城市配电网输送主要由电缆线路、环网柜、箱式变压器、开闭所及变压器、断路器、负荷开关、接地刀闸等电力设备[1]。这些设备一旦出现故障将直接影响用户侧供电可靠性和居民生活。环网柜是配电网实现电能接收与分配的重要节点，因此，其可靠性直接关系到系统供电可靠性。主要包括高压开关柜、电缆及二次自动化装置[2]。由于设备质量、施工质量以及运行环境等多方面因素的原因，环网柜中仍然存在较多的故障隐患，且已发生的大多数故障均是绝缘击穿故障。
通过PD检测技术可及时发现并处理环网柜中缺陷，确保环网柜的稳定运行，从而保障配电网安全稳定[3]。当环网柜发生PD时，会产生放电声波、火光以及紫外线、超声波现象。利用PD现象可及时发现设备内部早期绝缘缺陷，从而进行跟踪处理，避免缺陷发展成为故障。参考国内外对PD检测的研究成果，本文利用超声波传感器检测PD信号，并结合WNN滤波与PNN识别实现对环网柜早期绝缘缺陷识别。
⦁ 环网柜PD预处理
利用超声波传感器检测环网柜PD信号时，由于采集到的PD信号中掺杂着电磁干扰与白噪声，需进行预处理。常见环网柜绝缘缺陷有：金属突出物放电、绝缘表面固定金属微粒缺陷放电以及气隙放电。鉴于传统小波分析法在滤除大噪声信号存在失效情况，提出利用WNN进行信号消噪处理。
⦁ WNN消噪原理
WNN是在传统神经网络基础上，利用小波基代替非线性激励函数，从而将小波分析时频局部特性与神经网络自学习、大数据处理能力有效结合，达到增强神经网络的收敛能力与寻优能力的目的。选择Mexihat小波基及其尺度函数作为神经网络的激励函数，WNN结构如图1。
图1 WNN结构图
WNN包含输入层、隐藏层及输出层。输入层包含一个节点，输入含噪PD信号x(t)；隐藏层包含两层，每层八节点，第一层为尺度函数φ(x)神经元φL,K及小波函数ψ(x)神经元ψL,K，第二层对小波分解系数进行阈值处理，隐藏层第一种神经元对PD大致逼近，第二种神经元对PD信号细节搜索；输出层对阈值量化后的小波分解系数进行重构，输出去噪后信号：
(1)
假设含噪声PD信号可分解为纯净PD信号与噪声信号，如式(2)。
(2)
式中，x(t)为含噪声PD信号，s(t)为纯净PD信号，n(t)为加性噪声信号。对WNN进行训练时可对分解层数及阈值进行训练，假设神经网络输出期望为纯净PD信号s(t)，实际输出PD信号为y(t)，则网络训练误差为：
(3)
式中，t为时间变量；τ为PD信号采样长度。
⦁ WNN去噪结果
将WNN应用于环网柜PD信号检测中，分别用来滤除电磁信号与白噪声，得到结果如图2。
图2 PD信号滤噪波形
如图，WNN较好地滤除了PD采集波形中噪声信号，为后续信号特征提取提供干净信号。
⦁ 滤波信号特征提取
PD信号具有明显随机性，直接观察波形难以判定环网柜是否存在缺陷，主要提取PD信号的时域特征，并利用小波包分解系数计算得到标准差、方差以及系数能量。
⦁ 信号时域特征提取
信号时域特征可直观体现波形差异，对于差异较大且具随时间变换明显波形，提取时域特征即可分别。常见的时频特征有偏度因子、峭度因子、裕度因子等。
⦁ 基于小波包分解特征提取
小波包分解可对信号的高频部分进行二次分解，具有更强细节解析能力。PD信号在经过J层小波包分解后将会得到2J个频段系数。为避免滤噪信号幅度差异造成能量波动问题，采用对能量特征取对数运算，如下。
(2)
(3)
式中，Cik表示第i个频段的第k个系数；Ni表示第i个频段的小波包系数个数。
选取时域特征偏度因子、峭度因子、裕度因子及小波包分解系数方差、标准差、系数能量六种特征量作为神经网络训练集与测试集。
⦁ 基于PNN绝缘缺陷类型识别
PNN可视为一种径向神经网络，融合密度函数估计及贝叶斯决策理论，是一种结构简单、应用广泛神经网络。
⦁ PNN神经网络
PNN神经网络由输入层、隐含层、求和层及输出层构成，如图3。
图3 PNN神经网络结构
输入层接收训练样本值，神经元节点个数与特征向量维数相同，将输入向量X与权重系数矩阵Φ作点乘计算得到标量积Bi；Bi将被输入到隐含层，隐含层通过建立非线性得到该层第i类第j个神经元输出概率，如下。
(4)
式中，σ为平滑因子，L为训练样本维度。求和层将隐含层输出数据进行加权处理，得到第i类概率密度函数。
(5)
输出层利用贝叶斯分类最终筛选出与缺陷类型数量相同的神经元数量。
⦁ PNN神经网络识别结果
利用现场采集金属突出物放电、绝缘表面固定金属微粒缺陷放电及气隙放电三种类型数据各50组作为神经网络的训练与测试样本；将样本数据经WNN滤噪后，提取时域特征及小波包分解系数特征构建六维网络输入向量；将特征向量输入到PNN神经网络进行训练并识别得到结果如表1。
表1 PNN识别结果
识别结果表明，所提基于PD信号绝缘缺陷识别方法有效识别环网柜绝缘缺陷类型。
⦁ 结论
针对环网柜绝缘缺陷类型检测问题，提出采用超声波PD信号检测结合WNN滤波及PNN识别，实现绝缘缺陷类型判别。结果表明WNN滤波效果显著，对PD信号时频特征保留较好；时域特征与小波包分解系数能很好地提取环网柜不同绝缘缺陷时PD信号；构建PNN能够有效地识别出金属突出物放电、绝缘表面固定金属微粒缺陷放电及气隙放电三种缺陷类型，为环网柜绝缘缺陷类型识别提供判定依据，从而达到及时消缺目的，保障环网柜稳定可靠运行。
参考文献
⦁ 骆洁艺. 基于暂态地电压和超声波测试的10kV开关柜绝缘状态评估技术的研究[D].华南理工大学,2010.
⦁ 罗思敏,田妍,郑服利,钟少泉,杨森,林艺.开关柜PD检测技术应用[J].高压电器,2020,56(04):204-208.
⦁ 孟祥海,王文华,彭飞.超声波测试技术在高压开关柜PD检测定位中的应用[J].电气应用,2019,38(03):108-112.