4001

1

Procesamiento para detección, identificación y localización de señales acústicas y eléctricas provenientes de descargas parciales Jesus Rubio-Serrano, Julio E. Posada y José A. García-Souto

Abstract—El objetivo del presente trabajo es detectar, identificar y localizar la presencia de fallos en el aislante entre dos electrodos mediante el análisis de las señales acústicas y eléctricas emitidas por las descargas parciales (DP) que se generan en dicho defecto. Las descargas parciales se han medido mediante dos sensores acústicos (PZT resonantes a 150 KHz) y un sensor eléctrico (Ferrita de Alta Frecuencia). Las señales encontradas se procesan de forma estadística para localizar las regiones que tienen alta probabilidad de fallo y obtener sus características. Palabras Clave—Descargas parciales, detección acústica y eléctrica combinada, procesamiento de la señal y reconocimiento de patrón.

I. INTRODUCCIÓN

U

NO de los mayores problemas de las máquinas eléctricas es la degradación que sufre el aislante con el uso y el paso del tiempo debido a la acumulación de efectos mecánicos, térmicos y eléctricos a los que es sometido. Por ello la fiabilidad de las plantas eléctricas se debe mejorar mediante un mantenimiento preventivo basado en una revisión periódica del estado del aislante de los equipos. Las descargas parciales (DP) son procesos eléctricos estocásticos que provocan una gran cantidad de “pequeños cortocircuitos” dentro del propio aislante. Estas descargas suelen ser de pequeña magnitud (cientos de pC), pero su repetición y su persistencia son las responsables de la degradación del aislante [1]-[3] y un síntoma del estado de degradación del mismo.

Este trabajo ha sido financiado por el Ministerio de Ciencia e Innovación, bajo los proyectos de I+D No. DPI2006-15625-C03-01 y DPI2009-14628C03-01 y la beca FPI No. BES-2007-17322. Las pruebas de descargas parciales han sido realizadas en colaboración con el Laboratorio de Investigación y Ensayos en Alta Tensión de la Universidad Carlos III de Madrid bajo el proyecto DPI2006-15625-C03. Jesus Rubio-Serrano trabaja en el GOTL, Departamento de Tecnología Electrónica, Universidad Carlos III, Leganés, MADRID 28911 ESPAÑA (teléfono: +34-91-624-9431; e-mail: [email protected]). Julio E. Posada trabaja en el GOTL, Departamento de Tecnología Electrónica, Universidad Carlos III, Leganés, MADRID 28911 ESPAÑA (e-mail: [email protected]). Jose A. Garcia-Souto trabaja en el GOTL, Departamento de Tecnología Electrónica, Universidad Carlos III, Leganés, MADRID 28911 ESPAÑA (e-mail: [email protected]).

Las DP en transformadores se generan debido al gas disuelto en el aceite, la humedad, lodos y otros defectos; por ello, son fenómenos inevitables presentes en la vida útil del transformador desde que éste entra en servicio. Sin embargo, el aumento de la frecuencia de DP en el transformador o la generación regular de DP en una región localizada del aislante, son signos de un fallo de gran magnitud inminente. Por tanto, la detección y localización de DP en transformadores son una importante herramienta de diagnóstico [4]-[6]. Una DP es un transitorio eléctrico rápido (por debajo del µs) que produce una emisión acústica por expansión térmica localizada en la región donde se produce la descarga [3]-[5]. Las DP también producen otros efectos en el transformador como cambios químicos [6] que se utilizan en la técnica de diagnóstico DGA (análisis de gases disueltos). El presente trabajo expone un algoritmo que detecta, identifica y localiza DP, obtenidas en un sistema experimental de generación plano-plano, mediante el análisis de las señales adquiridas simultáneamente por dos sensores acústicos y un sensor eléctrico. Está basado en un algoritmo anteriormente propuesto para detectar DP con un único canal acústico [7] pero incorpora como novedades la identificación de eventos DP (asociación de señales, una para cada sensor acústico y eléctrico, provenientes de la misma DP) y la localización de dichos eventos DP dentro de la plataforma de ensayo. Este trabajo se enmarca en el entorno de una plataforma de ensayos de generación y medida de DP para estudiar y desarrollar sensores acústicos [8], [9], sensores eléctricos, y técnicas de análisis [7], que permitan la detección, identificación y localización de DP en transformadores. El objetivo es desarrollar un algoritmo y estudiar su viabilidad para procesar las señales adquiridas en un sistema acústico multicanal, en condiciones donde la señal acústica puede llegar muy atenuada por distintas causas [3], [10]. Este documento se estructura de la siguiente manera. La sección II presenta el montaje experimental empleado para las medidas. La sección III describe las características de las señales sin procesar. La sección IV está dedicada a las técnicas de procesamiento de señal empleadas para filtrar y extraer información de los registros y la sección V explica el diagrama de flujo del algoritmo. Los resultados se presentan en la sección VI. Por último, las conclusiones y algunos detalles del trabajo futuro se exponen en la sección VII.

4001

2

36 cm

14 cm 2

1 cm

Sinc. disparo

12’5 cm

Aceite

1 6 cm

3

r iDP

Ferrita HF Sensor Elec.

23 cm

25 cm

Electrodo

50 cm 1 cm

Módulo adquisición USB de 2 canales 48 cm

Sensor acústico 1

No. canal de adquisición

Fig. 1. Esquemático del montaje experimental.

II. MONTAJE EXPERIMENTAL Las medidas analizadas han sido adquiridas en la plataforma de ensayos de la Fig. 1. El propósito de esta plataforma es producir descargas parciales, y adquirir de forma simultánea y almacenar series temporales acústicas y eléctricas emitidas por las DP para su posterior procesamiento. La plataforma de ensayo se conforma de tres bloques: 1) Generador de descargas: la plataforma genera DP, en la región entre electrodos y de forma controlada, mediante una excitación AC de alta tensión de los electrodos. 2) Instrumentación para las medidas acústicas: la medida de la señal acústica se realiza mediante sensores PZT de ultrasonidos R15I-AST (canales 1 y 2 en la Fig. 1) colocados exteriormente en las paredes del tanque. Este sistema cumple las especificaciones IEEE [5]; aunque también se están desarrollando sensores acústicos de fibra óptica para medidas de DP dentro del tanque [8], [9]. Las características de los sensores R15I son: frecuencia de resonancia 150kHz (~1V/Pa con un preamplificador integrado de bajo ruido de 40 dB), apantallamiento EMI y EMC y rango de frecuencias de trabajo de 80 a 200 kHz. 3) Instrumentación para la medida eléctrica: la medida de la señal eléctrica se realiza mediante un sistema contrastado de detección de DP basado en una ferrita HF (canal 3). Las señales detectadas se utilizan como referencia de tiempo cero debido a que su detección se considera instantánea cuando se genera la DP entre los electrodos. La plataforma de ensayos consiste en un tanque de aceite con dos electrodos inmersos para generar DP. Los electrodos consisten en dos cilindros conductores de 6 cm de diámetro entre los que se coloca una capa aislante de papel impregnado en aceite. En el experimento se aplica una señal AC @ 50 Hz entre 4 y 9 KV por lo que se espera generar DP de una magnitud mayor que 100pC en el aislante entre electrodos. Una vez que la DP se genera, emite una señal acústica que recorre el aceite hasta llegar a la pared del tanque de PMMA y de ahí se transmite a los sensores R15I montados en la pared. Las velocidades del sonido adoptadas para realizar los cálculos son: vaceite = 1,4 mm/µs [10] y vPMMA = 2,8 mm/µs.

