CN113484700A - 基于室内智能巡检机器人的开关柜局放检测方法 - Google Patents

Abstract

本发明提出了基于室内智能巡检机器人的开关柜局放检测方法，本发明利用局放信号幅值突变的特点设置判决条件，并通过单位窗能量的增量反映信号幅值变化，可以从含有干扰数据中识别出局放信号，实现局放信号与噪声信号的分离；基于局放信号信噪比确定单位窗能量的增量选取范围，可以根据实际情况选择更为精确的单位窗能量的增量范围，避免引入过多的干扰；本发明通过幅值判决条件获得疑似局放信号，疑似局放信号再经过两次筛查，滤除开关脉冲信号以及反射干扰信号，以获得更为纯净的局放信号。

Description

基于室内智能巡检机器人的开关柜局放检测方法

技术领域

本发明涉及电力变压器局部放电检测技术领域，尤其涉及基于室内智能巡检机器人的开关柜局放检测方法。

背景技术

近年来，巡检机器人广泛应用在变电站检测中，并搭载无线局放传感器，巡检机器人内部集成的局放检测单元捕捉各种放电信息，进行局放检测。由于背景噪声的存在，巡检机器人采集的信号含有大量的噪声，使单个局放脉冲信号的边缘变的很不明显；另外局放检测现场有大量的干扰脉冲，给后期的局部放电脉冲信号特性分析、识别以及放电次数统计带来了一定的困难。因此，确定局部放电脉冲信号的边缘位置，准确地从背景噪声以及干扰脉冲中准确寻找局部放电脉冲波形已成为电力变压器局部放电检测技术关键问题之一。

噪声干扰主要为窄带周期干扰和白噪声。针对这两种噪声抑制方法，常见的有小波分析和经验模态分解(EMD)等时频分析方法，然而小波分析难以选取合适的小波基和阈值。EMD则缺乏严格的数学推导，存在频带混叠、端点效应等问题，且两者在去除噪声的同时会造成原局放信号特征的损失，算法本身的局限性加上局放信号与噪声的复杂特性，整体去噪效果一般。

因此，为了解决上述问题，本发明提供了基于室内智能巡检机器人的开关柜局放检测方法，利用噪声功率设置阈值可有效分离放电信号与背景噪声，并提供阈值选取规则，为实现噪声分离和局放定位提供更精确的阈值范围。

发明内容

有鉴于此，本发明提出了基于室内智能巡检机器人的开关柜局放检测方法，利用噪声功率设置阈值可有效分离放电信号与背景噪声，并提供阈值选取规则，为实现噪声分离和局放定位提供更精确的阈值范围。

本发明的技术方案是这样实现的：本发明提供了基于室内智能巡检机器人的开关柜局放检测方法，包括以下步骤：

S1、对获取的原始信号进行加窗傅里叶变换处理，基于单位窗能量函数计算相邻单位窗能量的增量ΔE；

S2、设置相邻单位窗能量的增量阈值e，若ΔE≥e，则判定相邻单位窗所包含的数据为疑似局放信号，将该窗内数据保存在集合Q中；反之，则判定相邻单位窗所包含的数据为噪声，并将该窗内数据全部置零；

S3、对集合Q中的局放信号中连续T/2内的数据点全部置零，T为振荡波周期，并将剩余局放信号保存在集合Q1中；

S4、将集合Q1中局放信号的最大幅值作为参考值，并设置判决条件，剔除不满足判决条件的局放信号；其中，判决条件为：V_k≥p×V_max，其中，V_k为集合Q1中第k个局放信号的幅值峰值，V_max为集合Q1中局放信号的最大幅值，p为阈值系数，p∈(0,1)。

