CN108680832A - 一种基于sa-apso及降维投影动态收缩圆的局部放电定位方法 - Google Patents
一种基于sa-apso及降维投影动态收缩圆的局部放电定位方法 Download PDFInfo
- Publication number
- CN108680832A CN108680832A CN201810173396.8A CN201810173396A CN108680832A CN 108680832 A CN108680832 A CN 108680832A CN 201810173396 A CN201810173396 A CN 201810173396A CN 108680832 A CN108680832 A CN 108680832A
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- point
- transformer
- circle
- apso
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000009467 reduction Effects 0.000 title claims abstract description 24
- 230000008602 contraction Effects 0.000 title claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000002922 simulated annealing Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 238000002474 experimental method Methods 0.000 claims description 9
- 230000004807 localization Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 239000003990 capacitor Substances 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000001681 protective effect Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 239000012212 insulator Substances 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000007630 basic procedure Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 abstract description 17
- 230000000694 effects Effects 0.000 abstract description 10
- 238000004088 simulation Methods 0.000 abstract description 8
- 239000002245 particle Substances 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 230000007547 defect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000009413 insulation Methods 0.000 description 4
- 238000007599 discharging Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000001310 location test Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种基于SA‑APSO及降维投影动态收缩圆的局部放电定位方法，并以变压器为例进行实验测试，具体包括以下步骤：首先对所提模拟退火自适应混合粒子群算法进行仿真测试，证明其提取数据的有效性，随后，针对同一局部放电点，利用该算法提取多组变压器实测数据，并进行局部放电点投影及聚类处理，得到平面局部放电源；最后，将得到的平面局部放电源结果均值处理后回归空间量，最终值即为所求局部放电点。本发明的方法具有：样本数量大、局部放电源定位精度高、局部放电源定位稳定度高；误差更小、故障定位及预测更准确等多项有益技术效果；为工程实际中的高压设备局部放电的定位测算提供了精确参考。
Description
技术领域
本发明属于电力系统高压设备绝缘技术领域，尤其涉及一种基于SA-APSO及降维投影-动态收缩圆的局部放电定位方法。
背景技术
电力设备的运行状态直接影响着整个电网的稳定运行。现有的电力设备在生产、装配及运行过程中很容易产生绝缘缺陷，导致设备故障。局部放电(PD)不仅是绝缘故障产生的重要原因，也是绝缘劣化程度的主要评估手段，因此对于现场的电力设备，获得PD的具体位置将有助于提高电网运行效率及安全性。
由于PD源与传感器之间的传播路径复杂，利用超声波法进行定位存在信号衰减、检测灵敏度低等问题，且由于现场电磁干扰的作用，定位PD源较为困难。电气定位法由于PD产生的电脉冲到绕组的规律性不强，且与变压器绕组参数紧密相关，因此不利于变压器的现场运行。特高频(Ultra High Frequency,UHF)检测技术检测频段高、抗干扰能力强、灵敏度高，因此，利用特高频法对PD进行定位已成为局部放源在线监测的发展趋势。
本发明利用特高频传感器测得前端时延估计数据，由于超声波、电磁波速度的量级巨大，微弱的估计误差将会对最终结果造成较大影响。因此，在时延估计精度无法进行大幅度的提升时，可在定位算法上加以改进，单纯PSO算法容易陷入局部最优，而模拟退火算法具有跳出局部最优的优秀能力，结合模拟退火及自适应粒子群能够获得更好的数据提取效果。
由于变压器内部结构复杂，电磁波传播过程中的绕射作用使得最终求得的局部放电点存在偏差，不具有代表性，因此，单样本及少量样本的局放定位数据不具有一般说服力。
专利201210332897.9提出一种基于电磁波天线阵列信号处理的变电站局部放电定位方法，利用L型阵列构造数据矩阵，测算方位角，然而由于受信号的干扰影响较大，有时难以有效分辨出真实的局放信号。专利201310427663.7提出一种基于超声稀疏阵列传感器的油中多局部放电源定位方法，虽然能够对局部放电源进行定位，但其结果波动大，当多个信号源的位置相隔较近且为小信噪比的超声信号时，此方法将不能准确定位。专利201210260572.4提出一种GIS超高频局部放电信号识别方法，处理数据过程均为智能算法(包括模拟退火及神经网络等)，由于智能算法本身具有一定缺陷，测试数据跳跃性较大，时延及定位两方面均为智能算法导致误差叠加，精度不太理想。专利201510035421.2提出一种复小波变换局放定位试验方法及装置，虽然在抑制噪声方面效果明显，但是由于时延估计及复小波变换过程中均存在智能算法本身的波动缺陷，加之数据样本较少，使得测试结果不甚理想。
基于现有的局部放电定位方法存在定位精度低，稳定性差以及常采用的单一样本数据模式带来的多项误差叠加的问题，因此，本发明对其进行综合改进，本发明中所提出的基于SA-APSO及降维投影-动态收缩圆的局部放电定位方法，是一种包含大量样本且能够有效提升局部放电源定位精度及稳定度的方法。
发明内容
针对现有的局部放电定位方法定位精度低，稳定性差以及常采用的单一样本数据模式带来的多项误差叠加的问题，本发明提出了一种基于SA-APSO及降维投影动态收缩圆的局部放电定位方法。
本发明是采取如下技术方案来实现的：
一种基于SA-APSO及降维投影动态收缩圆的局部放电定位方法，其特征在于包括以下步骤：
步骤1：对SA-APSO(模拟退火混合粒子群)定位算法进行测试；
步骤2：利用该算法提取多组变压器实测数据(利用模拟变压器实验平台)，将所得到的所有空间局部放电点投影在二维平面，进行聚类处理，利用点密度设定阈值的方法排除偏离点，并以剩余点构成的拟合圆圆心作为平面局部放电源；
步骤3：将得到的平面局部放电源结果均值处理后回归空间量，得到最终局部放电点。
所述SA-APSO算法作为提取大量局部放电点的前提，先对SA-APSO算法的定位效果进行测试，在此选定两个测试函数如表1所示。
表1标准测试函数
所选测试函数均为多峰函数，具有多个局部极值点，数据采集更具说服力。通过标准测试函数，可以看出其在稳定度及精度上较普通PSO均有一定提升，仿真结果如表2所示。
其中，定位计算前，本发明利用特高频传感器及累积能量法提取前端时延估计数据，之后进行单个数据(局部放电点)的提取。
所述单个局部放电源的定位方法为：
基于时差定位法(TDOAM)，将变压器模拟为一个立方体。以其中一个顶角为原点，建立如图1所示的三维坐标系，局部放电源以P(x,y,z)表示，各传感器分别以S1(x1，y1，z1)、S1(x1，y1，z1)及Sn(xn，yn，zn)表示。如图2所示，以传感器S1为基准传感器，用表示第号传感器与1号传感器接收到超声信号的时延估计值。
表2对测试函数的仿真结果比较
以n个传感器为例，局部放电源所在位置满足如下方程组：
式中(x，y，z)为局部放电点的坐标，为各传感器的坐标，T为基准传感器S1到局部放电源的时间，v为变压器油中超声波波速。将方程开根号，右式左移，则式(1)可转化为：
f(x，y，z，v)＝[(x-xi)2+(y-yi)2+(z-zi)2]1/2-[(x-x1)2+(y-y1)2+(z-z1)2]1/2-Vτi1＝0 (2)
由于方程(2)为超定方程组，无法求其精确解，因此将其转化为优化问题，求取目标函数的最小值。
最终局部放电源定位的数学模型转化为求一带约束条件的优化问题：
其中：xmax，ymax，Zmax分别为模拟变压器的长宽高，v为变压器油中超声波波速，i＝1，2，3...n。
所述降维投影-动态收缩圆方法为将所得到的所有空间局部放电点投影在二维平面，进行聚类处理，利用点密度设定阈值的方法排除偏离点，并以剩余点构成的拟合圆圆心作为平面局部放电源。具体模型为：
将散落的空间点进行降维，将其分别投影到三个平面(x，y)，(x，z)，(y，z)。分别在三个平面进行聚类分析，以圆内局部放电点密度作为聚类分析的评判标准。设任一局部放电源a点，其点密度为λ(a)，其计算值为
式中：Nrs表示在以a点为中心、γ为半径的圆内局部放电点的个数，在排除偏离点时，判断该点的点密度λ(a)，当λ(a)＜m(m为设定的阈值)时，表明该点即为偏离点，需要将其排除，通过设置合适阈值，排除偏离点。最终剩余“有效点”拟构成一个近似圆，取其圆心作为平面局部放电源。
所述实验平台由变压器箱体、PD源、四个传感器(特高频微带贴片天线传感器)、四根等长同轴传输线及4通道Tektronix DPO7104高速示波器(1GHz模拟带宽及最大采样频率为20GHz的高速示波器)等组成。模拟PD源为实验室中的针-板放电模型，且在变压器箱体内靠近传感器一侧放置少量绝缘子，模拟实际的复杂变压器中电磁波遇到障碍物时的折反射和绕射现象，具体如图3所示。其中，示波器的四通道CH1-CH4分别对应采集四个传感器S1-S4的信号，PD源置于P(x，y，z),四个传感器分别为S1(x1，y1，z1)，S2(x2，y2，z2)，S3(x3，y3，z3)，S4(x4，y4，z4)，文中所述长度单位均为厘米。
本发明的方法具有：样本数量大、局部放电源定位精度高、局部放电源定位稳定度高；误差更小、故障定位及预测更准确等多项有益技术效果。
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。
图1为本发明中局部放电定位原理图。
图2为本发明中基于TDOAM的时延估计原理图。
图3为本发明中模拟变压器局部放电实验平台。
图4本发明中100次测量局部放电源空间散点图。
图5本发明中聚类处理后X-Y轴的平面散点图。
图6本发明中聚类处理后X-Z轴的平面散点图。
图7本发明中聚类处理后Y-Z轴的平面散点图。
图中的附图标记对应的名称为：x-X轴、y-Y轴、Z-Z轴、S1-第一局部放电源、S2-第二局部放电源、S3-第三局部放电源、S4-第四局部放电源、Sn-第n局部放电源、P—模拟局部放电点、T—局放点到传感器的时间、τ1—第1号传感器、τ2—第2号传感器、τ3—第3号传感器、τ4—第4号传感器、τn—第n号传感器、U(t)—电压量、1-变压器箱体、2-高压套管、3-实际局放点、4-升压变压器、5-保护电阻、6-耦合电容、7-示波器。
具体实施方式
请参阅图1至图7，下面结合说明书附图，对优选实例进行详细说明；本申请中，SA-APSO的学术术语为：模拟退火混合粒子群。
一种基于SA-APSO及降维投影动态收缩圆的局部放电定位方法，其特征在于包括以下步骤：
步骤1：对SA-APSO定位算法进行测试；
步骤2：采用步骤1的算法，用模拟变压器实验平台提取多组变压器实测数据：其中，变压器箱体1上的第一局部放电源S1、第二局部放电源S2、第三局部放电源S3、第四局部放电源S4分别连接到示波器7的输入端，变压器箱体1内部的高压套管2的一端连接实际局放点3的一端，变压器箱体1内部的高压套管2的另一端连接保护电阻5的一端及耦合电容6的一端，保护电阻5的另一端连接升压变压器4的初级的一端，耦合电容6的另一端连接升压变压器4的初级的另一端，升压变压器4的初级的另一端接地，实际局放点3的另一端连接接地电阻的一端，接地电阻的另一端接地；
将所得到的所有空间局部放电点投影在二维平面，进行聚类处理，利用点密度设定阈值的方法排除偏离点，并以剩余点构成的拟合圆圆心作为平面局部放电源；
步骤3：将得到的平面局部放电源结果均值处理后回归空间量，得到最终局部放电点。
其中，SA-APSO算法的提出基于常见的自适应粒子群算法，由于其容易陷入局部最优的问题，因此结合了模拟退火(SA)算法，模拟退火算法可以设置随机数，以一定的概率跳出所求解，重新计算求解，虽然过程中多了部分时间代价，但因此也具有了概率性的跳出局部最优的能力，因此，将两者进行结合后，能够跳出局部最优解，在结果稳定性及进度上都有所提升。但将其直接应用于局部放电的定位中，精度上仍然不够理想，分析原因，主要是由于智能算法所求结果不是精确解，加上模型上的差异、局放点设定位置差异、数据处理小数点的处理不同，变压器内部声波折反射的影响等均会造成一定误差，因此各个误差进行叠加后得到的结果显然不会相等，即使针对同一局放点提取的多数据，他们也有所差异。因此，本文认为单样本及少样本的局放定位方法具有一定缺陷，针对此，为进一步提升定位精度，本文接着提出降维投影法。
SA-APSO算法基本流程为：
步骤1：粒子群的初始化：
(a)设定种群的规模m，最大进化代数Tmax；
(b)初始化粒子群的速度和位置；
(c)计算初始粒子群的适应度根据相应的初始化个体极值pbest和群体极值gbest；
步骤2：模拟退火的初始化：
(d)设置初始温度T，生成初始解s(w，c1，c2)；
(e)求评价函数C(s)：更新速度和位置，并计算适应度根据适应度相应的更新极值pbest和gbest，取C(s)＝pbest；
步骤3：生成新解s′(w′，c1′，c2′)；
步骤4：更新速度和位置，其中w、c1和c3按照s′取值；
步骤5：计算适应度
步骤6：求得ΔC＝C(s′)-C(s)；
IfΔC＜0，则C(s)＝C(s′)，s＝s′，则接受由s′所更新的速度和位置，T＝αT；
Else if exp(-ΔC/T)＞rand(0，1)，则C(s)＝C(s′)，s＝s′，仍然接受由s′所更新的速度和位置，T＝αT；
Else拒绝s′的值，S仍为当前的状态，用S来更新速度和位置，并计算其适应度；
步骤7：根据适应值更新pbest和gbest；
步骤8：判断是否满足结束条件，若满足，输出最优值，若不满足，转步骤3。
其中，m表示设定的种群规模，表示最大进化代数，表示初始化粒子群的速度，表示初始化粒子群的位置，表示初始粒子群的适应度，pbest表示由适应度确定的个体极值，gbest表示由适应度确定的群体极值，T表示模拟退火的初始温度，s(w，c1，c2)表示模拟退火在温度T时的初始解，C(s)表示评价函数，s′(w′，c1′，c2′)表示由模拟退火算法所得的新解，rand(0,1)表示0到1之间的随机数。
所选测试函数均为多峰函数，具有多个局部极值点，对所测算法精度及稳定性方面更具说服力。
下面分别对单次局放源定位使用模型进行介绍，并通过标准测试函数测试证明了SA-APSO定位算法的有效性，之后基于模拟实验平台，通过SA-APSO算法，对同一局放点分别提取100或200组数据，将这些空间点进行降维处理，并以拟圆圆心作为平面局放源，均值处理后得到最终局放源结果。具体实施方案如下：
步骤1中所述SA-APSO定位算法进行测试，先对SA-APSO算法的定位效果进行测试，选定两个测试函数如表1所示：
表1标准测试函数
所选测试函数均为多峰函数，具有多个局部极值点，数据采集更具说服力。通过标准测试函数，可以看出其在稳定度及精度上较普通粒子群(PSO)算法均有一定提升，仿真结果如表2所示；
其中，定位计算前，本发明利用特高频传感器及累积能量法提取前端时延估计数据，之后进行单个数据(局部放电点)的提取；
所述单个局部放电源的定位方法为：
基于时差定位法(TDOAM)，将变压器模拟为一个立方体，以其中一个顶角为原点，建立如图1所示的三维坐标系，局部放电源以P(x,y,z)表示，各传感器分别以S1(x1，y1，z1)、及表示。如图2所示，以传感器S1为基准传感器，用表示第号传感器与1号传感器接收到超声信号的时延估计值。
表2对测试函数的仿真结果比较
以n个传感器为例，局部放电源所在位置满足如下方程组：
式中(x，y，z)为局部放电点的坐标，为各传感器的坐标，T为基准传感器S1到局部放电源的时间，v为变压器油中超声波波速。将方程开根号，右式左移，则上式可转化为：
f(x，y，z，v)＝[(x-xi)2+(y-yi)2+(z-zi)2]1/2-[(x-x1)2+(y-y1)2+(z-z1)2]1/2-vτi1＝0
由于上述方程为超定方程组，无法求其精确解，因此将其转化为优化问题，求取目标函数的最小值。
最终局部放电源定位的数学模型转化为求一带约束条件的优化问题：
其中：xmax，ymax，zmax分别为模拟变压器的长宽高，v为变压器油中超声波波速，i＝1，2，3...n。
所述降维投影-动态收缩圆方法为将所得到的所有空间局部放电点投影在二维平面，进行聚类处理，利用点密度设定阈值的方法排除偏离点，并以剩余点构成的拟合圆圆心作为平面局部放电源。具体模型为：
将散落的空间点进行降维，将其分别投影到三个平面(x，y)，(x，z)，(y，z)。分别在三个平面进行聚类分析，以圆内局部放电点密度作为聚类分析的评判标准。设任一局部放电源a点，其点密度为λ(a)，其计算值为
式中：Nrs表示在以a点为中心、r为半径的圆内局部放电点的个数，在排除偏离点时，判断该点的点密度λ(a)，当λ(a)＜m(m为设定的阈值)时，表明该点即为偏离点，需要将其排除，通过设置合适阈值，排除偏离点。最终剩余“有效点”拟构成一个近似圆，取其圆心作为平面局部放电源，分别得到三个平面局放源(x1，y1)、(x2，z1)、(y2，z2)，局放源坐标为求得最终局放源(xp，yp，zp)。
表3定位结果及误差
所述实验平台由变压器箱体、局部放电源、四个传感器(特高频微带贴片天线传感器)、四根等长同轴传输线及4通道Tektronix DPO7104高速示波器(1GHz模拟带宽及最大采样频率为20GHz的高速示波器)等组成。模拟局部放电源(PD)源为实验室中的针-板放电模型，且在变压器箱体内靠近传感器一侧放置少量绝缘子，模拟实际的复杂变压器中电磁波遇到障碍物时的折反射和绕射现象，具体如图3所示。其中，示波器的四通道CH1-CH4分别对应采集四个传感器S1-S4的信号，PD源置于P(x，y，z),四个传感器分别为S1(x1，y1，z1)，文中所述长度单位均为厘米。
图1为本发明中局部放电定位原理图，图2为本发明中基于TDOAM的时延估计原理图，对应单局放源中的时间差，图3为本发明中模拟变压器局部放电实验平台，图4本发明中100次测量局部放电源空间散点图，图5本发明中聚类处理后X-Y轴的平面散点图，其中外围离散点部分为通过聚类分析排除的偏离点，内部较集中的点为留下的有效点；图6本发明中聚类处理后X-Z轴的平面散点图，其中外围离散点部分为通过聚类分析排除的偏离点，内部较集中的点为留下的有效点，图7本发明中聚类处理后Y-Z轴的平面散点图，其中外围离散点部分为通过聚类分析排除的偏离点，内部较集中的点为留下的有效点；实际试验时，上述离散及集中的点分别用不用颜色进行区分，如红色及蓝色；
通过搭建的实验平台，对比实验数据，证明了经过降维投影处理后的局放源定位方法精度较普通PSO定位方法有明显提升。三次试验中，以取用的200组数据为例，当局放源在(145,150,140)时，误差由原先的12.77cm降至6.96cm；当局放源在(90,105,95)时，误差由9.39cm降至5.59cm；局放源在(50,25,40)时，误差由9.83cm降至4.59cm。由表格可以看出，当局放源位置一定时，降维投影法在100组及200组数据中的定位精度明显优于PSO，表明降维投影法在不受数据量的限制的条件下比普通PSO定位精度更高。且PSO在100组及200组定位数据的处理过程中对比自身，并没有精度上的提升，如局放点(145,150,140)，取100和200组数据时定位误差分别是12.67cm和12.77cm，可以看到，在数据量更大的情况定位精度反而略微降低，这表明PSO定位法在加大数据量时并不能有效提升定位精度，而降维投影法在数据量由100增加到200时定位精度也有所提升，当局放源在(145,150,140)时，误差由原先的7.82cm降至6.96cm；当局放源在(90,105,95)时，误差由6.31cm降至5.59cm；局放源在(50,25,40)时，误差由6.36cm降至4.59cm。表明该方法在数据量更大时，可以进一步提升定位精度。
申请人还利用本方法，多次改变局放源的位置，进一步进行测试，结果表明降维投影法能够有效应用于变压器局部放电的定位中，提升定位精度。
本发明的方法具有：样本数量大、局部放电源定位精度高、局部放电源定位稳定度高；误差更小、故障定位及预测更准确等多项有益技术效果。
Claims (5)
1.一种基于SA-APSO及降维投影动态收缩圆的局部放电定位方法，其特征在于包括以下步骤：
步骤1：对SA-APSO定位算法进行测试；
步骤2：采用步骤1的算法，用模拟变压器实验平台提取多组变压器实测数据：其中，变压器箱体1上的第一局部放电源S1、第二局部放电源S2、第三局部放电源S3、第四局部放电源S4分别连接到示波器的输入端，变压器箱体内部的高压套管的一端连接实际局放点的一端，变压器箱体内部的高压套管的另一端连接保护电阻的一端及耦合电容的一端，保护电阻的另一端连接升压变压器的初级的一端，耦合电容的另一端连接升压变压器的初级的另一端，升压变压器的初级的另一端接地，实际局放点的另一端连接接地电阻的一端，接地电阻的另一端接地；
将所得到的所有空间局部放电点投影在二维平面，进行聚类处理，利用点密度设定阈值的方法排除偏离点，并以剩余点构成的拟合圆圆心作为平面局部放电源；
步骤3：将得到的平面局部放电源结果均值处理后回归空间量，得到最终局部放电点。
2.根据权利要求1所述的一种基于SA-APSO及降维投影动态收缩圆的局部放电定位方法，其特征在于所述SA-APSO算法基本流程为：
第一步：粒子群的初始化：
(a)设定种群的规模m，最大进化代数Tmax；
(b)初始化粒子群的速度vi和位置xi；
(c)计算初始粒子群的适应度f(xi)，根据f(xi)相应的初始化个体极值pbest和群体极值gbest；
第二步：模拟退火的初始化：
(d)设置初始温度T，生成初始解s(w,c1,c2)；
(e)求评价函数C(s)：更新速度vi和位置xi，并计算适应度f(xi)，根据适应度相应的更新极值pbest和gbest，取C(s)＝gbest；
第三步：生成新解s'(w',c1',c2')；
第四步：更新速度vi和位置xi，其中w、c1和c2按照s'取值；
第五步：计算适应度f(xi)；
第六步：求得C(s')＝min[f(xi),i＝1,2,...,m]，ΔC＝C(s')-C(s)；
IfΔC＜0，则C(s)＝C(s')，s＝s'，则接受由s'所更新的速度和位置，T＝αT；
Else if exp(-ΔC/T)>rand(0,1)，则C(s)＝C(s')，s＝s'，仍然接受由s'所更新的速度和位置，T＝αT；
Else拒绝s'的值，s仍为当前的状态，用s来更新速度和位置，并计算其适应度；
第七步：根据适应值更新pbest和gbest；
第八步：判断是否满足结束条件，若满足，输出最优值，若不满足，转第三步。
3.根据权利要求2所述的一种基于SA-APSO及降维投影动态收缩圆的局部放电定位方法，其特征在于所述SA-APSO算法中的评价函数为：
其中，自变量范围为：x,y∈[-2,2]，
f2＝maxf2(x,y)＝-(x2+y2)0.25{sin2[50(x2+y2)0.1]+1.0}，其中，自变量范围为：-5.12≤x,y≤5.12。
4.根据权利要求2所述的一种基于SA-APSO及降维投影动态收缩圆的局部放电定位方法，其特征在于定位计算前，利用特高频传感器及累积能量法提取前端时延估计数据，之后进行单个局部放电点数据的提取；所述单个局部放电源的定位方法为：基于时差定位法，将变压器模拟为一个立方体，以其中一个顶角为原点，建立三维坐标系，局部放电源以P(x,y,z)表示，各传感器分别以S1(x1,y1,z1)、S2(x2,y2,z2)、S3(x3,y3,z3)及Sn(xn,yn,zn)表示，以第一传感器S1为基准传感器，用τi1表示第i号传感器与第一传感器接收到超声信号的时延估计值；以n个第n传感器为例，局部放电源所在位置满足如下方程组：
式中(x,y,z)为局部放电点的坐标，(xi,yi,zi)为各传感器的坐标，T为基准传感器S1到局部放电源的时间，v为变压器油中超声波波速；将方程开根号，右式左移，则上式可转化为：
f(x,y,z,v)＝[(x-xi)2+(y-yi)2+(z-zi)2]1/2-[(x-x1)2+(y-y1)2+(z-z1)2]1/2-vτi1＝0
将上述方程转化为优化问题，求取目标函数的最小值；
最终局部放电源定位的数学模型转化为求一带约束条件的优化问题：
其中：xmax，ymax，zmax分别为模拟变压器的长宽高，v为变压器油中超声波波速，i＝1,2,3...n；
所述降维投影-动态收缩圆方法为将所得到的所有空间局部放电点投影在二维平面，进行聚类处理，利用点密度设定阈值的方法排除偏离点，并以剩余点构成的拟合圆圆心作为平面局部放电源；具体模型为：
将散落的空间点进行降维，将其分别投影到三个平面(x,y)，(x,z)，(y,z)；分别在三个平面进行聚类分析，以圆内局部放电点密度作为聚类分析的评判标准；设任一局部放电源a点，其点密度为λ(a)，其计算值为：
式中：Nrs表示在以a点为中心、r为半径的圆内局部放电点的个数，在排除偏离点时，判断该点的点密度λ(a)，当λ(a)＜m(m为设定的阈值)时，表明该点即为偏离点，需要将其排除，通过设置合适阈值，排除偏离点；最终剩余有效点拟构成一个近似圆，取其圆心作为平面局部放电源，分别得到三个平面局放源(x1，y1)、(x2，z1)、(y2，z2)，局放源坐标为求得最终局放源(xp，yp，zp)。
5.根据权利要求2所述的一种基于SA-APSO及降维投影动态收缩圆的局部放电定位方法，其特征在于所述模拟变压器实验平台中，第一局部放电源至第四局部放电源采用四根等长同轴传输线连接到型号为：Tektronix DPO7104的高速示波器，变压器箱体内靠近传感器一侧放置有绝缘子，模拟实际的复杂变压器中电磁波遇到障碍物时的折反射和绕射现象；其中，示波器的四通道分别对应采集四个传感器的信号，局部放电源置于P(x,y,z),四个传感器分别为S1(x1,y1,z1)，S2(x2,y2,z2)，S3(x3,y3,z3)，S4(x4,y4,z4)，所述长度单位均为厘米。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810173396.8A CN108680832B (zh) | 2018-03-02 | 2018-03-02 | 一种基于sa-apso及降维投影动态收缩圆的局部放电定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810173396.8A CN108680832B (zh) | 2018-03-02 | 2018-03-02 | 一种基于sa-apso及降维投影动态收缩圆的局部放电定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108680832A true CN108680832A (zh) | 2018-10-19 |
| CN108680832B CN108680832B (zh) | 2021-01-12 |
Family
ID=63799229
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810173396.8A Active CN108680832B (zh) | 2018-03-02 | 2018-03-02 | 一种基于sa-apso及降维投影动态收缩圆的局部放电定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108680832B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109655875A (zh) * | 2019-01-02 | 2019-04-19 | 中国工程物理研究院材料研究所 | 基于四传感器的弱信号源定位方法 |
| CN110705074A (zh) * | 2019-09-25 | 2020-01-17 | 重庆长安汽车股份有限公司 | 快速线束原理仿真分析方法 |
| CN111537849A (zh) * | 2020-05-18 | 2020-08-14 | 广东电网有限责任公司东莞供电局 | 一种局部放电源的定位方法及装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102378361A (zh) * | 2011-04-02 | 2012-03-14 | 河海大学常州校区 | 基于三维空间锚球交域重心的无线传感器网络定位方法 |
| CN102809718A (zh) * | 2012-07-25 | 2012-12-05 | 华南理工大学 | 一种gis超高频局部放电信号识别方法 |
| CN103091610A (zh) * | 2013-01-11 | 2013-05-08 | 辽宁省电力有限公司朝阳供电公司 | 一种变压器故障图形预警的方法 |
| CN103323755A (zh) * | 2013-06-17 | 2013-09-25 | 广东电网公司电力科学研究院 | Gis特高频局部放电信号识别方法及系统 |
| CN104133164A (zh) * | 2014-07-07 | 2014-11-05 | 国家电网公司 | 空间局部放电定位中的可视投影方法 |
| CN105137297A (zh) * | 2015-08-21 | 2015-12-09 | 国网浙江省电力公司电力科学研究院 | 变电设备多源局部放电信号的分离方法及装置 |
| CN105719003A (zh) * | 2016-01-13 | 2016-06-29 | 中国南方电网有限责任公司超高压输电公司 | 一种基于量子遗传算法的换流变压器局放超声定位方法 |
| CN106093715A (zh) * | 2016-03-17 | 2016-11-09 | 国网江西省电力科学研究院 | 一种电气设备局放源定位装置及定位方法 |
-
2018
- 2018-03-02 CN CN201810173396.8A patent/CN108680832B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102378361A (zh) * | 2011-04-02 | 2012-03-14 | 河海大学常州校区 | 基于三维空间锚球交域重心的无线传感器网络定位方法 |
| CN102809718A (zh) * | 2012-07-25 | 2012-12-05 | 华南理工大学 | 一种gis超高频局部放电信号识别方法 |
| CN103091610A (zh) * | 2013-01-11 | 2013-05-08 | 辽宁省电力有限公司朝阳供电公司 | 一种变压器故障图形预警的方法 |
| CN103323755A (zh) * | 2013-06-17 | 2013-09-25 | 广东电网公司电力科学研究院 | Gis特高频局部放电信号识别方法及系统 |
| CN104133164A (zh) * | 2014-07-07 | 2014-11-05 | 国家电网公司 | 空间局部放电定位中的可视投影方法 |
| CN105137297A (zh) * | 2015-08-21 | 2015-12-09 | 国网浙江省电力公司电力科学研究院 | 变电设备多源局部放电信号的分离方法及装置 |
| CN105719003A (zh) * | 2016-01-13 | 2016-06-29 | 中国南方电网有限责任公司超高压输电公司 | 一种基于量子遗传算法的换流变压器局放超声定位方法 |
| CN106093715A (zh) * | 2016-03-17 | 2016-11-09 | 国网江西省电力科学研究院 | 一种电气设备局放源定位装置及定位方法 |
Non-Patent Citations (6)
| Title |
|---|
| FUPING ZENG ET AL.: "A Semi-definite Relaxation Approach for Partial Discharge Source Location in Transformers", 《IEEE TRANSACTIONS ON DIELECTRICS AND ELECTRICAL INSULATION》 * |
| QING XIE ET AL.: "Method of sparse design based on the dimension reduction technology and the double partial discharge sources positioning test", 《IET SCIENCE, MEASUREMENT & TECHNOLOGY》 * |
| SHI-QIANG WANG ET AL.: "Feature optimization selection and dimension reduction for partial discharge pattern recognition", 《2016 INTERNATIONAL CONFERENCE ON CONDITION MONITORING AND DIAGNOSIS (CMD)》 * |
| 杜林等: "基于能量累计曲线-小波变换和动态加权统计的局部放电源定位方法", 《第5期》 * |
| 郭晓川等: "基于混合粒子群的变压器局部放电定位研究与应用", 《电工电气》 * |
| 黄亮: "变压器局部放电源的半定松弛逐次逼近定位方法研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109655875A (zh) * | 2019-01-02 | 2019-04-19 | 中国工程物理研究院材料研究所 | 基于四传感器的弱信号源定位方法 |
| CN109655875B (zh) * | 2019-01-02 | 2022-04-19 | 中国工程物理研究院材料研究所 | 基于四传感器的弱信号源定位方法 |
| CN110705074A (zh) * | 2019-09-25 | 2020-01-17 | 重庆长安汽车股份有限公司 | 快速线束原理仿真分析方法 |
| CN110705074B (zh) * | 2019-09-25 | 2022-06-03 | 重庆长安汽车股份有限公司 | 快速线束原理仿真分析方法 |
| CN111537849A (zh) * | 2020-05-18 | 2020-08-14 | 广东电网有限责任公司东莞供电局 | 一种局部放电源的定位方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108680832B (zh) | 2021-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Peng et al. | A convolutional neural network-based deep learning methodology for recognition of partial discharge patterns from high-voltage cables | |
| Song et al. | GIS partial discharge pattern recognition via deep convolutional neural network under complex data source | |
| CN105676085B (zh) | 基于多传感器信息融合的特高压gis局部放电检测方法 | |
| CN105807190B (zh) | 一种gis局部放电超高频带电检测方法 | |
| Zhu et al. | Localization of multiple partial discharge sources in air-insulated substation using probability-based algorithm | |
| CN108680832A (zh) | 一种基于sa-apso及降维投影动态收缩圆的局部放电定位方法 | |
| Wu et al. | Defect recognition and condition assessment of epoxy insulators in gas insulated switchgear based on multi-information fusion | |
| Wang et al. | Measurement and analysis of partial discharges in SF6 gas under HVDC | |
| CN106556783B (zh) | 一种变电站内基于特高频相控阵原理的局部放电测向方法 | |
| CN105606966A (zh) | 基于混合神经网络算法的局部放电模式识别方法 | |
| Chang et al. | Application of pulse sequence partial discharge based convolutional neural network in pattern recognition for underground cable joints | |
| CN103176113A (zh) | 一种gis局部放电检定方法及系统 | |
| Zheng et al. | A RSSI-AOA-based UHF partial discharge localization method using MUSIC algorithm | |
| CN110703078A (zh) | 基于频谱能量分析与自组织竞争算法的gis故障诊断方法 | |
| Liu et al. | Dual-channel convolutional network-based fault cause identification for active distribution system using realistic waveform measurements | |
| CN112462355A (zh) | 一种基于时频三特征提取的对海目标智能检测方法 | |
| Jauregui et al. | Transient FDTD simulation validation | |
| CN202939265U (zh) | 一种车载式变电站局部放电定位系统 | |
| Reid et al. | Identification of simultaneously active partial discharge sources using combined radio frequency and IEC60270 measurement | |
| Hashim et al. | Investigation of features extraction condition for impedance-based fault location in transmission lines | |
| Li et al. | Partial discharge fault diagnosis based on zernike moment and improved bacterial foraging optimization algorithm | |
| Cai et al. | Differences between triggered lightning striking to ground and distribution line inferred from measured currents and electromagnetic fields | |
| Tian et al. | Identification of overhead line fault traveling wave and interference clutter based on convolution neural network and random forest fusion | |
| Zhou et al. | Localization of multiple partial discharge sources in air-insulated substation space by RF antenna sensors array | |
| JP2001004731A (ja) | 広帯域干渉計 |
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 |