趙建利 劉海峰 劉婷 岳國良 孫祎 付龍明

摘 要： 為實現(xiàn)變壓器局部放電信號檢測和類型識別，設(shè)計基于超高頻（UHF）法的變壓器局部放電檢測系統(tǒng)，針對4種典型的變壓器放電模型進行了局部放電實驗，獲得相應(yīng)的局部放電包絡(luò)信號數(shù)據(jù)，并通過以太網(wǎng)通信將數(shù)據(jù)上傳至電腦。利用提升雙樹復(fù)小波變換對包絡(luò)信號數(shù)據(jù)進行消噪，從消噪后的信號不難看出，同一放電模型的局部放電包絡(luò)信號形狀大致相同，不同放電模型存在差別。提取6種包絡(luò)信號的特征參數(shù)，結(jié)合外部加載電壓，采用BP 神經(jīng)網(wǎng)絡(luò)對變壓器局部放電類型進行識別，當訓(xùn)練誤差δ=0.02時，變壓器放電類型識別平均正確率在98%以上。

關(guān)鍵詞： 變壓器局部放電； 超高頻法； 提升雙樹復(fù)小波； BP神經(jīng)網(wǎng)絡(luò)

中圖分類號： TN911.23?34； TM933 文獻標識碼： A 文章編號： 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

變壓器是電力系統(tǒng)中的關(guān)鍵設(shè)備，維護其安全穩(wěn)定運行至關(guān)重要。變壓器運行的可靠性取決于其絕緣狀況，變壓器在絕緣性能降低時會產(chǎn)生局部放電，而局部放電又會導(dǎo)致變壓器絕緣性能進一步下降甚至破壞，因此，檢測變壓器局部放電具有很高的應(yīng)用價值[1?2]。

變壓器局部放電產(chǎn)生的UHF 信號包含了放電類型、放電強度以及局部放電源位置等豐富的信息[3?6]，但UHF 信號頻譜帶寬高達GHz，如何得到該信號是個非常棘手的問題。采用數(shù)據(jù)采集裝置直接對UHF 原始信號進行采樣， 數(shù)據(jù)量巨大，硬件電路成本十分昂貴；而采用頻譜儀對UHF 信號實施頻譜分析的方法也僅用于實驗室研究。本文設(shè)計了基于UHF法[2，7?8]的變壓器局部放電檢測系統(tǒng)，系統(tǒng)利用UHF蝶形天線獲得局部放電信號，然后進行包絡(luò)檢波，實現(xiàn)降頻后再采樣，最后通過以太網(wǎng)通信模塊傳輸?shù)诫娔X上[8]。在電腦上利用提升雙樹復(fù)小波法對包絡(luò)信號進行消噪，并借助BP神經(jīng)網(wǎng)絡(luò)模式識別法[9?10]對變壓器缺陷進行分類，獲得了良好的變壓器缺陷識別效果。

1 變壓器局部放電檢測系統(tǒng)及放電模擬實驗

1.1 基于UHF法的局部放電檢測系統(tǒng)

本文自主研發(fā)的變壓器局部放電檢測系統(tǒng)如圖1所示，主要包括以下3個部分：有源集成傳感器、下位機和上位機。

圖1 基于UHF法的變壓器局部放電檢測系統(tǒng)

有源集成傳感器負責接收變壓器局部放電的UHF信號。UHF天線、包絡(luò)檢波器以及放大器集成在同一介質(zhì)板上，能夠立即對天線接收到的信號進行取包絡(luò)降頻，降頻后的包絡(luò)信號再通過同軸電纜傳輸給下位機，不但避免了平衡信號在不平衡線路中的傳輸，而且避免了UHF信號在傳輸線中失真。

下位機負責對局部放電包絡(luò)信號進行A/D轉(zhuǎn)換并將數(shù)據(jù)傳輸給上位機。下位機的核心為FPGA控制器，為減少包絡(luò)信號的失真度，下位機的A/D采集模塊的采樣率頻率為200 MHz，再經(jīng)過FIFO緩存后存入SDRAM中，并能在指令的控制下，通過通信硬件電路上傳至上位機。下位機即電腦，主要負責對下位機所采集的數(shù)據(jù)進行軟件消噪、波形顯示、特征參數(shù)計算以及缺陷類型識別。

1.2 變壓器局部放電類型及放電模型

變壓器內(nèi)部局部放電類型主要分為4類[3]：

（1） 由于變壓器內(nèi)部懸浮電位體造成的懸浮放電；

（2） 由于變壓器油中的金屬屑、繞組因彎折引起的毛刺和變壓器內(nèi)部的某些部件棱角造成的針板放電；

（3） 由于變壓器的高壓端電場較為集中但沿面場強較低造成的沿面放電；

（4） 由于絕緣紙在加工時排氣不徹底或者運行過程中油中析出的氣體在絕緣紙內(nèi)部聚集造成的氣隙放電。在實驗室中設(shè)計各類型放電模型如圖2所示。

圖2 四種典型變壓器局部放電模型

本文研究的變壓器局部放電模型所有圓板電極的直徑為100 mm，厚度為10 mm，柱電極直徑15 mm， 紙板厚度為0.5 mm。圖2（a）模擬變壓器懸浮放電模型，在紙板邊緣放置直徑為0.3 mm的金屬顆粒；圖2（b）模擬變壓器針板放電模型，針電極錐角度15°，針身直徑為8 mm；圖2（c）模擬變壓器沿面放電模型；圖2（d）模擬變壓器氣隙放電模型，氣隙采用3 層直徑為80 mm，厚度為0.5 mm的紙板疊加制作而成，中心孔徑為50 mm。

1.3 模擬實驗

為獲得變壓器局部放電包絡(luò)信號特征參數(shù)，對4種放電模型進行模擬實驗，并用本文設(shè)計的變壓器局部放電檢測系統(tǒng)進行信號采集。變壓器局部放電模擬實驗系統(tǒng)主要包括：交流電源、高壓試驗變壓器、變壓器油箱、放電模型以及變壓器局部放電檢測系統(tǒng)等。放電模型置于變壓器油箱中，傳感器則通過變壓器放油閥伸入變壓器殼體內(nèi)，實驗接線圖如圖3所示。

圖3 局部放電實驗接線圖

對裝滿油的變壓器油箱進行4種放電模型的放電實驗，按照圖3所示接線方式將實驗裝置安裝完畢，緩慢升高電壓，待局部放電發(fā)生時，局部放電檢測系統(tǒng)便能記錄局部放電包絡(luò)信號并上傳給上位機。

對4種放電模型分別進行放電實驗可以得到，不同放電模型產(chǎn)生持續(xù)穩(wěn)定的局部放電時外部加載的最低電壓不相同，且在加載同一外部電壓下，放電強度也有所不同。當外部加載電壓為11 kV時，4種放電模型的放電信號時域圖如圖4所示。

圖4 現(xiàn)場采集的局部放電包絡(luò)信號

2 基于提升雙樹復(fù)小波法的包絡(luò)數(shù)據(jù)消噪

由圖4可以看出，局部放電信號在檢測、處理以及傳輸過程中會被諸如空間電磁波和硬件電路噪聲的干擾，對局部放電信號進行合適的消噪能夠提高局部放電信號的信噪比，有利于變壓器缺陷的模式識別。局部放電UHF信號屬于非平穩(wěn)信號，因此，采用小波消噪十分有效[11?12]。

2.1 提升雙樹復(fù)小波

雙樹復(fù)小波變換（DT?CWT）獨立地使用兩棵樹來生成小波系數(shù)的實部與虛部，相較于其他小波變換，它具有平移不變性、更小的冗余度和高效的計算效率，是一種更為高效的去噪算法[13]。為改善第一代雙樹復(fù)小波變換的運算效率，將各濾波器組對應(yīng)的實小波變換進行提升，得到提升雙樹復(fù)小波。提升小波繼承了第一代小波變換的時頻局部化特性，所有的運算在時域中進行，小波基函數(shù)不再是由某一個函數(shù)的平移和伸縮而產(chǎn)生，具算法結(jié)構(gòu)簡單，可在原位直接進行運算，運算無需占用額外的內(nèi)存空間等優(yōu)點[14]，是一種更為快速有效的小波變換。提升過程可分為分裂、預(yù)測、更新3個步驟：

（1） 分裂（split）：又稱惰性小波變換過程。將原始信號[Sj（n）]分為偶數(shù)采樣子集[Sj，e（n）]和奇數(shù)采樣子集[Sj，o（n）]，即[Sj，e=Sj（2n）]，[Sj，o=Sj（2n+1）]。

（2） 預(yù)測（predict）：用偶數(shù)采樣子集預(yù)測奇數(shù)采樣子集。采用一個與數(shù)據(jù)無關(guān)的預(yù)測算子P，P由預(yù)測函數(shù)[PSj，en]得出，預(yù)測函數(shù)采用[Sj，e（n）]中的對應(yīng)數(shù)據(jù)相鄰的數(shù)據(jù)平均值進行預(yù)測，即[PSj，en=Sj2n+Sj2n+12]。預(yù)測產(chǎn)生的誤差便是信號的高頻信息[γn]，即[γn=Sj，o（n）-P（Sj，e（n））]。

（3） 更新（update）：用高頻信息和更新算子U產(chǎn)生一個更好的偶數(shù)采樣子集，更新函數(shù)取[Uγn=][γk-1+γk4+12]，可得信號低頻信息為[λn=Sj，en+Uγn]。

提升的實質(zhì)是通過這3個過程提升將信號分解為低頻信號和細節(jié)信號，逐漸用更小的偶數(shù)序列和奇數(shù)序列來代替原信號，重復(fù)分解和預(yù)測過程，[n]步以后原信號用[Sj，e（n），Sj，o（n），Sj，o（n-1），Sj，o（n-2），…，Sj，o（1）]表示。

2.2 算法的運算效率分析

一個算法運算效率的優(yōu)劣主要從算法的計算量和所需要占用的內(nèi)存空間兩個方面衡量[14]。對提升雙樹復(fù)小波算法在變壓器局部放電在線監(jiān)測信號處理方面的應(yīng)用性能進行評估，采用db3作為小波基。算法的計算量是通過統(tǒng)計各算法中最復(fù)雜的語句中基本操作的執(zhí)行次數(shù)得出的，結(jié)果如表1所示?？梢钥闯觯嵘p樹復(fù)小波的計算量較之其他兩種算法減少了將近一個數(shù)量級。

表1 各算法的計算量

提升雙樹復(fù)小波算法除了需要前級提升步驟輸出的數(shù)據(jù)之外，不需要借助任何別的數(shù)據(jù)，在每個點都可通過計算得到新的數(shù)據(jù)序列，即可以進行原位計算，這可以大大減少計算時間和對于計算機內(nèi)存空間的使用。統(tǒng)計各算法在不同分解級數(shù)下，對PC機內(nèi)存的占用率（PC機的總內(nèi)存為3 387 MB），如圖5所示。

由圖5可知，相比傳統(tǒng)的小波算法，經(jīng)過提升的小波算法能夠有效減少算法運行時對PC機內(nèi)存的占用率。

2.3 算法消噪效果

利用提升雙樹復(fù)小波算法對實驗所得的局部放電包絡(luò)數(shù)據(jù)進行消噪，效果如圖6所示。

圖5 各算法在不同分解級數(shù)下的內(nèi)存占用率

圖6 消噪后的局部放電包絡(luò)信號

由圖6可以看出，經(jīng)過提升雙樹復(fù)小波有效地排除了原始信號中的空間電磁波和硬件電路噪聲的干擾，消噪后包絡(luò)信號的信噪比明顯高于圖4中實驗所得的局部放電包絡(luò)信號，為變壓器缺陷模式識別特征參數(shù)的準確提供了保證。

3 基于BP神經(jīng)網(wǎng)絡(luò)的變壓器放電類型識別

對變壓器四種局部放電類型進行大量重復(fù)的局部放電實驗，通過對數(shù)據(jù)分析表明：同一缺陷模型所產(chǎn)生的局部放電包絡(luò)信號形狀大致相同，不同缺陷模型的包絡(luò)信號形狀存在差別。要對變壓器缺陷類別進行識別，首先要對局部放電包絡(luò)信號的特征進行提取，然后再利用神經(jīng)網(wǎng)絡(luò)算法對采集的試驗數(shù)據(jù)進行模式識別。

3.1 特征參數(shù)提取

本文主要提取包絡(luò)信號的波峰值[Um]、脈沖上升時間[tr]、脈沖下降時間[td]、放電脈沖寬度[t50%]、視在放電時間[t10%]和偏斜度[Sk]六個特征參數(shù)來描述局部放電包絡(luò)信號，其中偏斜度[Sk]=[tr/td]。4種變壓器局部放電產(chǎn)生局部放電時的外部加載電壓不相同，且在加載同一外部電壓時，放電強度也有所不同。所以在對放電類型進行識別時，本文也考慮外部加載的電壓值。實驗所得變壓器4種放電類型的特征參數(shù)的一組數(shù)據(jù)見表2。

表2 4種放電模型包絡(luò)信號的特征參數(shù)

3.2 BP神經(jīng)網(wǎng)絡(luò)模式識別

神經(jīng)網(wǎng)絡(luò)模式識別能夠模擬人腦的思維過程，根據(jù)一種對象的某些特征對其進行識別和分類，具有非常高的智能性。BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)，是一種多層前饋型神經(jīng)網(wǎng)絡(luò)，利用誤差反向傳播學習算法，具有很好的非線性逼近能力，其中心思想是調(diào)整權(quán)值使得網(wǎng)絡(luò)總誤差最小。BP需要通過一定數(shù)量樣本的訓(xùn)練學習來得到輸入、輸出以及中間隱含層之間的連接權(quán)值，即網(wǎng)絡(luò)參數(shù)，然后利用該參數(shù)實現(xiàn)對實際數(shù)據(jù)的模式識別[9]。

BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中有一個非常重要的參數(shù)，即訓(xùn)練誤差[δ。][δ]值愈大，訓(xùn)練時間愈長，識別正確率會降低，因此，在訓(xùn)練時，需要選擇適當?shù)腫δ]值。

3.3 放電類型識別正確率

本文針對以上4種變壓器放電模型，分別選取100組實驗數(shù)據(jù)的特征參數(shù)作為BP網(wǎng)絡(luò)的訓(xùn)練樣本，將訓(xùn)練誤差[δ]分別設(shè)置為0.005，0.004，0.003，0.002，0.001，得到5種BP網(wǎng)絡(luò)參數(shù)。BP 網(wǎng)絡(luò)在訓(xùn)練過程中神經(jīng)元的權(quán)重是根據(jù)實際輸出與期望輸出的均方誤差來調(diào)整的，當實際輸出與期望輸出誤差最大絕對值小于規(guī)定的誤差[δ]時，訓(xùn)練結(jié)束[10]。

分別另選200組4種放電模型的實驗數(shù)據(jù)來測試本文的BP神經(jīng)網(wǎng)絡(luò)模式識別的正確率，如表3所示。

表3 不同δ下放電類型識別正確率 %

4 結(jié) 語

本文設(shè)計的變壓器局部放電檢測系統(tǒng)采用有源集成傳感器，在UHF天線接收端提取局部放電信號的包絡(luò)已到達降頻效果，避免了UHF信號在傳輸線上失真的同時降低了系統(tǒng)硬件開發(fā)成本，具有較高的穩(wěn)定性和可靠性。對傳統(tǒng)的雙樹復(fù)小波進行了提升，算法的運算效率大大提高，對變壓器局部放電包絡(luò)信號的消噪效果也十分明顯。實驗數(shù)據(jù)表明，變壓器同一放電模型的局部放電包絡(luò)信號形狀大致相同，不同放電模型存在差別。本文提取6種包絡(luò)信號的特征參數(shù)，結(jié)合外部加載電壓，采用BP神經(jīng)網(wǎng)絡(luò)算法對不同類型變壓器局部放電信號的特征參數(shù)進行識別，識別正確率達到了行業(yè)領(lǐng)先水平。

參考文獻

[1] 李祖.變壓器局部放電在線監(jiān)測系統(tǒng)研究及應(yīng)用[D].保定：華北電力大學，2014.

[2] 盛夢周.電力變壓器局部放電超高頻檢測方法的研究[D].武漢：華中科技大學，2005.

[3] 尚海昆.電力變壓器局部放電信號的特征提取與模式識別方法研究[D].北京：華北電力大學，2014.

[4] 尚海昆，苑津莎，王瑜，等.多核多分類相關(guān)向量機在變壓器局部放電模式識別中的應(yīng)用[J].電工技術(shù)學報，2014，29（11）：221?228.

[5] 王國強，朱永利，劉利鵬.變壓器局部放電的分步特征分析與模式識別[J].電測與儀表，2013，50（9）：6?10.

[6] 許中榮，唐炬，張曉星，等.應(yīng)用復(fù)小波變換對電力變壓器局部放電超高頻信號去噪研究[J].電力自動化設(shè)備，2008，28（1）：27?32.

[7] 許松枝，汪沨，葉衍林，等.高壓GIS局部放電報警系統(tǒng)設(shè)計[J].傳感器與微系統(tǒng)，2015，34（1）：80?83.

[8] 汪沨，申晨，何榮濤.基于UHF傳感器與以太網(wǎng)的GIS局部放電監(jiān)測系統(tǒng)設(shè)計[J].傳感器與微系統(tǒng)，2015（6）：82?85.

[9] 周凌翱.改進BP神經(jīng)網(wǎng)絡(luò)在模式識別中的應(yīng)用及研究[D].南京：南京理工大學，2010.

[10] 李立學，滕樂天，黃成軍，等.GIS局部放電超高頻信號的包絡(luò)分析與缺陷識別[J].高電壓技術(shù)，2009，35（2）：260?265.

[11] 王芳，季忠，彭承琳.基于雙樹復(fù)小波變換的心電信號去噪研究[J].儀器儀表學報，2013，34（5）：1160?1166.

[12] 謝顏斌.用復(fù)小波變換抑制局部放電信號中白噪聲的研究[D].重慶：重慶大學，2006.

[13] 歐陽森，黃瑞藝，溫灼文，等.改進提升格形態(tài)小波及其在電能質(zhì)量中的應(yīng)用[J].電力系統(tǒng)及其自動化學報，2014，26（8）：17?22.

[14] 周彬倩，陸繼明，毛承雄，等.小波檢測雙電源自動轉(zhuǎn)換開關(guān)電壓凹陷策略[J].電力系統(tǒng)及其自動化學報，2015，27（3）：5?10.