CN108983052B - 一种基于sf6气体绝缘设备分解组分的三类故障三角形诊断方法 - Google Patents

一种基于sf6气体绝缘设备分解组分的三类故障三角形诊断方法 Download PDF

Info

Publication number
CN108983052B
CN108983052B CN201810836890.8A CN201810836890A CN108983052B CN 108983052 B CN108983052 B CN 108983052B CN 201810836890 A CN201810836890 A CN 201810836890A CN 108983052 B CN108983052 B CN 108983052B
Authority
CN
China
Prior art keywords
sof
fault
data
fuzzy
clustering
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
Application number
CN201810836890.8A
Other languages
English (en)
Other versions
CN108983052A (zh
Inventor
曾福平
唐炬
高克利
刘有为
吴司颖
苗玉龙
姚强
张晓星
雷志城
张明轩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of State Grid Chongqing Electric Power Co Ltd
Wuhan University WHU
China Electric Power Research Institute Co Ltd CEPRI
Original Assignee
Electric Power Research Institute of State Grid Chongqing Electric Power Co Ltd
Wuhan University WHU
China Electric Power Research Institute Co Ltd CEPRI
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of State Grid Chongqing Electric Power Co Ltd, Wuhan University WHU, China Electric Power Research Institute Co Ltd CEPRI filed Critical Electric Power Research Institute of State Grid Chongqing Electric Power Co Ltd
Priority to CN201810836890.8A priority Critical patent/CN108983052B/zh
Publication of CN108983052A publication Critical patent/CN108983052A/zh
Application granted granted Critical
Publication of CN108983052B publication Critical patent/CN108983052B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G01R31/1263—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 solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明涉及一种基于SF6气体绝缘设备分解组分的三类故障三角形诊断方法。包括：获取数据来源步骤、数据处理步骤、特征组分的提取步骤、特征量权重的选择步骤、以及建立三角形故障诊断法模型：本发明具有如下优点：1、该方法能够同时诊断GIE高能放电性故障、PD、POF。2、不同测试条件如微水、微氧、气压和吸附剂对该三角形故障诊断法诊断结果的影响较小，因此该方法受现场复杂的环境因素影响较小，具有较高的可靠性。3、该方法可为电力生产单位提供一种简单有效的现场诊断技术，解决了一直困扰电力运维工人难于使用SF6分解组分对GIE设备内部故障进行快速诊断的难题。

Description

一种基于SF6气体绝缘设备分解组分的三类故障三角形诊断 方法
技术领域
本发明属于六氟化硫(SF6)气体绝缘电气设备的绝缘故障类型诊断技术领域，具体涉及一种基于SF6气体绝缘设备分解组分的三类故障三角形诊断方法。
背景技术
以气体绝缘组合电器(GIS)、气体绝缘变压器(GIT)、气体绝缘管线(GIL) 等为代表的SF6气体绝缘设备(GIE)自1967年在德国首次投运以来，因其占地面积小、可靠性高、配置灵活等优点在电力系统中得到了广泛的应用。GIE虽然比普通的电气设备更可靠，但运行经验和故障统计显示其仍然具有较高的绝缘缺陷率，且由于其采用高气压密封结构，设备一旦故障，其检修成本将更高，检修周期更长。因此，有必要对GIE的绝缘状态进行全面监测。
由于六氟化硫(SF6)具有优良的绝缘和灭弧性能，愈来愈广泛地应用于高压和超/特高压输变电领域中。但SF6气体绝缘电气设备在制造、装配和运行和检修过程中无法避免地会出现一些绝缘缺陷，这些缺陷在长期运行过程中会逐渐发展、劣化，当达到一定程度时会导致设备内部发生不同类型和程度的绝缘故障。根据故障性质，绝缘故障可以分为过热性故障和放电性故障两大类，而放电性故障分为PD故障和高能型放电故障。在现场有效快速区分SF6气体绝缘电气设备故障类型对电气设备绝缘状况的评估和预警具有重要的实际意义，能够在发现故障时及时准确地对设备进行检修，进而在一定程度上有效避免大规模停电事故，保证电力系统安全稳定运行。
在绝缘缺陷作用下SF6气体会发生分解，生成SF、SF2、SF3、SF4、SF5等低氟化物，在没有杂质的情况下，这些低氟化物会还原成SF6分子，但是实际情况下，SF6气体绝缘设备内部不可避免会含有微量空气和水分等杂质，因此SF、 SF2、SF3、SF4、SF5等低氟化物会与水分和氧气等杂质发生反应生成如SOF2、SO2F2、 SOF4、SO2、CF4、CO2、HF、H2S等产物，这些分解产物会进一步加剧绝缘缺陷的劣化，使设备的整体绝缘性能降低，甚至进一步危及设备的安全运行。同时，这些分解特征气体的种类及含量与内部绝缘故障原因有着密切关联，通过定性和定量监测这些SF6特征分解组分可以实现GIE绝缘状态监测和故障诊断，这种方法称为分解组分分析(DCA)方法。
目前国内外所建立的故障诊断方法主要是根据组分种类或者绝对含量对故障做定性的判定，或者采用智能算法对实验数据进行学习。这些方法基本上是针对PD这一大类型故障进行诊断，而没有一种方法一次性将PD故障、高能放电性故障和POF三大类故障区分开。因而研究一种基于SF6气体绝缘设备分解组分的三类故障诊断方法具有重要的意义。
发明内容
本发明针对现有SF6气体绝缘电气设备的故障诊断方法的不足，提供一种能够同时诊断PD故障、高能放电性故障和POF三大类故障的适用于现场快速有效的三角形故障诊断方法。其以课题组经过实验室模拟故障试验10余年积累的1575组SF6故障分解的实验数据为基础，借鉴变压器油中溶解气体的大卫三角形故障诊断法构建了适用于SF6气体绝缘电气设备故障诊断的现场诊断方法，其能通过SF6分解特征组分对气体绝缘电气设备故障类型进行判定，初步判定出PD故障、高能放电性故障和POF三大类故障。该方法可为电力生产单位提供一种简单有效的现场诊断技术，为形成一套完整的SF6气体绝缘电气设备故障诊断系统打下基础。
本发明的技术方案是：
一种基于SF6气体绝缘设备分解组分的三类故障三角形诊断方法，其特征在于，包括：
步骤1、获取数据，获取至少1575组SF6实验室模拟故障分解的实验数据，随机选取现场故障数据三组，分别位于火花放电故障、PD和POF下，其中PD 故障下数据为至少1322组；POF故障下数据为至少1438组；火花放电故障下数据为至少1815组；
步骤2、数据处理，采用气体产物含量占比作为三角形坐标系的坐标轴，气体产物含量占比指该产物含量与应用总气体含量之间的百分比值；SF6气体在各种故障下的主要分解产物为SOF2、SOF4、SO2F2、CF4、SO2、H2S、CO2；需要对原始数据按照式(1)进行预处理；
Figure BDA0001744679000000031
式中，(i＝1,2,…,7)分别为SOF2、SOF4、SO2F2、SO2、H2S、CF4、CO2的含量占比； (i＝1,2,…,7)分别为SOF2、SOF4、SO2F2、SO2、H2S、CF4、CO2的实际所测含量(单位：ppm)；
步骤3、特征组分的提取，具体是提取CO2、SO2F2和SOF2+SO2作为三角形故障诊断法的三个特征量；
步骤4、特征量权重的选择，具体是使用模糊C均值聚类算法求特征值权重
步骤5、建议三角形故障诊断法模型，构建出了判定PD故障、高能放电性故障和POF三大类故障的三角形诊断法模型图；构建三角形诊断图形所使用的PD故障下数据为322组；POF故障下数据为438组；高能放电故障下数据为815组；并且计算出三角形诊断模型图中各个故障区域的界限值；不同故障区域用不同颜色表示，分别为PD故障为蓝色区域；POF为绿色区域；火花放电故障为红色区域。
在上述的一种基于SF6气体绝缘设备分解组分的三类故障三角形诊断方法，步骤3中，放电故障情况下，当故障为电弧放电和火花放电时，电子碰撞或者过热是引起SF6分解原因；而对局部放电，放电能量较低，气体温度不足成为其分解的原因，此时电子碰撞是引起SF6分解主要原因；当设备发生放电和过热故障时，SF6分子中的S-F键就会因局部强电磁能或者局部高温发生断裂形成SF，SF2，SF3，SF4，SF5低氟化物，如式(2)-(3)所示，式中下标1≤ x≤5,分解成这几种低氟化物所需要的能量根据断裂S-F键的个数多少而不同，易知生成SF5所需要的能量较低，生成SF所需要的能量较高，以此类推；同时，SF6还可以与空间中自由电子复合形成亚稳态的分子团(SF6)*，这个分子团可以在极短时间内生成负离子SF6 -或者SF5 -和F，SF6 -或者SF5 -可以与SF6分子发生反应生成SF4，SF5和F-离子；随着故障的发生，空间中分子和离子会进一步发生反应，生成其它各种低氟化物；在各低氟化物中，SF2和SF4具有对称结构，相对稳定；SF5虽然不稳定，但是SF6最容易分解为SF5，因此SF2、SF4和SF5生成量较大；
e+SF6→SFx+(6-X)F+e (2)
e+SFx→SFx-1+F+e (3)
CO2和CF4主要生成方式如式(4)-(5)所示，C原子主要来源于有机固体绝缘材料和SF6气体绝缘装备的含碳金属材料表面，其中生成CF4需要F原子参与反应，因此需要的能量较高，在条件不成熟的情况下CF4生成量较少甚至没有，因此暂时不考虑CF4而提取CO2作为三角坐标系的一个特征组分；
4F+C→CF4 (4)
C+O2→CO2 (5)
随着SF6气体绝缘设备内部绝缘故障的加重，生成的低氟化物不断增多；在各低氟化物中，SF2、SF4和SF5生成量较大；当其室内存在O2、H2O杂质时，这些低氟化物会与它们发生反应；首先，H2O和O2会受到电子碰撞形成OH和O，如式(6)(7)和(8)所示；
H2O→H+OH (6)
OH+OH→H2O+O (7)
O2→O+O (8)
SF5与O或OH反应生成SOF4，SF4与O反应生成SOF4，同时H2O的存在也会消耗F原子，从而降低这两种低氟化物复合成SF6分子的效率，促进SOF4的生成；但是SOF4很容易水解生成SO2F2，如式(9)-(12)所示；SF4还能与H2O 反应直接生成SOF2，SF2可与O或O2反应生成SOF2和SO2F2，如式(13)-(15)所示；另外，式(16)和(17)所示的化学反应也会在故障时发生；因此，SOF2和 SO2F2、SOF4为SF6故障分解的主要含硫特征产物，而SOF4极易水解成SO2F2，经常导致测量出的含量值不准确，因此可以在选择特征量时只需要考虑SOF2和 SOF2这两种产物；
SF4+O→SOF4 (9)
SF5+OH→SOF4+HF (10)
SF5+O→SOF4+F (11)
SOF4+H2O→SO2F2+2HF (12)
SF2+O2→SO2F2 (13)
SF2+O→SOF2 (14)
SF4+H2O→SOF2+2HF (15)
SF2+O2→SOF2+O (16)
SF4+OH→SOF2+HF+F (17)
SO2在各个故障下均存在，尤其是POF下，SO2的含量随着温度的升高增长地很快，因此不容忽视；SO2主要由SOF2生成，如式(18)，因此将其与SOF2放在一起考虑；
SOF2+H2O→SO2+2HF (18)
提取CO2、SO2F2和SOF2+SO2作为三角形故障诊断法的三个特征量。
在上述的一种基于SF6气体绝缘设备分解组分的三类故障三角形诊断方法，步骤4中，由于各个故障下CO2、SO2F2和SOF2+SO2的含量值不在一个数量级，主要表现为SO2F2的含量普遍较小，这将导致在三角形坐标系中表示各故障数据时数据分布不均匀，降低诊断的准确性；因此需要给三个特征量加上一定的权重x、y、z，对于权重的确定使用模糊C均值聚类(FCM)算法；
模糊C均值聚类(FCM)对数据采用柔性的模糊划分，使用模糊隶属度来描述每个数据点属于某一聚类的程度；算法首先随机选择若干个聚类中心，所有数据点都被赋予相对于聚类中心一定的隶属度，通过迭代方法不断更新聚类中心，迭代过程中以极小化所有数据点到各个聚类中心的距离与隶属度的加权和为优化目标；
设论域中的元素全集为A＝{y1,…,yn}，将n个样本划分为c个模糊子集:A1,…,Ac，μik表示样本yi相对于模糊集Ak(k＝1,…,c)的隶属度且满足如下条件：
Figure BDA0001744679000000071
基于式(19)所示的模糊聚类模型，FCM算法建立目标函数如式(20)所示；
Figure BDA0001744679000000072
式中U＝[μik]c*n是模糊划分矩阵，μik代表样本yi相对于类别k的隶属度； V＝{v1,…,vc}是各类别的聚类中心，vk是类别k的聚类中心；dik表示样本yk与聚类中心vi的距离，m∈[1,+∞)为模糊加权系数，目标函数J(U,V)值越小表示聚类效果越好；
由式(20)可以得出μik和vk的计算式，如式(21)和(22)所示；
Figure BDA0001744679000000073
Figure BDA0001744679000000074
在本章涉及的训练样本的数据处理中，将1425组数据划分为3个模糊子集，取n＝1425，c＝3,m＝2.5,迭代精度0.001，最高迭代次数100；使用模糊C 均值聚类算法求特征值权重的步骤如下：
步骤3.1、取x＝1、y＝2、z＝3；
步骤3.2、设论域中的数据全集为A＝{y1,…,yn}，yi＝{yi1,yi2,yi3}为一个样本，yi1,yi2,yi3分别是三个特征值；其中，1≤i≤295为PD故障下的数据,296 ≤i≤690为POF下的数据,691≤i≤1425为高能放电性故障下的数据；
步骤3.3、设置n＝1425，c＝3,m＝2.5；并且随机设置初始聚类中心U0＝[μ0 ik]；
步骤3.4、计算隶属度μik和聚类中心vk；
步骤3.5、当迭代精度达到0.001或者迭代次数达到100次时停止迭代，否则，重复步骤(4)；
步骤3.6、计算故障识别准确率；
步骤3.7、依次设置x＝x+1、y＝y+2、z＝z+3(1≤x、y、z≤10)，重复步骤 3.2-步骤3.6；比较各种情况下准确率，求出聚类准确率最高时，x、y、z的值作为特征值的权重；
最终得到当x＝5、y＝9、z＝1时聚类效果最好；因此，分别将CO2和SO2F2乘以不同的权重5和9，SOF2+SO2的权重仍然为1；此时，得到的新的特征值为％(5CO2)、％(9SO2F2)、％(SO2+SOF2)。
在上述的一种基于SF6气体绝缘设备分解组分的三类故障三角形诊断方法，所述步骤5中，三角形诊断法模型图所使用的PD故障下数据为322组； POF故障下数据为438组；高能放电故障下数据为815组；并且计算出三角形诊断模型图中各个故障区域的界限值；不同故障区域用不同颜色表示，分别为PD故障为蓝色区域；POF为绿色区域；火花放电故障为红色区域。
本发明具有如下优点：1、该方法能够同时诊断GIE高能放电性故障、PD、 POF。2、不同测试条件如微水、微氧、气压和吸附剂对该三角形故障诊断法诊断结果的影响较小，因此该方法受现场复杂的环境因素影响较小，具有较高的可靠性。3、该方法可为电力生产单位提供一种简单有效的现场诊断技术，解决了一直困扰电力运维工人难于使用SF6分解组分对GIE设备内部故障进行快速诊断的难题。
附图说明
图1为本发明方法的三角形故障诊断法模型图。
图2为本发明方法适用于现场故障数据的判别图。
图3为本发明方法的三角形故障诊断模型图中不同故障的区域界线。
具体实施方式
一、下面结合具体实施方式，进一步说明本发明方法原理。具体建立过程包括：
1.数据来源：本发明的实验数据来源是课题组经过10余年积累了1575 组SF6实验室模拟故障分解的实验数据，其中PD故障下数据为322组；POF 故障下数据为438组；火花放电故障下数据为815组。
2.数据处理：采用气体产物含量占比作为三角形坐标系的坐标轴，气体产物含量占比指该产物含量与应用总气体含量之间的百分比值。SF6气体在各种故障下的主要分解产物为SOF2、SOF4、SO2F2、CF4、SO2、H2S、CO2等。需要对原始数据按照式(1)进行预处理。
Figure BDA0001744679000000091
式中，(i＝1,2,…,7)分别为SOF2、SOF4、SO2F2、SO2、H2S、CF4、CO2的含量占比； (i＝1,2,…,7)分别为SOF2、SOF4、SO2F2、SO2、H2S、CF4、CO2的实际所测含量(单位：ppm)。
3.特征组分的提取：要建立一个适用于现场快速故障识别的方法，首先要对特征分解组分进行提取。
放电故障情况下，当故障为电弧放电和火花放电时，电子碰撞或者过热是引起SF6分解主要原因；而对局部放电，放电能量较低，气体温度不足成为其分解的原因，此时电子碰撞是引起SF6分解主要原因。当设备发生放电和过热故障时，SF6分子中的S-F键就会因局部强电磁能或者局部高温发生断裂形成SF，SF2，SF3，SF4，SF5等低氟化物，如式(2)-(3)所示，式中下标1≤x≤ 5,分解成这几种低氟化物所需要的能量根据断裂S-F键的个数多少而不同，易知生成SF5所需要的能量较低，生成SF所需要的能量较高，以此类推。同时，SF6还可以与空间中自由电子复合形成亚稳态的分子团(SF6)*，这个分子团可以在极短时间内生成负离子SF6 -或者SF5 -和F，SF6 -或者SF5 -可以与SF6分子发生反应生成SF4，SF5和F-离子。随着故障的发生，空间中分子和离子会进一步发生反应，生成其它各种低氟化物。在各低氟化物中，SF2和SF4具有对称结构，相对稳定；SF5虽然不稳定，但是SF6最容易分解为SF5，因此SF2、SF4和SF5生成量较大。
e+SF6→SFx+(6-X)F+e (2)
e+SFx→SFx-1+F+e (3)
CO2和CF4主要生成方式如式(4)-(5)所示，C原子主要来源于有机固体绝缘材料和SF6气体绝缘装备的含碳金属材料表面，其中生成CF4需要F原子参与反应，因此需要的能量较高，在条件不成熟的情况下CF4生成量较少甚至没有，因此暂时不考虑CF4而提取CO2作为三角坐标系的一个特征组分。
4F+C→CF4 (4)
C+O2→CO2 (5)
随着SF6气体绝缘设备内部绝缘故障的加重，生成的低氟化物不断增多。在各低氟化物中，SF2、SF4和SF5生成量较大。当其室内存在O2、H2O等杂质时，这些低氟化物会与它们发生反应。首先，H2O和O2会受到电子碰撞形成OH 和O，如式(6)(7)和(8)所示。
H2O→H+OH (6)
OH+OH→H2O+O (7)
O2→O+O (8)
SF5与O或OH反应生成SOF4，SF4与O反应生成SOF4，同时H2O的存在也会消耗F原子，从而降低这两种低氟化物复合成SF6分子的效率，促进SOF4的生成。但是SOF4很容易水解生成SO2F2，如式(9)-(12)所示。SF4还能与H2O 反应直接生成SOF2，SF2可与O或O2反应生成SOF2和SO2F2，如式(13)-(15)所示。另外，式(16)和(17)所示的化学反应也会在故障时发生。因此，SOF2和 SO2F2、SOF4为SF6故障分解的主要含硫特征产物，而SOF4极易水解成SO2F2，经常导致测量出的含量值不准确，因此可以在选择特征量时只需要考虑SOF2和 SOF2这两种产物。
SF4+O→SOF4 (9)
SF5+OH→SOF4+HF (10)
SF5+O→SOF4+F (11)
SOF4+H2O→SO2F2+2HF (12)
SF2+O2→SO2F2 (13)
SF2+O→SOF2 (14)
SF4+H2O→SOF2+2HF (15)
SF2+O2→SOF2+O (16)
SF4+OH→SOF2+HF+F (17)
SO2在各个故障下均存在，尤其是POF下，SO2的含量随着温度的升高增长地很快，因此不容忽视。SO2主要由SOF2生成，如式(18)，因此将其与SOF2放在一起考虑。
SOF2+H2O→SO2+2HF (18)
综上所述，提取CO2、SO2F2和SOF2+SO2作为三角形故障诊断法的三个特征量。
4.特征量权重的选择：由于各个故障下CO2、SO2F2和SOF2+SO2的含量值不在一个数量级，主要表现为SO2F2的含量普遍较小，这将导致在三角形坐标系中表示各故障数据时数据分布不均匀，降低诊断的准确性。因此需要给三个特征量加上一定的权重x、y、z，对于权重的确定使用模糊C均值聚类(FCM) 算法。
模糊C均值聚类(FCM)对数据采用柔性的模糊划分，使用模糊隶属度来描述每个数据点属于某一聚类的程度。算法首先随机选择若干个聚类中心，所有数据点都被赋予相对于聚类中心一定的隶属度，通过迭代方法不断更新聚类中心，迭代过程中以极小化所有数据点到各个聚类中心的距离与隶属度的加权和为优化目标。
设论域中的元素全集为A＝{y1,…,yn}，将n个样本划分为c个模糊子集:A1,…,Ac，μik表示样本yi相对于模糊集Ak(k＝1,…,c)的隶属度且满足如下条件：
Figure BDA0001744679000000131
基于式(19)所示的模糊聚类模型，FCM算法建立目标函数如式(20)所示。
Figure BDA0001744679000000132
式中U＝[μik]c*n是模糊划分矩阵，μik代表样本yi相对于类别k的隶属度； V＝{v1,…,vc}是各类别的聚类中心，vk是类别k的聚类中心。dik表示样本yk与聚类中心vi的距离，m∈[1,+∞)为模糊加权系数，目标函数J(U,V)值越小表示聚类效果越好。
由式(20)可以得出μik和vk的计算式，如式(21)和(22)所示。
Figure BDA0001744679000000133
Figure BDA0001744679000000134
在本章涉及的训练样本的数据处理中，将1425组数据划分为3个模糊子集，取n＝1425，c＝3,m＝2.5,迭代精度0.001，最高迭代次数100。使用模糊C 均值聚类算法求特征值权重的步骤如下：
(1)、取x＝1、y＝2、z＝3。
(2)、设论域中的数据全集为A＝{y1,…,yn}，yi＝{yi1,yi2,yi3}为一个样本， yi1,yi2,yi3分别是三个特征值。其中，1≤i≤295为PD故障下的数据,296≤ i≤690为POF下的数据,691≤i≤1425为高能放电性故障下的数据。
(3)、设置n＝1425，c＝3,m＝2.5。并且随机设置初始聚类中心U0＝[μ0 ik]。
(4)、计算隶属度μik和聚类中心vk。
(5)、当迭代精度达到0.001或者迭代次数达到100次时停止迭代，否则，重复步骤(4)。
(6)、计算故障识别准确率。
(7)、依次设置x＝x+1、y＝y+2、z＝z+3(1≤x、y、z≤10)，重复步骤(2)-(6)。比较各种情况下准确率，求出聚类准确率最高时，x、y、z的值作为特征值的权重。
最终得到当x＝5、y＝9、z＝1时聚类效果最好。因此，分别将CO2和SO2F2乘以不同的权重5和9，SOF2+SO2的权重仍然为1。此时，得到的新的特征值为％(5CO2)、％(9SO2F2)、％(SO2+SOF2)。
5.三角形故障诊断法模型：本发明构建出了判定PD故障、高能放电性故障和POF三大类故障的三角形诊断法模型图。图中，构建三角形诊断图形所使用的PD故障下数据为322组；POF故障下数据为438组；高能放电故障下数据为815组。并且计算出三角形诊断模型图中各个故障区域的界限值。不同故障区域用不同颜色表示，分别为PD故障为蓝色区域；POF为绿色区域；火花放电故障为红色区域。
二、下面以现场故障数据来验证本发明。随机选取现场故障数据三组，分别位于火花放电故障、PD和POF下，对每种故障下气室的SF6分解组分进行测量得到如下结果：1、C(CO2)＝23.64ppm；C(SOF2)＝6.71ppm；C(SO2F2)＝5.84 ppm；C(SO2)＝4.68ppm；2、C(CO2)＝6.25ppm；C(SOF2)＝22.96ppm； C(SO2F2)＝3.66ppm；C(SO2)＝144.76ppm；3、C(CO2)＝7.44ppm；C(SOF2)＝3.87 ppm；C(SO2F2)＝0.29ppm；C(SO2)＝0.43ppm；
将上述结果进行如下式(23)处理。
Figure BDA0001744679000000151
式中，(i＝1,2,…,4)分别为SOF2、9SO2F2、SO2、5CO2的含量占比；(i＝1,2,…,4) 分别为SOF2、9SO2F2、SO2、5CO2的实际所测含量(单位：ppm)。
对于每一组数据进行三角形法诊断，计算得三角形三个特征量的值如下：
1、％(5CO2)＝64.89％；％(9SO2F2)＝28.86％；％(SOF2+SO2)＝6.25％；
2、％(5CO2)＝13.48％；％(9SO2F2)＝14.20％；％(SOF2+SO2)＝72.32％；
3、％(5CO2)＝84.33％；％(9SO2F2)＝5.92％；％(SOF2+SO2)＝9.75％；
将上述数据在构建的三角形坐标平面中表示，三个数据点分布如图2所示，诊断出1号组分对应PD故障；2号对应POF；3号对应火花放电性故障。符合现场所侦查的实际故障种类。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (3)

1.一种基于SF6气体绝缘设备分解组分的三类故障三角形诊断方法，其特征在于，包括：
步骤1、获取数据，获取至少1575组SF6实验室模拟故障分解的实验数据，随机选取现场故障数据三组，分别位于火花放电故障、PD和POF下，其中PD故障下数据为至少1322组；POF故障下数据为至少1438组；火花放电故障下数据为至少1815组；
步骤2、数据处理，采用气体产物含量占比作为三角形坐标系的坐标轴，气体产物含量占比指该产物含量与应用总气体含量之间的百分比值；SF6气体在各种故障下的主要分解产物为SOF2、SOF4、SO2F2、CF4、SO2、H2S、CO2；需要对原始数据按照式(1)进行预处理；
Figure FDA0002829717090000011
式中，xi'分别为SOF2、SOF4、SO2F2、SO2、H2S、CF4、CO2的含量占比,其中,i＝1,2,…,7；xi分别为SOF2、SOF4、SO2F2、SO2、H2S、CF4、CO2的实际所测含量,其中,i＝1,2,…,7,单位：ppm；
步骤3、特征组分的提取，具体是提取CO2、SO2F2和SOF2+SO2作为三角形故障诊断法的三个特征量；
步骤4、特征量权重的选择，具体是使用模糊C均值聚类算法求特征值权重
步骤5、建立三角形故障诊断法模型，构建出了判定PD故障、高能放电性故障和POF三大类故障的三角形诊断法模型图；构建三角形诊断图形所使用的PD故障下数据为322组；POF故障下数据为438组；高能放电故障下数据为815组；并且计算出三角形诊断模型图中各个故障区域的界限值；不同故障区域用不同颜色表示，分别为PD故障为蓝色区域；POF为绿色区域；火花放电故障为红色区域；
步骤3中，放电故障情况下，当故障为电弧放电和火花放电时，电子碰撞或者过热是引起SF6分解原因；而对局部放电，放电能量较低，气体温度不足成为其分解的原因，此时电子碰撞是引起SF6分解主要原因；当设备发生放电和过热故障时，SF6分子中的S-F键就会因局部强电磁能或者局部高温发生断裂形成SF，SF2，SF3，SF4，SF5低氟化物，如式(2)-(3)所示，式中下标1≤x≤5,分解成这几种低氟化物所需要的能量根据断裂S-F键的个数多少而不同，易知生成SF5所需要的能量较低，生成SF所需要的能量较高，以此类推；同时，SF6还与空间中自由电子复合形成亚稳态的分子团(SF6)*，这个分子团在极短时间内生成负离子SF6 -或者SF5 -和F，SF6 -或者SF5 -与SF6分子发生反应生成SF4，SF5和F-离子；随着故障的发生，空间中分子和离子会进一步发生反应，生成其它各种低氟化物；在各低氟化物中，SF2和SF4具有对称结构，相对稳定；SF5虽然不稳定，但是SF6最容易分解为SF5，因此SF2、SF4和SF5生成量较大；
e+SF6→SFx+(6-X)F+e (2)
e+SFx→SFx-1+F+e (3)
CO2和CF4主要生成方式如式(4)-(5)所示，C原子主要来源于有机固体绝缘材料和SF6气体绝缘装备的含碳金属材料表面，其中生成CF4需要F原子参与反应，因此需要的能量较高，在条件不成熟的情况下CF4生成量较少甚至没有，因此暂时不考虑CF4而提取CO2作为三角坐标系的一个特征组分；
4F+C→CF4 (4)
C+O2→CO2 (5)
随着SF6气体绝缘设备内部绝缘故障的加重，生成的低氟化物不断增多；在各低氟化物中，SF2、SF4和SF5生成量较大；当其室内存在O2、H2O杂质时，这些低氟化物会与它们发生反应；首先，H2O和O2会受到电子碰撞形成OH和O，如式(6)(7)和(8)所示；
H2O→H+OH (6)
OH+OH→H2O+O (7)
O2→O+O (8)
SF5与O或OH反应生成SOF4，SF4与O反应生成SOF4，同时H2O的存在也会消耗F原子，从而降低这两种低氟化物复合成SF6分子的效率，促进SOF4的生成；但是SOF4很容易水解生成SO2F2，如式(9)-(12)所示；SF4还能与H2O反应直接生成SOF2，SF2可与O或O2反应生成SOF2和SO2F2，如式(13)-(15)所示；另外，式(16)和(17)所示的化学反应也会在故障时发生；因此，SOF2和SO2F2、SOF4为SF6故障分解的主要含硫特征产物，而SOF4极易水解成SO2F2，经常导致测量出的含量值不准确，因此在选择特征量时只需要考虑SO2F2和SOF2这两种产物；
SF4+O→SOF4 (9)
SF5+OH→SOF4+HF (10)
SF5+O→SOF4+F (11)
SOF4+H2O→SO2F2+2HF (12)
SF2+O2→SO2F2 (13)
SF2+O→SOF2 (14)
SF4+H2O→SOF2+2HF (15)
SF2+O2→SOF2+O (16)
SF4+OH→SOF2+HF+F (17)
SO2在各个故障下均存在，SO2在POF下，SO2的含量随着温度的升高增长地很快，因此不容忽视；SO2主要由SOF2生成，如式(18)，因此将其与SOF2放在一起考虑；
SOF2+H2O→SO2+2HF (18)
提取CO2、SO2F2和SOF2+SO2作为三角形故障诊断法的三个特征量。
2.根据权利要求1所述的一种基于SF6气体绝缘设备分解组分的三类故障三角形诊断方法，其特征在于，步骤4中，由于各个故障下CO2、SO2F2和SOF2+SO2的含量值不在一个数量级，主要表现为SO2F2的含量普遍较小，这将导致在三角形坐标系中表示各故障数据时数据分布不均匀，降低诊断的准确性；因此需要给三个特征量加上一定的权重x、y、z，对于权重的确定使用模糊C均值聚类(FCM)算法；
模糊C均值聚类(FCM)对数据采用柔性的模糊划分，使用模糊隶属度来描述每个数据点属于某一聚类的程度；算法首先随机选择若干个聚类中心，所有数据点都被赋予相对于聚类中心一定的隶属度，通过迭代方法不断更新聚类中心，迭代过程中以极小化所有数据点到各个聚类中心的距离与隶属度的加权和为优化目标；
设论域中的元素全集为A＝{y1,…,yn}，将n个样本划分为c个模糊子集:A1,…,Ac，μik表示样本yi相对于模糊集Ak的隶属度且满足如下条件,：
Figure FDA0002829717090000051
其中,k＝1,…,c；
基于式(19)所示的模糊聚类模型，FCM算法建立目标函数如式(20)所示；
Figure FDA0002829717090000052
式中U＝[μik]c*n是模糊划分矩阵，μik代表样本yi相对于类别k的隶属度；V＝{v1,…,vc}是各类别的聚类中心，vk是类别k的聚类中心；dik表示样本yk与聚类中心vi的距离，m∈[1,+∞)为模糊加权系数，目标函数J(U,V)值越小表示聚类效果越好；
由式(20)得出μik和vk的计算式，如式(21)和(22)所示；
Figure FDA0002829717090000053
Figure FDA0002829717090000054
在训练样本的数据处理中，将1425组数据划分为3个模糊子集，取n＝1425，c＝3,m＝2.5,迭代精度0.001，最高迭代次数100；使用模糊C均值聚类算法求特征值权重的步骤如下：
步骤3.1、取x＝1、y＝2、z＝3；
步骤3.2、设论域中的数据全集为A＝{y1,…,yn}，yi＝{yi1,yi2,yi3}为一个样本，yi1,yi2,yi3分别是三个特征值；其中，1≤i≤295为PD故障下的数据,296≤i≤690为POF下的数据,691≤i≤1425为高能放电性故障下的数据；
步骤3.3、设置n＝1425，c＝3,m＝2.5；并且随机设置初始聚类中心U0＝[μ0 ik]；
步骤3.4、计算隶属度μik和聚类中心vk；
步骤3.5、当迭代精度达到0.001或者迭代次数达到100次时停止迭代，否则，重复步骤(4)；
步骤3.6、计算故障识别准确率；
步骤3.7、依次设置x＝x+1、y＝y+2、z＝z+3,其中,1≤x、y、z≤10，重复步骤3.2-步骤3.6；比较各种情况下准确率，求出聚类准确率最高时，x、y、z的值作为特征值的权重；
最终得到当x＝5、y＝9、z＝1时聚类效果最好；因此，分别将CO2和SO2F2乘以不同的权重5和9，SOF2+SO2的权重仍然为1；此时，得到的新的特征值为％(5CO2)、％(9SO2F2)、％(SO2+SOF2)。
3.根据权利要求1所述的一种基于SF6气体绝缘设备分解组分的三类故障三角形诊断方法，其特征在于，所述步骤5中，三角形诊断法模型图所使用的PD故障下数据为322组；POF故障下数据为438组；高能放电故障下数据为815组；并且计算出三角形诊断模型图中各个故障区域的界限值；不同故障区域用不同颜色表示，分别为PD故障为蓝色区域；POF为绿色区域；火花放电故障为红色区域。
CN201810836890.8A 2018-07-26 2018-07-26 一种基于sf6气体绝缘设备分解组分的三类故障三角形诊断方法 Active CN108983052B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810836890.8A CN108983052B (zh) 2018-07-26 2018-07-26 一种基于sf6气体绝缘设备分解组分的三类故障三角形诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810836890.8A CN108983052B (zh) 2018-07-26 2018-07-26 一种基于sf6气体绝缘设备分解组分的三类故障三角形诊断方法

Publications (2)

Publication Number Publication Date
CN108983052A CN108983052A (zh) 2018-12-11
CN108983052B true CN108983052B (zh) 2021-02-19

Family

ID=64551275

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810836890.8A Active CN108983052B (zh) 2018-07-26 2018-07-26 一种基于sf6气体绝缘设备分解组分的三类故障三角形诊断方法

Country Status (1)

Country Link
CN (1) CN108983052B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109359435A (zh) * 2018-12-13 2019-02-19 武汉大学 一种SF6气体绝缘介质过热分解的Reax FF反应力场的建立方法
CN110794269B (zh) * 2019-11-07 2021-09-07 云南电网有限责任公司电力科学研究院 一种绿色绝缘气体绝缘强度计算方法
CN110927267A (zh) * 2019-11-22 2020-03-27 中国大唐集团科学技术研究院有限公司火力发电技术研究院 基于分解组分分析法的气体绝缘组合电器故障诊断方法
CN110888025B (zh) * 2019-11-27 2021-11-19 华东师范大学 一种基于机器学习的gis设备故障判断方法
CN111308279B (zh) * 2019-11-28 2022-04-22 西安理工大学 一种基于气体分解产物的高压电气设备绝缘强度计算方法
CN111044859A (zh) * 2019-12-18 2020-04-21 国网北京市电力公司 Gis设备的故障处理方法、存储介质及设备
CN111579948A (zh) * 2020-05-26 2020-08-25 重庆大学 基于油中溶解气体分析混合绝缘油变压器故障的方法
CN112420136B (zh) * 2020-11-27 2023-05-23 国网陕西省电力公司电力科学研究院 一种六氟化硫高压设备潜伏性故障溯源的方法
CN112730654B (zh) * 2020-12-18 2023-02-03 国网河北省电力有限公司电力科学研究院 六氟化硫电气设备故障检测方法、装置及终端设备
CN113009293A (zh) * 2021-02-25 2021-06-22 重庆大学 应用油中特征气体参量辨识混合绝缘油变压器故障的方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102323346A (zh) * 2011-07-26 2012-01-18 广西电网公司电力科学研究院 用于sf6电气设备故障诊断的三比值法
CN104297599A (zh) * 2014-10-21 2015-01-21 国网重庆市电力公司电力科学研究院 一种六氟化硫电气设备故障诊断方法及系统
CN107255777A (zh) * 2017-05-31 2017-10-17 武汉大学 一种用于表征气体绝缘设备局部放电能量的sf6分解组分特征量
CN107843788A (zh) * 2017-10-31 2018-03-27 西安科技大学 一种利用特征气体进行油浸变压器的故障诊断方法
CN107862114A (zh) * 2017-10-25 2018-03-30 广西电网有限责任公司电力科学研究院 基于三比值特征量的小波pso‑svm变压器故障诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102323346A (zh) * 2011-07-26 2012-01-18 广西电网公司电力科学研究院 用于sf6电气设备故障诊断的三比值法
CN104297599A (zh) * 2014-10-21 2015-01-21 国网重庆市电力公司电力科学研究院 一种六氟化硫电气设备故障诊断方法及系统
CN107255777A (zh) * 2017-05-31 2017-10-17 武汉大学 一种用于表征气体绝缘设备局部放电能量的sf6分解组分特征量
CN107862114A (zh) * 2017-10-25 2018-03-30 广西电网有限责任公司电力科学研究院 基于三比值特征量的小波pso‑svm变压器故障诊断方法
CN107843788A (zh) * 2017-10-31 2018-03-27 西安科技大学 一种利用特征气体进行油浸变压器的故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Decomposition Characteristics of SF6 under Three Typical;Lipeng Zhong et al.;《IEEE TRANSACTIONS ON DIELECTRICS AND ELECTRICAL INSULATION》;20161031;第23卷(第5期);第2594页引言、第2603页第3.4.2节第3-4段、第2596页第3.1节、图22-25 *
基于分解组分分析的SF6设备绝缘故障诊断方法与技术的研究现状;唐炬 等;《电工技术学报》;20161031;第31卷(第20期);第43页第1.2节第1段、第46页3.1节第1段、第44页第2节、第47页、第48页左栏第1段 *

Also Published As

Publication number Publication date
CN108983052A (zh) 2018-12-11

Similar Documents

Publication Publication Date Title
CN108983052B (zh) 一种基于sf6气体绝缘设备分解组分的三类故障三角形诊断方法
CN107301296B (zh) 基于数据的断路器故障影响因素定性分析方法
Zeng et al. SF6 decomposition and insulation condition monitoring of GIE: A review
CN106908674B (zh) 一种基于多状态量预测的变压器状态评估方法
CN102854461B (zh) 一种开关设备发生故障的概率预测方法及其系统
Wu et al. Triangle fault diagnosis method for SF 6 gas-insulated equipment
CN111983394B (zh) 一种基于sf6分解产物分析的gis放电故障诊断方法
Zeng et al. SF 6 fault decomposition feature component extraction and triangle fault diagnosis method
CN107862114A (zh) 基于三比值特征量的小波pso‑svm变压器故障诊断方法
CN105512962A (zh) 一种气体绝缘组合电器绝缘状态综合评估方法
CN105372528B (zh) 一种电力变压器内部故障的状态检修方法
CN110926778A (zh) 基于异常振动的气体绝缘组合开关设备机械故障诊断方法
CN105404280A (zh) 基于自回归动态隐变量模型的工业过程故障检测方法
CN105703258A (zh) Gis开关设备动作状态监测系统及其使用方法
CN105334823A (zh) 基于有监督的线性动态系统模型的工业过程故障检测方法
CN108762242B (zh) 一种基于多块典型相关分析模型的分布式故障检测方法
CN111562248A (zh) 一种基于sf6内标的gis故障诊断方法
CN114167221A (zh) 不同电压频率下环氧树脂绝缘老化判别检验方法
CN111999591B (zh) 一种配电网一次设备异常状态的识别方法
CN117269655B (zh) 变电站电力设备温度异常监测方法、系统、终端及介质
CN104615123A (zh) 基于k近邻的传感器故障隔离方法
CN114034997A (zh) 一种基于多参量的绝缘子劣化程度预测方法及系统
US20210364566A1 (en) Method for monitoring the electric insulation status of a piece of equipment for mv or hv electric systems
CN106569104A (zh) 一种gis绝缘可靠性评价方法及系统
CN109827662A (zh) 基于逆高斯分布低值绝缘子红外检测温度阈值的判定方法

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