在以上技术方案的基础上，优选的，S2中阈值e的确定方法包括以下步骤：

S101、基于局放信号的幅值最大值和幅值最小值设置阈值区间，按照固定步进长度将阈值区间划分为S个区间；

S102、计算原始信号的信噪比，按照信噪比从小到大的顺序将信噪比量化为S个不同等级，若原始信号的信噪比处于第一等级，则阈值e选取第S个区间中任意值；若原始信号的信噪比处于第二等级，则阈值e选取第S-1个区间中任意值；依次类推。

在以上技术方案的基础上，优选的，S1中单位窗能量函数为：

式中，V(i)表示第i个数据点的幅值；

M为数据总长度，K为数据窗长度且数据窗每次移动K个点；i＝j-1；

S2中相邻单位窗能量的增量ΔE为：ΔE＝|E_j-E_i|；E_j为第j个单位窗的能量；E_i为第i个单位窗的能量。

在以上技术方案的基础上，优选的，还包括以下步骤：

S5、基于TEV法实现多源局部放电信号分离和聚合；

S6、对分离的每类局部放电信号，利用超高频定位技术对局部放电源进行大致定位，在初步定位范围利用超高频和超声相结合或多组超声传感器对局部放电源进行精确定位；

S7、根据超高频信号的相位分布特征判断局放类型，并据局部放电的位置、类型和强度，判断局放缺陷的严重程度。

在以上技术方案的基础上，优选的，S5具体包括以下步骤：

S201、基于短时傅里叶变换时频分析，提取局部放电信号的时间中心和频率中心特征参数，并以此进行聚类，以区分多个局放源的信号；

S202、将多放电源的信号区分开之后，再使用统计学方法，对单个局放源的基于相位分辨的局放图谱进行模式识别。

在以上技术方案的基础上，优选的，S201还包括以下步骤：引入时间中心和频率中心的中心距评估时频分析谱图的分布不均匀度，基于时间中心-频率中心-中心距的三维图谱区分多个局放源。

在以上技术方案的基础上，优选的，S201中时间中心特征参数的计算公式为：

式中，t_c为时间中心；STFT(t_i,f_j)表示信号在t_i时刻和f_j频率下的短时傅里叶变换结果；N为采样点数。

在以上技术方案的基础上，优选的，S201中频率中心特征参数的计算公式为：

式中，f_c为频率中心。

在以上技术方案的基础上，优选的，S201中时间中心和频率中心的中心距的计算公式为：

式中，μ_c为时间中心和频率中心的中心距。

本发明的基于室内智能巡检机器人的开关柜局放检测方法相对于现有技术具有以下有益效果：

(1)本发明利用局放信号幅值突变的特点设置判决条件，并通过单位窗能量的增量反映信号幅值变化，可以从含有干扰数据中识别出局放信号，实现局放信号与噪声信号的分离；

(2)基于局放信号信噪比确定单位窗能量的增量选取范围，可以根据实际情况选择更为精确的单位窗能量的增量范围，避免引入过多的干扰；

(3)本发明通过幅值判决条件获得疑似局放信号，疑似局放信号再经过两次筛查，滤除开关脉冲信号以及反射干扰信号，以获得更为纯净的局放信号；

(4)以时频分析为基础，提取信号时频特性的时间中心和频率中心作为多局放源信号分离的参数，可以在时间中心-频率中心平面内将多局放源分离；进一步的，为了避免多种局放信号易发生混叠导致无法区分两类放电的问题，本发明引入时间中心和频率中心的中心距评估时频分析谱图的分布不均匀度，以解决该问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于室内智能巡检机器人的开关柜局放检测方法的流程图。

