勾欣陽 胡茜婷 張 朔
(三峽大學電氣與新能源學院,湖北宜昌443000)
開關柜內部的電弧短路故障作為開關柜內部常見的一種故障,具有頻發性和災難性的特點。傳統保護機制以弧光和電弧放電電流信號作為判據[1],然而這種檢測方法不能快速發現并切除大多數故障電弧。故障電弧發生早期會伴隨放電聲,可以此作為故障發生的信號,建立對開關柜故障電弧的預警,便于在事故發生之前消除故障電弧。故障電弧早期放電聲的頻段主要分布在5~10 kHz[2],易受外界干擾聲的影響。相應頻帶能量會受到信號的影響,可利用小波包分解頻帶能量構造弧聲的特征向量,以變化敏感的頻帶能量作為識別特征量,由此建立配電房開關柜故障電弧檢測系統。
本系統主要包括對開關柜故障電弧聲數據的獲取、數據預處理、音頻特征提取與分類。系統通過MEMS聲音傳感器實時采集開關柜工作狀態下的聲音信息,然后對采集到的音頻信號進行數據預處理,包括小波包分解、閾值去噪和小波包重構等步驟,使其轉換為計算機可直接處理的信號,最后從經過數據預處理后的音頻信號中進行特征提取,并經歸一化處理后輸入BP神經網絡模型,通過與已訓練好的BP神經網絡模型進行對比分析,對故障進行預警和分類。
系統架構如圖1所示。
圖1 系統架構
根據工程實際和檢測系統運行需要,系統使用MEMS聲學傳感器對聲音進行采集。MEMS的全稱是微型電子機械系統,它是集微型機構、微型傳感器、微型執行器以及信號處理和控制電路于一體的微型器件。相對于傳統麥克風,其具備體積更小、功耗更低、靈敏度與信噪比(S/N)相對較高的優點。MEMS聲學傳感器采用以硅為主的材料,硬度高,導熱性好,電氣性能優良,不易受到外界各種因素的干擾。系統利用MEMS聲學傳感器實現對聲音的采集后,以WAV格式的音頻文件保存到存儲器中。
由于采集的聲音為開關柜內的環境聲音,這類聲音往往呈現出非結構化的特征,一般存在許多問題,如計算機無法直接對音頻數字信號進行調用、采集的環境聲中不存在或存在少量的目標處理音頻、多種聲音干擾對目標音頻的檢測等問題。因此,就需要對采集到的聲音進行一系列處理,包括小波包分解、小波包去噪、小波包重構和音頻特征提取。
2.2.1 小波包分解與重構
小波包分解,即子帶樹及最佳子帶樹結構,是在小波變換的基礎上發展而來的,克服了小波變換無法處理高頻信號的局限性[3],可同時對低頻和高頻信號進行分解,便于對分解之后的信號進行小波包去噪。兩層小波包分解和重構算法如下[4]:
假設用函數f(t)表示信號,對其進行小波包分解和重構,用表示音頻分解后第j層上第i個分解或重構系數,小波分解濾波器用G和H表示,小波重構濾波器用h和g表示,則小波包分解系數為:
小波包重構系數為:
式中:j=J-1,…,1,0;i=2j,…,2,1;J=lbN。
在使用閾值法進行降噪時,通常根據功率的數據特征來選取閾值,在一定程度上干擾了小波包的降噪性能,其次,小波包閾值法降噪只對低頻信息有效,降噪后高頻信息中仍存在噪聲,無法保證功率數據的質量。針對此問題,采用奇異譜分析法處理小波包分解的低頻部分和高頻部分,以保證功耗數據的高質量與高純凈度[5]。
奇異譜分析法分為兩步:第一步重構變換數據的軌跡矩陣,并利用奇異值分解;第二步將分解后的數據分組重構,用成分不同的數據代替初始數據。
(1)分解。假設待分解數據為YT=(y1,y2,…,yT),多維軌跡矩陣為X,則:
計算XXT(XT代表矩陣X的轉置矩陣)可得L個奇異值λi和相應的特征向量Ui,取d=max(i,λi>0),可將矩陣分解如下:
其中:
(2)重構。變換式(6)中的Xi生成相應的時間序列,并根據式(9)重構新序列數據H。
x*為矩陣XL中的元素,且:L*=min{L,K} (10)
2.2.2 基于奇異譜分析的小波包降噪
在使用小波包變換方法降噪時,常用方法為閾值降噪,然而閾值的選擇在很大程度上會影響降噪效果,在實際降噪過程中,常選用默認閾值或根據測試調整參數。其中,選用默認閾值不具備針對性,不能根據實際功耗數據準確降噪;測試調整參數則是僅對于當前功耗數據降噪,缺乏普遍性。為此在小波包分解降噪過程中加入奇異譜分析,以提高降噪準確性。
改進后的小波包降噪流程如圖2所示。
圖2 小波包降噪流程
2.2.3 特征值提取
在對信號能量特征值提取之前,需對純凈信號數據進行小波包分解,不同分解層數對應的準確率也不同,根據待分析信號的特征,選取小波包分解層數為4層。
將分解后的待分析信號S用節點表示:
設S4j(j=0,1,…,7),則其對應的能量值E4j(j=0,1,…,7):
能量特征值向量T=[E40,E41,E42,E43,E44,E45,E46,E47] (14)
電力系統故障診斷的主要方法有專家系統法、BP神經網絡以及模糊集理論等[6],綜合各種診斷方法的優缺點,選取神經網絡法進行故障識別。
2.3.1 BP神經網絡模型的建立
本文利用MATLAB軟件進行BP神經網絡模型的建立,模型以txt文件格式儲存。將BP神經網絡中的輸入單元、隱含層單元和輸出單元分別設為i,j,k。
第一步,根據各種狀態下的樣本聲音數據構建樣本特征庫;第二步,通過神經網的訓練得出BP神經網絡模型以及各層權值,將其以txt文件格式保存;最后對此模型進行測試,其測試誤差函數為:
式中:p為輸入模式;y為輸出結果。
式中:η為學習因子,η>0。
模型訓練完成后,利用公式算出測試誤差,若結果小于5%,則說明此模型滿足準確性和有效性的要求。
2.3.2 BP神經網絡系統
利用BP神經網絡對故障進行識別可分為以下幾個步驟:
(1)小波包重構得到的能量特征值可能較為復雜,導致計算機運算量過大,于是需要將能量特征值進行歸一化處理,得:
式中:T′為BP神經網絡輸入樣本。
(2)給定相應輸出,將負載不同工作狀況下的網絡期望輸出設置為狀態正常(1,0,0,0),絕緣故障(0,1,0,0),載流故障(0,0,1,0),其他故障(0,0,0,1)。
(3)當采集到新的聲音數據時,對數據進行預處理,通過與已經建立的BP神經網絡模型進行比對,獲得相應開關柜的工作狀態。
本文設計了開關柜故障電弧聲源檢測系統,通過實時采集開關柜內部聲音,對采集到的聲源數據進行小波包分解、小波包降噪和小波包重構得到比較純凈的聲源數據,建立可自主學習的BP神經網絡模型,將新采集到的聲源數據進行處理后與訓練后的神經網絡模型進行比對,判斷開關柜的狀態。