基于超高频包络信号的gis缺陷识别

基于超高频包络信号的gis缺陷识别

0uhf脉冲信号的采样封闭式气体隔离装置（gis）广泛应用于城市供电等高压输送系统。GIS具有诸多优点,其发生绝缘故障的概率很小,但是绝缘击穿的后果通常比较严重,因而受到国内外的关注。局部放电(PD)检测是目前GIS绝缘检测与诊断最有效的方法。局部放电既是GIS绝缘劣化的征兆和表现形式,又是绝缘进一步劣化的原因。超高频(ultrahighfrequency,UHF)方法具有灵敏度高、抗干扰性能强等优点,是目前应用最为广泛的GIS局部放电在线检测方法。GIS局部放电产生的UHF信号包含了丰富的信息,它们与放电类型、放电强度、局部放电源位置和传播途径等都直接相关。UHF信号频谱带宽高达GHz,采用数据采集装置直接对UHF原始信号进行采样,成本高昂、数据量巨大,不适合对现场的GIS进行在线监测。采用频谱仪对UHF信号实施频谱分析的方法也仅用于实验室研究。目前使用较多的GIS局部放电检测方法是采用峰值检测电路获取UHF信号的峰值,再用50Hz×64样点=3200Hz(50Hz工频即50周波/s,每周波采样64点)的采样频率对峰值信号进行采样,然后根据多个周波的局部放电幅值、相位和放电个数图谱特征识别局部放电类型。这种以峰值检波为基础的检测方法使用的采样频率非常低,可能会丢失掉局部放电脉冲信号中的一部分。有一些研究使用了准包络检波方法获取UHF的信号峰值,并采用20MHz的采样频率,然后根据单个50Hz工频周期上放电脉冲的个数和相位信息进行绝缘缺陷类型的模式识别。该方法的主要优点是仅根据单个工频周期中局部放电脉冲信息就能识别缺陷类型,而以峰值检波为基础的方法则需要统计连续多个工频周期中产生的局部放电脉冲才能实现缺陷的识别。采用超高频包络检波电路可以对UHF信号进行包络检波,去除其载波,得到一个与原信号形状完全相同的包络信号,脉冲波形的频率由300～1500MHz变换为<50MHz;在对该脉冲信号进行数字化采样后,使用数字信号处理算法和模式识别算法可以剔除干扰脉冲,进行以脉冲波形特征为基础的缺陷模式识别研究。本文应用超高频包络检波电路提取GIS局部放电UHF信号的包络,对包络信号进行时域特征参数提取,然后采用基于BP神经网络的模式识别方法对缺陷进行分类,获得了很好的GIS局部放电故障缺陷识别效果。1gis的错误和检测1.1自由金属晶粒的制造和放电GIS中有可能出现的绝缘缺陷主要包括:GIS腔体内可以移动的自由金属微粒、传导部分的接触不良、绝缘子制造时造成的绝缘子内部空隙、试验闪络引起的绝缘子表面痕迹、因电极表面粗糙而产生的或在制造时嵌入的金属微粒等[8,9,10,11,12,13,14]。自由金属微粒在制造、装配和运行中均有可能产生,它有积累电荷的能力,在交流电场的影响下能够移动,在很大程度上其运动与放电的可能性是随机的,当它靠近高压导体且并未接触时,放电最可能发生。高压导体表面在制造不良、安装损坏或摩擦时会造成尖的毛刺,在稳定的工频状态下不会引起击穿,但在冲击、快速暂态过电压的条件下则可能发生放电。绝缘子制造时会造成内部空隙,或者环氧树脂与金属电极的收缩系数的不同,也会形成绝缘子内部气泡和空隙。传导部分的接触不良,尤其是浮动部件会产生很大的放电,且放电趋向于反复。GIS的上述绝缘缺陷极有可能产生局部放电,在绝缘体中的局部放电甚至会腐蚀绝缘材料,进一步发展成电树枝,并最后导致绝缘击穿。根据以上分析,本文设计了5种缺陷模型,分别是:自由金属微粒、高压导体表面针尖、绝缘子内部气泡、绝缘子表面金属微粒和浮动电极等模型。1.2等效积分时间条件设计基于包络检波的GIS超高频局部放电检测系统的硬件结构如图1所示,该系统由内置UHF传感器、UHF放大器、带通滤波器、全球移动通讯系统(globalsystemformobilecommunications,GSM)陷波器、包络检波电路和高速数据采集电路等组成,宽带示波器用于采样UHF原始信号。UHF传感器接收到的局部放电信号功率为-80～-15dBmW(分贝毫瓦),低噪声放大器将此信号程控放大到>-40dBmW,然后经包络检波电路检波。包络检波电路(如图1所示)由高频二极管和高频电容等组成。UHF传感器接收到的电磁波信号频率高达数GHz,因此要求包络检波电路的充电积分时间<1ns,以减小峰值误差。实际的检波电路受到二极管器件固有参数的限制,其室温情况下的等效积分时间常数约为3ns。因此当该检波电路输入非等幅正弦波GIS局部放电UHF信号时存在一定的峰值检波误差,多次试验对比测试表明该误差≤10%,能满足工程要求。2gis缺陷测试2.1缺陷模型试验设备GIS局部放电试验系统包括:无局放高压电源、GIS罐体、GIS缺陷模型、传统局部放电检测仪、UHF测量系统和宽带示波器等。本文的缺陷模型试验在某GIS生产厂家的的220kVGIS试验系统(如图2所示)上完成,其主要设备包括:550kV全密封升压变压器、局部放电检测仪、约20m长的GIS腔体和多功能测量表等。该系统的背景局部放电量约为1.1pC。2.2不同缺陷模型的放电信号分别在GIS内安装自由金属微粒等5种缺陷模型,充入0.61MPa的SF6气体,稳定一段时间后进行加压试验。表1为分别在不同缺陷模型上所施加的放电电压和局部放电检测仪所测得的局部放电量大小。由以上数据可以看出,不同缺陷模型的放电电压不同,产生的局部放电量大小也有所不同。自由金属微粒和高压导体表面针尖的局部放电典型包络信号u分别如图3、4所示。对试验数据的分析表明,在时域特征上,不同缺陷模型所产生局部放电包络信号的时域特征有所不同,其中绝缘子内部气泡模型产生的放电信号具有双指数衰减振荡特征,其它缺陷模型下的信号均为单指数衰减振荡特征。在放电幅值上,高压导体上针尖的放电幅值最大,绝缘子内部气泡次之,自由金属微粒和绝缘子表面金属微粒的放电幅值大小相近,浮动电极的放电幅值最小。在脉冲宽度上,高压导体上针尖的脉冲宽度最大,绝缘子内部气泡次之,自由金属微粒所产生的放电信号的脉冲宽度最小。2.3局部放电的基本原理从图3、4可以看出,UHF包络检波信号中存在有噪声干扰,这些噪声会影响特征参数提取的准确性,因此有必要分析这样噪声的特性并采用合适的方法进行降噪。GIS局部放电的超高频检测方法使用宽带UHF传感器来接收局部放电产生的UHF信号,尽管GIS壳体具有一定的屏蔽效果,但是GIS运行现场的各种电磁干扰和空间的无线电干扰信号等还是会耦合到UHF传感器。采用UHF方法的GIS局部放电检测过程中主要的干扰包括:1)广播和通讯系统的窄带干扰;2)电力电子器件、开关等产生的重复的和随机的脉冲干扰;3)空间的背景电磁波干扰;4)硬件电路的噪声等。以上各种干扰信号中除硬件电路的噪声外,其余噪声都是通过UHF传感器耦合进入检测系统的,其表现为加性干扰。常见的广播信号(包括短波和调频等)频率≤108MHz,UHF放大器前置的300～1500MHz高阶带通滤波器可以将其滤除。在UHF方法测量带宽(300～1500MHz)内,GSM等手机通讯信号是主要的窄带干扰,使用中心频率约为900MHz的带阻滤波器可以去除频率为860～945MHz的GSM频率。电力电子中的开关器件在开通和关断过程中,电压和电流在短时间内发生跳变,从而形成过高的du/dt和di/dt。基于UHF方法的GIS局部放电检测采用>300MHz的频率作为检测信号带宽,因此,只有频率很高的脉冲电磁干扰信号才会对局部放电信号产生影响。极少数的频率较高的脉冲信号混入局部放电信号,一般很难通过硬件和软件滤波的方式将其去除,而只能通过信号判别或模式识别的方法来进行剔除。空间的背景电磁波干扰为各种电磁波信号的叠加,表现为杂乱无章地分布于整个频率范围。空间的背景电磁波信号表现为类似于白噪声的特性,它不容易被UHF放大器前端滤波电路和检波电路滤除,而且经过放大电路后幅值随局部放电信号一起被放大。硬件电路的噪声包括:电阻的热噪声、晶体管PN结的散弹噪声、1/f噪声(其中f为频率)等,这些噪声同样会被放大电路放大。噪声为低频噪声,它通过包络检波电路后仍然为低频信号,可以通过高通滤波的方法去除。因此空间的背景电磁波干扰、由电阻产生的热噪声和放大器噪声(晶体管PN结的散弹噪声)是检测系统主要的噪声来源,它们都具有白噪声的特性。局部放电UHF包络信号属于非平稳信号,白噪声干扰属于平稳信号。因此,局部放电UHF包络信号和白噪声在小波变换下随尺度变化而呈现出不同的变化特征,具有不同的Lipschitz正则性。信号的Lipschitz指数>0,而噪声的Lipschitz指数<0,即信号的边缘具有良好的局部特性,并且出现在各个尺度上;噪声的能量集中在小尺度上,其小波系数的幅值随着分解尺度的增加而迅速衰减。可以根据这一特性采用小波变换的方法滤除局部放电包络采样信号中的白噪声。本文采用小波阈值滤波算法对检波后的包络信号进行了去噪,浮动电极模型局部放电包络检波信号及其小波滤波后的信号如图5所示。通过滤波提高了包络信号的信噪比,为模式识别特征参数的准确提取提供了保证。3局部放电信号模型特征大量重复的试验结果表明,同一缺陷模型所产生的局部放电时域信号波形特征大致相同,其包络形状也大致相同;不同缺陷模型所产生的局部放电时域信号波形特征不同,其包络形状也不同。因此可以提取包络信号的特征参数,再采用神经网络算法对采集的试验数据进行模式识别。3.1单次脉冲波形的不对称性本文通过以下7个特征参数来描述GIS局部放电UHF包络信号时域波形的形状,表2为5种缺陷的典型特征参数。GIS局部放电信号的包络形状可以用7个时域特征参数来表征,这7个参量包括:波头时间th、脉冲上升沿时间tr、脉冲下降沿时间td、放电脉冲宽度t50%、视在放电持续时间t10%、偏斜度Sk和峭度Ku等。偏斜度Sk描述随机变量的概率分布的对称性,本文研究中用Sk来表征单次时域波形的不对称性,Sk>0表明时域波形不对称,向左侧偏斜。峭度Ku描述随机变量的概率分布集中于均值的程度,即分布函数的变化陡度,本文研究中用Ku来表征单次脉冲波形中脉冲幅值的相对大小,Ku越大,单次放电波形中放电脉冲幅值相对越大。Sk、Ku的计算公式分别为:Sk=E(xi−μ)3σ3;(1)Ku=E(xi−μ)4σ4。(2)Sk=E(xi-μ)3σ3;(1)Κu=E(xi-μ)4σ4。(2)式中,xi为第i个采样点;μ为{xi}的均值;σ为{xi}的标准差;E为{xi}的期望值。3.2bp神经网络简介模式识别是根据一种研究对象的某些特征对其进行识别并分类。神经网络模式识别方法模拟人脑的思维过程,因此具有极高的智能性。反向传播(backpropagation,BP)网络是一种多层前馈型神经网络,它使用误差反向传播学习算法即BP算法,具有优良的非线性逼近能力,是目前应用最为广泛的神经网络。BP是单方向层次型神经网络,包括输入层、输出层和中间隐含层,其中心思想是调整权值使网络总误差最小。BP首先通过一定数量样本的训练学习,确定各层间的连接权值即网络参数,然后使用该训练好的网络参数实现对实际信号数据的模式识别。3.3bp网络模型本文对以上5种试验缺陷模型,分别选取100组测试数据的特征参数作为BP网络的训练样本,将训练误差δ分别设置为0.005、0.002和0.001,得到3种BP网络参数。BP网络在训练过程中根据实际输出与期望输出的均方误差来调整神经元的权重,当实际输出与期望输出误差绝对值的最大值