[0001] 本申请涉及换流站电力设备局部放电检测领域，尤其涉及一种基于特征提取的换流站局部放电脉冲干扰抑制方法。

[0002] 在电力系统中，电力设备的运行状态会直接影响整个系统的安全性，当电力设备发生重大故障时，可能会导致电力系统瘫痪。因而，掌控电力设备内部的绝缘状况对于维持整个电力系统的安全、可靠运行非常重要。

[0003] 局部放电是一种在电力设备内部经常发生的局部性的放电现象。电力设备的绝缘材料在局部放电的长期作用下，材料会发生老化，进而有可能导致设备出现击穿，引发停电事故。因而，对电力设备进行局部放电测试具有重要的现实意义。然而，在局部放电测试过程中，电力系统中的电力电子设备经常会产生脉冲型干扰，由于来自于电力电子器件的脉冲信号与局部放电信号波形的相似性，这会对电力设备的绝缘诊断带来干扰，从而影响后续的运行状态评估工作。

[0004] 因而，有必要对局部放电测试过程中来自于外界的脉冲干扰信号进行抑制。

[0039] 为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0040] 请参见图1‑5，如图1所示，本申请实施例提供的基于特征提取的换流站局部放电脉冲干扰抑制方法，包括以下步骤：

[0041] S101：对局部放电脉冲信号数据进行编号，得到编号序列数据。

[0042] 如图2所示，对于一个含有电力电子脉冲噪声干扰的干式环氧树脂绝缘变压器的局部放电数据集，对于每一个脉冲信号p(t)，将其依次进行编号，分别为p1(t),p2(t),p3(t),……,pi(t)，得到共i个脉冲信号的编号序列数据。假设本实施例中，共3365个脉冲信号，其中第1个脉冲信号的时域波形示例图如图2所示.

[0043] S102：采用Morlet母小波函数基于编号序列数据计算出第一特征参数和第二特征参数，对第一特征参数和第二特征参数进行归一化处理并绘制散点图。

[0044] 选用Morlet母小波处理编号序列数据中的脉冲信号，其中Morlet母小波表达式为[0045]

[0046] 其中，fb指的是波形的带宽因子(bandwidth factor)，它影响着小波的频谱宽度。fc指是中心频率(central frequency)，这是小波的主要频率成分。这两个参数共同决定了Morlet小波的形状及其在时间和频率域的分布特性。在局部放电脉冲信号的特征提取过程中，选择合适的“fb”和“fc”值对于确保信号分析的准确性至关重要。作为优选的方式可以取值fb＝fc＝2。

[0047] 进一步的，采用Morlet母小波函数根据预设的尺度参数与时移参数，基于编号序列数据计算出第一特征参数和第二特征参数；

[0048] 第l个尺度参数al，满足： 第k个时移参数τk，满足：其中，尺度参数a的总数为m，时移参数τ的总数为n；fmin和fmax分别是(在进行局部放电试验过程中检测系统所能探测到的)频率下限和上限，fs是(在进行局部放电试验过程中检测系统的)采样频率。

[0049] 计算出的第一特征参数fp1和第二特征参数fp2分别满足如下公式：

[0050]

[0051] 其中，*代表复共轭运算。

[0052] 计算出第一特征参数fp1和第二特征参数fp2之后，对于局部放电数据集中的共i个脉冲信号pi(t)，针对每个脉冲信号所计算获得的特征参数为(fpi1,fpi2)，提取特征参数fp1的最大值，将其记为fp1max，提取特征参数fp2的最大值，将其记为fp2max，对于这i组特征参数，分别除以其对应的最大值，之后对这i组特征参数进行归一化，即(fpi1/fp1max,fpi2/‑5fp2max)。例如，本实施例中的3365组特征参数，其fp1max＝3.05168875941025×10 ；fp2max＝
0.424837972209585。

[0053] 最后，在二维坐标系中将归一化后的i组特征参数以散点图的形式绘制，如图3所示的特征参数绘制的散点图的示例图。

[0054] S103：确定散点图中每个数据簇所对应的子集内脉冲信号的最大幅值的平均值。

[0055] 观察并确定散点图中数据簇的个数，将其记作z。对于每个数据簇，利用四组极值坐标，即(a1,b1)、(a2,b2)、(a3,b3)、(a4,b4)，确定一个四边形区域，对每个数据簇所对应的脉冲信号编号进行提取。其中，四组极值坐标的具体坐标值利用特征参数网格遍历搜索法确定，分别在0‑1的范围内，从0开始，以预设步长，如0.001，对横坐标和纵坐标进行数值上的改变，直至观察到四组极值坐标所确定的四边形区域将每个数据簇内的散点完全覆盖。

[0056] 例如在经过遍历搜索法，对于第一个数据簇，四组极值坐标分别为(0,0)、(0.13,0)、(0.13,0.1)、(0,0.1)；对于第二个数据簇，四组极值坐标分别为(0.14,0)、(0.14,1)、(1,0)、(1,1)，每组极值坐标所对应的四边形区域如图4所示。

[0057] 在完成对每个数据簇所对应的极值坐标的数值确定之后，对极值坐标所确定的四边形区域范围内的特征参数数据点的编号进行提取。

[0058] 分别利用提取的每个数据簇的脉冲信号所对应的编号确定局部放电数据的信号子集，共获得z个信号子集。对于每一个子集，对该子集内所对应的脉冲信号波形数据的最大幅值信息进行提取，计算该子集内所含有的脉冲信号数据的最大幅值的平均值，计算结果为Fave。

[0059] S104：若数据簇所对应的子集内脉冲信号数据的幅值不满足基于平均值设定的预设阈值范围，则将该脉冲信号编号子集原始信号数据集中剔除。

[0060] 基于平均值Fave设定一预设阈值范围，根据该阈值范围区分噪声信号和有效放电信号。具体的，通过检查子集内有多少比例的脉冲信号的最大幅值落在预设阈值范围内。如果这个比例超过了一定程度，则认为该子集主要由噪声组成；否则，则认为该子集主要由有效的放电信号组成。脉冲信号的最大幅值落在预设阈值范围内的比例，可以根据实际需要、经验等进行设定。

[0061] 进一步的，将不满足基于所述平均值设定的预设阈值范围的数据簇所对应的子集子集从原始信号数据集中剔除后，还包括：对剔除噪声信号后的局部放电数据进行相位分布分析。

[0062] 对剔除噪声信号后的局部放电数据集进行相位分布分析的目的是验证噪声信号是否已经被成功抑制，并确保剩余信号为有效的局部放电信号。通过比较噪声剔除前后数据集的相位分布谱图，可以直观地看到外部脉冲型噪声干扰是否已经被有效去除。这样的分析有助于确认信号处理的有效性，从而保证后续电力设备局部放电检测的准确性。此外，这也为进一步的故障诊断和状态评估提供了可靠的数据基础。

[0063] 进一步的，本申请中基于平均值Fave设定的预设阈值范围为0.9Fave～1.1Fave，如果这个比例超过了90％，则认为该子集主要由噪声组成。如图5所示的，含有脉冲噪声的局部放电数据集的相位分布谱图示例图。

[0064] 进一步的，将上一步确定的主要由噪声组成的子集从原始信号数据集剔除，则实现了噪音抑制。去除噪声信号后的局部放电数据集的相位分布示例图。

[0065] 综上所述，本申请创造性地在尺度时移域中对局部放电信号和脉冲干扰信号进行特征提取，并且利用本申请提供的特征提取算法可以有效的实现局部放电信号和脉冲干扰信号的分离，获得了纯净的局部放电信号数据集，能够有效抑制局部放电测试过程中来自于外界的脉冲干扰信号，提高电力设备局部放电检测的准确性和抗干扰能力。