采用高階累積量的環(huán)網(wǎng)柜局部放電在線檢測(cè)

楊凱， 樊真， 張認(rèn)成， 楊建紅， 趙尚程， 陳首虹

(華僑大學(xué) 機(jī)電及自動(dòng)化學(xué)院， 福建 廈門(mén) 361021)

?

采用高階累積量的環(huán)網(wǎng)柜局部放電在線檢測(cè)

楊凱， 樊真， 張認(rèn)成， 楊建紅， 趙尚程， 陳首虹

(華僑大學(xué) 機(jī)電及自動(dòng)化學(xué)院， 福建 廈門(mén) 361021)

摘要：根據(jù)環(huán)網(wǎng)柜的絕緣缺陷，設(shè)計(jì)3種典型的局部放電模型，搭建局部放電試驗(yàn)平臺(tái).借助射頻電流傳感器獲取局部放電混合信號(hào)，經(jīng)過(guò)放大和高速A/D采樣后，將信號(hào)送入微型計(jì)算機(jī)進(jìn)行處理.采用四階累積量作為局部放電特征量，抑制隨機(jī)噪聲干擾，提高信噪比.通過(guò)Otsu算法確定檢測(cè)判據(jù)，實(shí)現(xiàn)局部放電的在線檢測(cè).將檢測(cè)算法移植到現(xiàn)場(chǎng)可編程門(mén)陣列(FPGA)上，研發(fā)環(huán)網(wǎng)柜局部放電在線檢測(cè)裝置.試驗(yàn)結(jié)果表明：該裝置能夠適應(yīng)較強(qiáng)的噪聲環(huán)境，且具有良好的實(shí)時(shí)檢測(cè)效果.

關(guān)鍵詞：局部放電； 高階累積量； 環(huán)網(wǎng)柜； 放電模型； 現(xiàn)場(chǎng)可編程門(mén)陣列； 在線檢測(cè)

環(huán)網(wǎng)柜作為環(huán)網(wǎng)運(yùn)行方式中的重要設(shè)備，其安全可靠性直接影響到供電系統(tǒng)的正常運(yùn)行[1].據(jù)統(tǒng)計(jì)，絕緣性故障位居環(huán)網(wǎng)柜各類故障發(fā)生率之首，而局部放電(PD)是環(huán)網(wǎng)柜絕緣故障的重要征兆和表現(xiàn)形式[2-3].因此，對(duì)環(huán)網(wǎng)柜局部放電實(shí)時(shí)監(jiān)測(cè),可及時(shí)掌握環(huán)網(wǎng)柜的工作狀態(tài)，避免發(fā)生安全事故.現(xiàn)有的環(huán)網(wǎng)柜局部放電檢測(cè)方法包括小波分析、數(shù)學(xué)形態(tài)濾波和獨(dú)立分量分析等.對(duì)于高斯信號(hào)，采用小波將局部放電信號(hào)進(jìn)行不同尺度地分解，對(duì)小波系數(shù)進(jìn)行處理，從而抑制白噪聲[4-5].對(duì)于非高斯信號(hào)，采用基于最小均方算法構(gòu)造自適應(yīng)的形態(tài)開(kāi)、閉組合形態(tài)濾波器，降低局部放電中的周期性干擾的影響[6].還可根據(jù)局部放電與噪聲的相互獨(dú)立性，運(yùn)用獨(dú)立量分析方法，從混合信號(hào)中分離出單一的局部放電，恢復(fù)出局部放電的重要特征信息[7].這些方法基于離線分析,在提取局部放電信號(hào)、降低噪聲干擾上取得了一定成效.然而，開(kāi)發(fā)小型在線檢測(cè)裝置還有待進(jìn)一步研究.本文將高階累積量作為局部放電特征量，設(shè)計(jì)了局部放電在線檢測(cè)算法，并移植到FPGA上，研發(fā)了一種在線檢測(cè)裝置.

1實(shí)驗(yàn)部分

1.1　試驗(yàn)平臺(tái)的建立

根據(jù)環(huán)網(wǎng)柜局部放電檢測(cè)要求，試驗(yàn)平臺(tái)應(yīng)能模擬不同工況下環(huán)網(wǎng)柜的局部放電試驗(yàn).該平臺(tái)主要由待測(cè)品、標(biāo)準(zhǔn)測(cè)量系統(tǒng)、數(shù)據(jù)采集分析系統(tǒng)和FPGA開(kāi)發(fā)系統(tǒng)等部分組成,其原理如圖1所示.

