基于多分辨分析的故障电弧特征提取方法

基于多分辨分析的故障电弧特征提取方法

0故障电弧检测及分析的物理参数在输电路上，故障电流是一种常见的故障现象。当绝缘单元发生在绝缘单元和设备中时，通常会发生轻微的干燥连接。如果不及时采取有效保护措施,则可能引起火灾等事故的发生。因此对于故障电弧特性的分析与研究,进而快速及时地检测出电弧故障,以便切断故障线路,具有很强的工程实用价值。能够描述故障电弧的物理量有很多,比如:温度、弧声、弧光、电弧电压等。但是上述物理参数的检测在实际应用中较困难,多适用于电弧燃烧剧烈的场合,而且用于测量这些物理参数的传感器必须安装在故障电弧发生点附近,而在实际线路或设备中,故障电弧发生地点具有不确定性,且线路状况复杂,这就使得上述参数的检测非常困难。为此,笔者提出了以被保护线路的电流作为故障电弧检测和分析的物理参数,通过采用合适的分析方法对其进行特性分析,提取能用于快速有效诊断故障电弧的特征量。根据国标GB/T7260-3—2003,电路中的基本负载可以分为线性负载和非线性负载两类。线性类负载故障电弧发生时,电弧电流会产生较明显的“零休现象”,但故障电弧发生前,电流却不存在这种“零休现象”,这就为故障电弧的诊断提供了方便条件。针对此类故障电弧检测可以采用小波分析算法及快速傅里叶变换实现快速诊断。然而,随着非线性类型负载的广泛应用,很难直接利用电流的“零休现象”来诊断故障电弧。因为当非线性类型负载被施加正弦交流电压时,工作电流不再呈正弦交流形式,其波形将发生严重畸变,某种程度上出现类似前述的电流“零休现象”,尽管此时电路工作于正常状态,而无故障电弧产生。笔者利用多分辨分析小波分析理论,对两种不同类型负载下串联型故障电弧电流进行分析,提出了用于诊断故障电弧的诊断判据。1时域和频域的局部化矛盾传统的故障检测方法常用傅里叶变换来分析故障特性,傅里叶变换的实质就是把被分析信号分解成不同频率的正弦波的叠加和,从而可以将时域问题转换到频域分析,以实现对信号的分析。虽然傅里叶变换能够将信号的时域特征和频域特征联系起来,但信号分析只能在时域或频域分别进行,不能将二者结合起来。这是因为在信号的傅里叶分析中,信号的时域波形不包含任何频域信息,频谱也只是信号的统计特征,它是信号整个时域内的积分,没有局部化分析信号的功能,所以不具备时域信息,这样就有了时域和频域的局部化矛盾。小波分析方法是一种窗口(面积)大小固定但时间窗和频率窗都可以改变的时频局域化分析方法,即在低频部分具有较高的频率分辨率和较低的时间分辨率,在高频部分具有较高的时间分辨率和较低的频率分辨率。正是由于这种特性,使得小波变换具有对信号的自适应性,因此在故障检测方面小波分析越来越得到重视[11,12,13,14,15,16]。1.1单支重构及小波tp的分解过程基于多分辨率分析的小波变换是利用正交小波基将信号分解为不同尺度下的各个分量,其实现过程相当于重复使用一组高通和低通滤波器,对时间序列信号进行逐步分解,高通滤波器产生信号的高频细节分量,低通滤波器产生信号的低频逼近分量。滤波器得到的2个分量所占频带宽度相等,各占信号的1/2频谱带。每次分解后,将信号的采样频率降低一倍,进一步对低频分量重复以上分解过程,从而得到下一层次上的2个分解分量,多分辨率分解公式如下式(1)、(2)中:h0(n)=<ψj0(k),φj,l,n(k)>相当于一个低通滤波器组,分解出低频系数Aj(k);h1(n)=<ψj0(k),φj,l,n(k)>相当于一个高通滤波器组,分解出高频系数Dj(k);φ和ψ为分别对应的尺度函数和小波函数。信号x(n)经上述快速变换后,进行单支重构后得到的信号分量Dj(k)、Aj(k)所包含的信息频带范围为式(3)中,fs为信号采样频率,则原始信号x(n)可表示为各分量的和,即将Am(n)表示为Dm+1(n),则通过取不同的离散尺度j(j=1,2,…,m),可以得到系列的离散小波系数Dj。Daubechies系列小波具有正交性好、紧支、对不规则信号敏感等特点,文中采用Db5小波作为故障电弧检测的小波基波。而小波分解的层数与故障电流信号的时频分析精度有关,选择的层数越少,则分析的速度越快,但是频带分辨率越低。选择的层数越多,则分析的速度越慢,但正则性越好,频带的分辨率越高,小波在时域上的支撑长度也越长。因此,在正则性和支撑长度上应综合考虑,加以选取,笔者分别采用了5层分解和3层分解。1.2选取设置阀值量化策略通过交流串联电弧模拟实验,利用数字示波器采集不同负载下电弧燃烧时的电弧电压和电流,供信号分析。电弧燃烧的不稳定性和随机性导致电弧电流包含高次谐波分量,它们在一定程度上可以表征故障电弧的固有特征。然而,在电弧电流的数据采集过程中,不可避免会混入高频干扰信号。