基于零相位誤差濾波的局部放電故障識別

賴聯(lián)有， 許偉堅

(集美大學(xué)信息工程學(xué)院，福建 廈門 361021)

0 引言

開關(guān)柜主要起開通和關(guān)斷電力線路的作用，其可靠性能直接影響到電力系統(tǒng)的穩(wěn)定性，是電力系統(tǒng)的重要設(shè)備之一。但是，受環(huán)境等因素的影響或長時間使用下，開關(guān)柜內(nèi)部可能出現(xiàn)絕緣材料老化、導(dǎo)體接觸不良等情況，可能導(dǎo)致設(shè)備故障、電網(wǎng)停電和工廠停工[1-5]。統(tǒng)計表明，開關(guān)柜的主要故障是絕緣故障，絕緣故障的主要表現(xiàn)是局部放電(partial discharge，PD)[6-9]。導(dǎo)致PD的因素還有安全距離過小，電場分布不均勻，空氣潮濕過大等[10-13]。對開關(guān)柜局放進行PD檢測，有助于發(fā)現(xiàn)并排除各種安全隱患，提高系統(tǒng)的可靠性。

采集到的開關(guān)柜PD信號中通常混有較大的噪聲，因此需要對信號進行濾波。通常的濾波方法，如限沖激響應(yīng)(finite impulse response， FIR)、無限沖激響應(yīng)(infinite impulse response， IIR)等，在濾除信號中噪聲的同時會改變信號的相位，即濾波后的信號與原始信號相位不一致，存在著一個相位差[14-16]，從而導(dǎo)致信號頻譜和功率譜發(fā)生偏移。如果采用頻譜或功率譜作為特征量進行識別，勢必影響故障識別的準(zhǔn)確性。針對該情況，本文提出采用零相位誤差濾波(zero phase error filtering，ZPEF)算法對信號進行濾波，確保濾波后信號的頻譜和功率譜不發(fā)生偏移。然后提取兩個頻帶上的能量占比構(gòu)造特征量，采用最小二乘支持向量機(least squares support vector machine，LS-SVM)算法實現(xiàn)PD故障識別。

1 ZPEF算法

1.1 ZPEF的原理

目前，ZPEF方法主要有FRR(forward-reverse filtering，reverse output)法和RRF(reverse-reverse filtering，forward output)法兩種[17-18]。ZPEF方法的濾波原理如圖1所示。從圖1可知FRR濾波方法的過程是：先將輸入信號按順序濾波，然后將所得結(jié)果的順序反轉(zhuǎn)，再將反轉(zhuǎn)后的信號再次濾波，最后將濾波結(jié)果的順序反轉(zhuǎn)后輸出。與FRR相似，RRF濾波方法的過程是：先將輸入信號的順序反轉(zhuǎn)，然后將反轉(zhuǎn)后結(jié)果濾波，再將濾波結(jié)果的順序反轉(zhuǎn)，反轉(zhuǎn)后的信號再次濾波。FRR和RRF濾波方法的特點是：信號的順序都要經(jīng)過2次反轉(zhuǎn)，信號要2次通過濾波器。ZPEF方法在物理上是不可實現(xiàn)的，不存在與其相對應(yīng)的模擬濾波器，必須采用數(shù)字濾波方法才能實現(xiàn)。

圖1 FRR濾波原理Fig.1 The principle of FRR filtering

1.2 ZPEF對相位的影響

以FRR濾波為例，在濾波過程中信號的相位變化如圖2所示。圖2中，y0是帶噪聲的初始信號，其相位為0；y1是對y0濾波后得到的信號，其相位比滯后45°；y2是對y1反轉(zhuǎn)后得到的信號，其相位由y1滯后45°變?yōu)槌?5°；yout是對y2濾波后得到的信號，由于y2相位超前，經(jīng)過濾波后，yout的相位回歸為零。yout和相比y0，實現(xiàn)了零相位誤差濾波。

