变压器局部放电信号检测与类型识别

2016-05-14赵建利刘海峰刘婷岳国良孙祎付龙明

现代电子技术 2016年6期

赵建利刘海峰刘婷岳国良孙祎付龙明

摘要：为实现变压器局部放电信号检测和类型识别，设计基于超高频（UHF）法的变压器局部放电检测系统，针对4种典型的变压器放电模型进行了局部放电实验，获得相应的局部放电包络信号数据，并通过以太网通信将数据上传至电脑。利用提升双树复小波变换对包络信号数据进行消噪，从消噪后的信号不难看出，同一放电模型的局部放电包络信号形状大致相同，不同放电模型存在差别。提取6种包络信号的特征参数，结合外部加载电压，采用BP 神经网络对变压器局部放电类型进行识别，当训练误差δ=0.02时，变压器放电类型识别平均正确率在98%以上。

关键词：变压器局部放电；超高频法；提升双树复小波； BP神经网络

中图分类号： TN911.23?34； TM933 文献标识码： A 文章编号： 1004?373X（2016）06?0166?05

Signal detection and type recognition of transformer partial discharge

ZHAO Jianli1， LIU Haifeng2， LIU Ting1， YUE Guoliang2， SUN Yi1， FU Longming3

（1. Electric Power Research Institute， State Grid Hebei Electric Power Company， Shijiazhuang 050021， China；

2. State Grid Hebei Electric Power Company， Shijiazhuang 050021， China；

3. Beijing Joinbright Digital Power Technology Limited Company， Beijing 100085， China）

Abstract： A transformer partial discharge detection system based on ultra?high frequency （UHF） method was designed to realize the signal detection and type recognition of transformer partial discharge. The partial discharge experiments were conducted for the four typical transformer discharge models to obtain the corresponding envelope signal data of partial discharge. The data is uploaded to the computer through Ethernet communication. The envelop signal data was denoised by improving the dual?tree complex wavelet transform. It is not difficult to find from the denoised single that the envelop signal shapes of the same partial discharge model are almost the same， and the envelop signal shapes of different partial discharge models are different. The transformer partial discharge types were recognized with BP neural network， by extraction of characteristic parameters of six envelop signals， and in combination with the external loading voltage. When the training error δ is 0.002， the average correctness of transformer discharge type recognition can reach up to more than 98%.

Keywords： transformer partial discharge； UHF method； improvement of dual?tree complex wavelet； BP neural network

变压器是电力系统中的关键设备，维护其安全稳定运行至关重要。变压器运行的可靠性取决于其绝缘状况，变压器在绝缘性能降低时会产生局部放电，而局部放电又会导致变压器绝缘性能进一步下降甚至破坏，因此，检测变压器局部放电具有很高的应用价值[1?2]。

变压器局部放电产生的UHF 信号包含了放电类型、放电强度以及局部放电源位置等丰富的信息[3?6]，但UHF 信号频谱带宽高达GHz，如何得到该信号是个非常棘手的问题。采用数据采集装置直接对UHF 原始信号进行采样，数据量巨大，硬件电路成本十分昂贵；而采用频谱仪对UHF 信号实施频谱分析的方法也仅用于实验室研究。本文设计了基于UHF法[2，7?8]的变压器局部放电检测系统，系统利用UHF蝶形天线获得局部放电信号，然后进行包络检波，实现降频后再采样，最后通过以太网通信模块传输到电脑上[8]。在电脑上利用提升双树复小波法对包络信号进行消噪，并借助BP神经网络模式识别法[9?10]对变压器缺陷进行分类，获得了良好的变压器缺陷识别效果。

1 变压器局部放电检测系统及放电模拟实验

1.1 基于UHF法的局部放电检测系统

本文自主研发的变压器局部放电检测系统如图1所示，主要包括以下3个部分：有源集成传感器、下位机和上位机。

图1 基于UHF法的变压器局部放电检测系统

有源集成传感器负责接收变压器局部放电的UHF信号。UHF天线、包络检波器以及放大器集成在同一介质板上，能够立即对天线接收到的信号进行取包络降频，降频后的包络信号再通过同轴电缆传输给下位机，不但避免了平衡信号在不平衡线路中的传输，而且避免了UHF信号在传输线中失真。

下位机负责对局部放电包络信号进行A/D转换并将数据传输给上位机。下位机的核心为FPGA控制器，为减少包络信号的失真度，下位机的A/D采集模块的采样率频率为200 MHz，再经过FIFO缓存后存入SDRAM中，并能在指令的控制下，通过通信硬件电路上传至上位机。下位机即电脑，主要负责对下位机所采集的数据进行软件消噪、波形显示、特征参数计算以及缺陷类型识别。

1.2 变压器局部放电类型及放电模型

变压器内部局部放电类型主要分为4类[3]：

（1）由于变压器内部悬浮电位体造成的悬浮放电；

（2）由于变压器油中的金属屑、绕组因弯折引起的毛刺和变压器内部的某些部件棱角造成的针板放电；

（3）由于变压器的高压端电场较为集中但沿面场强较低造成的沿面放电；

（4）由于绝缘纸在加工时排气不彻底或者运行过程中油中析出的气体在绝缘纸内部聚集造成的气隙放电。在实验室中设计各类型放电模型如图2所示。

图2 四种典型变压器局部放电模型

本文研究的变压器局部放电模型所有圆板电极的直径为100 mm，厚度为10 mm，柱电极直径15 mm，纸板厚度为0.5 mm。图2（a）模拟变压器悬浮放电模型，在纸板边缘放置直径为0.3 mm的金属颗粒；图2（b）模拟变压器针板放电模型，针电极锥角度15°，针身直径为8 mm；图2（c）模拟变压器沿面放电模型；图2（d）模拟变压器气隙放电模型，气隙采用3 层直径为80 mm，厚度为0.5 mm的纸板叠加制作而成，中心孔径为50 mm。

1.3 模拟实验

为获得变压器局部放电包络信号特征参数，对4种放电模型进行模拟实验，并用本文设计的变压器局部放电检测系统进行信号采集。变压器局部放电模拟实验系统主要包括：交流电源、高压试验变压器、变压器油箱、放电模型以及变压器局部放电检测系统等。放电模型置于变压器油箱中，传感器则通过变压器放油阀伸入变压器壳体内，实验接线图如图3所示。

图3 局部放电实验接线图

对装满油的变压器油箱进行4种放电模型的放电实验，按照图3所示接线方式将实验装置安装完毕，缓慢升高电压，待局部放电发生时，局部放电检测系统便能记录局部放电包络信号并上传给上位机。

对4种放电模型分别进行放电实验可以得到，不同放电模型产生持续稳定的局部放电时外部加载的最低电压不相同，且在加载同一外部电压下，放电强度也有所不同。当外部加载电压为11 kV时，4种放电模型的放电信号时域图如图4所示。

图4 现场采集的局部放电包络信号

2 基于提升双树复小波法的包络数据消噪

由图4可以看出，局部放电信号在检测、处理以及传输过程中会被诸如空间电磁波和硬件电路噪声的干扰，对局部放电信号进行合适的消噪能够提高局部放电信号的信噪比，有利于变压器缺陷的模式识别。局部放电UHF信号属于非平稳信号，因此，采用小波消噪十分有效[11?12]。

2.1 提升双树复小波

双树复小波变换（DT?CWT）独立地使用两棵树来生成小波系数的实部与虚部，相较于其他小波变换，它具有平移不变性、更小的冗余度和高效的计算效率，是一种更为高效的去噪算法[13]。为改善第一代双树复小波变换的运算效率，将各滤波器组对应的实小波变换进行提升，得到提升双树复小波。提升小波继承了第一代小波变换的时频局部化特性，所有的运算在时域中进行，小波基函数不再是由某一个函数的平移和伸缩而产生，具算法结构简单，可在原位直接进行运算，运算无需占用额外的内存空间等优点[14]，是一种更为快速有效的小波变换。提升过程可分为分裂、预测、更新3个步骤：

