測試結果進行分析后得出：采用本文方法對信號進行分解后，能夠有效處理信號中的噪聲干擾，降低噪聲對于信號的影響，局部放電自動檢測提供可靠依據。

圖3 信號噪聲處理結果Fig.3 Signal noise processing results

為驗證本文方法的信號處理性能，文中采用均方誤差和相關性系數作為評價指標，本文方法在進行不同采樣點數量下，計算結果如表1 所示。對表1測試結果進行分析后得出：采用本文方法對信號進行處理后，均方誤差和相關性系數均在0.922 以上，兩者最高值達到0.993 和0.995。因此，本文方法的應用性能較好，在進行信號時能夠保證信號質量，避免信號發生失真和畸變。

表1 均方誤差和相關性系數測試結果Tab.1 Mean squared error and correlation coefficient test results

為驗證本文方法的小波包能量譜特征提取效果，隨機選擇一段采集的信號，采用本文方法對其進行處理，獲取處理后沿面放電、氣隙放電、懸浮放電3 種信號在不同序號頻帶下的能量譜特征結果，如圖4 所示。對圖4 測試結果進行分析后得出：本文方法應用后，能夠獲取信號的能量譜特征結果，并且不同類別的局部放電的能量譜特征的波動范圍也存在一定差異。因此，本文方法能夠有效獲取局部放電的能量譜特征。

圖4 能量譜特征結果Fig.4 Energy spectrum characteristic results

為驗證本文方法對于高壓開關柜局部放電的檢測效果，選擇一段開關柜運行信號，采用本文方法對降噪處理后的信號進行特征提取后，依據提取的特征結果，進行開關柜局部放電自動檢測，獲取檢測結果，如圖5 所示。對圖5 測試結果進行分析后得出：本文方法能夠依據采集的開關柜運行信號，完成局部放電自動檢測，并且可完成局部放電類別的區分，依據局部放電自動檢測結果可判斷開關柜的運行情況。因此，本文方法的應用性較好，滿足應用需求。

3 結語

開關柜是電力系統中的重要組成部分，其在運行過程中如果發生局部放電，則表示其存在絕緣故障，會影響整個電力系統的運行安全，因此，為精準掌握開關柜的運行情況，本文提出小波能量譜和神經網絡的開關柜局部放電自動檢測方法，并對該方法的應用情況展開相關測試。結果表明：本文所提方法具有較好的應用效果，能夠有效完成信號處理，刪除混頻信號以及噪聲信號；并且精準完成局部放電信號檢測，為開關柜絕緣故障判斷提供可靠依據。