一种电子式电流互感器信号畸变识别方法与应用

张其林，赵永标



一种电子式电流互感器信号畸变识别方法与应用

张其林，赵永标

(湖北文理学院 数学与计算机科学学院，湖北 襄阳 441053)

针对智能变电站中电子式互感器的渐变故障和突变故障，提出一种能够同时识别多种故障信号的算法. 首先利用小波变换模极大值理论识别故障信号的奇异点，然后求得信号的Lipschitz指数、小波能量系数、均值差，构成故障信号的特征空间. 根据随机生成的500个故障信号样本在特征空间的分布，形成故障信号的诊断模型. 仿真实验及实际应用测试表明该算法是有效可行的.

电子式电流互感器；信号畸变识别；小波变换；特征参数

电子式互感器是智能变电站的典型设备之一，其功能是感应一次系统中的电流、电压，输出信号以供保护、控制设备及其它类似的二次设备使用. 一旦其状态出现异常，将不能保证输出数据的可信度，这会直接影响到变电站内二次设备功能的实现. 由于电子式互感器采用了大量电子器件和光学器件等易耗元器件[1-2]，且长期处于户外的恶劣环境中，因此对其进行在线监测和故障诊断是变电站稳定运行重要保证.

目前，对电子式互感器的研究主要集中在测量精度以及稳定性. 如温度变化对电子互感器测量准确度的影响[2]；外界变化的磁场对Rogowski线圈电流互感器的影响[3]；基于Faraday磁光效应的光学电流互感器传感头的失效模式与失效机理[4]. 在可靠性方面，文献[5]建立了电子式电流互感器的可靠性模型，利用后果分析法和故障树对其可靠性进行了分析. 互感器的故障类型通常按照故障程度可以分为硬故障(突变性故障)和软故障(即渐变性故障)两类，进一步可以将故障信号分为变比偏差、固定偏差、漂移偏差、完全失效[6]. 目前，仅有极少学者对电子式互感器故障诊断做过探索[7-9]，且仅限于对其中某一种故障的诊断，电子式互感器运行状态在线检测和诊断方面的研究较少. 本文以电子式电流互感器为例，提出一种基于小波变换的信号畸变识别方法，通过计算信号的多种特征参数，识别多种故障信号.

1 电子式电流互感器故障信号特征

结合文献[5][6]的分析，不同的故障会对电子式电流互感器的输出造成不同程度的影响，如温度特性变化导致信号漂移，器件性能变差；Rogowski线圈断开会导致无信号输出. 为便于分析，将电子式电流互感器的故障分类，如表1所示.

表1 电子式电流互感器故障分类

图1 固定偏差的故障波形图2 漂移偏差的故障波形

结合表1，从易于信号分析角度来看，考虑电子式电流互感器的两大类故障：突变型故障和渐变型故障. 其中突变型故障又可分为固定偏差故障、完全失效故障；渐变型故障主要是温度特性变化导致的变比偏差、故障漂移偏差故障. 这里以相对不易识别的固定偏差、变比偏差、漂移偏差为研究对象，它们的典型信号波形如图1—3.

2 故障信号识别算法

为了能够准确识别上述的几类故障信号，选择Lipschitz指数、小波能量系数、信号均值差3个指标，并组成一个特征空间，对给定信号进行判别.

2.1 Lipschitz指数

Lipschitz指数是用来表现函数局部特征的一种度量，定义如下：

设信号()在0附近具有下述特征：

|(0+)-P(0+)|≤||<≤+1 (1)

则称()在0处的Lipschitz指数为，其中P()是经过(0)点的次多项式. 并有一个信号()的Lipschitz指数为越大，其光滑性越好，越小光滑性越差，奇异性越大；如果()的Lipschitz指数等于，的Lipschitz指数必定等于+1，的Lipschitz指数为-1.

2.2 小波能量系数

通过小波变换的模极大值可以判断信号发生突变位置，根据Lipschitz指数可以大致确定故障类型. 但是还有些故障类型需要通过计算小波变换不同尺度下的信号能量变化比进行区分. 因为故障突变点前后的小波系数差别明显，能量分布不同，各个尺度能反映不同特征.

设原始信号为()，对其进行多尺度小波分解后的高频细节与粗略逼近如下：

其中，0表示故障突变时刻，取0时刻前窗口[1,2]，0时刻后窗口[3,4]，则定义故障前后原数据的重构概貌窗口能量比：

2.3 信号均值差

信号的均值反映信号幅度的平均值，故障点前后一定时间内均值的差异则反映了信号在故障点后信号幅值变化的大小，可以用来判别变化偏差类故障.

设原始信号为()，取故障时刻前窗口[1,2]，后窗口[3,4]，定义信号的均值差：

2.4 K-近邻法

要将一个待测试样本进行故障类别区分，本质上就是一类模式识别问题. 模式识别的基本方法有两大类，一类是将特征空间划分成决策域，这就要确定判别函数或确定分界面方程. 而另一种方法则称为模板匹配，即将待分类样本与标准模板进行比较，根据匹配程度确定待测试样本的分类. 而近邻法则在原理上属于模板匹配，它将训练样本集中的每个样本都作为模板，用测试样本与每个模板进行比较，与其最相似(即为近邻)模板的类别作为其类别.

1)决策规则

假定有个类别1,2, …,的模式识别问题，每类有标明类别的样本N个，=1, 2, …,，可以规定类的判别函数为：

对最近邻法进行推广就得到-近邻法. 设这个样本中，来自1的样本有1个，来自2的样本有2个，…，来自的样本有N个，若1,2, …,k分别是个近邻中属于1,2, …,类的样本数，则可以定义差别函数为：

g()=k i=1, 2, …,(5)

2)样本之间的相似度量

常见的样本之间相似度量方法有欧氏距离、明氏距离、兰氏距离、马氏距离等，它们分别适用于不同的应用场合. 马氏距离考虑到各种特性之间的联系，并且是尺度无关的，即独立于测量尺度，且受量纲影响，两点之间的马氏距离与原始数据的测量单位无关. 马氏距离还可以排除变量之间相关性的干扰. 这里选择马氏距离作为k-近邻法中样本之间距离的计算.

设S表示指标的协方差阵，S=()´. 其中，，，,=1, 2, …,. 如果S-1存在，则两个样本之间的马氏距离为：

其中，X表示样本X的个指标组成的向量，即原数据的第行向量；样本X表示样本X的个指标组成的向量.

2.5 算法实现

基于小波变换的电子式电流互感器故障信号识别算法的步骤如下：

步骤一 生成训练数据 根据电子式互感器输出信号的特征，以正弦信号()=sin(+)例，将其中的3个参数幅值、角频率、相位分别设置一定的变化区间，随机生成一个信号，设定训练样本数为.

步骤二 提取特征(针对每一组训练样本数据) 1)对()进行bior3.5小波分解，得到其高频细节与粗略逼近1(),2(), …,d(),c()，根据尺度1、尺度2的模极大值判断是否发生故障，如果发生故障，求得故障点；2)为了放大信号的奇异点，求()的一阶导数，对导数谱进行bior3.5小波分解，根据模极大值求得奇异点的Lipschitz指数；3)根据第(1)步中()小波分解的粗略逼近c()，求故障前后原数据的重构概貌窗口能量比R；4)根据定位的故障点，求()的加窗均值差Diff.

步骤三 k-近邻法识别 随机给定若干个待测样本，在第2步训练模型的基础上利用k-近邻法进行预测，得出待测样本的故障类别，统计预测的准确率.

3 仿真实验

3.1 样本生成与训练

图4 随机生成500样本在特征值空间聚类

仿真实验在matlab7.0环境中实现. 由于电子式电流互感器的正常输出为标准正弦信号，仿真样本在()=sin(+)的0时刻之后分别加上3类偏差信号. 考虑到信号的正常波动行为，信号参数在一定区间内随机选择：幅值Î[0.8, 1.2]，频率Î[49, 51]，相位Î[0, 0.2π]，漂移偏差f=×(-0)中Î[0.02, 0.2]，固定偏差f=Î[0.5, 3]，变比偏差Î[0.2, 1.5]. 按照上述参数的范围随机生成500个故障信号样本，根据本文提出的算法求得导数谱的Lipschitz指数、故障前后原数据的重构概貌窗口能量比R、()的加窗均值差Diff，这500个样本在3个特征值空间的聚类如图4所示. 3类随机样本呈现明显聚类，3个特征值的组合很好地区分了3类随机样本. 漂移偏差的Lipschitz指数基本上大于0， 另外两类偏差的Lipschitz指数基本上小于0，固定偏差的Lipschitz指数集中在-0.85左右，且变化不大，然而变比偏差的Lipschitz指数变化幅度较大，呈现均匀分布. 所以通过Lipschitz指数，能量比这两个特征难以对3类样本进行明显区分. 所以上述3个参数分别从不同侧面反映了样本统计特征，较好地实现了3类随机样本的聚类，使模型具有较好的鲁棒性.

3.2 模型测试

通过对随机生成的500个样本的训练，得到一种电子式互感器的故障诊断模型，然后按生成训练样本的参数空间随机生成100个样本对模型进行测试. 计算每个样本导数谱的Lipschitz指数、故障前后原数据的重构概貌窗口能量比R、()的加窗均值差Diff，这100个样本的特征值如表2—4，在3个特征值空间的分布如图5所示. 可见，测试样本的分布特征与训练样本基本一致.

表2测试样本漂移偏差(40个)

采用7-近邻法进行预测，得出测试样本的故障类别，预测准确率为94%，即有6个样本被错判(表2中以加粗斜体标出)，其中有3个漂移偏差样本被错判为变比偏差，3个固定偏差样本被错判为变比偏差. 将这6个被错判的样本在图2的基础上分别以方框标示，并用箭头指出，如图6所示.

