CN107728014B - 基于多传感器信号特征识别设备绝缘缺陷的方法及系统 - Google Patents
基于多传感器信号特征识别设备绝缘缺陷的方法及系统 Download PDFInfo
- Publication number
- CN107728014B CN107728014B CN201710730527.3A CN201710730527A CN107728014B CN 107728014 B CN107728014 B CN 107728014B CN 201710730527 A CN201710730527 A CN 201710730527A CN 107728014 B CN107728014 B CN 107728014B
- Authority
- CN
- China
- Prior art keywords
- equipment
- insulation
- characteristic parameter
- frequency
- defects
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 148
- 238000009413 insulation Methods 0.000 title claims abstract description 125
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 13
- 239000004593 Epoxy Substances 0.000 claims description 9
- 239000002184 metal Substances 0.000 claims description 7
- 229910052751 metal Inorganic materials 0.000 claims description 7
- 239000002923 metal particle Substances 0.000 claims description 5
- 238000001514 detection method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 239000004020 conductor Substances 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 6
- 239000012212 insulator Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 239000003822 epoxy resin Substances 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 229920000647 polyepoxide Polymers 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005266 casting Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- FHMDYDAXYDRBGZ-UHFFFAOYSA-N platinum tin Chemical compound [Sn].[Pt] FHMDYDAXYDRBGZ-UHFFFAOYSA-N 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
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
- G01R31/12—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
- G01R31/1254—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 of gas-insulated power appliances or vacuum gaps
-
- 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
- G01R31/1209—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 using acoustic measurements
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了基于多传感器信号特征识别设备绝缘缺陷的方法,包括步骤:(1)获取具有绝缘缺陷的设备模型。(2)基于至少两种传感器分别采集设备模型的局部放电信号样本。(3)分别提取局部放电信号样本的特征参数样本。(4)构建设备绝缘缺陷识别模型。(5)基于特征参数样本训练设备绝缘缺陷识别模型。(6)基于至少两种传感器分别采集待识别绝缘缺陷的设备的至少两种局部放电信号。(7)分别提取局部放电信号的特征参数。(8)基于特征参数和经训练的设备绝缘缺陷识别模型确定待识别绝缘缺陷的设备的绝缘缺陷类型。此外,本发明还公开了相应的系统。本发明能实现设备绝缘缺陷的智能识别,并且准确判断绝缘缺陷类型。
