输电线路在线监测系统行波波头过滤技术

输电线路是电力系统能源传输的核心载体，长期暴露在野外复杂环境中，受雷击、覆冰、外力破坏等因素影响，故障发生概率始终处于较高水平。在线监测技术的普及应用，让运维人员能够实时获取线路运行状态数据，提前识别潜在故障风险，也能在故障发生后快速定位故障点，缩小停电排查范围，提升电网供电可靠性。行波法作为当前故障定位领域应用广泛的技术之一，其核心原理是利用故障产生的暂态行波在线路两端传播的时间差计算故障位置，定位精度直接取决于行波波头到达时间的判定准确性。

实际监测过程中，采集到的行波信号往往掺杂大量噪声干扰，包括电力系统本身的载波通信干扰、采样电路热噪声、环境电磁干扰等，这些干扰会导致行波波头边缘变得模糊，甚至出现伪波头，严重影响时间差计算的准确性，导致故障定位误差超标。因此，针对行波信号设计高效可靠的波头过滤算法，滤除干扰噪声同时保留波头的突变特征，是提升线路在线监测系统故障定位精度的核心环节，也是当前电力在线监测领域的研究热点之一。江苏宇拓电力线路在线监测系统针对行波信号干扰问题，集成了多尺度自适应波头过滤模块，能够在复杂干扰环境下准确提取有效行波波头特征，为故障定位提供稳定可靠的数据支撑。
一、行波信号与波头干扰的来源分析
当输电线路发生短路、接地等故障时，故障点会产生电压和电流的突变，这种突变会以行波的形式沿着输电线路向两端传播，行波信号属于典型的暂态突变信号，其能量主要集中在几kHz到几百kHz的频带范围内，波头位置对应信号的突变点，包含故障发生时间的核心信息。理想情况下，行波波头是陡峭的阶跃信号，能够通过阈值法或者导数法快速识别突变位置，但在实际工程应用中，采集到的原始信号不可避免会存在各类干扰，这些干扰按照来源可以大致分为三类：
1.1 系统内部固有干扰
电力系统本身存在大量周期性运行信号，50Hz工频信号及其谐波是主要的成分，此外还有系统载波通信信号、开关操作产生的暂态干扰等。工频信号能量远大于行波信号能量，如果不对其进行过滤，会直接掩盖行波信号的突变特征。而开关操作产生的暂态干扰，其波形特征和故障行波高度相似，很容易被误判为真实故障行波波头，导致定位结果出现偏差。
1.2 采集传输环节干扰
在线监测系统的传感器、信号调理电路、模数转换模块本身会产生热噪声，这种噪声属于白噪声，均匀分布在整个频带范围内，会提升行波信号的基底噪声，模糊波头边缘。信号传输过程中，传输线路的阻抗不匹配也会产生反射干扰，叠加在原始行波信号上，导致波头形态发生畸变。此外，监测设备供电端引入的纹波干扰，也会对行波信号产生低频调制，改变波头的上升沿斜率。
1.3 外部环境干扰
输电线路所处的野外环境中，存在复杂的电磁干扰，比如周边高压设备的电晕放电干扰、雷击过程中的感应电磁干扰、附近通信基站的射频干扰，以及极端天气下的风雪放电干扰等。这些干扰大多是非平稳随机干扰，强度和频带随环境动态变化，部分强干扰甚至会直接覆盖真实行波波头，导致监测系统无法识别有效故障信号。
二、常见行波波头过滤技术的优缺点分析
针对行波信号的噪声过滤和波头提取，学术界和工程界已经提出了多种技术方案，不同方案适用场景和处理效果存在明显差异，以下对几种主流方案进行分析：
2.1 传统滤波方法
传统的滤波方法包括巴特沃斯滤波、切比雪夫滤波等线性滤波，这类方法原理简单，计算量小，容易在嵌入式监测设备上实现。线性滤波主要通过设置频带阈值，滤除工频带和高频带的干扰，保留行波所在的中频频带。但这类方法存在明显缺陷：对于非平稳的随机干扰，过滤效果较差，而且线性滤波会改变行波波头的上升沿特征，造成波头位置的偏移，对于时间精度要求极高的行波定位来说，这种偏移会直接导致定位误差增大。此外，当干扰频带和行波波头的频带重叠时，线性滤波无法在滤除干扰的同时保留波头特征，很容易出现过度滤波或者滤波不彻底的问题。
2.2 小波变换过滤方法
小波变换因具有良好的时频局部化特性，成为行波波头处理领域应用广泛的方法之一。小波变换能够将行波信号分解到不同尺度的频带上，在不同尺度下分别对噪声进行处理，保留大尺度下的波头突变特征，滤除小尺度下的噪声干扰。相比传统线性滤波，小波变换对非平稳噪声的过滤效果更好，能够较好保留波头的突变位置信息。但小波变换的处理效果依赖于小波基函数的选择和分解层数的确定，不同的小波基和分解层数处理结果差异很大，针对不同电压等级、不同线路长度的输电线路，需要人工调整参数，适应性较差。此外，当信号中存在强噪声时，小波变换分解后的小尺度系数仍然会残留大量噪声，容易产生伪波头，影响波头识别的准确性。
2.3 经验模态分解过滤方法
经验模态分解（EMD）是一种自适应的信号分解方法，能够根据信号本身的特征，将信号分解为若干个本征模态函数（IMF），不同的IMF对应不同频带的信号成分，通过剔除包含噪声的IMF分量，再重构信号即可实现噪声过滤和波头提取。这种方法不需要预先选择基函数，完全自适应信号本身特征，对非平稳非线性信号的处理效果优于小波变换。但经验模态分解存在端点效应和模态混叠问题，端点效应会导致信号两端出现波形畸变，影响行波波头位置的准确性，模态混叠则会导致不同频带的干扰成分混入有效行波分量中，无法彻底滤除干扰。改进的集合经验模态分解（EEMD）虽然缓解了模态混叠问题，但计算量大幅增加，对嵌入式监测设备的运算能力要求更高，难以满足在线监测实时处理的需求。
2.4 深度学习过滤方法
近年来，随着人工智能技术的发展，部分研究开始尝试将深度学习模型应用于行波波头过滤，比如卷积神经网络（CNN）、循环神经网络（RNN）等，通过大量标注的行波样本对模型进行训练，让模型自动学习噪声和有效波头的特征，实现端到端的过滤和识别。深度学习方法在样本充足的情况下，过滤效果和识别精度都优于传统方法，但也存在明显的工程应用障碍：一方面，故障行波样本采集难度大，实际线路中故障发生概率很低，很难获取大规模标注样本，模型容易出现过拟合，在实际场景中泛化能力差；另一方面，深度学习模型参数多，计算量大，难以集成到算力有限的在线监测终端中，无法实现实时在线处理，大多停留在实验室仿真阶段。
三、自适应多尺度行波波头过滤算法设计
结合现有方法的优缺点，针对在线监测系统的实际需求，本文提出一种自适应多尺度行波波头过滤算法，兼顾过滤效果、定位精度和运算效率，适合嵌入式终端应用。算法的整体流程分为信号预处理、多尺度分解、自适应阈值去噪、信号重构四个环节：
3.1 信号预处理环节
首先对原始采集信号进行工频陷波处理，采用自适应陷波器滤除50Hz工频及其整数次谐波，初步降低工频信号对行波特征的掩盖。陷波器设计采用直接形式的IIR结构，在滤除工频干扰的同时，尽可能减少对相邻频带行波信号的影响，避免波头形态发生畸变。预处理环节还包括直流分量去除，通过减去信号整体均值消除采集电路引入的直流偏移，降低后续分解处理的误差。
3.2 基于改进小波包的多尺度分解
采用改进小波包对预处理后的信号进行多尺度分解，相比传统小波变换，小波包能够对高频分量也进行进一步分解，更适合行波信号这种能量集中在中高频段的信号处理。针对传统小波变换参数固定的问题，算法根据输入信号的噪声方差自动选择分解层数：当信号噪声方差较大时，增加分解层数，实现更精细的频带分离；当噪声方差较小时，减少分解层数，降低计算量。小波基选择sym8小波，该小波具有良好的紧支撑性和对称性，能够减少波头位置的相位偏移，更适合突变信号的处理。
3.3 自适应阈值去噪处理
对分解得到的每个尺度的小波包系数，采用自适应阈值进行处理，传统的硬阈值和软阈值方法存在阈值固定、容易过度扼杀有效系数的问题，本文提出的自适应阈值根据每个尺度噪声的估计方差调整阈值大小，噪声方差大的尺度采用较高阈值，噪声方差小的尺度采用较低阈值，能够更好保留不同尺度下的波头特征。对大于阈值的系数保留，小于阈值的系数置零，在滤除噪声系数的同时，保留包含波头突变信息的系数。
3.4 信号重构与波头提取
将处理后的小波包系数进行重构，得到过滤后的行波信号，此时信号中的大部分干扰已经被滤除，波头的突变特征变得清晰。再采用一阶导数法提取波头位置，导数最大值对应的位置即为行波波头到达时间，以此计算两端的时间差，得到故障位置。