矿用干式变压器局部放电模式识别方法.pdf

第45卷 第1期 2019年1月 工矿自动化 Industry and Mine Automation Vol. 45 No. 1 Jan. 2019 文章编号671-251文章编号671-251X201901-0076-05 201901-0076-05 DOI 10. 13272/ 10. 13272/j. . issn. 1671-251. 1671-251x. 2018090081. 2018090081 矿用干式变压器局部放电模式识别方法 唐建伟唐建伟S 苏红 苏红S 严家明 严家明S 张建文 张建文S 王金川 王金川S 王恩俊 王恩俊 1.中国矿业大学电气与动力工程学院， 江 苏 徐 州 221008;1.中国矿业大学电气与动力工程学院， 江 苏 徐 州 221008; 2.中国能源建设集团安黴省电力设计院有限公司， 安 黴 合 肥 2300002.中国能源建设集团安黴省电力设计院有限公司， 安 黴 合 肥 230000 摘要 为提高矿用干式变压器局部放电模式识别准确率， 提出了一种矿用干式变压器局部放电模式识别摘要 为提高矿用干式变压器局部放电模式识别准确率， 提出了一种矿用干式变压器局部放电模式识别 方法。首先， 采用正交匹配追踪算法对原始局部放电信号进行去噪， 最大程度保留原始局部放电信号的有用方法。首先， 采用正交匹配追踪算法对原始局部放电信号进行去噪， 最大程度保留原始局部放电信号的有用 信息； 然后， 通过自回归模型提取去噪后局部放电信号的自回归系数特征； 最后， 将自回归系数特征输入随机信息； 然后， 通过自回归模型提取去噪后局部放电信号的自回归系数特征； 最后， 将自回归系数特征输入随机 森林集成分类器对局部放电模式进行识别。实验结果表明， 该方法平均识别准确率达9 8 。森林集成分类器对局部放电模式进行识别。实验结果表明， 该方法平均识别准确率达9 8 。 关键词 矿用干式变压器（ 局部放电（正交匹配追踪（自回归系数特征（随机森林集成分类器关键词 矿用干式变压器（ 局部放电（正交匹配追踪（自回归系数特征（随机森林集成分类器 中图分类号中图分类号TD611 文献标志码611 文献标志码A 网络出版地址网络出版地址Http // //kns. . cnki. . net/ /kcms/ /detail/32. 1627. /32. 1627. TP. 20181227. 1657. 004. . 20181227. 1657. 004. html Partial discharge pattern recognition for mine-used dry-type transer TANG Jianwei1， 1， SU Hong1 , 1 , YAN Jiaming1 , 1 , ZHANG Jianwen1 ,1 , WANG Jinchuan1， 1， WANG Enjun2 2 1. 1. School of Electrical and Power Engineering， ， China University of Mining and Technology，， Xuzhou 221008, 221008, China; 2. ; 2. Anhui Electric Power Design Institute Co.， .， Ltd.，.， China Energy Engineering Group， Hefei 230000， 230000，China Abstract In order to improve recognition accuracy of partial discharge pattern of mine-used dry-type transer， ， a partial discharge pattern recognition for mine-used dry-type transer was proposed. . Firstly， ， orthogonal matching pursuit algorithm is used to denoise original partial discharge signal， which can retain useful ination of the original partial discharge signal to the greatest extent. . Then， autoregressive coefficient features of the partial discharge signal after denoising are extracted by autoregressive model. . Finally， ， the autoregressive coefficient features are into random forest integrated classifier to recognize partial discharge pattern. . The experimental result shows that average recognition accuracy of the is 98. 98. Key words mine- -used dry-type transer; ; partial discharge; ; orthogonal matching pursuit; ; autoregressive coefficient feature; ; random forest integrated classifier 〇 引言〇 引言 矿用干式变压器作为煤矿井下主要的供电设矿用干式变压器作为煤矿井下主要的供电设 备 ， 其可靠运行是煤矿安全生产的重要保障。局部备 ， 其可靠运行是煤矿安全生产的重要保障。局部 放电是电气设备绝缘受损的重要预兆[12]， 不同局部放电是电气设备绝缘受损的重要预兆[12]， 不同局部 放电模式的形成机理不同， 对绝缘损害的程度也不放电模式的形成机理不同， 对绝缘损害的程度也不 收 稿 日 期 2018-09-28;修 回 日 期 2018-12-18;责 任 编 辑 盛 男 。 基 金 项 目 国 家 重 点 研 发 计 划 资 助 项 目 （2017YFF0210600。 同。因此， 矿用干式变压器局部放电模式的准确识同。因此， 矿用干式变压器局部放电模式的准确识 别 ， 对评估当前矿用干式变压器的绝缘状况、 提高井别 ， 对评估当前矿用干式变压器的绝缘状况、 提高井 下供电可靠性具有重要意义。下供电可靠性具有重要意义。 局部放电模式识别过程主要包含信号去噪、 特局部放电模式识别过程主要包含信号去噪、 特 征提取、 分类器选择3 个部分。局部放电信号去噪征提取、 分类器选择3 个部分。局部放电信号去噪 方法主要有方法主要有FFT数 字 滤 波 法 、 自适应滤波法M 、数 字 滤 波 法 、 自适应滤波法M 、 作 者 筒 介唐 建 伟 （1991一） ， 男 ， 江 苏 徐 州 人 ， 硕 士 研 究 生 ， 研 究 方 向 为 电 气 设 备 状 态 检 测 与 故 障 诊 断 技 术 ，E-mail 2172738651qq. com。 引 用 格 式唐 建 伟 ， 苏 红 ， 严 家 明 ， 等.矿 用 干 式 变 压 器 局 部 放 电 模 式 识 别 方 法 （] .工 矿 自 动 化 ，2019,45176-80. TANG JianweiSU Hong, YAN Jiaminget al. Partial discharge pattern recognition for mine-used dry-type transer[J]. Industry and Mine Automation,2019,451 ；76-80. 2 0 1 9 年 第 1 期唐 建 伟 等 矿 用 干 式 变 压 器 局 部 放 电 模 式 识 别 方 法 77 小 波 阈 值 法[5]等 。F F T数 字 滤 波 法 可 很 好 地 抑 制 周 期 性 窄 带 干 扰 ， 但 针 对 局 部 放 电 信 号 ， 难 以 确 定 阈 值 ； 自 适 应 滤 波 法 对 单 一 频 率 信 号 去 噪 效 果 较 好 ， 但 在 局 部 放 电 信 号 去 噪 过 程 中 收 敛 性 较 差 ， 效 果 不 稳 定;小 波 阈 值 法 适 用 于 非 平 稳 信 号 分 析 ， 但 分 解 结 果 依 赖 小 波 基 、 分 解 层 数 及 阈 值 的 选 择 ， 自 适 应 能 力 较 差 。局 部 放 电 信 号 特 征 提 取 方 法 主 要 包 括 统 计 特 征 参 数 法 、 分 形 特 征 参 数 法 和 矩 特 征 参 数 法 等 。 文 献 [6 ]基 于 统 计 特 征 对 局 部 放 电 模 式 进 行 识 别 ， 识 别 准 确 率 较 高 ， 但 在 局 部 放 电 信 号 所 含 噪 声 很 大 的 情 况 下 识 别 准 确 率 不 高 ； 文 献[7 ]基 于 分 形 特 征 对 气 体 绝 缘 组 合 电 器 局 部 放 电 模 式 进 行 识 别 ， 但 对 固 定 金 属 丝 放 电 识 别 率 较 低 ； 文 献[ 8 ]基 于 矩 特 征 对 针 - 板 和 球-板 模 式 的 局 部 放 电 进 行 识 别 ， 具 有 较 高 的 识 别 率 ， 但 对 其 他 放 电 模 式 识 别 率 偏 低 。 以 上 特 征 均 从 基 于 局 部 放 电 相 位 分 布（ Phase R esolved Partial D ischarge，P R P D 的 二 维 图 谱 、 三 维 图 谱 及 灰 度 图 中 提 取 ， 在 特 征 提 取 过 程 中 会 损 失 部 分 局 部 放 电 特 征 信 息 ， 不 适 用 于 对 所 有 模 式 的 局 部 放 电 进 行 准 确 识 别 。 目 前 应 用 较 广 泛 的 局 部 放 电 模 式 识 别 分 类 器 采 用B P神 经 网 络 、 支 持 向 量 机（ Support V ector M achine，S V M ， 但B P神 经 网 络 对 初 始 权 值 、 阈 值 的 选 取 敏 感 ，S V M的 识 别 效 果 则 依 赖 于 核 函 数 的 择 。 本 文 提 出 了 一 种 矿 用 干 式 变 压 器 局 部 放 电 模 式 识 别 方 法 。 首 先 ， 采 用 正 交 匹 配 追 踪（ O rthogonal M atch in g P u rsu it，0 M P 算 法 对 原 始 局 部 放 电 信 号 进 行 去 噪 ； 然 后 ， 通 过 自 回 归 模 型 提 取 去 噪 后 局 部 放 电 信 号 的 自 回 归 系 数 特 征 ； 最 后 ， 利 用 随 机 森 林 R an d o m F o rest，R F 集 成 分 类 器 对 局 部 放 电 模 式 进。 1局部放电模式识别1局部放电模式识别 1.1 0 M P算 法 去 噪 对 于H ilb e rt空 间 内 任 意 信 号/， 在 过 完 备 原 子 库 中 进 行 正 交 投 影 ， 则 信 号/可 分 解 为 / [ / ，■ 变压器的放电电压;变压器T 额定电压为50 额定电压为50 kV， 额， 额 定容量为5 0定容量为5 0kVA; ;R为保护水阻；为保护水阻；C，，C 为分压电 为分压电 容 ， 分压比为2 0001 容 ， 分压比为2 0001 ;Ck为 990 为 990 pF的耦合电容;采用的耦合电容;采用 500 500 MHz带宽的带宽的Infiniium系列示波器系列示波器。对于不同模对于不同模 型的局部 ， 各采集100 期的样本数据型的局部 ， 各采集100 期的样本数据。 b 小 波 阈 值 法 去 噪 后 局 部 放 电 信 号 0.50- 0.25-」 丨| -0.50 - -0.75-------------1-------------1-------------1-------------1 0 90 180 270 360 相位/。 ） “ OMP算 法 去 噪 后 局 部 放 电 信 号 图3不同算法下局部放电信号去噪效果对比 Fig. 3 Comparison of denoising effect of partial discharge signal under different algorithms 噪声抑 （ 17可反映信号中有用信息及噪声，噪声抑 （ 17可反映信号中有用信息及噪声， 噪声抑 越大， 表明信号中有 息 越高、 噪噪声抑 越大， 表明信号中有 息 越高、 噪 声越低1819。根据 图 3 可得基于小波阈值法声越低1819。根据 图 3 可得基于小波阈值法、OMP 算法去噪 号 的 噪 声 抑 分 8. 3；和算法去噪 号 的 噪 声 抑 分 8. 3；和 15. 20,相比小波阈值法，15. 20,相比小波阈值法，OMP算法的去噪效果更算法的去噪效果更 好 ， 能够保留更多 始局部 号 幅值、好 ， 能够保留更多 始局部 号 幅值、 数等信息。数等信息。 3. 2 3. 2 基于不同特征的局部放电模式识别结果 OMP算法对原始局部 号去噪后，算法对原始局部 号去噪后， 分别提取分 征 、 矩特征和自 系数特征， 并将分别提取分 征 、 矩特征和自 系数特征， 并将 3 种不同特征输入到3 种不同特征输入到RF集成分类 局部 ，集成分类 局部 ， 模式进 ， 结果见表1。模式进 ， 结果见表1。 从 表 1 可看出， 针对不同故障类型的局部放电从 表 1 可看出， 针对不同故障类型的局部放电 号 ， 基 分 征 征 局部号 ， 基 分 征 征 局部 低 基 自 系数 征 局部低 基 自 系数 征 局部 。。 2 0 1 9 年 第 1 期唐 建 伟 等 矿 用 干 式 变 压 器 局 部 放 电 模 式 识 别 方 法 79 表 1基于不同特征的局部放电模式识别准确率 Table 1 Recognition accuracy of partial discharge pattern based on different features 特征 _ 识 别 准确率 气隙放电电晕放电沿面放电平均 分形特征87. 184. 391.187. 5 征77. 691 496.188.4 自回归系数特征96. 29.8100. 098.0 3. 3 3. 3 分类器识别结果 在在OMP算法去噪和自回归系数特征提取的情算法去噪和自回归系数特征提取的情 况下， 分 别 采 用况下， 分 别 采 用BP神经网络分类器、神经网络分类器、SVM分类器分类器 和和R F集成分类器的局部放电模式识别准确率见集成分类器的局部放电模式识别准确率见 表 2。表 2。 表 2基于不同分类器的局部放电模式识别准确率 Table 2 Recognition accuracy of partial discharge pattern based on different classifiers 分类器 识别准确率 气电晕放电沿面放电平 BP神 经 网络分类器90.05.085.083.3 SVM分类器95.090.090.091. RF集成分 类 器96.29.8100.098.0 从 表 2 可看出， 采 用从 表 2 可看出， 采 用RF集成分类器的平均识集成分类器的平均识 别准确率达98. 0 ， 比别准确率达98. 0 ， 比BP神经网络分类器和神经网络分类器和SVM 分类器的平均识别准确率分别高1 7 和 6. 3 。分类器的平均识别准确率分别高1 7 和 6. 3 。 4结语4结语 矿用干式变压器局部放电模式识别方法采用矿用干式变压器局部放电模式识别方法采用 O M P算法对原始局部放电信号进行有效去噪， 能算法对原始局部放电信号进行有效去噪， 能 最大程度保留原始局部放电信号的有用信息； 通过最大程度保留原始局部放电信号的有用信息； 通过 自回归模型对去噪后的局部放电信号提取自回归系自回归模型对去噪后的局部放电信号提取自回归系 数特征， 该特征包含了不同故障类型局部放电信号数特征， 该特征包含了不同故障类型局部放电信号 之间最原始的差异信息； 利 用之间最原始的差异信息； 利 用RF集成分类器对局集成分类器对局 部放电模式进行识别， 不易陷人局部最优。