基于小波分析的变压器局部放电在线检测方法.pdf

2023.7 下 EPEM 173电力安全Power Security基于小波分析的变压器局部放电在线检测方法南方电网数字电网集团有限公司 王建邦 陈 波摘要：为降低放电在线检测结果中噪声的干扰，引进小波分析技术，设计变压器局部放电在线检测方法。选用Haar小波，建立Haar小波连续函数，实现基于小波分析的放电信号滤波处理；引进梯度处理法与边缘处理法，根据采样数据的边缘密度，提取变压器局部放电信号特征；设计携带噪声信号的VMD分解处理，去除在线检测与采样结果中已经完成分离处理、不携带价值信息的窄带模态信号，重构其他信号，实现对变压器局部放电在线检测结果的去噪。设计对比试验，试验结果证明：设计的基于小波分析的检测方法，可以在排除外界噪声干扰的条件下，精准检测到变压器局部放电信号。关键词：小波分析；特征提取；检测方法；局部放电变压器是电力系统中重要的电气设备，由于其设计结构较为特殊、制造工艺较为复杂，导致设备在运行中经常会出现局部放电安全事故。因此，变压器局部放电监测技术是保证电网安全可靠供电的重要手段1。总之，及时发现变压器在运行过程中的潜在故障，及时采取措施保证设备的安全稳定运行。是电网发展不可或缺的一部分。在深入电力行业发展的研究中发现，变压器在设计时，一般会通过特殊结构与工艺设计，防止部件出现局部放电。变压器内部一般分为套管绝缘结构和绝缘外壳两大部分，由于变压器内部没有套管和外壳，变压器长期处于裸露状态，而绝缘油中通常含有杂质，当油垢堆积时，影响变压器外部介质，并与外部介质发生接触，影响绝缘油寿命及电气性能2。变压器内部局部放电故障是指变压器绕组与铁芯之间、绕组与匝间、变压器绕组与导线之间、变压器与电抗器之间发生故障及短路损伤现象时，产生的局部电流。根据电力企业社会发展中的不完全统计可知，截至目前，局部放电是造成变压器在运行中出现绝缘击穿事故的最主要原因之一，也是变压器装置绝缘劣化前最主要的特征之一。为解决由于局部放电造成的变压器运行故障，本文将在此次研究中，引进小波分析技术，设计针对变压器局部放电的全新在线检测方法，旨在通过此次设计，提高电网安全、稳定运行能力。1 基于小波分析的放电信号滤波处理为实现对变压器局部放电的在线检测，在开展相关研究前，引进小波分析技术，设计变压器在运行中放电信号的滤波处理3。此次研究选用 Haar 小波，利用此小波展开对变压器的分析，更容易实现对原始信号的分解。尽管 Haar 小波的频域分辨率较差，但在局部时域范围内，其局部化效果最优，因此可降低或在一定程度上避免由于时间序列混乱造成的局部放电检测结果偏差。其中，Haar 小波的连续函数表达式如下：（1）公式（1）中：J（x）表示 Haar 小波 x 的连续函数表达式。其中 Haar 小波 x 对应的尺度函数取值可表示为下述计算公式：174 EPEM 2023.7 下电力安全Power Security（2）公式（2）中：h（x）表示 Haar 小波 x 对应的尺度函数。在上述设计内容的基础上，对 h（x）进行空间维度的转换，此过程如下计算公式所示：（3）公式（3）中：h（k）表示 h（k）的空间维度转换；e 表示空间数据连续性4。完成上述设计后，利用小波对应的单位脉冲响应函数，对采样的变压器局部放电信号进行卷积处理，通过此种方式，掌握放电信号滤波处理系数5。此过程如下计算公式所示：D=ci-1-ci（4）公式（4）中：D 表示变压器局部放电信号滤波处理系数；c 表示单位脉冲响应函数；i 表示卷积处理次数。根据计算得到的滤波处理系数，对采样信号进行滤波调试处理。按照上述方式，完成基于小波分析的放电信号滤波处理。2 变压器局部放电信号特征提取完成上述设计后，考虑到变压器的局部放电信号与常规采样信号存在差异，因此要实现对变压器局部放电信号的在线检测，应根据采样信号规模，提取局部放电信号特征。在此过程中，引进梯度处理法与边缘处理法，根据采样数据的边缘密度，进行信息梯度值的统计。处理前，先对采样信号的时域频谱图进行归一化与灰度值的处理，处理过程如下计算公式所示：（5）公式（5）中：G（X,Y）表示采样信号的时域频谱图；I（X,Y）表示局部图像（X,Y）的灰度像素值；H（X,Y）表示归一化处理后的时域频谱图；g 表示灰度值，通常取值为常数。在上述设计内容的基础上，采用简单的一阶模板梯度算子，对采样信号的原始时域频谱图进行卷积运算（卷积运算中的梯度算子取值为-1、0、+1），此过程如下计算公式所示：（6）公式（6）中：（X,Y）表示采样信号原始时域频谱图的卷积运算；H 表示信号梯度方向。在此基础上，利用现有信息构建对应的采样数据直方图，将局部时域灰度信息进行归一化处理，将处理后的图像划分为若干个组分相同的图像块，每个图像块的大小均为 nn。同时，按照下述计算公式，对不同梯度的信息进行标准化处理，得到变压器局部放电信号的向量，计算公式如下：（7）公式（7）中：sn表示变压器局部放电信号的向量；表示正则化处理系数；表示无限趋近于0的正数。将所有的特征都统一为标准值，采用建立直方图向量联结的方式，得到局部灰度图像中的放电信号特征。按照上述方式，完成变压器局部放电信号特征提取。3 变压器局部放电在线检测结果去噪在上述设计内容的基础上，设计变压器局部放电在线检测结果的去噪处理。处理过程中，预先设计一个变压器局部放电在线检测信号的分解模态数，对携带噪声的信号进行 VMD 分解，通过此种方式，实现对白噪声的自适应滤除处理。处理过程中，考虑到变压器局部放电在线检测结果中的信号，大多属于宽频信号，对此类信号进行归类处理，得到的放电信息并不局限在一个模态中。为减少或降低在此过程中对变压器局部放电信号能量的损失，需要去除在线检测与采样结果中已经完成分离处理、不携带价值信息的窄带模态信号，对保留的剩余信号进行重构处理。在此基础上，通过小波去噪处理法，降低检测结果中的噪声能量，通过此种方式，全面提高在线检测结果的精度与可靠性。此过程如下计算公式所示：（8）公式（8）中：表示变压器局部放电在线检测结果去噪处理；M 表示去噪处理系数中值；表示系数长度。考虑到信号去噪处理过程中，信号的传输可能存在一定程度的衰减，为避免由于信号衰减造成的检测结果与实际结果偏差较大的问题，应根据信号的振荡幅值，进行检测结果信号的补偿。按照上述方式，实现对变压器局部放电在线检测结果去噪处理，完成在线检测方法的2023.7 下 EPEM 175电力安全Power Security设计研究。4 对比试验上文从三个方面，引进小波分析法，完成了变压器局部放电检测方法的设计，为实现对该方法实际应用效果的校验，下述将以某地区大型电力企业为例，设计对比实验，对本文设计的方法展开对比测试。试验前，对该企业投入使用的变压器运行参数进行分析，其结果见表1。表1 变压器作业参数序号项目参数（1）功率400kVa（2）保护方式开放式（3）冷却方式干式制冷（4）使用寿命30年（5）工作频率5060Hz（6）工作效率90%（7）认证方式ce 认证（8）输入电压220V/400V/380V（9）相数三相/单相（10）铁芯形状ei完成上述研究后，与该企业相关负责人进行交涉，发现此变压器在运行中经常存在局部放电现象，但由于现阶段该企业尚没有采取有效的措施进行局部放电在线检测，因此由于局部放电导致的电网运行安全事故的发生次数较为频繁。为解决此方面问题，在与负责人综合商议后，决定使用本文设计的方法，展开对此变压器在运行中的局部放电在线检测。图1 本文方法在线检测结果图2 传统方法1在线检测结果图3 传统方法2在线检测结果检测过程中，引进小波分析法，设计针对放电信号的滤波处理，并通过对变压器局部放电信号特征的提取与检测结果的去噪处理，实现对变压器局部放电的在线检测。在此基础上，引进基于 Sdr SampEn 的在线检测方法，与基于 Spc-Shrink 的在线检测方法，将提出的两种方法作为传统方法1与传统方法2。使用本文方法与两种传统方法，采集变压器局部放电在线检测数据，在输出的检测结果时间序列中，插入局部放电异常数据，在已检测数据中150250bit 中存在局部放电异常数据的前提下，使用三种方法，对其展开在线检测。检测结果如图1至图3所示。根据图1所示的试验结果可以看出，本文设计的在线检测方法可以精准检测到150250bit 中存在局部放电异常数据，除此部分并未检测到变压器存在局部异常放电现象，检测结果与真实结果的适配度较高，说明本文设计的检测方法检测精度较高，可以满足实际需求。根据图2所示的试验结果可以看出，传统方法1的检测结果中携带噪声，噪声值已经严重影响了变压器局部放电在线检测结果，即无法通过图2所示的内容，掌握变压器是否存在局部放电现象。根据图3所示的试验结果可以看出，传统方法2未检测到变压器存在局部放电现象，即在线检测的变压器局部放电电流数值一直在0mV 上下内波动。检测结果与真实结果存在出入。综合上述试验结果，得到如下所示的试验结论：相比传统的在线检测方法，本文设计的基于小波分析的检测方法，可以在排除外界噪声干扰的条件下，精准检测到变压器局部放电信号。5 结语局部放电是变压器发生次数最频繁、影响最严重的故障现象之一，一旦出现此种故障，不仅会对变压器本体装置的运行造成影响，严重情况下，还会（下转188页）188 EPEM 2023.7 下电力安全Power Security一点，参数量在4000万左右，仅有 VGG 参数的1/6。而使用了深度可分离卷积的 VMD-LCNNI 和VMD-LCNNII 的参数仅有 LeNet 参数量的1/10，VGG 参数量的1/100。可以看出，轻量化的效果十分有效。表6 模型对比分析模型名称识别准确率/%参数量（106）训练时间/sVGG92.98247.742085.3Lenet92.8641.73413.7Vmd-Lcnn 78.547.73842.8Vmd-Lcnn 90.712.29388.7从训练时间分析，VGG 由于模型的层数深，计算量大，因此训练时间较长，100次批量的训练所要消耗的时间达到了接近半个小时。而相对的，LeNet 的模型比较简单，层数较少，因此训练时间仅有413s。VMD-LCNNI 在参数上拥有比较大的优势，但是在训练时间上依然比较大。但是通过倒残差结构优化后，VMD-LCNNII 虽然拥有与VGG 不相上下的结构层数，但是计算量大大减少，因此最后的训练时间甚至比仅有7层的 LeNet 更少，达到388s。由此可以看出轻量化 CNN 在参数量和训练时间缩减的同时，仍然可保持模型的高准确率。3 结论本 文 基 于 MATLAB/SIMULINK 平 台 搭 建10kV 配电网模型，应用 VMD-LCNN 模型进行故障识别，取得了较好的性能。针对该模型，可以得出以下结论：一是 VMD 分解能够有效提升信号特征，消除端点效应，有利于数据集的训练和测试。二是轻量化 CNN 采用深度可分离卷积代替传统卷积，可以有效减小模型的参数数量，降低内存空间的占用，加快模型训练速度。加入倒残差结构后还可以进一步提升模型的识别性能。进一步地，在该模型基础上，可考虑增加故障定位的识别功能。同时，还可以对 VMD 算法进行改进，提升其对特征的表达能力。参考文献1 袁修广,黄纯计及故障停电经济损失的配电网风险评估 J电力系统及其自动化学报,2016,82齐振兴,张倩,等.基于特征迁移和深度学习的配电网故障定位 J.科学技术与工程,2022,33.3Han SR,Kim YS.A fault identification method using LSTM for a closed-loop distribution system protective relayJ.International Journal of Electrical Power&Energy Systems.2023,148.4K.Dragomiretskiy and D.Zosso,Variational Mode Decomposition J.IEEE Transactions on Signal Processing,2014,3.5 屈景怡,刘畅.基于轻量化网络 MobileNetV2的航班延误预测模型J.信号处理,2022,5.（上接175页）对电网中其他电气设备造成连锁故障反应，从而造成现场人身事故、大型突发性公共安全事故、电力系统瘫痪事故等。为解决此方面问题，提高我国电力行业的可持续发展能力，本文通过放电信号滤波处理、变压器局部放电信号特征提取、变压器局部放电在线检测结果去噪，引进小波分析技术，设计针对变压器局部放电的在线检测方法。完成设计后，通过设计对比试验，证明本文设计的方法可以在排除外界噪声干扰的条件下，精准检测到变压器局部放电信号。为实现将此方法在电力相关领域内推广应用，可在后续的工作中，加大对本文设计方法的测试，旨在通过此种方式，掌握该方法的优势与不足，为后续相关工作的规范化实施提供进一步的指导与技术支持。参考文献1 何宇航,丁理杰,等.基于宽频带声电检测的变压器现场局部放电诊断及定位方法 J.四川电力技术,2022,5.2王伟,梁聪,等.0.1Hz 超低频与振荡波电压下热缩和冷缩电缆附件典型缺陷局部放电对比研究 J.绝缘材料,2022,10.3吴云杰,张宏亮,等.252kV GIS 局部放电特高频信号在直线和 L 型结构中传播特性的试验研究J.高压电器,2022,7.4 董曼玲,寇晓适,等.交直流复合电压下变压器油中金属微粒聚集特性和局部放电特性研究 J.绝缘材料,2022,10.5 马星河,孔卫东,等.一种基于 S_VMD与 Sdr_SampEn的局部放电信号去噪方法 J.电力系统保护与控制,2022,18.