CN102062830A - 一种非接触式的绝缘子泄漏电流取样方法 - Google Patents

Abstract

本发明提供一种非接触式的绝缘子泄漏电流取样方法。输电线路或变电站绝缘子处于强烈的电磁场中，常规测量方法测量所得泄漏电流中往往含有噪声。本发明通过两个型号一致但放置位置不同的穿心式电流传感器获得两个信号，所述两个信号均由泄漏电流和噪声组成，但比例不同，根据盲信号处理中的独立分量分析方法分离获得与泄漏电流和噪声成比例的信号，基于信号前后两点差值的累加区分泄漏电流信号和噪声信号，再基于反演算法获得真实的泄漏电流信号。本方法能在现场强烈电磁场干扰情况下准确获得绝缘子中的泄漏电流信号，同时也能保持泄漏电流的非接触取样。

Description

一种非接触式的绝缘子泄漏电流取样方法

技术领域

本发明属于电力传输技术领域，尤其涉及一种非接触式的绝缘子泄漏电流取样方法。

背景技术

绝缘子在输电线路中起着机械连接和电气绝缘作用，它在长期承受电压的情况下还经受大气环境中污秽和湿度的影响，难免在外绝缘强度上有所下降，一旦绝缘闪络，轻则导致线路跳闸，影响电能质量，重则可能导致线路停电、损失售电、影响生产生活，甚至导致电力系统解裂、给国民经济和人民生活带来严重损失。因此，外绝缘的状况必须进行监测。

绝缘子闪络有雷闪、污闪、冰闪等，虽然从发生比例上看雷闪较高，远高于污闪，但雷电过电压的持续时间非常短，闪络后的自动重合闸往往能成功，线路往往能恢复供电。但污闪就不同了，当一串绝缘子发生污闪时往往周围几公里甚至几十公里的绝缘子串都具有相近的污秽度且周围的天气状况往往非常接近，也就是说周围很多绝缘子串都处于临界污闪的状态。更为重要的是它往往是在正常电压下发生，闪络后电压、污秽和气候并没有改变，自动重合闸成功率往往相对较低，它造成的危害要大很多。因此，绝缘子的污闪应该重点研究。

有研究表明影响绝缘子污闪电压的主要因素是电压、气候和污秽。泄漏电流能综合反映电压、气候和污秽的影响，它伴随着表面污层积聚、受潮的全过程，是反映绝缘子闪络情况的重要参数，其中包含了绝缘情况的丰富信息。因此，它被认为是最能反映污秽度的参数。现有的绝缘子在线监测系统大多将泄漏电流作为核心监测量。

基于非接触式测量考虑，目前在线监测系统中往往采用穿心式电流传感器获得泄漏电流，该方式可以不改变电力系统原有的绝缘配置，但由于输电线路附近电磁场干扰较为强烈，故测量所得泄漏电流信号往往容易受到干扰。因此，该方法有必要进一步研究。

发明人在实现本发明的过程中，使用了现有的ICA(Independent ComponentAnalysis，独立成分分析)与FastICA(固定点快速分离算法)算法。

其中，ICA是基于信号高阶统计特性的分析方法，即根据信号统计独立的原则采用一定的算法将混合信号分解为独立的分量，因为不同物理源产生的信号往往统计独立，因此这些分离获得的独立分量即为源信号的一个近似估计。其基本原理就是对多通道采集所得信号寻找一个线性变换，使所得信号统计依赖性最小。

FastICA算法基于负熵最大化判据和批处理固定点快速分离算法，具有较高的性能，其收敛速度是3次(或至少是2次)，较之收敛速度仅仅是线性的普通ICA算法要快许多。目前该算法已经在多个领域得到了成功应用。FastICA算法主要由对观测信号的去均值、白化处理和用优化算法调整分离矩阵使目标函数达到最优两个步骤构成。根据中心极限定理可知，独立随机变量的和比原始随机变量中的任何一个更接近于高斯分布。根据信息论，高斯变量在所有具有相同方差的随机变量中具有最大的熵。因此，在保证相等方差的情况下熵越小即负熵越大则混合信号分离越完全。

