基于小波包-反向傳播神經網絡的局部放電信號模式識別方法

于建軍

(云峰發電廠， 吉林 集安 134200)

0 引言

局部放電是油浸式變壓器發生絕緣劣化的重要緣由與標志之一，由于其在發現絕緣缺陷、預防絕緣故障方面的重要作用，受到科研工作者與電力工程運維人員的高度重視[1-2]。變壓器的絕緣結構復雜，絕緣放電類型各異，不同絕緣類型下的放電模式與表現形式也不盡相同，因而給局部放電的定性判斷與問題定位帶來了困難。開展油浸式電力變壓器局部放電的模式識別，可有效地發現變壓器的潛在絕緣問題，避免電力變壓器事故及停電事件的發生，因此變壓器局部放電的模式識別研究具有顯著的經濟價值與工程意義[3-6]。特征獲取與模式分類是變壓器局部放電信號模式識別的重要環節，而當前局部放電模式識別的常用特征參數主要有統計特征[7-8]、分形特征[9-10]、小波特征[11-13]、矩特征[14-15]、波形特征[16-17]和復合特征[18-19]等。其中，小波特征由于在模式定義及區分方面具有顯著優勢，且其特征參數較少，因而得到了廣泛運用。人工神經網絡由于具有良好的魯棒性、自適應力及非線性映射能力，因此常被用于局部放電模式識別與分類[20-21]。

本研究基于小波包的多尺度與能量參數，建立了一種變壓器局部放電信號的模式識別方法。通過對局部放電信號進行小波包多尺度變換，可獲得其多尺度小波系數的能量參數，而后采用反向傳播神經網絡(Back Propagation Neural Networks, BPNN)開展模式識別工作，取得了較滿意的識別正確率。

1 絕緣缺陷模型與局部放電試驗

1.1 絕緣缺陷模型

由于油浸式電力變壓器的絕緣系統中最典型的絕緣結構為油紙絕緣，因此本研究的絕緣缺陷模型均基于油紙絕緣來設計。根據實際統計得到的常見的變壓器故障與缺陷類型，設計了4種油紙絕緣缺陷模型，以模擬油浸式電力變壓器的局部放電，如圖1所示。

a

圖1(a)所示為絕緣材料內部的氣隙放電模型；圖1(b)所示為油中沿面放電缺陷模型；圖1(c)所示為油中懸浮電極放電缺陷模型；圖1(d)所示為油中電暈缺陷模型。其他相關參數均標注于圖中。

1.2 局部放電試驗

開展局部放電試驗的基本原理圖,如圖2所示。

1：交流電源；2：升壓變壓器；3：保護電阻；4：耦合電容；5：高壓引線；6：油箱；7：絕緣缺陷模型；8：接地引下線 9：局部放電傳感器；10：示波器

絕緣缺陷模型樣品均放置于充滿變壓器油的油箱內，而放電產生的信號則由局部放電傳感器接收，局部放電信號再通過同軸電纜進入示波器，供波形觀測與信號采樣。

局部放電試驗的流程如下。

(1) 在較低電壓下記錄背景噪聲；

(2) 逐步升壓，直至觀測到滿足條件的局部放電現象，記錄起始放電電壓ui；

(3) 繼續升壓，直至缺陷模型發生擊穿，并記錄下對應的電壓值；

(4) 取新的缺陷模型樣品，將試驗電壓分別加到1.2ui、1.3ui和1.4ui，在該電壓水平下記錄局部放電信號。

本研究中，每種絕緣缺陷模型各對30個樣品分別在上述3個不同電壓水平下測量采集了局部放電信號樣本，共計90組。

2 小波包多尺度變換

設{V{k}}是L2(R)的分辨空間序列，Wk-1與Vk-1是Vk中互為正交的補集對，而φ(t)與Ψ(t)分別為正交尺度函數與小波函數。存在以下特定關系,如式(1)—式(4)。

(1)

(2)

由于

(3)

(4)

則稱函數系列{φl(t)}/∈z+是φ0(t)=φ(t)所限定的一個正交小波包。

(5)

將式(5)進行回疊計算與分解分析，則小波子空間Wj的分解，如式(6)。

(6)

小波包變換的實質即是將{hk}與{gk}施加到各次濾波輸出上，但它與二進小波多分辨有差異：小波包變換不僅將Vj空間進行劃分，而且對高頻部分Wj也按照類似方法進行劃分。經過上述兩類空間劃分，保證了函數空間的樹結構的多層次分解。

小波包變換過程中各個頻帶的分布圖,如圖3所示。

圖3 小波包多尺度分解的信號頻帶劃分示意圖

小波包變換濾波器的樹狀結構示意圖，如圖4所示。

圖4 小波包分解示意圖

括號內的第1個數字為分解層數，第2個數字為該層內樹節點的編號。假設，小波包分解的層數為M；信號的上限頻率為fH；各個分層信號的頻帶跨度為fH/2M。例如在圖4的最底層，信號已經分解到8個頻率段內，從左往右各個節點對應信號的頻率分別為：0-fH/8，fH/8-fH/4，…，7fH/8-fH。

由圖4的分解原理可知：局部放電信號的5層小波包變換會產生32個分解信號，經過小波包分解，各尺度信號分量的特征參數更加細化，攜帶了更多信號特征信息，因而具有更強的放電類型識別能力。

3 特征提取與模式識別

3.1 特征提取與模式識別方法

本研究中采用小波包變換的多尺度能量參數構成局部放電信號的特征參數。小波包多尺度能量系數采用如下流程進行計算。

假設局部放電信號向量為s={si:i=1,2,…,n}，其經小波包分解后的系數向量為c={ci:i=1,2,…,n}，則定義局部放電信號全部系數的總能量，如式(7)。

(7)

定義任意分解空間系數矩陣ak={ak,j,j=1,2,…,n1}所含能量，如式(8)。

(8)

各分解空間的多尺度能量參數，如式(9)。

(9)

局部放電信號進行M層小波包分解后，通常由(1, 1)包再繼續分解的小波包系數所包含的主要成分為噪聲信號，不再參與多尺度能量參數的提取，而用于多尺度參數提取的小波包分別為(M,0)、(M,1)、(M,2)、…、(M,2M-1)，相應局部放電信號小波包分解的多尺度能量參數為E={Ek,k=1,2,…,2M-1}。

現有的大量研究結果[21]表明：BPNN具有較強的記憶力，而且其學習算法豐富，因而能夠使局部放電的模式識別正確率較為令人滿意。鑒于上述考慮，本研究將BPNN作為局部放電的模式識別分類器。

3.2 模式識別結果

采用BPNN結合小波包分解信號多尺度能量特征參數對前述4種缺陷模型的局部放電信號進行了識別：分別任意選擇每種缺陷模型局部放電信號中的30組樣本對BP神經網絡進行訓練，而剩下的各60組樣本則用來驗證模式識別的成效。根據相關研究結果，將小波分解層數設置為5層，在該層數下有望取得計算量與識別精度的平衡。相關的識別結果，如表1所示。

表1 信號識別的正確率

由表1可知，采用5層小波包分解的模式識別正確率均高于87%，且高于采用4層小波包分解的模式識別正確率，說明該種模式識別方法能夠有效地識別不同缺陷模型產生的局部放電信號，且小波包的分解層數對識別正確率有一定影響。

4 總結

提出了一種新的局部放電信號識別方法，并通過實驗室的典型放電缺陷對該模式識別方法進行了驗證。本研究所提方法通過小波包變換計算局部放電信號的多尺度能量參數，并將其作為模式識別的特征輸入參數，采用BPNN作為模式識別與分類算法，結果表明識別正確率較高，能夠滿足電力變壓器局部放電信號模式識別的現場應用要求。給出的信號模式識別方法具有重要的工程應用價值與科學研究意義，能為電力系統電力變壓器的運維提供有力支持。