基于脉冲电流法的高压开关柜局部放电在线监测系统设计

2023-12-13李钊枢林宪峰佘佳玺许超

微型电脑应用 2023年11期

李钊枢, 林宪峰, 佘佳玺, 许超

(1. 国网黑龙江省电力有限公司, 黑河供电公司, 黑龙江, 黑河 164399;2. 国网黑龙江省电力有限公司, 电力科学研究院, 黑龙江, 哈尔滨 150030)

0 引言

智能电网属于一种新型电网结构,其主要将传感检测技术、通信技术、控制技术等高新技术应用在物理电网中。智能电网的核心结构之一为开关柜,开关柜工作的可靠性对电网运行模式是否存在异常有直接影响。高压开关柜长时间地运行在高压模式中,绝缘材料在电场的影响下逐渐出现老化,能量耗损严重[1-2]。若电场为强电场模式,绝缘材料也会被击穿,开关柜基本放电对设备的绝缘效果存在负面影响,开关柜也将停止工作[3]。

开关柜属于开关器械,因为其在制作、装配的过程中都不能保证万无一失,所以故障率较高。目前,我国对高压开关柜绝缘性能的监测大多是人工检查与保护的模式,虽然事故发生概率不大,但是人工检查需要断电检查,设备断电会对电力设备的检修存在一定影响[4-5]。绝缘事故出现时,将伴随着放电状态,所以,通过放电状态的监测便可判断高压开关柜的绝缘性能是否存在异常,以此判断高压开关柜工作状态。文献[6]系统可使用脉冲电流法快速检测局部放电信息,但此系统抗噪性较差;文献[7]系统可使用声电联合的模式准确监测局部放电状态,但操作难度大。

本文设计基于脉冲电流法的高压开关柜局部放电在线监测系统,可实现高压开关柜局部放电状态的有效监测,且对含噪放电信号具有滤噪功能。

1 高压开关柜局部放电在线监测系统

1.1 系统结构

图1是系统结构图。

图1 系统结构

图1中,系统主要分为上位机监控模块、通信模块、DSP模块、超高频传感器模块、脉冲电流信息检测模块和电源模块。超高频传感器模块采集高压开关柜运行的超高频信号,发现高压开关柜存在局部放电状态后,驱动脉冲电流信息检测模块采集开关柜放电信号,并通过基于2代小波去噪的高压开关柜局部放电信号去噪方法,将局部放电信号进行去噪后导入DSP模块,DSP模块使用基于最优二元树复小波分解的放电信号特征提取方法,提取最优二元树复小波分解的放电信号特征,再启动基于神经网络与证据理论的局部放电特征融合识别模型,识别局部放电模式是否属于故障放电,如果存在故障,则将故障信息传输至上位机监控模块进行故障报警。

(1) 超高频传感器模块

图2是超高频传感器模块的结构示意图。

图2 超高频传感器模块结构

高压开关柜如果存在局部放电模式,便会出现较大的电磁波,超高频传感器模块使用超高频传感器采集高压开关柜运行过程中的电磁波信号,并导入放大电路与前端滤波放大电路,电磁波信号得以放大与去噪,再导入频谱搬移电路中,完成高频信号降频,降频后信号在偏置电路中可把信号变换成满足DSP最小系统可处理的电压信号[8-10]。

(2) 脉冲电流信息检测模块

图3是脉冲电流信息检测模块的结构示意图。

图3 脉冲电流信息检测模块结构

图3中,脉冲电流信息检测模块主要分为电流互感器、监测阻抗和采集CPU。高压开关柜内部出现局部放电问题后,放电信号会在中性点接地线等位置输出脉冲电流信号,采集CPU会采集此电流信号以备后续操作。此监测模块可实现脉冲电流信号的在线监测与离线监测。

脉冲电流信号检测的基本原理图见图4。当高压开关柜Da出现局部放电时,Da将存在电压跳变值U,Dk处的耦合电容把此U耦合至检测阻抗Wd中,Wd将发射脉冲电流I至检测装置。