圖1　試驗(yàn)平臺(tái)原理Fig.1　Principle of experiment platform

待測(cè)品包括故障環(huán)網(wǎng)柜和放電模型.通過(guò)研究環(huán)網(wǎng)柜內(nèi)部結(jié)構(gòu)及其工作情形發(fā)現(xiàn)，環(huán)網(wǎng)柜內(nèi)引起局部放電故障的主要缺陷有高壓母線連接處接觸不良、柜內(nèi)表面存在金屬毛刺、柜內(nèi)帶有可移動(dòng)的金屬微粒、絕緣體內(nèi)部制造缺陷等.將這些故障進(jìn)行模擬近似后，設(shè)計(jì)并制作了針板模型、內(nèi)部缺陷模型和懸浮電極模型，可用于模擬電暈放電、內(nèi)部放電和懸浮放電等.試驗(yàn)過(guò)程中，高壓施加在模型兩端，模型結(jié)構(gòu)及詳細(xì)尺寸,如圖2所示.

(a) 針板模型　　　　(b) 內(nèi)部缺陷模型　　　(c) 懸浮電極模型圖2　典型放電模型(單位：mm)Fig.2　Typical discharge model (unit：mm)

1.2　局部放電試驗(yàn)

按照?qǐng)D1所示接線，通過(guò)升壓控制臺(tái)調(diào)節(jié)施加電壓，從零開(kāi)始逐漸升高電壓，直至從局放儀上觀測(cè)到明顯的局部放電量.利用PXI高速數(shù)據(jù)采集系統(tǒng),以20 MHz的采樣頻率采集試驗(yàn)過(guò)程中的局部放電信號(hào)，并記錄局放儀上顯示的放電量，如表1所示.

表1　三種模型和環(huán)網(wǎng)柜的局部放電

不同放電模型產(chǎn)生明顯局部放電的電壓也有所不同.其中，針板模型在電壓達(dá)到5 kV時(shí)開(kāi)始產(chǎn)生局部放電，隨電壓的升高，局放量急劇增加；內(nèi)部缺陷模型在電壓達(dá)到4 kV時(shí)開(kāi)始產(chǎn)生局部放電，而從4 kV升高至9 kV時(shí)局放量增幅緩慢；懸浮電極模型在2 kV左右就產(chǎn)生了一定的局放量，至3 kV時(shí)急劇增加，然而隨著電壓的升高，放電量的增幅卻變得比較緩慢；故障環(huán)網(wǎng)柜在1 kV時(shí)就有少量的局放，當(dāng)達(dá)到6 kV后迅猛增大.由于引起局部放電的缺陷情況不一樣，不同電壓下聚集在放電電極兩端的電荷量也會(huì)不一致，再加上場(chǎng)強(qiáng)分布不均勻，因此，各情況下的局放量也有較大差別.

在局部放電試驗(yàn)過(guò)程中，采集的典型局部放電波形，如圖3所示.混合信號(hào)中包含有較強(qiáng)的隨機(jī)噪聲，看不到明顯的局部放電特征，難以直接檢測(cè)出局部放電故障.這些噪聲包括線路噪聲、熱噪聲和環(huán)網(wǎng)柜內(nèi)部隨機(jī)干擾等，它們接近于高斯分布.為了有效地抑制噪聲干擾并實(shí)現(xiàn)實(shí)時(shí)檢測(cè)，可引入統(tǒng)計(jì)量分析方法，從理論上講，對(duì)于有色噪聲，二階統(tǒng)計(jì)量是敏感的，它難以分離原始信號(hào)和背景噪聲.因此,文中采用高階累積量的方法檢測(cè)局部放電.

(a) 針板模型在7 kV時(shí) (b) 內(nèi)部缺陷模型在10 kV時(shí)

(c) 懸浮電極模型在3 kV時(shí) (d) 故障環(huán)網(wǎng)柜在5 kV時(shí)圖3　局部放電波形Fig.3　Waveform of partial discharge

2高階累積量的降噪原理

對(duì)于高斯信號(hào)，其統(tǒng)計(jì)特性可用其均值(一階矩)和方差(二階矩)完整描述；但對(duì)于非高斯信號(hào)，需要用更高階的統(tǒng)計(jì)量才能完整描述其統(tǒng)計(jì)特性，而且高階累積量對(duì)未知譜特性的高斯噪聲具有良好的抑制效果.對(duì)隨機(jī)向量s=[s1,s2,…,sl]T,l=1,2,…，其聯(lián)合特征函數(shù)定義為

式(1)中:ωl為角頻率.s的r階矩和累積量分別定義為

式(2)～(3)中：r=r1+r2+…+rl.

