基于脈沖電流法的高壓開關柜局部放電在線監測系統設計

李釗樞, 林憲峰, 佘佳璽, 許超

(1. 國網黑龍江省電力有限公司, 黑河供電公司, 黑龍江, 黑河 164399;2. 國網黑龍江省電力有限公司, 電力科學研究院, 黑龍江, 哈爾濱 150030)

0 引言

智能電網屬于一種新型電網結構,其主要將傳感檢測技術、通信技術、控制技術等高新技術應用在物理電網中。智能電網的核心結構之一為開關柜,開關柜工作的可靠性對電網運行模式是否存在異常有直接影響。高壓開關柜長時間地運行在高壓模式中,絕緣材料在電場的影響下逐漸出現老化,能量耗損嚴重[1-2]。若電場為強電場模式,絕緣材料也會被擊穿,開關柜基本放電對設備的絕緣效果存在負面影響,開關柜也將停止工作[3]。

開關柜屬于開關器械,因為其在制作、裝配的過程中都不能保證萬無一失,所以故障率較高。目前,我國對高壓開關柜絕緣性能的監測大多是人工檢查與保護的模式,雖然事故發生概率不大,但是人工檢查需要斷電檢查,設備斷電會對電力設備的檢修存在一定影響[4-5]。絕緣事故出現時,將伴隨著放電狀態,所以,通過放電狀態的監測便可判斷高壓開關柜的絕緣性能是否存在異常,以此判斷高壓開關柜工作狀態。文獻[6]系統可使用脈沖電流法快速檢測局部放電信息,但此系統抗噪性較差;文獻[7]系統可使用聲電聯合的模式準確監測局部放電狀態,但操作難度大。

本文設計基于脈沖電流法的高壓開關柜局部放電在線監測系統,可實現高壓開關柜局部放電狀態的有效監測,且對含噪放電信號具有濾噪功能。

1 高壓開關柜局部放電在線監測系統

1.1 系統結構

圖1是系統結構圖。

圖1 系統結構

圖1中,系統主要分為上位機監控模塊、通信模塊、DSP模塊、超高頻傳感器模塊、脈沖電流信息檢測模塊和電源模塊。超高頻傳感器模塊采集高壓開關柜運行的超高頻信號,發現高壓開關柜存在局部放電狀態后,驅動脈沖電流信息檢測模塊采集開關柜放電信號,并通過基于2代小波去噪的高壓開關柜局部放電信號去噪方法,將局部放電信號進行去噪后導入DSP模塊,DSP模塊使用基于最優二元樹復小波分解的放電信號特征提取方法,提取最優二元樹復小波分解的放電信號特征,再啟動基于神經網絡與證據理論的局部放電特征融合識別模型,識別局部放電模式是否屬于故障放電,如果存在故障,則將故障信息傳輸至上位機監控模塊進行故障報警。

(1) 超高頻傳感器模塊

圖2是超高頻傳感器模塊的結構示意圖。

圖2 超高頻傳感器模塊結構

高壓開關柜如果存在局部放電模式,便會出現較大的電磁波,超高頻傳感器模塊使用超高頻傳感器采集高壓開關柜運行過程中的電磁波信號,并導入放大電路與前端濾波放大電路,電磁波信號得以放大與去噪,再導入頻譜搬移電路中,完成高頻信號降頻,降頻后信號在偏置電路中可把信號變換成滿足DSP最小系統可處理的電壓信號[8-10]。

(2) 脈沖電流信息檢測模塊

圖3是脈沖電流信息檢測模塊的結構示意圖。

圖3 脈沖電流信息檢測模塊結構

圖3中,脈沖電流信息檢測模塊主要分為電流互感器、監測阻抗和采集CPU。高壓開關柜內部出現局部放電問題后,放電信號會在中性點接地線等位置輸出脈沖電流信號,采集CPU會采集此電流信號以備后續操作。此監測模塊可實現脈沖電流信號的在線監測與離線監測。

脈沖電流信號檢測的基本原理圖見圖4。當高壓開關柜Da出現局部放電時,Da將存在電壓跳變值U,Dk處的耦合電容把此U耦合至檢測阻抗Wd中,Wd將發射脈沖電流I至檢測裝置。

圖4 脈沖電流信號檢測的基本原理

1.2 基于2代小波去噪的高壓開關柜局部放電信號去噪方法

高壓開關柜局部放電信號在第2代小波分解去噪時,步驟依次是分解、預測、更新。

(1) 分解

高壓開關柜局部放電信號分解方法:

(1)

其中,高壓開關柜局部放電信號采樣序列是Yk,原采樣序列分解后獲取的偶樣本序列與奇樣本序列依次是Yk+2,d、Yk+1,z,k是高壓開關柜局部放電信號分解層數,d、z分別代表偶樣本序列與奇樣本序列的分解因子,m代表樣本序列數目。

(2) 預測

(2)

其中,局部放電信號值預測器以及預測器的長度依次是Q(j)、M,ek+1是Yk+2,d預測Yk+1,z的預測偏差值。

(3) 更新

(3)

其中,局部放電信號更新器以及更新器的長度依次是V(j)、N,rk+1是Yk+2,d預測Yk+1,z獲取的逼近信號。

將經過分解后高壓開關柜局部放電信號的細節信號使用閾值實施處理,軟閾值thsk:

thsk=dαk

(4)

其中,第k層細節信號標準差是αk;d是常數,d∈[2,4]。

為了防止軟閾值函數處理后的局部放電信號存在失真問題,本文設計新的閾值函數:

(5)

把通過閾值處理后局部放電細節信號、逼近信號實施重構。

更新重構與預測重構:

Yk+2,d=rk+2-V(ek+2)

(6)

Yk+1,z=ek+1+Q(Yk+2,d)

(7)

合并成:

Yk=Yk+2,d+Yk+1,z

(8)

綜上所述,Yk就是去噪后的局部放電信號。

1.3 基于最優二元樹復小波分解的放電信號特征提取方法

1.3.1 最優二元樹復小波分解層數設計

使用最優二元樹復小波分解方法分解高壓開關柜局部放電信號Yk,分解層數增多時,高頻信息也隨之增多,此時,信號的高頻系數與低頻系數之間的長度變短,不能充分描述信號潛在的時頻特征[11]。為了充分挖掘局部放電信號Yk的時頻特征,將Yk實施小波分解,分解時需要合理設計分解層數。

奇異值能夠描述Yk的奇異信息量,奇異信息的復雜水平可通過奇異熵體現[12]。針對Yk經小波分解后的奇異熵,如果分解層數變多,但奇異熵沒有變化,表示分解層數變多,但奇異熵信息增量與復雜度增量沒有變多,此時的小波分解層數即為最優值。求解最優分解層數的方法:

(1) 建立模值序列復合矩陣,將信號Yk實施分解,獲取每層復小波系數數值序列,壓縮整理后獲取復合矩陣P。

(2) 將復合矩陣P實施奇異值分解,分解尺度是j時,矩陣P的奇異熵Fj:

(9)

其中,ΔFj是矩陣P的奇異增熵,s是分解層級。

(3) 設置奇異熵相對增量是Serror:

Serror=(Fj-Fj-1)/Fj-1

(10)

其中,Fj-1是分解尺度是j-1時矩陣P的奇異熵。根據增量Serror判斷分解層數是否為最優值,如果Serror的值大于提前設置的閾值,則目前層數需要增加,反之即為最優值。

1.3.2 基于最優分解層數下局部放電信息特征提取

(1) 將Yk實施s層分解,獲取Yk高頻、低頻系數實部與虛部;

(3) 建立Yk的每個高頻系數模值序列的Hankel矩陣T1,T2,…,TI:

(11)

(4) 將Hankel矩陣實施奇異值分解,獲取Yk的I個奇異值矩陣,選擇各個奇異值矩陣的最大奇異值,設成局部放電信號Yk每個分解尺度中高頻奇異信息含量特征,并建立對應的特征向量GI。

1.4 基于神經網絡與證據理論的局部放電特征融合識別模型

圖5是模型的結構圖。

圖5 模型結構

針對1.3小節提取的局部放電信號特征GI,使用子神經網絡將特征參數子空間映射學習至故障空間,以此能夠把高維空間的映射關系分解成低維映射關系,降低局部放電信號特征識別的難度。此外,神經網絡中每個子網絡可建立初步識別單元,每個識別單元的識別結果都能夠看作綜合判斷的證據體,把每個子網絡的輸出變換成證據體的概率質量函數,通過證據理論融合各個證據體的概率質量函數,獲取每個識別單元共同識別后的監測結果。

在1.3小節提取的局部放電信號特征GI空間中設計診斷子網絡Wj并實施訓練,讓Wj具備學習能力,之后使用已知屬性樣本集,檢測每個Wj的訓練效率、識別精度。

基于證據理論的局部放電特征融合識別步驟如下。

(1) 構建局部放電特征融合識別結構Ω,按照高壓開關柜典型的局部放電類型,構建的局部放電特征融合識別結構是Ω={Ω1,Ω2,…,Ωn},Ωn是局部放電類型。

(2) 設計局部放電類型識別證據,把各個子神經網絡的輸出設成DS理論的輸入證據體;

(3) 設計Ω中每個局部放電類型命題的概率質量函數。在神經網絡識別過程中,每個神經網絡的輸出都可以描述局部放電信號特征參數空間與故障模式命題的關聯性,能夠直接把每個子神經網絡的輸出變換成DS理論里每個命題的概率質量函數[13-15]。假定第j個子神經網絡分類局部放電特征后,第i個節點的輸出是DjBj,那么證據Fj劃分至命題Bj的概率質量函數:

(12)

其中,n是高壓開關柜局部放電信號特征分類次數。

(4) 合成證據。使用DS證據融合模式,運算每個證據體共同判斷局部放電特征分類推理決策的可信度函數。

(5) 輸出局部放電特征分類的監測結果。通過下式給出監測結果Bc:

Bc=max {Cel(Bi)}

(13)

其中,max{Cel(Bi)}是最大可信度。

2 實驗分析

實驗在MATLAB仿真軟件中測試本文系統的應用效果。本文系統中的脈沖電流信息檢測模塊電流互感器頻率特征示意圖如圖6所示。

圖6 電流互感器頻率特征

如圖6所示,此互感器頻率區間的頻率特征波動較為平穩,未曾出現較為激烈的振蕩變化,表示脈沖電流信息檢測模塊電流互感器在采集高壓開關柜局部放電信號時,應用性能較為穩定,有效可行。這是因為高壓開關柜內部出現局部放電故障后,采集CPU會先采集此電流信號儲備在檢測模塊中,保證了電流互感器后續采集信號時的穩定性。

以高壓開關柜針板放電、內部放電2種典型的放電模式(見圖7)為例,測試本文系統的監測效果。

(a) 針板放電

(b) 內部放電圖7 放電模式

本文系統監測結果效果圖如圖8所示。

(a) 針板放電

(b) 內部放電圖8 本文系統監測結果效果圖

分析圖8可知,本文系統監測結果效果圖中,A、B、C三相的監測信息清晰明了,且可直接顯示監測的局部放電監測結果為正常。這是因為本文方法基于最優二元樹復小波分解方法能夠充分描述信號潛在的時頻特征;通過基于神經網絡與證據理論的局部放電特征融合識別模型將特征映射學習至故障空間,能夠把高維空間的映射關系分解成低維映射關系,降低了放電信號特征識別的難度,由此保證了監測信息的完整和清晰。

以內部放電模式為例,測試本文系統在監測內部放電時對放電信號的去噪效果。原始放電信號如圖9所示。引入30%噪聲的放電信號如圖10所示。去噪后的放電信號如圖11所示。

圖9 原始放電信號

圖11 本文系統去噪后放電信號

如圖9～圖11所示,本文系統可有效濾除噪聲影響,雖然沒有濾波全部噪聲信息,但是可恢復放電信號大范圍的原始信息,可滿足應用需求。這是因為本文使用超高頻傳感器模塊采集信號時通過全前端濾波放大電路,電磁波信號去噪;通過基于2代小波去噪的高壓開關柜局部放電信號去噪方法,將局部放電信號進行去噪,有效濾除了噪聲影響。

3 總結

本文主要針對高壓開關柜局部放電問題進行深入研究,并設計了在線監測系統,系統中使用的脈沖電流法在實驗中被證實可穩定、有效采集高壓開關柜局部放電信號,且本文系統對高壓開關柜多種放電狀態監測后監測結果清晰明了,在高壓開關柜局部放電狀態時,可有效濾除噪聲影響,恢復放電信號大范圍的原始信息。

綜上所述,本文系統可作為高壓開關柜局部放電在線檢測的應用工具,后續的研究工作會將本文系統應用于實際的監測任務中進行性能測試。