图4 脉冲电流信号检测的基本原理

1.2 基于2代小波去噪的高压开关柜局部放电信号去噪方法

高压开关柜局部放电信号在第2代小波分解去噪时,步骤依次是分解、预测、更新。

(1) 分解

高压开关柜局部放电信号分解方法:

(1)

其中,高压开关柜局部放电信号采样序列是Yk,原采样序列分解后获取的偶样本序列与奇样本序列依次是Yk+2,d、Yk+1,z,k是高压开关柜局部放电信号分解层数,d、z分别代表偶样本序列与奇样本序列的分解因子,m代表样本序列数目。

(2) 预测

(2)

其中,局部放电信号值预测器以及预测器的长度依次是Q(j)、M,ek+1是Yk+2,d预测Yk+1,z的预测偏差值。

(3) 更新

(3)

其中,局部放电信号更新器以及更新器的长度依次是V(j)、N,rk+1是Yk+2,d预测Yk+1,z获取的逼近信号。

将经过分解后高压开关柜局部放电信号的细节信号使用阈值实施处理,软阈值thsk:

thsk=dαk

(4)

其中,第k层细节信号标准差是αk;d是常数,d∈[2,4]。

为了防止软阈值函数处理后的局部放电信号存在失真问题,本文设计新的阈值函数:

(5)

把通过阈值处理后局部放电细节信号、逼近信号实施重构。

更新重构与预测重构:

Yk+2,d=rk+2-V(ek+2)

(6)

Yk+1,z=ek+1+Q(Yk+2,d)

(7)

合并成:

Yk=Yk+2,d+Yk+1,z

(8)

综上所述,Yk就是去噪后的局部放电信号。

1.3 基于最优二元树复小波分解的放电信号特征提取方法

1.3.1 最优二元树复小波分解层数设计

使用最优二元树复小波分解方法分解高压开关柜局部放电信号Yk,分解层数增多时,高频信息也随之增多,此时,信号的高频系数与低频系数之间的长度变短,不能充分描述信号潜在的时频特征[11]。为了充分挖掘局部放电信号Yk的时频特征,将Yk实施小波分解,分解时需要合理设计分解层数。

奇异值能够描述Yk的奇异信息量,奇异信息的复杂水平可通过奇异熵体现[12]。针对Yk经小波分解后的奇异熵,如果分解层数变多,但奇异熵没有变化,表示分解层数变多,但奇异熵信息增量与复杂度增量没有变多,此时的小波分解层数即为最优值。求解最优分解层数的方法:

(1) 建立模值序列复合矩阵,将信号Yk实施分解,获取每层复小波系数数值序列,压缩整理后获取复合矩阵P。

(2) 将复合矩阵P实施奇异值分解,分解尺度是j时,矩阵P的奇异熵Fj:

(9)

其中,ΔFj是矩阵P的奇异增熵,s是分解层级。

(3) 设置奇异熵相对增量是Serror:

Serror=(Fj-Fj-1)/Fj-1

(10)

其中,Fj-1是分解尺度是j-1时矩阵P的奇异熵。根据增量Serror判断分解层数是否为最优值,如果Serror的值大于提前设置的阈值,则目前层数需要增加,反之即为最优值。

1.3.2 基于最优分解层数下局部放电信息特征提取

(1) 将Yk实施s层分解,获取Yk高频、低频系数实部与虚部;

(3) 建立Yk的每个高频系数模值序列的Hankel矩阵T1,T2,…,TI:

(11)

(4) 将Hankel矩阵实施奇异值分解,获取Yk的I个奇异值矩阵,选择各个奇异值矩阵的最大奇异值,设成局部放电信号Yk每个分解尺度中高频奇异信息含量特征,并建立对应的特征向量GI。

1.4 基于神经网络与证据理论的局部放电特征融合识别模型

图5是模型的结构图。

图5 模型结构

针对1.3小节提取的局部放电信号特征GI,使用子神经网络将特征参数子空间映射学习至故障空间,以此能够把高维空间的映射关系分解成低维映射关系,降低局部放电信号特征识别的难度。此外,神经网络中每个子网络可建立初步识别单元,每个识别单元的识别结果都能够看作综合判断的证据体,把每个子网络的输出变换成证据体的概率质量函数,通过证据理论融合各个证据体的概率质量函数,获取每个识别单元共同识别后的监测结果。

在1.3小节提取的局部放电信号特征GI空间中设计诊断子网络Wj并实施训练,让Wj具备学习能力,之后使用已知属性样本集,检测每个Wj的训练效率、识别精度。

基于证据理论的局部放电特征融合识别步骤如下。

(1) 构建局部放电特征融合识别结构Ω,按照高压开关柜典型的局部放电类型,构建的局部放电特征融合识别结构是Ω={Ω1,Ω2,…,Ωn},Ωn是局部放电类型。

(2) 设计局部放电类型识别证据,把各个子神经网络的输出设成DS理论的输入证据体;

(3) 设计Ω中每个局部放电类型命题的概率质量函数。在神经网络识别过程中,每个神经网络的输出都可以描述局部放电信号特征参数空间与故障模式命题的关联性,能够直接把每个子神经网络的输出变换成DS理论里每个命题的概率质量函数[13-15]。假定第j个子神经网络分类局部放电特征后,第i个节点的输出是DjBj,那么证据Fj划分至命题Bj的概率质量函数:

(12)

其中,n是高压开关柜局部放电信号特征分类次数。

(4) 合成证据。使用DS证据融合模式,运算每个证据体共同判断局部放电特征分类推理决策的可信度函数。

(5) 输出局部放电特征分类的监测结果。通过下式给出监测结果Bc:

Bc=max {Cel(Bi)}

(13)

其中,max{Cel(Bi)}是最大可信度。

2 实验分析

实验在MATLAB仿真软件中测试本文系统的应用效果。本文系统中的脉冲电流信息检测模块电流互感器频率特征示意图如图6所示。

图6 电流互感器频率特征

如图6所示,此互感器频率区间的频率特征波动较为平稳,未曾出现较为激烈的振荡变化,表示脉冲电流信息检测模块电流互感器在采集高压开关柜局部放电信号时,应用性能较为稳定,有效可行。这是因为高压开关柜内部出现局部放电故障后,采集CPU会先采集此电流信号储备在检测模块中,保证了电流互感器后续采集信号时的稳定性。

以高压开关柜针板放电、内部放电2种典型的放电模式(见图7)为例,测试本文系统的监测效果。

(a) 针板放电

(b) 内部放电图7 放电模式

本文系统监测结果效果图如图8所示。

(a) 针板放电

(b) 内部放电图8 本文系统监测结果效果图

分析图8可知,本文系统监测结果效果图中,A、B、C三相的监测信息清晰明了,且可直接显示监测的局部放电监测结果为正常。这是因为本文方法基于最优二元树复小波分解方法能够充分描述信号潜在的时频特征;通过基于神经网络与证据理论的局部放电特征融合识别模型将特征映射学习至故障空间,能够把高维空间的映射关系分解成低维映射关系,降低了放电信号特征识别的难度,由此保证了监测信息的完整和清晰。

以内部放电模式为例,测试本文系统在监测内部放电时对放电信号的去噪效果。原始放电信号如图9所示。引入30%噪声的放电信号如图10所示。去噪后的放电信号如图11所示。

图9 原始放电信号

图11 本文系统去噪后放电信号

如图9～图11所示,本文系统可有效滤除噪声影响,虽然没有滤波全部噪声信息,但是可恢复放电信号大范围的原始信息,可满足应用需求。这是因为本文使用超高频传感器模块采集信号时通过全前端滤波放大电路,电磁波信号去噪;通过基于2代小波去噪的高压开关柜局部放电信号去噪方法,将局部放电信号进行去噪,有效滤除了噪声影响。