摘要:本文设计了4种油中局部放电模型,通过实验采集了局部放电超声信号。基于超声信号的时域、频域特征和时域压缩波形数据等特征提取方法,采用人工神经网络进行了局部放电的模式识别,获得了较好的模式识别效果。最后分析了影响识别效果的主要因素。
关键词:局部放电;声发射;神经网络;模式识别
1　引言
局部放电信号对于检测高压电气设备绝缘的缺损、劣化状况有着重要意义。应用比较广泛的局部放电测量方法主要是电测法。由于电测法抵抗电磁干扰能力差,在测量具有较大电容量设备的局部放电时,还具有对电源容量要求较高、灵敏度下降等缺点,近年来声测法开始逐渐发展并成熟起来。声测法在测量具有较大容量试品的局部放电时,不具有上述缺点,而且随着技术的成熟和完善,声测法的灵敏度也在逐渐提高,因而大量应用于电容性设备的局部放电测试中。
早期关于局部放电超声检测的研究工作主要包括:超声传感器的研究、声电联合测量方法的研究、声波在绝缘介质中传播过程的研究、超声定位以及利用声信号的频谱特征抑制变压器磁干扰等。最近有些学者尝试了利用超声信号进行局部放电模式识别,主要是直接利用声信号波形序列和声信号频谱序列进行局部放电的模式识别。由于未对声信号时域波形提取特征参数而简单地将声信号波形序列用于局部放电的模式识别,采用这种方法获得的模式识别效果并不十分理想。
为了研究更有效地利用声信号进行局部放电模式识别的方法,本文通过模型实验,采集了4种油中局部放电模型的声信号,从放电声信号中提取出两类特征参数,包括时域、频域特征和时域压缩波形数据。进一步研究了基于这些特征参数,通过人工神经网络,进行放电类型模式识别的效果,并在最后探讨了影响放电类型模式识别效果的主要因素。
2　模型实验
为了获得典型放电模型的声信号数据,设计了4种基本的局部放电模型,包括套管结构沿面放电模型、柱板结构沿面放电模型、带有屏障的油间隙放电模型和气隙放电模型。图1是实验模型的结构示意图。

图2是模型实验的示意图。放电模型全部浸泡在纯净的变压器油中,超声探头吸附在盛油容器的铁外壳部分。局部放电声信号经过油、容器外壳传播到超声探头。探头将声信号转化为微弱的电信号,再经前置放大单元放大。放大后的信号送到数字示波器显示,通过相关软件控制示波器采集数据并传送到微机。利用数字示波器的阈值触发功能,可以控制采集满足一定峰值要求的放电信号。

实验中对每种模型通过更换绝缘纸板、电极和调整电极间距离进行了对比性实验。每种模型至少在两个相同模型结构上做一定数量的实验以获得足够的可对比实验数据。对于相对较难测到局部放电声信号的带有屏障的油间隙放电模型,更换了两次电极和纸板,以获得足够的可用数据。此外,通过调整示波器时间刻度,保证一个屏幕内基本上显示一个完整的放电波形,这给后续的数据处理带来了方便。
3　局部放电声信号波形
实验测得的典型的4种模型局部放电声信号波形如图3。

从该图中可以看出,套管结构沿面放电、柱板结构沿面放电和带有屏障的油间隙模型放电的持续时间处在同一数量级(ms)上,而气隙模型的放电持续时间较短,可以根据放电持续时间将气隙放电先分离出来。
4　波形特征参数提取
为了便于进行放电类型模式识别,需要从放电声信号中提取合适的特征参数。常用的特征参数包括时域(或频域)特征、时域(或频域)压缩数据、AR模型参数、自相关函数和时频联合谱图等[6]。经过多次尝试,研究发现放电声信号的时、频域特征或时域压缩波形数据可以作为合适的参数。
(1)时、频域特征。对每个放电波形样本,先提取5种时域特征,包括前沿、后沿、脉宽(脉冲波形幅度从50%到50%的宽度),峰值因数(波形幅值除以均方根值),波形因数(波形平均值除以均方根值)。然后保持波形持续时间不变,通过调整采样率,将放电波形序列变成具有固定长度的波形序列。在使用波形峰值进行归一化处理后,由傅立叶变换求取频域特征,包括频谱峰值和峰值对应频率。
(2)时域压缩波形数据。为了使时域波形数据适合作为特征量,通过调整采样率并进行重采样,将每个声信号波形压缩成具有统一长度的波形序列,压缩后的波形数据可以用于模式识别。在基本保持放电波形的情况下,可以适当减少压缩后的数据长度,以获得更快的处理速度。
5　用人工神经网络进行模式识别
5.1　人工神经网络
人工神经网络是由大量的人工神经元相互连接而组成的复杂网络系统,具有大规模并行、分布式存储和处理、自组织、自适应和自学习能力,广泛应用于模式识别。
本文采用3层BP网络进行声信号的模式识别,BP网络的结构示意图如图4,包括输入层、隐含层和输出层,每一层神经元的输出通过连接权值传送到下一层神经元。输入层的神经元个数取决于输入特征量的个数,输出层神经元的个数取决于神经网络的期望目标数量。隐含层神经元个数决定了网络的复杂程度。隐含层神经元越多,神经网络训练时间越长,在实际应用中需要通过尝试选择合适的隐含层数量。本文中选用隐含层含有30个神经元的BP网络,可以获得较好的效果。

