CN104849633B - 一种开关柜局部放电模式识别方法 - Google Patents
一种开关柜局部放电模式识别方法 Download PDFInfo
- Publication number
- CN104849633B CN104849633B CN201510250892.5A CN201510250892A CN104849633B CN 104849633 B CN104849633 B CN 104849633B CN 201510250892 A CN201510250892 A CN 201510250892A CN 104849633 B CN104849633 B CN 104849633B
- Authority
- CN
- China
- Prior art keywords
- discharge
- partial discharge
- phi
- diagram
- type
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012706 support-vector machine Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000010586 diagram Methods 0.000 claims description 59
- 238000012545 processing Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 4
- 239000000725 suspension Substances 0.000 claims description 3
- 238000007796 conventional method Methods 0.000 abstract 1
- 238000009413 insulation Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
Landscapes
- Testing Relating To Insulation (AREA)
Abstract
一种开关柜局部放电模式识别方法,所述方法首先建立典型局部放电模型,通过加压试验获取各模型的局部放电信号;然后根据得到的局部放电信号绘制局部放电的φ‑q图或φ‑n图,并从图中提取各类典型局部放电的统计特征参数;再以各类典型局部放电的统计特征参数作为初始训练样本对支持向量机分类器进行训练;最后用训练好的支持向量机分类器对开关柜局部放电模式进行识别。本发明利用支持向量机分类器识别开关柜的局部放电模式,支持向量机具有良好的泛化能力,而且对于小样本识别有良好的识别率,能较好地解决局部极小化、过学习和欠学习等问题。与传统方法相比,该方法不仅操作简单,耗时短,准确度高,而且有较好的鲁棒性。
Description
技术领域
本发明涉及一种能够准确识别开关柜内局部放电模式的方法,属开关技术领域。
背景技术
高压开关柜是电力系统中的关键设备,在开关柜运行过程中,其零部件会逐渐老化,导致绝缘强度降低,进而引起局部电场强度的增强,当某处的电场强度大于其击穿场强时,就会引起局部放电。统计表明,因局部放电缺陷造成的开关柜事故占到了相当大比率,因此,对开关柜的局部放电进行有效监测就显得尤为重要。
开关柜内的局部放电有多种类型,不同类型的局部放电所表现出来的特征有所不同,对开关柜稳定运行的影响程度也各不相同。而对局部放电模式进行有效识别,是准确评估开关柜局部放电的危害程度和选择正确处理方案的前提。
目前广泛使用的局部放电模式识别方法是人工神经网络法,该方法反应的是大样本数据的统计特征,但由于实际样本数据有限,神经网络法在应用中存在明显缺陷:网络结构需要事先制定或应用启发算法在训练过程中修正,而这些启发算法难以保证网络结构的最优化,网络易陷入局部最小化而无法得到最优解等。因此,寻找一种能够有效识别开关柜内局部放电模式的方法是十分必要的。
发明内容
本发明的目的在于针对现有技术之弊端,提供一种开关柜局部放电模式识别方法,为准确评估开关柜局部放电的危害程度和选择正确处理方案提供可靠依据。
本发明所述问题是以下述技术方案解决的:
一种开关柜局部放电模式识别方法,所述方法首先建立典型局部放电模型,通过加压试验获取各模型的局部放电信号;然后根据得到的局部放电信号绘制局部放电的φ-q图或φ-n图,并从图中提取各类典型局部放电的统计特征参数;再以各类典型局部放电的统计特征参数作为初始训练样本对支持向量机分类器进行训练;最后用训练好的支持向量机分类器对开关柜局部放电模式进行识别。
上述开关柜局部放电模式识别方法,所述方法包括以下步骤:
a. 建立典型局部放电模型,对各典型局部放电模型进行加压试验,采集多个周期的局部放电信号;
b. 根据采集的局部放电信号中每个周期的放电次数n及每次放电的放电相角φ和视在电荷量q,绘制局部放电的φ-q图或φ-n图;
c.从局部放电的φ-q图或φ-n图中提取各典型局部放电的统计特征参数,所述统计特征参数包括偏斜度、陡峭度和相关系数,它们的定义分别为:
其中,表示半周期内相窗数,表示在第个相位窗中出现的概率(为第i个相窗的放电重复率),为正半周第个相位窗的平均放电量,为负半周第个相位窗的平均放电量,为φ-q图中第i个相窗的视在放电量或φ-n图中第i个相窗的放电次数,为φ-q图中q的均值或φ-n图中n的均值,为φ-q图中q的标准差或φ-n图中n的标准差;
d. 采用二叉树法设计支持向量机(SVM)分类器;
e. 以各类典型局部放电的统计特征参数作为初始训练样本对支持向量机分类器进行训练,得到训练后的分类器模型;
f.采用训练后的支持向量机分类器模型对开关柜进行监测及局部放电模式的识别。
上述开关柜局部放电模式识别方法,所述典型局部放电模型有四种,分别为针板放电,内部放电,沿面放电和悬浮放电。
上述开关柜局部放电模式识别方法,提取各典型局部放电的统计特征参数时,应对特征参数进行归一化处理,处理式为:
,
式中y表示各特征参数归一化后的数值,x表示待归一化的数值,xmin表示待归一化的参数序列中的最小值,xmax表示待归一化的参数序列中的最大值。
上述开关柜局部放电模式识别方法,绘制局部放电的φ-q图或φ-n图时,首先根据采集的局部放电信号中每个周期的放电次数n及每次放电的放电相角φ和视在电荷量q,构建局部放电的三维PRPD图,然后将三维PRPD图映射到二维面,得到φ-n图或者φ-q图。
上述开关柜局部放电模式识别方法,为了消除噪声干扰,应对采集到的局部放电信号进行滤波降噪处理。
本发明利用支持向量机分类器对开关柜的局部放电模式进行识别,支持向量机具有良好的泛化能力,而且对于小样本识别有良好的识别率,能较好地解决局部极小化、过学习和欠学习等问题。与传统的人工神经网络法相比,该方法不仅操作简单,耗时短,准确度高,而且具有较好的鲁棒性。
附图说明
下面结合附图对本发明作进一步说明。
图1为本发明的开关柜局部放电模式识别流程图;
图2为本发明所述的采用二叉树法进行的多类分类法;
图3为检测到的四种典型局部放电信号的波形图(横轴为时间);
图4a-图4d为四种典型局部放电信号的三维PRPD图;
图5a-图5d为四种典型局部放电信号的二维的φ-q图;
图6a-图6e为特征量分布图。
文中各符号为:为偏斜度,为陡峭度,为相关系数,为半周期内相窗数,为在第个相位窗中出现的概率,为正半周第个相位窗的平均放电量,为负半周第个相位窗的平均放电量,为φ-q图中第i个相窗的视在放电量或φ-n图中第i个相窗的放电次数,为φ-q图中q的均值或φ-n图中n的均值,为φ-q图中q的标准差或φ-n图中n的标准差,y表示各特征参数归一化后的数值,x表示待归一化的数值,xmin表示待归一化的参数序列中的最小值,xmax表示待归一化的参数序列中的最大值。
具体实施方式
本发明提供了一种开关柜局部放电模式识别方法,实践表明,本方法对局部放电的模式识别有较高的准确率,对开关柜的安全运行起到了积极作用。
本发明的具体处理步骤如下:
(1)建立典型局部放电模型,所述典型局部放电模型有四种,分别模拟针板放电、内部放电、沿面放电、悬浮放电,对每一种局部放电模型进行加压,利用局部放电监测装置采集50个工频周期的放电信号,滤除噪音杂波,四种典型局部放电信号的波形如图3所示;
(2)根据采集的局部放电信号绘制局部放电的φ-q图或φ-n图。首先构建三维PRPD局部放电图谱,具体方法为:从采集的原始信号(V-t信号)中获取每周期放电次数n、每次放电的视在电荷量q和放电相角φ,其中,放电相角φ根据时间来确定,视在放电量q需要结合试验进行标定(即确定监测到的电压与视在放电量的对应关系),放电次数n根据试验得到的结论来确定,例如在10kV的电压等级下,采集到的信号大于5V即可认为是一次放电。然后根据获取的数据绘制局部放电的φ-q图或φ-n图,绘制局部放电的φ-q图或φ-n图时,可以先构建局部放电的三维PRPD图,然后将三维PRPD图映射到二维面,得到φ-n图或者φ-q图。
(3)从局部放电的φ-q图或φ-n图中提取各典型局部放电的统计特征参数。φ-q图和φ-n图的图形状相似,取任意一个二维图即可,本例中选择φ-q图进行特征量的提取。提取的统计特征参数包括偏斜度、陡峭度和相关系数。这些特征参数构成支持向量机分类器的初始训练样本。
偏斜度描述的是随机变量的概率分布相对于正态分布的偏斜程度,其定义为
式(1)中表示半周期内相窗数,表示在第个相位窗中出现的概率。
特别地,当时,表示图形左右对称;当时表示重尾在右侧,该分布为右偏,偏斜度小于0时表示重尾在左侧,该分布为左偏。
陡峭度描述的是随机变量的概率分布与正态分布陡峭程度的比较,其定义为
式(2)中各量的定义与偏斜度相同。
一般情况下绝缘中气隙的形状是扁平的或分散的小气隙,偏斜度为正;绝缘中的厂气隙产生树枝状的放电时,偏斜度一般为零或者负。当绝缘中的放电点只有一个时,陡峭度一般为正;如果绝缘中有多处放电或者树枝状的放电,则陡峭度为零或者负。
相关系数可以描述放电波形的正负半周的波形的相似程度,其定义为:
式(3)中为正半周第个相位窗的平均放电量,为负半周第个相位窗的平均放电量。
当相关系数接近于1时,放电波形的正负半周较为相近,当相关系数接近于0时,则放电波形的正负半周相差较大。根据以上的统计参数,考虑到波形正负半周分别有对应的偏斜度和陡峭度,可提取的局部放电特征参数有:(正半周偏斜度) 、(负半周偏斜度)、(正半周陡峭度)、(负半周陡峭度)、。
考虑到试验条件下不同类型局部放电所加电压幅值等因素略有不同,应对所提取到的局部放电特征量进行归一化处理,处理公式如式(4)所示:
式中y表示各特征参数归一化后的数值,x表示待归一化的数值,xmin表示待归一化的参数序列中的最小值,xmax表示待归一化的参数序列中的最大值。
(4)针对本发明所涉及的多分类问题,采用二叉树法设计支持向量机分类器,k个类别的样本需要构建个分类器;
(5)选定合适的参数后训练支持向量机分类器,得到训练后的分类器模型;
(6)采用训练后的支持向量机分类器对待监测的设备进行监测及故障类型模式识别。
如图2所示,采用二叉树法对四种模式进行分类时,先将待识别类型与类型1和类型4比较,之后归入包含类型1、类型2、类型3的大类和包括类型2、类型3、类型4的大类,之后再与大类中的两个子类型比较,依此类推直至选出匹配的类型。
本发明在区分这四种放电类型时,可以对比一下图6的4个图,即特征量提取的图,可以发现每一种类型放电的这几个特征量的分布不是完全相同的,比如6(a),可以明显区分出内部放电和悬浮放电,但是针板放电和沿面放电的差别不明显,但是结合6(e)即,即可区分针板放电与沿面放电。
为了更加准确的区分这几种放电,需要考察5个特征量来进行区分,为此,本发明根据局部放电模型试验与模型的试验数据处理得到了各类放电模型的标准特征值范围表,所述标准特征值范围表如下所示。将待识别放电的特征值与下表中的哪种类型越贴近,则隶属于哪种放电。
放电类型 特征值数值
测试表明,本发明与传统的基于人工神经网络的模式识别方法相比,具有较高的准确度,且耗时短,具有很好的应用价值。
Claims (3)
1.一种开关柜局部放电模式识别方法,其特征是,所述方法首先建立典型局部放电模型,通过加压试验获取各模型的局部放电信号;然后根据得到的局部放电信号绘制局部放电的φ-q图或φ-n图,并从图中提取各类典型局部放电的统计特征参数;再以各类典型局部放电的统计特征参数作为初始训练样本对支持向量机分类器进行训练;最后用训练好的支持向量机分类器对开关柜局部放电模式进行识别;
所述方法包括以下步骤:
a.建立典型局部放电模型,对各典型局部放电模型进行加压试验,采集多个周期的局部放电信号;
b.根据采集的局部放电信号中每个周期的放电次数n及每次放电的放电相角φ和视在电荷量q,绘制局部放电的φ-q图或φ-n图;
c.从局部放电的φ-q图或φ-n图中提取各典型局部放电的统计特征参数,所述统计特征参数包括偏斜度Sk、陡峭度Ku和相关系数CC,它们的定义分别为:
其中,W表示半周期内相窗数,pi表示xi在第i个相位窗中出现的概率(xi为第i个相窗的放电重复率),为正半周第i个相位窗的平均放电量,为负半周第i个相位窗的平均放电量,为φ-q图中第i个相窗的视在放电量或φ-n图中第i个相窗的放电次数,μ为φ-q图中q的均值或φ-n图中n的均值,σ为φ-q图中q的标准差或φ-n图中n的标准差;
d.采用二叉树法设计支持向量机(SVM)分类器;
e.以各类典型局部放电的统计特征参数作为初始训练样本对支持向量机分类器进行训练,得到训练后的分类器模型;
f.采用训练后的支持向量机分类器模型对开关柜进行监测及局部放电模式的识别;
所述典型局部放电模型有四种,分别为针板放电,内部放电,沿面放电和悬浮放电;
分类时,先将待识别类型与类型1和类型4比较,之后归入包含类型1、类型2、类型3的大类和包括类型2、类型3、类型4的大类,之后再与大类中的两个子类型比较,依此类推直至选出匹配的类型;
放电类型和特征值数值关系如下:
提取各典型局部放电的统计特征参数时,应对特征参数进行归一化处理,处理公式为:
式中,y表示各特征参数归一化后的数值,x表示待归一化的数值,xmin表示待归一化的参数序列中的最小值,xmax表示待归一化的参数序列中的最大值。
2.根据权利要求1所述的一种开关柜局部放电模式识别方法,其特征是,绘制局部放电的φ-q图或φ-n图时,首先根据采集的局部放电信号中每个周期的放电次数n及每次放电的放电相角φ和视在电荷量q,构建局部放电的三维PRPD图,然后将三维PRPD图映射到二维面,得到φ-n图或者φ-q图。
3.根据权利要求2所述的一种开关柜局部放电模式识别方法,其特征是,为了消除噪声干扰,应对采集到的局部放电信号进行滤波降噪处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510250892.5A CN104849633B (zh) | 2015-05-15 | 2015-05-15 | 一种开关柜局部放电模式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510250892.5A CN104849633B (zh) | 2015-05-15 | 2015-05-15 | 一种开关柜局部放电模式识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104849633A CN104849633A (zh) | 2015-08-19 |
CN104849633B true CN104849633B (zh) | 2018-10-16 |
Family
ID=53849420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510250892.5A Active CN104849633B (zh) | 2015-05-15 | 2015-05-15 | 一种开关柜局部放电模式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104849633B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440497B (zh) * | 2013-08-13 | 2016-12-07 | 上海交通大学 | 一种gis绝缘缺陷局部放电图谱模式识别方法 |
CN106814290B (zh) * | 2015-12-02 | 2019-11-08 | 中国电力科学研究院 | 一种10kV开关柜状态检测方法 |
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 |
CN107238782A (zh) * | 2017-05-10 | 2017-10-10 | 西安热工研究院有限公司 | 一种基于特征相位的多种局部放电混合信号分离方法 |
CN107505541B (zh) * | 2017-06-26 | 2019-11-01 | 广西电网有限责任公司电力科学研究院 | 一种变压器局部放电的模式识别方法 |
CN107728028A (zh) * | 2017-11-07 | 2018-02-23 | 武汉大学 | 基于单类支持向量机的gis局部放电故障判别方法 |
CN107944349A (zh) * | 2017-11-07 | 2018-04-20 | 武汉大学 | 基于粒子群‑支持向量机的gis局部放电类型模式识别方法 |
CN109142997A (zh) * | 2018-08-31 | 2019-01-04 | 国网河北省电力有限公司沧州供电分公司 | 开关柜检测系统及方法 |
CN110879340A (zh) * | 2019-12-06 | 2020-03-13 | 深圳供电局有限公司 | 局部放电识别方法、装置、计算机设备和存储介质 |
CN111476093A (zh) * | 2020-03-06 | 2020-07-31 | 国网江西省电力有限公司电力科学研究院 | 一种电缆终端局部放电模式识别方法及系统 |
CN111537853A (zh) * | 2020-06-29 | 2020-08-14 | 国网山东省电力公司菏泽供电公司 | 基于多源异构数据分析的开关柜局部放电智能检测方法 |
CN111999614A (zh) * | 2020-08-21 | 2020-11-27 | 国网河南省电力公司周口供电公司 | 一种面向高压开关柜的局部放电多源融合检测预警方法 |
CN112214851B (zh) * | 2020-09-29 | 2022-06-07 | 国网福建省电力有限公司 | 基于支持向量机和遗传算法的开关柜电场预测与优化方法 |
CN112684311B (zh) * | 2021-01-30 | 2023-04-07 | 国网上海市电力公司 | 用于变压器油纸绝缘局部放电类型识别的特征量提取方法 |
CN113064032B (zh) * | 2021-03-26 | 2022-08-02 | 云南电网有限责任公司电力科学研究院 | 一种基于图谱特征和信息融合的局部放电模式识别方法 |
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 |
CN117312925B (zh) * | 2023-11-24 | 2024-03-01 | 浙江大学 | 一种基于改进aft算法优化bp神经网络的开关柜三合一局放模式识别方法 |
CN117708685B (zh) * | 2024-02-05 | 2024-06-04 | 国网江西省电力有限公司电力科学研究院 | 一种开关柜潜伏性局放缺陷识别方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103076547A (zh) * | 2013-01-24 | 2013-05-01 | 安徽省电力公司亳州供电公司 | 基于支持向量机的gis局部放电故障类型模式识别方法 |
CN103336226A (zh) * | 2013-05-08 | 2013-10-02 | 清华大学 | 一种气体绝缘变电站中多种局部放电源类型的辨识方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4663846B2 (ja) * | 2000-04-24 | 2011-04-06 | 財団法人東北電気保安協会 | パターン認識型部分放電検知器 |
JP3861736B2 (ja) * | 2002-04-16 | 2006-12-20 | 株式会社日立製作所 | ガス絶縁機器の部分放電診断装置 |
-
2015
- 2015-05-15 CN CN201510250892.5A patent/CN104849633B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103076547A (zh) * | 2013-01-24 | 2013-05-01 | 安徽省电力公司亳州供电公司 | 基于支持向量机的gis局部放电故障类型模式识别方法 |
CN103336226A (zh) * | 2013-05-08 | 2013-10-02 | 清华大学 | 一种气体绝缘变电站中多种局部放电源类型的辨识方法 |
Non-Patent Citations (4)
Title |
---|
GIS典型缺陷的局部放电超高频检测及模式识别;韩磊等;《内蒙古电力技术》;20150228;第33卷(第1期);第2-4节 * |
基于主动学习SVM的变压器局部放电模式识别;尚海昆等;《华北电力大学学报》;20130731;第40卷(第4期);27-31、106 * |
基于统计特征参数与相关向量机的变压器局部放电类型识别;尚海昆等;《电测与仪表》;20140310;第51卷(第5期);第2-3节 * |
统计特征参数及多分类SVM的局部放电类型识别;禇鑫等;《电测与仪表》;20150410;第52卷(第7期);35-39、96 * |
Also Published As
Publication number | Publication date |
---|---|
CN104849633A (zh) | 2015-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104849633B (zh) | 一种开关柜局部放电模式识别方法 | |
Chan et al. | Time-frequency sparsity map on automatic partial discharge sources separation for power transformer condition assessment | |
CN103076547B (zh) | 基于支持向量机的gis局部放电故障类型模式识别方法 | |
CN108957251B (zh) | 一种电缆接头局部放电模式识别方法 | |
Dudczyk | A method of feature selection in the aspect of specific identification of radar signals | |
Seo et al. | Probabilistic wavelet transform for partial discharge measurement of transformer | |
CN111967338B (zh) | 基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法和系统 | |
CN108229382A (zh) | 振动信号特征提取方法、装置、存储介质和计算机设备 | |
CN109188211B (zh) | 一种高压设备绝缘故障诊断方法和系统 | |
CN104155585A (zh) | 基于gk模糊聚类的gis局部放电类型识别方法 | |
CN106291275A (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 | |
Mustafa et al. | Illumination normalization of non-uniform images based on double mean filtering | |
Xue et al. | Application of feature extraction method based on 2D—LPEWT in cable partial discharge analysis | |
CN116167010B (zh) | 具有智能迁移学习能力的电力系统异常事件快速识别方法 | |
Nguyen et al. | Human age estimation based on multi-level local binary pattern and regression method | |
Malik et al. | Automatic threshold optimization in nonlinear energy operator based spike detection | |
CN108508297A (zh) | 一种基于突变系数和svm的故障电弧检测方法 | |
CN103528820B (zh) | 一种基于距离评估因子势能函数的滚动轴承故障诊断方法 | |
Kumar et al. | Classification of power quality events using support vector machine and S-Transform | |
CN113283474A (zh) | 一种基于svm的局部放电模式识别方法 | |
Li et al. | Power supply quality analysis using S-transform and SVM classifier | |
CN112634945A (zh) | 一种基于云平台的智能漏水声识别方法 | |
CN115186772B (zh) | 一种电力设备的局部放电的检测方法、装置及设备 | |
Seo et al. | A novel signal extraction technique for online partial discharge (PD) measurement of transformers | |
Anjum et al. | Classification of defects in ceramic insulators using partial discharge signatures extracted from radio frequency (RF) signals |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |