CN104316846A

CN104316846A - 一种电力设备局部放电模式识别方法、装置及系统

Info

Publication number: CN104316846A
Application number: CN201410431243.0A
Authority: CN
Inventors: 吴英俊; 刘鹏; 毛永铭; 夏巧群; 赖靖胤; 余一栋
Original assignee: State Grid Corp of China SGCC; Ningbo Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Current assignee: State Grid Corp of China SGCC; Ningbo Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority date: 2014-08-28
Filing date: 2014-08-28
Publication date: 2015-01-28
Anticipated expiration: 2034-08-28
Also published as: CN104316846B

Abstract

本申请提供了一种电力设备局部放电模式识别方法、装置及系统，该方法包括获取预设工频周期内电力设备的局部放电信号，将所述预设工频周期均分为预设个数的相位间隔，并统计所述局部放电信号在每个所述相位间隔内的局部放电信息，对所述各个局部放电信息进行离散傅里叶变换及取模运算，获得局部放电信息特征向量，进而依据预设模式识别算法，识别所述局部放电信息特征向量对应的放电模式。与现有技术中需要采集两路信号即工频电压信号及局部放电信号相比，本申请只需获取局部放电信号，不仅可以减少信号采集的复杂性及成本，而且可避免接近高压母线带来的危险，提高了放电模式识别的安全性。

Description

一种电力设备局部放电模式识别方法、装置及系统

技术领域

本发明涉及电力监测技术领域，尤其是一种电力设备局部放电模式识别方法、装置及系统。

背景技术

在电力系统中，电力设备尤其是高压设备的绝缘缺陷检测对提高电力系统的安全运行至关重要。当高压设备出现绝缘缺陷时，往往会出现局部放电现象。局部放电指的是高压设备中绝缘介质局部区域发生放电，但该放电并未贯穿施加电压的导体之间的现象。局部放电信号虽微弱，但其却包含大量的绝缘缺陷信息，通过对局部放电信号进行模式识别，可以确定引发此局部放电的绝缘缺陷类型。

目前，电力设备局部放电模式识别的方法主要是，需要两路信号通道，分别采集电力设备的工频高压信号及局部放电信号，通过跟踪该工频高压信号的相位以标定局放信号对应的具体工频相位，进而对放电模式进行识别。

然而，上述模式识别方法中两路电压信号的采集过程复杂且成本较高，另外，对工频高压信号的采集需要靠近甚至接触高压母线，具有较高的危险性。

发明内容

有鉴于此，本申请提供了一种电力设备局部放电模式识别方法、装置及系统，用以解决现有技术中的模式识别方法中两路电压信号的采集过程复杂、成本较高且危险性较大的技术问题。为实现所述发明目的，本发明提供的技术方案如下：

一种电力设备局部放电模式识别方法，包括：

获取预设工频周期内电力设备的局部放电信号；

将所述预设工频周期均分为预设个数的相位间隔，并统计所述局部放电信号在每个所述相位间隔内的局部放电信息；

对所述各个局部放电信息进行离散傅里叶变换及取模运算，获得局部放电信息特征向量；

依据预设模式识别算法，识别所述局部放电信息特征向量对应的放电模式。

上述方法，优选地，所述局部放电信息包括：放电次数、最大放电量、最小放电量或放电幅值。

上述方法，优选地，所述预设模式识别算法包括：神经网络算法、支持向量机算法或隐马尔可夫法。

上述方法，优选地，所述获取预设工频周期内电力设备的局部放电信号，包括：

随机确定获取起始时间点；

以所述起始时间点为起点，获取预设工频周期内电力设备的局部放电信号。

本申请还提供了一种电力设备局部放电模式识别装置，包括：

放电信号获取单元，用于获取预设工频周期内电力设备的局部放电信号；

放电信息统计单元，用于将所述预设工频周期均分为预设个数的相位间隔，并统计所述局部放电信号在每个所述相位间隔内的局部放电信息；

特征向量获得单元，用于对所述各个局部放电信息进行离散傅里叶变换及取模运算，获得局部放电信息特征向量；

放电模式识别单元，用于依据预设模式识别算法，识别所述局部放电信息特征向量对应的放电模式。

上述装置，优选地，所述放电信息统计单元统计的局部放电信息包括：放电次数、最大放电量、最小放电量或放电幅值。

上述装置，优选地，所述放电模式识别单元依据的预设模式识别算法包括：神经网络算法、支持向量机算法或隐马尔可夫法。

上述装置，优选地，所述放电信号获取单元包括：

起始时间点确定子单元，用于随机确定获取起始时间点；

放电信号获取子单元，用于以所述起始时间点为起点，获取预设工频周期内电力设备的局部放电信号。

本申请还提供了一种电力设备局部放电模式识别系统，包括：局部放电检测装置及如上述任意一种电力设备局部放电模式识别装置；其中：

所述局部放电检测装置，用于采集电力设备产生的局部放电信号；

所述电力设备局部放电模式识别装置，用于获取所述局部放电检测装置采集的预设工频周期内电力设备的局部放电信号，将所述预设工频周期均分为预设个数的相位间隔，并统计所述局部放电信号在每个所述相位间隔内的局部放电信息，对所述各个局部放电信息进行离散傅里叶变换及取模运算，获得局部放电信息特征向量，并依据预设模式识别算法，识别所述局部放电信息特征向量对应的放电模式。

上述系统，优选地，所述局部放电检测装置包括：依次相连的传感器、滤波放大电路、数字采集电路及上位机。

与现有技术相比，本申请具有如下有益效果：

本申请只需获取预设工频周期内电力设备的局部放电信号，与现有技术中需要采集两路信号即工频电压信号及局部放电信号相比，本发明实施例中，不必获取工频高压信号，因此，不仅可以减少信号采集的复杂性及成本，而且可避免接近高压母线带来的危险，提高了放电模式识别的安全性。

同时，本申请获得局部放电信息特征向量的方式是对局部放电信息进行离散傅里叶变换及取模运算，使得在预设工频周期内获得的局部放电信息特征向量可以代表进行相位移位后的其他工频周期内的放电信号，实现了依据少量的放电信号对相位移位后的多个放电信号放电模式的识别。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的电力设备局部放电模式识别方法的流程图；

图2为本发明实施例提供的电力设备局部放电模式识别装置的结构图；

图3为本发明实施例提供的电力设备局部放电模式识别系统的结构图；

图4为本发明实施例提供的电力设备局部放电模式识别系统中局部放电检测装置的结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参见图1，其示出了本发明实施例提供的电力设备局部放电模式识别方法的流程，具体包括以下步骤：

步骤S101：获取预设工频周期内电力设备的局部放电信号。

其中，工频周期与工频电压信号的频率相关，本实施例中，工频周期可以为20ms。电力设备出现局部放电现象时，可以获取局部放电检测设备采集到的局部放电信号。本步骤的获取过程可以具体包括：随机确定获取起始时间点，以所述起始时间点为起点，获取预设工频周期内电力设备的局部放电信号。也就是说，获取的局部放电信号可以是任意一个起始点开始的工频周期内的局部放电信号。

步骤S102：将所述预设工频周期均分为预设个数的相位间隔，并统计所述局部放电信号在每个所述相位间隔内的局部放电信息。

其中，可以将预设工频周期，如20ms，进行均分，以获得多个相位间隔。需要说明的是，相位间隔的个数越多，放电模式识别的准确性越高，但识别运算量越大，效率相应降低。本发明实施例中，可选地，预设个数可以为128-256中的任意值。

可选地，统计的局部放电信息可以是放电次数、最大放电量、最小放电量及放电幅值。具体地，统计放电次数时，可以判断每个相位间隔内各自的放电信号幅值是否高于预设阈值，将高于预设阈值的放电信号确定为一次放电，从而获得每个相位间隔内各自的放电次数。同理，统计最大放电量、最小放电量或放电幅值，均是获取每个相位间隔内各自放电信号的最大放电量、最小放电量或放电幅值。

步骤S103：对所述各个局部放电信息进行离散傅里叶变换及取模运算，获得局部放电信息特征向量。

本实施例中，相位间隔为多个，则获得的局部放电信息为多个，多个局部放电信息生成特征向量，并对该特征向量依次进行离散傅里叶变换及取模运算。其中，离散傅里叶变换过程及取模运算的具体过程参见下文描述。

步骤S104：依据预设模式识别算法，识别所述局部放电信息特征向量对应的放电模式。

可选地，使用的模式识别算法可以是神经网络算法、支持向量机算法或隐马尔可夫法。具体地，预先设置模式识别算法可以识别的放电模式，并且设置识别结果包含的每种放电模式相对应的识别参数，该识别参数用以表明对应放电模式的存在概率，进而，当具体的识别结果中某个识别参数的参数值为1时，表明识别出的放电模式为该参数值对应的放电模式的概率最大。

例如，预设放电模式为三种，分别为尖端放电、内部缺陷放电及沿面闪络放电；预设识别结果集合中包含的参数分别为参数a、参数b及参数c，分别依次对应上述三种放电模式；当输出的识别结果集为{1，0，0}，则表明该放电信号最可能的绝缘缺陷为尖端放电。

局部放电现象是由电力设备的绝缘缺陷造成的，不同的绝缘缺陷产生的放电模式不尽相同，通过识别出的放电模式可以确定导致该种放电模式的绝缘缺陷类型，进而依据该绝缘缺陷类型对电力设备进行检修。

由以上的技术方案可知，与现有技术需要采集两路信号即工频电压信号及局部放电信号相比，本发明实施例提供的放电模式识别方法，不必获取工频高压信号，因此，不仅可以减少信号采集的复杂性及成本，而且可避免接近高压母线带来的危险，提高了放电模式识别的安全性。同时，本发明实施例中并不需要对放电信号进行相位跟踪，而是使用离散傅里叶变换及取模运算获得的局部放电信息特征向量，可以代表不同相位起始点的局部放电信号，进而，可以用获取到的该局部放电信号的放电模式推知其他相位起始点的局部放电信号的放电模式，因此，本发明实施例不必对各个放电信号的相位进行跟踪，识别方式简单。

具体地，利用一具体示例对上述实施例中步骤S103对所述各个局部放电信息进行离散傅里叶变换及取模运算获得局部放电信息特征向量的过程进行说明。

例如，将4个相位间隔内的局部放电信息生成4维特征向量x[n]＝(1,2,3,4)，利用离散傅里叶变换公式可知：

X [k] = DFT [x [n]] = Σ_{n = 0}^{N - 1} x [n] e^{- j 2 πkn / N}, k = 0,1,2, \cdot \cdot \cdot, N - 1 - - - (1);

其中，所述N为特征向量的维数，也即将工频周期划分为的相位间隔个数。

X[k]为x[n]的离散傅里叶变换后的形式，即x[n]～X[k]，具体地，利用上述式(1)获得的X[k]为(10,-2+j2,-2,-2-j2)，对X[k]依据下述式(2)进行取模运算。例如，取模运算获得的特征向量为(10,2.8284,2,2.8284)。

更进一步地，由离散傅里叶变换的移位性质可知：

x[n-m]～e^-j2πkm/NX[k] (2)；

对移位后式(2)中的e^-j2πkm/NX[k]利用下述式(3)进行取模运算：

|e^-j2πkm/NX[k]|＝|e^-j2πkm/N|×|X[k]|＝|X[k]| (3)。

针对上述式(3)，由欧拉公式可知，k与N的取值并不会影响取模运算获得的模值，因此，x[n]进行离散傅里叶变换及取模后获得的特征向量与对x[n]移位后的x[n-m]进行离散傅里叶变换及取模后获得的特征向量相同，因此，可以得出的结论是，局部放电信息是原始特征向量，该原始特征向量中起始特征点对获得的局部放电信息特征向量并无影响。

从理论上讲，由上述离散傅里叶变换公式可知，离散傅里叶变换求解过程中涵盖了原始特征向量中各个特征点的时域圆周位置信息，也即特征点首尾相连形成圆周时，该原始特征向量中的特征点在圆周上的相对顺序不变，因此，利用式(3)对移位后的原始特征向量取模运算后获得的局部放电信息特征向量中也包含各个特征点的位置信息，并且，利用式(3)获得的局部放电信息特征向量并不关心具体的起始相位点，因此，可以用来对基于相位特征进行放电模式识别。

另外，参见表1中的实验数据，其对上述结论提供数据佐证。在该表可以看出，各个原始特征向量中的起始特征点并不相同，但取模运算获得特征向量均相同。

表1

原始特征向量	离散傅里叶变换的特征向量	取模运算的特征向量
			(1,2,3,4)	(10,-2+j2,-2,-2-j2)	(10,2.8284,2,2.8284)
(2,3,4,1)	(10,-2-j2,2,-2+j2)	(10,2.8284,2,2.8284)
			(3,4,1,2)	(10,2-j2,-2,2+j2)	(10,2.8284,2,2.8284)
(4,1,2,3)	(10,2+j2,2,2-j2)	(10,2.8284,2,2.8284)

下面对本发明实施例提供电力设备局部放电模式识别装置进行说明，需要说明的是，下文对电力设备局部放电模式识别装置的说明可以参见上文描述的电力设备局部放电模式识别方法，此处并不赘述。

参见图2，其示出了本申请提供的电力设备局部放电模式识别装置的结构，具体包括：

放电信号获取单元100，用于获取预设工频周期内电力设备的局部放电信号；

放电信息统计单元200，用于将所述预设工频周期均分为预设个数的相位间隔，并统计所述局部放电信号在每个所述相位间隔内的局部放电信息；

特征向量获得单元300，用于对所述各个局部放电信息进行离散傅里叶变换及取模运算，获得局部放电信息特征向量；

放电模式识别单元400，用于依据预设模式识别算法，识别所述局部放电信息特征向量对应的放电模式。

与现有技术相比，本发明实施例提供的电力设备局部放电模式识别装置只需获取预设工频周期内电力设备的局部放电信号，与现有技术中需要采集两路信号即工频电压信号及局部放电信号相比，本发明实施例中，不必获取工频高压信号，因此，不仅可以减少信号采集的复杂性及成本，而且可避免接近高压母线带来的危险，提高了放电模式识别的安全性。同时，本申请获得局部放电信息特征向量的方式是对局部放电信息进行离散傅里叶变换及取模运算，使得在预设工频周期内获得的局部放电信息特征向量可以代表进行相位移位后的其他工频周期内的放电信号，实现了依据少量的放电信号对相位移位后的多个放电信号放电模式的识别。

其中，放电信息统计单元200统计的局部放电信息包括：放电次数、最大放电量、最小放电量或放电幅值。

其中，放电模式识别单元400依据的预设模式识别算法包括：神经网络算法、支持向量机算法或隐马尔可夫法。

可选地，放电信号获取单元100包括：起始时间点确定子单元，用于随机确定获取起始时间点；放电信号获取子单元，用于以所述起始时间点为起点，获取预设工频周期内电力设备的局部放电信号。

本发明实施例提供的装置可以集成为手持枪式测量仪，该仪器只需获取外部局部放电检测装置采集的局部放电信号，进行分析处理后即可获得放电模式，该装置更为小型、成本更低且使用效率更高。

下面对本发明实施例提供电力设备局部放电模式识别系统进行说明，需要说明的是，下文对电力设备局部放电模式识别系统的说明可以参见上文描述的电力设备局部放电模式识别方法及装置，此处并不赘述。

参见图3，其示出了本发明实施例提供的电力设备局部放电模式识别系统结构，包括；局部放电检测装置1及上述的电力设备局部放电模式识别装置2；其中：

所述局部放电检测装置1，用于采集电力设备产生的局部放电信号；

所述电力设备局部放电模式识别装置2，用于获取所述局部放电检测装置采集的预设工频周期内电力设备的局部放电信号，将所述预设工频周期均分为预设个数的相位间隔，并统计所述局部放电信号在每个所述相位间隔内的局部放电信息，对所述各个局部放电信息进行离散傅里叶变换及取模运算，获得局部放电信息特征向量，并依据预设模式识别算法，识别所述局部放电信息特征向量对应的放电模式。

具体地，参见图4，所述局部放电检测装置1包括：依次相连的传感器11、滤波放大电路12、数字采集电路13及上位机14。

其中，传感器11可以为传感器为高频传感器、超声传感器或TEV传感器，采集电力设备局部放电产生的放电信号，并将该放电信号通过同轴电缆发送至滤波放大电路，以进行信号滤波去噪处理及对去噪后的信号放大，从而提高信噪比，放大后的信号发送至数字采集电路以实现将模拟信号转化为数字信号，并将该数字信号发送至上位机存储及显示等。另外，可以使用蓄电池对该局部放电检测装置直流供电，不仅可以适应不同检测现场环境，而且还可以减少外部交流电源对该检测装置的干扰。

由以上技术方案可知，本发明实施例提供的系统中的局部放电检测装置中包含有传感器，利用传感器采集电力设备产生的局部放电信号，并不必如现有技术中打开高压设备外壳接触高压母线，从而提高了模式识别的安全性，并且，本发明实施例提供的系统不需直接与高压回路进行电气连接，并不会对高压回路产生影响。

同时，局部放电检测装置中只包含一路用于采集局部放电信号的通道即可，并不包含工频高压信号的采集通道，降低了设备成本。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims

1.一种电力设备局部放电模式识别方法，其特征在于，包括：

获取预设工频周期内电力设备的局部放电信号；

2.根据权利要求1所述的电力设备局部放电模式识别方法，其特征在于，所述局部放电信息包括：放电次数、最大放电量、最小放电量或放电幅值。

3.根据权利要求1所述的电力设备局部放电模式识别方法，其特征在于，所述预设模式识别算法包括：神经网络算法、支持向量机算法或隐马尔可夫法。

4.根据权利要求1所述的电力设备局部放电模式识别方法，其特征在于，所述获取预设工频周期内电力设备的局部放电信号，包括：

随机确定获取起始时间点；

5.一种电力设备局部放电模式识别装置，其特征在于，包括：

6.根据权利要求5所述的电力设备局部放电模式识别装置，其特征在于，所述放电信息统计单元统计的局部放电信息包括：放电次数、最大放电量、最小放电量或放电幅值。

7.根据权利要求5所述的电力设备局部放电模式识别装置，其特征在于，所述放电模式识别单元依据的预设模式识别算法包括：神经网络算法、支持向量机算法或隐马尔可夫法。

8.根据权利要求5所述的电力设备局部放电模式识别装置，其特征在于，所述放电信号获取单元包括：

起始时间点确定子单元，用于随机确定获取起始时间点；

9.一种电力设备局部放电模式识别系统，其特征在于，包括：局部放电检测装置及如权利要求5至8任意一项所述的电力设备局部放电模式识别装置；其中：

10.根据权利要求9所述的电力设备局部放电模式识别系统，其特征在于，所述局部放电检测装置包括：依次相连的传感器、滤波放大电路、数字采集电路及上位机。