实验结部放电模式进行识别， 不易陷人局部最优。实验结 果表明， 该方法平均识别准确率达9 8 。果表明， 该方法平均识别准确率达9 8 。 参 考 文 献 （References 1 杨 宁 ， 阎春雨， 毕建刚 ， 等.超声波局部放电检测仪校 验方法研究及应用[] .电 测 与 仪 表 ，2014,5122 104-109. YANG Ning， YAN Chunyu， BI Jiangang， et al. Research on calibration technology of ultrasonic partial discharge detector and its application [ J ]. Electrical Measurement k Instrumentation，2014， 51 22104-109. [ 2 ]郭少朋， 韩 立 ， 徐鲁宁 ， 等.光纤传感器在局部放电检 测中的研究进展综述[ J ] .电工电能新技术，2016,35 347-53. GUO Shaopeng,HAN Li, XU Luning, et al. Review of research on fiber optic sensors for partial discharge detection [ J ]. Advanced Technology of Electrical Engineering and Energy,2016，53 47-53. [3 ]赵敏. F F T变换与小波变换在变压器局部放电信号 去噪中的应用[J ].变压器，2009，6528-31. ZHAO Min. Application of FFT and wavelet transs to noise elimination of transer partial discharge signals [J]. Transer，2009， 46 5 28-31. [4 ]王洪涛， 郑乃清， 刘辉军.基于共振稀疏分解的局部放 电信号窄带干扰抑制新方法[J ].工 矿 自 动 化 ，2015, 41568-73. WANG Hongtao , ZHENG Naiqing , LIU Huijun. A new of narrowband interference suppression of partial discharge signal based on resonance sparse decomposition [J]. Industry and Mine Automation， 2015,41568-73. [5 ]张建文， 陈焕栩， 周鹏.基于小波阈值的局部放电去噪 新方法[J].电工电能新技术，2017，36880-88. ZHANG Jianwen , CHEN Huanxu , ZHOU Peng. New de-noising for partial discharge signals based on wavelet threshold [ J]. Advanced Technology of Electrical Engineering and Energy，2017， 36 8 80-88. [6 ]褚 鑫， 张建文， 韩刚.统计特征参数及多分类SV M的 局 部 放 电 类 型 识 别[ J ] .电 测 与 仪 表 ，2015,52 7 35-39. CHU Xin， ZHANG Jianwen， HAN Gang. Partial discharge pattern recognition based on statistical parameters and multi-classifications SVM [ J ]. Electrical Measurement k Instrumentation，2015， 52 7 35-39. [7 ]弓艳朋， 刘有为， 吴立远.采用分形和支持向量机的气 体绝缘组合电器局部放电类型识别[ J ] .电 网 技 术 ， 2011,353135-139. GONG Yanpeng， LIU Youwei， WU Liyuan. Identification of partial discharge in gas insulated switchgears with fractal theory and support vector machine[J]. Power System Technology，2011，35 3 135-1398 [ 8 ]周 沙， 景亮.基于矩特征与概率神经网络的局部放电 模 式 识 别[ J ] .电 力 系 统 保 护 与 控 制 ，2016,44 3 98-1028 ZHOU Sha， JING Liang. Pattern recognition of partial discharge based on moment features and probabilistic neural network [J ]. Power System Protection and Control , 2016,443 98-102. [9 ]杨宇.基于级联稀疏表示分类器的人脸识别算法[J]. 工矿自动化，2014，405 46-48. 80 工 矿 自 动 化2 0 1 9 年 第 4 5 卷 YANG Yu. Face recognition algorithm based on cascade sparse representation-based classifier [J ]. Industry and Mine Automation, 2014,405 46-48. [ 1 0 ]唐志国， 唐铭泽， 李金忠 ， 等.电气设备局部放电模式 识 别 研 究 综 述[ J ] .高 电 压 技 术 ，2017, 43 7 2263-2277. TANG Zhiguo, TANG Mingze LI Jinzhong, et al. Review on partial discharge pattern recognition of electrical equipment [J]. High Voltage Engineering， 2017,4372263-2277. 1 ] 张建文， 王恩俊， 陈焕栩， 等.基于自回归模型和超球 面支持向量机的局部放电模式识别（].电工电能新 技术，2016,359 29-34. ZHANG Jianwen，WANG Enjun, CHEN Huanxu， et al. Partial discharge pattern recognition based on autoregression model and hypersphere support vector machine [J ]. Advanced Technology of Electrical Engineering and Energy,2016,359 29-34. 2 ] 李明 ， 王晓茹.一种用于电力系统间谐波谱估计的自 回归模型算法（ ] .中国电机工程学报，2010,301 72-76 LI Ming，WANG Xiaoru. An autoregressive model algorithm for the inter-harmonic spectral estimation in the power system[J]. Proceedings of the CSEE,2010， 30172-76. [13] CUTLER 1 , BREIMAN L. Random forests [ ] . Machine Learning,2004,451 157-176. 4 ] 曹正凤.随机森林算法优化研究[D ].北 京 首都经济 贸易大学，2014. [ 5 ] 于凯.基于随机森林的局部放电识别分析[ ] .电子世 界 ，201717152. [ 6 ] 罗新.基于随机森林的文本分类模型研究[ ] . 农业图 书情报学刊，2016,2811 50-54. LUO Xin. Research on text classification model based on random forests [ J ]. Journal of Library and Ination Sciences in Agriculture， 2016， 28 1150-54. [ 7 ] 罗 新， 牛海清， 胡 日 亮 ， 等.一种改进的用于快速傳里 叶变换功率谱中的窄带干扰抑制的方法[ ] . 中国电 机工程学报，2013,3312 167-175. LUOXin， NIU Haiqing， HU Riliang， et al. A modified of suppressing narrow-band interference using fast Fourier trans power spectrum[J]. Proceedings of the CSEE , 2013,3312 167-1758 [ 8 ] 周 凯， 谢 敏 ， 赵 世 林 ， 等.基 于 改 进FastICA的局部放 电在线监测窄带干扰高保真性抑制方法[ ] . 电工技 术学报，2018,33112604-2612. ZHOU Kai， XIE Min, ZHAO Shilin， et l Periodic narrowband noise rejection with high fidelity of partial discharge on line monitoring based on improved FastICA algorithm [J ]. Transactions of China Electrotechnical Society， 2018， 33 1 1 2604-2612. [ 9 ] 唐 炬， 黄江岸， 张 晓 星， 等.局部放电在线监测中混频 周 期 性 窄 带 干 扰 的 抑 制[ ] .中 国 电 机 工 程 学 报 ， 2010,3013 121-127. TA N G Ju， HUANG Jiangnan， ZHANG Xiaoxing， et al. Suppression of the periodic narrow-band noise with mixed frequencies in partial discharge on-line monitoring [ J]. Proceedings of the CSEE，2010， 30 13121-127.