假設(shè)隨機(jī)噪聲z服從高斯分布N(0，σ2)，其中，σ2為z的方差.由式(2)，(3)計(jì)算可得,各階矩m1，m2，…，m8分別為0，σ2，0，3σ4，0，16σ6，0，105σ8.各階累積量c1，c2，…，c8分別為0，σ2，0，0，0，0，0，0.從以上計(jì)算可發(fā)現(xiàn)，高于二階的z的矩不一定為0，而高于二階的z的累積量恒等于0.因此,高階累積量能夠較好地消除高斯噪聲的影響.

局部放電信號(hào)通常用4種數(shù)學(xué)模型描述，分別為單指數(shù)衰減函數(shù)(SEAW)、雙指數(shù)衰減函數(shù)(DEAW)、單指數(shù)衰減振蕩函數(shù)(SEAOW)和雙指數(shù)衰減振蕩函數(shù)(DEAOW)[8]，其數(shù)學(xué)表達(dá)式為

式(4)中:τ為衰減系數(shù);A為局部放電脈沖幅值;f0為振蕩頻率.

選擇式(4)所列4種數(shù)學(xué)模型構(gòu)成局部放電的模擬信號(hào)，其中包含4個(gè)不同的局部放電波形，通過(guò)加入隨機(jī)噪聲得到混合信號(hào)，分析混合信號(hào)的四階累積量，如圖4所示.圖4中：C表示累積量.由圖4可知：四階累積量能夠有效地抑制了隨機(jī)噪聲，恢復(fù)了混合信號(hào)中原始局放信號(hào)的特征.

(a) 原始信號(hào) (b) 混合信號(hào) (c) 混合信號(hào)的四階累積量圖4　模擬的局部放電信號(hào)分析Fig.4　Analysis of simulative partial discharge signal

3局部放電的在線檢測(cè)方法

3.1　特征信號(hào)的提取

雖然高階累積量可以消除高斯噪聲，但當(dāng)階數(shù)太高時(shí),運(yùn)算量大，在實(shí)際應(yīng)用中須盡可能降低階數(shù).對(duì)于傳感器實(shí)測(cè)的環(huán)網(wǎng)柜局部放電混合信號(hào)，先進(jìn)行零均值化處理，分析混合信號(hào)的各階統(tǒng)計(jì)量.對(duì)于零均值信號(hào),有c3=m3.在環(huán)網(wǎng)柜有局放和無(wú)局放情況下,實(shí)測(cè)信號(hào)的三階和四階矩及累積量的計(jì)算結(jié)果,如圖5所示.圖5中：C表示累積量.由圖5可知:在計(jì)算無(wú)局放和有局放的統(tǒng)計(jì)量時(shí)，除四階累積量外，均產(chǎn)生一定程度的混疊，難以有效地提取混合信號(hào)中局部放電的特征信息.因此，可將四階累積量作為局放特征量.

采用移動(dòng)時(shí)間窗計(jì)算信號(hào)的四階累積量，移動(dòng)原理如表2所示.每移動(dòng)一個(gè)采樣點(diǎn)，就計(jì)算一次窗內(nèi)數(shù)據(jù)的累積量.由于窗長(zhǎng)度L的選擇會(huì)影響計(jì)算結(jié)果，因此,選用計(jì)算后信號(hào)的信噪比(signal to noise ratio,SNR)和脈沖數(shù)(pulse number，PN)作為評(píng)價(jià)指標(biāo)來(lái)選擇合理的L，使SNR和PN達(dá)到最大.經(jīng)過(guò)對(duì)比計(jì)算大量的局部放電數(shù)據(jù)，得出L與歸一化后的信噪比和脈沖數(shù)的關(guān)系,如圖6所示.由圖6可知:L=32為最佳值.

圖6　評(píng)價(jià)指標(biāo)變化曲線Fig.6　Changing curves of the evaluation index

計(jì)算次序時(shí)間窗內(nèi)采樣點(diǎn)1x1 x2 x3 … xL2x2 x3 x4 … xL+1??nxn xn+1 xn+2 … xn+L-1

3.2　在線檢測(cè)算法

由式(3)可知:在四階累積量的計(jì)算過(guò)程中,存在四次方運(yùn)算，計(jì)算量較大，對(duì)檢測(cè)裝置的硬件要求較高.為了保證實(shí)時(shí)檢測(cè)并兼顧裝置的性價(jià)比，采用近似遞推公式[9]計(jì)算四階累積量，即

式(5)中:k為計(jì)算次序;0≤β<1，稱為遺忘因子.

那么，當(dāng)前時(shí)刻四階累積量的計(jì)算可由前一時(shí)刻的累積量加上修正值實(shí)現(xiàn)，大大減少了運(yùn)算量，便于環(huán)網(wǎng)柜局部放電的在線檢測(cè).

最大類間方差法(Otsu)[10]在圖像分割方面獲得了廣泛應(yīng)用，對(duì)放電模型及環(huán)網(wǎng)柜進(jìn)行大量試驗(yàn)，借鑒其分割思想，以確定局部放電的識(shí)別閾值，計(jì)算公式為

式(6)中:w0為噪聲比例;u0為噪聲均值;w1為局部放電信號(hào)比例;u1為局部放電信號(hào)均值;u為混合信號(hào)均值.

從0到最大幅值,以步長(zhǎng)0.1選取t，分別計(jì)算w0,u0,w1,u1和a.當(dāng)a達(dá)到最大時(shí)，即為最佳識(shí)別閾值.所求最佳識(shí)別閾值a=3.6時(shí),放電模型和環(huán)網(wǎng)柜局部放電檢測(cè)結(jié)果,如圖7所示.由圖7可知：該檢測(cè)算法對(duì)較強(qiáng)的噪聲具有良好的抑制作用，能大幅度提高信噪比，實(shí)現(xiàn)局部放電在線檢測(cè).

(a) 針板模型原始 (b) 針板模型處理后 (c) 內(nèi)部缺陷模型原始

(d) 內(nèi)部缺陷模型處理后 (e) 懸浮電極模型原始 (f) 懸浮電極模型處理后

(g) 故障環(huán)網(wǎng)柜局放原始 (h) 故障環(huán)網(wǎng)柜局放處理后圖7　局部放電檢測(cè)結(jié)果信號(hào)Fig.7　Detection result signals of partial discharge

4基于FPGA在線檢測(cè)裝置的研發(fā)

為了滿足環(huán)網(wǎng)柜局部放電在線檢測(cè)和裝置的安裝要求，選用Xilinx公司的Spartan-6系列FPGA的XC6SLX16-FTG256作為核心處理器.

FPGA內(nèi)部四階累積量算法的運(yùn)算示意圖，如圖8所示.x4(k)是輸入信號(hào)，前一級(jí)基本模塊的輸出作為到下一級(jí)基本模塊的輸入，將32個(gè)基本模塊串聯(lián)，構(gòu)成了四階累積量遞推算法的頂層模塊，所有模塊共用一個(gè)時(shí)鐘.文中算法采用了流水線的運(yùn)算方式，在經(jīng)過(guò)32個(gè)啟動(dòng)時(shí)鐘后,每個(gè)時(shí)鐘周期都能輸出一個(gè)新的累積量值.

局部放電在線檢測(cè)裝置結(jié)構(gòu)緊湊，可安裝于環(huán)網(wǎng)柜內(nèi)部.通過(guò)Modelsim軟件讀取FPGA處理信號(hào)的結(jié)果，如圖9所示.混合信號(hào)通過(guò)FPGA在線檢測(cè)裝置后，較強(qiáng)的噪聲得到了極大地降低，局部放電信號(hào)被有效地提取出來(lái)，達(dá)到了預(yù)期的在線檢測(cè)效果.綜上所述，所研發(fā)的在線檢測(cè)裝置對(duì)環(huán)網(wǎng)柜局部放電具有良好的識(shí)別效果.

圖8　四階累積量算法示意圖 圖9　算法調(diào)試結(jié)果　　　Fig.8　Diagram of fourth-order cumulants Fig.9　Algorithm debugging results

5結(jié)論

1) 通過(guò)遞推算法計(jì)算四階累積量，提取了混合信號(hào)中局部放電特征量，所設(shè)計(jì)的在線檢測(cè)算法既能減少運(yùn)算量，提高信號(hào)處理速度，又能保證抑制混合信號(hào)中未知譜特性的高斯噪聲的干擾.

2) 基于FPGA的環(huán)網(wǎng)柜局部放電在線檢測(cè)裝置,能適應(yīng)較強(qiáng)噪聲環(huán)境下局部放電的在線檢測(cè)，系統(tǒng)實(shí)時(shí)檢測(cè)效果良好.

參考文獻(xiàn)：

[1]胡秋野,楊世春,歐景茹.論環(huán)網(wǎng)柜在城市電網(wǎng)中的應(yīng)用[J].高電壓技術(shù),2004,30(增刊1):8-9.

[2]DING Dengwei,GAO Wensheng,YAO Senjing,et al.Analysis of excitation characteristics of ultra high frequency electromagnetic waves induced by PD in GIS[J].High Voltage Engineering,2013,39(8):1893-1901.

[3]岳森.10 kV環(huán)網(wǎng)柜的常見(jiàn)問(wèn)題分析及對(duì)策[J].電氣時(shí)代,2014(2):52-53.

[4]LI Jian,JIANG Tianyan,GRZYBOWSKI S,et al.Scale dependent wavelet selection for de-noising of partial discharge detection[J].IEEE Transactions on Dielectrics and Electrical Insulation,2010,17(6):1705-1714.

[5]DEY D,CHATTERJEE B,CHAKRAVORTI S,et al.Cross-wavelet transform as a new paradigm for feature extraction from noisy partial discharge pulses[J].IEEE Transactions on Dielectrics and Electrical Insulation,2010,17(1):157-166.

[6]劉云鵬,律方成,李成榕,等.基于數(shù)學(xué)形態(tài)濾波器抑制局部放電窄帶周期性干擾的研究[J].中國(guó)電機(jī)工程學(xué)報(bào),2004,24(3):169-173.

[7]楊凱,張認(rèn)成,楊建紅,等.基于頻率約束獨(dú)立分量分析的開(kāi)關(guān)柜局部放電故障識(shí)別[J].高電壓技術(shù),2014,40(11):3452-3460.

[8]李立學(xué),黃成軍,曾奕,等.GIS局部放電信號(hào)超高頻包絡(luò)檢波電路的研制[J].高壓電器,2008,44(5):406-408.

[9]郭業(yè)才,趙俊渭,陳華偉.基于四階累積量極性迭代的自適應(yīng)動(dòng)態(tài)譜線增強(qiáng)快速算法[J].兵工學(xué)報(bào),2004,25(2):171-174.

[10]CHEN Zhongshan,TU Yan.Improved image segmentation algorithm based on OTSU algorithm[J].International Journal of Advancements in Computing Technology,2012,4(15):206-215.

(責(zé)任編輯： 黃曉楠英文審校： 楊建紅)

On-Line Partial Discharge Detection of Ring Main Unit

Using Higher-Order Cumulants

YANG Kai, FAN Zhen, ZHANG Rencheng, YANG Jianhong,

ZHAO Shangcheng, CHEN Shouhong

(College of Mechanical Engineering and Automation, Huaqiao University, Xiamen 361021, China)

Abstract：According to the insulation defects of ring main unit, three kinds of typical partial discharge (PD) models were designed, and the PD test platform was built. With used radio frequency current sensor to obtain the mixed PD signals, and the signals were sent to a microcomputer for processing after amplification and high-speed A/D sampling. Then, fourth-order cumulants were used as PD characteristic to suppress the random noise. Meanwhile, the signal to noise ratio (SNR) was improved. Detection criterion was determined by the Otsu algorithm in order to realize the on-line PD detection. The detection algorithm was transplanted to the field-programmable gated array (FPGA) and an on-line PD detection device for ring main unit was developed. The experimental results showed that the device could adapt to the strong noise environment, and had good effects of real-time detection.

Keywords：partial discharge; higher-order cumulants; ring main unit; discharge model; field programmable gate array; on-line detection

基金項(xiàng)目：福建省產(chǎn)學(xué)合作科技重大項(xiàng)目(2012H6013)； 福建省科技計(jì)劃重點(diǎn)項(xiàng)目(2013H0028)； 福建省泉州市科技計(jì)劃重點(diǎn)項(xiàng)目(2014Z114)

通信作者：張認(rèn)成(1961-)，男，教授，博士，主要從事機(jī)電系統(tǒng)安全檢測(cè)技術(shù)及儀器的研究.E-mail:phzzrc@hqu.edu.cn.

收稿日期：2015-03-09

中圖分類號(hào)：TM 835

文獻(xiàn)標(biāo)志碼：A

doi:10.11830/ISSN.1000-5013.2016.01.0021

文章編號(hào)：1000-5013(2016)01-0021-06