高速動車組車載變壓器局部放電識別方法

葛 天,王玉璽,何浩遠

（中車成都機車車輛有限公司,四川 成都 610511）

0 引言

車載變壓器在牽引供電系統中起著重要的作用，保障著列車的穩定運行。車載變壓器在長期運行過程中材料會出現絕緣劣化，劣化的部位會發生局部放電現象[1]，輕微的局部放電會使得變壓器絕緣性能降低，嚴重時甚至會損壞車載變壓器。檢測車載變壓器的局部放電可以診斷變壓器的運行情況，因此開展車載變壓器的局部放電研究很有意義[2]。

超聲波法是一種在線檢測局部放電的方法，能靈敏識別到局部放電信號還可以抵抗外界信號干擾，得到了廣泛的應用[3-4]。西安交通大學的學者基于超聲波檢測法搭建變壓器模型，利用優化算法對變壓器內部局部放電位置進行了定位[5]，華北電力大學的錢定冬團隊基于寬帶相干信號模型，提出了一種針對寬帶相干模型局放信號的修正MUSIC算法與ISM相結合的降維DOA估計算法，對相干信號和不相干信號進行準確識別[6]，西南交通大學的Lijun Zhou基于超聲波檢測法提出了一種考慮絕緣油溫升和變壓器內部結構影響的修正迭代法，提高了變壓器局部放電定位的準確性[7]。西南交通大學的Junyi Cai基于超聲波檢測技術同奇異譜分析和獨立分量分析相結合的方法實現多源局部放電的定位[8]。超聲波信號在車載變壓器內部傳遞時，超聲波信號的傳播途徑會受到變壓器內部構造和金屬的影響，形成非直達波，會對定位的精確性造成影響。在進行局部放電定位時會造成誤差，因此有必要在采集到局部放電的超聲波信號后對直達波和非直達波進行識別。

該文先搭建基于超聲波的車載變壓器局部放電的測試平臺，然后對檢測局部放電的原始超聲波信號進行去噪處理，再提取去噪后的超聲波信號的特征參數，基于支持向量機法辨識非直達波和直達波，結果表明該方法具有很高的識別率。

1 獲取車載變壓器局部放電的超聲波信號

1.1 搭建基于超聲波的局部放電測試平臺

高壓實驗平臺向局放模型施加電壓產生局部放電信號，油箱外壁不同位置設置了超聲波傳感器，超聲波傳感器連接信號放大器，再將放大后的信號傳輸到示波器上，基于超聲波的局部放電實驗平臺示意如圖1所示，其實物圖如圖2所示。

圖1 基于超聲波的局部放電實驗平臺示意圖

圖2 基于超聲波的局部放電實驗平臺實物圖

1.2 利用實驗平臺獲取超聲波信號

獲取局部放電的超聲波信號流程如下：

（1）高壓實驗平臺連接局部放電模型，箱體外放置超聲波傳感器，傳感器連接放大器后再連接示波器，采集超聲波信號的波形。

（2）采用階梯升壓法調節高壓實驗平臺的電壓，在示波器處觀察到穩定的局部放電信號時，此時停止加壓，并記錄此電壓值，將電壓穩定在此值不變，然后按5 s/次的間隔時間采集超聲波信號，采集10次。圖3為采集到的原始超聲波信號。

圖3 采集到的原始超聲波信號

（3）進行后續波形數據處理及分析。

1.3 超聲波信號的去噪聲處理

在實驗室或實際的工程中進行超聲波信號的采集時，會出現一些噪聲，對后續處理波形數據造成一定的影響。該文采用小波閾值去噪法（Wavelet Threshold Method，WTM），用于濾除白噪聲，獲取去噪后的波形數據進行后面的分析，去噪的過程如下：

（1）對去噪前的原始超聲波信號進行小波分解變換。時域信號f(t)的小波變換為：

式中，a大于0；——小波基函數。

（2）對小波系數設置門限閾值。硬閾值函數為：

式中，w——變量，λ——閾值。

（3）逆變換小波系數，然后得到重新構造后的去噪超聲波信號。

獲得去噪后的超聲波信號如圖4所示。

圖4 去噪后的超聲波信號

2 局部放電中的非直達波

2.1 局部放電超聲波的傳播方式

直達波與非直達波的定義如下：

（1）當超聲波信號在變壓器內部傳播而未受到內部結構的影響而直接傳播到超聲波傳感器時，此時傳播路徑為直達波。

（2）當超聲波信號在變壓器內部傳播時會受到內部結構的影響，傳播方式和波形特征發生改變，此時的傳播路徑則為非直達波。

當超聲波信號經過變壓器的局部放電源后，通過變壓器內部的結構后，會改變超聲波傳感器接收超聲波信號的時間，影響了波形的特征，則超聲波傳感器可能接收到的是非直達波。

由于傳播路徑的變化，非直達波信號不能真實反映超聲波信號的到達時間，可能會造成較大的定位誤差甚至會導致虛假定位。因此，直達波與非直達波的準確識別是保障局部放電高精度定位的前提條件。因此，依據IEEE Std C57.127-2007，局部放電直達波與非直達波具有明顯的波形特征差異[9]，如圖5所示。

圖5 直達波與非直達波的時域信號圖

2.2 直達波和非直達波的識別

示波器采集到超聲波信號波形后，提取波形的特征參數：峰度KM、方根幅值A、余隙因子e，公式分別表示如下：

采用支持向量機的方法對直達波與非直達波進行識別，支持向量機算法（Support Vector Machine，SVM）被廣泛用于處理故障診斷、模式識別狀態評估等問題，對樣本數據少的識別目標具有很高的準確度，支持向量機識別直達波和非直達波的流程如下：

（1）提取波形的特征參數峰度KM、方根幅值A、余隙因子e，將以上三個特征參數的向量作為SVM算法的輸入。

（2）提取多組直達波和非直達波信號的特征值參與模型的訓練，以此方法來驗證SVM算法識別直達波和非直達波的準確率。標簽“1”表示直達波，標簽“0”表示非直達波。

（3）提取要進行識別的信號特征參量輸入算法，得到識別結果。

該文設置訓練樣本68組（包括直達波樣本與非直達波樣本各一半）、要進行識別的測試樣本16組。每次運行之前采用randperm函數打亂實驗數據的順序，為了提高識別結果的可信度，該文重復識別30次，最終取其平均識別率，識別結果如表1所示。直達波與非直達波平均識別率分別為95.61%與94.23%，說明支持向量機算法能夠有效地辨識直達波與非直達波。

表1 測試樣本識別結果

3 結論

該文通過搭建基于超聲波的車載變壓器局部放電測試平臺，采用小波閾值去噪法對超聲波信號進行去噪，對去噪后的超聲波信號提取波形的特征參數，采用支持向量機的方法對直達波與非直達波進行識別，結果表明該文所提方法可以準確地識別直達波和非直達波。