CN109116193B - 基于局放信号综合熵值的电气设备危险性放电判别方法 - Google Patents

Abstract

基于局放信号综合熵值的电气设备危险性放电判别方法，涉及一种放电判别方法。很多的危险信号隐藏在数据序列中未能被发现，导致设备发生故障，不能被提前预警。本发明包括步骤：1)建立绝缘缺陷在长期电压下的放电状态特征库；建库包括以下子步骤：构建试验系统、构建变压器缺陷试验模型、加压试验、数据分析；2)对样本库中固体绝缘表面缺陷放电信号数据的神经网络学习；3)使用神经网络对数据实行实时监测；4)根据检测结果，对高压电力设备固体绝缘表面缺陷放电故障进行诊断和预警。实现有效地对现场工程条件下绝缘缺陷放电引发击穿或闪络故障的风险进行评估和预警。

Description

基于局放信号综合熵值的电气设备危险性放电判别方法

技术领域

本发明涉及一种放电判别方法，尤其涉及基于局放信号综合熵值的电气设备危险性放电判别方法。

背景技术

局部放电是反映大型电力设备绝缘状态的重要参量之一，也是发现高压绝缘设备潜在缺陷的重要手段，具有灵敏度高以及及时有效的特点。在现有变压器以及GIS等设备的评估方法比较单一，即通过放电幅值的大小，再根据所掌握的历史数据或检修记录结合运行经验进行盲评。但是往往检测到的数据量庞大，很多的危险信号隐藏在数据序列中未能被发现，导致设备发生故障，不能被提前预警。目前研究者，可以及时准确地取得各种微弱的放电信息主要对放电次数、放电间歇时长、放电幅值、视在放电量等特征进行分析，如何利用这些信息对放电发展不同阶段的放电特征进行分析，进而为设备放电严重程度的判别提供判据，是对设备绝缘状态进行切实可靠评价的基础。

发明内容

本发明要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进，提供基于局放信号综合熵值的电气设备危险性放电判别方法，以达到在设备状态发生异常时，及时发出预警信号的目的。为此，本发明采取以下技术方案。

基于局放信号综合熵值的电气设备危险性放电判别方法，其特征在于包括步骤：

1)建立绝缘缺陷在长期电压下的放电状态特征库

建库基于特高频法，对沿面放电发展至击穿全过程的放电信号进行实时采集，获得长期电压作用下的统计参数样本并存储，形成状态特征量样本库，参数包括局部放电幅度、放电次数；

建库包括以下子步骤：

101)构建试验系统

试验系统包括加压试验装置、特高频检测装置及变压器缺陷试验模型，加压试验装置用于输出试验所需电压，特高频检测装置用于进行局部放电信号的实时检测、数据采集和存储；

102)构建变压器缺陷试验模型

变压器油箱油箱模型上端、底端为金属材料，其余的部分均为有机玻璃材料；变压器局部放电模型与油箱上侧的高压电极相连接，导杆从油箱上侧引出，直接与耦合电容C₀并联；模型的下方与油箱下电极相连，共地；

103)加压试验

在起始电压U_i和击穿电压U_b之间，选取多个电压等级，先施加接近Ub的电压，使其在较短的时间内击穿；接着由高到低施加多组不同恒定电压，记录沿面放电击穿全过程；

104)数据分析

根据加压试验数据，进行数据分析，获得局部放电信号各统计参量放电发展趋势图；

2)对样本库中固体绝缘表面缺陷放电信号数据的神经网络学习，将整个放电样本库数据使用神经网络学习，分正常电老化阶段和预击穿阶段两个阶段；其中，正常电老化阶段为平稳发展阶段；预击穿阶段为加速劣化阶段；在正常电老化阶段采取跟踪监测策略，当检测到各项放电参数出现明显震荡跃变的现象时，判断放电进入到预击穿阶段，该阶段为严重高风险类型，需进行预警；

3)使用神经网络对数据实行实时监测；通过对长期加压下对放电自然状态参量的阶段性特征、状态临界转换特征的学习后，使用实时检测数据进行检测；

4)根据检测结果，对高压电力设备固体绝缘表面缺陷放电故障进行诊断和预警，对现场工程条件下绝缘缺陷放电引发击穿或闪络故障的风险进行评估和预警。

本技术方案对放电发展不同阶段的放电特征进行分析，为设备放电严重程度的判别提供判据，能有效地对设备绝缘状态进行切实可靠评价。

作为优选技术手段：

在步骤104)中，数据分析包括子步骤：

a)统计特高频局放信号从加压到试品击穿全过程的放电次数N，放电幅值的均值Vave，放电幅值的标准差σ(V)以及放电幅值的熵值E_n(V)；

b)按照特高频放电特性分析的方法，分别统计高频电流信号放电次数N、放电幅值的均值Vave、标准差σ(V)、熵值E_n(V)随统计次数T的变化趋势图。

作为优选技术手段：在步骤a)中，放电幅值的均值Vave、放电幅值的标准差σ(V)以及放电幅值的熵值E_n(V)的计算公式如下：

其中：Vi表示每次采集到特高频放电信号所对应的幅值；N表示单位统计时间内的放电次数；μ表示单位统计时间内放电幅值的均值；p(Vi)表示放电幅值为Vi的不确定度。

作为优选技术手段：在步骤102)中，变压器油箱模型的外部尺寸为200mm×200mm×200mm。

作为优选技术手段：在步骤2)中，包括步骤：

201)平稳发展阶段记为阶段1，加速劣化阶段记为阶段2，计算归一化后阶段1的V_ave、σ(V)以及E_n(V)，按照公式Δx＝|x_i-x_ave|计算阶段1的平均偏差量ΔV_ave、Δσ(V)、ΔE_n(V)；

202)按照步骤a)计算阶段2的平均偏差量ΔV_ave、Δσ(V)、ΔE_n(V)；

203)将实际试验中外施电压、击穿时间不同的放电数据按照步骤201)、202)中的处理方式，获取阶段1和阶段2的平均偏差量ΔV_ave、Δσ(V)、ΔE_n(V)，各选取其中一定组数作为BP神经网络的训练样本；

204)使用经过训练的BP神经网络实现对电气设备的在线监测，当发生故障的时候实现自动报警。

作为优选技术手段：在步骤204)中，通过labview编程，使用经过训练的BP神经网络实现对电气设备的在线监测。

有益效果：本发明克服了以往高压设备局放诊断仅能进行放电类型识别和放电定位，但无法提供深度绝缘缺陷放电风险性的认识，无法有效应用于长期运行电压下放电缺陷严重程度的评估的不足。通过使用神经网络对长期加压下对放电自然幅值状态参量的阶段性特征及状态临界转换特征的发现和实时检测数据的检测，解决了高压电力设备固体绝缘表面缺陷放电故障诊断和预警难题，实现有效地对现场工程条件下绝缘缺陷放电引发击穿或闪络故障的风险进行评估和预警。

附图说明

图1是本发明的流程图。

图2是本发明的试验系统示意图。

图3-8是神经网络对局部放电信号幅值参量图预警识别效果图。

具体实施方式

以下结合说明书附图对本发明的技术方案做进一步的详细说明。

如图1所示，本发明包括以下步骤：

S01:建立绝缘缺陷在长期电压下的放电状态特征库；

S02:对样本库中固体绝缘表面缺陷放电信号数据的神经网络学习；

S03:使用神经网络对数据实行实时监测；

S04:放电击穿风险的诊断和预报。

具体的实施方式如下：

(一)基于实时放电信号采集的状态特征量样本库建库

基于特高频法和高频电流法，对沿面放电发展至击穿全过程的放电信号进行实时采集，获得长期电压作用下局部放电幅度等相关的统计参数样本并建库。

具体建库实例说明如下：

1)试验系统

如图2所示，工频高压控制台T₁，用于控制调节外施电压，本试验使用的是武汉合众HZTC-10kVA控制台，调压范围可控制在0.01kV；隔离变压器T₀，其主要用于隔离高压试验回路和进线低压电源之间的电气联系，消除抑制低压电源输入端的谐波和干扰，同时能有效降低试验环境的背景噪声信号，提高局部放电检测过程中的信噪比；T2为试验变压器，本试验使用的是江都华宇YDTW-10/120kV无晕工频高压试验变压器，电源容量10kVA，最高输出电压为120kV；保护电阻Zp，当试品击穿时，其能够限制大电流流过，避免工频试验变压器发生损坏；耦合电容C₀，与变压器缺陷模型并联，本试验用容量为1000pF的高压电容器，同时将底座上的电容分压器有效接地。试验平台搭建过程中，将变压器、耦合电容器与变压器缺陷模型的接地线共用同一个接地点，保证了整个试验平台共地，同时使得高频检测到的信号更真实准确；采用空载加压测试，确认试验过程中被试品上施加的电压远低于起晕电压Ui，且系统背景噪声水平不高于3pC，以满足局放试验要求,有效提高试验的准确性。

2)绝缘子沿面缺陷模型

变压器油箱模型的外部尺寸为200mm×200mm×200mm，其中油箱模型上端、底端为金属材料，其余的部分均为有机玻璃材料。变压器局部放电模型与油箱上侧的高压电极相连接，导杆从油箱上侧引出，直接与耦合电容C₀并联；模型的下方与油箱下电极相连，共地。

3)加压方式

采用施加较高恒压至试品击穿的方式，检测记录局部放电信号。具体操作如下：先施加一个接近Ub(90％Ub)的电压，使其在较短的时间内击穿，记录各检测方式的局放信号，用于后续的数据分析和处理。按照这种加压方式，在起始电压Ui和击穿电压Ub之间，选取几个电压等级，按照从高到低的顺序施加多组电压，利用高频/特高频联合检测系统，实时采集放电发展至击穿的全过程。

4)数据分析

(1)统计特高频局放信号从加压到试品击穿全过程的放电次数N，放电幅值的均值Vave，放电幅值的标准差σ(V)以及放电幅值的熵值E_n(V)，公式如下：

(二)正常电老化阶段和预击穿阶段

根据对大量固体绝缘表面缺陷的恒压击穿验证，此类缺陷均经历正常电老化阶段和邻近击穿前的剧烈震荡期。正常电老化阶段是可以长期持续存在的，放电缺陷以蚕蚀方式缓慢发展，设备在该阶段并无击穿风险。而当电老化过程发展到一定程度，此时放电过程会从量变的积累发展到质变阶段，由于绝缘距离处于临界状态，放电发生桥连高低压电极的概率极具增大，放电变得非常不稳定，多项放电参数发生关联性剧烈跃变，特别在长期电压作用下这一现象尤为明显。

因此，本发明提出根据上述特征，将整个放电样本库数据划为两阶段，在正常电老化阶段采取跟踪监测策略；而一旦检测到各项放电参数出现明显震荡跃变的现象，即意味着放电进入到预击穿阶段，尽管此过程也可持续较长时间，但由于击穿风险极大，为避免突发性击穿事故发生，系统将该阶段放电诊断为严重高风险类型并进行预警。

(三)采用神经网络方法进行放电状态自动检测

1)学习方式

a)平稳发展阶段(阶段1)和加速劣化阶段(阶段2)，计算归一化后阶段1的V_ave、σ(V)以及E_n(V)，按照公式Δx＝|x_i-x_ave|计算阶段1的平均偏差量ΔV_ave、Δσ(V)、ΔE_n(V)

b)按照步骤6)计算阶段2的平均偏差量ΔV_ave、Δσ(V)、ΔE_n(V)。

c)将实际试验中外施电压、击穿时间不同的放电数据按照步骤a)、b)中的处理方式，获取阶段1和阶段2的平均偏差量ΔV_ave、Δσ(V)、ΔE_n(V)，各选取其中一定组数作为BP神经网络的训练样本；

d)通过labview编程，使用经过训练的BP神经网络实现对电气设备的在线监测，当发生故障的时候实现自动报警；

2)学习结果

使用专利所述方法对油楔放电、油浸纸板放电状态进行了识别，基于上节中选取的平均偏差量ΔV_ave、Δσ(V)、ΔE_n(V)作为局放阶段诊断的特征量，采用BP神经网络作为特征量信息的辨识分类器，具体操作如下：

a)将外施电压、击穿时间不同的放电数据按照上节中的处理方式，获取阶段1和阶段2的平均偏差量ΔV_ave、Δσ(V)、ΔE_n(V)，各选取其中5000组作为BP神经网络的训练样本；

b)随机取某一段时间的放电数据，按照上节中的处理方式，获取该段时间放电数据的ΔV_ave、Δσ(V)、ΔE_n(V)。

c)按照步骤2)的方式，分别随机取阶段1、2中三段时间数据，共180组作为BP神经网络的测试样本。经BP神经网络识别后的结果如下：

表一油楔放电阶段的识别结果

表二油浸纸板放电阶段的识别结果

以下是相应试品的识别谱图，(中间竖线为神经网络自动识别阶段的划分标志)：

试品1、2、3的油浸纸板放电数据如图3-5所示。

试品1、2、3的油楔局部放电数据如图6-8所示。

以上图1所示的基于局放信号综合熵值的电气设备危险性放电判别方法是本发明的具体实施例，已经体现出本发明突出的实质性特点和显著进步，可根据实际的使用需要，在本发明的启示下，对其进行等同修改，均在本方案的保护范围之列。

Claims (4)

1.基于局放信号综合熵值的电气设备危险性放电判别方法，其特征在于包括步骤：

1)建立绝缘缺陷在长期电压下的放电状态特征库

建库基于特高频法，对沿面放电发展至击穿全过程的放电信号进行实时采集，获得长期电压作用下的统计参数样本并存储，形成状态特征量样本库，参数包括局部放电幅值和放电次数；

建库包括以下子步骤：

101)构建试验系统

试验系统包括加压试验装置、特高频检测装置及变压器缺陷试验模型，加压试验装置用于输出试验所需电压，特高频检测装置用于进行局部放电信号的实时检测、数据采集和存储；

102)构建变压器缺陷试验模型

变压器油箱油箱模型上端、底端为金属材料，其余的部分均为有机玻璃材料；变压器局部放电模型与油箱上侧的高压电极相连接，导杆从油箱上侧引出，直接与耦合电容C₀并联；模型的下方与油箱下电极相连，共地；

103)加压试验

在起始电压U_i和击穿电压U_b之间，选取多个电压等级，先施加接近U_b的电压，使其在较短的时间内击穿；接着由高到低施加多组不同恒定电压，记录沿面放电击穿全过程；

104)数据分析

根据加压试验数据，进行数据分析，获得局部放电信号各统计参量放电发展趋势图；

2)对样本库中固体绝缘表面缺陷放电信号数据的神经网络学习，将整个放电样本库数据使用神经网络学习，分正常电老化阶段和预击穿阶段两个阶段；其中，正常电老化阶段为平稳发展阶段；预击穿阶段为加速劣化阶段；在正常电老化阶段采取跟踪监测策略，当检测到各项放电参数出现明显震荡跃变的现象时，判断放电进入到预击穿阶段，该阶段为严重高风险类型，需进行预警；

3)使用神经网络对数据实行实时监测；通过对长期加压下对放电自然状态参量的阶段性特征、状态临界转换特征的学习后，使用实时检测数据进行检测；

4)根据检测结果，对高压电力设备固体绝缘表面缺陷放电故障进行诊断和预警，对现场工程条件下绝缘缺陷放电引发击穿或闪络故障的风险进行评估和预警；

在步骤104)中，数据分析包括子步骤：

a)统计特高频局放信号从加压到试品击穿全过程的放电次数N，放电幅值的均值Vave，放电幅值的标准差σ(V)以及放电幅值的熵值E_n(V)；

b)按照特高频放电特性分析的方法，分别统计高频电流信号放电次数N、放电幅值的均值Vave、标准差σ(V)和熵值E_n(V)随统计次数T的变化趋势图；

在步骤2)中，包括步骤：

201)平稳发展阶段记为阶段1，加速劣化阶段记为阶段2，计算归一化后阶段1的V_ave、σ(V)以及E_n(V)，按照公式Δx＝|x_i-x_ave|计算阶段1的平均偏差量ΔV_ave、Δσ(V)和ΔE_n(V)；

202)按照步骤201)计算阶段2的平均偏差量ΔV_ave、Δσ(X_i)和ΔE_n(X_i)；

203)将实际试验中外施电压、击穿时间不同的放电数据按照步骤201)、202)中的处理方式，获取阶段1和阶段2的平均偏差量ΔV_ave、Δσ(X_i)和ΔE_n(X_i)，各选取其中一定组数作为BP神经网络的训练样本；

204)使用经过训练的BP神经网络实现对电气设备的在线监测，当发生故障的时候实现自动报警。

2.根据权利要求1所述的基于局放信号综合熵值的电气设备危险性放电判别方法，其特征在于：在步骤201)中，放电幅值的均值Vave、放电幅值的标准差σ(V)以及放电幅值的熵值E_n(V)的计算公式如下：

其中：V_i表示每次采集到特高频放电信号所对应的幅值；N表示单位统计时间内的放电次数；μ表示单位统计时间内放电幅值的均值；p(V_i)表示放电幅值为V_i的不确定度。

3.根据权利要求2所述的基于局放信号综合熵值的电气设备危险性放电判别方法，其特征在于：在步骤102)中，变压器油箱模型的外部尺寸为200mm×200mm×200mm。

4.根据权利要求3所述的基于局放信号综合熵值的电气设备危险性放电判别方法，其特征在于：在步骤204)中，通过labview编程，使用经过训练的BP神经网络实现对电气设备的在线监测。

Images