利用盲源分离技术提取地下电缆故障放电声的研究

摘要：电缆故障放电声是地下电缆故障定点的重要信息源。人工识别放电声信号效率低，可靠性受测试人员经验因素影响大，特别在干扰环境中人工识别放电声十分困难。在声磁信号同步接收定点法的基础上，分析了放电声信号和常见干扰信号的特性。根据2种信号为非高斯分布且相互独立，以及相同地点放电声可重复的特点，提出基于单探头信号接收以及独立分量分析(ICA)和互相关的电缆故障放电声提取和识别方法。该方法不需要人工识别放电声信号特征，仅通过单探头2次观测信号实现干扰环境中放电声的提取和识别。试验结果验证了方法的可行性。

关键词：地下电缆；故障定点；声磁同步定点法；电缆故障放电；独立分量分析

中图分类号： P756.1文献标识码：A 文章编号：

0 引言

地下电缆故障定点是确定埋地电缆故障准确位置的探测过程，它对减少故障抢修时间和停电损失有关键影响。长期以来，国内外电缆故障探测设备生产商多采用人工识别电缆故障放电声信号进行故障定点[1]，其效率低，可靠性受测试人员经验因素影响大，无法满足电缆故障探测向自动化方向发展的要求。另外，故障放电声易受现场各种震动源的干扰，虽然定点设备普遍采用带通滤波器和声磁信号同步接收定点方法(简称声磁同步定点法)[1]，能够排除现场大部分干扰，但是对于受到同时刻同频带干扰的放电声信号，人工识别仍然十分困难。

电缆故障放电声和现场干扰都是未知信号，从干扰中提取放电声属于典型的盲源分离[2-4](BSS)问题。本文在声磁同步定点法的基础上，分析2类信号的特性，提出基于单探头信号接收以及独立分量分析[5-6](ICA)和互相关的电缆故障放电声信号提取和识别方法，实现干扰环境中放电声信号的检测。最后通过试验对方法进行验证。

1 声磁信号同步接收定点原理

1.1 声磁同步定点

地下电缆故障定点时，高压信号发生器向电缆施加周期高压冲击引起故障点放电，并在电缆全线感生出磁场信号，同时产生以故障点为中心向外传播的声信号。位于地表的故障定点探头被磁信号触发后同步接收磁、声信号。由于磁、声信号速度差异明显，探头接收的2种信号存在时差。探头离故障越远，时差越大；探头离故障越近，时差越小；当探头位于故障正上方时，时差最小。根据这一现象，通过对放电声耳机侦听和显示波形的观察，移动探头反复探测，可以找到故障的准确位置。声磁同步定点可用图1表示。图中，椭圆虚线表示磁信号，半圆实线表示声信号，探头集成了磁、声信号传感器，用于故障信号探测。

图1声磁同步法示意图

1.2 故障放电声和干扰信号特性

电缆故障放电是一种电火花震源。故障点与探头之间的大地可视为一信号传递系统。由于高压信号发生器放电电压固定，电缆、故障点以及大地传播介质特性时不变，因此，采用磁信号触发时，探头在同一地点每次采集的放电声信号有很高的重复性。

另外，故障定点时，设备放电周期为3－8秒，而故障放电声持续时间仅为数毫秒至几十毫秒且为脉冲冲击，因此放电声为超高斯信号特征。

地下电缆故障定点易受多种震动干扰。常见的有脚步震动干扰，车辆震动干扰和风吹干扰。由于采用防风罩可以有效排除风吹干扰的影响，因此本文只对受脚步和车辆震动干扰的放电声信号提取进行讨论。

脚步震动干扰持续时间较短，一般为几十至几百毫秒。车辆震动干扰持续时间长且伴有颠簸冲击，一般在信号采样时间内持续存在。由于2种干扰信号产生过程都具有随机间断冲击特点，因此，也具有超高斯信号特征。

从统计的角度观察，故障放电声和干扰显然是相互独立随机事件，因此2者不相关。同时，根据故障放电声的超高斯特征，只有放电时刻信号不为零，其余时间探头接收的非零声信号可判断为干扰，因此，声磁同步定点法能有效排除故障放电时刻以外现场干扰的影响。

在故障放电时刻存在干扰的条件下，由于放电声和干扰都为未知信号，而且不同位置处声传播通道特性不同，导致探头接收的放电声信号各不相同，人工识别放电声比较困难。

2 故障放电声信号提取方法

2.1 独立分量分析(ICA)

ICA是一种被广泛使用的盲源分离方法。盲源分离是指在源信号及其混合方式未知的情况下，仅从若干观测到的混合信号中分离出各个原始信号的过程。ICA的基本信号生成模型为：

(1)

式中：和分别为第个观测信号和源信号，为实混合系数，。

ICA基本信号生成模型的向量－矩阵形式为：

(2)

式中：和分别是观测信号向量和源信号向量，是实系数未知混合矩阵。

ICA在假定源信号相互独立并且具有非高斯分布的约束下给出信号生成模型的估计。也就是寻找一个线性变换矩阵(也称为解混矩阵)，使得估计信号尽可能统计独立，以逼近源信号。即：

(3)

根据中心极限定理，独立随机变量之和的分布比原变量更接近于高斯分布。因此，可以选取合适的目标函数，将其作为估计信号非高斯性的度量。通过某种最优化算法，极大化的取值，可以从中分离出独立成分(源信号的估计)。

FastICA算法采用负熵做为非高斯性的度量，并采用目标函数

(4)

作为负熵的近似。式中：和分别是具有零均值和单位方差的第个估计信号和高斯随机信号，是一个非二次非线性函数，目的是使目标函数作为负熵的近似和鲁棒性更好。

根据式(3)，对的估计可转化为对解混矩阵的优化，FastICA给出如下迭代算法：

数据中心化，使其均值为零

然后进行白化，得到

随机选取一个具有单位范数的初始化向量

更新，其中：是函数的导数，是的导数

标准化为单位范数，

若不收敛返回步骤(4)

FastICA收敛向量以的线性组合形式给出一个独立成分，同时成为解混矩阵的一个行向量的估计。重复迭代运算，且每次迭代后将正交化，可以分离出其余的独立成分。

ICA具有从混合观测信号中分离未知源信号的处理能力，如果把放电声和干扰看作不同的独立源信号，ICA非常适合对放电声信号进行提取。但是，由于和均未知，ICA结果存在独立成分幅值、次序和符号的不确定性。

2.2 放电声信号提取

根据ICA原理，需要利用多个探头，获得多个混合观测信号才能实现放电声信号的提取。由于各个源信号从信号源到达探头存在时间延迟，而且其传播通道特性各不相同，因此探头接收到的实际上是各个源信号与其传播通道卷积后的线性混合信号，即信号生成过程为卷积混合的ICA模型。

对于卷积混合ICA模型，其形式与式(2)相同，混合矩阵的每1个元素都是1个滤波器，而不再是标量数值，对其进行ICA处理将得到各个信号源的估计。但是，卷积混合ICA模型需要估计各个滤波器的系数，运算量大而且复杂。另外，测试时探头需要反复移动，多探头非常不便于现场应用。因此，采用多探头信号接收的ICA方案较难实现。

实际上，对于传播到探头处的放电声信号，利用同一地点单探头的2次观测也能进行ICA处理，其基本原理是：当故障距离较近时，每次触发后探头都能接收到故障放电声，同时，也可能接收到现场随机震动干扰。如果取干扰间歇期接收的声信号和有扰时的声信号构成观测向量，并视2者为同一时刻2个探头的观测结果，满足信号生成模型：