高速动车组车载变压器局部放电识别方法

葛 天,王玉玺,何浩远

（中车成都机车车辆有限公司,四川 成都 610511）

0 引言

车载变压器在牵引供电系统中起着重要的作用，保障着列车的稳定运行。车载变压器在长期运行过程中材料会出现绝缘劣化，劣化的部位会发生局部放电现象[1]，轻微的局部放电会使得变压器绝缘性能降低，严重时甚至会损坏车载变压器。检测车载变压器的局部放电可以诊断变压器的运行情况，因此开展车载变压器的局部放电研究很有意义[2]。

超声波法是一种在线检测局部放电的方法，能灵敏识别到局部放电信号还可以抵抗外界信号干扰，得到了广泛的应用[3-4]。西安交通大学的学者基于超声波检测法搭建变压器模型，利用优化算法对变压器内部局部放电位置进行了定位[5]，华北电力大学的钱定冬团队基于宽带相干信号模型，提出了一种针对宽带相干模型局放信号的修正MUSIC算法与ISM相结合的降维DOA估计算法，对相干信号和不相干信号进行准确识别[6]，西南交通大学的Lijun Zhou基于超声波检测法提出了一种考虑绝缘油温升和变压器内部结构影响的修正迭代法，提高了变压器局部放电定位的准确性[7]。西南交通大学的Junyi Cai基于超声波检测技术同奇异谱分析和独立分量分析相结合的方法实现多源局部放电的定位[8]。超声波信号在车载变压器内部传递时，超声波信号的传播途径会受到变压器内部构造和金属的影响，形成非直达波，会对定位的精确性造成影响。在进行局部放电定位时会造成误差，因此有必要在采集到局部放电的超声波信号后对直达波和非直达波进行识别。

该文先搭建基于超声波的车载变压器局部放电的测试平台，然后对检测局部放电的原始超声波信号进行去噪处理，再提取去噪后的超声波信号的特征参数，基于支持向量机法辨识非直达波和直达波，结果表明该方法具有很高的识别率。

1 获取车载变压器局部放电的超声波信号

1.1 搭建基于超声波的局部放电测试平台

高压实验平台向局放模型施加电压产生局部放电信号，油箱外壁不同位置设置了超声波传感器，超声波传感器连接信号放大器，再将放大后的信号传输到示波器上，基于超声波的局部放电实验平台示意如图1所示，其实物图如图2所示。

图1 基于超声波的局部放电实验平台示意图

图2 基于超声波的局部放电实验平台实物图

1.2 利用实验平台获取超声波信号

获取局部放电的超声波信号流程如下：

（1）高压实验平台连接局部放电模型，箱体外放置超声波传感器，传感器连接放大器后再连接示波器，采集超声波信号的波形。

（2）采用阶梯升压法调节高压实验平台的电压，在示波器处观察到稳定的局部放电信号时，此时停止加压，并记录此电压值，将电压稳定在此值不变，然后按5 s/次的间隔时间采集超声波信号，采集10次。图3为采集到的原始超声波信号。

图3 采集到的原始超声波信号

（3）进行后续波形数据处理及分析。

1.3 超声波信号的去噪声处理

在实验室或实际的工程中进行超声波信号的采集时，会出现一些噪声，对后续处理波形数据造成一定的影响。该文采用小波阈值去噪法（Wavelet Threshold Method，WTM），用于滤除白噪声，获取去噪后的波形数据进行后面的分析，去噪的过程如下：

（1）对去噪前的原始超声波信号进行小波分解变换。时域信号f(t)的小波变换为：

式中，a大于0；——小波基函数。

（2）对小波系数设置门限阈值。硬阈值函数为：

式中，w——变量，λ——阈值。

（3）逆变换小波系数，然后得到重新构造后的去噪超声波信号。

获得去噪后的超声波信号如图4所示。

图4 去噪后的超声波信号

2 局部放电中的非直达波

2.1 局部放电超声波的传播方式

直达波与非直达波的定义如下：

（1）当超声波信号在变压器内部传播而未受到内部结构的影响而直接传播到超声波传感器时，此时传播路径为直达波。

（2）当超声波信号在变压器内部传播时会受到内部结构的影响，传播方式和波形特征发生改变，此时的传播路径则为非直达波。

当超声波信号经过变压器的局部放电源后，通过变压器内部的结构后，会改变超声波传感器接收超声波信号的时间，影响了波形的特征，则超声波传感器可能接收到的是非直达波。

由于传播路径的变化，非直达波信号不能真实反映超声波信号的到达时间，可能会造成较大的定位误差甚至会导致虚假定位。因此，直达波与非直达波的准确识别是保障局部放电高精度定位的前提条件。因此，依据IEEE Std C57.127-2007，局部放电直达波与非直达波具有明显的波形特征差异[9]，如图5所示。

图5 直达波与非直达波的时域信号图

2.2 直达波和非直达波的识别

示波器采集到超声波信号波形后，提取波形的特征参数：峰度KM、方根幅值A、余隙因子e，公式分别表示如下：

采用支持向量机的方法对直达波与非直达波进行识别，支持向量机算法（Support Vector Machine，SVM）被广泛用于处理故障诊断、模式识别状态评估等问题，对样本数据少的识别目标具有很高的准确度，支持向量机识别直达波和非直达波的流程如下：

（1）提取波形的特征参数峰度KM、方根幅值A、余隙因子e，将以上三个特征参数的向量作为SVM算法的输入。

（2）提取多组直达波和非直达波信号的特征值参与模型的训练，以此方法来验证SVM算法识别直达波和非直达波的准确率。标签“1”表示直达波，标签“0”表示非直达波。

（3）提取要进行识别的信号特征参量输入算法，得到识别结果。

该文设置训练样本68组（包括直达波样本与非直达波样本各一半）、要进行识别的测试样本16组。每次运行之前采用randperm函数打乱实验数据的顺序，为了提高识别结果的可信度，该文重复识别30次，最终取其平均识别率，识别结果如表1所示。直达波与非直达波平均识别率分别为95.61%与94.23%，说明支持向量机算法能够有效地辨识直达波与非直达波。

表1 测试样本识别结果

3 结论

该文通过搭建基于超声波的车载变压器局部放电测试平台，采用小波阈值去噪法对超声波信号进行去噪，对去噪后的超声波信号提取波形的特征参数，采用支持向量机的方法对直达波与非直达波进行识别，结果表明该文所提方法可以准确地识别直达波和非直达波。