具体实施方式

下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。

实施例1

如图1所示，本发明的基于室内智能巡检机器人的开关柜局放检测方法，具体包括以下步骤：

S1、对获取的原始信号进行加窗傅里叶变换处理，基于单位窗能量函数计算相邻单位窗能量的增量ΔE；

由于局放信号幅值变化变化剧烈，尤其是在上升沿部分，而噪声幅值则随机且相对平稳，因此，本实施例通过单位窗能量的增量反映信号幅值变化，其中，单位窗能量函数为：

式中，V(i)表示第i个数据点的幅值；

M为数据总长度，K为数据窗长度且数据窗每次移动K个点；i＝j-1。

相邻单位窗能量的增量ΔE为：ΔE＝|E_j-E_i|；E_j为第j个单位窗的能量；E_i为第i个单位窗的能量。

S2、设置相邻单位窗能量的增量阈值e，若ΔE≥e，则判定相邻单位窗所包含的数据为疑似局放信号，将该窗内数据保存在集合Q中；反之，则判定相邻单位窗所包含的数据为噪声，并将该窗内数据全部置零；

由于噪声的ΔE基本趋近于零，局放信号其ΔE远大于零，基于该特点，本实施例通过单位窗能量增量的形式可以有效识别局放信号所在的数据段。由于受现场环境的影响，增量阈值e没有一个固定取值，但是增量阈值e的改变又直接影响了噪声分离和局放定位结果，具体为：阈值e过大，则局放信号中幅值水平较低的局放源无法被识别出来，从而造成遗漏；阈值e过小，会引入更多的干扰信号，导致最终结果误差大。为了更精确的实现早上分离以及局放定位，本实施例中，阈值e的确定方法包括以下步骤：

S101、基于局放信号的幅值最大值和幅值最小值设置阈值区间，按照固定步进长度将阈值区间划分为S个区间；

一般地，实际采集到的局放幅值在10^-3～10^-1范围内，因此，本实施例中，阈值区间为10^-3～10^-1；可将阈值区间划分为10个区间，每个区间的步进长度为0.9^-1；这10个区间按照大小分为第1区间、第2区间、......、第10区间。

S102、计算原始信号的信噪比，按照信噪比从小到大的顺序将信噪比量化为S个不同等级，若原始信号的信噪比处于第一等级，则阈值e选取第S个区间中任意值；若原始信号的信噪比处于第二等级，则阈值e选取第S-1个区间中任意值；依次类推。

由于局放信号的信噪比越高，其包含的噪声越少，整体幅值相对平滑，阈值e应该越小；反之，信噪比越小，包含噪声越多，整体幅值波动较大，阈值e应该越大，因此，本实施例基于局放信号的信噪比选取阈值e范围，将最大信噪比的局放信号匹配最小的区间，即第1区间；将第二大信噪比的局放信号匹配第二小的区间，即第2区间；依次类推。阈值e的选取与信噪比成反比的方式，可以在信噪比较低时，有效避免引入过多干扰；在信噪比较高时，可以保留更多的局放点数据，降低噪声分离和局放定位的精度。

S3、对集合Q中的局放信号中连续T/2内的数据点全部置零，T为振荡波周期，并将剩余局放信号保存在集合Q1中；

局放信号在开关柜中振荡，在振荡的前半周期内，局放信号受开关干扰影响较大，在此期间内局放信号易混入大量开关脉冲干扰，为了避免开关脉冲干扰对噪声分离和局放定位结果的影响，本实施例中设置了S3以去除开关脉冲干扰。

S4、将集合Q1中局放信号的最大幅值作为参考值，并设置判决条件，剔除不满足判决条件的局放信号；其中，判决条件为：V_k≥p×V_max，其中，V_k为集合Q1中第k个局放信号的幅值峰值，V_max为集合Q1中局放信号的最大幅值，p为阈值系数，p∈(0,1)。

在局放信号中不仅包含了开关脉冲干扰，还包含了局放信号在开关柜内多次反射造成的干扰信号，该干扰信号的幅值相较于真实局放信号低。基于该特点，本实施例中设置了幅值阈值判决条件，剔除不满足幅值阈值判决条件的信号点，以获得更为纯净的局放信号。

本实施例的有益效果为：本实施例利用局放信号幅值突变的特点设置判决条件，并通过单位窗能量的增量反映信号幅值变化，可以从含有干扰数据中识别出局放信号，实现局放信号与噪声信号的分离；

基于局放信号信噪比确定单位窗能量的增量选取范围，可以根据实际情况选择更为精确的单位窗能量的增量范围，避免引入过多的干扰；

本实施例通过幅值判决条件获得疑似局放信号，疑似局放信号再经过两次筛查，滤除开关脉冲信号以及反射干扰信号，以获得更为纯净的局放信号。

实施例2

通过实施例1可以将局放信号与噪声信号分离，以获取较为纯净的局放信号，下一步工作就是基于局放信号进行定位。但是开关柜内部出现多种类型放电同时发生的情况，那么当多个放电源同时存在于开关柜中时，如何将这些混杂在一起的多种放电信号根据其放电类型准确分离出来是本实施例所要解决的问题。

传统的多局放信号分离技术基于傅里叶变换对信号进行分析以实现多放电源的分离。但是傅里叶变换是从整体上反映信号特性，未考虑到信号的时间和频率局部特性，无法表征某种频率分量出现的时间以及其随时间的变化情况，因此它对于平稳信号的分析较为明显，但是对于非平稳信号的分析则效果不佳，而局放信号就是非平稳信号，传统的基于傅里叶变换方法不足以明显的区分出不同类型放电的特征。因此，为了解决这一问题，本实施例中使用局部变换的方法，利用时间和频率的联合函数来表征信号，并提取局部放电信号的特征参数，并以此进行聚类，以区分多个局放源的信号。具体步骤如下：

S5、基于TEV法实现多源局部放电信号分离和聚合；具体包括以下步骤：

S201、基于短时傅里叶变换时频分析，提取局部放电信号的时间中心和频率中心特征参数，并以此进行聚类，以区分多个局放源的信号；

进一步优选的，存在两类放电的衰减中心和频率中心接近，因此，在时间中心-频率中心平面内两种局放信号易发生混叠，无法区分两类放电。因此，为了解决这个问题，本步骤还引入时间中心和频率中心的中心距评估时频分析谱图的分布不均匀度，基于时间中心-频率中心-中心距的三维图谱区分多个局放源。

进一步优选的，时间中心特征参数的计算公式为：

式中，t_c为时间中心；STFT(t_i,f_j)表示信号在t_i时刻和f_j频率下的短时傅里叶变换结果；N为采样点数；

频率中心特征参数的计算公式为：

式中，f_c为频率中心。

时间中心和频率中心的中心距的计算公式为：

式中，μ_c为时间中心和频率中心的中心距。

S202、将多放电源的信号区分开之后，再使用统计学方法，对单个局放源的基于相位分辨的局放图谱进行模式识别。

优选的，在确定信号已经分离的条件下，需实现分离信号的智能聚类，以便还原每种放电信号的时域及相位图谱，因此，本实施例采用GK智能聚类算法对信号分离结果进行聚类。

S6、对分离的每类局部放电信号，利用超高频定位技术对局部放电源进行大致定位，在初步定位范围利用超高频和超声相结合或多组超声传感器对局部放电源进行精确定位；

S7、根据超高频信号的相位分布特征判断局放类型，并据局部放电的位置、类型和强度，判断局放缺陷的严重程度。

本实施例的有益效果为：以时频分析为基础，提取信号时频特性的时间中心和频率中心作为多局放源信号分离的参数，可以在时间中心-频率中心平面内将多局放源分离；进一步的，为了避免多种局放信号易发生混叠导致无法区分两类放电的问题，本实施例引入时间中心和频率中心的中心距评估时频分析谱图的分布不均匀度，以解决该问题。

以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.基于室内智能巡检机器人的开关柜局放检测方法，其特征在于：包括以下步骤：

S1、对获取的原始信号进行加窗傅里叶变换处理，基于单位窗能量函数计算相邻单位窗能量的增量ΔE；

S2、设置相邻单位窗能量的增量阈值e，若ΔE≥e，则判定相邻单位窗所包含的数据为疑似局放信号，将该窗内数据保存在集合Q中；反之，则判定相邻单位窗所包含的数据为噪声，并将该窗内数据全部置零；

S3、对集合Q中的局放信号中连续T/2内的数据点全部置零，T为振荡波周期，并将剩余局放信号保存在集合Q1中；

S4、将集合Q1中局放信号的最大幅值作为参考值，并设置判决条件，剔除不满足判决条件的局放信号；其中，判决条件为：V_k≥p×V_max，其中，V_k为集合Q1中第k个局放信号的幅值峰值，V_max为集合Q1中局放信号的最大幅值，p为阈值系数，p∈(0,1)。

2.如权利要求1所述的基于室内智能巡检机器人的开关柜局放检测方法，其特征在于：所述S2中阈值e的确定方法包括以下步骤：

S101、基于局放信号的幅值最大值和幅值最小值设置阈值区间，按照固定步进长度将阈值区间划分为S个区间；

S102、计算原始信号的信噪比，按照信噪比从小到大的顺序将信噪比量化为S个不同等级，若原始信号的信噪比处于第一等级，则阈值e选取第S个区间中任意值；若原始信号的信噪比处于第二等级，则阈值e选取第S-1个区间中任意值；依次类推。

3.如权利要求1所述的基于室内智能巡检机器人的开关柜局放检测方法，其特征在于：所述S1中单位窗能量函数为：

式中，V(i)表示第i个数据点的幅值；

M为数据总长度，K为数据窗长度且数据窗每次移动K个点；i＝j-1；

S2中相邻单位窗能量的增量ΔE为：ΔE＝|E_j-E_i|；E_j为第j个单位窗的能量；E_i为第i个单位窗的能量。

4.如权利要求1或2所述的基于室内智能巡检机器人的开关柜局放检测方法，其特征在于：还包括以下步骤：

S5、基于TEV法实现多源局部放电信号分离和聚合；

S6、对分离的每类局部放电信号，利用超高频定位技术对局部放电源进行大致定位，在初步定位范围利用超高频和超声相结合或多组超声传感器对局部放电源进行精确定位；

S7、根据超高频信号的相位分布特征判断局放类型，并据局部放电的位置、类型和强度，判断局放缺陷的严重程度。

5.如权利要求4所述的基于室内智能巡检机器人的开关柜局放检测方法，其特征在于：所述S5具体包括以下步骤：

S201、基于短时傅里叶变换时频分析，提取局部放电信号的时间中心和频率中心特征参数，并以此进行聚类，以区分多个局放源的信号；

S202、将多放电源的信号区分开之后，再使用统计学方法，对单个局放源的基于相位分辨的局放图谱进行模式识别。

6.如权利要求5所述的基于室内智能巡检机器人的开关柜局放检测方法，其特征在于：所述S201还包括以下步骤：引入时间中心和频率中心的中心距评估时频分析谱图的分布不均匀度，基于时间中心-频率中心-中心距的三维图谱区分多个局放源。

7.如权利要求5或6所述的基于室内智能巡检机器人的开关柜局放检测方法，其特征在于：所述S201中时间中心特征参数的计算公式为：

式中，t_c为时间中心；STFT(t_i,f_j)表示信号在t_i时刻和f_j频率下的短时傅里叶变换结果；N为采样点数。

8.如权利要求7所述的基于室内智能巡检机器人的开关柜局放检测方法，其特征在于：所述S201中频率中心特征参数的计算公式为：

式中，f_c为频率中心。

9.如权利要求8所述的基于室内智能巡检机器人的开关柜局放检测方法，其特征在于：所述S201中时间中心和频率中心的中心距的计算公式为：

式中，μ_c为时间中心和频率中心的中心距。

Images