特高压断路器声振信号分析

特高压断路器声振信号分析

蒋丹

（北京送变电有限公司）

摘要：为完善特高压变电站中断路器运行状态的分析与识别方法，本文对特高压断路器的声音和振动信号进行分析，通过总结断路器的声音和振动信号不同状态下的特征，为日后特高压断路器在线监测装置的研发奠定了理论基础。

关键词：特高压变电站，信号分析，故障

1引言

随着社会经济的不断发展，用电负荷大幅度增长，国家电网公司为了充分发挥交流输电的优越性，增加输电容量，提高输电效益，大力建设1000kV特高压交流输电工程，这是建设全球能源互联网的关键之举。北京东1000kV变电站位于河北省廊坊市东北120公里的三河市新集镇，距离北京市东约67公里，三河市南约20公里。在参与该站1000kV断路器分系统调试工作的同时，发现目前在特高压断路器故障识别方面缺乏较为深入的理论研究。

特高压断路器作为电力系统中至关重要的控制与保护设备，保证其可靠性是历来研究的重点。断路器保护柜是基于对故障特征及参数的分析，设定相应的判据，从而保证相关断路器运行的可靠性[1，2]。因此要想提高特高压变电站中断路器对于故障动作的灵敏性与可靠性，应对断路器故障数据做重点研究，提取能够反映不同故障类型的特征量，通过完善数据分析方法，提升特高压断路器故障判据的精准度[3，4]。

当今断路器故障识别主要用到的方法有：神经网络、支持向量机、极限学习机等。本文利用时域和频域指标提取法对特高压断路器振动信号、声波信号分别进行分析。

本文通过对北京东1000kV特高压断路器试验过程中采集到的信号进行处理和分析，用该方法重点分析特高压断路器正常、操动机构卡滞和拐臂润滑不足三种状态，结果表明，这三种不同状态下声音和振动信号表现出不同的特征，可以应用到断路器的故障识别中。

2特高压断路器声振信号处理及特征量的提取

由于振动和声信号产生及传播速度不同，即使同时采集到的声音信号和振动信号，也难免会存在时间上的不同步，因此在对采集到的特高压断路器振动和声音信号进行处理之前，先对声振信号进行时标对准。根据传输原理，一般声音信号都会滞后振动信号，所以时标对准的关键就是计算的值[5]。

采集断路器分闸过程中的声音和振动信号，假设分闸脱扣电磁铁铁芯与连杆机构撞击时刻、连杆机构解裂时刻、主触头分离时刻、分闸完成时刻时的振动信号时标为：T0、T1、T2、T3，声音信号对应的时标为：T0’、T1’、T2’、T3’。由此确定的变化范围为

（1）

将振动和声波信号分为分闸前期、分闸中期和分闸后期，对两种信号分别做时频分析发现，分闸中期的频带最宽、能量较大，覆盖0-3000Hz，前期和后期与之相比频带范围较窄，能量较小。为了更好的将信号的能量分布变化考虑到信号对准中，将分闸中期细分段，分为10段，前期和后期粗分段，分为6段，提取分段时间点作为时间基准。分别对分闸前期、中期和后期求得对应时间基准的差值，剔除最大值和最小值后求其平均值，得到并取值在（1）式范围内的值，剔除振动信号前的数据，进行信号分析处理[6]。

2.1声音信号预处理

特高压断路器为GIS结构，其声音信号的传输途径比较复杂，但与普通开式高压断路器的声音信号在变化趋势上是相同的，因此，在本文中，将问题简化为线性瞬时混合过程。提取特征量之前首先要对采集到的断路器声音信号进行预处理，以便能够获得有效的特征量。

用改进EEMD-FastICA盲源分离的方法对声音信号进行预处理，主要步骤如下：

a）源数估计。对采集到的断路器声波信号，运用基于BWP指标的K-means算法估计信号源的个数；

b）对单通道观测信号进行改进EEMD分解，得到IMF分量；

c）将各IMF组合成为新的多维信号，并使其维数等于估计的源信号数。

d）针对新的多维信号，应用改进FastICA算法实现盲源分离，得到分离后的源信号y。

2.2声音信号时域特征量提取

信号的时域指标主要有平均值、均方值、方差、有效值、谱峭度指标，以正常状态下的分闸声音信号为例，其时域分析结果如图1所示。

图1声音信号小波包分解及时域指标图

图中可以看出，平均值、均方值、方差、有效值在各小波分量即各频率段几乎没有区别，不能作为状态识别的依据，谱峭度指标值在各分量中均有明显的变化，可以作为断路器状态识别的特征量。用同样的方法分析断路器的振动信号，分析可知，谱峭度指标值同样能区别振动信号的不同状态。

3结语

本文提出先通过时标对比得到同步的振动和声音信号，然后通过时域指标提取得到谱峭度指标这一主要特征量，分析发现，这一特征量能够区分不同频段下的信号。但是将其应用于特高压断路器的状态识别中是否适合，是需要继续研究的问题。

参考文献：

[1]蒋丹，华北电力大学，断路器测试信号处理及故障识别方法研究[D]，2014.

[2]李建鹏.基于振—声联合分析的高压断路器机械故障诊断研究[D].华北电力大学，2012.

[3]李宇，张国钢.基于模糊理论的高压断路器状态评估研究[J].高压电器，2007，43（4）：274-277.

[4]陈鹏永，赵书涛，李建鹏，等.基于EMD和SVM的高压断路器机械故障诊断方法研究[J].华北电力大学学报，2012，39（6）：23-28.

[5]张佩，赵书涛，申路，等.基于改进EEMD的高压断路器振声联合故障诊断方法[J].电力系统保护与控制.2014，42（8）：77-81.

[6]陈伟根，邓帮飞，杨彬.基于振动信号经验模态分解及能量熵的高压断路器故障识别[J].高压电器，2009，45（2）：90-96.