CN108805107B - 一种基于prps信号的gis内部局部放电缺陷识别方法 - Google Patents

Abstract

本发明公开了一种基于PRPS信号的GIS内部局部放电缺陷识别方法，包括：通过GIS内置传感器获取大量的局部放电信号PRPS；提取包括放电量均值、放电对偶率、初始放电相位窗之差、放电宽度比、放电相位均值、放电相位标准差以及放电相偏度等多个特征；利用极端梯度提升分类树实现对PRPS缺陷类型识别模型的建立。本发明方法通过机器学习对特高频法得到的PRPS图谱进行放电缺陷识别，告别了传统上必须由PRPS转化至PRPD才能实现GIS局部放电缺陷识别系统的耗时繁琐过程，能够很好地消除周期不一致导致的影响，大幅度提高缺陷类型识别准确率，并依据计算结果对缺陷类型做出判断。

Description

一种基于PRPS信号的GIS内部局部放电缺陷识别方法

技术领域

本发明涉及模式识别和安全电力技术领域，特别涉及一种基于PRPS信号模式识别的GIS设备局部放电缺陷识别方法。

背景技术

气体绝缘开关设备----简称GIS，是一种在现如今的电力传输网络中应用十分广泛的电气设备。其工作流程是通过将变电站中隔离开关、电缆终端、断路器、避雷器、电压及电流互感器、接地开关、连接母线以及进出线套管等一次设备有序地结合为整体。同时，封装起来在金属壳内。将SF6气体充入GIS设备内部，形成由灭弧和绝缘介质组成的组合式封闭型电器。但也正是因为其全封闭式结构，当发生大范围影响的故障时，工作人员通常无法进行人工式准确定位，更别提快速抢修，因此带来的经济损失以及安全风险将难以估量。随着GIS设备在特高压电力传输网络中的不断推广与应用，设备故障所造成的影响范围和损害也将不断扩大。

局部放电图谱，是指记录某一时间段内放电信号的强度、频次和相位，着重描述放电信号的强度与相位、频次的关系，宜采用PRPD图或PRPS图记录及可视化。

PRPD图，也称脉冲相位图，着重记录某一时间段内放电信号强度、频次与相位的关系。

PRPS图，也称脉序相位图，着重记录某一时间段内放电信号强度、相位与工频周期数(脉冲序列)的关系。

针对GIS设备局部放电的特高频检测法均是PRPD图进行缺陷识别，然而一方面PRPD需要PRPS经过复杂算法统计转化，耗时过长，违背了GIS在线监测的设计初衷；另一方面，PRPD图谱数据的稀疏性，使得PRPD需要消耗更多内存以及耗费大量磁盘IO代价。同样10160份图谱数据，PRPS需占内存1370MB，PRPD则需占内存1760MB。

鉴于此，有必要提供一种基于PRPS信号的GIS内部局部放电缺陷识别方法，以满足GIS设备缺陷识别高效低耗的工作要求与方法研究。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于PRPS信号的GIS内部局部放电缺陷识别方法，本发明方法通过机器学习对特高频法得到的PRPS图谱进行放电缺陷识别，告别了传统上必须由PRPS转化至PRPD才能实现GIS局部放电缺陷识别系统的耗时繁琐过程，对GIS局部放电缺陷识别系统的运行速度、资源消耗以及准确率都有显著提升。

本发明的目的通过以下的技术方案实现：一种基于PRPS信号的GIS内部局部放电缺陷识别方法，包括：

S1、对设备内部发生的各种局部放电进行电信号采集，获取局部放电信号PRPS；

S2、对训练数据进行预处理，并对图谱缺陷类型进行onehot编码；利用PRPS图谱的对称性、时序性以及正负交替性，提取特征包括：放电量均值、放电周期N、放电对偶率、初始放电相位窗之差、放电宽度比、放电相位均值、放电相位标准差以及放电相偏度；

S3、基于极端梯度提升方法，进行离线训练；对K个CART分类树采用集成学习，拟合之前所有CART梯度进行当前CART模型，最后调整超参数包括迭代轮数以及步长，得到基于PRPS信号的GIS内部局部放电缺陷识别方法的模型框架；

S4、基于此模型框架对GIS现场数据进行预测得到图谱缺陷类型。

优选的，步骤S1，通过GIS设备内置传感器天线对设备内部发生各种局部放电进行电信号采集，由与传感器连接的外置电路实现传输电信号的目的，获取局部放电信号PRPS。

优选的，步骤S2，对训练数据进行预处理包括：采用Pandas对数据进行预处理以及Numpy填充缺失值。

优选的，步骤S2中，设定相位滑动窗口大小为5.625°，将360°相位切分成64个相位滑动窗；以50Hz的交流电源周期为工频周期T＝0.02s，呈现出N个周期内局部放电值大小分布情况。

优选的，特征提取包括：

(1)放电周期：N

(2)放电量均值：

式中

是表示第i个相位窗，其中i＝0,1,2,…，63，N表示周期数，

表示第i个相位窗中第k个周期上的放电量大小；

(3)放电对偶率：

式中

为正半周放电量之和，

为负半周放电量之和，N⁺和N^-分别为正半周和负半周放电的次数；

(4)初始放电相位窗之比：

式中

表示正半周首次放电的相位窗，

表示负半周首次放电的相位窗；

(5)放电宽度比：

式中ε(t)为阶跃函数，

表示正半周相位窗

对应工频周期N中的放电次数，

表示负半周相位窗

对应工频周期N中的放电次数；

(6)放电相位均值：

式中

表示相位窗

对应工频周期N中的放电次数；

(7)放电相位标准差：

(8)放电相偏度：

所有特征生成向量x，作为训练的输入。

优选的，步骤3中，离线训练过程如下：

模型初始权重为0，以学习率eta＝0.01，树的最大深度max_depth＝9进行S折交叉验证，每折迭代次数为5000次；此间学习过程实现稳定的多任务训练，通过最小化目标函数来进行模型迭代，其目标函数为：

式中

f_i∈Γ，l(x)表示为损失函数，t为迭代次数，表示第t棵CART树，其中t<＝K，n表示样本总数，Ω(f_t)为树的复杂度，定义如下：

先把树拆分成结构部分q和叶子权重部分w，表示为：

f_k(x)＝w_q(x)w∈R^T q:R^d→{1,2,…,T}

结构函数q把输入映射到叶子的索引号上面去，而w给定了每个索引号对应的叶子分数，得到树的复杂度：

式中γ表示叶子树，||w||²表示参数平方和，λ为w的L2范数，表示了人为模型复杂度的重视程度，防止模型过拟合。

进一步的，对目标函数用泰勒展开来近似原来的目标：

泰勒展开：

定义：

可以得到近似目标函数：

最终的目标函数只依赖于每个数据点的在误差函数上的一阶导数和二阶导数；通过不断地优化目标函数，即采用梯度下降的方式最小化误差函数，并对K个分类树进行加权平均，得到一种基于PRPS信号的GIS内部局部放电缺陷识别方法的模型框架。

优选的，步骤4，基于此模型框架对GIS现场数据进行预测得到图谱的预测值，onehot解码后得到图谱缺陷类型。

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明中，只需直接对PRPS图谱进行特征提取以及模式识别，告别了传统上必须由PRPS转化至PRPD才能实现GIS局部放电缺陷识别系统的耗时繁琐过程，大幅度降低内存消耗和提升运行速度，节省硬件成本。

2、本发明中，利用PRPS图谱的对称性、时序性以及正负交替性，提取了包括放电量均值、放电对偶率、初始放电相位窗之差、放电宽度比、放电相位均值、放电相位标准差以及放电相偏度等多维特征，能够很好地消除周期不一致导致的影响，大幅度提高缺陷类型识别准确率。

附图说明

图1为实施例基于PRPS信号的GIS内部局部放电缺陷识别方法的流程示意图。

图2为实施例极端梯度提升的总体框架示意图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例1

如图1所示，为基于PRPS信号的GIS内部局部放电缺陷识别方法的流程示意图。本实施例中，所述基于PRPS信号的GIS内部局部放电缺陷识别方法包括以下步骤：

步骤1，通过GIS设备内置传感器天线对设备内部发生各种局部放电进行电信号采集，由与传感器连接的外置电路实现传输电信号的目的，获取局部放电信号PRPS；

步骤2，采用Pandas对数据进行预处理，以及Numpy填充缺失值，对图谱缺陷类型进行onehot编码。利用PRPS图谱的对称性、时序性以及正负交替性，提取了包括放电量均值(共64个)、放电周期N、放电对偶率、初始放电相位窗之差、放电宽度比、放电相位均值、放电相位标准差以及放电相偏度等71个特征；

步骤3，基于极端梯度提升(Extreme Gradient Boosting)方法，进行离线训练。对K个CART分类树采用集成学习，拟合之前所有CART梯度进行当前CART模型，最后调整迭代轮数以及步长等超参数，得到基于PRPS信号的GIS内部局部放电缺陷识别方法的模型框架。

步骤4，基于此模型框架对GIS现场数据进行预测得到图谱缺陷类型。

所述步骤2中，一种基于PRPS信号的GIS内部局部放电缺陷识别方法的特征工程中设定相位滑动窗口大小为5.625°，将360°相位切分成64个相位滑动窗；此外，以50Hz的交流电源周期为工频周期T＝0.02s，呈现出N个周期内局部放电值大小分布情况。

特征提取：

(1)放电周期(特征1)：N

(2)放电量均值(特征2-65)：

式中

是表示第i个相位窗(其中i＝0,1,2,…，63)，N表示周期数，

表示第i个相位窗中第k个周期上的放电量大小。

(3)放电对偶率(特征66)：

式中

为正半周放电量之和，

为负半周放电量之和，N⁺和N^-分别为正半周和负半周放电的次数。

(4)初始放电相位窗之比(特征67)：

式中

表示正半周首次放电的相位窗，

表示负半周首次放电的相位窗。

(5)放电宽度比(特征68)：

式中ε(t)为阶跃函数，

表示正半周相位窗

对应工频周期N中的放电次数，

表示负半周相位窗

对应工频周期N中的放电次数。

(6)放电相位均值(特征69)：

式中

表示相位窗

对应工频周期N中的放电次数。

(7)放电相位标准差(特征70)：

(8)放电相偏度(特征71)：

生成向量x＝(特征1，特征2，……，特征71)，作为训练的输入。

所述步骤3中，离线训练过程如下：

模型初始权重为0，以学习率eta＝0.01，树的最大深度max_depth＝9进行S折交叉验证，每折迭代次数为5000次。此间学习过程实现了稳定的多任务训练，通过最小化目标函数来进行模型迭代。其目标函数为：

式中

f_i∈Γ，l(x)表示为损失函数，t为迭代次数(表示第t棵CART树，其中t<＝K，)，n表示样本总数，Ω(f_t)为树的复杂度，定义如下：

先把树拆分成结构部分q和叶子权重部分w，表示为：

f_k(x)＝w_q(x)w∈R^T q:R^d→{1,2,…,T}

结构函数q把输入映射到叶子的索引号上面去，而w给定了每个索引号对应的叶子分数，得到树的复杂度：

式中γ表示叶子树，||w||²表示参数平方和，λ为w的L2范数，表示了人为模型复杂度的重视程度，为了防止模型过拟合。

再次回到目标函数，用泰勒展开来近似原来的目标：

泰勒展开：

定义：

可以得到近似目标函数：

其中，可以很清晰地看到，最终的目标函数只依赖于每个数据点的在误差函数上的一阶导数和二阶导数。通过不断地优化目标函数，即采用梯度下降的方式最小化误差函数，并对K个分类树进行加权平均，得到一种基于PRPS信号的GIS内部局部放电缺陷识别方法的模型框架。基于此模型框架对GIS现场数据进行预测得到图谱的预测值y，onehot解码后得到图谱缺陷类型。

本方法通过提取了包括放电量均值(共64个)、放电周期N、放电对偶率、初始放电相位窗之差、放电宽度比、放电相位均值、放电相位标准差以及放电相偏度等71个特征，能够很好地消除周期不一致导致的影响，大幅度提高缺陷类型识别准确率，同时克服PRPD数据预处理耗时长以及内存泄漏等缺陷。

本方法能实时地获取GIS内部局部放电情况，并准确估计局部放电类型，做出恰当的预警措施，保证GIS设备安全运行，减少电力事故发生。

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 (7)

1.一种基于PRPS信号的GIS内部局部放电缺陷识别方法，其特征在于，包括以下步骤：

S1、对设备内部发生的各种局部放电进行电信号采集，获取局部放电信号PRPS；

S2、对训练数据进行预处理，并对图谱缺陷类型进行onehot编码；利用PRPS图谱的对称性、时序性以及正负交替性，提取特征包括：

(1)放电周期：N

(2)放电量均值：

式中φ_i是表示第i个相位窗，其中i＝0,1,2,…，63，N表示周期数，

表示第i个相位窗中第k个周期上的放电量大小；

(3)放电对偶率：

式中

为正半周放电量之和，

为负半周放电量之和，N⁺和N^-分别为正半周和负半周放电的次数；

(4)初始放电相位窗之比：

式中

表示正半周首次放电的相位窗，

表示负半周首次放电的相位窗；

(5)放电宽度比：

式中ε(t)为阶跃函数，

表示正半周相位窗

对应工频周期N中的放电次数，

表示负半周相位窗

对应工频周期N中的放电次数；

(6)放电相位均值：

式中

表示相位窗

对应工频周期N中的放电次数；

(7)放电相位标准差：

(8)放电相偏度：

所有特征生成向量x，作为训练的输入；

S3、基于极端梯度提升方法，进行离线训练；对K个CART分类树采用集成学习，拟合之前所有的CART梯度到当前的CART模型，最后调整超参数包括迭代轮数以及步长，得到基于PRPS信号的GIS内部局部放电缺陷识别方法的模型框架；所述离线训练过程如下：

学习过程实现稳定的多任务训练，通过最小化目标函数来进行模型迭代，其目标函数为：

式中

f_i∈Γ，l(x)表示为损失函数，t为迭代次数，表示第t棵CART树，其中t<＝K，n表示样本总数，Ω(f_t)为树的复杂度，定义如下：

先把树拆分成结构部分q和叶子权重部分w，表示为：

f_k(x)＝w_q(x)w∈R^T q:R^d→{1,2,…,T}

结构函数q把输入映射到叶子的索引号上面去，而w给定了每个索引号对应的叶子分数，得到树的复杂度：

式中γ表示叶子树，||w||²表示参数平方和，λ为w的L2范数，表示了人为模型复杂度的重视程度，防止模型过拟合；

S4、基于此模型框架对GIS现场数据进行预测得到图谱缺陷类型。

2.根据权利要求1所述的GIS内部局部放电缺陷识别方法，其特征在于，步骤S1，通过GIS设备内置传感器天线对设备内部发生各种局部放电进行电信号采集，由与传感器连接的外置电路实现传输电信号的目的，获取局部放电信号PRPS。

3.根据权利要求1所述的GIS内部局部放电缺陷识别方法，其特征在于，步骤S2，对训练数据进行预处理包括：采用Pandas对数据进行预处理以及Numpy填充缺失值。

4.根据权利要求1所述的GIS内部局部放电缺陷识别方法，其特征在于，步骤S2中，设定相位滑动窗口大小为5.625°，将360°相位切分成64个相位滑动窗；以50Hz的交流电源周期为工频周期T＝0.02s，呈现出N个周期内局部放电值大小分布情况。

5.根据权利要求1所述的GIS内部局部放电缺陷识别方法，其特征在于，模型初始权重为0，以学习率eta＝0.01，树的最大深度max_depth＝9进行S折交叉验证，每折迭代次数为5000次。

6.根据权利要求1所述的GIS内部局部放电缺陷识别方法，其特征在于，对目标函数用泰勒展开来近似原来的目标：

泰勒展开：

定义：

可以得到近似目标函数：

最终的目标函数只依赖于每个数据点的在误差函数上的一阶导数和二阶导数；通过不断地优化目标函数，即采用梯度下降的方式最小化误差函数，并对K个分类树进行加权平均，得到基于PRPS信号的GIS内部局部放电缺陷识别方法的模型框架。

7.根据权利要求1所述的GIS内部局部放电缺陷识别方法，其特征在于，步骤S4，基于此模型框架对GIS现场数据进行预测得到图谱的预测值，onehot解码后得到图谱缺陷类型。

Images