开关柜电弧声音检测系统研究

2020-12-23勾欣阳胡茜婷

机电信息 2020年32期

勾欣阳胡茜婷张朔

（三峡大学电气与新能源学院，湖北宜昌443000）

0 引言

开关柜内部的电弧短路故障作为开关柜内部常见的一种故障，具有频发性和灾难性的特点。传统保护机制以弧光和电弧放电电流信号作为判据[1]，然而这种检测方法不能快速发现并切除大多数故障电弧。故障电弧发生早期会伴随放电声，可以此作为故障发生的信号，建立对开关柜故障电弧的预警，便于在事故发生之前消除故障电弧。故障电弧早期放电声的频段主要分布在5～10 kHz[2]，易受外界干扰声的影响。相应频带能量会受到信号的影响，可利用小波包分解频带能量构造弧声的特征向量，以变化敏感的频带能量作为识别特征量，由此建立配电房开关柜故障电弧检测系统。

1 系统总体方案架设

本系统主要包括对开关柜故障电弧声数据的获取、数据预处理、音频特征提取与分类。系统通过MEMS声音传感器实时采集开关柜工作状态下的声音信息，然后对采集到的音频信号进行数据预处理，包括小波包分解、阈值去噪和小波包重构等步骤，使其转换为计算机可直接处理的信号，最后从经过数据预处理后的音频信号中进行特征提取，并经归一化处理后输入BP神经网络模型，通过与已训练好的BP神经网络模型进行对比分析，对故障进行预警和分类。

系统架构如图1所示。

图1 系统架构

2 系统原理

2.1 声音采集

根据工程实际和检测系统运行需要，系统使用MEMS声学传感器对声音进行采集。MEMS的全称是微型电子机械系统，它是集微型机构、微型传感器、微型执行器以及信号处理和控制电路于一体的微型器件。相对于传统麦克风，其具备体积更小、功耗更低、灵敏度与信噪比（S/N）相对较高的优点。MEMS声学传感器采用以硅为主的材料，硬度高，导热性好，电气性能优良，不易受到外界各种因素的干扰。系统利用MEMS声学传感器实现对声音的采集后，以WAV格式的音频文件保存到存储器中。

2.2 声音处理

由于采集的声音为开关柜内的环境声音，这类声音往往呈现出非结构化的特征，一般存在许多问题，如计算机无法直接对音频数字信号进行调用、采集的环境声中不存在或存在少量的目标处理音频、多种声音干扰对目标音频的检测等问题。因此，就需要对采集到的声音进行一系列处理，包括小波包分解、小波包去噪、小波包重构和音频特征提取。

2.2.1 小波包分解与重构

小波包分解，即子带树及最佳子带树结构，是在小波变换的基础上发展而来的，克服了小波变换无法处理高频信号的局限性[3]，可同时对低频和高频信号进行分解，便于对分解之后的信号进行小波包去噪。两层小波包分解和重构算法如下[4]：

假设用函数f（t）表示信号，对其进行小波包分解和重构，用表示音频分解后第j层上第i个分解或重构系数，小波分解滤波器用G和H表示，小波重构滤波器用h和g表示，则小波包分解系数为：

小波包重构系数为：

式中：j=J-1，…，1，0；i=2j，…，2，1；J=lbN。

在使用阈值法进行降噪时，通常根据功率的数据特征来选取阈值，在一定程度上干扰了小波包的降噪性能，其次，小波包阈值法降噪只对低频信息有效，降噪后高频信息中仍存在噪声，无法保证功率数据的质量。针对此问题，采用奇异谱分析法处理小波包分解的低频部分和高频部分，以保证功耗数据的高质量与高纯净度[5]。

奇异谱分析法分为两步：第一步重构变换数据的轨迹矩阵，并利用奇异值分解；第二步将分解后的数据分组重构，用成分不同的数据代替初始数据。

（1）分解。假设待分解数据为YT=（y1，y2，…，yT），多维轨迹矩阵为X，则：

计算XXT（XT代表矩阵X的转置矩阵）可得L个奇异值λi和相应的特征向量Ui，取d=max（i，λi＞0），可将矩阵分解如下：

其中：

（2）重构。变换式（6）中的Xi生成相应的时间序列，并根据式（9）重构新序列数据H。

x*为矩阵XL中的元素，且：L*=min{L，K} （10）

2.2.2 基于奇异谱分析的小波包降噪

在使用小波包变换方法降噪时，常用方法为阈值降噪，然而阈值的选择在很大程度上会影响降噪效果，在实际降噪过程中，常选用默认阈值或根据测试调整参数。其中，选用默认阈值不具备针对性，不能根据实际功耗数据准确降噪；测试调整参数则是仅对于当前功耗数据降噪，缺乏普遍性。为此在小波包分解降噪过程中加入奇异谱分析，以提高降噪准确性。

改进后的小波包降噪流程如图2所示。