1、基于 NSST 域增强的直流 XLPE 电缆局放识别方法 许永鹏 杨丰源 钱勇 陈孝信 盛戈皞 江秀臣 上海交通大学电气工程系 国网浙江省电力公司电力科学研究院 摘 要： 针对直流交联聚乙烯 (XLPE) 电缆局放信号图的对比度差和边缘清晰度低, 影响电缆缺陷识别率的问题, 提出一种基于非下采样剪切波变换 (NSST) 域增强的直流电缆局放识别方法。首先采用 NSST 对不同缺陷类型的电缆局放信号图进行分解, 得到低频子带图和高频方向子带图, 其中, 低频子带图进行布谷鸟优化多尺度 Retinex 算法 (CS-MSR) 增强处理, 高频方向子带图进行亮度保持动态模糊直方图均衡算法 (BPDF
2、HE) 增强处理。然后对 NSST 各子带图进行加权重构, 得到增强的直流电缆局放信号图。最后提取直流电缆局放信号图中每个子带图的最大放电次数、平均放电时间间隔、平均放电量等共计 72 个特征参数, 并代入到线性核支持向量机 (L-SVM) , 高斯核支持向量机 (G-SVM) , 多项式核支持向量机 (P-SVM) 和多核支持向量机 (M-SVM) 识别模型中进行分析。实验结果证明:基于 NSST 域增强的直流电缆局放信号图与原始信号图相比, 在 M-SVM 情况下, 整体缺陷识别准确率提高 9.46%以上。运用新提出的方法进行局放识别时, 信号图细节更加丰富, 且提高了电缆局放信号图的缺陷
3、识别率, 为直流电缆局放缺陷识别提供了新的思路。关键词： 直流电缆; 局部放电; 信号图增强; NSST; MSR; BPDFHE; 作者简介：许永鹏 1990, 男, 博士生主要从事电力设备状态检测及故障诊断研究 E-mail:作者简介：钱勇 (通信作者) 1977, 男, 博士, 助理研究员研究方向为输变电设备状态监测与智能化 E-mail:qian_收稿日期：2017-05-25基金：国家重点研发计划 (2016YFB0900705) Partial Discharge Recognition Method of DC XLPE Cable Based on NSST Domain En
4、hancementXU Yongpeng YANG Fengyuan QIAN Yong CHEN Xiaoxin SHENG Gehao JIANG Xiuchen Department of Electrical Engineering, Shanghai Jiao Tong University; State Grid Zhejiang Electric Power Research Institute; Abstract： The contrast ratio and the edge resolution of partial discharge (PD) image are poo
5、r in DC XLPE cable, which affect the recognition rate of the defect type. To solve this problem, we proposed a PD recognition method of DC XLPE cable based on non-subsample shearlet transform (NSST) domain enhancement. Firstly, the NSST was used to decompose the PD image of different defect types. T
6、he low-frequency subband image and high-frequency direction subband images were obtained. The low-frequency subband image was enhanced by multi-scale Retinex method based on cuckoo search optimization (CS-MSR) , and high-frequency direction subband images were enhanced by brightness preserving dynam
7、ic fuzzy histogram equalization method (BPDFHE) . Then, the weighted NSST subband images were reconstructed, and the enhanced PD image was obtained. Finally, the maximum number of discharges, the average discharge time interval and the average discharge quantity, etc., a total of 72 characteristic p
8、arameters in the PD images were extracted. The features were brought into linear kernel support vector machine (L-SVM) , Gaussian kernel support vector machine (G-SVM) , the polynomial kernel support vector machine (P-SVM) and multi-kernel support vector machine (M-SVM) for analysis. The experimenta
9、l results show that the overall recognition accuracy of enhanced DC cable PD image based on the NSST domain is improved by 9.46% than the original PD image in M-SVM. By using the proposed method, the details of DC cable PD image are more abundant than those of the original PD image, and the defect r
10、ecognition rate of the PD image is improved, which provides a new idea for PD defect identification in DC cable.Keyword： DC cable; partial discharge; image enhancement; NSST; MSR; BPDFHE; Received： 2017-05-250 引言自 20 世纪 90 年代末期, 瑞典首次采用交联聚乙烯 (XLPE) 挤包直流电缆以来, 该技术发展非常迅速, 并且使用量已经逐渐超过充油式电缆和黏性浸渍纸式电缆1-2。在电
11、力远距离传输方面, 由于交流电缆输电具有许多缺点, 如线路成本高、需要配套无功补偿装置、新能源联网困难等, 直流电缆输电应用更加广泛3-5。然而, 在直流电缆输电过程中, 绝缘介质在直流电场长时间作用下, 空间电荷积聚会造成绝缘介质产生局部高电场强度, 进而引发局部放电, 且随着介电强度下降, 易形成放电通道, 导致绝缘材料击穿。此外, 直流电缆的绝缘材料除长期处于恒定直流电场外, 还会遭受极性反转电压问题, 从而加剧电缆劣化程度, 最终会导致电缆事故的发生6-9。因此, 直流电缆的缺陷诊断尤为重要, 对于交流 XLPE 电缆的故障检测, 通常是局部放电检测, 以确认其运行状态9-13。对于直
12、流挤出电缆, 目前在局放诊断方面的研究处于起步阶段, 研究的文献较少, 如文献14提出了基于改进纠错输出编码 (ECOC) 分类器的直流电缆缺陷识别法。对局放信号图进行轮廓波 (Contourlet) 变换, 并计算各子带系数的特征参数, 并代入优化的 ECOC 分类器实现缺陷模式识别。文献15提出了将基于压缩感知理论的稀疏表示分类技术应用于直流下局部放电信号模式识别。信号图增强技术在其他领域应用广泛, 能否应用在局放信号图中, 并提高直流电缆缺陷识别率需要验证。目前, 国内外学者已经从信号图特征、信号图视觉效果及其各种数学理论方面提出了多种信号图增强算法。文献16提出了一种基于非下采样轮廓波
13、变换 (NSCT) 系数直方图匹配的自适应图像增强算法。对低对比度含噪原图像进行直方图均衡化, 低频子带系数直方图匹配到直方图均衡化后图像的对应系数直方图上。对各高频子带, 则先进行阈值去噪, 再将原图的各高频子带系数直方图匹配到直方图均衡化后图像的对应系数直方图上。最后, 经 NSCT 重构得到增强后的图像。文献17提出基于 Contourlet 变换和混沌变异双粒子群优化 (ACPSO) 的自适应增强方法, 图像经 Contourlet 变换后。低频子带系数依据优化参数后的灰度级变换调整, 高频方向子带系数采用非线性增益函数实现增强。本文提出一种基于非下采样剪切波变换 (NSST) 域增强
14、的直流 XLPE 电缆局放识别方法。首先采用 NSST 对不同缺陷类型的电缆局放信号图进行分解, 得到低频子带图和高频方向子带图, 其中, 低频子带图进行布谷鸟优化多尺度视网膜皮层算法 (CS-MSR) 增强处理, 高频方向子带图进行亮度保持动态模糊直方图均衡算法 (BPDFHE) 增强处理, 然后对 NSST 各子带图进行加权重构, 得到增强的直流电缆局放信号图。最后提取直流电缆局放信号图中每个子带图的最大放电次数, 平均放电时间间隔, 平均放电量等共计 72 个特征参数。并代入到线性核支持向量机 (L-SVM) 、高斯核支持向量机 (G-SVM) 、多项式核支持向量机 (P-SVM) 和多
15、核支持向量机 (M-SVM) 识别模型中进行分析。实验结果证明, 本文方法能够提高局放信号图质量, 有效提取信号图的特征参数, 并提高缺陷类型的识别准确率, 具有良好的应用价值。1 基于 NSST 域的信号图增强本文首先将直流电缆局放信号图进行 NSST 处理18, 分解可得低频子带图和高频方向子带图, 对低频子带图进行 CS-MSR 算法增强, 对方向子带图进行BPDFHE 算法增强, 然后对 NSST 各子带图进行加权重构, 得到最终的增强直流电缆局放信号图。图 1 为基于 NSST 域增强的直流 XLPE 电缆局放识别方法流程图。1.1 NSST 原理NSST 包括多尺度分解和多方向分解
16、 2 部分。NSST 多尺度分解采用非下采样金字塔分解 (NSP) 。信号图经过 k 级 NSP 多尺度分解后, 会分解为 k+1 个子带图, 包括 1 个低频子带图和 k 个大小与原信号图相同, 但尺度不同的高频子带图。NSST 方向分解采用剪切 (Shear) 滤波器, 其分解的核心思想是在伪极网格上对信号图进行 2 维 Fourier 变换, 然后在网格上用 1 维子带滤波器进行滤波。将多尺度分解后的子带图进行 L 级多方向分解, 可获取 2L+2 个尺寸一致的方向子带图。图 2 为 NSST 的分解过程示意图, 图 3 为直流电缆局放信号图 NSST 分解示例 (k=1, L=3) 。
17、通过图 3 可发现, 原始的直流电缆局放信号图进行 NSST 分解后, 低频子带图分布密集, 信号图中放电次数与放电量和放电时间间隔的关系更加突出, 而且呈双峰分布, 峰值点分别在 (26.8, 60.1) 和 (32.5, 58.7) 。在高频方向子带图中, 放电量较低的 2 处区域突出, 即 (14.1, 5.3) 和 (26.8, 4.9) 处, 细节信息更加明显。在 0高频方向子带图中, 放电量50 的区域, 时间间隔分布较平缓。在 45、90、135、180、225时分布均呈单峰状, 峰值点分布主要在 (35.6, 59.8) , (47.9, 55.6) , (35.4, 58.3
18、) , (28.5, 57.6) 附近, 位置差异较明显。在 270和 315时, 分布呈双峰状, 峰值点分布主要集中 (29.1, 57.2) 和 (40.3, 55.7) , (27.3, 56.8) 和 (38.6, 57.3) 。图 1 基于 NSST 域增强的直流 XLPE 电缆局放识别方法流程图 Fig.1 Flowchart of PD recognition method in DC XLPE cable based on NSST domain enhancement 下载原图图 2 NSST 分解示意图 Fig.2 NSST decomposition diagram 下载
19、原图因此, 经过 NSST 处理后的直流电缆局放信号图, 各子图特征区分度较大, 有利于特征提取和缺陷分类, 但低频子带图和高频方向子带图存在对比度较低的问题, 体现到局放信号图即不利于信号图细节的分析, 因此需要进行信号图的增强处理, 并验证分析各类信号图的识别效果。1.2 CS-MSR 算法处理低频子带图Retinex 算法具有保持局部对比度和显示隐藏的高亮度细节的优点19。本文采用布谷鸟优化的 MSR 算法对低频子带图进行增强处理:图 3 直流电缆局放信号图的 NSST 分解示意图 Fig.3 NSST decomposition of PD image in DC cable 下载原图
20、式中:R MSR表示模型的结果值;I (t c, qc) 表示初始低频子带图;t c为时间间隔值;q c为放电量值; 为调节参数;m 为不同尺度的 Gauss 滤波器 G 序号;M 为尺度的个数;w m为 m 尺度的 Retinex 权值; m为 Gauss 函数参数;I m为 Gauss 滤波处理后的低频子带图。如式 (1) 所示, MSR 模型通过 Gauss 滤波器进行调节。随着滤波器尺寸的增大, 信号图的局部对比度和再现性得到提高, 牺牲了动态范围压缩性能。滤波器的尺寸减小, 则表现出相反的结果。因此, 滤波器大小选择是一个重要问题。式 (2) 对不同尺度的 Gauss 滤波器进行多次
21、重复处理, 本文采用布谷鸟算法14对调节参数 , 权值 wm和 Gauss 函数参数 m进行寻优处理, 以全体训练信号图的信噪比均值为适应度函数值。设置 m=3 为例, 最终得到调节参数 k=0.443, 权值 w1、w 2、w 3分别为 0.541、0.208、0.251, Gauss 函数参数 1、 2、 3分别为 0.917、1.512、4.752, 最佳的适应度函数值为 26.98。1.3 BPDFHE 增强算法处理高频方向子带图BPDFHE 算法具有提高对比度, 降低运算复杂度等优势20。本文采用 BPDFHE算法对经过 NSST 分解的直流电缆局放信号图的高频方向子带图进行增强处理
22、, 其算法流程主要包括 5 步:依次为计算模糊直方图、对直方图进行分区运算、动态直方图均衡化操作、信号图亮度归一化处理、得到 BPDFHE 增强后的信号图。其中, 动态直方图均衡化是算法的核心部分, 使用基于分区像素总数的生成函数进行均衡化。动态直方图均衡化包括 2 个阶段的操作, 即分区映射到一个动态范围和直方图均衡化。1) 分区映射到动态范围具体计算式为:式中:h i、l i分别为第 i 个直方图子图的最高和最低强度值;N total为该分区中包含的像素总数;f k为第 k 个强度级对应的局部极大值, 强度级总数为 n B+1, 直方图的最大序列号为 L-1。输入直方图子图的动态范围由强度
23、差值 p i决定, 而输出子图的动态范围由调节参数 ri决定, 第 i 个直方图动图范围的起始值为sai, 结束值为 sti。2) 均衡化每个直方图子图直方图子图的均衡化类似于全局直方图均衡化。重新映射后的第 i 个子图, 如式 (7) 所示式中:y (j) 为原始信号图在第 j 级的强度值;h (k) 为在第 k 级的模糊直方图值; 是第 i 个模糊直方图子图值的总和。1.4 NSST 加权重构本文主要是在 NSST 重构的基础上, 进行加权处理, 将 CS-MSR 增强的低频子带图和 BPDFHE 增强的高频方向子带图, 重构形成增强的直流电缆局放信号图, 可以有效地增加信号图中的信息内容
24、, 为下一步信号图的特征提取和类型识别提供有效帮助。进行 NSST 加权重构的主要目的在于更加充分地发挥 CS-MSR 和 BPDFHE 增强方法对直流电缆局放图的增强特点, 同时结合信号图融合的思想, 本文采用加权平均的方式进行 NSST 重构。即, 首先用 CS-MSR 增强方法对低频子带图进行处理, 用 BPDFHE 增强方法对高频方向子带图进行处理。然后把增强后的各子带图, 按照一定的比例加权平均后, 经过 NSST 重构出新的直流电缆局放信号图。设经过加权后的 CS-MSR 增强低频子带图为 I low, 经过加权后的 BPDFHE 增强方向子带图为 (2-) I dir, i, i
25、=1, 2, , 8。其中, 为加权系数, (0, 2) , 通过调节加权系数, 经过 NSST 重构, 可得到不同的增强效果图, 对应的归一化后的评价指标见表 1。通过表 1 可发现, 当加权系数 选取 1.1 时, 增强后的信号图与其他情况相比, 清晰度、边缘强度、灰度均值、对比度均最大, 信号图的信息最为完整和充分。因此, 本文后续讨论中, 加权系数 均为 1.1。表 1 不同加权系数对增强效果评价的影响 Table 1 Influence of different weights on the evaluation of enhanced effect 下载原表 2 直流电缆局放信号图
26、增强效果分析依次将直流 XLPE 电缆终端接头缺陷模型连入试验系统 (含 DIELEC 200 k V 直流高压源、5 k VA/200 k V 直流试验变压器、400 k V/0.5 A 高压硅堆、200 k V/100 p F 交直流分压器、200 k V/10 000p F 滤波电容器、10 保护水电阻、高频电流传感器 (HFCT) 、Lecroy 高速示波器、HAEFELY 直流局放仪、屏蔽房等) , 缓慢升压直至观测到明显放电脉冲, 通过 HFCT 采集局放信号。将单个脉冲峰峰值记为 q, 区间等分数目为 64, 与下次放电间隔记为 t, 区间等分数目为 64, 某放电幅值相应某时间
