CN107703418B - 基于多径向基神经网络的局部放电定位误差补偿方法 - Google Patents
基于多径向基神经网络的局部放电定位误差补偿方法 Download PDFInfo
- Publication number
- CN107703418B CN107703418B CN201710766017.1A CN201710766017A CN107703418B CN 107703418 B CN107703418 B CN 107703418B CN 201710766017 A CN201710766017 A CN 201710766017A CN 107703418 B CN107703418 B CN 107703418B
- Authority
- CN
- China
- Prior art keywords
- time delay
- delay value
- radial base
- electric discharge
- base neural
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种基于多径向基神经网络的局部放电定位误差补偿方法,其包括步骤:(1)划分空间区域;(2)采集样本局部放电信号,计算样本时延值;(3)计算理论时延值;(4)训练第一径向基神经网络;(5)补偿样本时延值的误差,输出相应的修正样本时延值;(6)计算相应的修正样本放电源位置;(7)训练第二径向基神经网络;(8)采集放电源位置待定的局部放电信号,计算相应的初步时延值和初步放电源位置;(9)补偿初步时延值的误差,输出相应的修正时延值;(10)计算相应的初次修正放电源位置;(11)补偿初次修正放电源位置的误差,输出相应的最终修正放电源位置。本发明能补偿时延的计算误差和定位误差,提高定位精准度。
Description
技术领域
本发明涉及电力设备监控领域,尤其涉及一种基于多径向基神经网络的局部放电定位误差补偿方法及基于多径向基神经网络的局部放电定位系统。
背景技术
电力行业中电力设备的安全稳定运行极为重要,局部放电(Partial Discharge,PD)作为电力设备绝缘劣化的一种形式,有可能造成设备的进一步劣化甚至绝缘击穿。因此,对局部放电的早期定位非常重要。对局部放电的放电源位置进行定位,可以及时地发现电力设备的故障位置,提高检修的效率,有效避免重大事故的发生,并且可以有效节约人力成本,因此局部放电的准确定位有重大意义。
基于特高频(UHF)信号时差的局部放电定位方法通过计算超高频信号的时差进行局放定位,有较强的抗干扰性和较高的灵敏性;然而由于定位误差较大,还未能在变电站中广泛应用。基于特高频信号的定位法是通过若干传感器分别采集放电源发出的特高频局部放电信号,基于时延算法计算各个传感器接收到的特高频局部放电信号之间的时延值,然后基于时延值确定放电源位置坐标,因此时延值的计算准确度将大大影响到局部放电的定位准确度。
基于特高频信号的局部放电定位近年来已被科研工作者们深入研究,涌现出了很多计算特高频信号时差的方法,如典型的相关估计法、阈值法和能量积累法等。根据时差法的局部放电定位方程可知,局部放电定位的精度取决于特高频信号时差的计算精度,若要求定位精度为1米,则时差的计算误差需在10纳秒以内,大部分时差计算算法难以达到如此高的精度要求,因此无法进一步提高局部放电源位置定位的精准度。
发明内容
本发明的目的之一是提供一种基于多径向基神经网络的局部放电定位误差补偿方法,其能够补偿局部放电定位误差,提高定位精准度。
基于上述目的,本发明提供了一种基于多径向基神经网络的局部放电定位误差补偿方法,其包括步骤:
(1)将局部放电信号测量范围内的空间划分为多个空间区域;
(2)采集分布在所述多个空间区域内的放电源位置已知的若干样本局部放电信号,基于时延算法计算相应的样本时延值;
(3)基于所述已知的放电源位置计算所述若干样本局部放电信号的理论时延值;
(4)分别对应所述多个空间区域训练多个第一径向基神经网络,其中每个第一径向基神经网络以其对应的空间区域相应的所述样本时延值为样本输入,以其对应的空间区域相应的所述理论时延值为期望输出进行训练;
(5)每个第一径向基神经网络以其对应的空间区域相应的所述样本时延值为输入,所述第一径向基神经网络补偿所述样本时延值的误差,输出相应的修正样本时延值;
(6)基于所述修正样本时延值计算相应的修正样本放电源位置;
(7)分别对应所述多个空间区域训练多个第二径向基神经网络,其中每个第二径向基神经网络以其对应的空间区域相应的修正样本放电源位置为样本输入,以其对应的空间区域相应的所述已知的放电源位置为期望输出进行训练;
(8)采集放电源位置待定的局部放电信号,基于时延算法计算相应的初步时延值,并基于该初步时延值计算相应的初步放电源位置;
(9)将所述初步时延值输入所述初步放电源位置对应的所述第一径向基神经网络,所述第一径向基神经网络补偿所述初步时延值的误差,输出修正时延值;
(10)基于所述修正时延值计算相应的初次修正放电源位置;
(11)将所述初次修正放电源位置输入所述初步放电源位置对应的所述第二径向基神经网络,所述第二径向基神经网络补偿所述初次修正放电源位置的误差,输出最终修正放电源位置。
本发明所述的基于多径向基神经网络的局部放电定位误差补偿方法,其采用与现有技术中的对时延算法作进一步改进完全不同的构思,即利用径向基神经网络分两级分别学习并模拟局部放电信号的时延计算和定位误差分布,构建时延误差和定位误差补偿曲面,通过神经网络补偿初步时延值和初次修正放电源位置的误差,从而提高定位精准度。此外,本发明还将局部放电信号测量范围内的空间划分为多个空间区域,针对每个空间区域单独训练相应的神经网络。
