1、小波去噪对提高 GIS 超声局部放电信号识别率的研究 张波 刘成国 徐忠 林涛 国网北京市电力公司检修分公司 摘 要： 在气体绝缘组合电器 (GIS) 实体模型内部分别放置针-板、悬浮金属颗粒和绝缘子表面固定金属颗粒三种缺陷模型, 用超声波传感器在相同电压下采集到良好的局部放电波形, 将从现场运行设备上测得的背景噪声叠加到原放电波形上。对叠加噪声后的放电波形采用小波去噪, 针对波形特点选取了 7 个特征参数, 分别用去噪前后波形的特征参数对 BPAdaboost 分类器进行训练和测试, 结果表明用去噪后波形提取的特征量作为分类器输入的识别率更高。关键词： 气体绝缘组合电器; 超声波传感器; 小
2、波去噪; BPAdaboost 分类器; 放电类型识别; 作者简介：张波, 男 1989 年生, 硕士, 助理工程师, 从事变电运维工作。作者简介：刘成国, 男 1968 年生, 本科, 助理工程师, 从事变电运维工作。收稿日期：2017-06-29Research on Improving the Recognition Rate of GIS Ultrasonic Discharge Signal by Wavelet DenoisingZhang Bo Liu Chengguo Xu Zhong Lin Tao Beijing Electric Power Corporation of
3、SGCC; Abstract： Needle-plate, suspended metal particles and metal particles fixed on insulator surface were placed separately in GIS entity model. The discharge waveforms were detected by using ultrasonic sensor under the same voltage. In order to be consistent with the field noise, we added the noi
4、se which was detected from the field equipment to the discharge waveforms. The waveforms were processed by wavelet de-noising. Then Aiming at the waveforms chara-cteristics, seven characteristic parameters were chosen. The characteristic parameters before and after de-noising were used separately to
5、 train and test BPAdaboost classifier. The results showed that by using characteristic vectors grasped from waveforms after de-noising, the recognition result is higher.Keyword： GIS; ultrasonic sensor; wavelet de-noising; BPAdaboost classifier; recognition of discharge types; Received： 2017-06-291 引
6、言近年来, 以 SF6作为绝缘介质的 GIS 在电网开关设备中发展迅速, 它具有占地面积小、运行可靠且不受外界环境的影响等优点。尽管 GIS 设备的可靠性高, 但其内部不可避免的缺陷在长期发展后仍会引发故障1-3。局部放电作为引发GIS 事故的主要因素, 在国内外得到了大量的研究。在现场的局部放电检测时, 周围不可避免地会有一些噪声, 这些噪声会影响采集到的波形, 严重时甚至会让现场人员对是否有放电和放电类型造成误判, 所以对波形进行滤波就显得很有必要4-5。随着小波分析理论的不断发展, 利用小波方法对信号去噪已得到了国内外众多学者广泛的应用。本文参照现场实际缺陷设计实验, 在 GIS 实体模
7、型内部分别放置针-板、绝缘子表面金属颗粒和悬浮金属颗粒三种缺陷模型。在相同的电压下分别采集得到三种放电模型的局部放电波形, 将现场测得的噪声叠加到局部放电波形上, 用小波分析对超声波信号进行去噪, 最后对去噪前后的信号分别用 BP_Adaboost 分类器进行放电类型识别。2 实验内容实验中, 将制作好的针-板模型、绝缘子表面缺陷模型和悬浮金属颗粒模型分别置于研制的 GIS 实体装置中, 为与现场设备的状态保持一致, 在内部充以0.4MPa 的 SF6气体, 缺陷模型示意图如图 1 所示, 实验回路示意图如图 2 所示。图中, 相应的局部放电模型用 CX表示;示波器的作用是用来采集并保存局部放
8、电的放电波形, 进行后期数据分析。用超声波传感器来采集超声波信号, 超声波传感器主要由谐振式探头和后置带宽放大器组成, 实验中所用的探头工作带宽为 1570k Hz, 谐振频率为 40k Hz, 放大器增益为 40d B。图 1 缺陷模型示意图 Fig.1 Diagram of defects models 下载原图图 2 实验回路示意图 Fig.2 Experimental circuit diagram 下载原图为防止加压过快造成绝缘击穿, 实验加压从 0 开始缓慢升高。一人加压一人注意示波器的波形变化, 当示波器上出现较为稳定的放电波形时, 停止加压。因为放电模型不同, 超声波对不同类型
9、的放电灵敏度不同, 因此开始出现较为稳定放电时的电压也不相同。为了跟现场情况相符和实验目的需要, 发现实验电压在 60k V 时, 3 种模型在 GIS 中都有稳定的放电, 针对每种放电模型在此电压下记录 150 组数据。3 小波去噪介绍信号的噪声处理是信号处理领域的经典问题之一。传统去除噪声的方法主要包括线性滤波和非线性滤波, 如中值滤波和 Wiener 滤波等。不管是线性还是非线性滤波, 都存在使信号变换后的熵增高、无法得到信号的相关性和无法刻画信号的非平稳特性的缺点6-7。为了克服上述缺点, 人们开始使用小波变换的方法解决信号噪声去除问题。用小波变换对信号进行去噪的过程分为信号的小波分解
