基于多尺度变换的变电站开关柜局部放电识别方法

李智强

（广东电网公司佛山供电局）

0 引言

随着现代社会的不断高速发展，变电站的高压开关柜得到较为广泛的应用。通过添加开关柜设备，使得电力系统能够维持平稳运行［1］。出于对电力系统安全性的考虑，需要对开关柜的运行特征进行识别，将局部放电类型进行检测与识别能够更好地反映出结果。当变电站发生故障时，需要对存在安全问题的开关柜进行检修来减少事故的发生。使用传统的识别方法虽然可以提升检测灵敏度，消除其他因素干扰，但其对开关柜不同局部放电缺陷的检测适应性低，实际检测结果存在偏差，无法准确获得局部放电信息，识别起来难度较大，从而不能准确判断缺陷的位置，导致维修结果难以符合预期。因此，本文以基于多尺度变换的变电站开关柜局部放电识别方法为研究对象，并结合实际情况进行实验与分析。

1 变电站开关柜局部放电识别

1.1 多尺度变换识别目标跟踪控制

对信号进行数字变换，得到信号频谱，设定局部放电信号丢失的能量值［2］。在对局部放电信号的特征进行提取时，出现新的窄带干涉变化，使得中心频率改变，应对滤波器设置一定的参数。m阶滤波器的系统函数表示为：

式中，H（x）为多项式；在有限平面H（x）中存在l个零点，并且极点位于平面中原点，设定为0。

利用有限数据来估计干扰程度。通过计算可以自动调节滤波器参数，去除与局部放电脉冲相重叠的背景噪声，以减少阈值与重构信号产生的畸变。计算干扰的谐振频率，再估算各频谱的变化值。对于随机性脉冲干扰，运用密度的聚类算法将不同形状的簇聚集在一起，对随机分布的数据进行不同点位滤除，从而提取放电脉冲的幅值信息［3］。将波形特征进行分离，判断波形的数量，减少随意干扰次数，从而消除噪声，减少信号幅值误差。运用多尺度变换跟踪方法，将边缘特征结合中心点组成哈尔特征向量。在跟踪区域中，计算哈尔特征向量的维数，公式为：

式中，m为向量特征的维数。

对于不同大小的跟踪目标，都能设置一定的特征向量维数来组成自适应矩阵。在变换过程中，满足矩阵性质的基础上，随机对矩阵进行元素提取。同时设定矩阵的维数，并根据不同的信息参数，得到自适应矩阵不同元素的定义。运用稀疏性算法在图像中设定第n帧，将目标分成两种样本，并在下一帧运用前一帧的样本对目标进行扫描，获得跟踪目标的大小和区域信息。在进行下一步扫描时，运用哈尔特征向量，对自适应矩阵进行计算，得到跟踪目标的具体位置［4］。将所有样本进行跟踪，得到目标图像的区域大小，提升了跟踪过程中的精准性。

1.2 支持局部放电识别

建立样本数据库，提取局部放电信号的哈尔特征向量，并进行降维处理。将降维后的特征向量进行整合，得到样本数据集。对数据集进行归一化处理后，添加对应标签以表示不同的放电类型。对于标签A中的类型设为ya，标签B中的类型为yb。运用网格法设定惩罚因子c，计算不同核参数中的最优解，设定神经元函数输出的识别样本为类别A，其概率表达式为：

式中，α为卷积神经网络的网络参数。

将维度为5的向量进行分类后输出，并根据图谱识别不同类型局部放电的概率。在深度学习过程中，丢弃部分神经元参数，防止特征中存在过度拟合现象。对卷积层输出参数进行正则化处理，设定学习率。通过迭代，在同步中计算最小误差来估计模型参数［5］，通过输出结果判定样本的归属类别。误差函数的表达式为：

式中，yi为样本类别标签。

对训练完的模型进行调整，并添加权重进行优化，同时需要对训练时间进行控制，调整输入样本的尺寸，防止陷入局部最优解。将训练时长最优值进行输出，完成识别。

2 实验测试与分析

为验证本文识别方法的准确性，设置三个小组，其中运用本文方法的为小组3，其余小组运用传统方法。运用上述方法对变电站开关柜中的局部放电类型进行识别，比较识别方法能否精准完成识别。

2.1 搭建实验环境

在实验室环境下，模拟开关柜中4种局部放电形式。设计以下局部放电模型，具体如图所示。

图局部放电模型

在实验时，将4种局部放电模型安设在开关柜中，并对其施加电压，等到电压值不断增加到起始电压时，观察其局部放电情况。4种模型的起始放电电压值见表1。

表1 放电起始电压

可以看出，不同模型的放电起始电压值均不同。在设定起始电压值时，需要根据不同放电类型的特点，对模型的大小和绝缘设置进行调整。同时搭建测试环境，系统带宽设定为5～150MHz。通过安装在开关柜表面上的多功能传感器来获取局部放电过程中生成的TER信号。将信号进行获取，并进行峰值转换后，使其变成低频段的信号段进行保存。使用局部检测装置对阻抗中的电压信号进行提取，并将提取的信号进行局部放电识别，以体现局部放电的有效性。观察阻抗电压信号的产生时间，并得到局部放电结果。TER信号对于放电反应的强弱有显示作用，其幅度与电压信号幅值相同，由于记录的TER信号是经过检波后的低频信号，所以需要对放电脉冲波形进行获取，并得到其时域特征。对原始TER信号进行处理，形成放电脉冲图，将360°相位分割为65个网格，对所有网格内的放电脉冲次数进行统计，得到TER信号幅值，获得TER电压的相位分布，对放电类型进行识别。在识别过程中，如果识别出局部放电的类型，结果用1表示；如果没有识别出局部放电的类型，则结果用0表示。在实验过程中，将电压设置为3倍起始电压进行放电，将实验数据进行整合，对不同的放电类型数据进行选择，并生成对应的训练样本数据集。提取鲁棒性强的统计参数作为识别参数，并运用不同方法将数据集进行测试，运用对应的识别方法进行识别后获得识别结果，计算识别准确率。

2.2 结果与分析

运用不同方法对在变电站开关柜中的局部放电类型进行识别，得到三个小组的识别结果，见表2。

表2 识别结果

由实验结果可知，经过计算，小组3的识别正确率为100%，而小组1和小组2的识别正确率均不超过90%。说明采用传统方法进行识别过程中，在不同的电压条件下，局部放电现象不能被较好地识别，存在对于放电强度的依赖性，使得信号幅值参数过高，不能作为识别类型的标识。而本文方法在识别过程中，具有较高的识别能力。

综上所述，运用本文方法进行识别后，对于正确识别结果进行分析，得到局部放电过程中，存在放电不稳定问题，且放电在规定时间段内存在异常波动的结论。记录的对应参数在范围内的波动较小，可以自主将数据中的识别信息进行准确提取，提升了识别方法的准确率。在网络拓扑结构中，结合变电站开关柜局部放电产生的TER信号，运用本文方法进行局部放电识别，可得到较为准确的识别结果，说明本文方法具有良好的应用价值。

3 结束语

本文从多尺度变换入手，结合局部放电识别方法，探究了基于多尺度变换的变电站开关柜局部放电识别方法。但方法中还存在一些不足之处，例如像素点识别精度问题，损失函数的验证问题，识别率优化问题等。通过对模型进行重建，有效地提高了识别的准确率，使得跟踪与识别在实时性方面有了突破，完成了对整体图像的立体匹配，获得准确定位，满足算法对于定位的需求。通过算法不断优化，在识别目标时，应用深度学习技术，可以实现对目标的更有效、准确识别。