所述步骤(9)和(11)中,本方法可以基于已有的定位系统进行误差补偿,对于空间中的局部放电,定位系统首先计算出初步的定位结果,并根据该初步的定位结果选择相应空间区域对应的神经网络进行误差补偿。
所述径向基(RBF)神经网络能够全局无限逼近非线性误差函数,并且网络结构简单,高度容错,训练快速易行,非常适合应用于数据误差修正。局部放电信号时差值的误差是复杂的非线性函数,径向基神经网络是一种前向网络,能够以任意精度拟合非线性函数;与BP神经网络相比,不会陷入拟合到局部最优解的问题;同时由于径向基神经网络结构紧凑,易于构造,训练速度块,更适合在工程实践中应用。
本发明所述的基于多径向基神经网络的局部放电定位误差补偿方法可以用于基于多径向基神经网络的局部放电定位系统的定位计算,从而提高基于多径向基神经网络的局部放电定位系统的定位精准度。
进一步地,本发明所述的基于多径向基神经网络的局部放电定位误差补偿方法中,所述时延算法包括阈值法、能量积累法、相关估计法、双谱估计算法、高阶统计量法以及插值相关法中的至少其中之一。
进一步地,本发明所述的基于多径向基神经网络的局部放电定位误差补偿方法中,通过固定位于不同位置的若干传感器采集局部放电信号。
更进一步地,上述基于多径向基神经网络的局部放电定位误差补偿方法中,所述若干传感器的数量为四个。
更进一步地,上述基于多径向基神经网络的局部放电定位误差补偿方法中,所述第一径向基神经网络的输入节点个数为4,输出节点个数为4。
上述方案中,通常在四个传感器的两两组合中选择四种组合,该四种组合对应同一个放电源的四个时延值以四维向量的形式表述。由于时延值为四维向量,因此所述第一径向基神经网络的输入节点和输出节点个数均为4。
更进一步地,上述基于多径向基神经网络的局部放电定位误差补偿方法中,所述第二径向基神经网络的输入节点个数为2,输出节点个数为2。
上述方案中,通常定位结果以距离和角度构成的二维向量的形式表述。由于定位结果为二维向量,因此所述第二径向基神经网络的输入节点和输出节点个数均为2。
进一步地,本发明所述的基于多径向基神经网络的局部放电定位误差补偿方法中,所述第一径向基神经网络和/或所述第二径向基神经网络的隐层神经元个数确定方法为:从1开始依次增加1,每次增加后计算神经网络训练误差,当训练误差满足要求或隐层神经元个数达到输入数据个数时停止增加。
进一步地,本发明所述的基于多径向基神经网络的局部放电定位误差补偿方法中,所述径向基神经网络的基函数为高斯基函数。
更进一步地,上述基于多径向基神经网络的局部放电定位误差补偿方法中,利用K-Means聚类方法求取高斯基函数中心和高斯基函数中心点宽度。
本发明的另一目的是提供一种基于多径向基神经网络的局部放电定位系统,其能够提高局部放电定位精准度。
基于上述目的,本发明提供了一种基于多径向基神经网络的局部放电定位系统,其基于时延值确定局部放电信号的放电源位置,采用上述任一方法对初步时延值的误差和初次修正放电源位置的误差进行补偿,所述系统包括依次连接的传感器、数据处理单元、数据分析单元,其中:
所述数据分析单元将局部放电信号测量范围内的空间划分为多个空间区域;
所述传感器采集分布在所述多个空间区域内的放电源位置已知的若干样本局部放电信号,所述数据分析单元通过数据处理单元接收来自所述传感器的信号数据,并基于时延算法计算相应的样本时延值;
所述数据分析单元基于所述已知的放电源位置计算所述若干样本局部放电信号的理论时延值;
所述数据分析单元分别对应所述多个空间区域训练多个第一径向基神经网络,其中每个第一径向基神经网络以其对应的空间区域相应的所述样本时延值为样本输入,以其对应的空间区域相应的所述理论时延值为期望输出进行训练;
所述数据分析单元中每个第一径向基神经网络以其对应的空间区域相应的所述样本时延值为输入,所述第一径向基神经网络补偿所述样本时延值的误差,输出相应的修正样本时延值;
所述数据分析单元基于所述修正样本时延值计算相应的修正样本放电源位置;
所述数据分析单元分别对应所述多个空间区域训练多个第二径向基神经网络,其中每个第二径向基神经网络以其对应的空间区域相应的修正样本放电源位置为样本输入,以其对应的空间区域相应的所述已知的放电源位置为期望输出进行训练;
所述传感器采集放电源位置待定的局部放电信号,所述数据分析单元通过数据处理单元接收来自所述传感器的信号数据,所述数据分析单元基于时延算法计算相应的初步时延值,并基于该初步时延值计算相应的初步放电源位置;
所述数据分析单元将所述初步时延值输入所述初步放电源位置对应的所述第一径向基神经网络,所述第一径向基神经网络补偿所述初步时延值的误差,输出修正时延值;
所述数据分析单元基于所述修正时延值计算相应的初次修正放电源位置;
所述数据分析单元将所述初次修正放电源位置输入所述初步放电源位置对应的所述第二径向基神经网络,所述第二径向基神经网络补偿所述初次修正放电源位置的误差,输出最终修正放电源位置。
本发明所述的基于多径向基神经网络的局部放电定位系统,由于其采用上述方法对初步时延值的误差和初次修正放电源位置的误差进行补偿,因此可以提高基于多径向基神经网络的局部放电定位系统的定位精准度。具体原理前已描述,在此不再赘述。
本发明所述的基于多径向基神经网络的局部放电定位误差补偿方法,其具有以下优点和有益效果:
1)可以显著提高局部放电时延计算所得时延值的准确度和精确度。
2)可以用于基于多径向基神经网络的局部放电定位系统的时延值计算和定位计算,从而提高基于多径向基神经网络的局部放电定位系统的时延值精准度和定位精准度。
3)可应用于电力变电站设备绝缘维护及在线监测领域。
本发明所述的基于多径向基神经网络的局部放电定位系统,其具有以下优点和有益效果:
1)可以显著提高局部放电定位的准确度和精确度。
2)硬件资源消耗较小。
3)可应用于电力变电站设备绝缘维护及在线监测领域。
4)可以及时地发现电力设备的故障位置,提高检修的效率,有效避免重大事故的发生,并且可以有效节约人力成本。
附图说明
图1为本发明所述的基于多径向基神经网络的局部放电定位误差补偿方法在一种实施方式下的流程示意图。
图2为本发明所述的基于多径向基神经网络的局部放电定位误差补偿方法在一种实施方式下的放电源位置标定示意图。
图3为本发明所述的基于多径向基神经网络的局部放电定位误差补偿方法在一种实施方式下的径向基神经网络的基本结构图。
图4为本发明所述的基于多径向基神经网络的局部放电定位系统在一种实施方式下的硬件结构示意图。
图5为本发明所述的基于多径向基神经网络的局部放电定位系统在一种实施方式下的径向基神经网络结构示意图。
图6为本发明验证实例中的传感器测量到的一组局部放电波形。
具体实施方式
下面结合说明书附图及实施例进一步说明本发明所述的技术方案。
图1示意了本发明所述的基于多径向基神经网络的局部放电定位误差补偿方法在一种实施方式下的流程。
如图1所示,本实施方式的基于多径向基神经网络的局部放电定位误差补偿方法包括步骤:
(1)将局部放电信号测量范围内的空间划分为多个空间区域。
该步骤通常需要首先对放电源位置进行标定。例如,如图2所示,假定误差值在不同方向角上的分布规律相同,取四个传感器S1和S2的中心为坐标原点,传感器S1、S2中线方向为0度,在0度方向上用卷尺对测量点位置坐标进行标定。由于现有定位系统测量范围约为20米,取r=2m、4m、6m、8m、10m、12m、15m、18m作为标定点A的取值序列。然后根据该取值序列划分多个空间区域,例如划分三个空间区域,方向角θ∈[0°,360°],径向距离分别为r∈[0m,6m]、r∈[8m,12m]、r∈[12m,18m]。
(2)采集分布在多个空间区域内的放电源位置已知为[R,Θ]的若干样本局部放电信号,基于时延算法计算相应的样本时延值[T21,T43,T41,T32]。
例如,如图2所示,为了训练方向角θ∈[0°,360°],径向距离分别为r∈[0m,6m]、r∈[8m,12m]、r∈[12m,18m]范围内放电源产生的局部放电信号的时延计算误差补偿神经网络,需要在放电源位置已知的标定点A处模拟放电,产生若干样本局部放电信号,从而可以计算相应的样本时延值。例如利用局放定位系统基于时延算法计算样本时延值[T21,T43,T41,T32],其中T21为传感器S2和S1之间的样本时延值,T43为传感器S4和S3之间的样本时延值,T41为传感器S4和S1之间的样本时延值,T32为传感器S3和S2之间的样本时延值。
现场可采用手持式静电枪在标定点A处进行放电,模拟局部放电的发生。
(3)基于已知的放电源位置[R,Θ]计算若干样本局部放电信号的理论时延值[ΔT21,ΔT43,ΔT41,ΔT32]。
由于电磁波在空气中以光速传播,根据四个传感器与局部放电的放电源的相对位置关系,即可计算出理论时延值。例如计算理论时延值[ΔT21,ΔT43,ΔT41,ΔT32],其中ΔT21为传感器S2和S1之间的理论时延值,ΔT43为传感器S4和S3之间的理论时延值,ΔT41为传感器S4和S1之间的理论时延值,ΔT32为传感器S3和S2之间的理论时延值。
(4)分别对应多个空间区域训练三个第一径向基神经网络RBFt1、RBFt2、RBFt3,其分别对应空间区域r∈[0m,6m]、r∈[8m,12m]、r∈[12m,18m],其中每个第一径向基神经网络以其分别对应的空间区域相应的样本时延值[T21,T43,T41,T32]为样本输入,以其对应的空间区域相应的理论时延值为期望输出进行训练。
该步骤需要首先构造径向基神经网络,其基本结构如图3所示,其中xn表示网络的输入层节点,Rm表示隐层的基函数,yk表示网络的输出层节点。xn中的n表示输入层节点的维数,即n个输入节点;Rm中的m表示隐层节点的维数,即m个隐层节点;yk中的k表示输出层节点的维数,即k个输出层节点。
构造径向基神经网络的基本步骤如下:
1.确定输入向量维数。
输入向量维数即为输入层节点的个数。例如输入向量为传感器间的四个时延值时,输入向量选择四维向量X=[x1,x2,x3,x4],即n=4。
2.确定神经网络参数。
对于径向基神经网络,其输出与输入的映射关系可表示为:
式中yi中的i表示变量,yi中的i可以取[1,k]中的值,yi中的i的最大值为上述k。
式中ωj为隐层节点到输出层节点的权值,Rj(x)为基函数,对输入信号在局部产生响应,其可以选择为高斯函数,即
j=1,2,…,m
式中x为输入向量;||·||为欧几里得范数,表示向量间的欧氏距离;exp[]表示以自然常数e为底的指数函数;cj和σj分别为基函数的中心与神经元高斯函数的宽度;m为隐层节点的数目。Rj(x)在cj处服从高斯分布。
利用K-Means聚类方法求取高斯基函数中心和高斯基函数中心点宽度,具体可表示为以下步骤:
步骤a1:初始化网络,随机选择m个训练样本作为初始聚类中心;
步骤a2:按照临近规则分组,即分配xn所属的聚类集合Θj,Θj的中心为cj,满足dj=min||x-cj||,式中dj为欧氏距离;其中j=1,2,…,m;此处为网络中心点的确定;
步骤a3:更新各个聚类中心,若聚类中心不再变化,则cj确定,否则重复步骤a2。σj:其中cmax为距离最大值,M为数据中心的个数。
3.隐层神经元个数的确定。
ωj为隐藏节点到输出节点的网络权值,根据不断的迭代调整为最优值;设yi为网络实际输出值,pi为样本的期望输出,则单个径向基神经网络的训练误差可表示为:
隐层神经元从1开始依次增加1,每次调整后计算神经网络训练误差,当训练误差满足要求或神经元个数达到输入数据个数时停止增加,具体可表示为以下步骤:
步骤b1:设定隐层神经元为1。
步骤b2:检查隐层神经元个数;若小于输入向量样本数,神经元个数增加1,转步骤b3;若等于输入向量样本数,停止。
步骤b3:计算网络训练误差,若达到训练要求则停止;若未达到,则转步骤b2。
4.确定输出向量维数。
输出向量维数即为输出节点的个数,例如输出为四维的时延值,则输出向量选择为四维向量,即k=4。
然后,分别对应多个空间区域训练三个第一径向基神经网络RBFt1、RBFt2、RBFt3,其中每个第一径向基神经网络以其对应的空间区域相应的样本时延值为样本输入,以其对应的空间区域相应的理论时延值为期望输出进行训练。例如分别对应上述三个空间区域,即方向角θ∈[0°,360°],径向距离分别为r∈[0m,6m]、r∈[8m,12m]、r∈[12m,18m],将对应空间区域的上述样本时延值[T21,T43,T41,T32]代入对应空间区域的第一径向基神经网络的输入层节点,即X=[x1,x2,x3,x4]=[T21,T43,T41,T32],将对应空间区域的上述理论时延值[ΔT21,ΔT43,ΔT41,ΔT32]代入对应空间区域的第一径向基神经网络的pi作为样本的期望输出,分别训练对应三个空间区域的三个第一径向基神经网络。
(5)每个第一径向基神经网络以其对应的空间区域相应的样本时延值[T21,T43,T41,T32]为输入,第一径向基神经网络补偿样本时延值[T21,T43,T41,T32]的误差,输出相应的修正样本时延值[T21’,T43’,T41’,T32’]。
例如,将上述样本时延值[T21,T43,T41,T32]输入对应的第一径向基神经网络,X=[x1,x2,x3,x4]=[T21,T43,T41,T32];则第一径向基神经网络的输出向量为误差补偿后的修正样本时延值[T21’,T43’,T41’,T32’]。
(6)基于修正样本时延值[T21’,T43’,T41’,T32’]计算相应的修正样本放电源位置[R’,Θ’]。
(7)分别对应多个空间区域训练三个第二径向基神经网络RBFp1、RBFp2、RBFp3,其中每个第二径向基神经网络以其对应的空间区域相应的修正样本放电源位置[R’,Θ’]为样本输入,以其对应的空间区域相应的已知的放电源位置[R,Θ]为期望输出进行训练。
该步骤构造径向基神经网络的方法与步骤(4)基本相同,不同之处在于:
输入向量选择二维向量X=[x1,x2],即n=2。
输出向量选择二维向量,即k=2。
然后,分别对应多个空间区域训练三个第二径向基神经网络RBFp1、RBFp2、RBFp3,其中每个第二径向基神经网络以其对应的空间区域相应的修正样本放电源位置[R’,Θ’]为样本输入,以其对应的空间区域相应的已知的放电源位置[R,Θ]为期望输出进行训练。例如分别对应上述三个空间区域,即方向角θ∈[0°,360°],径向距离分别为r∈[0m,6m]、r∈[8m,12m]、r∈[12m,18m],将对应空间区域的上述修正样本放电源位置[R’,Θ’]代入对应空间区域的第二径向基神经网络的输入层节点,即X=[x1,x2]=[R’,Θ’],将对应空间区域的上述已知的放电源位置[R,Θ]代入对应空间区域的第一径向基神经网络的pi作为样本的期望输出,分别训练对应三个空间区域的三个第二径向基神经网络。
(8)采集放电源位置待定的局部放电信号,基于时延算法计算相应的初步时延值[t21,t43,t41,t32],并基于该初步时延值[t21,t43,t41,t32]计算相应的初步放电源位置[r0,θ0]。
例如,基于时延算法计算得出初步时延值[t21,t43,t41,t32],并基于该初步时延值确定初步放电源位置[r0,θ0],其中t21为传感器S2和S1之间的初步时延值,t43为传感器S4和S3之间的初步时延值,t41为传感器S4和S1之间的初步时延值,t32为传感器S3和S2之间的初步时延值。
(9)将初步时延值[t21,t43,t41,t32]输入初步放电源位置[r0,θ0]对应的第一径向基神经网络,第一径向基神经网络补偿初步时延值[t21,t43,t41,t32]的误差,输出修正时延值[t21’,t43’,t41’,t32’]。
例如,将上述初步时延值[t21,t43,t41,t32]输入初步放电源位置[r0,θ0]对应的第一径向基神经网络,即r0∈[0m,6m]、r0∈[6m,12m]、r0∈[12m,18m]中判断为真的相应空间区域对应的神经网络,X=[x1,x2,x3,x4]=[t21,t43,t41,t32];则第一径向基神经网络的输出向量为误差补偿后的修正时延值[t21’,t43’,t41’,t32’]。
(10)基于修正时延值[t21’,t43’,t41’,t32’]计算相应的初次修正放电源位置[r’,θ’]。
(11)将初次修正放电源位置[r’,θ’]输入初步放电源位置[r0,θ0]对应的第二径向基神经网络,第二径向基神经网络补偿初次修正放电源位置[r’,θ’]的误差,输出最终修正放电源位置[r”,θ”]。
上述实施方式中,时延算法采用阈值法、能量积累法、相关估计法、双谱估计算法、高阶统计量法以及插值相关法中的其中之一。
上述实施方式中,通过固定位于不同位置的若干传感器采集局部放电信号。其中,若干传感器优选特高频传感器,其数量优选为四个,时延值为四维向量,第一径向基神经网络的输入节点个数为4,输出节点个数为4,第二径向基神经网络的输入节点个数为2,输出节点个数为2,基函数为高斯基函数。