为了更加准确的分析故障电弧的特征,笔者利用小波阀值降噪功能对信号进行滤波处理,最大限度地滤掉电流信号中的高频干扰信号。阀值降噪的过程可分为如下3个步骤:1)信号的小波分解。选择一个小波并确定分解的层次,然后进行分解计算;2)小波分解高频系数的阈值量化。对各个分解尺度下的高频系数选择一个阈值进行软阈值量化处理;3)小波重构。根据小波分解的底层低频系数和高频系数进行一维小波重构。在阀值降噪的过程中,最关键的是如何选择阈值和如何进行阈值量化。Birge-Massart提出的非参数自适应估计理论通过提供大量估计模型方法以达到减少偏差的目的,从而使估计结果更加准确,得到更好的去噪效果。求解规则如下:(1)给定一个指定的分解层数j,对(j+1)以及更高层,所有系数保留;(2)对i层(1≤i≤j),保留绝对值最大的ni个系数。式(6)中,M和a是经验系数。阀值量化过程如下将小波分解后系数的绝对值与阀值进行比较,若小于阀值,则系数为0;大于或等于阀值的点保持原值。图1、2分别为没有经过阀值降噪处理前的线性负载(以下简称Ⅰ类负载)和非线性负载(以下简称Ⅱ类负载)故障电弧电流波形。通过傅里叶分解分析可以得知两者的共同特点之一是电弧电流中均含有高频噪声干扰且分布在较广频带中,电弧发生时电流幅值均下降。通过对图1观察可以发现Ⅰ类故障电弧发生时电弧电流波形中会出现明显“零休”现象,而在正常工作电流中没有这一现象。而Ⅱ类故障电弧发生前后电流波形中均存在“零休”现象,这表明对于非线性负载而言,电流的“零休”现象不是判断故障电弧是否发生的从分必要条件,必须利用合适的方法,提取故障电弧发生前后线路电流的典型“差异特征”,以便准确检测出故障电弧。笔者对小波分解后的高频部分采用非参数自适应估计理论策略进行阀值消噪处理,在利用小波降噪滤除信号中高频噪声干扰的同时,保留上述不同电弧电流的信号特征。首先对电流信号采用Db5小波进行分解,然后利用MATLAB中采用上述策略的wdcbm函数进行阀值求解,并对波形进行降噪处理,期间结合大量实验数据对经验系数和进行微调,达到较好降噪效果。图3、4分别为小波降噪处理后的Ⅰ类、Ⅱ类故障电弧电流波形。通过对比可以发现降噪后高频干扰噪被虑掉,而电弧电流中“零休”处的高频分量等特征仍然被保留。1.3、类负载故障电弧电流的小波分析一维小波分析适用于信号处理,特别是对信号突变的检测等。通常情况下,信号的奇异性可以分为两种情况:一种是信号在某一时刻,其幅值发生突变,引起信号的不连续,此时信号的突变处被称为第一种类型的间断点;另一种是信号(波形)是连续的,但是信号的一阶微分不连续,其不连续点被称为第2种类型的间断点。故障电弧电流的“零休”处以及故障电弧电流的高频分量突增点可以归类于第2类间断点。对于检测第2类间断点而言,所采用的小波的正则性是非常重要的,如果选择了不具有正则性的小波作进行小波分析,则不利于实现对第2种类型的间断点的检测。因此,文中选择正则性较好的Db5小波作为基波。对分解后系数进行重构,分别得到原始信号的逼近信号和细节信号。图5、6分别为对Ⅰ、Ⅱ类负载故障电弧电流采用Db5小波进行分解重构后的细节信号,其中S为降噪后的电弧电流信号;a5为逼近信号,逼近信号反映了原始的电弧电流波形的整体特征;d1-d5为各频段细节信号,由于之前对电弧电流进行了小波降噪处理,所以在高频的时域波形d1、d2、d3幅值基本为零。通过对比可以发现d5层所含细节信号的系数幅值发生很大变化,由10增大到40,反映了故障电弧电流中的“零休”这一突变特征信号,即是模极大值。同理通过对图6进行观察分析可以发现,d1~d3频段所包含细节信号的系数幅值在故障电弧发生前后差异也很明显,由0增大至0.02,反映出电弧电流信号中的高频分量增加这一特征信号。综合以上对两种不同类型负载的小波分析结果,给出判断过程如下。采集L个周期电流波形,进行上述小波分析方法计算得到其各层细节信号系数:针对Ⅰ类负载故障电弧电流,取其d5层细节信号系数,通过与其预设阀值TI0比较,累计得出系数值超过预设阀值的个数NI,若NI超过预设经验值NI0则判定出现故障电弧,保护机构动作;针对Ⅱ类负载故障电弧电流,取其d1-d3层细节信号系数,通过分别与其每层预设阀值T1II0、T2II0、T3II0比较,累计得出系数值超过预设阀值的个数NII,若NII超过预设经验值NII0则判定出现故障电弧,保护机构动作。2iii类负载故障电弧电流计算方法基于上述分析,对于I类负载故障电弧,可以选择图5中波形最为明显、幅值相对最大的第5层分解重构波形d5为诊断检测故障电弧电流的一个依据。而对于II类负载故障电弧由于脉冲电流频段分布在整个d1-d5频段,因此可以对这3个频段分别统一分析,采用3个高频段细节信号做检测依据。第n层细节系数对应的频段范围为第n层逼近系数对