开关柜电弧声音检测系统研究

勾欣阳 胡茜婷 张 朔

（三峡大学电气与新能源学院，湖北宜昌443000）

0 引言

开关柜内部的电弧短路故障作为开关柜内部常见的一种故障，具有频发性和灾难性的特点。传统保护机制以弧光和电弧放电电流信号作为判据[1]，然而这种检测方法不能快速发现并切除大多数故障电弧。故障电弧发生早期会伴随放电声，可以此作为故障发生的信号，建立对开关柜故障电弧的预警，便于在事故发生之前消除故障电弧。故障电弧早期放电声的频段主要分布在5～10 kHz[2]，易受外界干扰声的影响。相应频带能量会受到信号的影响，可利用小波包分解频带能量构造弧声的特征向量，以变化敏感的频带能量作为识别特征量，由此建立配电房开关柜故障电弧检测系统。

1 系统总体方案架设

本系统主要包括对开关柜故障电弧声数据的获取、数据预处理、音频特征提取与分类。系统通过MEMS声音传感器实时采集开关柜工作状态下的声音信息，然后对采集到的音频信号进行数据预处理，包括小波包分解、阈值去噪和小波包重构等步骤，使其转换为计算机可直接处理的信号，最后从经过数据预处理后的音频信号中进行特征提取，并经归一化处理后输入BP神经网络模型，通过与已训练好的BP神经网络模型进行对比分析，对故障进行预警和分类。

系统架构如图1所示。

图1 系统架构

2 系统原理

2.1 声音采集

根据工程实际和检测系统运行需要，系统使用MEMS声学传感器对声音进行采集。MEMS的全称是微型电子机械系统，它是集微型机构、微型传感器、微型执行器以及信号处理和控制电路于一体的微型器件。相对于传统麦克风，其具备体积更小、功耗更低、灵敏度与信噪比（S/N）相对较高的优点。MEMS声学传感器采用以硅为主的材料，硬度高，导热性好，电气性能优良，不易受到外界各种因素的干扰。系统利用MEMS声学传感器实现对声音的采集后，以WAV格式的音频文件保存到存储器中。

2.2 声音处理

由于采集的声音为开关柜内的环境声音，这类声音往往呈现出非结构化的特征，一般存在许多问题，如计算机无法直接对音频数字信号进行调用、采集的环境声中不存在或存在少量的目标处理音频、多种声音干扰对目标音频的检测等问题。因此，就需要对采集到的声音进行一系列处理，包括小波包分解、小波包去噪、小波包重构和音频特征提取。

2.2.1 小波包分解与重构

小波包分解，即子带树及最佳子带树结构，是在小波变换的基础上发展而来的，克服了小波变换无法处理高频信号的局限性[3]，可同时对低频和高频信号进行分解，便于对分解之后的信号进行小波包去噪。两层小波包分解和重构算法如下[4]：

假设用函数f（t）表示信号，对其进行小波包分解和重构，用表示音频分解后第j层上第i个分解或重构系数，小波分解滤波器用G和H表示，小波重构滤波器用h和g表示，则小波包分解系数为：

小波包重构系数为：

式中：j=J-1，…，1，0；i=2j，…，2，1；J=lbN。

在使用阈值法进行降噪时，通常根据功率的数据特征来选取阈值，在一定程度上干扰了小波包的降噪性能，其次，小波包阈值法降噪只对低频信息有效，降噪后高频信息中仍存在噪声，无法保证功率数据的质量。针对此问题，采用奇异谱分析法处理小波包分解的低频部分和高频部分，以保证功耗数据的高质量与高纯净度[5]。

奇异谱分析法分为两步：第一步重构变换数据的轨迹矩阵，并利用奇异值分解；第二步将分解后的数据分组重构，用成分不同的数据代替初始数据。

（1）分解。假设待分解数据为YT=（y1，y2，…，yT），多维轨迹矩阵为X，则：

计算XXT（XT代表矩阵X的转置矩阵）可得L个奇异值λi和相应的特征向量Ui，取d=max（i，λi＞0），可将矩阵分解如下：

其中：

（2）重构。变换式（6）中的Xi生成相应的时间序列，并根据式（9）重构新序列数据H。

x*为矩阵XL中的元素，且：L*=min{L，K} （10）

2.2.2 基于奇异谱分析的小波包降噪

在使用小波包变换方法降噪时，常用方法为阈值降噪，然而阈值的选择在很大程度上会影响降噪效果，在实际降噪过程中，常选用默认阈值或根据测试调整参数。其中，选用默认阈值不具备针对性，不能根据实际功耗数据准确降噪；测试调整参数则是仅对于当前功耗数据降噪，缺乏普遍性。为此在小波包分解降噪过程中加入奇异谱分析，以提高降噪准确性。

改进后的小波包降噪流程如图2所示。

图2 小波包降噪流程

2.2.3 特征值提取

在对信号能量特征值提取之前，需对纯净信号数据进行小波包分解，不同分解层数对应的准确率也不同，根据待分析信号的特征，选取小波包分解层数为4层。

将分解后的待分析信号S用节点表示：

设S4j（j=0，1，…，7），则其对应的能量值E4j（j=0，1，…，7）：

能量特征值向量T=[E40，E41，E42，E43，E44，E45，E46，E47] （14）

2.3 故障识别

电力系统故障诊断的主要方法有专家系统法、BP神经网络以及模糊集理论等[6]，综合各种诊断方法的优缺点，选取神经网络法进行故障识别。

2.3.1 BP神经网络模型的建立

本文利用MATLAB软件进行BP神经网络模型的建立，模型以txt文件格式储存。将BP神经网络中的输入单元、隐含层单元和输出单元分别设为i，j，k。

第一步，根据各种状态下的样本声音数据构建样本特征库；第二步，通过神经网的训练得出BP神经网络模型以及各层权值，将其以txt文件格式保存；最后对此模型进行测试，其测试误差函数为：

式中：p为输入模式；y为输出结果。

式中：η为学习因子，η＞0。

模型训练完成后，利用公式算出测试误差，若结果小于5%，则说明此模型满足准确性和有效性的要求。

2.3.2 BP神经网络系统

利用BP神经网络对故障进行识别可分为以下几个步骤：

（1）小波包重构得到的能量特征值可能较为复杂，导致计算机运算量过大，于是需要将能量特征值进行归一化处理，得：

式中：T′为BP神经网络输入样本。

（2）给定相应输出，将负载不同工作状况下的网络期望输出设置为状态正常（1，0，0，0），绝缘故障（0，1，0，0），载流故障（0，0，1，0），其他故障（0，0，0，1）。

（3）当采集到新的声音数据时，对数据进行预处理，通过与已经建立的BP神经网络模型进行比对，获得相应开关柜的工作状态。

3 结语

本文设计了开关柜故障电弧声源检测系统，通过实时采集开关柜内部声音，对采集到的声源数据进行小波包分解、小波包降噪和小波包重构得到比较纯净的声源数据，建立可自主学习的BP神经网络模型，将新采集到的声源数据进行处理后与训练后的神经网络模型进行比对，判断开关柜的状态。