本实施方式的基于多径向基神经网络的局部放电定位系统基于时延值确定局部放电信号的放电源位置,采用上述方法先后对初步时延值的误差和初次修正放电源位置的误差进行补偿,该系统包括依次连接的传感器、数据处理单元、数据分析单元。其中:
数据分析单元将局部放电信号测量范围内的空间划分为多个空间区域。
传感器采集分布在多个空间区域内的放电源位置已知为[R,Θ]的若干样本局部放电信号,数据分析单元通过数据处理单元接收来自传感器的信号数据,并基于时延算法计算相应的样本时延值[T21,T43,T41,T32]。
数据分析单元基于已知的放电源位置[R,Θ]计算若干样本局部放电信号的理论时延值[ΔT21,ΔT43,ΔT41,ΔT32]。
数据分析单元分别对应多个空间区域训练三个第一径向基神经网络RBFt1、RBFt2、RBFt3,其分别对应空间区域r∈[0m,6m]、r∈[8m,12m]、r∈[12m,18m],其中每个第一径向基神经网络以其对应的空间区域相应的样本时延值[T21,T43,T41,T32]为样本输入,以其对应的空间区域相应的理论时延值为期望输出进行训练。
数据分析单元中每个第一径向基神经网络以其对应的空间区域相应的样本时延值[T21,T43,T41,T32]为输入,第一径向基神经网络补偿样本时延值[T21,T43,T41,T32]的误差,输出相应的修正样本时延值[T21’,T43’,T41’,T32’]。
数据分析单元基于修正样本时延值[T21’,T43’,T41’,T32’]计算相应的修正样本放电源位置[R’,Θ’]。
数据分析单元分别对应多个空间区域训练三个第二径向基神经网络RBFp1、RBFp2、RBFp3,其中每个第二径向基神经网络以其对应的空间区域相应的修正样本放电源位置[R’,Θ’]为样本输入,以其对应的空间区域相应的已知的放电源位置[R,Θ]为期望输出进行训练。
传感器采集放电源位置待定的局部放电信号,数据分析单元通过数据处理单元接收来自传感器的信号数据,数据分析单元基于时延算法计算相应的初步时延值[t21,t43,t41,t32],并基于该初步时延值[t21,t43,t41,t32]计算相应的初步放电源位置[r0,θ0]。
数据分析单元将初步时延值[t21,t43,t41,t32]输入初步放电源位置[r0,θ0]对应的第一径向基神经网络,第一径向基神经网络补偿初步时延值[t21,t43,t41,t32]的误差,输出修正时延值[t21’,t43’,t41’,t32’]。
数据分析单元基于修正时延值[t21’,t43’,t41’,t32’]计算相应的初次修正放电源位置[r’,θ’]。
数据分析单元将初次修正放电源位置[r’,θ’]输入初步放电源位置[r0,θ0]对应的第二径向基神经网络,第二径向基神经网络补偿初次修正放电源位置[r’,θ’]的误差,输出最终修正放电源位置[r”,θ”]。
图4示意了本发明所述的基于多径向基神经网络的局部放电定位系统在一种实施方式下的硬件结构。图5示意了本发明所述的基于多径向基神经网络的局部放电定位系统在一种实施方式下的径向基神经网络结构。
如图4所示,该实施方式的基于多径向基神经网络的局部放电定位系统的硬件结构包括依次连接的作为传感器的UHF(特高频)天线阵列、作为数据处理单元的预处理电路和UHF信号示波器,以及作为数据分析单元的计算机。其中,UHF(特高频)天线阵列包括UHF传感器S1、S2、S3、S4,预处理电路包括通道1、通道2、通道3、通道4,UHF信号示波器包括示波器U1,计算机包括电脑U2。此外,还包括电源U3。
如图5所示,该实施方式的基于多径向基神经网络的局部放电定位系统的径向基神经网络结构包括三个第一径向基神经网络RBFt1、RBFt2、RBFt3和三个第二径向基神经网络RBFp1、RBFp2、RBFp3,其中RBFt1和RBFp1对应径向距离r∈[0m,6m]的空间区域,RBFt2和RBFp2对应径向距离r∈[8m,12m]的空间区域,RBFt3和RBFp3对应径向距离r∈[12m,18m]的空间区域。
下面通过一个具体实例验证本发明,该实例采用上述系统对局部放电进行定位。
1.误差修正神经网络的建立。
现场测试中采用局部放电模拟器(EM TEST DITO)在定位系统定位范围内模拟局部放电。取r=2m、4m、6m、8m、10m、12m、15m、18m作为标定点进行放电并定位。针对三段径向距离r∈[0m,6m]、r∈[8m,12m]、r∈[12m,18m]的空间区域分别建立对应的三个第一径向基神经网络RBFt1、RBFt2、RBFt3和三个第二径向基神经网络RBFp1、RBFp2、RBFp3。现场试验的示意图可参考图2,四个超高频传感器接收到的典型的一组四路(CH1、CH2、CH3、CH4)信号如图6所示,横坐标为时间,纵坐标为电压。
未进行修正的定位结果如表1所示。
表1.未修正定位结果
实验结果表明,在未应用神经网络误差校正时,定位距离误差约为2m,定位角度误差约为12°,定位精度难以完全满足实际应用的需求。
2.神经网络局部放电定位修正验证。
现场实验中共获取155组实验数据,包括时差数据及定位结果数据;其中125组数据用于神经网络的训练,剩余数据用于网络性能的验证。
利用第一径向基神经网络和第二径向基神经网络先后修正初步时延值和初次修正放电源位置,定位结果表2所示。
表2.修正后定位结果
r实际值(m) | 2 | 4 | 6 | 8 | 10.5 | 12 | 13.5 | 15 | 16.5 | 18 |
修正后r均值(m) | 2.124 | 4.394 | 6.325 | 8.317 | 10.261 | 11.622 | 14.031 | 15.186 | 16.017 | 18.412 |
修正后θ均值(°) | 4.727 | -1.851 | -6.531 | 3.487 | -4.351 | 5.613 | 5.797 | -3.586 | -4.091 | 1.025 |
修正后Δr(m) | -0.124 | -0.394 | -0.325 | -0.317 | 0.239 | 0.378 | -0.531 | -0.186 | 0.483 | -0.412 |
修正后Δθ(°) | -4.727 | 1.851 | 6.531 | -3.487 | 4.351 | -5.613 | -5.797 | 3.586 | 4.091 | -1.025 |
表2中的定位修正结果不仅包括标定点处的修正,对于标定点间隔点即没有用于神经网络训练的定位点依然有修正效果。从表2可以看出,应用第一径向基神经网络和第二径向基神经网络进行误差修正后,定位精准度相对误差修正前显著提高,距离定位误差由2m下降至0.5m,角度定位误差由12°下降至约6°,从而验证了本发明的实际定位修正效果。
另外,还需要说明的是,本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式,本案所记载的所有技术特征可以以任何方式进行自由组合或结合,除非相互之间产生矛盾。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种基于多径向基神经网络的局部放电定位误差补偿方法,其特征在于,包括步骤:
(1)将局部放电信号测量范围内的空间划分为多个空间区域;
(2)采集分布在所述多个空间区域内的放电源位置已知的若干样本局部放电信号,基于时延算法计算相应的样本时延值;
(3)基于已知的放电源位置计算所述若干样本局部放电信号的理论时延值;
(4)分别对应所述多个空间区域训练多个第一径向基神经网络,其中每个第一径向基神经网络以其对应的空间区域相应的所述样本时延值为样本输入,以其对应的空间区域相应的所述理论时延值为期望输出进行训练;
(5)每个第一径向基神经网络以其对应的空间区域相应的所述样本时延值为输入,所述第一径向基神经网络补偿所述样本时延值的误差,输出相应的修正样本时延值;
(6)基于所述修正样本时延值计算相应的修正样本放电源位置;
(7)分别对应所述多个空间区域训练多个第二径向基神经网络,其中每个第二径向基神经网络以其对应的空间区域相应的修正样本放电源位置为样本输入,以其对应的空间区域相应的已知的放电源位置为期望输出进行训练;
(8)采集放电源位置待定的局部放电信号,基于时延算法计算相应的初步时延值,并基于该初步时延值计算相应的初步放电源位置;
(9)将所述初步时延值输入所述初步放电源位置对应的所述第一径向基神经网络,所述第一径向基神经网络补偿所述初步时延值的误差,输出修正时延值;
(10)基于所述修正时延值计算相应的初次修正放电源位置;
(11)将所述初次修正放电源位置输入所述初步放电源位置对应的所述第二径向基神经网络,所述第二径向基神经网络补偿所述初次修正放电源位置的误差,输出最终修正放电源位置。
2.如权利要求1所述的基于多径向基神经网络的局部放电定位误差补偿方法,其特征在于,所述时延算法包括阈值法、能量积累法、广义相关法、双谱估计算法、高阶统计量法以及插值相关法中的至少其中之一。
3.如权利要求1所述的基于多径向基神经网络的局部放电定位误差补偿方法,其特征在于,通过固定位于不同位置的若干传感器采集局部放电信号。
4.如权利要求3所述的基于多径向基神经网络的局部放电定位误差补偿方法,其特征在于,所述若干传感器的数量为四个。
5.如权利要求4所述的基于多径向基神经网络的局部放电定位误差补偿方法,其特征在于,所述第一径向基神经网络的输入节点个数为4,输出节点个数为4。
6.如权利要求5所述的基于多径向基神经网络的局部放电定位误差补偿方法,其特征在于,所述第二径向基神经网络的输入节点个数为2,输出节点个数为2。
7.如权利要求1-6中任意一项权利要求所述的基于多径向基神经网络的局部放电定位误差补偿方法,其特征在于,所述第一径向基神经网络和/或所述第二径向基神经网络的隐层神经元个数确定方法为:从1开始依次增加1,每次增加后计算神经网络训练误差,当训练误差满足要求或隐层神经元个数达到输入数据个数时停止增加。
8.如权利要求1-6中任意一项权利要求所述的基于多径向基神经网络的局部放电定位误差补偿方法,其特征在于,所述径向基神经网络的基函数为高斯基函数。
9.如权利要求8所述的基于多径向基神经网络的局部放电定位误差补偿方法,其特征在于,利用K-Means聚类方法求取高斯基函数中心和高斯基函数中心点宽度。
10.一种基于多径向基神经网络的局部放电定位系统,其基于时延值确定局部放电信号的放电源位置,其特征在于,采用如权利要求1-9中任意一项权利要求所述方法对初步时延值的误差和初次修正放电源位置的误差进行补偿,所述系统包括依次连接的传感器、数据处理单元、数据分析单元,其中:
所述数据分析单元将局部放电信号测量范围内的空间划分为多个空间区域;
所述传感器采集分布在所述多个空间区域内的放电源位置已知的若干样本局部放电信号,所述数据分析单元通过数据处理单元接收来自所述传感器的信号数据,并基于时延算法计算相应的样本时延值;
所述数据分析单元基于已知的放电源位置计算所述若干样本局部放电信号的理论时延值;
所述数据分析单元分别对应所述多个空间区域训练多个第一径向基神经网络,其中每个第一径向基神经网络以其对应的空间区域相应的所述样本时延值为样本输入,以其对应的空间区域相应的所述理论时延值为期望输出进行训练;
所述数据分析单元中每个第一径向基神经网络以其对应的空间区域相应的所述样本时延值为输入,所述第一径向基神经网络补偿所述样本时延值的误差,输出相应的修正样本时延值;
所述数据分析单元基于所述修正样本时延值计算相应的修正样本放电源位置;
所述数据分析单元分别对应所述多个空间区域训练多个第二径向基神经网络,其中每个第二径向基神经网络以其对应的空间区域相应的修正样本放电源位置为样本输入,以其对应的空间区域相应的已知的放电源位置为期望输出进行训练;
所述传感器采集放电源位置待定的局部放电信号,所述数据分析单元通过数据处理单元接收来自所述传感器的信号数据,所述数据分析单元基于时延算法计算相应的初步时延值,并基于该初步时延值计算相应的初步放电源位置;
所述数据分析单元将所述初步时延值输入所述初步放电源位置对应的所述第一径向基神经网络,所述第一径向基神经网络补偿所述初步时延值的误差,输出修正时延值;
所述数据分析单元基于所述修正时延值计算相应的初次修正放电源位置;
所述数据分析单元将所述初次修正放电源位置输入所述初步放电源位置对应的所述第二径向基神经网络,所述第二径向基神经网络补偿所述初次修正放电源位置的误差,输出最终修正放电源位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710766017.1A CN107703418B (zh) | 2017-08-30 | 2017-08-30 | 基于多径向基神经网络的局部放电定位误差补偿方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710766017.1A CN107703418B (zh) | 2017-08-30 | 2017-08-30 | 基于多径向基神经网络的局部放电定位误差补偿方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107703418A CN107703418A (zh) | 2018-02-16 |
CN107703418B true CN107703418B (zh) | 2019-10-18 |
Family
ID=61169903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710766017.1A Active CN107703418B (zh) | 2017-08-30 | 2017-08-30 | 基于多径向基神经网络的局部放电定位误差补偿方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107703418B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108132428A (zh) * | 2017-11-24 | 2018-06-08 | 国网北京市电力公司 | 局部放电多源分离的方法、装置 |
CN108872932B (zh) * | 2018-05-03 | 2021-04-02 | 中国人民解放军战略支援部队信息工程大学 | 基于神经网络的超视距目标直接定位结果纠偏方法 |
CN109738926B (zh) * | 2019-04-01 | 2019-06-28 | 湖南联智桥隧技术有限公司 | 一种基于bp神经网络技术的gnss多路径效应改正方法 |
CN109917258B (zh) * | 2019-04-27 | 2020-04-24 | 西南交通大学 | 大型变压器局部放电定位检测方法 |
CN109917257B (zh) * | 2019-04-27 | 2020-04-07 | 西南交通大学 | 一种变压器局部放电超声波定位方法 |
CN109917255B (zh) * | 2019-04-27 | 2020-04-24 | 西南交通大学 | 变压器绝缘油温升下局部放电定位方法 |
CN110501620B (zh) * | 2019-09-18 | 2022-05-17 | 国网陕西省电力公司咸阳供电公司 | 一种基于信号源特征的站域局部放电定位方法 |
CN111143989B (zh) * | 2019-12-25 | 2023-09-29 | 北京无线电计量测试研究所 | 频率调整量计算方法、模块、系统、存储介质和设备 |
CN112255508A (zh) * | 2020-09-10 | 2021-01-22 | 深圳供电局有限公司 | 局部放电定位方法、装置、计算机设备和存储介质 |
CN112578248A (zh) * | 2020-12-26 | 2021-03-30 | 广东电网有限责任公司电力科学研究院 | 一种局部放电定位误差修正方法和系统 |
Citations (6)
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 |
CN102221651A (zh) * | 2011-03-11 | 2011-10-19 | 太原理工大学 | 一种矿用隔爆型干式变压器故障在线诊断及预警方法 |
CN102495343A (zh) * | 2011-12-30 | 2012-06-13 | 重庆大学 | 基于超声与紫外信息融合的局部放电检测识别方法及系统 |
CN103440497A (zh) * | 2013-08-13 | 2013-12-11 | 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 |
CN104808487A (zh) * | 2015-03-03 | 2015-07-29 | 台州学院 | 一种神经网络自适应鲁棒轨迹跟踪方法及控制器 |
CN106599777A (zh) * | 2016-11-02 | 2017-04-26 | 华南理工大学 | 一种基于能量百分比的电缆局部放电信号识别方法 |
-
2017
- 2017-08-30 CN CN201710766017.1A patent/CN107703418B/zh active Active
Patent Citations (6)
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 |
CN102221651A (zh) * | 2011-03-11 | 2011-10-19 | 太原理工大学 | 一种矿用隔爆型干式变压器故障在线诊断及预警方法 |
CN102495343A (zh) * | 2011-12-30 | 2012-06-13 | 重庆大学 | 基于超声与紫外信息融合的局部放电检测识别方法及系统 |
CN103440497A (zh) * | 2013-08-13 | 2013-12-11 | 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 |
CN104808487A (zh) * | 2015-03-03 | 2015-07-29 | 台州学院 | 一种神经网络自适应鲁棒轨迹跟踪方法及控制器 |
CN106599777A (zh) * | 2016-11-02 | 2017-04-26 | 华南理工大学 | 一种基于能量百分比的电缆局部放电信号识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107703418A (zh) | 2018-02-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107703418B (zh) | 基于多径向基神经网络的局部放电定位误差补偿方法 | |
Cao et al. | Application of the diagonal recurrent wavelet neural network to solar irradiation forecast assisted with fuzzy technique | |
Zhou et al. | Tracking the direction-of-arrival of multiple moving targets by passive arrays: Algorithm | |
CN103529364B (zh) | 基于超声稀疏阵列传感器的油中多局部放电源定位方法 | |
Xu et al. | An improved hybrid modeling method based on extreme learning machine for gas turbine engine | |
CN107271868A (zh) | 一种基于多神经网络的局部放电时延计算误差补偿方法 | |
CN107966638B (zh) | 校正误差的方法和装置、存储介质及处理器 | |
CN102721941A (zh) | 一种基于som和d-s理论的电表电路故障信息融合和诊断方法 | |
CN103383261A (zh) | 一种改进型无损卡尔曼滤波室内动目标定位方法 | |
CN108650706B (zh) | 基于二阶泰勒近似的传感器节点定位方法 | |
CN110378387B (zh) | 基于风云四号卫星和地基毫米波雷达的云底高度监测方法 | |
CN114531729B (zh) | 基于信道状态信息的定位方法、系统、存储介质及设备 | |
Lindgren et al. | Distributed localization using acoustic Doppler | |
CN114216582B (zh) | 一种高精度快速温度场重建方法、系统、设备及终端 | |
US11044178B2 (en) | Data center management method, management apparatus, and data center system | |
CN112749516B (zh) | 适应多类型数据特征的体系组合模型可信度智能评估方法 | |
CN104105049A (zh) | 一种减少传声器使用数量的房间冲激响应函数测量方法 | |
CN114241272A (zh) | 基于深度学习的异构信息融合定位方法 | |
CN107422233A (zh) | 一种局部放电时延计算误差补偿方法及局部放电定位系统 | |
CN115408949B (zh) | 一种负荷模型参数辨识方法、系统、设备和介质 | |
Ferreira et al. | Choice of RBF model structure for predicting greenhouse inside air temperature | |
CN111277950B (zh) | 一种基于到达时差和到达频差的定位方法、装置及设备 | |
CN113988127A (zh) | 一种配电网故障定位方法、装置、电子设备及存储介质 | |
CN114371519A (zh) | 一种基于无偏差亮温的地基微波辐射计大气温湿廓线反演方法 | |
CN107203677B (zh) | 一种电子系统多退化进程研究方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |