摘要：在气体绝缘组合电器(gas insulated switchgear, GIS)实体模型内部分别放置针-板、悬浮金属颗粒和绝缘子表面固定金属颗粒三种缺陷模型，用超声波传感器在相同电压下采集到良好的局部放电波形，将从现场运行设备上测得的背景噪声叠加到原放电波形上。对叠加噪声后的放电波形采用小波去噪，针对波形特点选取了7个特征参数，分别用去噪前后波形的特征参数对BP_Adaboost分类器进行训练和测试，结果表明用去噪后波形提取的特征量作为分类器输入的识别率更高。

0  引言

近年来，以SF₆作为绝缘介质的GIS在电网开关设备中发展迅速，它具有占地面积小、运行可靠、不受外界环境的影响等优点。尽管GIS设备的可靠性高，但其内部不可避免的缺陷在长期发展后仍会引发故障^[1-3]。局部放电作为引发GIS事故的主要因素，在国内外得到了大量的研究。

在现场的局部放电检测时，周围不可避免的会有一些噪声，这些噪声会影响采集到的波形，严重时甚至会让现场人员对是否有放电和放电类型造成误判，所以对波形进行滤波就显得很有必要^[4,5]。随着小波分析理论的不断发展，利用小波方法对信号去噪已得到了国内外众多学者广泛的应用。本文参照现场实际缺陷设计实验，在GIS实体模型内部分别放置针-板、绝缘子表面金属颗粒和悬浮金属颗粒三种缺陷模型。在相同的电压下分别采集得到三种放电模型的局部放电波形，将现场测得的噪声叠加到局部放电波形上，用小波分析对超声波信号进行去噪，最后对去噪前后的信号分别用BP_Adaboost分类器进行放电类型识别。

1 实验内容

实验中，将制作好的针-板模型、绝缘子表面缺陷模型和悬浮金属颗粒模型分别置于研制的GIS实体装置中，为与现场设备的状态保持一致，在内部充以0.4MPa的SF₆气体，缺陷模型示意图如图1所示，实验回路示意图如图2所示。图中，相应的局部放电模型用C_X表示；示波器的作用是用来采集并保存局部放电的放电波形，进行后期数据分析。用超声波传感器来采集超声波信号，超声波传感器主要由谐振式探头和后置带宽放大器组成，实验中所用的探头工作带宽为15kHz～70kHz，谐振频率为40kHz，放大器增益为40dB。

图1  缺陷模型示意图

Fig.1 Diagram of defects models

图2  实验回路示意图

Fig.2 Experimental circuit diagram

为防止加压过快造成绝缘击穿，实验加压从0开始缓慢升高。一人加压一人注意示波器的波形变化，当示波器上出现较为稳定的放电波形时，停止加压。因为放电模型不同，超声波对不同类型的放电灵敏度不同，因此开始出现较为稳定放电时的电压也不相同。为了跟现场情况相符和实验目的的需要，发现实验电压在60kV时，三种模型在GIS中都有稳定的放电，针对每种放电模型在此电压下记录150组数据。

2  小波去噪介绍

信号的噪声处理是信号处理领域的经典问题之一。传统去除噪声的方法主要包括线性滤波和非线性滤波，如中值滤波和Wiener滤波等。不管是线性还是非线性滤波，都存在使信号变换后的熵增高、无法得到信号的相关性和无法刻画信号的非平稳特性的缺点^[6,7]。为了克服上述缺点，人们开始使用小波变换的方法解决信号噪声去除问题。

用小波变换对信号进行去噪的过程分为信号的小波分解，高频系数的阈值量化和小波重构。其中，最关键的是阈值选择和量化，它关系到信号噪声去除的质量。小波去噪的阈值选择一般有下述3种方法^[8]：

1）默认阈值去噪。利用函数生成信号的默认阈值，然后利用再进行去噪处理。

2）给定阈值去噪。通过经验公式获得阈值，这种阈值比默认阈值的可信度高。

3）强制去噪。将小波分解结构中的所有高频部分滤掉，然后进行小波重构。这种方法比较简单，去噪后的信号比较平滑，但容易丢失信号中的有用成分。

目前，GIS站多采用标准化设计和施工，相同电压等级变电站的室内或室外GIS设备的布置环境基本相同，因此，可能影响背景噪声的电晕放电等因素差别不大。在对现场采集到的背景噪声进行时频分析后也发现差别不大，所以本文采用给定阈值去噪的方法对超声波信号进行去噪处理。

3  BP_Adaboost分类器介绍

    Adaboost算法是把多个“弱”分类器的输出合并以产生有效分类。其步骤主要为：（1）从样本空间中挑选出m组训练数据，设定每组训练数据的权重为1/m。（2）对每组数据用弱学习算法迭代运算T次，每次运算后都按照分类结果更新训练数据权重，将较大权重赋予分类失败的训练个体。（3）通过反复迭代得到一个分类函数序列，对每个分类函数赋予一个权重，分类结果越好的赋予的权重越大。T次迭代之后，强分类函数F由弱分类函数加权得到^[9,10]。

BP_Adaboost模型是把BP神经网络作为弱分类器，反复用BP神经网络训练样本，通过Adaboost算法得到多个BP神经网络弱分类器组成的强分类器。图3为BP_Adaboost算法进行分类识别的流程^[11]。

图3  BP_Adaboost算法分类识别流程

Fig.3 Type recognition of BP_Adaboost Algorithm

4  放电类型识别

4.1  超声波信号去噪和特征量提取

为与现场噪声保持一致，实验将现场测得的噪声叠加到局部放电信号上。随后对实验获得的超声波信号进行小波去噪，用haar小波将波形分解为5层，设置第一层阈值为0.014，第二层阈值为0.019，第三层阈值为0.034，第四层阈值为0.052，第五层阈值为0.006，进行去噪，图4为其中一个信号去噪前的波形图，图5为其去噪后的波形。

图4  去噪前的波形

Fig.4 Waveform before de-noising

图5  去噪后的波形

Fig.5 Waveform after de-noising

从去噪前后的波形可以看出，去噪后的波形保留了原信号中的放电部分波形而滤掉了大量的噪声信号。对去噪前后得到的放电信号分别提取特征量，本文选取了7个特征参数，分别为：平均值（mean, M）、均值绝对偏差（mean absolute deviation, MAD）、标准差（standard deviation, SD）、偏度（skewness, S）、曼哈顿距离（L1 norm, 1N）、峰度（kurtosis, K）和欧几里得距离（L2 norm, 2N）。下面为三种放电波形去噪前、后的部分特征参数值。

表1  去噪前针-板放电的部分特征参数值

Tab.1 Part characteristic parameters’ values of needle-plate discharge before de-noising

表2 去噪前悬浮金属颗粒放电的部分特征参数值

Tab.2 Part characteristic parameters’ values of suspended metal particles discharge before de-noising

表3  去噪前绝缘子表面放电的部分特征参数值

Tab.3 Part characteristic parameters’ values of insulator surface discharge before de-noising

表4  去噪后针-板放电的部分特征参数值

Tab.4 Part characteristic parameters’ values of needle-plate discharge after de-noising

表5 去噪后悬浮金属颗粒放电的部分特征参数值

Tab.5 Part characteristic parameters’ values of suspended metal particles discharge after de-noising

表6  去噪后绝缘子表面放电的部分特征参数值

Tab.6 Part characteristic parameters’ values of insulator surface discharge after de-noising

4.2  用BP_Adaboost分类器做放电类型识别

实验对每种放电提取了150组数据，用其中的120组作为训练样本，30组作为测试样本。用去噪前后的数据分别训练和识别，对比效果，所以每次训练的样本总数为360，测试样本总数为90。对于3种放电类型，设置分类器的输出节点数为3，针-板放电用状态[0 0 1]代表，悬浮金属颗粒放电用[0 1 0]代表，绝缘子表面固定金属颗粒放电用[1 0 0]代表。

在训练之前，需要先对样本数据进行归一化处理。数据归一化处理把所有的数据都转化为[0,1]之间的数，其目的是取消各维数据间数量级差别，避免因为输入输出数据数量级差别较大而造成网络预测误差较大。本文采用最大最小法，其函数形式如下：

         (5)

式中，为数据序列中的最小数；为序列中的最大数。

本文采用的BP神经网络的隐含层为1层，结构为8-10-3。设置训练参数为：学习率0.01，最大学习次数500次，学习精度0.001，训练函数trainlm。对于BP_Adaboost强分类器，迭代次数为15，即弱分类器BP神经网络的个数为15。用测试数据进行放电类型识别的测试结果如表7和表8所示。

表7  去噪前的识别结果

Tab.7 Recognition results with data before de-noising

表8  去噪后的识别结果

Tab.8 Recognition results with data after de-noising

对比上面的识别结果可以看出，用去噪后的数据作为输入进行放电类型识别的识别率更高，综合识别达到了93.3%。

5  结论

采用现场背景噪声与实验放电波形叠加的方法可以更好的模拟现场设备真实存在缺陷时的放电波形，对去噪前后的放电波形用BP_Adaboost分类器进行模式识别，结果表明BP_Adaboost分类器是一种优秀的分类器，对去噪后的数据识别率更高。

参考文献：

[1]  高凯，倪浩，杨凌辉．GIS局部放电检测的技术发展和分析[J]．华东电力，2012，40(8)：1384-1387．

YANG Kai，NI Hao，YANG Ling-hui．GIS Partial Discharge Testing Technology Development and Analysis[J]．East China Electric Power，2012，40(8)：1384-1387．

[2]  邱毓昌．GIS装置及其绝缘技术[M]．北京：水利电力出版社，1994：34-89．

Qiu Yu-chang．GIS device and its insulation technology[M]．Beijing：Water Resource and Electric Power Press，1994：34-89．

[3]  谭向宇，杨卓，赵现平，等．GIS内金属性缺陷引起的局部放电超声信号分布特性研究[J]．高压电器，2012，48(12)：65-69．

TAN Xiang-yu，YANG Zhuo，ZHAO Xian-ping，et al．Ultrasonic signal distribution characteristics of partial discharge due to metallic defects in GIS[J]．High Voltage Apparatus，2012，48(12)：65-69．

[4]  刘君华，吴晓春，徐敏骅．超高频与超声波法在GIS局部放电现场检测中的应用研究[J]．华东电力，2011，39(12)：2096-2099．