ICA问题的解存在两种内在的不确定性：一个是分离信号排列顺序的不确定，也就是说某次分离得到信号按顺序分别为噪声和泄漏电流信号，则对同样的观测信号下次分离得到的信号按顺序可能变为泄漏电流信号和噪声；另一个是信号尺度的不确定性，也就是说仅根据分离得到的结果无法直接获得泄漏电流准确的幅值，故算法实现时设定信号方差为1；如果排列顺序和幅值都无法确定则根据ICA无法正确得到准确的泄漏电流信号，影响了方法的推广应用。

发明内容

为解决现有泄漏电流取样容易受到干扰以及ICA算法的解存在两种内在的不确定性的问题，本发明提供了一种非接触式的绝缘子泄漏电流取样方法。

本发明的技术方案是：其特征在于，包括以下步骤：

-基于两个或以上的电流传感器获得含噪声的观测泄漏电流信号；

-对观测泄漏电流信号进行去均值和白化处理；

-获得分离矩阵W；

-区分泄漏电流信号与噪声信号；

-通过反演运算获得源泄漏电流信号。

所述电流传感器为穿心式电流传感器，与电力系统一次接线不发生接触。

所述采集到的观测泄漏电流信号具有不同的信噪比。

利用FastICA算法进行去均值和白化处理。

区分泄漏电流信号与噪声信号时，根据信号前后两点差值绝对值的累加判断，累加值大的为噪声，小的为泄漏电流信号。

所述反演运算利用了ICA中的观测信号与源信号的关系以及传感器的增益。

本发明的优点有：

(1)抗环境电磁干扰能力强

由于干扰与信号来自不同的物理源，存在不相关的特性，而ICA方法即利用这种不相关性实现了噪声与泄漏电流信号的分离，因此分离得到的泄漏电流信号受噪声的影响较小。

(2)能获得真实的泄漏电流信号

ICA方法存在两个不确定性，即分离得到信号的顺序和幅值的不确定性，直接根据分离结果难以获得准确的泄漏电流信号。本发明根据泄漏电流信号变化较为平滑而噪声变化较为剧烈的特点根据前后2点信号的差值累加判断获得泄漏电流信号，同时根据反演运算获得真实幅值的泄漏电流信号。

(3)能实现泄漏电流信号的非接触取样

由于本发明获得泄漏电流信号(含噪声)的方式是通过穿心式电流传感器，该传感器并没有与电力系统的一次接线接触，故属于非接触式取样，不改变电力系统的一次接线方式，更容易被电力系统所接受。

附图说明

下面结合附图对本发明作详细说明：

图1为本发明的流程图；

图2(1)～(6)为泄漏电流信号叠加白噪声的分离效果图；

图3(1)～(6)为泄漏电流信号叠加脉冲噪声的分离效果图。

具体实施方式

下面对本发明实施例进行具体的介绍：结合图1，应用本发明的步骤为：

-基于两个或以上的穿心式电流传感器获得含噪声的泄漏电流信号；

-对含噪泄漏电流信号进行去均值和白化处理；

-根据式(7)、(8)获得分离矩阵W，根据式(9)获得幅值与真实泄漏电流成比例的准泄漏电流信号和噪声信号；

-区分该准泄漏电流信号与噪声信号；

-通过反演运算获得真实泄漏电流信号。

1.利用FastICA进行去均值和白化处理，获得分离矩阵W

设S＝[S₁，S₂，...，S_n]^T为源信号向量，其各个分量相互独立，X＝[X₁，X₂，...，X_m]^T为观测信号向量，它是源信号向量的线性组合，它们之间满足

X＝AS                (1)

式中A为混合矩阵。

式(1)即为ICA问题。由于可利用信息仅为X，要获得S与A，则问题必然多解，需满足相关假设条件才能使问题有唯一解。

ICA的目标是估计出源信号S，ICA的处理过程包括两个方面，即建立目标函数(优化判据)和寻优算法。目前针对ICA提出了各种判据和算法，其中判据主要有峭度或四阶累积量判据、负熵最大化判据、互信息最小化判据、最大似然函数估计判据等。判据确定后即可获得相应问题的目标函数，寻优算法通过迭代目标函数使其趋于最优，目前算法主要有随机梯度法、相对梯度法、自然梯度法、神经网络法等。近年来出现的批处理固定点快速分离算法FastICA较之已存在的算法具有优良的特性，在满足ICA数据模型的假设条件时，FastICA收敛速度是3次(或至少是2次)，而普通的ICA算法收敛速度仅仅是线性。算法实现目标可通过获得一个n阶方阵W，即分离矩阵，使下式中分离所得信号向量Y能很好地逼近源信号S来实现。

Y＝WX            (2)

在理想情况下混合矩阵A与分离矩阵W应满足

A＝W¹            (3)

FastICA算法通过优化调整W使其负熵最大化。离散的随机变量y的熵H定义为

$H\left(y\right)=-\underset{i}{\mathrm{\Σ}}P(y=a_i)\log P(y=a_i)---\left(4\right)$

根据信息论，高斯变量在所有具有相同方差的随即变量中具有最大的熵，负熵定义为

J(y)＝H(y_gauss)-H(y)                (5)

式中y_gauss为与y具有相同方差的高斯分布随机变量。

混合信号的分离即要求有最大的非高斯分布，而最大的非高斯分布即为最大的负熵，因此最大负熵时就实现了信号的分离。

负熵的计算采用下式近似

J(y)∝[E{G(y)}-E{G(y_gauss)}]²                   (6)

式中E为期望；G为一些非二次函数。

对于函数G可以选择为：

1≤a≤2；这些函数具有不同的特点和适应性，本实施例实现时选择了

目标函数确定后FastICA算法主要由对观测信号的去均值、白化处理和用优化算法调整分离矩阵使目标函数达到最优两个步骤构成。去均值使处理后信号的均值为0；白化即用主成分分析对观测信号进行线性变化，使所得信号具有不相关和单位方差的特性。

由(6)可知，负熵J(y)最大即E{G(y)}取得最大值。设已经提取了W₁，...，W_n-1共n-1个独立分量，目前正分离第n个独立分量W_n，寻优的目标为调整W_n使E{G(W_nX)}达到最大值。由牛顿法可得分离向量的迭代公式如下：

$\left\{\begin{array}{c}{W}_n^{i+1}=E\left\{X^T{G}^{\′}\left(W_n^{i}X\right)\right\}-E\left\{G^{\′\′}\left(W_n^{i}X\right)\right\}{W}_n^i\\ W_n^{i+1}=W_n^{i+1}/\left|\right|W_n^{i+1}\left|\right|\end{array}\right.---\left(7\right)$

式中

为第i次迭代后的W_n；G′和G″分别为函数G的一阶和二阶导数。

为了防止不同的独立分量收敛于相同值，每提取一个独立分量时需要对该分量去相关和归一化，方法如下。

$\left\{\begin{array}{c}{W}_n^{i+1}=W_n^{i+1}-\underset{j=1}{\overset{k-1}{\mathrm{\Σ}}}{W}_n^{i+1}{W}_j^T{W}_j\\ W_n^{i+1}=W_n^{i+1}/\sqrt{W_n^{i+1}{\left(W_n^{i+1}\right)}^T}\end{array}\right.---\left(8\right)$

不断迭代当W_n的变化很小时认为其收敛，第n个分量提取完成，此独立分量计算如下：

y＝W_nX            (9)

不断重复至所有分量都分离。

2.获得泄漏电流

分离所得信号中电流比较平滑而噪声变化剧烈，且算法实现时设定信号方差为1，因此前后两点幅值差绝对值之和较大的为噪声，而较小的为泄漏电流信号。

求解完成后混合矩阵A₁(假设源信号方差为1时的结果)为已知量，将噪声对应部分删除后有矩阵A₂，不妨设Y中第一个信号Y(1)为泄漏电流信号，则混合信号中的泄漏电流信号部分组成的向量为

Y₁＝Y(1)A₂            (10)

对于本发明来说Y₁＝[Y₁(1)，Y₁(2)]，各传感器输出信号与输入信号的比值组成列向量为A₃＝[A₃(1)，A₃(2)](传感器的参数，是已知量)。设S₁(i)为根据第i个传感器算得的幅值和波形均正确的泄漏电流信号，则

S₁(i)＝Y₁(i)/A₃(i)，i＝1，2            (11)

如果在所有传感器中第j个传感器测量得到的信号有最高的信噪比且不考虑其它因素的影响时将S₁(j)作为有用信号往往具有最小的误差。

根据以上方法可获得幅值和波形均正确的泄漏电流信号。

以下实验可说明本发明提供算法在具体实施中的效果：

绝缘子泄漏电流信号在实验室中测量获得，对一片XWP₂-70型绝缘子施加有效值为10kV的交流电压，通过绝缘子接地处串入20kΩ电阻将电流信号取出后接入PCI9812数据采集卡，采样频率为20MHz。

由于测量所得信号中噪声含量较少，如图2(1)所示，为了显示本发明算法效果，对所得电流信号分别叠加了白噪声和脉冲噪声，其中，如图2(2)所示为白噪声。图2(3)、(4)分别为传感器1、2测得的观测信号，观察信号中无法发现泄漏电流的痕迹，图2(5)、(6)分别为传感器1、2分离得到的泄漏电流信号，它们与图2(1)所示的测量得无干扰泄漏电流信号无论是在幅值还是波形上都非常接近，验证了ICA对噪声抑制的有效性。其中传感器1得到的信号，图2(5)所示，与真实信号的平均误差为0.0555mA，传感器2得到的信号，图2(6)所示，与真实信号的平均误差为0.0139mA。传感器1、2观测得信号的信噪比分别为-32.6929dB和-20.6517dB，这与信噪比大的传感器分离得信号有较小误差一致。由图3可知，叠加了脉冲噪声信号后，如图3(2)所示，分离效果与白噪声的类似，分离前后的泄漏电流信号波形非常接近，传感器1、2得到的信号与真实信号的平均误差分别为8.90×10^-5mA和2.28×10^-5mA，而传感器2的信噪比大于传感器1的，这与信噪比大的传感器分离得信号有较小误差一致。

Claims (6)

1.一种非接触式的绝缘子泄漏电流取样方法，其特征在于，包括以下步骤：

-基于两个或以上的电流传感器获得含噪声的观测泄漏电流信号；

-对观测泄漏电流信号进行去均值和白化处理；

-获得分离矩阵W；

-区分泄漏电流信号与噪声信号；

-通过反演运算获得原泄漏电流信号。

2.如权利要求1所述的方法，其特征在于，所述电流传感器为穿心式电流传感器，与电力系统一次接线不发生接触。

3.如权利要求1所述的方法，其特征在于，所述采集到的观测泄漏电流信号具有不同的信噪比。

4.如权利要求1所述的方法，其特征在于，利用FastICA算法对混合信号进行分离。

5.如权利要求1所述的方法，其特征在于，区分泄漏电流信号与噪声信号时，利用信号前后两点差值绝对值的累加判断，累加值大的为噪声，小的为泄漏电流信号。

6.如权利要求1所述的方法，其特征在于，所述反演运算利用了ICA中的观测信号与源信号的关系以及传感器的增益。

Images