Por último, se adquieren los tres registros simultáneamente por dos módulos sincronizados (Cleverscope, con capacidad de registrar 20 ms por canal a 100 MSps) que exportan las adquisiciones a un PC portátil mediante un puerto USB. III. CARACTERÍSTICAS DE LAS SEÑALES La detección de señales acústicas y eléctricas lleva asociada ciertas dificultades debido a que la generación de DP es un proceso estocástico y a las limitaciones en ambas detecciones, acústica y eléctrica; en el caso acústico el nivel de las señales detectadas puede ser muy bajo debido a diversos factores [3]. Como la generación de DP es un proceso estocástico, los registros no pueden ser realizados bajo las bases de ningún sincronismo. No es posible tampoco el promediado directo de las señales para mejorar la relación señal-ruido. Por lo tanto, las series temporales adquiridas deben ser analizadas sin certeza de que se ha producido un evento completo de DP (detección en todos los canales), ni dónde se ha generado la DP. Generalmente para comenzar a adquirir se suele marcar un nivel de disparo en cualquiera de los canales acústicos debido a que el número de señales detectadas es menor y a que se encuentran temporalmente más aisladas.

Fig. 2. Patrones acústicos seleccionados. Cuando un evento DP se observa con claridad en todos los canales acústicos y eléctricos, la señal de cada canal se adopta como patrón para dicho canal.

4001

3

Los valores de los patrones seleccionados (Fig. 2) como evento PD representativo se muestran en la Tabla I: TABLA I VALORES DEL PATRÓN ESCOGIDO

MAGNITUD Amplitud (mV) Potencia media (dBm) Duración (µS)

CH1 ACÚSTICO 4,74 -33,88 62,08

CH2 ACÚSTICO 8,32 -31,92 61,14

CH3 ELÉCTRICO 137,24 -4,39 1,00

Las dificultades asociadas a la detección de las señales acústicas en el experimento son: los bajos niveles de señal (amplitud por debajo de 10 mV) y la distorsión provocados en la señal por el camino acústico de propagación desde la región donde se genera la DP hasta el sensor PZT. El ángulo de incidencia de la señal acústica con la pared provoca efectos adicionales no deseados: atenuación dependiendo del ángulo de incidencia que limita la información en la amplitud de la señal para la localización, y distorsión de la forma de onda detectada debida a la variación de la reverberación en la pared con el ángulo de incidencia. En la Fig. 2 se puede apreciar la distinta forma de onda de las señales acústicas detectadas, aún proviniendo de la misma fuente acústica. Las señales eléctricas en el experimento poseen suficiente amplitud (por encima de 100 mV) pero son difíciles de medir en transformadores en campo debido al entorno ruidoso de la aplicación real. Por esta razón la señal eléctrica se empleará sólo como referencia del origen de tiempos en el entorno del laboratorio donde la relación señal-ruido es adecuada. Por último, existen dos dificultades asociadas a la relación de señales eléctricas y acústicas: la primera es que se pueden producir varios eventos eléctricos (más cortos) en la duración de un evento acústico (más largos) por lo que una señal acústica puede ser el resultado de la suma de varias señales eléctricas; la otra dificultad proviene de la diferencia de camino acústico desde la fuente hasta cada sensor, por lo que la relación electro-acústica [11] estará centrada en aquellas señales que provengan de la misma región. En el trabajo futuro se implementará el sistema de detección con cuatro canales acústicos o más con el objetivo de poder medir sin referencia eléctrica de la que puede no disponerse en campo, así como de asegurar la localización de la fuente de emisión acústica a partir de un mínimo de cuatro sensores de ultrasonidos para detectar cada DP generada en el interior de un transformador [4]. IV. HERRAMIENTAS DE PROCESAMIENTO DE LA SEÑAL Debido a las características de las señales expuestas (registros de distinto tipo, bajo nivel de señal, generación estocástica, etc.), se ha optado por el uso de las herramientas que se exponen a continuación: A. Detección y localización por correlación cruzada La correlación cruzada mide la similitud de la forma de onda de dos señales “f” y “g” a través de la ecuación:

( f ∗ g )( t ) =

∫

∞

−∞

f ∗ (τ ) ⋅ g (t + τ ) ⋅ d τ

(1)

Cada máximo local de la correlación cruzada aporta el instante de inicio de la señal detectada más parecida a la señal patrón y además, es un buen estimador para comparar las señales detectadas. B. Coeficiente de Pearson El valor que toma la correlación cruzada para dos señales depende de la energía. Por ello, para analizar el parecido de dos formas de onda independientemente de su energía se usa el coeficiente de Pearson (PMCC o ratio). El PMCC es un índice estadístico que evalúa la relación lineal entre la forma de onda de dos señales. Para dos señales discretas “f” y “g” el PMCC se define como:

σ PMCC = r =

σ

fg

⋅σ g

f

(2)

∑ i =1 ( f i − f ) ⋅ ( g i − g ) n

⇒ PMCC =

∑

n i =1

( f i − f ) 2 ⋅∑ i = 1 ( g i − g ) 2 n

Los valores absolutos que adopta el ratio están comprendidos entre 0 y 1 donde: - r = 1, si “f” y “g” tienen la misma forma de onda. - r = 0, si no existe ninguna relación entre “f” y “g”. - r negativo cuando las señales están desfasadas π radianes. El PMCC es independiente de la energía y es capaz de identificar si la señal detectada está en fase con el patrón. C. Filtrado wavelet Esta técnica se ha utilizado para describir una señal como una suma de “n” descomposiciones de la wavelet tipo Daubechies de tal forma que se cumple que: señal = An + ∑ i =1 D i n

(3)

Cada nivel de descomposición “i” de la wavelet escogida se comporta como un filtro paso-banda desde las frecuencias más altas (i bajos) hasta las frecuencias más bajas (i cercanos a n). Por tanto, cada término Di es la señal filtrada a las frecuencias de la descomposición “i” de la wavelet pero con la propiedad de que se mantiene la información temporal del transitorio. En combinación con el PMCC se puede utilizar la descomposición wavelet para reconstruir la señal utilizando los valores Di más significativos; esto es, se puede reconstruir una señal eliminando aquellas frecuencias que no contienen información del transitorio que se busca, sin modificar su información temporal. El filtrado wavelet posee las siguientes ventajas: la primera es que, al contrario de los filtros digitales, el filtrado wavelet no desfasa la señal y, por tanto, no modifica temporalmente la señal (importante para detectar y localizar señales mediante la correlación); la segunda razón es que se puede reutilizar para filtrar señales de distinta característica espectral debido a que el algoritmo utiliza el patrón introducido para configurarse.

4001

4 V. DESCRIPCIÓN DEL ALGORITMO

Como se ha comentado, los objetivos de este trabajo son: 1) Detectar señales temporales generadas por descargas parciales y que pueden provenir de distinto tipo de sensores. 2) Identificar las señales que pueden ser generadas por distinto tipo de descargas parciales 3) Localizar el origen del evento detectado. 4) Procesar de forma estadística los eventos detectados para determinar la existencia localizada de defectos en el aislante y sus características.

Emisión acústica detectada

Para ello, el algoritmo hace uso de herramientas de procesamiento de señal (para detectar e identificar eventos en los registros), herramientas de localización (para localizar temporal y espacialmente eventos) y herramientas estadísticas (para dar validez y fiabilidad a los resultados, encontrando conjuntos de eventos localizados en una misma región).

detectar en las medidas y obtener un patrón por canal como los mostrados en la Fig. 2 para las medidas acústicas. Cada patrón del evento es reconstruido como una suma de las componentes wavelet representativas, de tal modo que el PMCC entre el patrón sin procesar y el patrón reconstruido sea superior a un valor prefijado como umbral (generalmente 0’9). Una vez acondicionados los patrones de cada canal se procede a filtrar la adquisición de cada canal utilizando las descomposiciones wavelet “i” empleadas en sus respectivos patrones. De esta forma se mejora el valor de la correlación cruzada y del PMCC entre el patrón y las señales a detectar. Después de acondicionar los patrones y las adquisiciones, se detectan las señales de los canales acústicos mediante el uso de la correlación cruzada entre el patrón y la adquisición en la que se quiere buscar las señales. Las señales encontradas en cada canal acústico se parametrizan y se almacenan. B. Identificación Una vez que se posee una base de datos de las señales encontradas en los canales acústicos, se procede a identificar cada una de las señales. Una señal detectada puede ser la respuesta acústica que llega por un camino directo, puede ser un rebote o puede ser ruido con una forma de onda similar al transitorio que se desea localizar. Las condiciones temporales que deben cumplir las señales detectadas que componen un evento son: dist . cuba v sonido dist . entre sensores 0 ≤ ∆ t inicio ( señ . acústicas ) ≤ v sonido 0 ≤ t referencia ( señ . eléc .) − t inicio ( señ . acús .) ≤

(4) (5)

Emisión acústica localizada

La condición (4) impone que la señal provenga de un camino directo del interior de la cuba y la condición (5) impone el retardo máximo entre las señales acústicas debido a la distancia entre sensores. Por lo tanto un conjunto de señales de distintos canales forman un evento si cumplen las condiciones (4) y (5). Cuando un grupo de eventos comparten la misma señal en uno o más canales, entonces se selecciona aquel evento cuya suma de valores de la correlación cruzada de la señal de cada canal es máxima. En el futuro, se estudia mejorar este criterio de selección mediante un análisis estadístico de los parámetros del conjunto de eventos detectados en función de su posible localización. Fig. 3. Diagrama de flujo del algoritmo.

El procedimiento seguido para procesar las medidas adquiridas en el experimento de la Fig. 1 se muestra en el diagrama de flujo de la Fig. 3. A continuación se desarrolla brevemente el procedimiento seguido en el diagrama de flujo. A. Detección Para detectar señales en los registros temporales el primer paso es seleccionar el evento DP representativo que se desea

C. Localización Al analizar únicamente 2 canales acústicos situados en el mismo plano horizontal y una señal eléctrica de referencia, la localización se basa en la resolución directa de la intersección de dos circunferencias con centro en los sensores: (6)

( x fuente − x S 1 ) 2 + ( y fuente − y S 1 ) 2 = ( v sonido ⋅ T S 1 ) 2 2

2

( x fuente − x S 2 ) + ( y fuente − y S 2 ) = ( v sonido ⋅ T S 2 )

2

(7)

Donde (xS1, yS1) y (xS2, yS2) corresponden a las coordenadas de los sensores 1 y 2 respectivamente, y TS1 y TS2

4001 corresponden a la diferencias de tiempos entre la señal eléctrica y la señal de los sensores 1 y 2 respectivamente. Las implementaciones futuras estarán basadas en 4 sensores acústicos o más para no depender de una referencia eléctrica en la localización. En este caso la detección se realiza mediante los retardos de propagación del campo acústico a los distintos sensores externos y/o internos [4]. D. Procesamiento de la señal eléctrica Después de emparejar las señales acústicas y de obtener los tiempos en los que se produce el evento en cada canal, se procede a buscar señales eléctricas tales que se cumpla la condición (4); esto es, se busca la señal eléctrica en las ventana temporal definida por los tiempos de las señales acústicas. Esta delimitación reduce significativamente la carga de procesamiento para completar el evento detectado.

5 VI. RESULTADOS EXPERIMENTALES El algoritmo se ha aplicado a 76 registros temporales por canal de 8 ms, del experimento de la Fig. 1. Para detectar las señales en dichas medidas se han empleado los patrones mostrados en la Fig. 2. La wavelet seleccionada para filtrar ha sido una Daubechies de orden 20 y con un orden de descomposición de 20. El número de eventos PD válidos tras el proceso de identificación fue de 88 (el 13% de los eventos detectados que cumplían las condiciones temporales impuestas).

Fig. 5. Histogramas de retardos entre las señales acústicas del canal 1 y el canal 2; y entre la señal eléctrica de referencia del canal 3 y el canal 1.

Fig. 4. Registros de señales y eventos detectados. En la gráfica se observan las señales acústicas del sensor 1 y del sensor 2 y en el registro inferior se encuentra la señal eléctrica proveniente del sensor 3.

En la Fig. 4 se muestra el resultado del procesamiento en uno de los registros. Las señales encontradas en cada canal se hayan resaltadas en negro. Las señales enmarcadas se corresponden a un posible evento DP; esto es, las dos señales acústicas y la señal eléctrica enmarcadas cumplen las condiciones dadas por (4) y (5). Finalmente, después de asociar las señales acústicas y la señal eléctrica al mismo posible evento, se procede a resolver las ecuaciones (6) y (7) para todos los eventos detectados en las medidas experimentales y se encuentra el origen de la emisión acústica de la DP. E. Análisis estadístico Una vez parametrizados los eventos y localizados espacialmente, se realiza un análisis estadístico de las regiones con mayor incidencia de eventos y se agrupan aquellos que se concentran en una zona delimitada. Por último, se procesan los diferentes parámetros de los eventos que se producen en una misma región para buscar la relación acústica y electro-acústica [11] entre las señales.

En la Fig. 5 se muestran los histogramas de retardos. La alta incidencia de ciertos valores temporales pertenecientes a eventos detectados son los que aseguran la existencia de un defecto en el aislante donde se están generando DP de forma repetitiva. Los tiempos calculados se utilizan en las ecuaciones (6) y (7) para obtener la localización de cada evento en el plano xy que contiene a los sensores acústicos y al aislante entre los electrodos. En la Fig. 6. se muestra la localización de cada evento PD seleccionado por el algoritmo como válido en el plano (círculo oscuro), así como todos aquellos posibles eventos temporalmente compatibles que han sido despreciados por el algoritmo (aspa gris). Como se puede apreciar, la mayoría de las señales seleccionadas por el algoritmo se encuentran agrupadas en una región del electrodo, lo cual es síntoma de un fallo del aislante en dicha región. No obstante, se pueden observar errores en la detección: algunos falsos positivos dispersos fuera de la región de emisión (11 de los 78 detectados) y algunos eventos de DP en el interior de los electrodos son identificados como falsos. Aunque es la concentración de eventos PD la que revela la existencia de un fallo en el aislante y no los eventos aislados, se está estudiando el ajuste mediante la utilización de otros parámetros combinados (como PMCC, energía o potencia) y su tratamiento agregado para todas las señales que componen un evento al mismo tiempo, con el fin de mejorar la detección de eventos PD válidos.

4001

6

Fig. 6. Localización en el plano de los eventos detectados. En gris están todos los posibles eventos encontrados. El círculo con línea discontinua se corresponde con la región que ocupan los electrodos de 60 mm de diámetro. Resaltados en negro se encuentran todos los eventos que el algoritmo ha considerado como DP.

VII. CONCLUSIONES Y TRABAJO FUTURO El algoritmo presentado permite detectar, identificar y localizar señales acústicas y eléctricas provenientes de DP a pesar de las dificultades inherentes a la medida de estos procesos estocásticos. Aunque hay eventos individuales cuya localización no coincide con el valor esperado, es la agrupación de los mismos como variable estadística la que da validez a la existencia de un fallo en el aislante. Junto con la selección de eventos, esta es una de las principales características de este sistema. Los resultados obtenidos incluyen un alto grado de parametrización de los eventos detectados en diferentes condiciones y registros. Estos parámetros (información espectral, relación de energías, PMCC) están pendientes de ser analizados estadísticamente por pares con el fin de mejorar el criterio de identificación fijando los umbrales y combinaciones que optimizan la identificación y localización de distintas fuentes de descargas. En este sentido, se analizará la emisión acústica simultánea de DP de dos tipos y en dos fuentes. Por otra parte, en el trabajo futuro se implementará un sistema de 3 sensores acústicos externos por cada fase de red para realizar la localización, incluyendo una medida acústica interna con el sensor de fibra óptica que se está desarrollando. Se pretende que la base de datos de eventos con componentes acústicas y eléctricas permita obtener una característica que identifica las DP frente a falsas lecturas para su aplicación en campo. AGRADECIMIENTOS A Daniel C. Gallego por su ayuda con el procesamiento. Las medidas han sido adquiridas en colaboración con el Laboratorio de Investigación y Ensayos en Alta Tensión de la Universidad Carlos III de Madrid (LINEALT).

REFERENCIAS [1]

R. Bartnikas, “Partial Discharges: their mechanism, detection and measurement”, IEEE Transactions on Dielectrics and Electrical Insulation, Oct. 2002, Vol. 9 No. 5 [2] R.J. Van Brunt, “Stochastic properties of partial discharges phenomena”, IEEE Transactions on Electrical Insulation, Oct. 1991, Vol.26, No.5 [3] L. E. Lundgaard, “Partial Discharge – Part XIV: Acoustic Partial Discharge Detection – Practical Application”, IEEE Electrical Insulation Magazine, Oct. 1992, Vol.8, No. 5, [4] Sacha M. Markalous, Stefan Tenbohlen and Kurt Feser, “New robust non-iterative algorithms for acoustic DP-localization in oil/paperinsulated transformers”, 14th Intern. Sympos. High Voltage Engineering, Beijing, China, 2005, Paper No. G40 [5] IEEE Guide for the Detection and Location of Acoustic Emissions from Partial Discharges in Oil-Immersed Power Transformers and Reactors (2007), IEEE Power Engineering Society [6] A. Santosh Kumar1, Dr. R.P. Gupta, Dr. K. Udayakumar, A.Venkatasami, “Online Partial Discharge Detection and Location Techniques for Condition Monitoring of Power Transformers: A Review”, International Conference on Condition Monitoring and Diagnosis, Beijing, China, Apr. 2008 [7] Jesus Rubio-Serrano, Julio E. Posada, Jose A. Garcia-Souto, “Digital Signal Processing for the Detection and Location of Acoustic and Electric Signals from Partial Discharges”, International Conference of Electrical and Electronics Engineering; London, UK, Jun. 2010, Vol. 2184, Iss. 1, pp. 967-972 [8] Jose A. Garcia-Souto, Julio E. Posada, Jesus Rubio-Serrano, “All-fiber intrinsic sensor of partial discharge acoustic emission with electronic resonance at 150 KHz”, SPIE Vol. 7726, No. 54; May 2010 [9] Carlos Macia-Sanahuja, Horacio Lamela, Jesús Rubio, Daniel Gallego, Julio E. Posada, Jose A. Garcia-Souto, “Acoustic detection of partial discharges with an optical fiber interferometric sensor”, IMEKO TC 2 Symposium on Photonics in Measurements, 2008 [10] E. Howells, E. T. Norton, “Parameters affecting the velocity of sound in transformer oil”, IEEE Transactions on Power Apparatus and Systems, May 1984, Vol. PAS-103, No. 5, pp. 1111-1115 [11] P. von Glahn, K. L. Stricklett, R. J. Van Brunt, L. A. V. Cheim, “Correlations between electrical and acoustic detection of partial discharge in liquids and implications for continuous data recording”, Electrical Insulation, June 1996, Vol.1, pp. 69-74