圖2 FRR濾波過程中信號的相位變化Fig.2 Phase change of signal in FRR filtering process

一個ZPEF方法的例子：假設(shè)初始信號為帶噪聲的正弦信號，其表達式為y(t)=sin(100×2πt)+(rand-0.5)，其中(rand-0.5)是幅度為0.5均值為0的噪聲。FRR和FIR的濾波效果如圖3所示。

圖3 FRR和FIR濾波效果對比Fig.3 The result of FRR vs FIR

圖3可以看出：FRR濾波有效的濾除了信號中的噪聲，效果非常好，并且FRR濾波前后信號的相位沒有發(fā)生變化，實現(xiàn)了零相位差濾波。

1.3 ZPEF對功率譜的影響

FRR和FIR濾波后信號功率譜如圖4所示。圖4表明：與FIR濾波相比，F(xiàn)RR濾波后信號的功率譜峰值更明顯，能量更集中，與真實信號的功率譜更接近。因此，采用ZPEF的FRR濾波可保證濾波后信號在特征頻段內(nèi)的功率占比的準(zhǔn)確性。

圖4 FRR和FIR濾波后的頻譜Fig.4 The spectrum after FRR and FIR filtering

2 PD故障識別方法

本文中，PD故障識別采用LS-SVM方法，即采用LS-SVM方法構(gòu)造故障識別器。

2.1 LS-SVM

SVM的理論基礎(chǔ)是統(tǒng)計學(xué)習(xí)，其基本思想是：以結(jié)構(gòu)風(fēng)險最小化為目標(biāo)，通過訓(xùn)練樣本集中的一組特征子集，實現(xiàn)對支持向量的線性劃分，并將該劃分等價為對整個數(shù)據(jù)集的劃分，以此克服維數(shù)災(zāi)難問題[17-21]。為了降低計算的復(fù)雜度，Suykens和Vandewalle改進了傳統(tǒng)的SVM，提出LS-SVM方法[22-23]。與傳統(tǒng)的SVM相比，LS-SVM的特點為：把不等式約束條件轉(zhuǎn)化為等式約束條件，把訓(xùn)練過程中的二次規(guī)劃問題求解轉(zhuǎn)化為線性方程組的求解，從而大大減小計算量。

2.2 PD故障特征量的選取

能量高峰的出現(xiàn)可以作為判斷是否發(fā)生PD故障的識別依據(jù)，即可取在局放頻帶上的能量占比作為PD故障識別的特征量。通常，發(fā)生某種類型的PD時，在頻譜上會出現(xiàn)相應(yīng)的能量高峰。采用高峰能量占比為特征量進行分類時要注意的是：如果不同的PD的中心頻率不重疊，則可采用該方法進行分類，并能識別是否發(fā)生PD及發(fā)生PD的類型；如果不同的PD中心頻率重疊，則只能識別是否發(fā)生PD，而不能識別PD的類型；如果同時發(fā)生很多種類型的PD，且各種PD的中心頻率較接近，則會導(dǎo)致頻譜放電高峰不明顯，不能識別是否發(fā)生放電。

3 實驗及分析

3.1 實驗平臺及實驗參數(shù)

實驗平臺的原理如圖 5 所示，實驗系統(tǒng)主要由4部分組成：高壓開關(guān)柜，PD信號測量分析系統(tǒng)，PD檢測系統(tǒng)和電壓調(diào)節(jié)電路。高壓開關(guān)柜型號為KYN28A-12。PD信號測量分析系統(tǒng)主要由電流互感器、示波器和計算機組成。電流互感器型號為ETA5315，帶寬60 MHz。示波器型號為TDS3054C數(shù)字泰克示波器，既可以觀測信號，又可以把信號傳輸?shù)接嬎銠C，起數(shù)據(jù)采集作用。PD檢測系統(tǒng)主要由HD-2010雙通道數(shù)字式PD檢測儀組成。電壓調(diào)節(jié)電路主要由YDWT-10 kV·A無局放試驗變壓器組成。PD檢測系統(tǒng)根據(jù)脈沖電流法設(shè)計，采用并聯(lián)接法。

圖5 PD實驗原理Fig.5 Schematic of PD experimental

實驗時，在高壓開關(guān)柜內(nèi)部主要設(shè)置了針尖對平板和平板對平板兩種故障類別。針尖對平板局放實驗時，平板為20×20 cm的銅板，平板距離8 cm。平板對平板局放實驗時，平板大小20×20 cm銅板，針尖大小0.1 cm，平板和針尖的距離8 cm。平板同時對針尖和平板局放實驗時，平板大小20×20 cm，平板距離8 cm，針尖為焊接在平板上的小突起，針尖大小0.1 cm。調(diào)節(jié)變壓器的輸出電壓，產(chǎn)生PD故障，不同類型的放電，調(diào)節(jié)的輸出電壓可能有所不同。通過信號采集系統(tǒng)采集電流互感器的輸出電壓，得到PD信號。

3.2 PD故障特征量的提取

檢測到信號的典型波形及其功率譜如圖6所示。對比圖6(a)、(b)、(c)的時域波形，可以看出正常波形和PD故障波形很相似，基本上無法區(qū)分。對比圖(a)、(b)、(c)的功率譜，可以看出正常時頻率譜比較平均，發(fā)生PD故障時頻譜上出現(xiàn)能量高峰。

圖6 PD信號時域和頻域Fig.6 Time and frequency domain of PD signals

為更直觀的體現(xiàn)能量分布情況，把0～5 MHz整個頻段劃分為10等份，分別計算各頻段內(nèi)的功率，然后繪制條形圖，如圖7所示。

圖7 局放信號功率分布Fig.7 Power distribution bar of PD signal

從圖7可以看出：PD故障信號功率譜的峰值主要出現(xiàn)在1.3 MHz和2.7 MHz附近。取該1.0～1.5 MHz和2.5～3.0 MHz 兩個頻帶的能量占比作為PD故障識別的特征量。

3.3 PD故障特征向量數(shù)據(jù)集的建立

故障識別器的輸入為特征向量x，輸出識別結(jié)果y。選擇信號在頻段1.0～1.5 MHz上的功率作為特征量x1，頻段2.5～3.0 MHz上的功率作為特征量x2，x1和x2組成特征向量x。通過x來識別是否發(fā)生PD。識別結(jié)果y=1表示發(fā)生PD，y=-1表示沒有發(fā)生PD。

實驗時，先調(diào)節(jié)好實驗條件，然后使用PD信號測量分析系統(tǒng)采集實驗數(shù)據(jù)，同時使用局放儀測量局放量。如果局放量大于12 pC，則表示發(fā)生PD，該段實驗數(shù)據(jù)標(biāo)記為1，即yi=1。如果局放量小于12 pC，則表示沒有發(fā)生PD，該段實驗數(shù)據(jù)標(biāo)記為-1，即yi=-1。

采集270組時域數(shù)據(jù)，計算數(shù)據(jù)的功率譜，以條形圖的形式計算各個頻段內(nèi)的功率占比并歸一化，取1.0～1.5 MHz和2.5～3.0 MHz 兩個頻段內(nèi)的功率占比，建立故障識別特征量數(shù)據(jù)集，如表1所示。

表1 故障識別的特征量數(shù)據(jù)集Tab.1 Characteristic data set for recognizing faults

3.4 PD故障的識別

根據(jù)多次試驗經(jīng)驗， LS-SVM故障識別器選用RBF核函數(shù)，選取核參數(shù)σ2=0.06，懲罰因子C=3。在表1中隨機選取200組數(shù)據(jù)作為LS-SVM的訓(xùn)練數(shù)據(jù)，其余的70組數(shù)據(jù)作為測試數(shù)據(jù)。PD故障識別結(jié)果如圖8所示。

