基于Labview的电缆局部放电模式识别

赵亚征 张旭 杨扬 杨海玉 臧立志

（西安博源电气有限公司 陕西西安 710043）

基于Labview的电缆局部放电模式识别

赵亚征 张旭 杨扬 杨海玉 臧立志

（西安博源电气有限公司 陕西西安 710043）

为实现高压电缆局部放电故障检测和缺陷的模式识别，针对高压电缆的典型绝缘缺陷及其放电特点，设计了三种典型的高压电缆局部放电模型并进行放电试验。采用小波包变换对局部放电信号进行分解，将计算的局部放电信号的能量谱图作为特征提取，输入到BP神经网络分类器中进行判别，平均识别率均在90%以上。

局部放电；小波包；BP神经网络；模式识别；LabVIEW

引言

局部放电既是高压电缆绝缘劣化的表征之一，根据IEC、GB等标准，局部放电检测是高压电缆带电检测一个重要的参量，检测到的局部放电可能来自电缆本体、电缆接头或交叉互联接地线等，由于不同来源的PD信号，对电力设备的危害不同，其预防和检修的方式也不同，因此PD信号的识别就显得尤为重要[1～2]。

传统的局部放电模式识别是基于PRPD谱图基础上，也是所谓的φ-N-Q谱图。将φ-N-Q谱图的放电特征统计因子作为局部放电模式识别的特征量，但是特征统计因子中都涉及到了PD相位，导致采集数据运算量大[3]，而我们在实验中采用快速帧技术，将一个局部放电脉冲片段定义为一帧，以局部放电脉冲作为触发源，仅采集脉冲信号短时域波形，连续采集设定帧数后，一次性将存储在采集卡ROM数据返回，保证两次采集时间间隔极小，可达μs量级，因此对于局部放电选用时域波形进行小波包变换特征提取。小波包变换具有可将信号按任意时频分辨率分解的特点，对高频部分可以进行精细地分解，并能根据被分析信号的特征，自适应的选择相应频带，使之与信号频谱相匹配，从而提取更多的特征信息[4]。

本文设计了三种电缆接头的典型的电晕、内部和沿面放电模型，对采集的局部放电进行小波包分解，得到不同尺度小波包分解系数，采用基于小波包分析的“频带-能量”信号作为局部放电特征向量，并采用BP神经网络对放电类型进行辨识，试验表明平均识别率均在90%以上。

1 信号小波包分解

采用小波包分析“频带-能量”特征提取信号的方法如下[5]：

（1）对局部放电信号进行小波包分析，在某尺度上对信号分解，以3层分解为例，得出各频带的分解节点系数X3i，i=0，1…7。

（2）分别计算出各频带信号的能量E3i，计算公式如下：

式中：xij（j=1，2…，n）表示重构信号各离散点的值。

（3）对各频带信号的能量E3i进行归一化，归一化能量为E′3i，计算公式如下：

（4）信号的特征向量为 T=[E′30，…，E′37]。

2 BP神经网络

小波包分解提取的信号特征向量与局部放电类型之间的对应关系是一种复杂的、非线性映射，通过BP神经网络建立一种理想的分类器（如图1）。

图1 BP网络神经结构图

BP神经网络一般由输入层、隐层和输出层构成，输入层即输入信号的特征向量，特征向量维数决定输入层的节点数；隐层的节点数目不确定，节点数越多则非线性映射能力越强，神经网络越稳健；输出层根据映射关系得出信号的模式。BP神经网络首先经过大量样本学习和训练，使得网络本身的权值、阈值等参数达到最优化，训练结束后，当输出新的信号时，BP网络神经可以对其进行分类和识别[6]。

3 Labview软件

Labview是一种程序开发环境，由美国国家仪器（NI）公司研制开发，使用的是图形化编辑语言G编写程序，产生的程序是框图的形式。Labview开发环境集成了工程师和科学家快速构建各种应用所需的所有工具，图2所示的是Labview自带的BP神经网络工具包截图。

图2 BP神经网络工具包

4 实验与分析

图3 局部放电模式识别演示程序

采用LabVIEW虚拟仪器开发软件设计局部放电模式识别软件，控制数据采集、分析、显示，模式识别、存储等功能。

在试验中，首先分别对不同的放电模型在不同电压下进行大量的试验，将试验计算出的波形特征能量谱存储在放电样本库中，然后再对放电模型进行试验，判别放电类型，表1为一组局部放电统计分析数据，显示出模式识别软件的识别情况。

表1 局部放电识别结果

从表1中可以看出，该系统对三种不同的放电类型，具有良好的识别率，平均识别率均在90%以上。该系统基本满足现场应用的要求，后续对于数据的分析和处理仍是研究的重点，有待更加深入的学习和研究。

5 结论

设计了三种电缆接头的典型的电晕、内部和沿面放电模型，对采集的局部放电进行小波包分解，得到不同尺度小波包分解系数，然后将小波包分解的“频带-能量”信号作为局部放电特征向量，并采用BP神经网络对放电类型进行辨识，试验表明平均识别率均在90%以上。该系统在电力设备局部放电检测等领域有一定的应用前景。

[1]罗新，牛海清，胡日亮，等.基于小波包分解的XLPE配电电缆局部放电波形特征提取与识别[J].高电压技术，2013，49（11）：110～115.

[2]张周胜，马爱清.XLPE电力电缆局部放电信号识别法及其关键技术[J].上海电力学院学，2012，4（28）：301～304.

[3]夏云峰，高胜友，陈锡阳，等.波形特征与统计特征相结合的局部放电脉冲分类方法[J].高压电器，2015，51（8）：146～150.

[4]李振恩，陈昆鹏，高雄伟.基于小波包变换的局部放电包络信号模式识别[J].工业仪表与自动化装置，2014，4：108～112.

[5]刘新宇，何峰，郑义，等.局部放电典型模型试验及模式识别的分析[J].电子测量，2014，9：65～67.

[6]杨孝华，廖瑞金，胡建林.基于BP人工神经网络的XLPE电力电缆局部放电的模式识别[J].高压电器，2003，19（4）：35～37.

TM246

A

1004-7344（2016）14-0089-02

2016-4-29

赵亚征（1984-）男，本科，研究方向为电子产品设计及软件开发。

张旭（1986-），男，本科，主要从事高压局部放电检测开发工作。

杨扬（1984-），男，硕士研究生，主要研究方向为光电类产品设计及应用软件开发。