基于Labview的電纜局部放電模式識別

趙亞征 張旭 楊揚 楊海玉 臧立志

（西安博源電氣有限公司 陜西西安 710043）

基于Labview的電纜局部放電模式識別

趙亞征 張旭 楊揚 楊海玉 臧立志

（西安博源電氣有限公司 陜西西安 710043）

為實現高壓電纜局部放電故障檢測和缺陷的模式識別，針對高壓電纜的典型絕緣缺陷及其放電特點，設計了三種典型的高壓電纜局部放電模型并進行放電試驗。采用小波包變換對局部放電信號進行分解，將計算的局部放電信號的能量譜圖作為特征提取，輸入到BP神經網絡分類器中進行判別，平均識別率均在90%以上。

局部放電；小波包；BP神經網絡；模式識別；LabVIEW

引言

局部放電既是高壓電纜絕緣劣化的表征之一，根據IEC、GB等標準，局部放電檢測是高壓電纜帶電檢測一個重要的參量，檢測到的局部放電可能來自電纜本體、電纜接頭或交叉互聯接地線等，由于不同來源的PD信號，對電力設備的危害不同，其預防和檢修的方式也不同，因此PD信號的識別就顯得尤為重要[1～2]。

傳統的局部放電模式識別是基于PRPD譜圖基礎上，也是所謂的φ-N-Q譜圖。將φ-N-Q譜圖的放電特征統計因子作為局部放電模式識別的特征量，但是特征統計因子中都涉及到了PD相位，導致采集數據運算量大[3]，而我們在實驗中采用快速幀技術，將一個局部放電脈沖片段定義為一幀，以局部放電脈沖作為觸發源，僅采集脈沖信號短時域波形，連續采集設定幀數后，一次性將存儲在采集卡ROM數據返回，保證兩次采集時間間隔極小，可達μs量級，因此對于局部放電選用時域波形進行小波包變換特征提取。小波包變換具有可將信號按任意時頻分辨率分解的特點，對高頻部分可以進行精細地分解，并能根據被分析信號的特征，自適應的選擇相應頻帶，使之與信號頻譜相匹配，從而提取更多的特征信息[4]。

本文設計了三種電纜接頭的典型的電暈、內部和沿面放電模型，對采集的局部放電進行小波包分解，得到不同尺度小波包分解系數，采用基于小波包分析的“頻帶-能量”信號作為局部放電特征向量，并采用BP神經網絡對放電類型進行辨識，試驗表明平均識別率均在90%以上。

1 信號小波包分解

采用小波包分析“頻帶-能量”特征提取信號的方法如下[5]：

（1）對局部放電信號進行小波包分析，在某尺度上對信號分解，以3層分解為例，得出各頻帶的分解節點系數X3i，i=0，1…7。

（2）分別計算出各頻帶信號的能量E3i，計算公式如下：

式中：xij（j=1，2…，n）表示重構信號各離散點的值。

（3）對各頻帶信號的能量E3i進行歸一化，歸一化能量為E′3i，計算公式如下：

（4）信號的特征向量為 T=[E′30，…，E′37]。

2 BP神經網絡

小波包分解提取的信號特征向量與局部放電類型之間的對應關系是一種復雜的、非線性映射，通過BP神經網絡建立一種理想的分類器（如圖1）。

圖1 BP網絡神經結構圖

BP神經網絡一般由輸入層、隱層和輸出層構成，輸入層即輸入信號的特征向量，特征向量維數決定輸入層的節點數；隱層的節點數目不確定，節點數越多則非線性映射能力越強，神經網絡越穩健；輸出層根據映射關系得出信號的模式。BP神經網絡首先經過大量樣本學習和訓練，使得網絡本身的權值、閾值等參數達到最優化，訓練結束后，當輸出新的信號時，BP網絡神經可以對其進行分類和識別[6]。

3 Labview軟件

Labview是一種程序開發環境，由美國國家儀器（NI）公司研制開發，使用的是圖形化編輯語言G編寫程序，產生的程序是框圖的形式。Labview開發環境集成了工程師和科學家快速構建各種應用所需的所有工具，圖2所示的是Labview自帶的BP神經網絡工具包截圖。

圖2 BP神經網絡工具包

4 實驗與分析

圖3 局部放電模式識別演示程序

采用LabVIEW虛擬儀器開發軟件設計局部放電模式識別軟件，控制數據采集、分析、顯示，模式識別、存儲等功能。

在試驗中，首先分別對不同的放電模型在不同電壓下進行大量的試驗，將試驗計算出的波形特征能量譜存儲在放電樣本庫中，然后再對放電模型進行試驗，判別放電類型，表1為一組局部放電統計分析數據，顯示出模式識別軟件的識別情況。

表1 局部放電識別結果

從表1中可以看出，該系統對三種不同的放電類型，具有良好的識別率，平均識別率均在90%以上。該系統基本滿足現場應用的要求，后續對于數據的分析和處理仍是研究的重點，有待更加深入的學習和研究。

5 結論

設計了三種電纜接頭的典型的電暈、內部和沿面放電模型，對采集的局部放電進行小波包分解，得到不同尺度小波包分解系數，然后將小波包分解的“頻帶-能量”信號作為局部放電特征向量，并采用BP神經網絡對放電類型進行辨識，試驗表明平均識別率均在90%以上。該系統在電力設備局部放電檢測等領域有一定的應用前景。

[1]羅新，牛海清，胡日亮，等.基于小波包分解的XLPE配電電纜局部放電波形特征提取與識別[J].高電壓技術，2013，49（11）：110～115.

[2]張周勝，馬愛清.XLPE電力電纜局部放電信號識別法及其關鍵技術[J].上海電力學院學，2012，4（28）：301～304.

[3]夏云峰，高勝友，陳錫陽，等.波形特征與統計特征相結合的局部放電脈沖分類方法[J].高壓電器，2015，51（8）：146～150.

[4]李振恩，陳昆鵬，高雄偉.基于小波包變換的局部放電包絡信號模式識別[J].工業儀表與自動化裝置，2014，4：108～112.

[5]劉新宇，何峰，鄭義，等.局部放電典型模型試驗及模式識別的分析[J].電子測量，2014，9：65～67.

[6]楊孝華，廖瑞金，胡建林.基于BP人工神經網絡的XLPE電力電纜局部放電的模式識別[J].高壓電器，2003，19（4）：35～37.

TM246

A

1004-7344（2016）14-0089-02

2016-4-29

趙亞征（1984-）男，本科，研究方向為電子產品設計及軟件開發。

張旭（1986-），男，本科，主要從事高壓局部放電檢測開發工作。

楊揚（1984-），男，碩士研究生，主要研究方向為光電類產品設計及應用軟件開發。