相关概率小波变换在局部放电检测中的应用

发布时间：2019-08-15 19:07

【摘要】：为准确识别高压电气设备中被噪声淹没的局部放电信号,提出了一种基于相关概率小波变换的局部放电信号检测方法。该方法首先对采集到的原始信号进行小波变换,利用局部放电信号与噪声信号相关性的不同对各层的小波系数进行预处理,然后基于分位数的概念在处理后的各分解层上设置若干个多尺度阈值,根据这些阈值计算原始信号各处为局部放电信号的概率,最后根据概率值的大小来判断该处是否发生局部放电。利用该方法对仿真及实测信号进行分析,并与传统小波变换方法的处理结果进行比较。结果表明,该方法能够更为有效地抑制局部放电在线监测中的噪声干扰,全面、可靠地检测到强噪声背景下的微弱局部放电信号,具有一定的工程应用价值。
【图文】：

检测结果,分位数,数据分割

2898高电压技术2017,43(9)是按照数据大小及固定间隔进行，并未考虑到数据出现的次数及概率分布，在实际应用中存在一定缺陷。由此，便产生基于分位数的数据分割方法，分位数为数据中的一个分界点，这个分界线的一侧对应一个概率p。例如，将n个数由小到大进行排序，那么1/5分位数就是第(n×0.2)个数，2/5分位数就是第(n×0.4)个数，以此类推，p分位数就是第(n×p)个数，如果(n×p)不是整数，则归为最接近该值的较大的整数。图1为采用基于幅值和基于分位数这两种不同的方法进行数据分割的结果。图1中曲线代表按照幅值绝对值大小进行排序的原始数据，每一条直线代表一个用于数据分割的边界。图1(a)采用固定的间隔，即两个相邻数据集之间的幅值差相等。在实际中，局部放电现象是随机发生的，因此采取此方法来分析PD信号不太合适。图1(b)则根据数据出现的几率来划分子集，即提供了一个概率值用于信号的区分，这一点与PD信号的特性较为符合。在这一基础上本文提出了多尺度阈值的概念，即根据分位数的定义在每一个分解层上设置多个阈值，从而可以克服采用单一阈值进行二次决策所引起的误差，进而提高检测的精度。2相关概率小波变换方法PD信号中的噪声主要包括周期性窄带干扰和白噪声等[14]。PD信号频谱范围很宽，一般从几十kHz到几百MHz[15]。经小波变换后，PD信号具有以下特点：（1）对应的小波系数有很高的几率出现在所有分解层上；（2）相应位置的小波系数在各个分解层之间具有较强的相关性；（3）其突变点在各个分解层的同一位置都会出现较大的峰值。周期性窄带干扰的能量比较集中[16]，一般只分布在若干个频带上，其对应的小波系数只会出现在特定的分解层上。白噪声频谱较宽，功率谱为恒定常数，在大?

功率谱,算法流程图

阒釗?具有较强的相关性；（3）其突变点在各个分解层的同一位置都会出现较大的峰值。周期性窄带干扰的能量比较集中[16]，一般只分布在若干个频带上，其对应的小波系数只会出现在特定的分解层上。白噪声频谱较宽，功率谱为恒定常数，在大多数情况下其幅值小于PD信号，但也有可能大于PD信号，对应的小波系数在各分解层之间相关性很小或没有相关性[17]。基于上述分析，，为了有效地抑制噪声干扰，更为准确地检测到PD信号，本文将相关性与概率计算的思想结合起来，提出相关概率小波变换方法。该方法实现过程见图2，具体步骤如下：1）对信号作离散小波变换，得到各分解层的图1不同方法的检测结果Fig.1Signalssegmentationbasedondifferentmethods图2算法流程图Fig.2Algorithmflowdiagram小波系数(,)sWjn。2）求取相邻分解层间的相关系数(,)jCjn。3）计算对应的归一化相关系数.(,)jnCjn。4）设rsW为经过处理的新小波系数，与sW大小相同且初值为0。若,(,)(,)jnsCjn≥Wjn，则将n点的小波系数(,)sWjn保存到rsW的对应位置中，且将原来的(,)sWjn和(,)jCjn均置0；否则，保留原来的r(,)sWjn、(,)sWjn和(,)jCjn。
【作者单位】：西安理工大学水利水电学院;国网甘肃省电力公司电力科学研究院;
【基金】：国家自然科学基金(51279161)~~
【分类号】：TM855

【相似文献】