CN116008751A - 一种基于样本增强的电缆局部放电故障特性识别方法 - Google Patents

Abstract

本发明涉及一种基于样本增强的电缆局部放电故障特性识别方法，属于电气领域。该方法包括以下步骤：S1：局放信号检测及特性分析；S2：基于自适应VMD及小波包法的电缆局放信号提取；S3：基于图像变换和深度样本增强的电缆局放识别方法。本发明改进现有局放特征量提取方法增加电力电缆局部放电信号提取效率，提高电力电缆局部放电故障模式识别提高故障识别准确性。

Description

一种基于样本增强的电缆局部放电故障特性识别方法

技术领域

本发明属于电气领域，涉及一种基于样本增强的电缆局部放电故障特性识别方法。

背景技术

电缆局部放电检测方法按电缆的运行状况可分为两类：离线检测和在线检测。离线检测时，电缆需由单独的外部试验电源进行供电，通常选用高压交流电源或者工频谐振电源。但在现场的实际应用中，电缆可等效为大容量静电电容器，上述的外部电源不能满足要求。在线检测技术根据其检测目的可分为在线监测和带电检测。在线监测通过对电缆运行情况的数据进行监测与分析，对电缆的绝缘状况实时进行监视。带电检测则是指利用相关的检测装置对运行中的电缆绝缘进行周期性的检测与分析。差分法的操作过程复杂，超高频法的应用受限，超声波法精度不佳，而电容耦合法和方向耦合法需破坏电缆，影响电缆的使用寿命。

发明内容

有鉴于此，本发明的目的在于提供一种基于样本增强的电缆局部放电故障特性识别方法。为达到上述目的，本发明提供如下技术方案：

一种基于样本增强的电缆局部放电故障特性识别方法，该方法包括以下步骤：

S1：局放信号检测及特性分析；

S2：基于自适应变分模态分解(VMD)及小波包法的电缆局放信号提取；

S3：基于图像变换和深度样本增强的电缆局放识别方法。

可选的，所述S1具体为：

采用脉冲电流检测法，将局放产生的脉冲电流通过检测阻抗转换为脉冲电压，对其采集、放大和运算，实现对局部放电量的测定；采用局部放电仪进行放电量检测时，配备耦合阻抗单元及校正脉冲发生器；局放检测仪内的放大器能够放大局放脉冲并将其进行量化为视在电荷；为量化电荷，用校正脉冲发生器进行校正；采集电缆局部放电时域脉冲信号时，采用高频电流传感器HFCT敏感放电脉冲，使用示波器采集实时信号；

首先对缺陷电缆试样升压，直至缺陷击穿，确定缺陷的击穿电压，然后在缺陷放电电压范围内选择一定数量的放电电压值，维持放电电压，采集电缆局放高频电流信号；

绘制电缆局放高频电流PRPD谱图时，将50个交流周期信号为一个样本，当采样率为100MS/S时，一个样本信号共100M个数据点，绘制步骤如下：

S11：将每个样本中的数据都除以该样本中最大值进行归一化；

S12：在相位-幅值

平面上作局部放电散点图；

S13：将

平面划分为360×200的网格，其中360对应着一个工频周期360°，而200对应归一化之后的放电幅值划分为200个子区间；然后，统计每个区间的散点个数；

S14：绘制相位-幅值-放电次数

三维空间图；

从设置的电缆4种绝缘缺陷类型在不同放电电压下的局放三维PRPD谱图及其对应的局放时域脉冲波形中看出外导电层爬电局放起始阶段为交流负半周峰值附近，放电强度较小且密集的局放点略偏向于交流第三相位区间，放电强度较大且稀疏的局放点集中交流负半周峰值处；

气隙放电HFCT脉冲信号在交流正负半周均有存在，在交流正负半周峰值处有相同强度的局放产生，放电特征为放电量较小且放电频率高，而放电强度大而放电频率较低的点主要集中在正半周过零点和负半周过零点，且正半周过零点放电强度大于负半周过零点；

电缆绝缘表面划伤缺陷局放起始时，放电过程发生在交流负半周峰值附近，随着绝缘劣化程度的加剧，交流正半周也出现放电，但放电强度和放电频率均低于交流负半周，随着绝缘劣化程度的加剧，正半周的放电强度与交流第四相位区间内的放电强度相同，且放电频率也相同，放电强度大而放电频率较稀疏的区域为交流第三相位，呈现单峰形状；

绝缘缺陷劣化的起始阶段，放电过程发生在交流负半周峰值附近，随着绝缘缺陷的进一步劣化，放电强度较大的区间为交流负半周，在交流正半周和第四相位区间均存在放电强度较低且密集的放电特征，交流正半周的放电强度和放电频率略高于交流第四相位区间。

可选的，所述S2具体为：

首先在某一尺度下进行小波包分解，计算分解结果中各分量与原信号之间的相关系数，如果该系数低于给定的阈值，则重新选择分解尺度，直至确定出最优尺度；

利用VMD对信号中心频率带宽的最优化特性自适应地将周期性窄带千扰分解到不同的基本模态分量；接下来，通过信号重构滤除窄带噪声，得到含有白噪声的PD信号；最后，利用自适应小波包方法进一步去除高斯白噪声。

可选的，所述S3具体为：

S31：滑动窗口取值

对于一个一维时域信号，利用滑动窗口取值法，在时域信号上随机截取信号片段；窗口的大小设置为M，表示一次截取M个单位的数据，每次截取之后，窗口向后移动N个单位，一共截取M次，最后得到MM个长度为M的信号片段；

S32：信号的组合

将随机选取的信号片段进行组合，得到一条长度为MxM的信号列；每个信号列的强度记为L(i)，i＝1,2......,M，i为信号列的序号，M为信号列的总数；

S33：信号转图像

将S32得到的M×M的信号列转化为灰度图像：

其中round(.)表不取整函数，P(j,k)，j＝1...M，k＝1...M，P的值表示转化后每个图像的像素值，该函数将所有像素值归一化至0～255之间，正好为灰度图像的像素值域；

经历基于GAN的局放样本数据增强。

本发明的有益效果在于：改进现有局放特征量提取方法增加电力电缆局部放电信号提取效率，提高电力电缆局部放电故障模式识别提高故障识别准确性。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本发明流程图；

图2为电缆局部放电PRPD谱图绘制流程图；

图3为自适应小波包信号去噪流程图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

如图1所示，本发明包括以下步骤：

S1：局放信号检测及特性分析；

S2：基于自适应VMD及小波包法的电缆局放信号提取；

S3：基于图像变换和深度样本增强的电缆局放识别方法。

分析了XLPE电缆局部放电模式识别对于电缆在线监测的研究意义，并在详细对比各类方法优劣的基础上，提出本专利的研宄内容和研宄路线。针对电力电缆局部放电信号采集，制作典型绝缘缺陷的电缆试样并接入搭建好的电缆局部放电检测系统模型中。逐渐升高电压并观察局放脉冲波形变化，根据电压等级的不同，绘制出不同故障和不同电压等级下的PRPD三维图谱并分析其特性。针对高频电流传感器中采集到的PD信号中伴随着高斯白噪声、周期性窄带干扰的问题，提出一种基于AVMD－自适应小波包去噪技术，并验证该算法去噪效果有效性，可以有效提取原始PD信号。针对交联聚乙烯(XLPE)电缆局部放电人工提取特征困难，易受主观不确定性影响的问题，提出基于GAN-CNN的模式识别方法。通过信号－图像转换方法将原始的一维时域信号转化为二维图像，再利用GAN进行数据增强，最后再通过CNN对电缆缺陷类型进行模式识别。研究了不同激活函数，不同池化方法以及是否采用数据增强方式下GAN-CNN的性能，并与传统浅层模式识别方法进行比较。

1.局放信号检测及特性分析

局部放电检测系统采用行业广泛使用的脉冲电流检测法，将局放产生的脉冲电流通过检测阻抗转换为脉冲电压，对其采集、放大和运算，可实现对局部放电量的测定。采用局部放电仪进行放电量检测时，需要配备耦合阻抗单元及校正脉冲发生器。局放检测仪内的放大器能够放大局放脉冲并将其进行量化为视在电荷。为了量化电荷，就必须用校正脉冲发生器进行校正。仪器采用计算机控制，能够记录局部放电发生的时刻及所施加的电压，以供后续统计及分析。采集电缆局部放电时域脉冲信号时，采用高灵敏度高频电流传感器(HFCT)敏感放电脉冲，使用示波器采集实时信号。

如图2所示，首先对缺陷电缆试样升压，直至缺陷击穿，确定缺陷的击穿电压，然后在缺陷放电电压范围内选择一定数量的放电电压值，维持放电电压，采集电缆局放高频电流信号。

绘制电缆局放高频电流PRPD谱图时，将50个交流周期信号为一个样本，当采样率为100MS/S时，一个样本信号共100M个数据点，因此绘制步骤如下：

(1)将每个样本中的数据都除以该样本中最大值进行归一化；

(2)在

平面上作局部放电散点图；

(3)将

平面划分为360×200的网格，其中360对应着一个工频周期360°，而200对应归一化之后的放电幅值划分为200个子区间。然后，统计每个区间的散点个数；

(4)绘制

三维空间图。

在四种设置的电缆4种绝缘缺陷类型在不同放电电压下的局放三维PRPD谱图及其对应的局放时域脉冲波形中可以看出外导电层爬电局放起始阶段为交流负半周峰值附近，放电强度较小且密集的局放点略偏向于交流第三相位区间，放电强度较大且稀疏的局放点主要集中交流负半周峰值处。

气隙放电HFCT脉冲信号在交流正负半周均有存在，在交流正负半周峰值处有相同强度的局放产生，放电特征为放电量较小且放电频率高，而放电强度大而放电频率较低的点主要集中在正半周过零点和负半周过零点，且正半周过零点放电强度大于负半周过零点。

电缆绝缘表面划伤缺陷局放起始时，放电过程主要发生在交流负半周峰值附近，随着绝缘劣化程度的加剧，交流正半周也出现放电，但放电强度和放电频率均低于交流负半周，随着绝缘劣化程度的进一步加剧，正半周的放电强度与交流第四相位区间内的放电强度相同，且放电频率也相同，放电强度大而放电频率较稀疏的区域为交流第三相位，呈现单峰形状。

绝缘缺陷劣化的起始阶段，放电过程主要发生在交流负半周峰值附近，随着绝缘缺陷的进一步劣化，放电强度较大的区间为交流负半周，在交流正半周和第四相位区间均存在放电强度较低且密集的放电特征，但交流正半周的放电强度和放电频率略高于交流第四相位区间。

对比上述四种绝缘缺陷的时域波形以及PRPD图谱，可以发现，不同类型的绝缘缺陷放电量、放电次数以及放电区间都各不相同，同时从时域波形图中，还可以看出不同绝缘缺陷的在发生局部放电时的电压峰值以及放电频率也存在差异，可以用来进行模式识别。

2.基于自适应VMD及小波包法的电缆局放信号提取

采用一种自适应变分模态分解(VMD)为基础并结合小波包的的电缆PD信号去噪方法。经仿真实验表明，提取的局放信号满足各评价参数的要求，这种算法结合了两种去噪算法的优点，波形失真度小，能够较为准确提取出原PD波形。

为了解决模态数量取值不合理带来的问题，采用一种改进的基于相关系数的模态数量自适应VMD分解方法。在某一分解模式下，计算分解得到的各个本征分量与原信号之间的相关系数，如果该系数低于给定的阈值，则重新选择模态数量，直至确定出最优模态数量。

如图3所示，采用一种基于自适应小波包分解的局放信号去噪算法，首先在某一尺度下进行小波包分解，计算分解结果中各分量与原信号之间的相关系数，如果该系数低于给定的阈值，则重新选择分解尺度，直至确定出最优尺度。自适应小波包信号去噪算法基本流程如图。