27、间隔内的等效放电次数记为 n, 区间等分数目为 256。以 300 个脉冲作为 1 次采样周期。将计算后的直流 XLPE 电缆 4 种绝缘缺陷的 qtn 局放信号图21 (即放电幅值、放电间隔、放电次数) 进行增强处理对比分析。图 4、图 5、图 6、图 7 分别为缺陷 I、II、III、IV 情况下各增强算法结果图, 其中缺陷类型 I 是 XLPE 绝缘内部气隙放电, 缺陷类型II 是半导电层悬浮放电, 缺陷类型 III 是半导电层沿面放电, 缺陷类型 IV 是扎针电晕放电。通过图 4 可清晰的发现, 在电缆绝缘缺陷 I 情况下, 直接采用 BPDFHE 增强方法的效果一般, 与原始信号图相
28、比, 增强效果不明显。CS-MSR 增强方法的效果有一定提高, 但与本文提出的增强方法相比还有一定差距。本文方法增强信号图的放电特征更加突出, 放电量较低的区域也能够很好的处理, 细节特征更加明显。通过图 5 可发现, 在电缆绝缘缺陷 II 情况下, 直接采用 BPDFHE、CS-MSR 增强方法的效果一般, 增强效果不明显。而本文提出的增强方法, 放电区域有明显扩大, 且时间间隔较大和放电量较大的数据区域也有突出, 增强效果显著。通过图 6 可发现, 在电缆绝缘缺陷 III 情况下, 直接采用 BPDFHE 和 CS-MSR 增强方法, 与原始信号图相比, 有一定的增强效果。但与本文提出的增
29、强方法相比, 在信号图细节的突出方面效果欠缺, 尤其是在时间间隔较大的数据区域。通过图 7 可发现, 在电缆绝缘缺陷 IV 情况下, 直接采用 BPDFHE 增强方法的效果一般, 与原始信号图相比, 差别较小。CS-MSR 增强方法的效果有一定提高, 但与本文提出的增强方法相比, 在放电量较大的区域和时间间隔较大的区域, 放电特征均不够突出。图 4 缺陷 I 情况下的各增强算法结果图 Fig.4 Results of each enhancement algorithm in defect I 下载原图图 5 缺陷 II 情况下的各增强算法结果图 Fig.5 Results of each e
30、nhancement algorithm in defect II 下载原图各增强算法具体的评价指标值见表 2。由表 2 可见, 本文提出的算法在信号图的清晰度、边缘强度、灰度均值、对比度方面基本均优于 BPDFHE 和 CS-MSR 算法, 清晰度最大提高 61.43%和 42.19%, 边缘强度最大提高 44.44%和 17.77%, 灰度均值最大提高 20.61%和 9.00%, 对比度最大提高 38.56%和 9.78%。仅在缺陷 III 情况行下, 本文算法的灰度均值为 17.562, 低于 BPDFHE 算法的17.752。在缺陷 IV 情况行下, 本文算法的对比度为 1.132,
31、 低于 CS-MSR 的1.151。图 6 缺陷 III 情况下的各增强算法结果图 Fig.6 Results of each enhancement algorithm in defect III 下载原图图 7 缺陷 IV 情况下的各增强算法结果图 Fig.7 Results of each enhancement algorithm in defect IV 下载原图3 直流电缆缺陷识别效果分析本文提取的特征参数分别为直流电缆局放图的最大放电次数 nmax, 平均放电时间间隔 t avg, 放电时间间隔标准差 t std, 平均放电量 qavg, 放电量标准差qstd, 峭度 ku, 偏
32、斜度 sk, 信息熵 en等8,21-23, 即每个直流电缆局放信号图的特征包括 9 个子带图 (1 个加权后的低频子带图和 8 个加权后的高频方向子带图) 的 8 个特征, 共 72 个参数。归一化后的部分特征参数见表 3, 其中子图序号 0 表示加权后的低频子带图, 序号 18 表示 8 个加权后的高频方向子带图。表 2 不同缺陷和增强算法的评价指标值 Table 2 Influence of different weights on the evaluation of enhanced effect 下载原表 将提取的特征参数, 分别带入线性核支持向量机 (L-SVM) , 高斯核支持向
33、量机 (G-SVM) , 多项式核支持向量机 (P-SVM) 和多核支持向量机 (M-SVM) 识别模型24-25中进行分析, 分 10 次随机挑选 15 组训练数据, 并对未训练的数据进行识别, 平均识别准确度见图 8。M-SVM 是在传统单核 SVM 的基础上, 通过对各类核函数进行加权融合而形成的。SVM 的核函数主要包括局部性核函数和全局性核函数, 线性核函数和多项式核函数为典型的全局核函数, 高斯核函数为典型的局部核函数。局部核函数学习能力强, 泛化能力弱;全局核函数泛化能力强, 学习能力弱。而 M-SVM 继承了传统单核 SVM 的泛化推广能力和自学习能力。单核 SVM (如 L-
34、SVM、G-SVM、P-SVM) 能够解决简单数据的分类问题, 但对多个复杂数据源的电缆局放缺陷识别问题却存在一定的局限性。为了使识别模型具有更好的学习能力和泛化性能, 本文构造了 M-SVM。M-SVM 兼具了多个单核 SVM 的优点, 具有更好的分类辨识性能。通过图 8 可发现, 对于 L-SVM、G-SVM 和 P-SVM 识别方法, 在不同的局放信号图情况下, 整体识别准确率 (overall recognition accuracy, ORA) 的最大值有波动, 如 P-SVM 在原始局放信号图的 ORA 最大, 达到 71.65%, G-SVM 在 BPDFHE增强局放信号图的 O
35、RA 最大, 达到 72.99%, L-SVM 在 CS-MSR 增强局放信号图的ORA 最大, 达到 74.18%。而在 M-SVM 情况下, 不同局放信号图的 ORA 与其他 3种分类器相比, 均是最大的。对于原始的直流电缆局放信号图, ORA 的最大值为 76.63%, 而经过 BPDFHE 增强, CS-MSR 增强和本文提出的增强方法处理后的信号图, 4 种分类器的 ORA 最大值分别为 77.59%、79.78%和 83.88%, 相比原始信号图有明显提高。仅在缺陷类型 I, L-SVM 分类器的情况下, 本文提出的增强信号图的 ORA 为 72.86%, 低于原始信号图的 ORA
36、 为 76.40%。其他情况下, 本文提出的方法均有明显提高, 缺陷类型为 I 时, M-SVM 分类器的最大提高比率为15.14%。表 3 直流电缆局放信号图的归一化特征参数表 Table 3 Normalized characteristic parameters of PD image in DC cable 下载原表 图 8 不同增强算法下的识别结果图 Fig.8 Recognition results under different enhancement algorithms 下载原图4 结论1) 本文提出的算法在局放信号图的清晰度、边缘强度、灰度均值、对比度方面基本均优于 BPD
37、FHE 和 CS-MSR 算法, 清晰度最大提高 61.43%和 42.19%, 边缘强度最大提高 44.44%和 17.77%, 灰度均值最大提高 20.61%和 9.00%, 对比度最大提高 38.56%和 9.78%。2) 将经过本文算法增强处理后的直流电缆局放信号图进行特征提取, 并代入L-SVM, G-SVM, P-SVM 和 M-SVM 识别模型进行诊断。在 M-SVM 模型中整体识别准确率最高, 相比原始的局放信号图, 分别提高了 8.37%、16.56%、12.41%和9.46%。3) 本文提取的特征参数为每个直流电缆局放信号图的特征包括 9 个子带图 (1个加权后的低频子带图
38、和 8 个加权后的高频方向子带图) 的 8 个特征, 共 72 个参数。特征参数数量较多, 影响识别模型效率, 可在后续的研究中进行特征参数的优化。4) 本文电缆局放数据采集在实验室的屏蔽房中进行, 降低了外界的噪声信号, 但现场测试的过程中, 必定存在大量的干扰信号。因此在不同噪声情况下, 本文方法的有效性需要进一步验证分析。参考文献1杜伯学, 李忠磊, 杨卓然, 等.高压直流交联聚乙烯电缆应用与研究进展J.高电压技术, 2017, 43 (2) :344-354.DU Boxue, LI Zhonglei, YANG Zhuoran, et al.Application and resea
39、rch progress of HVDC XLPE cablesJ.High Voltage Engineering, 2017, 43 (2) :344-354. 2何金良, 党斌, 周垚, 等.挤压型高压直流电缆研究进展及关键技术述评J.高电压技术, 2015, 41 (5) :1417-1429.HE Jinliang, DANG Bin, ZHOU Yao, et al.Reviews on research progress and key technology in extruded cables for HVDC transmissionJ.High Voltage Engineering, 2015, 41 (5) :1417-1429. 3姚美齐, 李乃湖.欧洲超级电网的发展及其解决方案J.电网技术, 2014, 38 (3) :549-555.YAO Meiqi, LI Naihu.An introduction to european supergrid and its solutionsJ.Power System Technology, 2014, 38 (3) :549-555.
