電力變壓器局部放電超聲波信號的分析與處理方法

劉化龍

(武漢大學電氣工程學院，武漢 430072)

電力變壓器局部放電超聲波信號的分析與處理方法

劉化龍

(武漢大學電氣工程學院，武漢 430072)

電力變壓器局部放電超聲波檢測和定位技術的實現在很大程度上依賴于局部放電所產生的超聲波信號的分析與處理性能，所以局部放電超聲波信號的分析與處理在局部放電超聲波檢測和定位技術中至關重要。系統闡述了變壓器局部放電超聲波信號分析與處理的方法，為局部放電超聲波檢測性能和定位精度的提高提供參考。

局部放電;電力變壓器;超聲波定位;信號分析

局部放電是引起變壓器絕緣劣化或擊穿的主要原因之一［1-6］。電力變壓器局部放電超聲波檢測和定位技術作為一種非破壞性試驗，由于定位能力強、精度高等優勢越來越受到人們的重視。但是由于電力變壓器局部放電超聲波檢測和定位技術的實現在很大程度上依賴于局部放電所產生的超聲波信號的分析與處理性能，所以局部放電超聲波信號的分析與處理在局部放電超聲波檢測和定位技術實現中至關重要。本文系統闡述了變壓器局部放電超聲波信號分析與處理的方法，以期為局部放電超聲波檢測性能和定位精度的提高提供參考。

1 局部放電超聲波信號的分析與處理方法

目前分析與處理超聲波信號的方法主要分為兩大類:一是以多個簡化的波形特征參數(如幅度、能量、持續時間、振鈴次數等)來表示超聲波信號的特征并對其進行分析和處理;二是對存儲和記錄的超聲波信號的波形進行分析和處理。

1.1 超聲波信號波形的分析與處理方法

對于平穩信號，常用傅里葉分析方法進行分析;對于非平穩信號，常用神經網絡技術與小波法進行分析。

1.1.1 頻譜分析方法

經典譜分析以傅里葉變換為基礎。傅里葉變換隱含了加窗處理，存在的主要問題有:估計的功率譜很難與信號的真實功率譜相匹配，存在泄漏問題，導致頻率分辨率也相應降低。為了克服這些缺點，研究人員提出了很多新的譜估計方法，其基本思想是在對有限長度信號進行譜估計時有效避開加窗所帶來的不利影響，從而產生了現代頻譜分析技術。現代頻譜估計大致可分為兩大類:參數模型譜估計和非參數模型譜估計。

通過頻譜分析方法可將波形比較相近的信號區分開。頻譜分析方法能對檢測方法起正確的指導作用，通過設置合理的檢測參數(如定時參數、頻帶范圍、增益大小、濾波參數)可以更有效地檢測信號［7］。

1.1.2 人工神經網絡分析方法

人工神經網絡(artificial neural network，ANN)是由大量處理單元(人工神經元)互連而成的復雜人工網絡系統，因而是一個高度復雜的非線性動力學系統。

本文介紹人工神經網絡在超聲波信號分析與處理中應用較廣泛的3種基本類型:BP(backpropagation，反向傳播)網絡、神經元之間Hamming網絡和學習向量量化法(learning vector quantization，LVQ)網絡。

1)BP網絡是前饋神經網絡，各層次的神經元之間形成全互連接，而各層次內的神經元之間沒有連接［8-9］。標準的BP網絡由3個神經元層次組成，即輸入層、隱層和輸出層，如圖1所示。設置隱層的目的是提取不同局部放電源的特征，然后將它們的知識傳遞給輸出層。由于BP網引入了隱層，網絡的分析能力得到了很大提高，加之其嚴密的推導過程、清晰的物理概念及良好的通用性等優勢，所以BP網是一種十分有效的算法。BP網的局限性在于該學習算法的收斂速度慢，網絡中隱節點個數的選取尚無理論指導。從數學角度看，BP算法是一種梯度最速下降法，因此容易陷入局部極小值的問題。

圖1 BP網結構

2)LVQ神經網絡屬于前向神經網絡，由3層組成，即輸入層、隱含層(又稱Kohnen層)和輸出層。網絡在輸入層與隱含層間為完全連接，在隱含層與輸出層間為部分連接，每個輸出層神經元與隱含層神經元的不同組相連接。LVQ神經網絡的基本結構如圖2所示，其優點是不需要對輸入向量進行歸一化、正交化處理，只需直接計算輸入向量與競爭層之間的距離，從而實現模式識別。由于該方法簡單易行，故在模式識別和優化領域有著廣泛的應用。

圖2 LVQ網結構

3)Hamming網是二層(由匹配層子網絡和競爭層子網絡組成)、全連接、前向型神經網絡，如圖3所示。匹配層完成類別樣本的記憶存儲和輸入模式與樣本模式的匹配度計算，競爭層則通過迭代尋求最大匹配度輸出。Hamming網的特點是網絡收斂速度較快，需要的互連數也較少;缺點是編碼較困難。

圖3 Hamming網結構

1.1.3 小波分析方法

小波(wavelet)是在一個小的區域內波動的信號，是一種長度有限而平均值為零的特殊波。它有兩個特點:一是“小”，即在時域和頻域都具有緊支集或近似緊支集;二是“波動性”，呈現正負交替的振蕩波動，即直流分量為零。

小波分析是一種常用的處理時-頻信號的可變分析方法［10-12］。對于高頻信號，小波分析的時間窗自動變小(時間分辨率高);對于低頻信號，時間窗則自動展寬(頻率分辨率高)［11］。在分析信號中瞬變現象等短暫的高頻現象方面，小波變換能比窗口傅里葉變換更好地移近觀察，是一種多分辨分析方法。這種多分辨特性或“變焦”特性是小波變換的基本特征，其目的是“不僅要看到森林(信號的全貌)，而且要看到樹木(信號的細節)”。因此，小波變換有“數學顯微鏡”之稱。

變壓器局部放電超聲波信號在變壓器內部的傳播較為復雜，探頭接收到的超聲波信號是一種時頻有限的非平穩信號［13-14］。通過小波分析，可以區分傳感器接收到的信號是直接路徑傳播還是復合路經傳播［15-16］。

為了分析非線性、非平穩信號的局部特征，使用一個已知的基本函數ψ(t)與被分析信號作比較。為了分析信號在各個時刻的局部特征，需要將ψ(t)作平移。同時為了分析局部特性的不同程度，對ψ(t)作尺度縮放。這樣就形成了一個函數簇{ψa，b(t)}，用它依次與信號作比較，就可以分析信號在各個時刻、各個局部范圍的特性，此為小波分析的基本思想。

給定基本函數(稱為母小波，Mother Wavelet)，令

式(1)中常數a，b分別稱為尺度參數與位移參數。a，b不斷變化得到一簇稱之為小波基的函數{ψa，b(t)}，其中每個ψa，b(t)稱為一個小波。用作母小波ψ(t)的函數至少需滿足

設f(t)是平方可積信號，即f(t)∈L2(R)，則f(t)的小波變換(wavelet transform，WT)可定義為:

式(3)中常數a，b和t均為連續變量，故該式又稱為連續小波變換(continuous wavelet transform，CWT)。

令a=aj0，b=kaj0b0，則a，b離散化可得

對給定的信號f(t)，連續小波變換可轉換為如下離散柵格上的小波變換:

式(5)也稱為“離散小波變換(discrete wavelet transform，DWT)”。

CWT適用于信號分析、特征提取和信號檢測，而DWT更適合處理數據壓縮問題。

小波分析的最大優點是具有“局部化”和“數字顯微鏡”的特性，所以尤為適用于非線性、非平穩信號的分析。

1.2 超聲波信號的特征參數分析方法

該分析方法先通過計算機對采集到的超聲波信號實行預處理，提取信號中典型的量并轉換為聲發射特征參數，而后對其進行分析與處理以獲取聲波源的相關信息。

對超聲波信號進行分析與處理時常用到的特征參數有上升時間、能量、幅度、脈沖持續時間和振鈴計數等。這些參數占用的存儲空間小，不僅便于后續計算與分析處理，而且有利于對被檢測對象進行長時間的動態實時監測。

由于超聲波信號參數較多，且不同的參數都能提供一定的聲波源特征信息，加之參數的選取存在一定的主觀性和任意性，因此由于研究人員的不同和試驗條件的差異，選擇不同的參數進行分析，得到的結果就會有差異，進而使對聲波源的分析與評價存在較大的誤差。這些因素都限制了特征參數分析方法在超聲波信號分析與處理中的應用。

除了上述處理方法外，超聲波信號還有盲源分析、獨立分量分析(ICA)、基于經驗的模態分解(EMD)和信息融合等分析方法。

2 總結與展望

1)鑒于神經網絡技術與小波分析法分析超聲波信號的有效性，應該加強神經網絡技術與小波分析法的研究，特別是小波分析法。

2)在局部放電的超聲波探測和定位中，超聲波信號常常會混入一些干擾信號，且這些干擾信號通常都是高頻信號，所以應該進一步研究濾除高頻噪聲的方法，從而得到更加理想的所需的超聲波信號。

3)除此之外，還應探索盲源分析、獨立分量分析(ICA)、基于經驗的模態分解(EMD)和信息融合等分析方法在超聲波信號分析中的具體應用。

［1］Jesús Rubio-Serrano，Julio Posada，Iago Bua，et al. Comparison of Processing Techniques for Optimizing the Diagnosis of Solid Insulation based on Acoustic Emissions from Partial Discharges［C］//2013 IEEE International Conference on Solid Dielectrics.Bologna:IEEE，2013:129 -132.

［2］Prasanna Venkatesh A S，Danikas M G，Sarathi R.Understanding of Partial Discharge Activity in Transformer Oil under Transient Voltages Adopting Acoustic Emission Technique［C］//2011 6th International Conference on Industrial and Information Systems.Sri Lanka:IEEE，2011:98-101.

［3］Syed Aqeel Ashraf，Brian G Stewart，Chengke Zhou，et al.Modelling of Acoustic Signals from Partial Discharge Activity［C］//GCC Conference(GCC).Manama:IEEE，2006:1-5.

［4］Howells E，Norton E T.Detection of Partial Discharges in Transformers Using Acoustic Emission Technique［J］. IEEE Transactions on Power Apparatus and Systems，1978，PAS-97(5):1538-1549.

［5］Giscard F Cintra Veloso，Borges da Silva L E，Lambert-Torres G，et al.Localization of Partial Discharges in Transformers by the Analysis of the Acoustic Emission［C］//IEEE ISIE 2006.Montreal:IEEE，2006:537 -541.

［6］Du B X，Lu Y H，Weil G Z，et al.PD Localization Based on Fuzzy Theory using AE Detection Techniques［C］// 2005 Annual Report Conference on Electrical Insulation and Dielectric Phenomena.USA:IEEE，2005:449-452.

［7］郭艷平，解武波，鄭小平.聲發射技術及其在變壓器局部放電檢測中的應用［J］.現代電子技術，2007(17): 137-140.

［8］蘭勝坤.遺傳算法優化BP神經網絡的說話人識別系統［J］.重慶理工大學學報:自然科學版，2013(10):91 -104.

［9］胡躍強，李苓，高宏力，等.基于BP神經網絡的數控機床主軸性能評估模型［J］.四川兵工學報，2012 (6):62-65.

［10］Prasanta Kundu，Kishore N K，Sinha A K.Wavelet based Fractal Analyzing Method of Partial Discharge Acoustic Emission Signal［C］//Second International Conference on Industrial and Information Systems.Sri Lanka:IEEE，2007:357-360.

［11］李夏青，馬景蘭.變壓器局部放電信號的小波分析及故障定位［J］.變壓器，2003，40(3):7-9.

［12］魏阿妮，嚴碧歌.小波變換在心音奇異信號處理中的應用［J］.壓電與聲光，2012(1):1-3.

［13］謝紅玲.基于小波理論的局部放電超聲波信號分析［J］.電力情報，2002(1):30-31.

［14］王遠，楊永明，江帆，等.發電機局部放電超聲波檢測系統的研究［J］.壓電與聲光，2011(2):328-331.

［15］楊永明，江帆，王遠，等.局部放電超聲波在電機定子中傳播的仿真分析［J］.壓電與聲光，2011(3):399 -402.

［16］Aloys O AKUMU，Hajime MASAI，Futoshi ADACHI，et al.Wavelet Analysis of Partial Discharge Acoustic Signals in a Model Transformer［J］.The Japan Society of Applied Physics，2003，42(8):5347-5352.

(責任編輯 楊黎麗)

Methods and Analysis of Partial Discharge Ultrasonic Signals in Power Transformers

LIU Hua-long
(School of Electrical Engineering，Wuhan University，Wuhan 430072，China)

The realization of techniques of detection and localization of partial discharges in power transformers adopting ultrasonic methods depends on the analysis and processing of ultrasonic wave signals generated by partial discharges to a large extent，so the analysis and processing of ultrasonic signals generated by partial discharges are of vital importance to the ultrasonic detection and location technology.This paper systematically elaborates the methods of analysis and processing of partial discharge ultrasonic signals in order to provide some useful reference for the precision improvement of techniques of detection and localization of partial discharges in power transformers adopting ultrasonic methods.

partial discharge;power transformer;ultrasonic localization;signal analysis

TM41

A

1674-8425(2014)06-0109-04

10.3969/j.issn.1674-8425(z).2014.06.021

2014-01-14

國家自然科學基金資助項目(51177112)

劉化龍(1988—)，男，碩士研究生，主要從事變壓器局部放電檢測與定位等方面的研究。

劉化龍.電力變壓器局部放電超聲波信號的分析與處理方法［J］.重慶理工大學學報:自然科學版，2014 (6):109-112.

format:LIU Hua-long.Methods and Analysis of Partial Discharge Ultrasonic Signals in Power Transformers［J］. Journal of Chongqing University of Technology:Natural Science，2014(6):109-112.