基于上述分析和验证，提出一种基于自适应VMD－小波包分解的复杂含噪局放信号去噪方法。首先利用VMD对信号中心频率带宽的最优化特性自适应地将周期性窄带千扰分解到不同的基本模态分量；接下来，通过信号重构滤除窄带噪声，得到含有白噪声的PD信号；最后，利用自适应小波包方法进一步去除高斯白噪声。

3.基于图像变换和深度样本增强的电缆局放识别方法

提出一种基于GAN和CNN的电缆局部放电模式识别方法，它利用信号-图像的方法，将一维时域信号转化为二维图像，然后充分利用GAN在样本生成领域的优势完成训练数据的增强，以及CNN在图像分类领域的优势完成识别分类。

转换步骤如下：

(1)滑动窗口取值

对于一个一维时域信号，利用滑动窗口取值法，在时域信号上随机截取信号片段。窗口的大小设置为M，表示一次截取M个单位的数据，每次截取之后，窗口向后移动N个单位，一共截取M次，最后得到MM个长度为M的信号片段；

(2)信号的组合

将随机选取的信号片段进行组合，得到一条长度为MxM的信号列。每个信号列的强度记为L(i)，i＝1,2......,M，

(3)信号转图像

将(2)得到的M×M的信号列转化为灰度图像：

其中round(.)表示取整函数，P(j,k)，j＝1...M，k＝1...M表不转化后每个图像的像素值，该函数将所有像素值归一化至0～255之间，正好为灰度图像的像素值域。

经历基于GAN的局放样本数据增强。本专利设计的CNN模型由3个卷积层、3个最大池化层以及2个全连接层组成。首先输入一个64×64的二维图像，然后由卷积层convl分别使用5×5大小的卷积核去卷积上一层的图像总共可以获得16个64x64大小的二维特征图，接下来池化层pooll采用滑动窗口的方式对convl中的每个3x3大小的子块进行抽样操作，抽样时窗口每次滑动距离为2，同时最后采用0进行填充，可以得到16个32×32大小的特征图；余下的conv2、pool2和conv3、pool3的工作原理与前面一样。然后再由全连接层FC1将pool3得到的特征图拉伸为一维特征，再经过FC2进一步缩减维度，最后将缩减维度后的一维特征送入输入层进行故障识别分类。

基于上述一种基于样本增强的电缆局部放电故障特性识别方法，为了对电缆故障进行模式识别，要进行以下步骤：

(1)绘制出不同实验电压下的PRPD三维图谱与时域脉冲信号，不同类型的故障有着不同的PRPD三维图谱和时域信号轮廓。可以根据时域脉冲信号或PRPD三维图谱存在明显差异为出发点，对各类电缆故障提取特征量；

(2)使用一种基于AVMD及自适应小波包的去噪算法滤除噪声、提取PD信号。提取的局放信号满足各评价参数的要求，波形失真度小，能够较为准确提取出原PD波形；

(3)通过信号—图像转换方法将原始的一维时域信号转化为二维图像，再利用GAN进行数据增强，最后再通过CNN对电缆局放故障类型进行模式识别。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种基于样本增强的电缆局部放电故障特性识别方法，其特征在于：该方法包括以下步骤：

S1：局放信号检测及特性分析；

S2：基于自适应变分模态分解VMD及小波包法的电缆局放信号提取；

S3：基于图像变换和深度样本增强的电缆局放识别方法。

2.根据权利要求1所述的一种基于样本增强的电缆局部放电故障特性识别方法，其特征在于：所述S1具体为：

采用脉冲电流检测法，将局放产生的脉冲电流通过检测阻抗转换为脉冲电压，对其采集、放大和运算，实现对局部放电量的测定；采用局部放电仪进行放电量检测时，配备耦合阻抗单元及校正脉冲发生器；局放检测仪内的放大器能够放大局放脉冲并将其进行量化为视在电荷；为量化电荷，用校正脉冲发生器进行校正；采集电缆局部放电时域脉冲信号时，采用高频电流传感器HFCT敏感放电脉冲，使用示波器采集实时信号；

