CN104360190B - 基于三传感器推理的换流变压器故障在线诊断方法 - Google Patents
基于三传感器推理的换流变压器故障在线诊断方法 Download PDFInfo
- Publication number
- CN104360190B CN104360190B CN201410640672.9A CN201410640672A CN104360190B CN 104360190 B CN104360190 B CN 104360190B CN 201410640672 A CN201410640672 A CN 201410640672A CN 104360190 B CN104360190 B CN 104360190B
- Authority
- CN
- China
- Prior art keywords
- kinds
- fault diagnosis
- power transformer
- converter power
- probability
- 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
Abstract
本发明公开了属于特高压直流输电设备故障诊断技术领域的一种基于三传感器推理的换流变压器故障在线诊断方法。该方法首先使用目前在工程上能够实现在线检测仪作为三种传感器:特高频、宽带脉冲及暂态地电压TEV检测仪,得到换流变压器的在线数据;调用实测换流变压器的在线数据实现故障诊断,包括从实测换流变压器的在线数据中提取有效放电信息,建立三种传感器特征空间,得到三种特征空间故障诊断结果,进而对三种故障诊断结果异同判断,最终输出诊断结果,综合三种传感器的数据进行推理,得到该情况下的最终诊断结果,该方法有效提高了换流变压器故障诊断精度,实现了换流变压器故障的在线诊断。
Description
技术领域
本发明属于特高压直流输电设备故障诊断技术领域,特别涉及一种基于三传感器推理的换流变压器故障在线诊断方法。
背景技术
特高压直流输电工程是我国重点建设的工程项目之一,随着直流输电线路的投运运行,直流设备的安全稳定运行被广泛提及,作为直流输电系统中的关键设备,换流变压器的正常运行关系着整个直流系统的稳定性。绝缘问题是换流变压器的主要故障原因,目前保证设备安全运行最有效的方法就是实现换流变压器的故障诊断,这对于及时发现问题,提前做出反应,避免严重经济损失,并保证设备正常运行有重要意义。
目前,应用于换流变压器故障诊断方法较少,多采用单一传感器在离线测量时进行放电数据的获取,进行故障诊断,因此该方法存在以下几个问题,首先,诊断精度不足,诊断结果不够丰富,不能全面反映换流变压器可能出现的故障情况;其次,诊断方法为离线方式,所以不能够及时发现故障问题,缺少换流变压器预警诊断的实时性。
发明内容
本发明的目的提出一种基于三传感器推理的故障诊断方法,其特征在于,所述在线诊断方法是首先使用目前在工程上能够实现在线检测仪作为三种传感器:特高频、宽带脉冲及暂态地电压(TEV)检测仪,得到换流变压器的在线数据;调用实测换流变压器的在线数据实现故障诊断,包括以下步骤:
1)从实测换流变压器的在线数据中提取有效放电信息;
2)三种传感器特征空间建立;
3)三种特征空间故障诊断结果;
4)三种故障诊断结果异同判断;
5)最终诊断结果输出。
所述步骤1有效放电信息提取是针对不同传感器分别选用不同的提取方式,特高频采用幅比聚类提取法,宽带脉冲采用时频联合提取法,TEV采用幅值参数提取法。
所述步骤2所建立的用于表征放电特点的特征空间分别为特高频特征空间,宽带特征空间及TEV特征空间,各特征空间包括基于图像的颜色矩、形状特征、纹理特征等可代表放电特性的元素属性:颜色矩为图像的基本视觉特征包括一阶矩、二阶矩和三阶矩:纹理特征采用灰度-梯度共生矩阵,是用灰度和梯度的综合信息提取纹理特征,其考虑的是像素灰度与边缘梯度的联合统计分布;形状特征用于描述图像的形状,采用Hu不变矩以及相对矩及Zernike矩,将三个传感器检测到的幅值相位信息转化为三色图,分别提取上述图像特征,形成特征矩阵。
所述步骤3通过分别调用传感器自有指纹库实现故障诊断结果输出,并且给出诊断概率。
所述步骤4对三种传感器诊断结果进行异同判断,再输入两个辅助边界条件:的同时,将三种情况分类输出;其中,输入两个辅助边界条件:条件1假定故障类型出现概率为等概率事件时,事件集合为Yj;条件2,三种传感器在给定故障类型时的正确识别概率P(Ei|Yj),其中Ei为假定故障类型;
异同判断结果是根据两个辅助边界条件判断结果分为3种情况包括:
1)三种传感器诊断的故障类型相同时,输出100%故障概率;
2)如果步骤4三个传感器诊断出的故障类型中有两种故障相同时,计算在此情况下这两种不同故障的出现概率Pyj,随后输出归一化后的概率;
3)如果三种故障诊断结果都不相同时,分别计算这种情况时三种故障出现的概率Pyj,并输出归一化结果
计算故障出现概率公式为:
其中,Pyj为故障类型的出现概率,P(E1,...,Ei)为i个传感器给出的故障类型的正确识别概率,P(E1,…,Ei)为i个传感器诊断故障类型同时出现的概率。
本发明的有益效果是实现换流变压器故障在线诊断,提高识别精度。
附图说明
图1基于三传感器的换流变压器故障在线诊断方法示意图。
具体实施方式
本发明提出一种基于三传感器推理的故障诊断方法。下面结合附图予以说明。
如图1所示,本发明是基于三传感器推理的换流变压器故障在线诊断方法,首先使用目前在工程上能够实现在线检测仪作为三种传感器:特高频、宽带脉冲及TEV检测仪,得到换流变压器的在线数据;该方法包括以下五个步骤:(1)从实测换流变压器的在线数据中提取有效放电信息,(2)三种传感器特征空间建立,(3)三种特征空间故障诊断结果,(4)三种故障诊断结果异同判断,(5)最终诊断结果输出。由于放电数据中不可避免的具有噪声信号,影响放电诊断,所以为了获得有效的放电数据,步骤(1)针对不同传感器分别选用不同的提取方式,特高频采用幅比聚类提取法,宽带脉冲采用时频联合提取法,TEV采用幅值参数提取法,放电数据提取的方法是通过多种方法对比而选取。步骤(2)所建立的特征空间分别为特高频特征空间,宽带特征空间及TEV特征空间。
各特征空间包括基于图像的颜色矩、形状特征、纹理特征等可代表放电特性的元素属性:
颜色矩为图像的基本视觉特征包括一阶矩、二阶矩和三阶矩:
式(2)~(4)中,pij是图像中(i,j)像素点的颜色分量,μi为第i行所有j个颜色分量的平均值,N为像素点个数。
纹理特征采用灰度-梯度共生矩阵,是用灰度和梯度的综合信息提取纹理特征,其考虑的是像素灰度与边缘梯度的联合统计分布,灰度-梯度共生矩阵为{Hij,i=0,1,...,L-1;j=0,1,...,Lg-1},其中,Lg为灰度级,Hij定义为集合{(x,y)|f(x,y)=i,G(x,y)=j}中元素的数目。将做归一化处理,得到利用灰度-梯度共生矩阵,可以定义常用的纹理特征统计量如表1所示。
表1图像纹理特征
表1所示每幅谱图的纹理特征为15个特征量:谱图形状特征描述与图像的形状,采用Hu不变矩、相对矩及Zernike矩:
1)Hu不变矩以及相对矩
假设f(x,y)为二值图像,表示形状区域,在区域范围内取“1”,其他地方取“0”。
图像的p+q阶矩定义为:
mpq=∫∫xpyqf(x,y)dxdy (p,q=0,1,2…) (5)
当图像发生平移变化时,mpq也将发生改变。为使mpq具有平移不变性,定义p+q阶中心矩为:
μpq=∫∫(x-x0)p(y-y0)qf(x,y)dxdy (p,q=0,1,2…) (6)
其中,(x0,y0)为形状区域的质心,其表达式如式(7)(8)所示。
组合二阶和三阶中心矩,可以得到7个对平移和旋转不变的据特征,表达式如式(9)~(15)所示。
η1=μ20+μ02 (9)
η2=(μ20-μ02)2+4μ11 2 (10)
η3=(μ30-3μ12)2+(3μ21-μ03)2 (11)
η4=(μ30+μ12)2+(μ21+μ03)2 (12)
η5=(μ30-3μ12)(μ30+μ12)[(μ30+μ12)2-3(μ21+μ03)2] (13)
+(3μ21-μ03)(μ21+μ03)[3(μ30+μ12)2-(μ21+μ03)2]
η6=(μ20-μ02)[(μ30+μ12)2-(μ21+μ03)2] (14)
+4μ11(μ30+μ12)(μ21+μ03)
η7=(3μ21-μ03)(μ30+μ12)[(μ30+μ12)2-3(μ21+μ03)2] (15)
-(μ30-3μ12)(μ21+μ03)[3(μ30+μ12)2-(μ21+μ03)2]
上述几种矩特征的的定义都不具有尺度不变性,因此,需要对μpqμ进行归一化处理。为了快速计算区域不变矩,Chen等人又提出了利用区域边界来计算区域矩的快速算法,其算法与前面提到Hu不变矩一致,只是在对μpq进行归一化处理时,采用公式(16)的算法:
其中,r=p+q+1,p+q=2,3,4…。由于r值的表示不同,这将导致计算区域和结构不变矩公式的不统一。为了得到适用于区域、封闭和不封闭的结构的统一的不变矩公式,可以用相对矩来描述形状特征,利用矩之间的比值去除比例因子μ00,从而使不变矩公式与面积或结构的比例缩放无关,而仅与几何形状有关。
相对矩提取图像形状特征的特征如表2所示。
表2相对矩的图像形状特征参数
2)Zernike矩
Zernike矩的思想与傅里叶变换的思想类似的,并且在计算Zernike矩时不用考虑边界的信息,从而更适用于描述复杂形状。复数Zernike矩是从Zernike多项式得到的,表达式如式(16)所示。
Vnm(x,y)=Vnm(ρcosθ,ρsinθ)=Rnm(ρ)exp(imθ) (17)
式中,ρ表示点(x,y)到图像形状质心的半径,θ为ρ与x轴的夹角,m代表的是重复度,n是Zernike矩的阶数,m、n均为整数,且(n-|m|)为正偶数。
Zernike多项式为单位圆内的一组完备的正交复数基。(n,m)阶复数Zernike矩定义式为式(18)所示,其中,f(x,y)为二值图像,*表示复数共轭。
在Zernike矩的基础上有人提出了伪Zernike矩的概念,它与Zernike矩的区别就在多项式公式的不同,伪Zernike矩的多项式公式如(19):
对于每一幅图像,其形状特征参数总共为25个,其中,采用相对矩方法提取的特征参数有10个,Zernike矩15个。
将三个传感器检测到的幅值相位信息转化为三色图,分别提取上述图像特征,形成特征矩阵。步骤(3)通过分别调用传感器自有指纹库实现故障诊断结果输出,并且给出诊断概率,诊断方法选用有基于图像特征故障诊断、基于谱图特征的故障诊断等。步骤(4)设计识别器,分别识别三种传感器的故障诊断结果,对三种传感器诊断结果进行异同判断,并将三种情况分类输出,另外为了进行下一步的推理过程,需要设定两个辅助边界条件:条件1假定故障类型出现概率为等概率事件时,事件集合为Yj,该条件事先假定各种故障出现的可能性是相同的;条件2,三种传感器在给定故障类型时的正确识别概率P(Ei|Yj),该概率为经验概率,是传感器本身对已知故障的识别正确率。步骤(5)根据步骤(4)的判断结果分为3种情况:
1)三种传感器诊断结果都为Y1时,输出100%故障概率Y1;
2)有两种故障相同时,例如E1=E2=Y2,E3=Y3,首先分别计算在此情况下这两种故障的出现概率:
其中,P(E1,E2|Y2)为故障事件Y2出现的条件下,故障类型E1,E2同时出现的概率;P(Y2)为等概率事件集合中故障事件Y2出现的概率;P(E1,E2)为故障类型事件中E1,E2同时出现的概率,P(E3)为E3出现的概率;
随后计算最终归化后的故障诊断输出结果及概率:
3)三种故障诊断结果都不相同时,分别计算这种情况时三种故障出现概率:
其中P(Ei|Yj)为故障事件Yj出现时故障类型为Ei的概率;P(Ei)为故障类型Ei为真时的概率;P(Yj)为等概率事件中故障事件Yj出现的先验概率。
最后输出最终归化后的诊断结果及概率:
Claims (5)
1.一种基于三传感器推理的换流变压器故障在线诊断方法,其特征在于,所述在线诊断方法是首先使用目前在工程上能够实现在线检测的检测仪作为三种传感器:特高频、宽带脉冲及暂态地电压TEV检测仪,得到换流变压器的在线数据;调用实测换流变压器的在线数据实现故障诊断,包括以下步骤:
1)从实测换流变压器的在线数据中提取有效放电信息;
2)三种传感器特征空间建立;
3)三种特征空间故障诊断结果;
4)三种故障诊断结果异同判断;
5)最终诊断结果输出。
2.根据权利要求1所述基于三传感器推理的换流变压器故障在线诊断方法,其特征在于所述步骤1)有效放电信息提取是针对不同传感器分别选用不同的提取方式,特高频采用幅比聚类提取法,宽带脉冲采用时频联合提取法,TEV采用幅值参数提取法。
3.根据权利要求1所述基于三传感器推理的换流变压器故障在线诊断方法,其特征在于所述步骤2)所建立的用于表征放电特点的特征空间分别为特高频特征空间,宽带特征空间及TEV特征空间,各特征空间包括基于图像的颜色矩、形状特征和纹理特征的代表放电特性的元素属性:
颜色矩为图像的基本视觉特征包括一阶矩、二阶矩和三阶矩;
纹理特征采用灰度-梯度共生矩阵,是用灰度和梯度的综合信息提取纹理特征,其考虑的是像素灰度与边缘梯度的联合统计分布;
形状特征用于描述图像的形状,采用Hu不变矩以及相对矩及Zernike矩,将三个传感器检测到的幅值相位信息转化为灰度图,分别提取上述图像特征,形成特征矩阵,构成特征空间。
4.根据权利要求1所述基于三传感器推理的换流变压器故障在线诊断方法,其特征在于所述步骤3)通过分别调用传感器自有指纹库实现故障诊断结果输出,并且给出诊断概率。
5.根据权利要求1所述基于三传感器推理的换流变压器故障在线诊断方法,其特征在于所述步骤4)对三种传感器诊断结果进行异同判断,再输入两个辅助边界条件的同时,将三种情况分类输出;其中,两个辅助边界条件包括:条件1假定故障类型出现概率为等概率事件时,事件集合为Yj;条件2,三种传感器在给定故障类型时,故障事件Yj出现时的故障类型Ei出现的概率P(Ei|Yj),其中Ei为假定故障类型;
异同判断结果根据两个辅助边界条件判断结果分为3种情况包括:
1)三种传感器诊断的故障类型相同时,输出100%故障概率;
2)如果步骤4)三个传感器诊断出的故障类型中有两种故障相同时,计算在此情况下这两种不同故障类型的出现概率Pyj,随后输出最终归一化后的故障诊断概率;
3)如果三种故障诊断结果都不相同时,分别计算这种情况时的三种故障类型出现概率Pyj,并输出归一化结果,其中,计算故障出现概率公式为:
其中,Pyj为故障类型的出现概率,P(E1,...,Ei|Yj)为故障事件Yj出现的条件下,故障类型(E1,…,Ei)同时出现的概率,该概率为经验概率,P(E1,…,Ei)为i个传感器故障类型同时出现的概率;其中i、j分别表示第几个传感器;i、j均为正整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410640672.9A CN104360190B (zh) | 2014-11-13 | 2014-11-13 | 基于三传感器推理的换流变压器故障在线诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410640672.9A CN104360190B (zh) | 2014-11-13 | 2014-11-13 | 基于三传感器推理的换流变压器故障在线诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104360190A CN104360190A (zh) | 2015-02-18 |
CN104360190B true CN104360190B (zh) | 2017-07-07 |
Family
ID=52527472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410640672.9A Active CN104360190B (zh) | 2014-11-13 | 2014-11-13 | 基于三传感器推理的换流变压器故障在线诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104360190B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106596754B (zh) * | 2016-11-22 | 2019-07-23 | 华北电力大学 | 油色谱传感器有效性的评估方法及装置 |
CN112508908B (zh) * | 2020-12-02 | 2021-07-16 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像处理动车组撒砂管接头断开故障检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101581745A (zh) * | 2009-05-21 | 2009-11-18 | 华北电力大学 | 变压器局部放电故障源的定位方法 |
CN102495320A (zh) * | 2011-12-21 | 2012-06-13 | 鞍钢集团矿业公司 | 变压器运行异常动态监测系统及在线监测方法 |
CN103163420A (zh) * | 2011-12-08 | 2013-06-19 | 沈阳工业大学 | 电力变压器智能在线状态评判方法 |
CN203838239U (zh) * | 2013-12-31 | 2014-09-17 | 温州市图盛科技有限公司 | 一种配电变压器监测装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100061309A (ko) * | 2008-11-27 | 2010-06-07 | 주식회사 태광이엔시 | 불량 절연애자 판별 장치 및 방법 |
-
2014
- 2014-11-13 CN CN201410640672.9A patent/CN104360190B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101581745A (zh) * | 2009-05-21 | 2009-11-18 | 华北电力大学 | 变压器局部放电故障源的定位方法 |
CN103163420A (zh) * | 2011-12-08 | 2013-06-19 | 沈阳工业大学 | 电力变压器智能在线状态评判方法 |
CN102495320A (zh) * | 2011-12-21 | 2012-06-13 | 鞍钢集团矿业公司 | 变压器运行异常动态监测系统及在线监测方法 |
CN203838239U (zh) * | 2013-12-31 | 2014-09-17 | 温州市图盛科技有限公司 | 一种配电变压器监测装置 |
Non-Patent Citations (4)
Title |
---|
PCA和KICA特征提取的变压器故障诊断模型;唐勇波 等;《高电压技术》;20140228;第40卷(第2期);第557-563页 * |
基于双空间特征提取的变压器故障诊断模型;唐勇波 等;《湖南大学学报(自然科学版)》;20131130;第40卷(第11期);第70-76页 * |
基于多分类相关向量机的变压器故障诊断新方法;尹金良 等;《电力系统保护与控制》;20130301;第41卷(第5期);第77-82页 * |
