0　引言

　　对电网上运行的高压电器设备进行局部放电(PD)在线监测，及时发现绝缘中存在的隐患，其意义十分重大。在线监测所采用的方法很多，其中电测法因其快速、准确和高精度的特点而被广泛采用。电测法利用传感器，通过检测回路将局部放电(PD)产生的电信号引入数据采集和分析系统。由于空间电磁场与检测回路相耦合，使得检测回路引入PD信号的同时也引入了外界电磁干扰信号，其中载波通信干扰，亦称离散谱干扰(discrete spectral interference，缩写为DSI)是最主要的一种，从能量上看，DSI往往占信号总能量的80%以上。由此可见，对DSI的抑制效果如何直接关系到在线监测设备的检测精度和可靠性。目前已经出现了许多抑制DSI的数字滤波方法^［1～3］，但实践经验证明，大多数方法不具备较强的自适应能力和鲁棒性，用于条件复杂的PD在线监测现场时，信噪比(SNR)较低，且往往会引起较大的PD信号畸变。为了获得满意的DSI抑制效果，以便为后续PD的识别打下良好的基础，我们提出了一种基于竞争子网络邻抑制作用的新数字滤波方法，并在PD在线监测系统中得到了实际应用。

1　竞争子网络

　　自组织网络是人工神经网络体系中一种比较重要的网络类型，这类网络在自组织过程中经常采用竞争学习方法。竞争过程按照“胜者为王”(the winner takes all)的方式组织^［4］，即竞争过程结束后，获胜的网络节点输出为1，所有未获胜的网络节点输出为0。
　　在神经网络系统中，该过程可用多种竞争子网络来实现，MAXNET为一种典型的竞争子网络，其结构如图1所示。节点的连接为自兴奋(从节点到其自身构成一正向连接自环)和邻抑制(从一个节点到另一节点的负抑制连接)类型，以完成节点间的相互竞争。

图1　MAXNET结构图
Fig.1　Structure of MAXNET

　　MAXNET由m个节点构成，设u_ik是从第i个节点到第k个节点的连接权，可以取：

(1)

　　MAXNET根据各节点输出值通过连接权相互作用迭代处理。节点i在t+1时刻的输出y_i(t+1)取决于各节点在t时刻的输出y_i(t)，即：

(2)

i,k∈{1，2，…，m}

其中

(3)

　　式(3)所描述的节点函数f(x)是非线性的，它具有图2所示的函数形式，通常称为阈值逻辑激活函数。

图2　阈值逻辑激活函数
Fig.2　Activation function

　　式(2)表明：每个节点都试图保持自己的值并通过连接权抑制其他节点。这种作用方式称为邻抑制。如果函数f(x)的自变量x为正，则输出y_i(t+1)也为正；而所有那些自变量为非正值的节点，其输出将为0。通过邻抑制作用，竞争子网络将经过若干次迭代过程使除了最大输入外的所有输入变为负值，并使得它们对应的输出为0。最终剩下的一个正输出将正好位于最大初值输入的那个节点。将网络输出用阶跃函数变换，就可得到“胜者为王”的结果：y_j(t)=1，而y_k(t)=0,k≠j。

2　邻抑制作用在数字滤波中的应用

　　通过以上对MAXNET的分析，我们对竞争子网络的结构和功能已经有些了解。需要说明的是：本文将要介绍的数字滤波方法不是要找到最大值所对应的节点，而仅是利用竞争子网络的邻抑制作用。这种作用的特点是：那些初值输入较大的节点，受到其他节点的抑制作用弱，保持自身值的能力较强；初值输入较小的节点，受到其他节点的抑制作用强，保持自身值的能力较弱，只需一次或几次迭代，其输出就有可能为0。
　　如何将邻抑制作用运用到数字滤波环节中呢？我们知道：现场采集到的原始数据信号中包含有DSI和PD等放电信号的频率成分，频域中DSI的振幅谱是以主频为中心的脉冲波形；而PD等放电信号则形成几乎遍布整个频域的平坦波形。DSI信号的能量集中，而放电信号的能量分散，因此从振幅谱来看，两者幅值相差悬殊。如果将每段原始信号作傅里叶变换，得到的振幅谱值作为竞争子网络的输入，则此时网络各节点依次对应着输入信号中的不同频率分量，适当选择迭代次数和邻抑制系数ε，可以使对应于PD等放电信号频率分量的各节点输出为0；而对应于DSI频率分量的各节点输出不为0。这样，原始信号中的DSI频率分量便可以确定，将这些频率成分置为0，然后再从频域返回时域，即可实现滤波。

3　邻抑制数字滤波法在PD在线监测系统中的应用

　　PD在线监测系统的前置放大器频带为5 kHz～500 kHz，数据采集卡的采样频率设置为2 MHz。有关系统硬件的情况参见文献［5］。监测系统的软件部分以针对各种干扰的数字滤波程序为核心，其中抑制DSI是滤波过程中首先要做的工作。从我们开展局部放电在线监测系统的研制以来，已经积累了大量现场数据，通过对这些数字信号分段、加窗后进行的振幅谱分析，得出如下结论：
　　a.在0～500 kHz频带内，几乎所有DSI信号的谱线均比放电脉冲信号所形成的振幅谱的基线要高15 dB以上；
　　b.在0～500 kHz频带内，振幅谱的平均幅值与最小的DSI所对应的幅值相当，且高于PD等脉冲信号形成的基线。
　　以上结论使在振幅谱中用竞争子网络邻抑制作用确定并分离DSI的工作成为可能。
　　下面以大连某一变压器现场数据中的一段(1　　024个采样点)为例进行说明。首先对该段数据加窗处理（hamming窗），然后作FFT得到对应0～500 kHz频率段的振幅谱，波形如图3(a)所示，将各点振幅谱幅值输入MAXNET。MAXNET的结构为：节点个数m=512；横向抑制系数ε=1/800。经过一次迭代处理(约1.5 s)，输出波形如图3(b)所示。由图3(b)可以清楚地看到：振幅谱中对应DSI窄脉冲处的各节点输出不为0，其余节点输出均为0。这说明虽然只迭代了一次，但该方法对小信号的抑制作用已十分明显，而对大信号则无太大的抑制作用。这样处理之后，只需将图3(b)中幅值不为零的频率成分滤除，而将幅值为零处的频率成分保留下来，然后作IFFT，即可完成对该段数据中DSI信号的数字滤波。

图3　现场数据的振幅谱经邻抑制作用前后的对比
Fig.3　Comparison of the magnitude spectrum of field
signal before and after the lateral inhibition procedure

　为验证滤波效果，对采集系统一次采样得到的128 kB(256段)数据进行了时平均功率谱密度分析。图4为滤除DSI前后现场数据的时平均功率谱密度图。通过对比，可以看出该滤波方法对DSI的抑制效果令人满意，滤波后信号中几乎没有DSI的剩余谱。这使得DSI滤波过程不会引起太大的PD信号畸变。当针对所有干扰的数字滤波过程结束后，PD信号畸变的确较小，其波形如图5所示，从波形细节来看，它仍具有显著的振荡衰减的脉冲形态。

图4　滤波前后现场数据的时平均功率谱密度对比
Fig.4　Time-average power spectrum density
comparison of field signal before and after
the filtering procedure

图5　PD波形
Fig.5　Waveform of PD

　　另外，图6给出在半个工频周期中地线信号滤波前后的时域波形图。通过校正脉冲和基线高度的对比可知：滤波后SNR提高了近10 dB，监测系统的检测精度得到较大提高。

图6　邻抑制滤波前后现场数据的时域波形
Fig.6　Waveforms of field signal before and after
the lateral inhibition filtering procedure

　　通过对在线监测进行观察，注意到：DSI信号的幅值时大时小，DSI的产生和消失无确定规律，而且现场外部放电的情况也因时间和天气状况的不同而产生较大差异。但从长期运行的结果来看，基于竞争子网络邻抑制作用的滤波方法具备了较强的自适应能力和鲁棒性，这可以通过随机抽取不同采样时间的数据所进行的时平均功率谱分析得到验证。

4　结论

　　基于竞争子网络邻抑制作用的数字滤波方法有许多独到之处：
　　a. MAXNET邻抑制作用具有非线性，因此该方法具备较强的自适应能力，能根据DSI频率的变化及调制频率的变化自动确定出待滤除的频率成分。
　　b.对幅值较大的DSI滤除彻底，对幅值高于基线且处于平均幅值水平的较小DSI亦有相当强的抑制作用，弥补了其他同类方法的主要缺陷，使在线监测系统可识别最小为3　　750 pC的PD，且PD波形畸变较小。
　　c.对振幅谱中不高于基线水平的各点的邻抑制作用显著，即使放电加剧使基线有一定增高，亦可在不作参数调整的情况下进行有效抑制。
　　该方法在大量现场运行中取得了较满意的效果，很好地满足了强干扰条件下局部放电在线监测的要求。

［1］Feser K, Konig G, Ott J, et al. An Adaptive Filter Algorithm for On-Site Partial Discharge Measurements. In: Conference Record of the 1988 International Symposium on Electrical Insulation. Boston: 1988
［2］Borsi H, Hartje M. New Methods to Record the Disturbance Influences on the In-Situ Partial Discharge Measurement and Monitoring. In: 6th International Symposium on High Voltage Eng. New Orleans: 1989
［3］Nagesh V, Gururaj B I. Evaluation of Digital Filters for Rejecting Discrete Spectral Interference in On-Site PD Measurements. IEEE Trans, 1993, EI-28(1): 73～85
［4］周继成，周青山，韩飘扬.人工神经网络——第六代计算机的实现. 北京：科学普及出版社，1993
［5］王　哲，蔡惟铮, 陈学允.基于小波分析的高压变压器局部放电在线监测.电力系统自动化，1998，22 (4): 19～23