首先对缺陷电缆试样升压，直至缺陷击穿，确定缺陷的击穿电压，然后在缺陷放电电压范围内选择一定数量的放电电压值，维持放电电压，采集电缆局放高频电流信号；

绘制电缆局放高频电流PRPD谱图时，将50个交流周期信号为一个样本，当采样率为100MS/S时，一个样本信号共100M个数据点，绘制步骤如下：

S11：将每个样本中的数据都除以该样本中最大值进行归一化；

S12：在相位-幅值

平面上作局部放电散点图；

S13：将

平面划分为360×200的网格，其中360对应着一个工频周期360°，而200对应归一化之后的放电幅值划分为200个子区间；然后，统计每个区间的散点个数；

S14：绘制相位-幅值-放电次数

三维空间图；

从设置的电缆4种绝缘缺陷类型在不同放电电压下的局放三维PRPD谱图及其对应的局放时域脉冲波形中看出外导电层爬电局放起始阶段为交流负半周峰值附近，放电强度较小且密集的局放点略偏向于交流第三相位区间，放电强度较大且稀疏的局放点集中交流负半周峰值处；

气隙放电HFCT脉冲信号在交流正负半周均有存在，在交流正负半周峰值处有相同强度的局放产生，放电特征为放电量较小且放电频率高，而放电强度大而放电频率较低的点主要集中在正半周过零点和负半周过零点，且正半周过零点放电强度大于负半周过零点；

电缆绝缘表面划伤缺陷局放起始时，放电过程发生在交流负半周峰值附近，随着绝缘劣化程度的加剧，交流正半周也出现放电，但放电强度和放电频率均低于交流负半周，随着绝缘劣化程度的加剧，正半周的放电强度与交流第四相位区间内的放电强度相同，且放电频率也相同，放电强度大而放电频率较稀疏的区域为交流第三相位，呈现单峰形状；

绝缘缺陷劣化的起始阶段，放电过程发生在交流负半周峰值附近，随着绝缘缺陷的进一步劣化，放电强度较大的区间为交流负半周，在交流正半周和第四相位区间均存在放电强度较低且密集的放电特征，交流正半周的放电强度和放电频率略高于交流第四相位区间。

3.根据权利要求2所述的一种基于样本增强的电缆局部放电故障特性识别方法，其特征在于：所述S2具体为：

首先在某一尺度下进行小波包分解，计算分解结果中各分量与原信号之间的相关系数，如果该系数低于给定的阈值，则重新选择分解尺度，直至确定出最优尺度；

利用VMD对信号中心频率带宽的最优化特性自适应地将周期性窄带千扰分解到不同的基本模态分量；接下来，通过信号重构滤除窄带噪声，得到含有白噪声的PD信号；最后，利用自适应小波包方法进一步去除高斯白噪声。

4.根据权利要求3所述的一种基于样本增强的电缆局部放电故障特性识别方法，其特征在于：所述S3具体为：

S31：滑动窗口取值

对于一个一维时域信号，利用滑动窗口取值法，在时域信号上随机截取信号片段；窗口的大小设置为M，表示一次截取M个单位的数据，每次截取之后，窗口向后移动N个单位，一共截取M次，最后得到M个长度为M的信号片段；

S32：信号的组合

将随机选取的信号片段进行组合，得到一条长度为MxM的信号列；每个信号列的强度记为L(i)，i＝1,2......,M，i为信号列的序号，M为信号列的总数；

S33：信号转图像

将S32得到的M×M的信号列转化为灰度图像：

其中round(.)表示取整函数，P(j,k)，j＝1...M，k＝1...M,P的值表示转化后每个图像的像素值，该函数将所有像素值归一化至0～255之间，正好为灰度图像的像素值域；

经历基于GAN的局放样本数据增强。

Images