CN103513168A - Gis及电缆局部放电综合判断方法 - Google Patents
Gis及电缆局部放电综合判断方法 Download PDFInfo
- Publication number
- CN103513168A CN103513168A CN201310463273.5A CN201310463273A CN103513168A CN 103513168 A CN103513168 A CN 103513168A CN 201310463273 A CN201310463273 A CN 201310463273A CN 103513168 A CN103513168 A CN 103513168A
- Authority
- CN
- China
- Prior art keywords
- result
- grade
- probability
- level
- neural network
- 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.)
- Granted
Links
Images
Landscapes
- Testing Relating To Insulation (AREA)
Abstract
GIS及电缆局部放电综合判断方法,首先根据逻辑门数值判别方法和神经网络自动判别方法同步对数据进行分析判断,在此基础上综合此两种方法的判定结果,得出综合判定的等级及严重度。以此提高局放判定的准确性。本发明与已有技术相比,具有准确性高,低误判的优点。
Description
技术领域:
本发明涉及GIS(Gas Isolated Switchgear,气体绝缘开关)及电缆局部放电现象监测的一种数据综合判断方法。
背景技术:
由于GIS及电缆在生产、运输及安装过程中难免出现一些缺陷或因长期运行导致的绝缘老化所引起的缺陷,在电缆长时间运行中容易发生局部放电。针对GIS及电缆局部放电(Partial Discharge,简称局放)现象的监测,通常采用单一阈值进行数据判定,以确认局放现象是否存在及该局放现象的严重度。但采用单一阈值分析判断的方法,容易导致误判的情况发生,对电力生产安全产生损失。
发明内容:
本发明的发明目的在于提供一种能有效的提高GIS及电缆发生局放现象判定的准确度的GIS及电缆局部放电综合判断方法。
本发明是这样实现的,包括逻辑门数值判别过程、神经网络自动判别过程、数据综合判别过程,逻辑门数值判别过程是通过局放现象发生过程中获取的物理量Φ(相位),Q(电量),N(放电脉冲数),T(时间)的读取数值,进行阈值判断,判断结果采用4种等级分布:当Φ,Q,N,T中任一物理量超过阈值,则为第0级;当N、Q或者Q、Φ或者Q、T超过阈值时,则为第1级;当Φ、Q、N或者Φ、Q、T或者N、Q、T超过阈值时,为第2级;当Φ,Q,N,T,4个物理量都超过阈值,则为第3级,严重度从第0级到第3级依次增大,第3级严重度最高,Φ(相位),Q(电量),N(放电脉冲数),T(时间)的阈值如下:
N:25—35 个/秒
Q:90—110 pC(pC,电量单位:皮库)
Φ:160—200度(数据分布相差角度)
T:25—35分钟(持续时间);
神经网络自动判别方法是采用模式识别中的神经网络模型架构对读取数值进行自动识别的过程,神经网络模型采用三层架构,即数据输入层,中间层,输出层,先通过学习网络模型算法对大量的局放数据及噪声数据进行学习训练,并在此过程中不断验证算法及网络的稳定性,在训练误差收敛后,将网络架构及权值进行固化,并应用于局放数据的判别,神经网络自动判别方法对数据图谱的判定结果是以概率形式给出,概率介于0和100%之间,当为0时,表该数据图谱为噪声信号,为80%~100%时,为局放信号,神经网络自动判别方法的结果也分成4个等级:当输出概率小于80%,为第0级;当输出概率介于80%~90%时,为第1级;当输出概率介于90%~95%时,为第2级;当输出概率大于95%时,为第3级。严重度从第0级到第3级依次增大,第3级严重度最高,
网络模型算法:BP(Back Propagation)算法
样本学习方式:批量学习,批量的数据输入层的输入神经元数量为350—450个,中间层的神经元个数:45—55,输出层的神经元个数:2个以上,包括概率为0~80%以及概率介于80%~100%两个数值,
神经元激励函数:
与批量学习的输入神经元数量对应的读取数值的数量n为350—450个,中间层的神经元个数:45—55,输出层的神经元个数:2个以上,包括概率为0~80%以及概率介于80%~100%的2个以上数值,
Sigmoid函数:f(x)=1/(1+e-x)
x为神经元输入
误差函数:
N为神经元个数,ti为第i个神经元的实际结果,zi为第i个神经元的目标结果;
数据综合判别方法是综合了逻辑门数值判断及神经网络自动判断的4个等级的输出结果,当逻辑门数值判断结果与神经网络自动判定结果为同一级时,综合结果与两判定结果同级,当逻辑门数值判断结果与自动判别结果等级不一且只相差一个等级时,综合结果采用较高等级的判定结果,当逻辑门数值判断结果与自动判别结果等级不一且相差两个等级时,综合结果采用两判定结果的中间等级,综合结果也分成4级,及第0,1,2,3级,分别所处状态为无报警状态,初级警报状态,中级警报状态,高级警报状态。
本发明与已有技术相比,由于综合了逻辑门数值判别过程、神经网络自动判别过程,因此,具有能有效的提高GIS及电缆发生局放现象判定的准确度的优点。
附图说明:
图1为本发明综合判断过程流程图;
图2为逻辑门数值判别表;
图3为神经网络自动判别流程示意图;
图4为综合判别表。
具体实施方式:
现结合附图和实施例对本发明做进一步详细描述:
本发明包括逻辑门数值判别过程、神经网络自动判别过程、数据综合判别过程,逻辑门数值判别过程是通过局放现象发生过程中获取的包括物理量Φ(相位),Q(电量),N(放电脉冲数),T(时间)等读取数值,进行阈值判断,判断结果采用4种等级分布:当Φ,Q,N,T中任一物理量超过阈值,则为第0级(G1);当N、Q或者Q、Φ或者Q、T超过阈值时,则为第1级(G2);当Φ、Q、N或者Φ、Q、T或者N、Q、T超过阈值时,为第2级(G3);当Φ,Q,N,T,4个物理量都超过阈值,则为第3级(G4),严重度从第0级到第3级依次增大,第3级严重度最高,Φ(相位),Q(电量),N(放电脉冲数),T(时间)的阈值如下:
N:25—35 个/秒
Q:90—110 pC(pC,电量单位:皮库)
Φ:160—200度(数据分布相差角度)
T:25—35分钟(持续时间);
神经网络自动判别方法是采用模式识别中的神经网络模型架构对读取数值进行自动识别的过程,神经网络模型采用三层架构,即数据输入层,中间层,输出层,先通过学习网络模型算法对大量的局放数据及噪声数据进行学习训练,并在此过程中不断验证算法及网络的稳定性,在训练误差收敛后,将网络架构及权值进行固化,并应用于局放数据的判别,神经网络自动判别方法对数据图谱的判定结果是以概率形式给出,概率介于0和100%之间,当为0~80%时,表该数据图谱为噪声信号,为80%~100%时,为局放信号,神经网络自动判别方法的结果也分成4个等级:当输出概率小于80%,为第0级(G1);当输出概率介于80%~90%时,为第1级(G 2);当输出概率介于90%~95%时,为第2级(G 3);当输出概率大于95%时,为第3级(G 4)。严重度从第0级到第3级依次增大,第3级严重度最高,
网络模型算法:BP(Back Propagation)算法
样本学习方式:批量学习,批量的数据输入层的输入神经元数量为350—450个,中间层的神经元个数:45—55,输出层的神经元个数:2个以上(实施例为8个,包括概率为0~80%的判别为noise的输出蹭饭神经元以及概率介于80%~100%的7个判别为局放信号PD数值,依概率从小到大依次为未知局放信号PD、母线毛刺局放信号PD1、壳体毛刺局放信号PD2、自由颗粒局放信号PD3、内部空穴局放信号PD4、内部电晕局放信号PD5、悬浮点位电极局放信号PD6),
与批量学习的输入神经元数量对应的读取数值的数量n为350—450个,中间层的神经元个数:45—55,输出层的神经元个数:2个以上,包括概率为0~80%以及概率介于80%~100%的2个以上数值(实施例为8个,包括概率为0~80%以及概率介于80%~100%的7个数值),
神经元激励函数:
Sigmoid函数:f(x)=1/(1+e-x)
x为神经元输入
误差函数:
N为神经元个数,ti为第i个神经元的实际结果,zi为第i个神经元的目标结果;
数据综合判别方法是综合了逻辑门数值判断及神经网络自动判断的4个等级的输出结果,当逻辑门数值判断结果与神经网络自动判定结果为同一级时,综合结果与两判定结果同级,当逻辑门数值判断结果与自动判别结果等级不一且只相差一个等级时,综合结果采用较高等级的判定结果,当逻辑门数值判断结果与自动判别结果等级不一且相差两个等级时,综合结果采用两判定结果的中间等级,综合结果也分成4级,及第0,1,2,3级,分别所处状态为无报警状态(L1),初级警报状态(L2),中级警报状态(L3),高级警报状态(L4)。
Claims (1)
1.GIS及电缆局部放电综合判断方法,其特征在于包括逻辑门数值判别过程、神经网络自动判别过程、数据综合判别过程,逻辑门数值判别过程是通过局放现象发生过程中获取的物理量Φ(相位),Q(电量),N(放电脉冲数),T(时间)的读取数值,进行阈值判断,判断结果采用4种等级分布:当Φ,Q,N,T中任一物理量超过阈值,则为第0级;当N、Q或者Q、Φ或者Q、T超过阈值时,则为第1级;当Φ、Q、N或者Φ、Q、T或者N、Q、T超过阈值时,为第2级;当Φ,Q,N,T,4个物理量都超过阈值,则为第3级,严重度从第0级到第3级依次增大,第3级严重度最高,Φ(相位),Q(电量),N(放电脉冲数),T(时间)的阈值如下:
N:25—35 个/秒
Q:90—110 pC(pC,电量单位:皮库)
Φ:160—200度(数据分布相差角度)
T:25—35分钟(持续时间);
神经网络自动判别方法是采用模式识别中的神经网络模型架构对读取数值进行自动识别的过程,神经网络模型采用三层架构,即数据输入层,中间层,输出层,先通过学习网络模型算法对大量的局放数据及噪声数据进行学习训练,并在此过程中不断验证算法及网络的稳定性,在训练误差收敛后,将网络架构及权值进行固化,并应用于局放数据的判别,神经网络自动判别方法对数据图谱的判定结果是以概率形式给出,概率介于0和100%之间,当为0时,表该数据图谱为噪声信号,为80%~100%时,为局放信号,神经网络自动判别方法的结果也分成4个等级:当输出概率小于80%,为第0级;当输出概率介于80%~90%时,为第1级;当输出概率介于90%~95%时,为第2级;当输出概率大于95%时,为第3级,严重度从第0级到第3级依次增大,第3级严重度最高,
网络模型算法:BP(Back Propagation)算法
样本学习方式:批量学习,批量的数据输入层的输入神经元数量为350—450个,中间层的神经元个数:45—55,输出层的神经元个数:2个以上,包括概率为0~80%以及概率介于80%~100%两个数值,
神经元激励函数:
与批量学习的输入神经元数量对应的读取数值的数量n为350—450个,中间层的神经元个数:45—55,输出层的神经元个数:2个以上,包括概率为0~80%以及概率介于80%~100%的2个以上数值,
Sigmoid函数: f(x)=1/(1+e-x)
x为神经元输入
误差函数:
N为神经元个数,ti为第i个神经元的实际结果,zi为第i个神经元的目标结果;
数据综合判别方法是综合了逻辑门数值判断及神经网络自动判断的4个等级的输出结果,当逻辑门数值判断结果与神经网络自动判定结果为同一级时,综合结果与两判定结果同级,当逻辑门数值判断结果与自动判别结果等级不一且只相差一个等级时,综合结果采用较高等级的判定结果,当逻辑门数值判断结果与自动判别结果等级不一且相差两个等级时,综合结果采用两判定结果的中间等级,综合结果也分成4级,及第0,1,2,3级,分别所处状态为无报警状态,初级警报状态,中级警报状态,高级警报状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310463273.5A CN103513168B (zh) | 2013-10-08 | 2013-10-08 | Gis及电缆局部放电综合判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310463273.5A CN103513168B (zh) | 2013-10-08 | 2013-10-08 | Gis及电缆局部放电综合判断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103513168A true CN103513168A (zh) | 2014-01-15 |
CN103513168B CN103513168B (zh) | 2016-03-30 |
Family
ID=49896203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310463273.5A Active CN103513168B (zh) | 2013-10-08 | 2013-10-08 | Gis及电缆局部放电综合判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103513168B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106019089A (zh) * | 2016-05-12 | 2016-10-12 | 国网上海市电力公司 | 一种根据相间信号相关关系特征进行局部放电判别的方法 |
CN113238128A (zh) * | 2021-05-11 | 2021-08-10 | 广州智丰电气科技有限公司 | 一种循环渐进式局部放电判别方法 |
CN116207708A (zh) * | 2023-04-28 | 2023-06-02 | 华北电力科学研究院有限责任公司 | 变压器故障防御方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06213958A (ja) * | 1993-01-19 | 1994-08-05 | Tokyo Electric Power Co Inc:The | 部分放電識別法 |
JPH1078471A (ja) * | 1996-09-03 | 1998-03-24 | Furukawa Electric Co Ltd:The | 部分放電測定方法 |
CN1262540A (zh) * | 1999-01-28 | 2000-08-09 | 株式会社日立制作所 | 气体绝缘装置中局部放电的诊断方法和局部放电诊断系统 |
CN101408580A (zh) * | 2008-11-21 | 2009-04-15 | 重庆大学 | 基于局部放电特征参量的油纸绝缘老化状态评估方法 |
CN102735999A (zh) * | 2012-07-02 | 2012-10-17 | 山东电力集团公司电力科学研究院 | Gis局部放电在线监测系统及其故障模式识别方法 |
CN102809718A (zh) * | 2012-07-25 | 2012-12-05 | 华南理工大学 | 一种gis超高频局部放电信号识别方法 |
-
2013
- 2013-10-08 CN CN201310463273.5A patent/CN103513168B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06213958A (ja) * | 1993-01-19 | 1994-08-05 | Tokyo Electric Power Co Inc:The | 部分放電識別法 |
JPH1078471A (ja) * | 1996-09-03 | 1998-03-24 | Furukawa Electric Co Ltd:The | 部分放電測定方法 |
CN1262540A (zh) * | 1999-01-28 | 2000-08-09 | 株式会社日立制作所 | 气体绝缘装置中局部放电的诊断方法和局部放电诊断系统 |
CN101408580A (zh) * | 2008-11-21 | 2009-04-15 | 重庆大学 | 基于局部放电特征参量的油纸绝缘老化状态评估方法 |
CN102735999A (zh) * | 2012-07-02 | 2012-10-17 | 山东电力集团公司电力科学研究院 | Gis局部放电在线监测系统及其故障模式识别方法 |
CN102809718A (zh) * | 2012-07-25 | 2012-12-05 | 华南理工大学 | 一种gis超高频局部放电信号识别方法 |
Non-Patent Citations (4)
Title |
---|
ZHOU JIANHUA 等: "Hologamous integrating strategies for incipient fault diagnosis of transformer", 《JOURNAL OF SOUTHEAST UNIVERSITY》, vol. 20, no. 4, 31 December 2004 (2004-12-31), pages 503 - 507 * |
蒋雄伟 等: "人工神经网络在汽轮发电机局部放电模式识别中的应用", 《西安交通大学学报》, vol. 31, no. 11, 30 November 1997 (1997-11-30), pages 60 - 65 * |
谈克雄 等: "用人工神经网络对电机绝缘模型放电的识别", 《清华大学学报(自然科学版)》, vol. 36, no. 7, 31 December 1996 (1996-12-31), pages 46 - 51 * |
陈腾彪 等: "局部放电信号传播特性在电缆局部放电测试中的应用", 《广东电力》, vol. 25, no. 7, 31 July 2012 (2012-07-31), pages 96 - 100 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106019089A (zh) * | 2016-05-12 | 2016-10-12 | 国网上海市电力公司 | 一种根据相间信号相关关系特征进行局部放电判别的方法 |
CN113238128A (zh) * | 2021-05-11 | 2021-08-10 | 广州智丰电气科技有限公司 | 一种循环渐进式局部放电判别方法 |
CN116207708A (zh) * | 2023-04-28 | 2023-06-02 | 华北电力科学研究院有限责任公司 | 变压器故障防御方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103513168B (zh) | 2016-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102735999B (zh) | Gis局部放电在线监测系统及其故障模式识别方法 | |
CN110221189B (zh) | 一种igbt模块键合线在线状态监测的方法 | |
WO2017008180A1 (zh) | 一种光伏组件失效风险判别方法 | |
CN105930976B (zh) | 基于加权理想点法的节点电压暂降严重程度综合评估方法 | |
CN111505434B (zh) | 一种低压配电表箱线路、表箱故障隐患识别方法 | |
CN101425686A (zh) | 电力系统在线安全稳定评估预想故障集自适应筛选方法 | |
CN103810328A (zh) | 一种基于混合模型的变压器维修决策方法 | |
CN105512962A (zh) | 一种气体绝缘组合电器绝缘状态综合评估方法 | |
CN110009208B (zh) | 一种基于混合智能算法的柱上开关成套设备健康状态评估方法及装置 | |
CN110502777A (zh) | 基于神经网络预测的igbt模块状态检测系统及方法 | |
CN110137947B (zh) | 一种基于itic曲线的电网电压暂降严重程度评估方法 | |
CN105954667A (zh) | 一种基于加速退化试验的pcb绝缘寿命快速预测方法及系统 | |
CN105954616B (zh) | 基于外特性电气参数的光伏组件故障诊断方法 | |
CN103513168B (zh) | Gis及电缆局部放电综合判断方法 | |
CN102221654A (zh) | 静电除尘器运行效率的监测与评估系统 | |
CN107563620A (zh) | 一种基于设备全寿命信息的综合评价方法 | |
CN114580829A (zh) | 基于随机森林算法的用电安全感知方法、设备及介质 | |
CN114252694A (zh) | 用于监测电气系统中的能量相关数据的系统和方法 | |
CN112418638A (zh) | 站用直流电源系统运维风险的预警系统及预警方法 | |
CN115526258A (zh) | 基于Spearman相关系数特征提取的电力系统暂稳评估方法 | |
CN115603459A (zh) | 一种基于数字孪生技术的配电网关键厂站监测方法与系统 | |
CN105825317A (zh) | 一种基于贝叶斯网络的直流配网可靠性评估方法 | |
CN114386024A (zh) | 基于集成学习的电力内网终端设备异常攻击检测方法 | |
CN111244937B (zh) | 一种电力系统暂态电压稳定性严重故障筛选方法 | |
CN106569104A (zh) | 一种gis绝缘可靠性评价方法及系统 |
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 |