10、, 高频系数的阈值量化和小波重构。其中, 最关键的是阈值选择和量化, 它关系到信号噪声去除的质量。小波去噪的阈值选择一般有下述 3 种方法8:(1) 默认阈值去噪。利用函数生成信号的默认阈值, 然后再进行去噪处理。(2) 给定阈值去噪。通过经验公式获得阈值, 这种阈值比默认阈值的可信度高。(3) 强制去噪。将小波分解结构中的所有高频部分滤掉, 然后进行小波重构。这种方法比较简单, 去噪后的信号比较平滑, 但容易丢失信号中的有用成分。目前, GIS 站多采用标准化设计和施工, 相同电压等级变电站的室内或室外 GIS设备的布置环境基本相同, 因此, 可能影响背景噪声的电晕放电等因素差别不大。在对现
11、场采集到的背景噪声进行时频分析后也发现差别不大, 所以本文采用给定阈值去噪的方法对超声波信号进行去噪处理。4 BP_Adaboost 分类器介绍Adaboost 算法是把多个“弱”分类器的输出合并以产生有效分类。其步骤主要为: (1) 从样本空间中挑选出 m 组训练数据, 设定每组训练数据的权重为1/m。 (2) 对每组数据用弱学习算法迭代运算 T 次, 每次运算后都按照分类结果更新训练数据权重, 将较大权重赋予分类失败的训练个体。 (3) 通过反复迭代得到一个分类函数序列 f1, f2, , fT, 对每个分类函数赋予一个权重, 分类结果越好的赋予的权重越大。T 次迭代之后, 强分类函数 F
12、 由弱分类函数加权得到9-10。BP_Adaboost 模型是把 BP 神经网络作为弱分类器, 反复用 BP 神经网络训练样本, 通过 Adaboost 算法得到多个 BP 神经网络弱分类器组成的强分类器。图 3为 BP_Adaboost 算法进行分类识别的流程11。图 3 BP_Adaboost 算法分类识别流程 Fig.3 Type recognition of BP_Adaboost algorithm 下载原图5 放电类型识别5.1 超声波信号去噪和特征量提取为与现场噪声保持一致, 实验将现场测得的噪声叠加到局部放电信号上。随后对实验获得的超声波信号进行小波去噪, 用 haar 小波将
13、波形分解为 5 层, 设置第一层阈值为 0.014, 第二层阈值为 0.019, 第三层阈值为 0.034, 第四层阈值为 0.052, 第五层阈值为 0.006, 进行去噪, 图 4 为其中一个信号去噪前的波形图, 图 5 为其去噪后的波形。从去噪前后的波形可以看出, 去噪后的波形保留了原信号中的放电部分波形而滤掉了大量的噪声信号。对去噪前后得到的放电信号分别提取特征量, 本文选取了 7 个特征参数, 分别为:平均值 (Mean, M) 、均值绝对偏差 (Mean Absolute Deviation, MAD) 、标准差 (Standard Deviation, SD) 、偏度 (Skew
14、ness, S) 、曼哈顿距离 (L1Norm, 1N) 、峰度 (Kurtosis, K) 和欧几里得距离 (L2 Norm, 2N) 。表 1表 6 为 3 种放电波形去噪前、后的部分特征参数值。图 4 去噪前的波形 Fig.4 Waveform before de-noising 下载原图图 5 去噪后的波形 Fig.5 Waveform after de-noising 下载原图表 1 去噪前针-板放电的部分特征参数值 Tab.1 Part characteristic parametersvalues of needle-plate discharge before de-noisi
15、ng 下载原表 5.2 用 BP_Adaboost 分类器做放电类型识别实验对每种放电提取了 150 组数据, 用其中的 120 组作为训练样本, 30 组作为测试样本。用去噪前后的数据分别训练和识别, 对比效果, 所以每次训练的样本总数为 360, 测试样本总数为 90。对于 3 种放电类型, 设置分类器的输出节点数为 3, 针-板放电用状态0 0 1代表, 悬浮金属颗粒放电用0 1 0代表, 绝缘子表面固定金属颗粒放电用1 0 0代表。表 2 去噪前悬浮金属颗粒放电的部分特征参数值 Tab.2 Part characteristic parametersvalues of suspende
16、d metal particles discharge before de-noising 下载原表 表 3 去噪前绝缘子表面放电的部分特征参数值 Tab.3 Part characteristic parametersvalues of insulator surface discharge before de-noising 下载原表 表 4 去噪后针-板放电的部分特征参数值 Tab.4 Part characteristic parametersvalues of needle-plate discharge after de-noising 下载原表 表 5 去噪后悬浮金属颗粒放电的部
17、分特征参数值 Tab.5 Part characteristic parametersvalues of suspended metal particles discharge after de-noising 下载原表 表 6 去噪后绝缘子表面放电的部分特征参数值 Tab.6 Part characteristic parametersvalues of insulator surface discharge after de-noising 下载原表 在训练之前, 需要先对样本数据进行归一化处理。数据归一化处理把所有的数据都转化为0, 1之间的数, 其目的是取消各维数据间数量级差别, 避免
18、因为输入输出数据数量级差别较大而造成网络预测误差较大。本文采用最大最小法, 其函数形式如下:式中, x min为数据序列中的最小数;x max为序列中的最大数。本文采用的 BP 神经网络的隐含层为 1 层, 结构为 8-10-3。设置训练参数为:学习率 0.01, 最大学习次数 500 次, 学习精度 0.001, 训练函数 trainlm。对于BP_Adaboost 强分类器, 迭代次数为 15, 即弱分类器 BP 神经网络的个数为15。用测试数据进行放电类型识别的测试结果见表 7 和表 8。表 7 去噪前的识别结果 Tab.7 Recognition results with data b
19、efore de-noising 下载原表 表 8 去噪后的识别结果 Tab.8 Recognition results with data after de-noising 下载原表 对比上面的识别结果可以看出, 用去噪后的数据作为输入进行放电类型识别的识别率更高, 综合识别达到了 93.3%。6 结论采用现场背景噪声与实验放电波形叠加的方法可以更好地模拟现场设备真实存在缺陷时的放电波形, 对去噪前后的放电波形用 BP_Adaboost 分类器进行模式识别, 结果表明 BP_Adaboost 分类器是一种优秀的分类器, 对去噪后的数据识别率更高。参考文献1高凯, 倪浩, 杨凌辉.GIS 局部
20、放电检测的技术发展和分析J.华东电力, 2012, 40 (8) :1384-1387.Gao Kai, Ni Hao, Yang Linghui.GIS partial discharge testing technology development and analysisJ.East China Electric Power, 2012, 40 (8) :1384-1387. 2邱毓昌.GIS 装置及其绝缘技术M.北京:水利电力出版社, 1994:34-89. 3谭向宇, 杨卓, 赵现平, 等.GIS 内金属性缺陷引起的局部放电超声信号分布特性研究J.高压电器, 2012, 48 (12
21、) :65-69.Tan Xiangyu, Yang Zhuo, Zhao Xianping, et al.Ultrasonic signal distribution characteristics of partial discharge due to metallic defects in GISJ.High Voltage Apparatus, 2012, 48 (12) :65-69. 4刘君华, 吴晓春, 徐敏骅.超高频与超声波法在 GIS 局部放电现场检测中的应用研究J.华东电力, 2011, 39 (12) :2096-2099.Liu Junhua, Wu Xiaochun,
22、 Xu Minhua.Application research on on-line detection of GIS partial discharge based on ultrahigh frequency method and ultrasonic methodJ.East China Electric Power, 2011, 39 (12) :2096-2099. 5张晓星, 唐炬, 孙才新, 等.一种基于线性鉴别分析的 GIS 局部放电模式识别J.重庆大学学报, 2006, 29 (10) :1-4.Zhang Xiaoxing, Tang Ju, Sun Caixin, et
23、al.PD pattern recognition based on linear discriminant analysis in GISJ.Journal of Chongqing University, 2006, 29 (10) :1-4. 6胡云鹏, 陈焕新, 周诚, 等.基于小波去噪的冷水机组传感器故障检测J.华中科技大学学报 (自然科学版) , 2013, 41 (3) :16-19.Hu Yunpeng, Chen Huanxin, Zhou Cheng, et al.Chiller sensor fault detection using wavelet denoisingJ
24、.J.Huanzhong Univ.of Sci.&Tech. (Natural Science Edition) , 2013, 41 (3) :16-19. 7王立地, 朱楠, 韩春成.小波去噪在动态负荷建模实测信号中的应用J.电测与仪表, 2010, 47 (9) :18-21.Wang Lidi, Zhu Nan, Han Chuncheng.Application of wavelet denoising on measurement signals of dynamic load modelJ.Electrical Measurement&Instrumentation, 2010
25、, 47 (9) :18-21. 8邱选兵, 魏计林, 崔小朝, 等.异构双核构架下的脉冲涡流信号实时小波去噪J.计算机应用, 2013, 33 (3) :866-870.Qiu Xuanbing, Wei Jilin, Cui Xiaozhao, et al.Realtime wavelet denoising for pulsed eddy current signal based on heterogeneous dual-coreJ.Journal of Computer Applications, 2013, 33 (3) :866-870. 9张燕, 倪远平.基于 Ada Boos
26、t.M2-NN 的变压器故障诊断J.甘肃科学学报, 2012, 24 (1) :97-101.ZhangYan, Ni Yuanping.Fault diagnosis of transformer based on ada Boost.M2-NNJ.Journal of Gansu Sciences, 2012, 24 (1) :97-101. 10周英, 尹邦德, 任铃, 等.基于 BP 神经网络的电网短期负荷预测模型研究J.电测与仪表, 2011, 48 (2) :68-71.Zhou Ying, Yin Bangde, Ren Ling, et al.Study of electricity short-term load forecast based on BP neural networkJ.Electrical Measurement&Instrumentation, 2011, 48 (2) :68-71. 11彭湘陵.基于 BP_Adaboost 和 HMM 的湖南方言识别方法研究D.长沙:湖南师范大学, 2012.