本文最终采用两种不同特征量作为输入量时的神经网络结构如下:
(1)时、频域特征。输入层7个神经元,隐含层30个神经元,输出层3个神经元。
(2)时域压缩波形数据。输入层400个神经元,隐含层30个神经元,输出层3个神经元。
5.2　识别效果
由于气隙模型局部放电的声信号在波形持续时间上能轻易地与其他三种模型放电声信号分开,所以将另外三种放电声信号放在一起进行了模式识别研究。对每种类型选取一组样本数据作为训练样本,分别用时、频域特征量和时域压缩波形数据作为神经网络输入量训练网络参数。选取每种类型另外一个模型测得的样本作为待识别样本。将相应的特征量送入训练好的神经网络进行识别。识别结果如表1。

从表1可以看出,采用时、频域特征量作为神经网络输入量,可以收到很好的识别效果。采用压缩时域波形数据作为特征量,有两类放电可以获得较好的识别效果,而另外一类的识别效果不是很理想。分析造成这种情况可能有以下几方面原因:
(1)在提取时域压缩波形数据作为特征量的过程中,将声信号波形压缩到统一的数据长度,这导致抹杀了各种类型放电声信号之间在时间尺度上的差异。
(2)由于柱板结构沿面放电机理类似于套管结构沿面放电,在一定程度上增加了误判的可能性。实际结果表明,柱板结构沿面放电中有近21%的待识别样本被误判为套管结构沿面放电。
(3)观察柱板结构沿面放电声信号波形,发现波形分散性较大,出现两种以上主要波形,这也对识别该类型放电造成一定的影响。
6　识别效果影响因素
在实验中,发现局部放电声信号有很大的分散性,采集到不少与该类型放电声信号的典型波形差别很大甚至截然不同的波形。这是因为有很多因素影响最终测得的放电声信号,初步分析,包括以下一些方面:
(1)电极绝缘系统的变化。在做带有屏障的油间隙放电模型局部放电实验时,加电一定时间后,发现放电声信号波形突然变密集,而且信号幅度明显变大,经过检查发现,尖电极在加电后逐渐吸附了油中分布的少量纸纤维,改变了电极绝缘状态,从而改变了放电频率和幅度。
(2)放电程度的影响。实验中发现对于同一实验模型,采用不同量级的触发电平采集声信号测得的声信号波形可能有显著的区别,表现在波长的变化甚至是波形的变化。图5是同一套管结构模型在不同的触发电平下采集的声信号波形(其中试品所加电压分别为12600V(图(a))和13650V(图(b)))。可以看出,两个声信号波形有显著的区别。

(3)声信号传播路径的影响。由于放电声信号要经过多重介质传播到传感器,每次声波的传播路径可能是变化的,造成声信号的衰减和变化不一致。这对所测得的声信号也有一定影响。
(4)神经网络识别判据对识别效果的影响。BP网络通常采用两种识别判据:取大优先法则和0.6法则。取大优先法则是根据自由竞争的原理,取输出结果最大的那个模式,认为输入样本与此类最相似。在“取大优先法则”下,可能出现这种情况:虽然输出结果中某一模式的值相对其他各类而言最大,但其绝对值本身不够大,这会导致一定的误判。“0.6法则”包括两种:一种是最大项大于0.6,一种是该项占所有输出总和的60%以上。“0.6法则”避免了“取大优先法则”的缺点,可以减少误判,但是有可能出现无法识别的情况。由于
各种识别判据各有优缺点,所以需要结合实际情况选择合适的识别判据。本文中采用的是最大优先法则,可以获得满意的效果。
(5)由于放电信号的分散性,为了提高放电识别率,获得更可信的分析结果,还需要精心地选择训练样。训练样本应该尽可能全面地包括该类型放电在不同情况下(比如电压、传播路径不同等)的声测信号数据,这样可以减小因为放电信号的分散性造成的对模式识别效果的影响,从而更好地研究放电声信号和放电类型之间的关系。
7　结论
(1)油中局部放电超声信号可以用于局部放电模式识别;
(2)利用时、频域特征和时域压缩波形数据作为特征量,采用人工神经网络进行模式识别,可以收到较好的效果;
(3)为了提高模式识别效果,需要精心地选择训练样本数据,以尽可能全面地包括该类型局部放电声信号的各种波形。