GIS设备局部放电图谱噪声抑制方法

于虹

(云南电网公司电力研究院,昆明 650217)

特约稿件

GIS设备局部放电图谱噪声抑制方法

于虹

(云南电网公司电力研究院,昆明 650217)

针对GIS设备典型缺陷的局部放电图谱主要受白噪声干扰的问题,提出一种空域修正阈值的小波去噪方法。首先对小波变换的各种去噪算法进行了比较分析,由于小波去噪中的阈值算法存在着固有缺陷的使去噪效果并不十分理想,也不够稳定,然后本文提出将小波阈值算法与空域相关算法有机结合,同时给出一种新的阈值选择方法,对信号进行联合去噪。实验结果表明,本文提出的方法与传统方法具有明显优势,不但能在较强干扰情况下有效地将PD信号提取出来,且去噪后能量损失小,反映原始信号的特征尖峰点得到了较好的保留,波形峰值下降比较小。

GIS设备;局部放电;图谱;去噪

1 前言

随着我国经济的高速稳定发展,电力需求快速增长。大容量的电力系统的安全稳定运行和供电可靠性是一个不容忽视的问题。在联网的情况下,系统一旦发生故障,将造成大面积的停电,其维修费用和造成的经济损失都是无法估量的,因此电网的安全运行就显得格外重要。

气体绝缘开关设备GIS以其可靠性高、占地面积小等优点,在电力系统中得到广泛的应用。GIS设备的正常运行是确保电力系统安全稳定运行的重要因素,而GIS结构复杂、造价高、缺陷难以发现,故障发生后修复时间长。对于存在缺陷的GIS设备,在一定的条件下,会产生相应的放电图谱,放电图谱主要反映出放电点相对于试验工频电源的相位特征,经过多个周期的循环,获得放电点的相位统计特性。不同的图谱对应了不同的放电故障类型,利用图谱可以区分出不同的放电类型。但这些图谱无法直观的给出GIS内部缺陷的具体形态等信息。同时,现市场上各种厂商的局部放电检测仪所提供的图谱缺陷识别仅能对设备内部单一缺陷的典型特征图谱进行识别。而在生产实际中,往往会采集到特征不明显的图谱,这些设备就无能为力了。因此,对GIS设备局部放电图谱的自动识别变得非常重要,而对其进行识别的最重要一步就是去除GIS设备局部放电图谱中噪声的干扰[1-2]。

局部放电 (Partial Discharge,PD)检测属于瞬态微弱信号的测量,在检测过程中,各类干扰是影响其测量准确度的主要因素,尤其是PD的现场测试,信号的干扰抑制更是其主要的难点。PD信号检测中的干扰可以按照它们频域特性的不同划分为白噪声干扰、单频干扰和脉冲型干扰这三类。由于单频干扰频率比较固定、频域能量集中,传统的频域方法较易去除,脉冲型干扰在时间轴上分布比较稀疏、有规律,比较容易与PD脉冲区分,因此本文研究的重点是对白噪声的抑制。

白噪声是一种在电子电路中普遍存在的干扰,时域上杂乱无章,频谱很宽。快速傅里叶变换 (Fast Fourier Transform,FFT)是在白噪声干扰抑制中运用比较早的分析手段,这种分析方法是对信号的频域特征从整体上进行分析,而本文所研究GIS设备局部放电脉冲是一种突变信号,在处理这种信号时,信号附近的频率特征至关重要,FFT方法显然已经不是最佳选择。小波变换是处理突变信号的有效手段,它将信号从时间域变换到时间-频率域,不仅在频域有很好的局部分析能力,也能够在时域上准确定位信号突变点,非常适合像局部放电脉冲这类突变信号的处理。目前人们对小波分析理论的研究越来越深入,运用小波分析方法提取 PD信号,已经成为研究热点。

2 小波变换

小波变换 (Wavelet Transform,WT)理论已经在工程领域获得了广泛的应用。简而言之,小波变换就是把信号从时间域变换到时间-频率域。小波变换是将信号表达为多个信号的叠加,与傅里叶变换不同的是这多个信号都是通过将同一个小波函数ψ(t)伸缩和平移得到的。由于小波函数的伸缩性和平移性,小波分析方法同时能够在时域和频域进行局部分析。

在利用小波变换方法分析信号时,时间分辨率和频率分辨率都是可变的,在频率分辨率较高的部分具有较低的时间分辨率,在频率分辨率较低的部分具有较高的时间分辨率。小波变换将信号由粗到细的刻画出来,任何细节都能充分展现。小波去噪过程一般包括以下三个步骤：

1)选择一个与所处理的信号匹配的基小波,选定分解层数N,计算每层的小波变换系数。

2)运用一定的方法准则,对小波系数进行判断,得到信号的估计小波系数。

3)用估计的小波系数重构信号,得到的信号就是去噪后的信号。

在去噪中首先要考虑的问题是基小波的选择, Mallat提出用相关系数γ来判断基小波与PD信号的匹配程度。γ的计算公式为式 (1)所示：

图1 含有噪声的局部放电信号小波分解

在对信号小波变换时需要选择合适的分解层数,若分解层数太大会使信号失真,太小又达不到降噪目的。同时分解层数还跟采样频率有一定的关系,在实际应用中可以根据去噪的具体情况做出相应地调整。

3 GIS局部放电图谱的噪声抑制

GIS局部放电是一种突变信号,这种信号附近的频率特征至关重要,FFT方法显然已经不是最佳选择[3-7]。小波变换是处理突变信号的有效手段,它将信号从时间域变换到时间-频率域,不仅在频域有很好的局部分析能力,也能够在时域上准确定位信号突变点,非常适合局部放电这类突变信号的处理。但需要多次迭代,计算量很大,单独使用效果并不理想。因此本文在去噪时,在阈值法中采用NTF法,将NTF与SCFM相结合(简称为TSC),对含噪信号联合去噪。在实际的检测中,局部放电更多的是衰减震荡脉冲,由于局部放电信号仿真 (DOP)的震荡特性,去噪相对困难。DOP去噪仿真中,信号幅值归一化为1,如图2(a)所示,染噪信号如图2(b)所示,染噪信号SNR=0 dB。

图2 局部放电信号仿真 (DOP)

首先分别用传统算法和NTF分别对信号去噪,图3和图4分别是传统方法和NTF算法的去噪结果,从图3中可以看出,传统方法的效果并不理想,而图4NTF算法中噪声得到较好的抑制。在处理衰减震荡脉冲时,由于信号的震荡特性,信号震荡细节有时会发生畸变,而在NTF算法中DOP的震荡细节畸变较小,体现了该算法良好的性能。图5是TSC法去噪的结果,可以看出TSC法的去噪效果较NTF法有了明显的改善,不但能够将NTF中残留的噪声去除,更重要的是TSC去噪中没有多余的能量损失。

图3 传统方法去噪结果

图4 NTF去噪结果

图5 TSC去噪结果

将10个信号作为一组,两种方法去噪结果如图6所示,其中图6(a)、 (b)、 (c)依次表示NTF去噪后的效果图、TSC去噪后的效果图和原始信号。分别统计其相应的SNR,如表1所示。在NTF法中每组有3个信号去噪后SNR低于10,信噪比方差12.079。TSC法去噪后只有一个信号的SNR低于10,其余9个信号的SNR均可达到10以上,方差2.938,对噪声的抑制能力和稳定性明显提高。表2的数据可看出,TSC法去噪的峰值下降比中,只有一个信号的峰值下降比比较严重,其余都在15%以内。

图6 两种方法去噪后的效果图

表1 NTF和TSC去噪的信噪比 (DOC)

表2 TSC法去噪后峰值下降比 (DOC)

从上述可以看出,本文提出的去噪方法从噪声的抑制能力、去噪稳定性和去噪能量损失三个方面达到比较理想的效果,去噪方法的性能明显改善。

4 结束语

GIS设备的局部放电PD检测中最主要的干扰是白噪声,本文对小波变换的各种去噪算法进行了比较分析,小波去噪中的阈值算法存在着固有缺陷的使去噪效果并不十分理想,也不够稳定。针对这种情况,本文将小波阈值算法与空域相关算法有机结合,同时给出一种新的阈值选择方法,对信号进行联合去噪。实验结果表明,本文提出的方法比传统方法具有明显优势,不但能在较强干扰情况下有效地将PD信号提取出来,且去噪后能量损失小,反映原始信号的特征尖峰点得到了较好的保留,波形峰值下降比较小。因此,本文提出的方法是可行的,是实现对GIS设备局部放电图谱的自动识别的基础。

[1] 李继胜,赵学风,杨景刚,等.GIS典型缺陷局部放电测量与分析 [J].高电压技术,2009,35(10)：2440-2445.

[2] 王天健.GIS局部放电检测与故障识别 [D].北京交通大学,2010.

[3] Q.Su,et al.A fuzzy dissolved gas analysis method for the diagnosis of multiple incipient faults in a transformer[J]. IEEE Trans.on Power System,2000,15(2)：593-597.

[4] N.A.Muhamad,B.T.Phung and T.R.Blackburn.Comparative study and analysis of DGA methods for mineral oil using fuzzy logic[C].IPEC 2007,2007：1301-1306.

[5] Gang Lv,Xiao Ping Chen and Heming Zhao.An IA-BP hybrid algorithm to optimize multilayer feed-forward neural networks [J].Computer Engineering and Applications,2003,39：27-28.

[6] W.H.Tang,J.Y.Goulermas,Q.H.Wu and et al.probabilistic classifier for transformer dissolved gas analysis with a particle swarm optimizer[J].IEEE Trans.on Power Delivery,2008,23(2)：751-759.

[7] Tang Ju,Liu Fan,Zhang Xiaoxing.Partial discharge recognition through an analysis of SF6 Decomposition products part：Decomposition characteristics of SF6 under four different partial discharges[J].IEEE Transactions on dielectrics and electrical insulation,2012,19(1)：29-36.

Research on Noise Suppression Method of the GIS Equipment Partial Discharge

YU Hong
(Yunnan Electric Power Research Institute,Kunming 650217)

Partial discharge for the typical defects of the GIS equipment are mainly affected by white noise interference problems,it is proposed the wavelet threshold de-noising method of correction in this paper.Firstly,the some de-noising methods of wavelet transform were compared,because the wavelet threshold algorithm noise exists in the inherent defects of the de-noising effect is not very ideal,but is not stable enough.Then wavelet threshold algorithm and spatial correlation is combined,at the same time,it is given a new threshold selection method of the signal de-noising.In this paper,it is showed that the proposed method has obvious advantages than the traditional method that has not only strong interference effectively the PD signal is extracted,and the energy loss noise is small.And feature point spikes that reflect the original signal better retains.The wave peak value decreased relatively small.

GIS equipment;partial discharge;image;noise suppression

TM8

B

1006-7345(2014)03-0001-04

2014-04-08

于虹 (1978),女,博士后,高级工程师,云南电网公司电力研究院,主要从事电力系统及其自动化,模式识别与智能系统方面工作 (e-mail)yuhong2388245@163.com。