一种高频脉冲电流波形极性的自动识别方法

1.本发明属于电力设备绝缘故障检测技术领域，特别涉及一种高频脉冲电流波形极性的自动识别方法


背景技术：

2.局部放电是电力设备内部绝缘缺陷的重要征兆，也是设备绝缘故障诊断、故障定位的重要依据；高频局放检测的频带宽、信息量丰富，易于通过设备接地线安装实施。高频脉冲电流信号的极性信息，是进行干扰脉冲识别、放电位置以及放电型式进行判断的重要依据。
3.现场设备带电运行的环境条件下，实测脉冲电流波形的极性由于受到背景噪声和干扰信号的影响，其放电波形的首波会被“污染”，使得首波难以辨别；此外，由于高频信号经过绕组、长导线等的传播以后，其高频成分会衰减和畸变，也造成首波辨识困难。目前，在现场局部放电带电检测中，主要是测试人员基于经验人工确认波形极性，并据此进行时延估计，从而进行放电类型、放电位置的分析判断。由于现场人员对缺陷设备测试过程中难以避免的存在人身安全风险，因此通过在线监测或重症监护系统来进行机器识别十分必要。已有对于脉冲波形极性判别的方法，主要有以下几种：
4.(1)首先是通过各种滤波手段滤除干扰信号，降低背景噪声水平和提高检测的信噪比，提高首波信号的可辨识度；所述阈值法是根据背景噪声水平设定一阈值，根据脉冲波形首波超过阈值时刻的电平值即可判定脉冲的极性，如图1所示。图1中部两条平行的水平线为阈值，首波通过阈值时为正极性。这种方法简单直观，但当背景噪声水平较高或存在干扰信号时，由于检测信号的信噪比下降，首波极性的判断就会十分困难。
5.(2)直接通过波形分析，以首次过阈值的极性作为首波极性予以判定，这种判别方法很基础，但受到阈值设定、背景噪声及干扰信号影响(如图2所示)或采用相关分析法，选取具有代表性的波形x作为参考，该波形的极性已知，将待确定极性的波形u2(j)与模板文件y采用公式(1)计算相似度系数，
[0006][0007]
相似度系数ρ≥k，k为判定阈值，ρ取值在0～1之间，越接近于1说明两个波形相似度越高，待测波形的极性与参考波形一致度越高。该方法也是波形极性判断、时延估计的基本算法。但是这种方法受背景噪声水平影响也很大，同时由于信号传播过程的衰减、畸变，特别是折反射信号的叠加效应，会严重降低相关方法的有效性。
[0008]
(3)通过能量累积法和互相关法对脉冲信号首波读取方法，这种方法较之直接通过阈值法判定会提升辨识的一致性和稳定性，但其效果仍在很大程度上受到背景噪声和干扰信号的制约(如图2所示)，并随着干扰信号水平增大而发生显著退化；所述能量累积法本质上是一种二阶统计量法，对信号取平方后，观察信号首波起始位置的方法。鉴于信号能量与电压平方成正比，可将脉冲信号的电压波形转化为能量相关值累积曲线，局部放电信号
远大于背景噪声时，在该曲线上会产生明显拐点，该拐点即可视为局部放电发生的起始时刻。un为信号波形上第n个点的电压值，h(h《n)为信号累积计算的点数，则累积能量为
[0009][0010]
式中：ti是信号采集起始时刻；
[0011]
u(t’)是t’时刻的uhf信号幅值；
[0012]
r是采集系统的输入阻抗。
[0013]
由此形成一条能量累计曲线，其拐点被认为是信号的起始时刻。寻找原信号的起始时刻被转化为求取能量累计曲线的拐点，如图3所示。从图3可以看出，能量累积曲线的转折过渡区域十分平缓，其首波到来位置并不便于分辨，平方变换则使得波形的极性信息消失。很显然，背景噪声和干扰信号会使得该方法的转折信息严重退化。
[0014]
(4)分数低阶统计量理论(flos)由二阶统计量理论发展而来，将flos引入高分辨多径时延估计算法，可以提高算法抵御脉冲噪声的能力，解决在分布噪声环境下经典算法性能退化的问题，但对于噪声信号特征的先验知识具有较高依赖性。
[0015]
综上所述，现有首波及波形极性辨识的方法，在高信噪比情况下具有较好的效果。但随着背景噪声水平和干扰信号强度的增大，随着信噪比的降低，首波及波形极性的辨识准确度会严重下降，无法满足工程上对放电型式、位置和状态进行诊断和评估的要求。缺乏对波形特征的发掘和利用，是导致这些方法在信噪比较低时效果不佳的重要原因。为此，在对大量实测数据的观察分析基础上，提出了一种基于神经网络的脉冲信号首波极性自动辨识方法，测试表明该方法对于高频局部放电信号首波极性的判断准确性高、适应性强，适用于在线监测和重症监护过程无人工干预的故障分析诊断。


技术实现要素：

[0016]
本发明的目的是提出一种高频脉冲电流波形极性的自动识别方法，其特征在于该方法是深度利用脉冲信号波形特征的首波及其极性辨识方法；首先在实验室条件下，通过注入陡脉冲方式获得不同典型放电位置、型式的首波传播特性，通过各出线耦合端实测其响应信号波形，建立各注入方式和位置的典型响应波形样本库；进而以波形序列作为输入向量，通过人工神经网络对输入的波形序列对首波波形、极性进行训练的方法，利用人工神经网络对波形细节进行识别，由于神经网络的非线性特性，脉冲波形中与首波无关的后续反射叠加信号、衰减震荡信号均会自动的降低权重，从而提高首波及其极性辨识的准确性；具体包括步骤：
[0017]
(1)搭建变压器实体模型平台，通过陡脉冲发生器向实体变压器模型注入信号的方式模拟设备内部放电，注入的方式包括模拟绕组对地放电、绕组匝间或饼间放电、绕组外部放电和绕组相间放电；
[0018]
(2)在变压器套管末屏、中性点、铁心、夹件接地线，油箱接地线等部位安装高频ct传感器，通过采集装置同步采样高频脉冲响应波形；此时由于在注入信号情况下设备并未带电，因此基本没有外部干扰信号进入测试回路，背景噪声水平很低；
[0019]
(3)通过不通位置、不通方式的注入，建立波形样本库，对其首波极性进行标注；
[0020]
(4)对样本库中的波形截取子序列，以该序列的均方根值的k倍作为阈值，从序列
中第一个过阈值点向前取1us、向后取2us的脉冲子序列作为人工神经网络输入，以首波极性作为输出对神经网络的网络参数矩阵进行训练，直到达到设定的识别精度后停止，初始阶段设置为100％，如果达到设定迭代次数限值后仍未收敛，可精度限定值可减少0.1％并进行重新迭代训练；其中，k取1.3～1.5；
[0021]
(5)通过对样本库中的波形序列人为加入噪声信号，通过调整噪声信号的幅值水平来控制信噪比，在指定的信噪比snr
th
以上，进一步对神经网络进行强化训练以提高适应性，达到设定的识别精度，即可输出网络参数；snr
th
为设定的信噪比阈值，该信噪比阈值不小于10db。
[0022]
(6)应用训练后的网络参数，对采集的脉冲波形进行截取，将截取后的子序列作为神经网络的输入向量，即可实现高频局放脉冲首波极性的自动识别。
[0023]
本发明的有益效果是该方法利用人工神经网络对波形细节进行识别，可将前期积累的经验有效积累，并可通过对抗学习不断扩充样本，实现完全自动的首波极性辨识，在应用中高效、简洁，适用于在线监测中实时算法的应用。
附图说明
[0024]
图1为阈值法判定波形极性；
[0025]
图2为背景噪声和干扰信号对判定波形极性的邮箱示意图。
[0026]
图3为脉冲波形的能量累积曲线；
[0027]
图4为在模拟外部干扰与不同放电形式的注入信号，其中a)外部干扰信号；b)绕组对地；c)绕组匝/饼间；
[0028]
图5为信号耦合点位置示意图；
[0029]
图6为典型波形样本库a)绕组首端注入时的多端检测波形,b)绕组中部饼匝间注入的多端检测波形；
[0030]
图7为高频脉冲电流波形极性自动识别流程图。
具体实施方式
[0031]
本发明提出一种高频脉冲电流波形极性的自动识别方法；该方法是深度利用脉冲信号波形特征的首波及其极性辨识方法，首先在实验室条件下，通过注入陡脉冲方式获得不同典型放电位置、型式的首波传播特性，通过各出线耦合端实测其响应信号波形，建立各注入方式和位置的典型响应波形样本库，进而以波形序列作为输入向量，通过人工神经网络对输入的波形序列对首波波形、极性进行训练的方法，下面结合附图对本发明予以进一步说明。
[0032]
所述深度利用脉冲信号波形特征的首波及其极性辨识的具体流程步骤如图7高频脉冲电流波形极性自动识别流程图所示：
[0033]
(1)搭建变压器实体模型平台，通过陡脉冲发生器向实体变压器模型注入信号的方式模拟设备内部放电，注入的方式包括模拟绕组对地放电、绕组匝间或饼间放电、绕组外部放电、绕组相间放电等，分别如图4所示为在模拟外部干扰与不同放电形式的注入信号，其中a)外部干扰信号；b)绕组对地；c)绕组匝/饼间；
[0034]
(2)在变压器套管末屏、中性点、铁心、夹件接地线，油箱接地线等部位安装高频ct
传感器，通过采集装置同步采样高频脉冲响应波形，如图5中信号耦合点位置示意图所示。由于注入信号情况下设备并未带电，因此基本没有外部干扰信号进入测试回路，背景噪声水平很低。
[0035]
(3)通过不通位置、不通方式的注入，建立波形样本库，对其首波极性进行标注。如图6典型波形样本库所示。其中，a)绕组首端注入时的多端检测波形,b)绕组中部饼匝间注入的多端检测波形；
[0036]
(4)对于样本库中的波形截取子序列，其方法为基于该序列的均方根值的k倍(k取1.3～1.5)作为阈值，从序列中第一个过阈值点向前取1us、向后取2us的脉冲子序列作为人工神经网络输入，以首波极性作为输出对神经网络的网络参数矩阵进行训练，直到达到设定的识别精度后停止，初始阶段设置为100％，如果达到设定迭代次数限值后仍未收敛，可精度限定值可减少0.1％并进行重新迭代训练；
[0037]
(5)通过对样本库中的波形序列人为加入噪声信号，通过调整噪声信号的幅值水平来控制信噪比，在指定的信噪比snr
th
以上，进一步对神经网络进行强化训练以提高适应性，达到设定的识别精度，即可输出网络参数；
[0038]
(6)应用训练后的网络参数，对采集的脉冲波形进行截取，将截取后的子序列作为神经网络的输入向量，即可实现高频局放脉冲首波极性的自动识别。
[0039]
综上所述，本发明将高频脉冲电流传播特性等先验知识有机的融合进了变压器高频局放检测之中，利用人工神经网络对波形细节进行识别，由于神经网络的非线性特性，脉冲波形中与首波无关的后续反射叠加信号、衰减震荡信号均会自动的降低权重，从而实现了变压器高频电流波形极性识别的自动化、高效和准确识别，为局放的放电类型、位置等关键状态的诊断提供了关键诊断信息，提高首波及其极性辨识的准确性。提高了诊断的鲁棒性和自动化水平。