圖8 PD故障識別結(jié)果Fig.8 Result of PD fault identification

采用測試樣本的數(shù)據(jù)對LS-SVM進行檢驗，如果樣本落在正常區(qū)域則表示為沒有發(fā)生PD故障，否則表示發(fā)生PD故障。經(jīng)過實驗證明，LS-SVM對70組測試樣本識別的正確率為98.57%，預(yù)測效果良好。

3.5 PD故障識別效果的比較

采用不同的濾波方法和不同的樣本數(shù)量，其他條件相同，分別測試PD識別的正確濾波，實驗結(jié)果如表2所示。

表2 故障識別的正確率比較Tab.2 Accuracy rate comparison of recognizing faults

從表2可以看出：采樣ZPEF可以提高故障的識別精度，當(dāng)采樣點較少時，這種優(yōu)勢更為明顯。由此也可推測一個結(jié)論：如果要保持故障識別精度不變，采樣ZPEF需要的采用點數(shù)更少，由此可以提高故障識別的速度。

4 結(jié)語

對PD信號進行ZPEF濾波可有效的濾除噪聲，同時保持濾波前后信號的相位不變，從而保正濾波后信號的功率譜的準(zhǔn)確性。PD故障通常伴隨出現(xiàn)能量高峰，可以此為特征量判斷是否發(fā)生PD故障。采用ZPEF濾波，可提高以功率分布為特征量的故障識別的準(zhǔn)確性。對于樣本數(shù)據(jù)點數(shù)少的情況下，ZPEF的優(yōu)勢更明顯。采用LS-SVM可以實現(xiàn)開關(guān)柜PD故障識別，故障識別率可達98.5%。

參考文獻：

[1] HAQ S U， STRANGED M K W， WOOD B. A proposed method for establishing partial discharge acceptance limits on API 541 and 546 sacrificial test coils[J]. IEEE Transactions on Industry Applications， 2017， 53(1)：718-722.

[2] 趙 科， 王靜君， 劉 通， 等. 直流GIL絕緣設(shè)計及局部放電檢測研究進展[J]. 電力工程技術(shù)， 2017， 36(5)： 98-102，108.

ZHAO Ke， WANG Jingjun， LIU Tong， et al. A review of insulation design and partial discharge detection of DC gas insulated line[J]. Electric Power Engineering Technology， 2017， 36(5)： 98-102，108.

[3] 霍 天， 吳振升， 桂俊峰. 高壓開關(guān)柜局部放電聲-電聯(lián)合定位方法研究[J]. 電力工程技術(shù)， 2017， 36(3)： 62-66.

HUO Tian， WU Zhensheng， GUI Junfeng. Acoustic-electric joint localization method of PD in high voltage switch cabinet[J]. Electric Power Engineering Technology， 2017， 36(3)： 62-66.

[4] HEKMATI A， HEKMATI R. Optimum acoustic sensor placement for partial discharge allocation in transformers[J]. Iet Science Measurement & Technology， 2017， 11(5)：581-589.

[5] LI P， ZHOU W， YANG S， et al. Method for partial discharge localisation in air-insulated substations[J]. Iet Science Measurement & Technology， 2017， 11(3)：331-338.

[6] MONTANARI G C. Partial discharge detection in medium voltage and high voltage cables： maximum distance for detection， length of cable， and some answers[J]. IEEE Electrical Insulation Magazine， 2016， 32(5)：41-46.

[7] KANEGAMI M， MIYAZAKI S， MIYAKE K. Partial discharge detection with high-frequency band through resistance-temperature sensor of hydropower generator stator windings[J]. Electrical Engineering in Japan， 2016， 195(4)：9-15.

[8] HOU Z， LI H， SUN Z， et al. A novel sinusoidal damped oscillating voltage generator for the detection of partial discharge in MV distribution power cables[J]. IEEE Transactions on Power Delivery， 2016， 31(1)：410-411.

[9] XIE J， WANG Y， LV F， et al. Denoising of partial discharge signal using rapid sparse decomposition[J]. International Transactions on Electrical Energy Systems， 2016， 26(11)：2494-2512.

[10] CASTRO B， CLERICE G， RAMOS C， et al. Partial discharge monitoring in power transformers using low-cost piezoelectric sensors[J]. Sensors， 2016， 16(8)：1-16.

[11] DAI D， WANG X， LONG J， et al. Feature extraction of GIS partial discharge signal based on S-transform and singular value decomposition[J]. Iet Science Measurement & Technology， 2017， 11(2)：186-193.

[12] LIU C， LI H， WANG J， et al. Optimal eigenvalue weighting detection for multi-antenna cognitive radio networks[J]. IEEE Transactions on Wireless Communications， 2017， 16(4)：2083-2096.

[13] MOHAMMADI H， HAGHJOO F. Feasibility study for partial discharge detection and defective region identification in power transformers by using distributed sensors[J]. Iet Generation Transmission & Distribution， 2016， 10(16)：4006-4023.

[14] JIAN W， CHEN M， MCFARLAND D J. EEG based zero-phase phase-locking value (PLV) and effects of spatial filtering during actual movement[J]. Brain Research Bulletin， 2017， 130：156-164.

[15] ZHANG B， PAN J F， YUAN J， et al. Tracking control with zero phase-difference for linear switched reluctance machines network[J]. Energies， 2017， 10(7)：949.

[16] LEWIN P L， TRAN T N， SWAFFIELD D J， et al. Zero-phase filtering for lightning impulse evaluation： A K-factor Filter for the Revision of IEC60060-1 and-2[J]. IEEE Transactions on Power Delivery， 2008， 23(1)：3-12.

[17] ANGELIDIS E. A recursive frequency-sampling method for designing zero-phase FIR filters by nonuniform samples[J]. IEEE Transactions on Signal Processing， 2002， 43(6)：1461-1467.

[18] 賈亞飛，朱永利，蘭志堃，等. 基于S變換和深度置信網(wǎng)絡(luò)的變壓器局部放電模式識別[J]. 廣東電力，2017，30(1)：108-115.

JIA Yafei, ZHU Yongli, LAN Zhikun, et al. Pattern recognition on partial discharge signals of transformers based on S-transform and deep belief network[J]. Guangdong Electric Power，2017，30(1)：108-115.

[19] 紀躍波， 秦樹人. 零相位數(shù)字濾波器[J]. 重慶大學(xué)學(xué)報： 自然科學(xué)版，2000， 26(6)：4-6.

JI Yuebo， QIN Shuren. Digital filtering with zero phase error[J]. Journal of Chongqing University： Natural Science Edition， 2000， 26(6)：4-6.

[20] DAI D， WANG X， LONG J， et al. Feature extraction of GIS partial discharge signal based on S-transform and singular value decomposition[J]. Iet Science Measurement & Technology， 2017， 11(2)：186-193.

[21] KHAN Y， KHAN A A， BUDIMAN F N， et al. Partial discharge pattern analysis using support vector machine to estimate size and position of metallic particle adhering to spacer in GIS[J]. Electric Power Systems Research， 2014， 116(11)：391-398.

[22] SI L， QIAN Y， BAI W， et al. Pattern recognition of UHF partial discharge for GIS with support vector machine[J]. High Voltage Apparatus， 2014， 50(11)：1-6.

[23] 徐衛(wèi)東，聶一雄，彭 丹，等. FFT優(yōu)化算法與小波分析在局部放電檢測中的應(yīng)用[J]. 廣東電力，2017，30(4)：67-73.

XU Weidong, NIE Yixiong, PENG Dan,et al. Application of FFT optimization algorithm and wavelet analysis in partial discharge detection[J]. Guangdong Electric Power，2017，30(4)：67-73.