应用特征空间矢量进行变压器故障诊断;张建文 等;《高电压技术》;20001231;第26卷(第6期);第57-59页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104360190A (zh) | 2015-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gao et al. | A physically inspired data-driven model for electricity theft detection with smart meter data | |
Pashazadeh et al. | Data driven sensor and actuator fault detection and isolation in wind turbine using classifier fusion | |
Moradzadeh et al. | Hybrid CNN-LSTM approaches for identification of type and locations of transmission line faults | |
CN110907758B (zh) | 一种涵盖ct极性自修正的小电流接地故障选线方法 | |
WO2011034805A1 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
CN113485302B (zh) | 基于多元时序数据的车辆运行过程故障诊断方法及系统 | |
Bian et al. | Degradation state mining and identification for railway point machines | |
Yan et al. | Fault diagnosis of rotating machinery equipped with multiple sensors using space-time fragments | |
Qu et al. | Deep convolution neural network based fault detection and identification for modular multilevel converters | |
CN104360190B (zh) | 基于三传感器推理的换流变压器故障在线诊断方法 | |
CN103699117B (zh) | 基于核电厂真实工况与仿真系统的故障诊断方法及系统 | |
CN109188502A (zh) | 一种基于自编码器的束流位置监测器异常检测方法及装置 | |
CN104076813A (zh) | 基于贝叶斯决策树的tcas系统故障综合诊断方法和系统 | |
CN103823158B (zh) | 采用不变矩的谐振接地系统故障选线方法 | |
CN113610119B (zh) | 基于卷积神经网络识别输电线路发展性故障的方法 | |
Li et al. | Intelligent fault diagnosis of aeroengine sensors using improved pattern gradient spectrum entropy | |
Jiao et al. | Partly interpretable transformer through binary arborescent filter for intelligent bearing fault diagnosis | |
CN106093626A (zh) | 一种用于诊断crh5型高铁逆变器的微小故障的方法 | |
CN108761263A (zh) | 一种基于证据理论的故障诊断系统 | |
Chudasama et al. | Induction motor relaying scheme for external faults detection and classification using subtractive clustering based sugeno fuzzy inference system | |
CN110488149A (zh) | 基于小波求和极限学习机sw-elm的输电线路短路故障分类与定位方法 | |
CN104980442A (zh) | 一种基于元样本稀疏表示的网络入侵检测方法 | |
Fahim et al. | An agreement based dynamic routing method for fault diagnosis in power network with enhanced noise immunity | |
CN111506045A (zh) | 一种基于单值中智集相关系数的故障诊断方法 | |
WO2019222152A1 (en) | Online fault localization in industrial processes without utilizing a dynamic system model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |