SPT-EEMD算法的電纜局部放電信號提取及診斷系統

田洪亮，李明明，閆 嬌，杜 璇

（1.國網河南省電力公司駐馬店供電公司，河南 駐馬店 463000；2.上海博英信息科技有限公司，上海 200241）

電纜在運行過程中，受熱力、擠壓、拖拽等外界因素影響，很容易出現故障，并伴有局部放電信號、振動信號、絕緣子漏電等。這些現象是評估電纜運行狀態的重要依據。因此，需要提取局部放電信號進行故障檢測。

針對上述問題，相關文獻也有研究，文獻［1］是基于B樣條方法的電纜局部放電信號特征提取，該方法改變了EMD算法中的三次樣條直接擬合平均曲線，增強了算法的計算速度，但對于放電信號的計算結果有出入。文獻［2］采用自適應帶通濾波器對電纜局部放電信號進行特征提取，該方法實現了放電信號的快速運算，并提出了降低篩選次數、修改停止準則來提高效率，但該方法對于復雜的信號計算量較大。

基于上述文獻，本文提出了基于SPT-EEMD算法的電纜局部放電信號特征提取，并設計了電纜局部放電信號特征提取及報警系統，以MAX132芯片為核心，實現局部放電信號的特征提取及報警顯示；還設計了電纜故障診斷系統，通過電纜信號的采集、放大與處理，實現了電纜的故障診斷［3］。

1 基于SPT-EEMD算法的電纜局部放電信號特征提取

電纜在傳輸電力的同時，會伴有時序波形信號的傳輸，為了從時序波形信號中獲取有價值的信息，本文采用了SPT-EEMD算法，對電纜局部放電信號進行特征提取［4］。SPT-EEMD算法的流程圖如圖1所示。

EEMD算法采用了零均值白噪聲的特性，對多次染噪信號解析，獲得多組IMF再求平均值的方法控制白噪聲對實際IMF的作用［5］。

假設輸入信號為x(t)，確定需要加噪的次數為Ne，所加噪聲的幅值系數為ε。對原信號添加白噪聲，即

式（1）中，sj(t)表示第j次添加的白噪聲序列，xj(t)表示染噪信號。對xj(t)進行EMD處理，得到一組i層IMF，并且每次加入的白噪聲序列不同。將全部IMF按層次求平均值，即

式（2）中，ci，j(t)表示第j次得到的第i層IMF。最終得到x(t)的分解結果為

添加的白噪聲對信號的影響關系式為

式（3）-（5）中，ε′表示原信號與IMF重新構建誤差的標準差，當增加的噪聲幅值較大時，需要增大循環次數Ne來減少噪聲對結果的誤差影響，并且當Ne足夠大時，噪聲的作用能夠減小到超級小的水平［9］。

假設以i標記第j個子段xj的值序號，j來自RDD0的元素值，則每一段的取值范圍為

式（6）中，m×L表示Array2中的一個二維數組，其中，L表示IMF的取長，長度和原來信號一致［10］。

然后對電纜局部放電信號特征進行提取，給定長度為N的局部放電信號x(i)(i=0，1，2，…，N-1)，對x(i)進行EEMD，得到包括余項在內的n個分量hj(i)，i=0，1，2，…，N-1，j=1，2，…，n。計算各分量的能量為

式（7）中，E(j)表示每個分量的能量，對能量序列E(j)進行統一計算，獲得相對能量值序列為

假設f(i)(i=0，1，2，…，N-1)表示模態分量，對樣本熵進行計算，給定模式維數m，由N個數據點組成的模態分量f(i)組成m維矢量為

對每一個i值進行計算，得出矢量距離為

式（10）中，d(i，j)表示矢量Y(i)和Y(j)之間的距離，且1≤i≤N-m，1≤j≤N-m，j≠i，計算模板統計數的平均值為

式（11）-（12）中，r表示相似容限，num[d(i，j)

當N取有限值時，SpEn估計值為

式（13）-（14）中，SpEn表示樣本熵，Bm+1(r)表示維數的平均值。

然后對電纜局部放電信號特征進行輸出，由信號分解出的IMF數目一般為

式（15）中，N表示信號的長度，表示向下取整，特征量的數目通過每個分量與原來信號的相關系數運算來獲得，選相關性最高的4個IMF計算RE和SpEn組成特征向量，即

式（16）中，hj(i)表示各分量，x(i)表示原信號，ρj表示各分量與原信號的相關系數，即最終的電纜局部信號的特征提取。

2 電纜故障診斷系統的設計

電纜故障診斷系統是以Stm32單片機為核心，包括控制平臺、現場檢測和特征參量采集三個部分。電纜故障診斷系統的總體結構如圖2所示。

在檢測底線電流時，由于電流信號較弱，需要在系統中增加放大電路，將電流信號轉化成單芯片可以讀取的電壓信號；在測量絕緣電阻時，當直流電壓注入線路時，通過線路的泄漏電流決定了絕緣電阻的阻值。為了得到更準確的絕緣電阻值，系統中增加了濾波電路來篩選線路中的交流信號［6］。

在特征參量采集中，采用主控制芯片為Stm32f10 3c系列的芯片，該芯片具有高性能、低成本、低功耗和可切割等特點，是32位的ARM結構微處理器，供電電壓有2.0～3.3 V可供選擇，內部具有8MHz的高精度RC振蕩器［10］。該部分還設置有濾波電路，在測量電纜上的絕緣電阻時，除了有直流電壓信號，還有交流電壓信號，會對絕緣電阻的測量有一定的影響，為了確保絕緣電阻阻值檢測的精確率，設計了濾波電路，以排除低頻交流信號。電纜運輸電流中采用微電流傳感器對電流進行采集，因為電流非常小，因此在該系統中設置了放大電路［7-8］。該放大電路采用的是OP4177系列的放大器，其是一款精密、低噪聲、低輸入偏置電流和四通道運算放大器。在主控制芯片上接入程序調試，Stm32單片機的軟件編程主要通過Keil5軟件平臺來編譯。

綜上所述，該電纜故障診斷系統是以Stm32位控制芯片為核心，設置了放電信號采集電路，對電纜運行過程中的放電信號進行采集［9-10］，由于是微電流，因此采用了OP4177運算放大器設計了放大電路；為了確保絕緣電阻阻值檢測的精確率，增加了濾波電路；整個系統實現了電纜故障的診斷。

3 實驗結果與分析

為了驗證本文所提方法的有效性，本次實驗搭建了并行計算平臺，由5臺服務器（Think Server RD460×4、Dell R210II×1）組成集群，服務器與服務器之間采用千兆交換機相連，在服務器上安裝Xenserver，并擬合出9個節點［11-12］，2個核心CPU安置到一個節點上，Spark平臺配置信息如表1所示。將Hadoop和Spark同時搭建在集群中。

表1 Spark平臺配置信息Tab.1 Spark platform configuration information

本實驗搭建的實驗架構示意圖如圖3所示。

本次實驗數據采用的是不同模型產生的4種不同類型的局部放電信號：電暈放電、懸浮放電、氣泡放電和油中放電，使用TWPD-2F局部放電綜合分析儀收集波形數據［13-14］，每種類型的信號分別采集50個。收集的波形數據如表2所示。

表2 放電信號波形數據Tab.2 Data of discharge signal wave

采用本文研究的方法，重復進行50次實驗，得到局部放電類型識別的平均準確率［15-16］，并將實驗結果與基于B樣條方法的電纜局部放電信號特征提取和自適應帶通濾波器法進行電纜局部放電信號特征提取對比，實驗結果如圖4所示。

由圖4可知，本文研究的基于SPT-EEMD算法的電纜局部放電信號特征提取對4種放電類型的識別準確率均較高，4種類型識別準確率計算所得平均值為90.8%；然而基于B樣條方法的電纜局部放電信號的特征提取對4種放電類型的識別準確率平均值為88.65%；自適應帶通濾波器局部放電信號特征提取對4種放電類型的識別準確率平均值為86.68%。因此本文所研究的方法識別準確率較高。

基于上述實驗，為了保證每次實驗所用數據的一致性，將上述4種類型放電數據進行10次篩選。實驗結果對比如圖5所示。

由圖5可知，本文研究的基于SPT-EEMD算法的電纜局部放電特征提取所需的時間比較少，260000節點長度所消耗的時間為65 s；而基于B樣條方法的局部放電信號特征提取260000節點長度消耗86 s；自適應帶通濾波器局部放電信號提取260000節點長度消耗93 s，因此本文研究的性能相對較好。

4 結 語

受外界環境因素的影響，電纜易損壞或發生故障，因此，本文研究了基于SPT-EEMD算法的電纜局部放電信號的特征提取，并設計了電纜局部放電信號特征提取及報警系統，該系統以MAX132芯片為核心，實現18位模擬信號的準確轉換，能夠控制50Hz的工頻影響，通過對模擬信號初步預調理轉化的數字信號的濾波篩選，提取出最優質的數據信號，最終在LCD12864液晶顯示屏上顯示出來。此外，還設計了電纜故障診斷系統。本文研究的方法還有一定的缺陷，對局部放電電流的分辨率尚未達到理想水平，后續需要提高系統的分辨率，還需更深入的研究。