（1）分裂（split）：又称惰性小波变换过程。将原始信号[Sj（n）]分为偶数采样子集[Sj，e（n）]和奇数采样子集[Sj，o（n）]，即[Sj，e=Sj（2n）]，[Sj，o=Sj（2n+1）]。

（2）预测（predict）：用偶数采样子集预测奇数采样子集。采用一个与数据无关的预测算子P，P由预测函数[PSj，en]得出，预测函数采用[Sj，e（n）]中的对应数据相邻的数据平均值进行预测，即[PSj，en=Sj2n+Sj2n+12]。预测产生的误差便是信号的高频信息[γn]，即[γn=Sj，o（n）-P（Sj，e（n））]。

（3）更新（update）：用高频信息和更新算子U产生一个更好的偶数采样子集，更新函数取[Uγn=][γk-1+γk4+12]，可得信号低频信息为[λn=Sj，en+Uγn]。

提升的实质是通过这3个过程提升将信号分解为低频信号和细节信号，逐渐用更小的偶数序列和奇数序列来代替原信号，重复分解和预测过程，[n]步以后原信号用[Sj，e（n），Sj，o（n），Sj，o（n-1），Sj，o（n-2），…，Sj，o（1）]表示。

2.2 算法的运算效率分析

一个算法运算效率的优劣主要从算法的计算量和所需要占用的内存空间两个方面衡量[14]。对提升双树复小波算法在变压器局部放电在线监测信号处理方面的应用性能进行评估，采用db3作为小波基。算法的计算量是通过统计各算法中最复杂的语句中基本操作的执行次数得出的，结果如表1所示。可以看出，提升双树复小波的计算量较之其他两种算法减少了将近一个数量级。

表1 各算法的计算量

提升双树复小波算法除了需要前级提升步骤输出的数据之外，不需要借助任何别的数据，在每个点都可通过计算得到新的数据序列，即可以进行原位计算，这可以大大减少计算时间和对于计算机内存空间的使用。统计各算法在不同分解级数下，对PC机内存的占用率（PC机的总内存为3 387 MB），如图5所示。

由图5可知，相比传统的小波算法，经过提升的小波算法能够有效减少算法运行时对PC机内存的占用率。

2.3 算法消噪效果

利用提升双树复小波算法对实验所得的局部放电包络数据进行消噪，效果如图6所示。

图5 各算法在不同分解级数下的内存占用率

图6 消噪后的局部放电包络信号

由图6可以看出，经过提升双树复小波有效地排除了原始信号中的空间电磁波和硬件电路噪声的干扰，消噪后包络信号的信噪比明显高于图4中实验所得的局部放电包络信号，为变压器缺陷模式识别特征参数的准确提供了保证。

3 基于BP神经网络的变压器放电类型识别

对变压器四种局部放电类型进行大量重复的局部放电实验，通过对数据分析表明：同一缺陷模型所产生的局部放电包络信号形状大致相同，不同缺陷模型的包络信号形状存在差别。要对变压器缺陷类别进行识别，首先要对局部放电包络信号的特征进行提取，然后再利用神经网络算法对采集的试验数据进行模式识别。

3.1 特征参数提取

本文主要提取包络信号的波峰值[Um]、脉冲上升时间[tr]、脉冲下降时间[td]、放电脉冲宽度[t50%]、视在放电时间[t10%]和偏斜度[Sk]六个特征参数来描述局部放电包络信号，其中偏斜度[Sk]=[tr/td]。4种变压器局部放电产生局部放电时的外部加载电压不相同，且在加载同一外部电压时，放电强度也有所不同。所以在对放电类型进行识别时，本文也考虑外部加载的电压值。实验所得变压器4种放电类型的特征参数的一组数据见表2。

表2 4种放电模型包络信号的特征参数

3.2 BP神经网络模式识别

神经网络模式识别能够模拟人脑的思维过程，根据一种对象的某些特征对其进行识别和分类，具有非常高的智能性。BP神经网络是目前应用最为广泛的神经网络，是一种多层前馈型神经网络，利用误差反向传播学习算法，具有很好的非线性逼近能力，其中心思想是调整权值使得网络总误差最小。BP需要通过一定数量样本的训练学习来得到输入、输出以及中间隐含层之间的连接权值，即网络参数，然后利用该参数实现对实际数据的模式识别[9]。

BP神经网络在训练过程中有一个非常重要的参数，即训练误差[δ。][δ]值愈大，训练时间愈长，识别正确率会降低，因此，在训练时，需要选择适当的[δ]值。

3.3 放电类型识别正确率

本文针对以上4种变压器放电模型，分别选取100组实验数据的特征参数作为BP网络的训练样本，将训练误差[δ]分别设置为0.005，0.004，0.003，0.002，0.001，得到5种BP网络参数。BP 网络在训练过程中神经元的权重是根据实际输出与期望输出的均方误差来调整的，当实际输出与期望输出误差最大绝对值小于规定的误差[δ]时，训练结束[10]。

分别另选200组4种放电模型的实验数据来测试本文的BP神经网络模式识别的正确率，如表3所示。

表3 不同δ下放电类型识别正确率 %

4 结语

本文设计的变压器局部放电检测系统采用有源集成传感器，在UHF天线接收端提取局部放电信号的包络已到达降频效果，避免了UHF信号在传输线上失真的同时降低了系统硬件开发成本，具有较高的稳定性和可靠性。对传统的双树复小波进行了提升，算法的运算效率大大提高，对变压器局部放电包络信号的消噪效果也十分明显。实验数据表明，变压器同一放电模型的局部放电包络信号形状大致相同，不同放电模型存在差别。本文提取6种包络信号的特征参数，结合外部加载电压，采用BP神经网络算法对不同类型变压器局部放电信号的特征参数进行识别，识别正确率达到了行业领先水平。

参考文献

[1] 李祖.变压器局部放电在线监测系统研究及应用[D].保定：华北电力大学，2014.

[2] 盛梦周.电力变压器局部放电超高频检测方法的研究[D].武汉：华中科技大学，2005.

[3] 尚海昆.电力变压器局部放电信号的特征提取与模式识别方法研究[D].北京：华北电力大学，2014.

[4] 尚海昆，苑津莎，王瑜，等.多核多分类相关向量机在变压器局部放电模式识别中的应用[J].电工技术学报，2014，29（11）：221?228.

[5] 王国强，朱永利，刘利鹏.变压器局部放电的分步特征分析与模式识别[J].电测与仪表，2013，50（9）：6?10.

[6] 许中荣，唐炬，张晓星，等.应用复小波变换对电力变压器局部放电超高频信号去噪研究[J].电力自动化设备，2008，28（1）：27?32.

[7] 许松枝，汪沨，叶衍林，等.高压GIS局部放电报警系统设计[J].传感器与微系统，2015，34（1）：80?83.

[8] 汪沨，申晨，何荣涛.基于UHF传感器与以太网的GIS局部放电监测系统设计[J].传感器与微系统，2015（6）：82?85.

[9] 周凌翱.改进BP神经网络在模式识别中的应用及研究[D].南京：南京理工大学，2010.

[10] 李立学，滕乐天，黄成军，等.GIS局部放电超高频信号的包络分析与缺陷识别[J].高电压技术，2009，35（2）：260?265.

[11] 王芳，季忠，彭承琳.基于双树复小波变换的心电信号去噪研究[J].仪器仪表学报，2013，34（5）：1160?1166.