变电站高频局部放电白噪声在线识别方法

2021-09-11国网山东省电力公司经济技术研究院任永一中国电建集团山东电力建设有限公司王雪晴

电力设备管理 2021年8期

国网山东省电力公司经济技术研究院任永一中国电建集团山东电力建设有限公司王雪晴

在现阶段的变电站中局部放电定位问题是其面临的主要问题。通常情况下，在局部放电发生过程中会有声光热现象伴随出现并发生化学反应[1]，产生一定的电能损耗，同时对于设备的老化也会起到加速作用并最终影响供电性能。因此，对局部放电的监测和定位工作已成为变电站的重点[2]。但是，由于局部放电产生噪声的时间短暂，并且存在大量的白噪声干扰信号，对局部放电的监测和位置的确定带来了巨大挑战[3]。因此，对信号中的白噪声识别进行研究，对于准确快速分离局部放电信号、准确定位局部放电位置都有重要意义[4]。

基于此本文提出变电站高频局部放电白噪声在线识别方法：首先分析了变电站局部放电机理，在分离出信号中低频白噪音的基础上对高频白噪音进行识别，并通过仿真试验对所提方法的有效性进行了验证。通过此研究，以期为变电站的实际放电定位提供参考。

1 变电站局部放电的机理分析

通常情况下，变电站在电场作用下出现未击穿整个电气连通装置的现象为变电站局部放电[5]。造成这种现象的原因有很多，包括组成材料的差异、电介质分布失衡、电场分布不均等，都会引起部分区域击穿场强异常且其他区域保持正常，这样就形成了变电站高频局部放电现象。由于变电站绝缘材料的裂缝、灰尘及电气接触不良等都会引起局部放电，放电形式也不尽相同，包括电晕放电、气隙放电、悬浮放电、滑闪放电等，变电站局部放电示意图如图1所示。因此，对变电站高频局部放电的白噪声进行识别是确定其准确放电位置的重要环节。

图1 变电站局部放电示意图

2 白噪声在线识别

通过对变电站在变电站局部放电的机理分析可以看出，出现高频放电时白噪声是以干扰信号的形式存在的，其直接干扰对于放电位置的定位。因此准确地白噪声识别是十分必要的。

2.1 白噪声分离

在识别白噪声前先要分离出局部放电信号中低频白噪声。随着电压等级的升高，其产生的白噪声会出现向高频偏移的趋势。通过滤波器从信号中分离出低频白噪声，在分离低频白噪声的同时保留局部放电信号原有的噪声特性，选用汉宁窗对滤波器进行设计，建立线性相位梳状带阻，使过滤的噪声以主瓣为中心聚集且具有良性衰减。设计滤波器时域为式（1），其中n 表示时域范围。采用傅里叶变换对汉宁窗的传递函数进行计算得到式（2），当时域范围n 较大时，在所设计的汉宁窗传递冲击响应为式(3)。

在式(3)中时域的叠加实现旁瓣抵消，使过滤后的噪声集中于主瓣，在具备窄带特性的同时实现一定程度上的同频波聚集。在此基础上对过滤后信号的频谱特征进行计算，并以能量为依据进行排序，去除低频白噪声、保留残差信号，此时的残差信号中仅包含局部放电噪声信号及来自变电站设备的高频白噪声。

2.2 白噪声识别

在对高频白噪声进行识别时，通过计算待检信号与样板信号的相近程度作为识别依据，也就是信号匹配度。对于多类别的信号识别时，将待检信号归类为与之匹配程度最高、距离最近的样板信号。鉴于最小距离法计算简便的优势，对变电站高频放电白噪声进行识别。

首先，以高电压下变电站电气设备产生的高频白噪声作为样板信号，其特征向量组表示为Z={Z1,Z2,...,Zm}，其中每个特征向量包含有a 个元素：Zm={Z1m,Z2m,...,Zam}，从待检测的噪声数据中同样提取出其对应的特征参数向量X 构成待检信号：X={X1,X2,...,Xm}，那么待检测信号的噪声到样板之间的距离可以表示为：。

其中κ 表示权系数，对不同的样板信号Z，计算待检向量X 与样板信号Zm之间的距离d，依据待检信号与样板信号间的距离来判定信号匹配度，两者之间的距离越小表明信号匹配程度越高。当d=dmin时，将待检信号归类为样板信号Zm类别，即将其噪声识别结果定义为高频白噪声，完成变电站高频放电白噪声的识别。

3 仿真试验

为验证所提方法的有效性进行了仿真试验。试验数据为模拟现场监测的真实放电信号，干扰信号为0.2倍的高斯白噪声，图2为局部放电产生的信号和频谱图。局部放电脉冲采样频率为1MHz、幅值为4mV，在40μs 时第一个脉冲G 开始运行，在80μs 时第二个脉冲S 开始运行，持续时间均为140μs、衰减系数为2×10-6。为验证试验结果的有效性，分别采用文献[2]提出的局部放电带电检测技术和文献[3]提出的设备局部放电超高频检测方法同时进行试验。

图2 含噪声局部放电信号及其频谱图

采用文献[2]方法、文献[3]方法以及本文方法对各种放电模式的识别结果如表1。由表1得出不同方法白噪声识别率对比图。由表1和图3可看出，本文方法的识别率始终高于文献[2]方法和文献[3]方法的识别率，总体识别率均在85%以上，识别率较高。这主要是因为所提方法首先分离了信号中的低频白噪音，降低了在高频白噪音识别过程中的干扰，提高了识别的精度。