CN109061426B - 变压器局部放电故障诊断方法及在线监测装置 - Google Patents
变压器局部放电故障诊断方法及在线监测装置 Download PDFInfo
- Publication number
- CN109061426B CN109061426B CN201811302102.3A CN201811302102A CN109061426B CN 109061426 B CN109061426 B CN 109061426B CN 201811302102 A CN201811302102 A CN 201811302102A CN 109061426 B CN109061426 B CN 109061426B
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- characteristic
- clustering
- transformer
- discharge signal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000003745 diagnosis Methods 0.000 title claims abstract description 23
- 238000012806 monitoring device Methods 0.000 title claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 65
- 238000013507 mapping Methods 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 230000009466 transformation Effects 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 239000002245 particle Substances 0.000 claims abstract description 9
- 230000006835 compression Effects 0.000 claims abstract description 7
- 238000007906 compression Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 30
- 238000005070 sampling Methods 0.000 claims description 22
- 238000003909 pattern recognition Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 16
- 230000007547 defect Effects 0.000 claims description 13
- 230000005484 gravity Effects 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000013501 data transformation Methods 0.000 claims description 3
- 238000012567 pattern recognition method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 8
- 238000005192 partition Methods 0.000 description 5
- 239000011087 paperboard Substances 0.000 description 4
- 239000000725 suspension Substances 0.000 description 4
- 230000008602 contraction Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 229910001369 Brass Inorganic materials 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 2
- 239000010951 brass Substances 0.000 description 2
- 230000009194 climbing Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明适用于变压器技术领域,提供了一种变压器局部放电故障诊断方法及在线监测装置,采用非线性映射压缩特征量的方式和梅林变换算法对所述局部放电信号提取特征量,组成代表所述局部放电信号特征的特征向量,映射在特征平面上,对提取的特征量采用非监督性模糊c均值聚类算法将特征量聚类,形成若干个样本,将聚类后的每一个样本,分析相位和波形特征,提取相关特征,用数学形态学颗粒分析法对比每一个样本建立样本指纹库,用神经网络算法进行局部放电信号类型模式的识别。通过此种方式确定变压器局部放电的故障类型。
Description
技术领域
本发明属于变压器技术领域,尤其涉及一种变压器局部放电故障诊断方法及在线监测装置。
背景技术
随着对电网安全稳定要求越来越高,变压器停电检修允许时间越来越短,在这种情况下,变压器带电监测及在线监测技术迅速发展,为变压器安全稳定运行提供了技术支持。
近年来,变压器局部放电在线监测技术得到了广泛应用,目前在线监测技术远不成熟,现有的在线监测设备虽然收集的数据量足够,但是大量数据被淹没在噪声中,导致无法对局部放电的类型识别。另外,若放电信号存在包括噪声在内的多种放电源信号时,现有的在线监测设备也难以区分多种放电源同时存在的局部放电故障。
发明内容
有鉴于此,本发明实施例提供了一种变压器局部放电故障诊断方法及在线监测装置,以解决现有技术中无法确定变压器局部放电的故障类型的问题。
为解决上述技术问题,本发明的一个实施例提供了一种变压器局部放电故障诊断方法,包括:
采集变压器的局部放电信号,采用非线性映射压缩特征量的方式和梅林变换算法对所述局部放电信号提取特征量,组成代表所述局部放电信号特征的特征向量,映射在特征平面上;
对提取的特征量采用非监督性模糊c均值聚类算法将特征量聚类,形成若干个样本,聚类包括噪声在内的不同放电源产生的多种放电信号;
将聚类后的每一个样本,分析相位和波形特征,提取相关特征,用数学形态学颗粒分析法对比每一个样本建立样本指纹库,用神经网络算法进行局部放电信号类型模式的识别。
进一步地,所述采用非线性映射压缩特征量的方式和梅林变换算法对所述局部放电信号提取特征量,组成代表所述局部放电信号特征的特征向量,映射在特征平面上的方法为:
对局部放电信号进行小波软阈值滤波;
对部分局部放电信号进行梅林变换,得到梅林域的数据变换特征;
压缩时域特征和梅林域特征,提取时域和梅林域的特征;
在时域和梅林域提取高阶特征量,映射在二维平面上。
进一步地,对部分局部放电信号进行梅林变换,得到梅林域的数据变换特征的实现公式为:
其中t为一次脉冲波形的采样时间;N为将t等分的常数;b为采样时间t的以e为底的对数,即b=lnt;Δb为b的N等分,即θ为Δb的e为底指数,即θ=eΔb;k为常数;m=n=0,1,2,…,N-1;τ为表示延时的常数;β为自变量,M(β)为梅林变换结果。
进一步地,所述提取时域和梅林域的特征的实现公式为:
其中,ti为第i个采样点对应时间,pi(ti)为ti对应的时域,为第j个局部放电信号的时域特征重心,Tj为第j个局部放电信号的时域特征值,βi为第i个采样点对应梅林域尺度β值,Mj(ti)为βi对应的梅林变换值,为第j个局部放电信号的梅林域特征重心,Mj为第j个局部放电信号的梅林域特征值。
进一步地,所述在时域和梅林域提取高阶特征量的实现公式为:
其中,k为计算特征量的阶数,ti为第i个采样点对应时间,pi(ti)为ti对应的时域,为第j个局部放电信号的时域特征重心,Tj为第j个局部放电信号的时域特征值,βi为第i个采样点对应梅林域尺度β值,Mj(ti)为βi对应的梅林变换值,为第j个局部放电信号的梅林域特征重心,Mj为第j个局部放电信号的梅林域特征值。
进一步地,所述对提取的特征量采用非监督性模糊c均值聚类算法将特征量聚类过程中嵌套子集测度聚类有效性函数进行计算。
进一步地,局部放电信号类型模式识别方法包括:
建立典型缺陷模型局部放电特征指纹库;
分析经过特征提取与聚类后的每一类局部放电信号,得到每一类局部放电信号的模式识别特征;
对比局部放电信号经过模式识别得到的特征与典型放电指纹库特征,判断放电类型。
进一步地,所述对比局部放电信号经过模式识别得到的特征与典型放电指纹库特征方法包括:
应用数学形态学,完成样本特征聚类图谱的形态学颗粒分析,提取样本的结构元素;
通过神经网络算法分析与典型缺陷指纹库的相似性;
由算法计算判断故障类型,完成局部放电类型模式识别。
本发明的另一个实施例提供了一种变压器局部放电在线监测装置,包括:
罗氏线圈,用于采集变压器的局部放电信号,并将所述局部放电信号传送至滤波电路中;
滤波电路,对所述局部放电信号进行滤波,滤波后将所述局部放电信号传送至放大电路中;
放大电路,对所述局部放电信号进行放大,放大后将所述局部放电信号传送至采集卡中;
采集卡,将局部放电信号转换为数字信号,并将数字信号传送至工控机;
工控机,执行上述所述的变压器局部放电故障诊断方法对数字信号进行分析。
进一步地,所述采集卡采样频率最大为0-1GHz,采样阈值绝对值为20mV。
采用上述技术方案所产生的有益效果在于:本发明设计了一种压器局部放电故障诊断方法,采用非线性映射压缩特征量的方式和梅林变换算法对所述局部放电信号提取特征量,组成代表所述局部放电信号特征的特征向量,映射在特征平面上,对提取的特征量采用非监督性模糊c均值聚类算法将特征量聚类,形成若干个样本,将聚类后的每一个样本,分析相位和波形特征,提取相关特征,用数学形态学颗粒分析法对比每一个样本建立样本指纹库,用神经网络算法进行局部放电信号类型模式的识别。通过此种方式确定变压器局部放电的故障类型。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的变压器局部放电故障诊断方法的流程图;
图2是本发明实施例提供的局部放电信号特征提取流程图;
图3是本发明实施例提供的采集的油中气体局部放电信号特征提取结果;
图4是本发明实施例提供的局部放电信号特征聚类算法流程图;
图5是本发明实施例提供的采集的油中气体局部放电信号特征聚类结果;
图6是本发明实施例提供的局部放电信号类型模式识别流程图;
图7是本发明实施例提供的模式识别算法流程图;
图8是本发明实施例提供的变压器局部放电在线监测装置的原理框图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
如图1所示,为本发明实施例提供的变压器局部放电故障诊断方法的流程图,变压器局部放电故障诊断方法,包括:
步骤S101,采集变压器的局部放电信号,采用非线性映射压缩特征量的方式和梅林变换算法对局部放电信号提取特征量,组成代表局部放电信号特征的特征向量,映射在特征平面上。
步骤S102,对提取的特征量采用非监督性模糊c均值聚类算法将特征量聚类,形成若干个样本,聚类包括噪声在内的不同放电源产生的多种放电信号。
步骤S103,将聚类后的每一个样本,分析相位和波形特征,提取相关特征,用数学形态学颗粒分析法对比每一个样本建立样本指纹库,用神经网络算法进行局部放电信号类型模式的识别。
基于非线性映射的特征提取、基于非监督性聚类的特征聚类以及基于数学形态学的模式识别三者密不可分,相辅相成,共同组成了该局部放电信号非监督性特征提取,聚类,故障识别算法。特征提取算法是整个算法的基础,有效的特征提取为特征聚类提供一个更能反映局部放电特征的样本,并防止模糊聚类算法陷入局部最优。特征聚类算法是整个算法的最重要的承上启下部分,区分包括噪声在内的多种放电源,克服了传统局部放电检测仪抗噪声能力差,不能监测诊断多种局部放电源同时存在的缺点。模式识别算法是整个算法的功能实现部分,决定了本发明所研制的局部放电在线监测仪的诊断效果,该算法利用数学形态学分析由特征分类算法分类后每一类局部放电信号,对比本发明建立的指纹库,用神经网络算法分析其相似性,最终识别局部放电的类型,实现局部放电的在线监测。
该算法能够确定变压器局部放电的故障类型,同时减少人工学习成本,提高诊断的准确度,通过神经网络对指纹库的学习,实现局部放电监测算法完全自动化。
如图2所示,为本发明实施例提供的局部放电信号特征提取流程图,采用非线性映射压缩特征量的方式和梅林变换算法对局部放电信号提取特征量,组成代表局部放电信号特征的特征向量,映射在特征平面上的方法为:
步骤S201,对局部放电信号进行小波软阈值滤波,使信号滤除噪音,接近原始局部放电信号。
步骤S202,对部分局部放电信号进行梅林变换,得到梅林域的数据变换特征。
步骤S203,压缩时域特征和梅林域特征,提取时域和梅林域的特征;
步骤S204,在步骤S203的基础上,在时域与梅林域提取高阶特征量,映射在二维平面上。
其中,非线性映射是将高维变量综合为少数几个综合变量,使综合指标最大限度的表达原有的多指标信息的一种几何降维的数学方法。梅林变化广泛应用于军工领域宽频带水声信号的处理,是一种具有信号变换速度快,展缩模值不变,展现信号特征更细致等优点的数学变换算法。
传统的局部放电分析其特征时,采取对局部放电信号傅里叶变换,提取时域,频域等特征的方法。但当需要对信号展缩处理时,傅里叶变换无法实现其展缩时,波形不变形。另外,局部放电高频在线监测,其宽频带的采样数据量很大,相应的计算量相当可观,采用傅里叶变换计算速度较慢,不能实时处理局部放电信号。
本发明应用于局部放电的非线性映射,在梅林变换的基础上,压缩每一个局部放电时域与梅林域特征特征,形成一个的等效梅林域与等效时域的二维平面的一个点,再进一步提取其高阶特征,从而实现快速高效的局部放电信号的特征提取。可以发现局部放电信号经过特征提取后,形成由等效梅林域特征与等效时域特征组成的二维散点图。
本发明的一个实施例中,对局部放电信号的特征提取包括:
(1)对部分局部放电信号进行梅林变换,得到梅林域的数据变换特征的实现公式为:
其中t为一次脉冲波形的采样时间;N为将t等分的常数;b为采样时间t的以e为底的对数,即b=lnt;Δb为b的N等分,即θ为Δb的e为底指数,即θ=eΔb;k为常数;m=n=0,1,2,…,N-1;τ为表示延时的常数;β为自变量,M(β)为梅林变换结果。
(2)提取时域和梅林域的特征的实现公式为:
其中,ti为第i个采样点对应时间,pi(ti)为ti对应的时域,为第j个局部放电信号的时域特征重心,Tj为第j个局部放电信号的时域特征值,βi为第i个采样点对应梅林域尺度β值,Mj(ti)为βi对应的梅林变换值,为第j个局部放电信号的梅林域特征重心,Mj为第j个局部放电信号的梅林域特征值。
(3)在时域和梅林域提取高阶特征量的实现公式为:
其中,k为计算特征量的阶数,ti为第i个采样点对应时间,pi(ti)为ti对应的时域,为第j个局部放电信号的时域特征重心,Tj为第j个局部放电信号的时域特征值,βi为第i个采样点对应梅林域尺度β值,Mj(ti)为βi对应的梅林变换值,为第j个局部放电信号的梅林域特征重心,Mj为第j个局部放电信号的梅林域特征值。
如图3所示,为采集因油中空气导致的局部放电脉冲波形500例,对其计算本发明提出的特征提取算法,局部放电特征提取结果。
本发明的特征聚类算法采用非监督性聚类的模糊聚类算法(FCM),并针对传统模糊聚类算法存在的经验初始参数,聚类结果不精确,容易陷入局部最优解等问题,提出了一种结合子集测度的聚类有效性函数以及一种偏导聚类目标函数参数最优选方案的改进模糊c均值聚类算法,改善聚类效果并实现算法全自动处理。
传统模糊聚类分析在理论以及应用上都有一定的研究。其本质上,是把聚类问题归纳为一个线性规划问题,用模糊的聚类标准,通过聚类原型与划分矩阵的交替迭代策略,从而实现无监督聚类。过程一般有以下几步:
(1)确定数据集X、聚类类别c和加权指数m并初始化聚类原型P,设定迭代停止阈值ε并置迭代计数器b=0。
(2)根据隶属关系函数计算更新划分矩阵U(b)。
(3)再重新更新聚类原型P(b+1)。
(4)若||P(b)-P(b+1)||<ε,则算法停止并的到划分矩阵U与聚类原型P,否则b=b+1,继续从步骤(1)迭代。
但是本发明所采集的宽频带局部放电信号数据量较大、噪声复杂而且需要处理速度快,若将FCM算法应用于宽频带的局部放电的在线检测仍然存在以下问题亟待解决:
(1)监督性:虽然模糊聚类是一种非监督聚类方法,但是应用于实际的FCM算法仍需要前置的先验知识,聚类数c值,加权指数m以及聚类类型都需要人工初始化,算法其实并不能完全自动化实现聚类。
(2)加权指数m:加权指数m是模糊c均值聚类相当重要的一个参数,其影响了聚类算法的精度,速度等多方面性质,但是如何根据实际情况,优选合适的m值至今没有一个有效的评价方法。
(3)算法精度与速度:传统的算法本质上是属于局部搜索的爬山法,当存在原始样本存在鞍点时,算法容易陷入局部极值点,从而得不到最优解。而且数据量较大时,迭代的爬山算法非常耗时,达不到局部放电在线检测的要求。
为此本发明提出结合子集测度的聚类有效性函数以优选c值以及一种偏导聚类目标函数参数最优选方案优选m值,从而改进传统的聚类算法。
子集测度的聚类有效性函数优选c值方案的特征在于:
(1)子集测试度定义:
记论域X={x1,x2,...,xn},模糊集A在点x∈X处的隶属度A(x),定义集合A与B的子集测度为:
(2)子集测度聚类有效性函数:
记模糊集合的划分为X={X1,X2,...,Xc},其中两个聚类集合Xl,Xh的子集测度函数可以表达为:
当Xl,Xh之间的尽可能分离,即子集测度最小时,样本合理分配。记Ωc为划分矩阵U的最优的有限合集,(U*,c*)为最佳有效聚类,最佳聚类的聚类有效性函数为:
在模糊c类均值聚类的迭代中嵌套子集测度聚类有效性函数,循环计算不同c值对应下的子集测度聚类有效性函数,当子集测度聚类有效性函数最小时对应的c值即最优聚类数c。另外,本发明中,c值得循环范围是c∈(1,2ln n]c∈N*,c最大值cmax取接近lnn的最大整数。
一种偏导聚类目标函数参数最优选方案优选m值的特征在于:
(1)聚类目标函数Jm(U,P):
式中,D(xk,pi)表示第i类中的样本xk与第i类样本中的pi典型样本的失真度,表示样本xk与子集Xi(1≤i≤c)的隶属关系,c表示样本聚类数,m为加权指数,U=[μik]c×n表示划分矩阵,P表示聚类原型。
(2)聚类目标函数对m值的偏导:
聚类目标函数偏导恒小于等于0,随着m值得增大而单调递减,且前期下降速度较快,之后下降速度变慢,过程中形成一个拐点,即Jm(U,P)的偏导存在一个极小点。
本发明用该拐点对应的m值作为最优加权指数应用于聚类算法中,也就是最优加权指数m*为:
结合以上说明,如图4所示,对提取的特征量采用非监督性模糊c均值聚类算法将特征量聚类,形成若干个样本,聚类包括噪声在内的不同放电源产生的多种放电信号的算法包括:
步骤S401,确定数据集X、初始化聚类原型P,设定迭代停止阈值ε,置迭代计数器b=0,置聚类数c=1。
步骤S402,计算聚类目标函数对m值的偏导,优选最佳m值。
步骤S403,计算或更新划分矩阵U(b)。
步骤S404,计算或更新聚类原型P(b+1)。
步骤S405,若||P(b)-P(b+1)||<ε,则进行步骤S406,否则置b=b+1,并从步骤S403迭代.
步骤S406,判断c是否等于最大值cmax,若等于最大值则继续步骤S408;否则进行运行步骤S407;
步骤S407,计算该c值对应的子集测度聚类有效性函数Sub(c)(U,c),置c=c+1,并从步骤S403迭代。
步骤S408,比较不同c值对应的子集测度聚类有效性函数Sub(c)(U,c),选择最小子集测度聚类有效性函数对应的聚类数c,以及该次的划分结果,输出,得到最优聚类结果。
图5所示,为采集因油中空气导致的局部放电脉冲波形500例,对其计算本发明提出的特征聚类算法,局部放电特征聚类结果。
如图6所示,局部放电信号类型模式识别方法包括:
步骤S601,建立包括悬浮放电、尖端放电、气泡放电、沿面放电等在内的典型缺陷模型放电特征指纹库。
步骤S602,用本发明采用的模式识别算法分析经过以上特征提取与聚类后的每一类局部放电信号,得到每一类局部放电信号的模式识别特征。
步骤S603,对比局部放电信号经过模式识别得到的特征与典型放电指纹库特征,判断放电类型。
本发明的局部放电模式识别(故障诊断)的特征在于:
(1)放电指纹库的典型模型设计与包含特征:
本发明的放电指纹库主要由悬浮放电、尖端放电、气泡放电、沿面放电等几种典型缺陷的放电特征组成。其中,其中处于高压和低压电极间的绝缘介质为层压纸板,目的是模拟实际工作的变压器中可能存在的悬浮放电发生位置处的绝缘结构,在层压纸板中部区域用金属铜丝设置一个悬浮电位点。尖端放电缺陷的加压极和接地极由黄铜制成,放电尖端为钢针,钢针通过无头螺丝固定于加压极上,可以通过上下调节钢针位置实现放电距离的变化。沿面放电缺陷的加压极和接地极由黄铜制成,中间放置层压纸板,该圆柱两端与加压极、接地极紧密接合,圆柱高度为4.7mm,也即沿面距离为4.7mm。气隙放电典型缺陷采用平板电极系统,上下电极之间的层压纸板约为6mm,气隙为直径3mm,高度2mm的空气隙。
搭建的放电指纹库包含典型缺陷的局部放电典型时域特征,相位特征,放电次数特征,经过特征提取聚类后的等效梅林时间特征,以及等效梅林时间特征经过模式识别后的形态学上结构元素特征。
(2)局部放电模式识别(诊断)方法,如图7所示,为本发明实施例提供的模式识别算法流程图:
步骤S701,应用数学形态学,完成样本特征聚类图谱的形态学颗粒分析,提取样本的结构元素。
步骤S702,通过神经网络算法分析与典型缺陷指纹库的相似性。
步骤S703,由算法计算判断故障类型,完成一次局部放电类型模式识别。
其中,数学形态学颗粒分析用于分析聚类后局部放电信号特征,提取其形态学上的结构元素。神经网络算法采用三层神经元构成的前馈网络,分析样本与指纹库典型缺陷的结构元素的相似性,最终实现局部放电信号的故障诊断。用多次试验验证本发明的模式识别算法,效果达到故障诊断要求。
如图8所示,本发明公开了一种变压器局部放电在线监测装置,包括:罗氏线圈用于采集变压器的局部放电信号,并将局部放电信号传送至滤波电路中;滤波电路对局部放电信号进行滤波,滤波后将局部放电信号传送至放大电路中;放大电路对局部放电信号进行放大,放大后将局部放电信号传送至采集卡中;采集卡将局部放电信号转换为数字信号,并将数字信号传送至工控机;工控机实现对处理后的局部放电数字信号滤波与特征提取。
本发明的一个实施例中,采集卡将电信号转化为数字信号,并根据采集卡采样频率最大1GHz,采用最大频率采样,每一个脉冲波形采样1000个点,采样时长共1μs,采样阈值绝对值为20mV,共采样500个局部放电脉冲信号的规则刷选采样;
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (9)
1.一种变压器局部放电故障诊断方法,其特征在于,包括:
采集变压器的局部放电信号,采用非线性映射压缩特征量的方式和梅林变换算法对所述局部放电信号提取特征量,组成代表所述局部放电信号特征的特征向量,映射在特征平面上;
对提取的特征量采用非监督性模糊c均值聚类算法将特征量聚类,形成若干个样本,聚类包括噪声在内的不同放电源产生的多种放电信号;
将聚类后的每一个样本,分析相位和波形特征,提取相关特征,用数学形态学颗粒分析法对比每一个样本建立样本指纹库,用神经网络算法进行局部放电信号类型模式的识别;
其中,在所述对提取的特征量采用非监督性模糊c均值聚类算法将特征量聚类过程中,计算不同聚类数的子集测度聚类有效性函数,将子集测度聚类有效性函数最小时对应的聚类数作为最优聚类数;
子集测度的聚类有效性函数的特征在于:子集测试度定义为其中,表示模糊集合A的隶属度之和,模糊集合A在点x∈X处的隶属度A(X),论域X={x1,x2,...,xp},f(A,B)表示模糊集合A和模糊集合B的子集测试度;
根据子集测试度定义,确定子集测度聚类有效性函数为其中,f(Xl,Xh)表示模糊集合X={X1,X2,...,Xc}中的两个聚类集合Xl,Xh的子集测度,Sub(U;c)表示矩阵U和c值的子集测度聚类有效性;
在模糊c类均值聚类的迭代中嵌套子集测度聚类有效性函数,循环计算不同c值对应下的子集测度聚类有效性函数,当子集测度聚类有效性函数最小时对应的c值即最优聚类数c,其中,c值的循环范围是c∈(1,2ln p]c∈P*,c最大值cmax取接近lnp的最大整数。
2.根据权利要求1所述的变压器局部放电故障诊断方法,其特征在于,所述采用非线性映射压缩特征量的方式和梅林变换算法对所述局部放电信号提取特征量,组成代表所述局部放电信号特征的特征向量,映射在特征平面上的方法为:
对局部放电信号进行小波软阈值滤波;
对部分局部放电信号进行梅林变换,得到梅林域的数据变换特征;
压缩时域特征和梅林域特征,提取时域和梅林域的特征;
在时域和梅林域提取高阶特征量,映射在二维平面上。
6.根据权利要求1所述的变压器局部放电故障诊断方法,其特征在于,局部放电信号类型模式识别方法包括:
建立典型缺陷模型局部放电特征指纹库;
分析经过特征提取与聚类后的每一类局部放电信号,得到每一类局部放电信号的模式识别特征;
对比局部放电信号经过模式识别得到的特征与典型放电指纹库特征,判断放电类型。
7.根据权利要求6所述的变压器局部放电故障诊断方法,其特征在于,所述对比局部放电信号经过模式识别得到的特征与典型放电指纹库特征方法包括:
应用数学形态学,完成样本特征聚类图谱的形态学颗粒分析,提取样本的结构元素;
通过神经网络算法分析与典型缺陷指纹库的相似性;
由算法计算判断故障类型,完成局部放电类型模式识别。
8.一种变压器局部放电在线监测装置,其特征在于,包括:
罗氏线圈,用于采集变压器的局部放电信号,并将所述局部放电信号传送至滤波电路中;
滤波电路,对所述局部放电信号进行滤波,滤波后将所述局部放电信号传送至放大电路中;
放大电路,对所述局部放电信号进行放大,放大后将所述局部放电信号传送至采集卡中;
采集卡,将局部放电信号转换为数字信号,并将数字信号传送至工控机;
工控机,执行权利要求1至7中任一项所述的变压器局部放电故障诊断方法对数字信号进行分析。
9.根据权利要求8所述的变压器局部放电在线监测装置,其特征在于,所述采集卡采样频率最大为0-1GHz,采样阈值绝对值为20mV。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811302102.3A CN109061426B (zh) | 2018-11-02 | 2018-11-02 | 变压器局部放电故障诊断方法及在线监测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811302102.3A CN109061426B (zh) | 2018-11-02 | 2018-11-02 | 变压器局部放电故障诊断方法及在线监测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109061426A CN109061426A (zh) | 2018-12-21 |
CN109061426B true CN109061426B (zh) | 2021-10-22 |
Family
ID=64789105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811302102.3A Active CN109061426B (zh) | 2018-11-02 | 2018-11-02 | 变压器局部放电故障诊断方法及在线监测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109061426B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2780448A1 (es) * | 2019-02-22 | 2020-08-25 | Ormazabal Corp Technology Aie | Método y sistema de reconocimiento de descargas parciales para diagnóstico de redes eléctricas |
CN110133410A (zh) * | 2019-05-31 | 2019-08-16 | 国网河北省电力有限公司石家庄供电分公司 | 基于模糊c均值聚类算法的变压器故障诊断方法及系统 |
CN112308049A (zh) * | 2020-12-04 | 2021-02-02 | 广微(中山)智能科技有限公司 | 基于电敏感区多类粒子的脉冲信号的特征提取识别方法 |
CN112668612A (zh) * | 2020-12-09 | 2021-04-16 | 重庆邮电大学 | 一种基于网格的局部放电信号聚类分析方法 |
CN113533913A (zh) * | 2021-06-30 | 2021-10-22 | 通号(长沙)轨道交通控制技术有限公司 | 一种基于ap聚类算法的电缆局部放电诊断方法、设备及介质 |
CN113805018A (zh) * | 2021-09-15 | 2021-12-17 | 陕西省地方电力(集团)有限公司 | 一种配电网10kV电缆局部放电故障类型智能识别方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100427961C (zh) * | 2006-09-20 | 2008-10-22 | 重庆大学 | 基于虚拟仪器技术的气体绝缘组合电器在线监测方法 |
KR20140023814A (ko) * | 2012-08-17 | 2014-02-27 | 현대중공업 주식회사 | 가스절연개폐장치의 부분방전 진단방법 |
CN103675610B (zh) * | 2013-09-29 | 2016-06-15 | 国家电网公司 | 局部放电在线检测中的特征因子提取方法 |
KR101574615B1 (ko) * | 2015-06-18 | 2015-12-11 | 지투파워(주) | 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템 |
CN106202922A (zh) * | 2016-07-06 | 2016-12-07 | 吴本刚 | 一种基于聚类算法的变压器故障诊断系统 |
CN106526434A (zh) * | 2016-10-11 | 2017-03-22 | 国网上海市电力公司 | 一种局部放电模式的识别方法和装置 |
CN107656154B (zh) * | 2017-09-18 | 2019-11-26 | 杭州安脉盛智能技术有限公司 | 基于改进模糊c均值聚类算法的变压器故障诊断方法 |
CN108108832B (zh) * | 2017-11-20 | 2018-10-02 | 淮阴工学院 | 一种基于无线传感器网络的油罐车油气泄漏智能监测系统 |
CN108053052B (zh) * | 2017-11-20 | 2018-10-02 | 淮阴工学院 | 一种油罐车油气泄漏速度智能监测系统 |
CN107942214B (zh) * | 2017-12-04 | 2020-02-14 | 囯网河北省电力有限公司电力科学研究院 | 一种变压器局部放电信号的特征提取方法、装置 |
CN108051711B (zh) * | 2017-12-05 | 2021-05-28 | 国网浙江省电力公司检修分公司 | 基于状态特征映射的固体绝缘表面缺陷诊断方法 |
-
2018
- 2018-11-02 CN CN201811302102.3A patent/CN109061426B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109061426A (zh) | 2018-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109061426B (zh) | 变压器局部放电故障诊断方法及在线监测装置 | |
CN109685138B (zh) | 一种xlpe电力电缆局部放电类型识别方法 | |
CN109871976B (zh) | 一种基于聚类及神经网络的含分布式电源配电网电能质量预测方法 | |
CN108573225B (zh) | 一种局部放电信号模式识别方法及系统 | |
CN110991786A (zh) | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 | |
CN103558519A (zh) | 一种gis局部放电超声波信号识别方法 | |
CN110070102B (zh) | 用于电能质量扰动类型识别的序列对序列模型建立方法 | |
CN104155585A (zh) | 基于gk模糊聚类的gis局部放电类型识别方法 | |
CN102279358A (zh) | 一种基于mcskpca的神经网络模拟电路故障诊断方法 | |
CN114237046B (zh) | 一种基于sift数据特征提取算法与bp神经网络模型的局部放电模式识别方法 | |
CN109376626A (zh) | 一种基于辐射电场特征参数支持向量机的gis开关缺陷诊断方法 | |
CN105403777A (zh) | 一种复合绝缘子老化状态分级及判别方法 | |
CN115600088A (zh) | 一种基于振动信号的配电变压器故障诊断方法 | |
CN116087647A (zh) | 基于pca和麻雀算法优化随机森林的建筑电气故障诊断方法 | |
Zhang et al. | Fault diagnosis of oil-immersed power transformer based on difference-mutation brain storm optimized catboost model | |
CN111626559A (zh) | 一种基于主因子分析法的中压配电网线损关键特征指标提取方法及系统 | |
CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
CN117219124A (zh) | 一种基于深度神经网络的开关柜声纹故障检测方法 | |
CN117312902A (zh) | 一种基于小波变化和卷积神经网络的电网电能质量在线状态估计方法 | |
CN114705976A (zh) | 一种用于gis绝缘缺陷识别的改进gk模糊分类方法 | |
CN116340812A (zh) | 一种变压器局部放电故障模式识别方法及系统 | |
CN116432054A (zh) | 一种基于聚类分析的局部放电严重程度识别方法 | |
CN115880472A (zh) | 一种电力红外图像数据智能诊断分析系统 | |
CN115452957A (zh) | 基于注意力原型网络的小样本金属损伤识别方法 | |
CN112069621B (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 |
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 |