CN103336231B - 局部放电ae位置检测的神经元网络方法 - Google Patents

局部放电ae位置检测的神经元网络方法 Download PDF

Info

Publication number
CN103336231B
CN103336231B CN201310271394.XA CN201310271394A CN103336231B CN 103336231 B CN103336231 B CN 103336231B CN 201310271394 A CN201310271394 A CN 201310271394A CN 103336231 B CN103336231 B CN 103336231B
Authority
CN
China
Prior art keywords
signal
unit
output
input
shelf depreciation
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.)
Expired - Fee Related
Application number
CN201310271394.XA
Other languages
English (en)
Other versions
CN103336231A (zh
Inventor
许明
何塽纳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201310271394.XA priority Critical patent/CN103336231B/zh
Publication of CN103336231A publication Critical patent/CN103336231A/zh
Application granted granted Critical
Publication of CN103336231B publication Critical patent/CN103336231B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Testing Relating To Insulation (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明公开了一种局部放电AE位置检测的神经元网络方法，本发明利用设置在变压器或开关柜内部的多个AE检测器检测局部放电超声波信号，并对这些超声波信号进行采集；将采集到的超声波信号连同检测器编号送入信号采集中心进行编码；将编码后的信号送到信号调理电路，信号调理电路对检测信号进行滤波、消除干扰和噪声信号；将滤波后的超声波信号与检测器编号送到处理器，处理器利用神经网络算法由这些信号计算出局部放电的位置；本发明能够提取局部放电产生的超声波所蕴含的放电的信息，从中计算出局部放电位置，为局部放电监测系统所用，提高了局部放电监测的准确度。

Description

局部放电AE位置检测的神经元网络方法
技术领域
本发明涉及电力系统中局部放电的检测，尤其是局部放电AE位置检测的神经元网络方法。
背景技术
局部放电是导致高压电力设备绝缘损坏的一个重要因素，对运行中的设备要加强监测，当局部放电超过一定程度时，应将设备退出运行，进行检修或更换。局部放电的检测是局部放电监测的首要一环，只有检测准确，才能保障后续的监测。
局部放电发生时，会伴随产生电脉冲、超声波、电磁辐射、光、化学反应，并引起局部发热等现象。本发明通过检测超声波的方法来定位局部放电，这种方法具有简单实用的特点，近些年来采用较多。但是局部放电发生时，所散射的超声波具有不同频率，不同频段超声波所蕴含的局部放电信息不同，这就要求对不同频段进行采集。但是，这种不同频段采集的方案几乎不可行，首先是现有的滤波电路还不具备超声波分频段的要求；其次是需要的A/D元件及电路多，采样复杂，易出故障，且成本高；还有就是这样得到的采样数据也是不同频段下的值，不具有统一的参考标准，不能为局部放电监测系统所用。
发明内容
本发明针对现有技术的不足，提出了一种局部放电AE位置检测的神经元网络方法。
本发明的目的可以采用下述技术方案步骤实现：
步骤一：利用设置在变压器或开关柜内部的多个AE检测器检测局部放电超声波信号，并对这些超声波信号进行采集；
步骤二：将采集到的超声波信号连同检测器编号送入信号采集中心进行编码；
步骤三：将编码后的信号送到信号调理电路，信号调理电路对检测信号进行滤波、消除干扰和噪声信号；
步骤四：将滤波后的超声波信号与检测器编号送到处理器，处理器利用神经网络算法由这些信号计算出局部放电的位置；神经网络算法的输入为传感器收集的信号幅值以及对应的传感器编号，输出为局部放电发生位置的球坐标（                                               ,,r），球坐标的原点为信号采集中心；
所述的神经网络算法的训练过程包括以下步骤：
输入：训练集，每个训练集中的实例都包含输入向量，输入向量为各个AE检测器所发送过来的幅值信号与AE检测器编号，x=[,,...,],输出向量y=[,,r]，神经网络的初始连接权值选取0至1的随机数。
重复执行：
   对于实例集中的每个实例，将输入向量的各分量代入输入层
   对于隐层中的每个隐单元，执行
     
     
    对于每个输出层单元,执行
     
     
    对于每个输出层单元,执行
     
    对于隐层中的每个隐单元，执行
     
     
    对于输入层的每个单元，执行
     
不停重复这个过程，直到各权值W稳定下来，此时的各权值W就是神经网络算法中的最终权值。其中g为激励函数，为学习速率。经过训练最终得到的神经元网络的输出公式为。式中代表输入的超声波幅值信号和AE检测器编号，代表放电位置的坐标。其中为输出层单元的输出，为隐层单元的输出，为输入层单元的输出，为输出层单元与隐层单元的连接权值，为隐层单元与输入层单元的连接权值。
   本发明的有益效果：能够提取局部放电产生的超声波所蕴含的放电的信息，从中计算出局部放电位置，为局部放电监测系统所用，提高了局部放电监测的准确度。
附图说明
图1局部放电的位置坐标；
图2神经网络的输入层、输出层和隐层。
具体实施方式
下面结合附图和实施例对本发明进一步说明：
本发明一种局部放电AE位置检测的神经元网络方法，该方法具体包括以下步骤：
步骤一：利用设置在变压器或开关柜内部的多个AE检测器检测局部放电超声波信号，并对这些超声波信号进行采集；
步骤二：将采集到的超声波信号连同检测器编号送入信号采集中心进行编码；
步骤三：将编码后的信号送到信号调理电路，信号调理电路对检测信号进行滤波、消除干扰和噪声信号；
步骤四：将滤波后的超声波信号与检测器编号送到处理器，处理器利用神经网络算法由这些信号计算出局部放电的位置；如图1所示；神经网络算法的输入为传感器收集的信号幅值以及对应的传感器编号，输出为局部放电发生位置的球坐标（,,r），球坐标的原点为信号采集中心；
如图2所示，所述的神经网络算法的训练过程包括以下步骤：
输入：训练集，每个训练集中的实例都包含输入向量，输入向量为各个AE检测器所发送过来的幅值信号与AE检测器编号，x=[,,...,],输出向量y=[,,r]，神经网络的初始连接权值可以任意选取。
重复执行：
   对于实例集中的每个实例，将输入向量的各分量代入输入层
   对于隐层中的每个隐单元，执行
     
     
    对于每个输出层单元,执行
     
     
    对于每个输出层单元,执行
     
    对于隐层中的每个隐单元，执行
     
     
    对于输入层的每个单元，执行
     
不停重复这个过程，直到各权值W稳定下来，此时的各权值W就是神经网络算法中的最终权值。其中g为激励函数，为学习速率。经过训练最终得到的神经元网络的输出公式为。式中代表输入的超声波幅值信号和AE检测器编号，代表放电位置的坐标。其中为输出层单元的输出，为隐层单元的输出，为输入层单元的输出，为输出层单元与隐层单元的连接权值，为隐层单元与输入层单元的连接权值。

Claims (1)

1. 一种局部放电AE位置检测的神经元网络方法，其特征在于，该方法具体包括以下步骤：
步骤一：利用设置在变压器或开关柜内部的多个AE检测器检测局部放电超声波信号，并对这些超声波信号进行采集；
步骤二：将采集到的超声波信号连同检测器编号送入信号采集中心进行编码；
步骤三：将编码后的信号送到信号调理电路，信号调理电路对检测信号进行滤波、消除干扰和噪声信号；
步骤四：将滤波后的超声波信号与检测器编号送到处理器，处理器利用神经网络算法由这些信号计算出局部放电的位置；神经网络算法的输入为传感器收集的信号幅值以及对应的传感器编号，输出为局部放电发生位置的球坐标（                                               ,,r），球坐标的原点为信号采集中心；
所述的神经网络算法的训练过程包括以下步骤：
输入：训练集，每个训练集中的实例都包含输入向量，输入向量为各个AE检测器所发送过来的幅值信号与AE检测器编号，x=[,,...,],输出向量y=[,,r]，神经网络的初始连接权值选取0至1的随机数；
重复执行：
    对于实例集中的每个实例，将输入向量的各分量代入输入层
     对于隐层中的每个隐单元，执行
       
       
     对于每个输出层单元,执行
       
        
      对于每个输出层单元,执行
       
      对于隐层中的每个隐单元，执行
       
       
      对于输入层的每个单元，执行
       
不停重复这个过程，直到各权值W稳定下来，此时的各权值W就是神经网络算法中的最终权值；其中g为激励函数，为学习速率；经过训练最终得到的神经元网络的输出公式为；式中代表输入的超声波幅值信号和AE检测器编号，代表放电位置的坐标；其中为输出层单元的输出，为隐层单元的输出，为输入层单元的输出，为输出层单元与隐层单元的连接权值，为隐层单元与输入层单元的连接权值。
CN201310271394.XA 2013-07-01 2013-07-01 局部放电ae位置检测的神经元网络方法 Expired - Fee Related CN103336231B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310271394.XA CN103336231B (zh) 2013-07-01 2013-07-01 局部放电ae位置检测的神经元网络方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310271394.XA CN103336231B (zh) 2013-07-01 2013-07-01 局部放电ae位置检测的神经元网络方法

Publications (2)

Publication Number Publication Date
CN103336231A CN103336231A (zh) 2013-10-02
CN103336231B true CN103336231B (zh) 2015-09-09

Family

ID=49244434

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310271394.XA Expired - Fee Related CN103336231B (zh) 2013-07-01 2013-07-01 局部放电ae位置检测的神经元网络方法

Country Status (1)

Country Link
CN (1) CN103336231B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105334435B (zh) * 2015-10-23 2018-04-13 国网山东海阳市供电公司 一种基于任意阵形的自适应局部放电超声监测方法
CN109596951A (zh) * 2018-12-12 2019-04-09 全球能源互联网研究院有限公司 一种局部放电源定位方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3100757B2 (ja) * 1992-06-02 2000-10-23 三菱電機株式会社 監視診断装置
DE19716963C2 (de) * 1997-04-16 2001-10-18 Siemens Ag Verfahren zur Ermittlung des Ortes einer Teilentladung
KR100919785B1 (ko) * 2008-09-24 2009-10-01 주식회사 케이디파워 Ａｅ센서를 이용한 유입 변압기의 부분방전 검출장치 및 방법
CN101551434B (zh) * 2009-05-13 2012-08-22 中南大学 基于超高频检测技术的变压器局部放电定位方法
CN102944769A (zh) * 2012-10-18 2013-02-27 上海市电力公司 基于极限学习机的电力变压器故障诊断方法

Also Published As

Publication number Publication date
CN103336231A (zh) 2013-10-02

Similar Documents

Publication Publication Date Title
CN105548832B (zh) 高压电力电缆故障识别方法
CN203249989U (zh) 变压器局部放电在线监测系统
AU2013389280B2 (en) Partial discharge signal processing method and apparatus employing neural network
CN103454564A (zh) 高压开关柜局部放电检测系统及方法
CN104316846B (zh) 一种电力设备局部放电模式识别方法、装置及系统
CN104237737A (zh) 一种故障电弧频域检测装置
CN105510760B (zh) 一种基于小波分析的短路故障数据检测方法
CN107085173B (zh) 一种用于变压器内部多局部放电源的分离方法及系统
CN106526409B (zh) 一种变压器绕组变形带电测试系统及其测试方法
CN103336231B (zh) 局部放电ae位置检测的神经元网络方法
CN103592618B (zh) 一种超声波定位方法及超声波定位系统
CN108680843A (zh) 一种基于无线传输技术的开关柜局部放电检测方法
CN102749561A (zh) 基于云端服务的局部放电暂态地电波云检测的方法及装置
CN104635204B (zh) 一种基于Duffing‑Lorenz混沌系统的信号源定位方法
CN104865508B (zh) 基于数据分组量化的局部放电识别方法
CN202083770U (zh) 一种变压器局部放电监测装置
CN105067898A (zh) 一种用于雷电定位的装置
CN112688271A (zh) 一种对于动物的油井专用漏电保护装置
CN112881812A (zh) 基于机器学习编码的全闪实时定位方法及装置
CN104374885A (zh) 一种易爆气体的危险声源功能检测装置
CN106199587A (zh) 一种二次雷达应答解码系统装置
CN104369746B (zh) 相敏轨道电路接收器信号处理方法
CN106949958B (zh) 一种基于Liu-cos混沌系统的声波信号检测方法
CN106771893B (zh) 一种地线绝缘子间隙放电波形识别方法
CN102508124A (zh) 一种电气设备局部放电检测方法及其装置

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20150909

Termination date: 20180701

CF01 Termination of patent right due to non-payment of annual fee