从图6可知，错判原因是样本离变比偏差故障的分布区域比较近或者存在交叉. 为了提高模型预测的准确度，可以将本文提出算法中的k-近邻法进行改进，采用剪辑近邻法，其实质是去除各类边界附近易对分类造成干扰的样本. 对图2中的样本进行剪辑后，再用表1中的样本进行预测，准确率上升到了98%，达到预期效果.

4 实际应用

将上述方法应用在广西某变电站高压电容器在线监测系统中，通过电子式电流互感器感应电容器的工作电流，判别电容器的工作状态. 系统采用Labview10为工具开发，正常运行界面如图7.

图7 正常情况运行界面图8 电容器故障运行界面

窗口左边显示了Lipschitz指数、小波能量比、信号均值差、奇异点位置和故障类型等信息；窗口右边显示了采集的电流信号波形、电流信号的导数波形、导数信号进行bior3.5小波分解后尺度一的高频信号. 由图7可见，正常情况下，求不出Lipschitz指数，从小波高频d1信号波形图也看不到奇异点.

在系统运行过程中，系统采集到了电容器故障时的波形，如图8所示. 系统能准确地判断，求出了相关特征参数并报警. 经检修人员停电检修，发该组电容器内部被击穿.

图9中通过对这种渐变故障波形导数谱进行bior3.5小波分解，从尺度一的高频信号可以清楚地看到奇异点，且采用本文提出的方法能准确地对这种故障信号进行分类.

5 结语

采用信号处理技术对传感器的故障信号进行识别，避免了传感器的数学模型，是一种被广泛应用的方法. 本文提出一种多指标综合决策的电子式互感器故障诊断方法，通过计算故障信号的Lipschitz指数、小波系数能量比、信号的均值差，形成故障信号的特征空间，根据随机生成的样本在特征空间的聚类，可以有效地识别3种典型的故障信号，将文中的方法应用在实际变电站在线监测系统中，验证了方法的有效性.

[1] 李九虎, 郑玉平, 古世东, 等. 电子式互感器在数字化变电站的应用[J]. 电力系统自动化, 2007, 31(7): 94-98.

[2] 王 鹏, 张贵新, 朱小梅, 等. 电子式电流互感器温度特性分析[J]. 电工技术学报, 2007, 22(10): 60-64.

[3] 罗苏南, 田朝勃, 赵希才. 空心线圈电流互感器性能分析[J]. 中国电机工程学报, 2004, 24(3): 108-113.

[4] 于文斌, 高 桦, 郭志忠. 光学电流传感头的可靠性试验和寿命评估问题探讨[J]. 电网技术, 2005, 29(4): 55-59.

[5] 王 鹏, 张贵新, 朱小梅, 等. 基于故障模式与后果分析及故障树法的电子式电流互感器可靠性分析[J]. 电网技术, 2006, 30(23): 15-20.

[6] 杨云雨. 基于小波神经网络的空调系统传感器故障诊断[D]. 上海: 上海交通大学, 2008.

[7] 熊小伏, 何 宁, 于 军, 等. 基于小波变换的数字化变电站电子式互感器突变性故障诊断方法[J]. 电网技术, 2010, 34(7): 181-185.

[8] 王洪彬, 唐昆明, 徐瑞林, 等. 数字化变电站电子式互感器渐变性故障诊断方法研究[J]. 电力系统保护与控制, 2012, 40(24): 53-58.

[9] 熊小伏, 杨雪东, 刘 年. 基于站间信息的电子式互感器故障协同诊断方法[J]. 电力系统保护与控制, 2012, 40(21): 80-83.

[10] 杨福生. 小波变换的工程分析与应用[M]. 北京: 科学出版社, 1999.

(责任编辑：饶 超)

Recognition of Electronic Current Transformer’s Signal Distortion and Its Application

ZHANG Qilin, ZHAO Yongbiao

(College of Mathematical and Computer Sciences, Hubei University of Arts and Science, Xiangyang 441053, China)

Aiming at the gradual and abrupt faults of electronic transformer in an intelligent substation, this paper presents an algorithm that can identify multiple fault signals simultaneously. Firstly, the fault signals’ singular points are identified using the theory of wavelet transform modulus maxima, and then the Lipschitz exponent, wavelet energy ratio and mean difference are calculated to constitute a feature space of fault signals. According to the distribution of 500 randomly generated fault samples in the feature space, diagnosis model is formed. Simulation results show that the proposed algorithm can effectively identify several distorted signals such as fixed deviation, ratio deviation and drift deviation simultaneously. The simulation and application in practice substation proves the effectiveness of proposed approach.

Electronic current transformer; Signal distortion recognition; Wavelet transform; Characteristic parameters

TP391

A

2095-4476(2016)02-0022-06

2015-07-06;

2015-10-12

湖北省自然科学基金(2015CFB563); 襄阳市科技研究与开发计划(2014018)

张其林(1976— ), 男, 湖北仙桃人, 湖北文理学院数学与计算机科学学院讲师, 博士, 主要研究方向: 电力设备故障诊断.