基于小波包-反向传播神经网络的局部放电信号模式识别方法

于建军

(云峰发电厂， 吉林 集安 134200)

0 引言

局部放电是油浸式变压器发生绝缘劣化的重要缘由与标志之一，由于其在发现绝缘缺陷、预防绝缘故障方面的重要作用，受到科研工作者与电力工程运维人员的高度重视[1-2]。变压器的绝缘结构复杂，绝缘放电类型各异，不同绝缘类型下的放电模式与表现形式也不尽相同，因而给局部放电的定性判断与问题定位带来了困难。开展油浸式电力变压器局部放电的模式识别，可有效地发现变压器的潜在绝缘问题，避免电力变压器事故及停电事件的发生，因此变压器局部放电的模式识别研究具有显著的经济价值与工程意义[3-6]。特征获取与模式分类是变压器局部放电信号模式识别的重要环节，而当前局部放电模式识别的常用特征参数主要有统计特征[7-8]、分形特征[9-10]、小波特征[11-13]、矩特征[14-15]、波形特征[16-17]和复合特征[18-19]等。其中，小波特征由于在模式定义及区分方面具有显著优势，且其特征参数较少，因而得到了广泛运用。人工神经网络由于具有良好的鲁棒性、自适应力及非线性映射能力，因此常被用于局部放电模式识别与分类[20-21]。

本研究基于小波包的多尺度与能量参数，建立了一种变压器局部放电信号的模式识别方法。通过对局部放电信号进行小波包多尺度变换，可获得其多尺度小波系数的能量参数，而后采用反向传播神经网络(Back Propagation Neural Networks, BPNN)开展模式识别工作，取得了较满意的识别正确率。

1 绝缘缺陷模型与局部放电试验

1.1 绝缘缺陷模型

由于油浸式电力变压器的绝缘系统中最典型的绝缘结构为油纸绝缘，因此本研究的绝缘缺陷模型均基于油纸绝缘来设计。根据实际统计得到的常见的变压器故障与缺陷类型，设计了4种油纸绝缘缺陷模型，以模拟油浸式电力变压器的局部放电，如图1所示。

a

图1(a)所示为绝缘材料内部的气隙放电模型；图1(b)所示为油中沿面放电缺陷模型；图1(c)所示为油中悬浮电极放电缺陷模型；图1(d)所示为油中电晕缺陷模型。其他相关参数均标注于图中。

1.2 局部放电试验

开展局部放电试验的基本原理图,如图2所示。

1：交流电源；2：升压变压器；3：保护电阻；4：耦合电容；5：高压引线；6：油箱；7：绝缘缺陷模型；8：接地引下线 9：局部放电传感器；10：示波器

绝缘缺陷模型样品均放置于充满变压器油的油箱内，而放电产生的信号则由局部放电传感器接收，局部放电信号再通过同轴电缆进入示波器，供波形观测与信号采样。

局部放电试验的流程如下。

(1) 在较低电压下记录背景噪声；

(2) 逐步升压，直至观测到满足条件的局部放电现象，记录起始放电电压ui；

(3) 继续升压，直至缺陷模型发生击穿，并记录下对应的电压值；

(4) 取新的缺陷模型样品，将试验电压分别加到1.2ui、1.3ui和1.4ui，在该电压水平下记录局部放电信号。

本研究中，每种绝缘缺陷模型各对30个样品分别在上述3个不同电压水平下测量采集了局部放电信号样本，共计90组。

2 小波包多尺度变换

设{V{k}}是L2(R)的分辨空间序列，Wk-1与Vk-1是Vk中互为正交的补集对，而φ(t)与Ψ(t)分别为正交尺度函数与小波函数。存在以下特定关系,如式(1)—式(4)。

(1)

(2)

由于

(3)

(4)

则称函数系列{φl(t)}/∈z+是φ0(t)=φ(t)所限定的一个正交小波包。

(5)

将式(5)进行回叠计算与分解分析，则小波子空间Wj的分解，如式(6)。

(6)

小波包变换的实质即是将{hk}与{gk}施加到各次滤波输出上，但它与二进小波多分辨有差异：小波包变换不仅将Vj空间进行划分，而且对高频部分Wj也按照类似方法进行划分。经过上述两类空间划分，保证了函数空间的树结构的多层次分解。

小波包变换过程中各个频带的分布图,如图3所示。

图3 小波包多尺度分解的信号频带划分示意图

小波包变换滤波器的树状结构示意图，如图4所示。

图4 小波包分解示意图

括号内的第1个数字为分解层数，第2个数字为该层内树节点的编号。假设，小波包分解的层数为M；信号的上限频率为fH；各个分层信号的频带跨度为fH/2M。例如在图4的最底层，信号已经分解到8个频率段内，从左往右各个节点对应信号的频率分别为：0-fH/8，fH/8-fH/4，…，7fH/8-fH。

由图4的分解原理可知：局部放电信号的5层小波包变换会产生32个分解信号，经过小波包分解，各尺度信号分量的特征参数更加细化，携带了更多信号特征信息，因而具有更强的放电类型识别能力。

3 特征提取与模式识别

3.1 特征提取与模式识别方法

本研究中采用小波包变换的多尺度能量参数构成局部放电信号的特征参数。小波包多尺度能量系数采用如下流程进行计算。

假设局部放电信号向量为s={si:i=1,2,…,n}，其经小波包分解后的系数向量为c={ci:i=1,2,…,n}，则定义局部放电信号全部系数的总能量，如式(7)。

(7)

定义任意分解空间系数矩阵ak={ak,j,j=1,2,…,n1}所含能量，如式(8)。

(8)

各分解空间的多尺度能量参数，如式(9)。

(9)

局部放电信号进行M层小波包分解后，通常由(1, 1)包再继续分解的小波包系数所包含的主要成分为噪声信号，不再参与多尺度能量参数的提取，而用于多尺度参数提取的小波包分别为(M,0)、(M,1)、(M,2)、…、(M,2M-1)，相应局部放电信号小波包分解的多尺度能量参数为E={Ek,k=1,2,…,2M-1}。

现有的大量研究结果[21]表明：BPNN具有较强的记忆力，而且其学习算法丰富，因而能够使局部放电的模式识别正确率较为令人满意。鉴于上述考虑，本研究将BPNN作为局部放电的模式识别分类器。

3.2 模式识别结果

采用BPNN结合小波包分解信号多尺度能量特征参数对前述4种缺陷模型的局部放电信号进行了识别：分别任意选择每种缺陷模型局部放电信号中的30组样本对BP神经网络进行训练，而剩下的各60组样本则用来验证模式识别的成效。根据相关研究结果，将小波分解层数设置为5层，在该层数下有望取得计算量与识别精度的平衡。相关的识别结果，如表1所示。

表1 信号识别的正确率

由表1可知，采用5层小波包分解的模式识别正确率均高于87%，且高于采用4层小波包分解的模式识别正确率，说明该种模式识别方法能够有效地识别不同缺陷模型产生的局部放电信号，且小波包的分解层数对识别正确率有一定影响。

4 总结

提出了一种新的局部放电信号识别方法，并通过实验室的典型放电缺陷对该模式识别方法进行了验证。本研究所提方法通过小波包变换计算局部放电信号的多尺度能量参数，并将其作为模式识别的特征输入参数，采用BPNN作为模式识别与分类算法，结果表明识别正确率较高，能够满足电力变压器局部放电信号模式识别的现场应用要求。给出的信号模式识别方法具有重要的工程应用价值与科学研究意义，能为电力系统电力变压器的运维提供有力支持。