小波包能量谱和神经网络的开关柜局部放电自动检测方法

赵昊然，陆智勇，江 明，刘立石

（1.武汉大学 电气与自动化学院，武汉 430000；2.国网六安供电公司，六安 237000）

开关柜在运行过程中，当发生局部绝缘老化等因素的影响后，会形成绝缘缺陷，产生局部放电现象[1]，该现象会导致开关柜运行异常，甚至发生设备损坏和运行故障[2]，如何精准完成开关柜局部放电自动检测或者识别，是保证开关柜正常运行的重要手段[3]。局部放电自动检测过程中，均需依据采集的机械信号完成，但是该类信号在采集过程中，受到环境的干扰[4]，导致采集的信号具有显著的非平稳性以及非线性和时变性[5]，对于局部放电自动检测精度存在直接影响。因此，文献[6]为实现局部放电自动检测，采集开关柜运行数据，利用聚类算法对数据进行处理后，完成局部放电分类检测，但会受到噪声数据的干扰，降低检测精度；文献[7]实现了开关柜绝缘故障诊断，但是该方法在应用过程中，如果采集的信号中包含大量的混频信号，则检测结果会存在较大误差。

小波包能量谱结合小波包和能量谱形成，可以深入描述信号的局部细节和整体性能[8]。神经网络能够通过对自身节点之间相互连接关系的调整完成信息处理，具有较高的非线性运算能力、并行处理能力以及容错性能[9]。因此，本文提出基于小波包能量谱和神经网络的开关柜局部放电自动检测方法。

1 开关柜局部放电自动检测

1.1 开关柜局部放电混频信号处理

开关柜在运行过程中，会受到环境干扰，导致采集的开关柜运行信号中存在大量混频信号以及噪声，影响开关柜局部放电自动检测精度[10]。因此，本文在对开关柜运行信号进行处理，删除信号中的混频信号[11]。该方法是依据负荷波动情况，分析开关柜内的电气设备局部放电耦合过程参数进行分析[12]，同时结合该设备运行过程中的参数约束条件，构建开关柜电气设备参数辨识模型，通过该模型获取开关柜电气设备运行最大功率参数的输出结果。其中参数的约束条件表达公式为

式中：e 表示控制参数；i 表示电气设备运行信号传输形成的谐波；δ 表示信号容量；φ 表示局部放电信号频率。

为获取信号中的有效信号，计算开关柜运行信号的分布情况B，其计算公式为

式中：F 表示信号扰动补偿；S 表示信号被动幅度；t 表示时间段。

依据公式（2）即可完成信号的分布情况提取，在此基础上引入模糊参数识别方法，获取控制端放电信号H 结果，其计算公式为

式中：ε 表示参数可靠性；ξ 表示模糊量。

依据上述公式可获取新的开关柜运行信号U=［u1，u2，…，un］，混频信号被有效删除。

1.2 小波包能量熵特征提取

小波包能量熵则能够实现信号能量分布的有序度表示，其能够描述局部放电的变化特征，同时能够有效完成信号中的噪声处理。因此，文中采用小波能量熵作为开关柜局部放电的特性信息，为局部放电自动检测提供可靠依据。以基小波φ（t）为参考，生成二进离散小波，以此构成标准正交基，通过正交小波分解获取尺度函数ψ（t），将φ（t）和ψ（t）分别定义为φ（t）=u0（t）、ψ（t）=ui（t），则得出：

式中：k 表示时间位置参数；u2n（t）和u2n+1（t）均为信号序列；n 表示分解层数，n=2l 或者n=2l+1；h（k）和g（k）均表示高通和低通分解滤波系数，其中g（k）=（-1）kh（1-k），因此，h（k）和g（k）之间呈现正交关联。

在小波包分解过程中，引入正交小波分解，以此获取开关柜局部放电信号的小波包表达公式：

通过小波包分解后，信号的L2 范数的平方即为分解前信号在时域上的能量，则各个频带上信号的投影序列能量计算公式为

依据Parseval 恒等式对公式（6）进行转换后得出：

小波变换系数代表了信号在不同频带和尺度上的特性，2n个能量能够描述信号由低至高的每个频段的情况。

基于小波包能量谱的局部放电特征提取详细步骤如下所述：

（1）采用小波分解对处理后的时域信号进行分解，获取2n个频带特征信号，同时去除信号中噪声；

1.3 径向基神经网络的开关柜局部放电自动检测

完成局部放电特征向量提取后，采用径向基神经网络（radial basis function network，RBF）进行开关柜的局部放电分类检测。RBF 包含输入层、隐含层以及输出层组成，其隐含层中包含径向基函数神经元，该网络结构如图1 所示。

图1 径向基神经网络结构Fig.1 Radial basis function neural network structure

图中Cij和Pij分别表示隐含层空间的中心参数和宽度向量；i 和j 分别表示样本数量以及隐含层数量；k 表示神经元数量。RBF 在进行开关柜局部放电自动检测时，其核心原理是通过径向基函数神经元组成的隐含层对输入的特征向量进行变换，将特征变换至高维空间中，实现特征向量的线性可分；在该变换过程中，需确定网络的中心点Cij，进而确定映射关系。Cij和Pij为随机生成，隐含层和输出层之间的链接权重用ωkj表示。将X作为RBF 的输入矢量，ηj（x）表示隐含层节点的激活函数，隐含层第j个神经元的输出结果计算公式为

基于径向基神经网络的开关柜局部放电自动检测详细步骤如下所述：

步骤1确定输入参数将作为网 络输入；确定输出结果

步骤2参数计算

计算ωkj，其公式为

式中：kmin和kmax表示期望输出结果的下限和上限，对应样本特征集中的第k 个输出神经元。

Cij的计算公式为

式中：j=1，2，…，p；imin和imax期望输出结果的下限和上限。

Pij的计算公式为

式中：df表示宽度调节系数。

ηj（x）的计算公式为

步骤3局部放电自动检测结果输出计算

2 测试结果与分析

选择某高压变电站内的立柜式高压开关柜作为测试对象，该开关柜的额定电压为10 kV，额定频率为50 Hz，其防护等级为IP40，额定电流为630 A。获取该变电站监控中心采集的高压开关柜运行45天的状态信号作为测试数据。采集的信号中包含高压开关柜运行过程中发生的沿面放电、气隙放电、悬浮放电3 种信号。

为验证本文方法对于混频信号的处理效果，选择一段包含混频信号的高压开关柜运行信号，采用本文方法对其进行处理，获取处理前后的信号结果，如图2 所示。对图2 测试结果进行分析后得出：本文方法应用前，采集的信号中存在显著的混频信号，该信号和正常信号之间存在交叉现象；采用本文方法进行处理后，信号中的混频信号被有效处理，仅保留正常开关柜运行信号。因此，本文方法具有较好的信号处理效果，可保证信号的有效性。

图2 混频信号的处理结果Fig.2 Processing results of mixed frequency signals

为验证本文方法对于信号中噪声的处理效果，随机选择一段包含噪声的高压开关柜运行信号，采用本文方法对信号进行小波分解，获取分解后信号的噪声变化情况，测试结果如图3 所示。对图3 测试结果进行分析后得出：采用本文方法对信号进行分解后，能够有效处理信号中的噪声干扰，降低噪声对于信号的影响，局部放电自动检测提供可靠依据。

图3 信号噪声处理结果Fig.3 Signal noise processing results

为验证本文方法的信号处理性能，文中采用均方误差和相关性系数作为评价指标，本文方法在进行不同采样点数量下，计算结果如表1 所示。对表1测试结果进行分析后得出：采用本文方法对信号进行处理后，均方误差和相关性系数均在0.922 以上，两者最高值达到0.993 和0.995。因此，本文方法的应用性能较好，在进行信号时能够保证信号质量，避免信号发生失真和畸变。

表1 均方误差和相关性系数测试结果Tab.1 Mean squared error and correlation coefficient test results

为验证本文方法的小波包能量谱特征提取效果，随机选择一段采集的信号，采用本文方法对其进行处理，获取处理后沿面放电、气隙放电、悬浮放电3 种信号在不同序号频带下的能量谱特征结果，如图4 所示。对图4 测试结果进行分析后得出：本文方法应用后，能够获取信号的能量谱特征结果，并且不同类别的局部放电的能量谱特征的波动范围也存在一定差异。因此，本文方法能够有效获取局部放电的能量谱特征。

图4 能量谱特征结果Fig.4 Energy spectrum characteristic results

为验证本文方法对于高压开关柜局部放电的检测效果，选择一段开关柜运行信号，采用本文方法对降噪处理后的信号进行特征提取后，依据提取的特征结果，进行开关柜局部放电自动检测，获取检测结果，如图5 所示。对图5 测试结果进行分析后得出：本文方法能够依据采集的开关柜运行信号，完成局部放电自动检测，并且可完成局部放电类别的区分，依据局部放电自动检测结果可判断开关柜的运行情况。因此，本文方法的应用性较好，满足应用需求。

3 结语

开关柜是电力系统中的重要组成部分，其在运行过程中如果发生局部放电，则表示其存在绝缘故障，会影响整个电力系统的运行安全，因此，为精准掌握开关柜的运行情况，本文提出小波能量谱和神经网络的开关柜局部放电自动检测方法，并对该方法的应用情况展开相关测试。结果表明：本文所提方法具有较好的应用效果，能够有效完成信号处理，删除混频信号以及噪声信号；并且精准完成局部放电信号检测，为开关柜绝缘故障判断提供可靠依据。