在变压器、GIS、开关柜等高压电气设备运行过程中，局部放电（Partial Discharge，PD）是反映绝缘状态的重要信号之一。通过局放检测，可以发现绝缘内部或表面的潜在缺陷，并结合信号特征判断缺陷类型及其位置。
传统局放检测与定位方法通常默认设备中只有一个主要局放源。但在实际运行环境中，一个设备内部可能同时存在多个局放缺陷。例如，绝缘内部可能存在多个气隙、不同位置出现表面放电，或者设备中同时存在局放和外部电磁干扰。
当多个局放源同时产生信号时，传感器接收到的并不是某一个局放源的“原始信号”，而可能是多个信号经过传播、衰减、反射后形成的混合信号。
这会给局放识别和定位带来新的困难。
一、多源局放为什么会增加检测难度？
局部放电发生时，会伴随电荷快速转移，并产生电流脉冲、电磁辐射以及声波等物理现象。
因此，局放可以通过多种方式进行检测，包括：
其中，电气法能够获得与局放量相关的重要信息，而超声波和UHF方法则具有较好的空间定位能力。声学信号和电磁信号都可以用于局放源定位，但二者同样会受到传播路径、反射以及多源信号叠加等因素影响。
单一局放源时
假设设备中只有一个局放源P1，多个传感器分别接收到P1传播过来的信号：
P1 → 传感器1、传感器2、传感器3
此时，不同传感器之间主要存在传播距离差异，因此可以通过计算信号到达时间差，也就是TDOA（Time Difference of Arrival，到达时间差），进一步推算局放位置。
多个局放源同时存在时
如果设备中同时存在P1和P2：
P1 + P2 → 传感器1
P1 + P2 → 传感器2
两个传感器接收到的信号实际上已经发生了混合。
这时候，如果仍然按照“单一局放源”的思路计算信号到达时间，就可能得到错误的TDOA，最终导致局放类型判断和空间定位出现偏差。
文献的核心研究正是针对这一问题展开：利用独立成分分析（ICA）对多个局放源产生的混合信号进行分离，再进行识别和定位。
二、什么是ICA独立成分分析？
ICA的英文全称是Independent Component Analysis，独立成分分析。它解决的是一种典型的盲源分离（Blind Source Separation，BSS）问题。简单来说，就是：已经知道多个信号混合在一起，但不知道每个原始信号到底是什么，也不完全知道它们是如何混合的，希望通过算法把原始信号重新分离出来。这与多个局放源同时存在时的情况非常接近。
例如：
局放源1 + 局放源2
经过设备结构和传播路径后：
传感器1 → 混合信号X1
传感器2 → 混合信号X2
ICA算法则尝试从X1、X2中恢复：
源信号S1
源信号S2
文献提出的方法采用了适用于卷积混合信号的Amari算法。其基本思想是利用不同局放源之间的统计独立性，从多个传感器获得的混合信号中恢复原始信号。
三、为什么局放信号可以使用ICA进行分离？
ICA能够用于多源局放分析，一个重要前提是不同局放源产生的信号具有统计独立性。
例如设备内部存在两个不同位置的局放缺陷：
- 缺陷A产生局部放电信号；
- 缺陷B产生局部放电信号。
虽然两个信号最终可能在传感器端发生重叠，但两个缺陷本身并不存在必然的同步关系。
因此，可以将传感器采集到的信号表示为多个独立信号经过不同传播路径后的混合结果。
对于实际电力设备而言，信号传播过程还可能产生：
- 衰减；
- 延迟；
- 反射；
- 混响；
- 波形变化；
- 多路径传播。
因此，简单的信号相加模型往往并不能充分描述实际情况，而更接近卷积混合模型。
这也是该研究采用Amari卷积混合算法的重要原因。
四、先从超声波局放信号看ICA分离效果
研究首先针对声学局放信号进行了验证。实验中分别设置了两类局放源：
- 内部局放；
- 表面局放。
两类局放产生的声学信号在时间和频率特征上存在一定差异。研究通过小波分解分析不同频率范围的能量分布。结果显示，内部局放声学信号的大部分能量集中在约83～333 kHz范围，而表面局放信号的主要能量集中在约167～333 kHz范围。不同局放源因此可以形成具有一定区分度的能量特征。
五、混合信号为什么会影响局放识别？
在实验模拟中，将内部局放和表面局放信号按照不同时间位置进行叠加，再模拟不同传播路径对信号造成的影响。
此时传感器获得的信号已经不再是最初的局放波形。
这意味着，如果直接分析传感器信号，可能无法准确判断：
这个脉冲究竟来自哪个局放源？
更重要的是，当两个不同局放源的脉冲在时间上发生重叠后，混合信号的时间特征和频率特征都可能发生改变。
传统方法如果直接对混合后的波形进行识别，就可能把多个局放源误判成一个局放源。
六、Amari算法如何把混合局放信号重新分开？
经过ICA处理后，混合信号可以被分离成多个估计信号。
研究中的实验结果显示，Amari算法能够将两个传感器获得的混合声学信号重新分离，并分别得到对应于内部局放和表面局放的估计信号。在实际声学混合实验中，算法得到的两路估计信号与原始信号之间具有较高相关性，其中：
- 内部局放源与对应估计信号的Pearson相关系数达到0.98；
- 表面局放源与对应估计信号的Pearson相关系数达到0.99。
这说明分离后的信号能够较好地恢复原始局放信号特征。
七、ICA不仅能够识别，还可以辅助局放定位
局放检测并不是只需要知道“有没有局放”。对于电力设备运维而言，更重要的问题往往是：
局放究竟发生在哪里？常见的局放定位方法之一就是TDOA。假设同一个局放脉冲首先到达传感器1，随后到达传感器2，那么：
TDOA = t₂ – t₁
根据传感器之间的空间位置以及信号传播速度，就可以反推出局放源可能所在的位置。
但是在多源局放情况下，传统方法面临一个问题：
传感器收到的是多个局放源的混合信号。此时计算出来的TDOA可能对应的是错误的局放源。而Amari算法具有一个特殊优势：算法分离过程中产生的权重参数还包含与传播路径相关的信息，可以进一步用于估计不同局放源的TDOA。
因此，处理流程可以形成：
多传感器采集 → 信号混合 → ICA分离 → 局放源识别 → TDOA计算 → 空间定位
这也是多源局放检测区别于传统单源分析的重要思路。
八、UHF特高频检测中的多源局放问题
除了声学信号之外，研究进一步将ICA方法应用到了UHF特高频局部放电检测。局放发生时，会产生持续时间非常短的电磁辐射信号。通过UHF天线可以对这些信号进行检测。
设置了两个不同空间位置的局放源，并使用两个UHF天线接收信号。与声学实验不同，这里的两个局放源属于相同类型的表面放电。这实际上增加了识别难度。因为两个局放源产生的信号在时间和频率方面具有非常相似的特征，传统的基于波形特征的方法很容易将它们认为来自同一个局放源。
九、UHF信号受到噪声干扰怎么办？
实际UHF局放检测并不是一个完全理想的环境。除了局放电磁信号之外，天线还可能接收到各种外部无线电信号。实验中观察到的干扰包括：
- FM广播；
- 数字电视；
- GSM移动通信；
- UMTS通信信号。
因此，在进行ICA分离之前，需要先对原始信号进行适当的噪声处理。研究采用小波方法对噪声进行处理，在尽量降低噪声影响的同时保留局放脉冲的主要波形特征。这说明在实际局放在线监测系统中，前端传感器、信号调理、噪声抑制以及后端算法并不是彼此独立的环节，而是共同决定最终识别效果。
十、两个相似UHF局放源也可以进行区分
经过噪声处理之后，两个UHF传感器采集到的信号输入Amari算法。算法对混合信号进行处理后，将不同局放源产生的信号分配到不同通道。随后，可以利用算法产生的参数计算不同信号的TDOA。研究结果表明，不同通道中的信号对应于不同局放源的TDOA，从而可以验证算法不仅能够进行信号分离，同时能够提供进一步进行局放空间定位的信息。
十一、TDOA是连接“信号识别”和“空间定位”的关键
对于多源局放监测而言，可以把整个过程理解成三个层次。
第一层：检测
通过局放传感器获取信号。例如：
第二层：识别
分析信号的时间、频率以及统计特征，判断：是不是局放？可能是哪一种局放？如果同时存在多个局放源，则需要进一步进行信号分离。
第三层：定位
通过不同传感器之间的时间差计算TDOA，再结合设备结构和传感器空间位置确定局放源位置。研究中的实验数据显示，在两个局放源同时存在的情况下，ICA方法得到的TDOA整体上仍然能够较好地接近实际值。例如部分测试位置中，实际TDOA为0.46 μs，ICA计算结果为0.5 μs；另一个测试位置实际值为2.29 μs，ICA结果为2.3 μs。
十二、这种方法对局放在线监测有什么启发？
多源局放识别研究带来的一个重要启发是：局放监测不能只看“有没有脉冲”，还需要考虑脉冲来自哪里。对于大型变压器、GIS、开关柜以及其他复杂电气设备，一个设备中可能同时存在多个潜在缺陷。如果系统只判断整体局放强度，很难进一步回答：是一个缺陷在持续发展，还是多个不同缺陷同时存在？
如果能够结合多传感器同步采集、信号分离、模式识别和定位算法，就可以进一步建立：
局放检测 → 多源分离 → 缺陷识别 → TDOA定位 → 状态评估
这样的完整技术链路。
对于局放在线监测系统而言，前端传感器负责获取高质量信号，数据采集系统负责同步采集，而后端算法则负责从复杂信号中提取真正有价值的信息。实际工程中，还需要根据设备结构、传感器安装位置、传播路径和现场噪声情况进行综合设计。珠海华网科技的局放检测与在线监测产品也可根据不同设备和检测方式采用特高频、超声波等多种传感方式，为电力设备状态监测提供信号采集基础。
十三、总结
多源局部放电是实际电力设备状态监测中值得关注的问题。当多个局放源同时活动时，不同信号经过设备内部传播后会在传感器端发生叠加，导致原始波形发生改变，从而影响传统的局放识别和定位。ICA独立成分分析提供了一种新的解决思路：
多源局放 → 传感器采集 → 混合信号 → ICA/Amari分离 → 原始信号恢复 → 局放识别 → TDOA计算 → 空间定位
研究中的声学实验表明，Amari算法能够较好地恢复不同类型局放的原始信号；进一步在UHF检测实验中，即使两个局放源属于相同类型、具有相似的时间和频率特征，也能够通过信号分离和TDOA信息实现区分和定位。
这类方法对于未来局部放电在线监测、多源局放识别以及智能化故障定位具有一定参考价值。