Description
技术领域
本发明涉及电力设备监控领域,尤其涉及一种识别设备绝缘缺陷的方法及系统。
背景技术
GIS(气体绝缘组合电器)是将开关、避雷器、互感器、母线、套管等器件密封在接地的金属腔体中,通过环氧树脂绝缘子将腔体分离开,内充SF6作为绝缘介质,其设计结构相当于一个开关站。GIS设备具有占地面积少、运行可靠、结构紧凑等特点,在目前的电力系统中得到了广泛的应用。但在GIS得到广泛应用的过程中,也带来了一些新的问题:一旦运行中的GIS发生故障,其维修较为困难,甚至造成大面积停电,带来巨大的经济损失。
对GIS的各种事故原因进行深入分析可知,绝缘缺陷是GIS中最为常见的缺陷,这些绝缘缺陷的存在,对于其安全运行具有较大的威胁。为了保证电力系统安全可靠地运行,对GIS制造质量要求较高,同时,也需要有效的检测手段判断GIS的绝缘状况。
局部放电是GIS中绝缘故障的早期表现形式,因此可以通过检测GIS内部的局部放电来判断其绝缘状况。传统基于单一传感器采样的局部放电信号对GIS绝缘缺陷识别准确率低。
发明内容
本发明的目的之一是提供一种基于多传感器信号特征识别设备绝缘缺陷的方法,其能实现设备绝缘缺陷的智能识别,并且准确判断绝缘缺陷类型。
基于上述目的,本发明提供了一种基于多传感器信号特征识别设备绝缘缺陷的方法,其包括步骤:
(1)获取若干种具有绝缘缺陷的设备模型,其中每种设备模型对应一种绝缘缺陷类型;
(2)基于至少两种传感器分别采集所述若干种设备模型的至少两种局部放电信号样本;
(3)分别提取所述若干种设备模型的至少两种局部放电信号样本的至少一种特征参数样本;
(4)构建设备绝缘缺陷识别模型;
(5)基于所述特征参数样本训练所述设备绝缘缺陷识别模型;
(6)基于至少两种传感器分别采集待识别绝缘缺陷的设备的至少两种局部放电信号;
(7)分别提取所述待识别绝缘缺陷的设备的至少两种局部放电信号的至少一种特征参数;
(8)基于所述特征参数和经训练的所述设备绝缘缺陷识别模型确定所述待识别绝缘缺陷的设备的绝缘缺陷类型。
本发明所述的基于多传感器信号特征识别设备绝缘缺陷的方法,其首先获取各种绝缘缺陷尤其包括典型绝缘缺陷的设备模型,对每种绝缘缺陷的设备模型,利用至少两种传感器相应地采集到至少两种局部放电信号样本,对每种局部放电信号样本,提取其至少一种特征参数样本,利用这些特征参数样本训练所述设备绝缘缺陷识别模型。为了能利用经训练的设备绝缘缺陷识别模型实现设备绝缘缺陷的智能识别,并且准确判断绝缘缺陷类型,利用与上述采集局部放电信号样本和提取特征参数样本相同的方法,即利用与上述采集局部放电信号样本相同种类的至少两种传感器相应地采集到至少两种局部放电信号,对每种局部放电信号,提取其与上述特征参数样本相同种类的至少一种特征参数,这样就可以将该特征参数作为特征向量,通常需要进行归一化处理,输入所述设备绝缘缺陷识别模型,该设备绝缘缺陷识别模型的输出即表征所述待识别绝缘缺陷的设备的绝缘缺陷类型。
由于多传感器相对于单一传感器接收的信息更多,因此判断更为准确。事实上,通过对大量试验数据测试,也验证了本发明方法相对于传统的识别方法,其对设备的绝缘缺陷类型的判断准确率更高。
综上,本发明方法能实现设备绝缘缺陷的智能识别,并且准确判断绝缘缺陷类型。
进一步地,本发明所述的基于多传感器信号特征识别设备绝缘缺陷的方法中,所述绝缘缺陷类型包括自由金属微粒缺陷、金属突出物缺陷、环氧绝缘子内部气泡缺陷以及浮动电极缺陷的至少其中之一。
上述四种绝缘缺陷为典型绝缘缺陷,具体可参考本发明具体实施方式部分。
进一步地,本发明所述的基于多传感器信号特征识别设备绝缘缺陷的方法中,所述传感器包括特高频传感器、高频传感器以及超声传感器的至少其中之一。
进一步地,本发明所述的基于多传感器信号特征识别设备绝缘缺陷的方法中,所述特征参数样本和所述特征参数包括脉冲波形特征参数、等效时频特征参数以及线调频特征参数的至少其中之一。
更进一步地,上述基于多传感器信号特征识别设备绝缘缺陷的方法中,所述脉冲波形特征参数包括预设幅值区间对应的时间占比。
上述方案可结合本发明具体实施方式部分理解。
更进一步地,上述基于多传感器信号特征识别设备绝缘缺陷的方法中,所述等效时频特征参数包括等效时间特征和等效频率特征的至少其中之一。
上述方案可结合本发明具体实施方式部分理解。
更进一步地,上述基于多传感器信号特征识别设备绝缘缺陷的方法中,所述线调频特征参数包括平均频率偏移、主能量区间频率斜率、主能量区间频率偏移、主能量区间分解系数、主能量区间相对分解系数以及衰减特征的对数形式的至少其中之一。
上述方案可结合本发明具体实施方式部分理解。
进一步地,本发明所述的基于多传感器信号特征识别设备绝缘缺陷的方法中,所述设备绝缘缺陷识别模型为ELM(Extreme Learning Machine,极限学习机)模型。
上述方案可结合本发明具体实施方式部分理解。
进一步地,本发明所述的基于多传感器信号特征识别设备绝缘缺陷的方法中,所述设备为GIS设备。
本发明的另一目的是提供一种基于多传感器信号特征识别设备绝缘缺陷的系统,其能实现设备绝缘缺陷的智能识别,并且准确判断绝缘缺陷类型。
基于上述目的,本发明提供了一种基于多传感器信号特征识别设备绝缘缺陷的系统,其采用上述任一方法对设备绝缘缺陷进行识别,所述系统包括具有绝缘缺陷的设备模型、相互信号连接的信号获取装置和信号处理与分析装置,其中:
所述信号处理与分析装置实施所述步骤(2)至所述步骤(8)。
本发明所述的基于多传感器信号特征识别设备绝缘缺陷的系统,由于其采用了本发明所述的方法,同样能实现设备绝缘缺陷的智能识别,并且准确判断绝缘缺陷类型。具体原理前已描述,在此不再赘述。
所述信号处理与分析装置可以是计算机。
本发明所述的基于多传感器信号特征识别设备绝缘缺陷的方法,其具有以下优点和有益效果:
1)能实现设备尤其是GIS设备绝缘缺陷的智能识别,并且准确判断绝缘缺陷类型。
2)能够有效应用于基于局部放电检测的GIS绝缘缺陷识别,相比与传统的识别方法,绝缘缺陷分类的准确率更高。
3)提高了局部放电检测系统的智能化水平。
本发明所述的基于多传感器信号特征识别设备绝缘缺陷的系统,其同样具有上述优点和有益效果。
附图说明
图1为本发明所述的基于多传感器信号特征识别设备绝缘缺陷的方法在一种实施方式下的流程示意图。
图2示意了本发明实施例中的基于多传感器信号特征识别设备绝缘缺陷的系统的工作流程。
图3示意了本发明实施例中的特高频局部放电信号样本的脉冲波形。
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传感器信号特征识别设备绝缘缺陷的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传感器信号特征识别设备绝缘缺陷的方法包括步骤:
(1)获取若干种具有绝缘缺陷的设备模型,其中每种设备模型对应一种绝缘缺陷类型。
在某些实施方式下,绝缘缺陷类型包括自由金属微粒缺陷、金属突出物缺陷、环氧绝缘子内部气泡缺陷以及浮动电极缺陷的至少其中之一。
在某些实施方式下,上述设备为GIS设备。
(2)基于至少两种传感器分别采集若干种设备模型的至少两种局部放电信号样本。
在某些实施方式下,传感器包括特高频传感器、高频传感器以及超声传感器的至少其中之一。
(3)分别提取若干种设备模型的至少两种局部放电信号样本的至少一种特征参数样本。
在某些实施方式下,特征参数样本包括脉冲波形特征参数、等效时频特征参数以及线调频特征参数的至少其中之一。
在某些实施方式下,脉冲波形特征参数包括预设幅值区间对应的时间占比。
在某些实施方式下,等效时频特征参数包括等效时间特征和等效频率特征的至少其中之一。
在某些实施方式下,线调频特征参数包括平均频率偏移、主能量区间频率斜率、主能量区间频率偏移、主能量区间分解系数、主能量区间相对分解系数以及衰减特征的对数形式的至少其中之一。
(4)构建设备绝缘缺陷识别模型。
在某些实施方式下,设备绝缘缺陷识别模型为ELM模型。
(5)基于特征参数样本训练设备绝缘缺陷识别模型。
(6)基于至少两种传感器分别采集待识别绝缘缺陷的设备的至少两种局部放电信号。
在某些实施方式下,传感器包括特高频传感器、高频传感器以及超声传感器的至少其中之一。
在某些实施方式下,上述设备为GIS设备。
(7)分别提取待识别绝缘缺陷的设备的至少两种局部放电信号的至少一种特征参数。
在某些实施方式下,特征参数包括脉冲波形特征参数、等效时频特征参数以及线调频特征参数的至少其中之一。
在某些实施方式下,脉冲波形特征参数包括预设幅值区间对应的时间占比。
在某些实施方式下,等效时频特征参数包括等效时间特征和等效频率特征的至少其中之一。
在某些实施方式下,线调频特征参数包括平均频率偏移、主能量区间频率斜率、主能量区间频率偏移、主能量区间分解系数、主能量区间相对分解系数以及衰减特征的对数形式的至少其中之一。
(8)基于特征参数和经训练的设备绝缘缺陷识别模型确定待识别绝缘缺陷的设备的绝缘缺陷类型。
本实施方式的基于多传感器信号特征识别设备绝缘缺陷的系统采用上述任一实施方式的方法对设备绝缘缺陷进行识别,该系统包括具有绝缘缺陷的设备模型、相互信号连接的信号获取装置和信号处理与分析装置,其中:信号处理与分析装置实施步骤(2)至步骤(8)。
在某些实施方式下,信号处理与分析装置是计算机。
在某些实施方式下,信号获取装置包括局放仪、多传感器局放检测系统、宽带数字存储示波器中的一种或多种的组合。
下面通过一个具体实施例进一步说明本发明,该实施例采用上述方法和系统对设备绝缘缺陷进行识别。
本发明实施例中信号获取装置包括局放仪、多传感器(特高频、高频、超声三种传感器)局放检测系统、宽带数字存储示波器。信号处理与分析装置是计算机。
图2示意了本发明实施例中的基于多传感器信号特征识别设备绝缘缺陷的系统的工作流程。
如图2所示,本发明实施例中的基于多传感器信号特征识别设备绝缘缺陷的系统的工作流程包括:
步骤110:获取自由金属微粒缺陷、金属突出物缺陷、环氧绝缘子内部气泡缺陷以及浮动电极缺陷四种绝缘缺陷的四种GIS设备模型,其中每种GIS设备模型对应一种绝缘缺陷类型。
该步骤中,四种GIS设备模型的制作方法为:
1.自由金属微粒缺陷GIS设备模型。使用直径0.15mm-0.47mm、长度1mm-5mm的铜丝共30个,随机均匀放置于导体下方的GIS外壳内表面。
2.金属突出物缺陷GIS设备模型。使用直径4mm、长度12mm的铜丝制作成高压导体上的金属突起缺陷。制作方法如下:将铜丝的一端绕成扁平状,弧度与高压导体相同,并用锡箔纸包裹以使其紧贴在导体外表面。铜丝另一端磨成针尖状,针尖曲率半径约0.15mm;针尖离导体表面高出4mm,最后用干燥的绝缘胶带将其固定在导体表面。
3.环氧绝缘子内部气泡缺陷GIS设备模型。采用真空浇铸的方法制作长度70mm、直径40mm的环氧树脂绝缘棒,为浅黄色半透明状。由于采用真空浇铸,绝缘棒内部无气泡。然后环氧绝缘棒径向中间部位打一个直径0.5mm、深度20mm的孔,再用相同材料的环氧树脂将小孔密封、凝固,仅在小孔底部(即环氧绝缘棒的中间部位)留一直径0.5mm、高度0.3mm左右的气泡。环氧绝缘棒的一端经屏蔽电极接高压导体,另一端经屏蔽电极接GIS设备外壳(接地)。
4.浮动电极缺陷GIS设备模型。将一块宽20mm×300mm的锡铂纸平绕在高压导体上,但接触并不紧密。
步骤120:基于特高频传感器、高频传感器以及超声传感器三种传感器分别采集四种GIS设备模型的特高频、高频以及超声三种局部放电信号样本。
该步骤中,将上述四种绝缘缺陷GIS设备模型依次放入试验系统。缓慢升高电压,注意观察局放仪与多传感器(特高频、高频、超声三种传感器)局放检测系统的测量结果,当出现局部放电时停止加压,记录起始电压与视在局放量;如果可以保持相对较为稳定的局部放电,则及时用多传感器局放检测系统、宽带数字存储示波器保存局放信号的数据,每种绝缘缺陷GIS设备模型对应保存100组以上的数据。若局部放电很快消失,则再适当升高电压,至局部放电出现。
步骤130:计算机分别提取四种GIS设备模型的特高频、高频以及超声三种局部放电信号样本的特征参数样本,其中每种局部放电信号样本均提取脉冲波形特征参数、等效时频特征参数以及线调频特征参数三种特征参数样本。
该步骤中,脉冲波形特征参数包括预设幅值区间对应的时间占比;等效时频特征参数包括等效时间特征和等效频率特征;线调频特征参数包括平均频率偏移、主能量区间频率斜率、主能量区间频率偏移、主能量区间分解系数、主能量区间相对分解系数以及衰减特征的对数形式。
下面以特高频局部放电信号样本的特征参数样本H的提取过程为例介绍本实施例中的特征参数样本/特征参数的提取方法:
特高频局部放电信号样本的特征参数样本H包括H1、H2、H3、H4、H5、H6、H7、H8、H9、H10、H11、H12以及H13共13个具体特征参数,其中:
H1、H2、H3、H4、H5是5个脉冲波形特征参数。H1为从10%上升至90%的时间比,H2为从90%下降至10%的时间比、H3为幅值从0上升至100%的时间比、H4为从上升沿50%至下降沿50%时间比、H5为从上升沿10%至下降沿10%时间比。
结合参考图3,以上参数的具体计算公式为:
H1=(t3-t1)/(t8-t0) (1)
H2=(t7-t5)/(t8-t0) (2)
H3=(t4-t0)/(t8-t0) (3)
H4=(t6-t2)/(t8-t0) (4)
H5=(t7-t1)/(t8-t0) (5)
H6和H7是等效时间特征δT和等效频率特征δF,具体计算步骤为,设x(t)表示采集到的局部放电单个脉冲的时间序列,t为采样时间,t∈[0,T],f为采样频率。
1)将x(t)及其傅里叶变换X(t)进行标准化处理,
2)计算标准化信号的时间重心t0,
3)计算该脉冲的时域等效时间长度(以下简称等效时间)δT和频域等效频带宽度(以下简称等效频率)δF,
H8、H9、H10、H11、H12和H13是6个线调频特征参数,H8为平均频率偏移、H9为主能量区间频率斜率、H10为主能量区间频率偏移、H11为主能量区间分解系数、H12为主能量区间相对分解系数和H13为衰减特征的对数形式。
由于多尺度线调频基不具有正交性,下面将对该算法进行分析,并应用该算法给出适合局放脉冲的特征算法。
设A(t)为幅值,(t)为时变相移,λ为基准频率。
对信号f(t)∈L2(R)(即信号f(t)在能量有限空间L2(R)上),在时域内定义如下的二进支撑区间为k=0,1,...,2j-1,j为分析尺度,j=0,1,...,log2(N-1),N为信号长度。在此支撑区间内的线调频基函数集合可表示为
式中e是自然常数,约为2.71828,i为虚数单位;KI,a,b为归一化系数,使得||gI,a,b||=1,uI(t)为矩形窗函数,当t∈I时uI(t)=1。时,uI(t)=0。该基函数在支撑区间内的瞬时频率为at+b,其中a为频率斜率,反映了支撑区间内频率变化的趋势,b为频率偏移,反映了支撑区间内的平均频率。
设在支撑区I内的f(t)的线调频基最大投影系数为,
γI=max<f(t),ga,b,I(t)> (13)
实际上,假设分析信号为
式中r为信号的幅值参数,θ为信号的相位参数;
则有
即分解系数包含着支撑区间内分解信号的幅值和起始相位信息。式中exp(iθ)即eiθ,e是自然常数,约为2.71828,i为虚数单位,θ为信号的相位参数。
若存在若干个支撑区间Ij,k,其支撑区间之和恰好构成完整支撑区间[0,N-1],即∑Ij,k=[0,N-1],那么这些支撑区间及其区间Ij,k上使投影系数最大的线调频基的频率斜率aj,k及频率偏移bj,k共同构成时频图的一条路径W={v=(Ij,k,aj,k,bj,k)},则f(t)可用该路径上线调频基及其最大投影系数来表示,即
r(t)为分解残差。
本实施例所采用的方法是一种时频分析方法,依据测不准原理,时间分辨率与频率分辨率之积为恒定常数,因此两者不可能同时达到最好(即分辨间隔最小)。局部放电信号是一种振荡衰减信号,在整个信号区间内时频域上均有变化,因此在分解层数的选择上,应同时兼顾时频域分辨率的要求。随着分解层数的增加,时域支撑区间变窄,时间分辨率变细而频域分辨率变粗,考虑到对于第j层的支撑区间内的平均频率应至少等于或高于该支撑区间内的频率最小分辨率,即所以分解层数J应至少满足同时对于时间分辨率,J应越大越好,因此在本实施例中取
其中,为向下取整函数,fs为局放信号的采样频率。
在多尺度线调频基分解的基础上,提取特征参数:
平均频率特征:当支撑区间为整个信号区间时,所匹配的基函数的频率偏移能够反映整体信号的平均频率,其频率斜率能够反映信号的频率变化趋势。由此可获得平均频率特征H8及平均频率斜率特征a0。
主能量区间特征:经过分解后的信号,可以提取出各支撑区间内信号的局部时频特征,但考虑到局放脉冲的衰减部分易受到各种干扰影响,因此应尽量从能量大的、受干扰影响小的支撑区间内提取。支撑区间内能量与幅值相关,而分解系数能够反映幅值大小,因此本实施例中选取分解系数最大的区间,称为主能量区间Im,提取该区间的基函数的频率斜率H9、频率偏移H10、分解系数H11及分解系数与主能量区间峰值比值H12作为特征。
衰减特征:从时域上选取主能量区间Im的后一个支撑区间Im+1,则主能量区间Im的分解系数cm与后一个支撑区间Im+1的分解系数cm+1的比值可以反映该信号的衰减趋势。定义衰减特征τm及其对数形式H13
τm=cm/cm+1 (18)
H13=log10(cm/cm+1) (19)
高频局部放电信号样本和超声局部放电信号样本的特征参数样本参照上述特高频局部放电信号样本的特征参数样本提取方法进行提取。
步骤140:计算机构建GIS设备绝缘缺陷识别模型,该GIS设备绝缘缺陷识别模型为ELM模型。
该步骤的具体方法为:
设N个不同的样本(xi,ti),其中模型输入xi=(xi1…xin)T,模型输出ti=(ti1…tim)T,n表示每个样本向量的维数,m表示每个输出向量的维数,网络中含有个隐层结点,ξi为第i个样本的分类结果:
其中,j=1,…,N,ai=(ai1,ai2,…,ain)T为连接j个隐层结点与输入结点的输入权值向量,bj为第j个隐层结点的偏置值。βi=(βi1,βi2,…,βim)T为连接第i个隐层结点和输出结点的输出权值向量。又有激活函数h(xjaibi)=h(xj×ai+bi)。
ELM模型趋向于同时获得训练样本误差与输出权值βi的最小值。基于优化理论,该ELM模型可被描述如下式:
其中参数σ1设置为2,参数σ2设置为2。H为隐层输出矩阵,其为随机矩阵:
训练样本输出矩阵为T,表达式为:
输出权值被表示如下:
β=H+T
其中H+为隐层输出矩阵H的广义逆形式。输出权值β通常可以利用迭代的方法求解得到。
步骤150:计算机基于特征参数样本训练GIS设备绝缘缺陷识别模型。
该步骤中,将前面得到的各特征参数样本进行归一化处理作为输入向量,对GIS设备绝缘缺陷识别模型进行训练。
设本实施例给定的训练样本集为N={(xi,ti)|xi∈Rn,ti∈Rm,i=1,2,…N},激活函数为h(x),隐含层结点数为M,训练过程如下:
(1)随机生成输入权值ai和偏置bi,i=1,2,…,N;
(2)计算隐含层输出矩阵H;
(3)计算输出层权值向量β:β=H+T。
步骤160:基于特高频传感器、高频传感器以及超声传感器三种传感器分别采集待识别绝缘缺陷的设备的特高频、高频以及超声三种局部放电信号。
该步骤中,通过局放仪与多传感器(特高频、高频、超声三种传感器)局放检测系统测量待识别绝缘缺陷的设备,当出现局部放电时记录起始电压与视在局放量;如果可以保持相对较为稳定的局部放电,则及时用多传感器局放检测系统、宽带数字存储示波器保存局放信号的数据。
步骤170:计算机分别提取待识别绝缘缺陷的GIS设备的特高频、高频以及超声三种局部放电信号的特征参数,其中每种局部放电信号均提取脉冲波形特征参数、等效时频特征参数以及线调频特征参数三种特征参数。
该步骤中,脉冲波形特征参数包括预设幅值区间对应的时间占比;等效时频特征参数包括等效时间特征和等效频率特征;线调频特征参数包括平均频率偏移、主能量区间频率斜率、主能量区间频率偏移、主能量区间分解系数、主能量区间相对分解系数以及衰减特征的对数形式。
该步骤具体方法参照步骤130。
步骤180:计算机基于特征参数和经训练的GIS设备绝缘缺陷识别模型确定待识别绝缘缺陷的GIS设备的绝缘缺陷类型。
该步骤中,将前面得到的各特征参数进行归一化处理作为输入向量,输入经训练的GIS设备绝缘缺陷识别模型进行识别,输出相应的GIS设备的绝缘缺陷类型。
需要说明的是,本发明的保护范围中现有技术部分并不局限于本申请文件所给出的实施例,所有不与本发明的方案相矛盾的现有技术,包括但不局限于在先专利文献、在先公开出版物,在先公开使用等等,都可纳入本发明的保护范围。
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 (6)
1.一种基于多传感器信号特征识别设备绝缘缺陷的方法,其特征在于,包括步骤:
(1)获取若干种具有绝缘缺陷的设备模型,其中每种设备模型对应一种绝缘缺陷类型;
(2)基于至少两种传感器分别采集所述若干种设备模型的至少两种局部放电信号样本;
(3)分别提取所述若干种设备模型的至少两种局部放电信号样本的至少一种特征参数样本;
(4)构建设备绝缘缺陷识别模型;
(5)基于所述特征参数样本训练所述设备绝缘缺陷识别模型;
(6)基于至少两种传感器分别采集待识别绝缘缺陷的设备的至少两种局部放电信号;
(7)分别提取所述待识别绝缘缺陷的设备的至少两种局部放电信号的至少一种特征参数;
(8)基于所述特征参数和经训练的所述设备绝缘缺陷识别模型确定所述待识别绝缘缺陷的设备的绝缘缺陷类型;
其中所述特征参数样本和所述特征参数包括脉冲波形特征参数、等效时频特征参数以及线调频特征参数的至少其中之一,其中脉冲波形特征参数、等效时频特征参数以及线调频特征参数满足下述各项的至少其中之一:
所述脉冲波形特征参数包括预设幅值区间对应的时间占比;
所述等效时频特征参数包括等效时间特征和等效频率特征的至少其中之一;
所述线调频特征参数包括平均频率偏移、主能量区间频率斜率、主能量区间频率偏移、主能量区间分解系数、主能量区间相对分解系数以及衰减特征的对数形式的至少其中之一。
2.如权利要求1所述的基于多传感器信号特征识别设备绝缘缺陷的方法,其特征在于,所述绝缘缺陷类型包括自由金属微粒缺陷、金属突出物缺陷、环氧绝缘子内部气泡缺陷以及浮动电极缺陷的至少其中之一。
3.如权利要求1所述的基于多传感器信号特征识别设备绝缘缺陷的方法,其特征在于,所述传感器包括特高频传感器、高频传感器以及超声传感器的至少其中之一。
4.如权利要求1-3中任意一项权利要求所述的基于多传感器信号特征识别设备绝缘缺陷的方法,其特征在于,所述设备绝缘缺陷识别模型为ELM模型。
5.如权利要求1-3中任意一项权利要求所述的基于多传感器信号特征识别设备绝缘缺陷的方法,其特征在于,所述设备为GIS设备。
6.一种基于多传感器信号特征识别设备绝缘缺陷的系统,其采用如权利要求1-5中任意一项权利要求所述方法对设备绝缘缺陷进行识别,其特征在于,所述系统包括具有绝缘缺陷的设备模型、相互信号连接的信号获取装置和信号处理与分析装置,其中:
所述信号处理与分析装置实施所述步骤(2)至所述步骤(8)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710730527.3A CN107728014B (zh) | 2017-08-23 | 2017-08-23 | 基于多传感器信号特征识别设备绝缘缺陷的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710730527.3A CN107728014B (zh) | 2017-08-23 | 2017-08-23 | 基于多传感器信号特征识别设备绝缘缺陷的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107728014A CN107728014A (zh) | 2018-02-23 |
CN107728014B true CN107728014B (zh) | 2019-09-10 |
Family
ID=61205185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710730527.3A Active CN107728014B (zh) | 2017-08-23 | 2017-08-23 | 基于多传感器信号特征识别设备绝缘缺陷的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107728014B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109683066A (zh) * | 2018-11-08 | 2019-04-26 | 山东康威通信技术股份有限公司 | 电力电缆典型缺陷局部放电信号识别方法 |
CN110632484A (zh) * | 2019-11-06 | 2019-12-31 | 广东电网有限责任公司 | 一种基于elm的gis局部放电缺陷诊断分类系统及方法 |
CN111239263B (zh) * | 2020-01-19 | 2022-10-28 | 国网宁夏电力有限公司电力科学研究院 | 一种gis设备内部的异物缺陷的检测方法及系统 |
CN111579938B (zh) * | 2020-04-14 | 2024-03-22 | 杭州柯林电气股份有限公司 | 基于多传感器的多源局部放电信号分离方法、监测系统 |
CN114252738B (zh) * | 2021-12-24 | 2022-10-18 | 华中科技大学 | 一种电缆接头典型缺陷局放表征特征挖掘及模式识别方法 |
CN115659248A (zh) * | 2022-11-07 | 2023-01-31 | 中国长江三峡集团有限公司 | 一种电力设备缺陷识别方法、装置、设备及存储介质 |
CN116736051A (zh) * | 2023-05-22 | 2023-09-12 | 内蒙古工业大学 | Gis绝缘缺陷智能诊断方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102508135A (zh) * | 2011-11-23 | 2012-06-20 | 华南理工大学 | 一种基于云计算的电缆振荡波局部放电测量与定位系统 |
EP2518521A2 (en) * | 2011-04-29 | 2012-10-31 | General Electric Company | System and device for detecting defects in underground cables |
CN105044566A (zh) * | 2015-06-25 | 2015-11-11 | 国家电网公司 | 一种基于特征超高频信号的gis局部放电故障检测方法 |
CN105629139A (zh) * | 2015-12-29 | 2016-06-01 | 武汉大学 | 一种气体绝缘电气设备局部放电多源联合监测实验装置 |
CN105676085A (zh) * | 2016-01-31 | 2016-06-15 | 国家电网公司 | 基于多传感器信息融合的特高压gis局部放电检测方法 |
CN106353651A (zh) * | 2016-09-30 | 2017-01-25 | 国家电网公司 | 基于bp网络的gis局放声电联合检测故障定位方法 |
-
2017
- 2017-08-23 CN CN201710730527.3A patent/CN107728014B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2518521A2 (en) * | 2011-04-29 | 2012-10-31 | General Electric Company | System and device for detecting defects in underground cables |
CN102508135A (zh) * | 2011-11-23 | 2012-06-20 | 华南理工大学 | 一种基于云计算的电缆振荡波局部放电测量与定位系统 |
CN105044566A (zh) * | 2015-06-25 | 2015-11-11 | 国家电网公司 | 一种基于特征超高频信号的gis局部放电故障检测方法 |
CN105629139A (zh) * | 2015-12-29 | 2016-06-01 | 武汉大学 | 一种气体绝缘电气设备局部放电多源联合监测实验装置 |
CN105676085A (zh) * | 2016-01-31 | 2016-06-15 | 国家电网公司 | 基于多传感器信息融合的特高压gis局部放电检测方法 |
CN106353651A (zh) * | 2016-09-30 | 2017-01-25 | 国家电网公司 | 基于bp网络的gis局放声电联合检测故障定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107728014A (zh) | 2018-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107728014B (zh) | 基于多传感器信号特征识别设备绝缘缺陷的方法及系统 | |
Hussain et al. | Overview and partial discharge analysis of power transformers: A literature review | |
Mondal et al. | Detection, measurement, and classification of partial discharge in a power transformer: Methods, trends, and future research | |
Jiang et al. | Partial discharge detection and diagnosis of transformer bushing based on UHF method | |
James et al. | Development of computer-based measurements and their application to PD pattern analysis | |
CN112014700B (zh) | 基于局部放电多信息融合的gis绝缘子缺陷识别方法及系统 | |
Contin et al. | Classification and separation of partial discharge signals by means of their auto-correlation function evaluation | |
Tang et al. | A correlated empirical mode decomposition method for partial discharge signal denoising | |
Zhu et al. | Partial discharge signals separation using cumulative energy function and mathematical morphology gradient | |
Aschenbrenner et al. | On line PD measurements and diagnosis on power transformers | |
CN106841905A (zh) | 一种变压器短路故障的识别方法及装置 | |
Soomro et al. | Study on different techniques of partial discharge (PD) detection in power transformers winding: Simulation between paper and EPOXY resin using UHF method | |
WO2015058068A1 (en) | Method and apparatus for measuring partial discharge charge value in frequency domain | |
CN111551790A (zh) | 用于确定用于电力系统的绝缘的介电质等效电路图的元件的方法和设备 | |
CN112014694B (zh) | 气体绝缘组合电器的光信号传播特性测量系统及测量方法 | |
Firuzi et al. | A hybrid transformer PD monitoring method using simultaneous IEC60270 and RF data | |
Liao et al. | A method for discriminating the moisture status of OIP bushing based on Dissado-hill and GWO-HMM model | |
Binotto et al. | Partial discharge detection of transformer bushing based on acoustic emission and current analysis | |
Cselko et al. | Challenges of partial discharge diagnostics of low-voltage cables | |
CN116910470A (zh) | 一种gis组合电器局部放电故障模式识别方法 | |
de Barros Bezerra et al. | An evaluation of alternative techniques for monitoring insulator pollution | |
Firuzi et al. | Transformer components impact on compatibility of measured PDs: comparison of IEC60270 and RF methods | |
US7076374B2 (en) | Methods and systems for detecting and locating damage in a wire | |
Anjum et al. | Condition Monitoring system for the detection of defects in ceramic insulators based on their radio frequency (RF) signatures | |
CN111239557B (zh) | 基于在线校准的局部放电定位方法 |
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 |