CN103336226B - 一种气体绝缘变电站中多种局部放电源类型的辨识方法 - Google Patents
一种气体绝缘变电站中多种局部放电源类型的辨识方法 Download PDFInfo
- Publication number
- CN103336226B CN103336226B CN201310165792.3A CN201310165792A CN103336226B CN 103336226 B CN103336226 B CN 103336226B CN 201310165792 A CN201310165792 A CN 201310165792A CN 103336226 B CN103336226 B CN 103336226B
- Authority
- CN
- China
- Prior art keywords
- discharge
- ultrahigh
- signal
- frequency signal
- discharge signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Testing Relating To Insulation (AREA)
Abstract
本发明涉及一种气体绝缘变电站中多局部放电源类型的辨识方法,属于电气设备技术领域。本方法利用高采样率、长记录长度的数据采集卡记录长时间的局部放电信号,采用小波去噪方法对局部放电信号进行降噪处理,然后提取放电信号,求取放电信号的频谱能量分布。最后利用支持向量机判别放电类型,实现GIS中局部放电源的辨识。本发明方法利用长记录深度和高采样率的采集卡,因而缩短了对多种不同放电源进行识别的时间;根据特高频信号的能量比,对最小二乘支持向量机进行训练,根据长时间记录数据中的特高频信号,对多种放电源的类型进行识别,提高了放电源识别的准确率。
Description
技术领域
本发明涉及一种气体绝缘变电站中多种局部放电源类型的辨识方法,属于电气设备技术领域。
背景技术
气体绝缘变电站(GasInsulatedSubstation,以下简称GIS)中存在多种类型的局部放电源,不同局部放电源对设备的危害性不同,因此在检测GIS局部放电时,需要对局部放电源进行模式识别。局部放电模式识别包括放电特征量提取和分类器选择。现行采用的特征量通常利用局部放电多周期的PRPD(PhaseResolvedPartialDischarge)三维图,多是描述放电次数,放电相位和放电幅值分布的统计参数,而局部放电原始特高频信号的时域特征和频谱分布特征关注较少。这些特征量能准确描述单个放电源的放电特征,但是如果GIS中存在多个放电源,这些特征量将不再适用。人工神经网络被广泛作为分类器,用于局部放电模式识别,但是人工神经网络往往存在过训练和易陷于局部最小值的问题,而且当训练样本较少时,其识别准确率大大降低。近几年发展出现的支持向量机,在训练样本较少时,也能保证较高的识别准确率,因此可以引入支持向量机作为局部放电模式识别的分类器。
发明内容
本发明的目的是提出一种气体绝缘变电站中多局部放电源类型的辨识方法,利用高采样率、长记录长度的数据采集卡记录长时间的局部放电信号,采用小波去噪方法对局部放电信号进行降噪处理,然后提取放电信号,求取放电信号的频谱能量分布。最后利用支持向量机判别放电类型,实现GIS中局部放电源的辨识。
本发明提出的气体绝缘变电站中多局部放电源类型的辨识方法,包括以下步骤:
(1)在设定时间段内,采集气体绝缘变电站中的局部放电信号,得到第一放电信号序列u(i)(i=1,2,……N);
(2)从步骤(1)采集的第一局部放电信号序列u(i)中提取特高频放电信号,提取过程包括以下步骤:
(2-1)以设定步长L从第一局部放电信号序列u(i)中提取局部放电信号,得到第二放电信号序列u’(j),(j=1,2,……N/L);
(2-2)对第二放电信号序列u’(j)进行峰值提取,确定局部放电特高频信号峰值出现的时刻T(k)(k=1,2,…K);
(2-3)以时刻T(k)为基准,在第一放电信号序列u(i)中提取出时间段T(k)-50纳秒至T(k)+150纳秒内的局部放电特高频信号U(k)(k=1,2,…K);
(3)对特高频信号U(k)进行快速傅里叶变换,得到特高频信号U(k)的频谱分布,根据特高频信号U(k)的频谱分布,计算得到特高频信号U(k)的频谱能量分布,并分别计算特高频信号U(k)在10MHz~800MHz、800MHz~1600MHz以及1600MHz~2500MHz三个频段的能量与三个频段的能量总和的百分比,分别记为RLP、RBP以及RHP;
(4)重复步骤(1)-步骤(3),得到多组RLP、RBP以及RHP,采用最小二乘支持向量机作为分类器,以多组RLP、RBP以及RHP作为特征输入量,对最小二乘支持向量机进行训练;
(5)将任意采集的气体绝缘变电站中的局部放电信号输入步骤(4)的最小二乘支持向量机,对多放电源进行识别。
本发明提出的气体绝缘变电站中多局部放电源类型的辨识方法,其优点是:
1、本发明方法利用长记录深度和高采样率的采集卡,记录50毫秒的局部放电信号,采用快速搜索法准确提取出局部放电特高频信号,因而缩短了对多种不同放电源进行识别的时间。
2、本发明方法根据特高频信号的能量分布比,对最小二乘支持向量机进行训练,经训练后的最小二乘支持向量机根据长时间记录数据中的特高频信号,对多种放电源的类型进行识别,提高了放电源识别的准确率。
附图说明
图1是利用本发明方法对现场采集的50毫秒内的局部放电信号示意图。
图2是四种局部放电源产生的特高频信号的能量分布比示意图。
具体实施方式
本发明提出的气体绝缘变电站中多局部放电源类型的辨识方法,包括以下步骤:
(1)在设定时间段内,采集气体绝缘变电站中的局部放电信号,得到第一放电信号序列u(i)(i=1,2,……N);(本发明的设定时间段为40—60毫秒,本发明的一个实施例中时间段为50毫秒)。
(2)从步骤(1)采集的第一局部放电信号序列u(i)中提取特高频放电信号,提取过程包括以下步骤:
(2-1)以设定步长L从第一局部放电信号序列u(i)中提取局部放电信号,得到第二放电信号序列u’(j),(j=1,2,……N/L);
(2-2)对第二放电信号序列u’(j)进行峰值提取,确定局部放电特高频信号峰值出现的时刻T(k)(k=1,2,…K);
(2-3)以时刻T(k)为基准,在第一放电信号序列u(i)中提取出时间段T(k)-50纳秒至T(k)+150纳秒内的局部放电特高频信号U(k)(k=1,2,…K);
(3)对特高频信号U(k)进行快速傅里叶变换,得到特高频信号U(k)的频谱分布,根据特高频信号U(k)的频谱分布,计算得到特高频信号U(k)的频谱能量分布,并分别计算特高频信号U(k)在10MHz~800MHz、800MHz~1600MHz以及1600MHz~2500MHz三个频段的能量与三个频段的能量总和的百分比,分别记为RLP、RBP以及RHP;
(4)重复步骤(1)-步骤(3),得到多组RLP、RBP以及RHP,采用最小二乘支持向量机作为分类器,以多组RLP、RBP以及RHP作为特征输入量,对最小二乘支持向量机进行训练;(5)将任意采集的气体绝缘变电站中的局部放电信号输入步骤(4)的最小二乘支持向量机,对多放电源进行识别。
一般来说,GIS中局部放电频谱较高,因此需采用高采样率的采集卡,本发明方法采用的采集卡采样率为10Gs/s,模拟带宽为2.5G。此外还需记录长时间的局部放电数据,因此需要采集卡有较长的存储深度,本发明中采集卡的存储深度为500M。图1所示为采集卡所记录的50ms局部放电信号。图中可见在50ms之间,出现了8次局部放电特高频信号。
图1中可见局部放电信号有较强的噪声干扰,因此本发明采用小波去噪方法对信号进行降噪处理,便于准确提取局部放电特高频信号。采用数据搜索法,将长时间记录数据中的局部放电特高频信号提取出,图1中的数据可提取出8个局部放电特高频信号。
将特高频信号做FFT分析,计算频谱能量分布,分别得到信号在10MHz~800MHz,800MHz~1600MHz和1600MHz~2500MHz的能量分布比(RLP,RBP,RHP)。最后用能量分布比(RLP,RBP,RHP)训练最小二乘支持向量机,用训练之后的支持向量机对测试数据进行多种放电源的模式识别。
图1所示的采集样本的长度为500M,数据量相当庞大,需要很长的处理时间。但是样本信号中很多是无用的噪声,因此本发明方法只将其间的局部放电特高频信号提取出,这样就可以大大降低处理的数据量,提高处理速度。
本发明方法的一个实施例中,利用局部放电特高频信号的频谱能量分布参数进行聚类分析,即信号在3个频段的能量分布比。利用四种局部放电源的数据进行频谱能量分析,分别为悬浮金属体、金属尖端、固体绝缘气泡和固体绝缘表面金属颗粒,四种放电源产生的局部放电特高频信号频谱能量分布比如图2所示。从图2中可见,四种不同放电缺陷产生的特高频信号的频谱能量分布差异较大,能很好区分。
本发明方法中的分类器,采用最小二乘支持向量机,利用500组的试验数据和现场缺陷数据训练支持向量机。然后将长时间记录的数据,经前期步骤处理,得到一些列特高频信号的频谱能量比分布,再输入支持向量机,可对这一系列的信号进行准确识别。因此如果50ms的样本中包含多种放电源产生的特高频信号,支持向量机可准确识别出多种放电源的类型。
Claims (1)
1.一种气体绝缘变电站中多局部放电源类型的辨识方法,其特征在于该辨识方法包括以下步骤:
(1)在设定时间段内,采集气体绝缘变电站中的局部放电信号,得到第一放电信号序列u(i),其中i=1,2,…N;
(2)从步骤(1)采集的第一局部放电信号序列u(i)中提取特高频放电信号,提取过程包括以下步骤:
(2-1)以设定步长L从第一局部放电信号序列u(i)中提取局部放电信号,得到第二放电信号序列u’(j),其中j=1,2,…N/L;
(2-2)对第二放电信号序列u’(j)进行峰值提取,确定局部放电特高频信号峰值出现的时刻T(k),其中k=1,2,…K;
(2-3)以时刻T(k)为基准,在第一放电信号序列u(i)中提取出时间段T(k)-50纳秒至T(k)+150纳秒内的局部放电特高频信号U(k),其中k=1,2,…K;
(3)对特高频信号U(k)进行快速傅里叶变换,得到特高频信号U(k)的频谱分布,根据特高频信号U(k)的频谱分布,计算得到特高频信号U(k)的频谱能量分布,并分别计算特高频信号U(k)在10MHz~800MHz、800MHz~1600MHz以及1600MHz~2500MHz三个频段的能量与三个频段的能量总和的百分比,分别记为RLP、RBP以及RHP;
(4)重复步骤(1)-步骤(3),得到多组RLP、RBP以及RHP,采用最小二乘支持向量机作为分类器,以多组RLP、RBP以及RHP作为特征输入量,对最小二乘支持向量机进行训练;
(5)将任意采集的气体绝缘变电站中的局部放电信号输入步骤(4)的最小二乘支持向量机,对多放电源进行识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310165792.3A CN103336226B (zh) | 2013-05-08 | 2013-05-08 | 一种气体绝缘变电站中多种局部放电源类型的辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310165792.3A CN103336226B (zh) | 2013-05-08 | 2013-05-08 | 一种气体绝缘变电站中多种局部放电源类型的辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103336226A CN103336226A (zh) | 2013-10-02 |
CN103336226B true CN103336226B (zh) | 2016-02-10 |
Family
ID=49244429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310165792.3A Active CN103336226B (zh) | 2013-05-08 | 2013-05-08 | 一种气体绝缘变电站中多种局部放电源类型的辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103336226B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103675617A (zh) * | 2013-11-20 | 2014-03-26 | 西安交通大学 | 一种用于高频局部放电信号检测的抗干扰方法 |
CN104198899B (zh) * | 2014-08-04 | 2017-01-25 | 西安交通大学 | 一种多放电源情况下变压器局部放电类型识别方法 |
CN104655914B (zh) * | 2015-02-04 | 2017-04-12 | 广州供电局有限公司 | Gis设备干扰信号和局部放电信号的检测方法与装置 |
CN104849633B (zh) * | 2015-05-15 | 2018-10-16 | 国家电网公司 | 一种开关柜局部放电模式识别方法 |
CN107037327A (zh) * | 2016-10-09 | 2017-08-11 | 中国电力科学研究院 | 局部放电故障判定特征提取方法及判定方法 |
CN106546892A (zh) * | 2016-11-10 | 2017-03-29 | 华乘电气科技(上海)股份有限公司 | 基于深度学习的局部放电超声音频识别方法及系统 |
CN106771893B (zh) * | 2016-11-22 | 2019-02-19 | 三峡大学 | 一种地线绝缘子间隙放电波形识别方法 |
CN106646165B (zh) * | 2016-12-23 | 2020-06-09 | 西安交通大学 | 一种gis内部绝缘缺陷分类与定位方法及其系统 |
CN107991590A (zh) * | 2017-11-28 | 2018-05-04 | 广东电网有限责任公司珠海供电局 | 一种基于频域功率谱的电缆局部放电信号特征向量提取方法 |
CN110514970B (zh) * | 2019-09-03 | 2021-11-19 | 国网湖南省电力有限公司 | 一种基于数据驱动的gis局部放电源定位方法、系统及介质 |
CN111579938B (zh) * | 2020-04-14 | 2024-03-22 | 杭州柯林电气股份有限公司 | 基于多传感器的多源局部放电信号分离方法、监测系统 |
CN111781439B (zh) * | 2020-05-28 | 2023-04-14 | 广西电网有限责任公司梧州供电局 | 一种电力电缆局部放电信号检测方法及装置 |
CN112698158B (zh) * | 2020-11-13 | 2022-04-12 | 西安交通大学 | 一种变压器局部放电电气定位方法及装置 |
CN113341283A (zh) * | 2021-06-04 | 2021-09-03 | 山东电工电气集团有限公司 | 一种变压器套管局部放电模式识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11223654A (ja) * | 1998-02-05 | 1999-08-17 | Mitsubishi Electric Corp | 部分放電識別装置 |
CN102628917A (zh) * | 2012-04-25 | 2012-08-08 | 广州供电局有限公司 | 局部放电识别方法和系统 |
CN102645620A (zh) * | 2012-05-17 | 2012-08-22 | 广东电网公司电力科学研究院 | 基于时频特征参数的变电站多源局部放电检测方法及装置 |
CN102645621A (zh) * | 2012-05-17 | 2012-08-22 | 广东电网公司电力科学研究院 | 基于空间特征参数的变电站多源局部放电检测方法及装置 |
CN103048593A (zh) * | 2012-12-12 | 2013-04-17 | 安徽省电力公司亳州供电公司 | 一种气体绝缘开关设备绝缘缺陷种类的识别方法 |
-
2013
- 2013-05-08 CN CN201310165792.3A patent/CN103336226B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11223654A (ja) * | 1998-02-05 | 1999-08-17 | Mitsubishi Electric Corp | 部分放電識別装置 |
CN102628917A (zh) * | 2012-04-25 | 2012-08-08 | 广州供电局有限公司 | 局部放电识别方法和系统 |
CN102645620A (zh) * | 2012-05-17 | 2012-08-22 | 广东电网公司电力科学研究院 | 基于时频特征参数的变电站多源局部放电检测方法及装置 |
CN102645621A (zh) * | 2012-05-17 | 2012-08-22 | 广东电网公司电力科学研究院 | 基于空间特征参数的变电站多源局部放电检测方法及装置 |
CN103048593A (zh) * | 2012-12-12 | 2013-04-17 | 安徽省电力公司亳州供电公司 | 一种气体绝缘开关设备绝缘缺陷种类的识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103336226A (zh) | 2013-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103336226B (zh) | 一种气体绝缘变电站中多种局部放电源类型的辨识方法 | |
CN103197218A (zh) | 一种高压电缆绝缘缺陷局放带电检测诊断方法 | |
CN104535905A (zh) | 基于朴素贝叶斯分类的局部放电诊断方法 | |
CN102566555B (zh) | 基于模式识别的白色家电工作状态监测方法 | |
CN104198898A (zh) | 基于脉冲序列分析的局部放电发展过程诊断方法 | |
CN110850244B (zh) | 基于深度学习的局放缺陷时域图谱诊断方法、系统及介质 | |
CN110108992B (zh) | 基于改进随机森林算法的电缆局放故障识别方法、系统 | |
CN103675610B (zh) | 局部放电在线检测中的特征因子提取方法 | |
CN103257306A (zh) | 换流变压器直流局部放电绝缘状态诊断方法及测量系统 | |
CN106291275B (zh) | 一种局部放电超高频单次波形频域特征提取及识别方法 | |
CN103645425A (zh) | 一种高压电缆绝缘缺陷局部放电在线监测诊断方法 | |
CN102854445A (zh) | 一种局部放电脉冲电流的波形特征提取方法 | |
CN104545887A (zh) | 伪差心电波形识别方法和装置 | |
CN106646205A (zh) | 一种声振联合分析断路器故障的随机大扰动信号剔除算法 | |
CN108344922B (zh) | 一种基于相类区分和s变换的输电线路直击雷故障识别方法 | |
CN107274915A (zh) | 一种基于特征融合的数字音频篡改自动检测方法 | |
CN104484412A (zh) | 基于多形式处理的大数据分析系统 | |
CN106845334A (zh) | 一种基于数学形态学的新型噪声提取方法 | |
CN104143115A (zh) | 地质雷达技术实现土壤含水性分类识别的技术方法 | |
CN103235238A (zh) | 一种输电线路行波录波方法 | |
CN103267652B (zh) | 一种智能早期设备故障在线诊断方法 | |
CN105954695A (zh) | 一种基于同步的同质传感器突变参数识别方法与装置 | |
CN104021232A (zh) | 基于配置项的飞行器测试数据判读方法 | |
Chen et al. | An adversarial learning framework for zero-shot fault recognition of mechanical systems | |
CN113076354A (zh) | 一种基于非侵入式负荷监测的用户用电数据分析方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |