CN109596955B - 局部放电状态确定方法及装置 - Google Patents
局部放电状态确定方法及装置 Download PDFInfo
- Publication number
- CN109596955B CN109596955B CN201811645739.2A CN201811645739A CN109596955B CN 109596955 B CN109596955 B CN 109596955B CN 201811645739 A CN201811645739 A CN 201811645739A CN 109596955 B CN109596955 B CN 109596955B
- Authority
- CN
- China
- Prior art keywords
- discharge
- detection data
- historical
- discharge detection
- state determination
- 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 66
- 238000001514 detection method Methods 0.000 claims abstract description 201
- 238000012549 training Methods 0.000 claims abstract description 78
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 238000009826 distribution Methods 0.000 claims description 26
- 238000012216 screening Methods 0.000 claims description 24
- 238000001228 spectrum Methods 0.000 claims description 18
- 238000007599 discharging Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 7
- 230000002087 whitening effect Effects 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000007547 defect Effects 0.000 description 11
- 238000009413 insulation Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000035945 sensitivity Effects 0.000 description 7
- 238000005259 measurement Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 239000012212 insulator Substances 0.000 description 4
- 239000004020 conductor Substances 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000007667 floating Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 239000000725 suspension Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000011087 paperboard Substances 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- DTSBYIWBBRRVIY-BJDJZHNGSA-N Asp-Met-Met-Cys Chemical compound CSCC[C@@H](C(=O)N[C@@H](CS)C(=O)O)NC(=O)[C@H](CCSC)NC(=O)[C@H](CC(=O)O)N DTSBYIWBBRRVIY-BJDJZHNGSA-N 0.000 description 1
- 241000283973 Oryctolagus cuniculus Species 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- FBFVXSBCWUNIQI-UHFFFAOYSA-N desmethoxymajusculamide C Natural products CN1C(=O)C(C(C)C)N(C)C(=O)CNC(=O)C(C(C)CC)N(C)C(=O)CNC(=O)C(C(C)CC)OC(=O)C(C)C(CC)NC(=O)C(C)NC(=O)C(C)(C)C(=O)C(C)NC(=O)C1CC1=CC=CC=C1 FBFVXSBCWUNIQI-UHFFFAOYSA-N 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000000123 paper Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000191 radiation effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000758 substrate Substances 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
Abstract
本发明公开了一种局部放电状态确定方法及装置。其中,该方法包括:采集放电检测数据;将放电检测数据作为放电状态确定模型的输入,其中,放电状态确定模型是使用多组训练数据通过机器学习训练得到的,多组训练数据中的每组训练数据均包括:放电检测数据和放电检测数据对应的局部放电状态;获取放电状态确定模型的输出;根据放电状态确定模型的输出,确定放电检测数据对应的局部放电状态。本发明解决了相关技术中用于对局部放电进行检测的方式可靠性较低的技术问题。
Description
技术领域
本发明涉及局部放电检测技术领域,具体而言,涉及一种局部放电状态确定方法及装置。
背景技术
近年来由放电类故障引起的绝缘事故比例呈上升趋势,各类型局部放电在线或带电检测技术也投入电力设备的状态检测当中。局部放电一般是由于绝缘体内部或绝缘表面局部电场集中引起,所产生的电离现象。当绝缘发生局部放电时高能量电子或加速电子的冲击,特别是长期局部放电作用都会引起多种形式的物理效应和化学反应,如带电质点撞击气泡外壁时,就可能打断绝缘的化学键而发生裂解,破坏绝缘的分子结构,造成绝缘劣化,加速绝缘损坏过程。局部放电的发生伴随着光,电,声,热等效应,这些物理量也是局部放电检测的主要目标,如基于电流迁移效应的脉冲电流法、基于电磁波辐射的超高频法、基于声传播效应的超声检测法,以及基于光辐射效应的光检测法。特高频、高频电流、超声、地电波是目前常规带电检测手段,过于依赖单一局部放电检测手段,造成判断结果置信度不高,由检测原理局限造成的检测盲区给设备运行带来隐患;对各类局部放电检测原理的技术特点未能完全掌握,实际应用存在操作不当或对象不清等问题。
例如,根据各种原理发展而来局部放电检测方法均具有自身的优势和技术本身的局限性,脉冲电流法能够实现局部放电的定量分析,但无法实现在线监测;超高频法能够实现局部放电的在线监测,但易受噪声干扰且难以定量;超声检测法能够对自由微粒缺陷具有较高的灵敏度,但对尖端电晕和气隙缺陷的灵敏度有限;光测法具有较高的灵敏度和抗干扰性,但监测范围较为有限。
针对上述相关技术中用于对局部放电进行检测的方式可靠性较低的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种局部放电状态确定方法及装置,以至少解决相关技术中用于对局部放电进行检测的方式可靠性较低的技术问题。
根据本发明实施例的一个方面,提供了一种局部放电状态确定方法,包括:采集放电检测数据;将所述放电检测数据作为放电状态确定模型的输入,其中,所述放电状态确定模型是使用多组训练数据通过机器学习训练得到的,所述多组训练数据中的每组训练数据均包括:放电检测数据和所述放电检测数据对应的局部放电状态;获取所述放电状态确定模型的输出;根据所述放电状态确定模型的输出,确定所述放电检测数据对应的局部放电状态。
可选地,在将所述放电检测数据作为放电状态确定模型的输入之前,该局部放电状态确定方法还包括:通过多组训练数据训练得到所述放电状态确定模型;其中,通过多组训练数据训练得到所述放电状态确定模型包括:采集历史时间段内的历史放电检测数据,其中,所述历史放电检测数据为在超声、超高频以及高频电流下采用传感器采集的数据;对所述历史放电检测数据进行分析,根据分析结果得到所述历史放电检测数据对应的放电状态;建立所述历史放电检测数据与所述历史放电检测数据对应的放电状态的映射关系;基于所述映射关系根据所述历史放电检测数据与所述历史放电检测数据对应的放电状态训练得到所述放电状态确定模型。
可选地,对所述历史放电检测数据进行分析包括:根据所述历史放电检测数据的特征光谱区间的数量建立多维向量子空间,其中,所述多维向量子空间表示放电类型和放电能量;确定所述多维向量子空间的向量角分布区域;利用线性混合方式将所述多维向量子空间和所述多维向量子空间的向量边界进行白化处理,得到放电类型和放电类型的危险度。
可选地,在采集历史时间段内的历史放电检测数据之后,该局部放电状态确定方法还包括:对采集的所述历史放电检测数据进行筛选;其中,对采集的所述历史放电检测数据进行筛选包括:获取所述历史放电检测数据的指纹参数;根据所述指纹参数利用序贯算法对所述历史放电检测数据进行筛选。
可选地,所述放电能量包括:低能放电,高能放电,异常电弧。
根据本发明实施例的另外一个方面,还提供了一种局部放电状态确定装置,包括:采集单元,用于采集放电检测数据;第一确定单元,用于将所述放电检测数据作为放电状态确定模型的输入,其中,所述放电状态确定模型是使用多组训练数据通过机器学习训练得到的,所述多组训练数据中的每组训练数据均包括:放电检测数据和所述放电检测数据对应的局部放电状态;获取单元,用于获取所述放电状态确定模型的输出;第二确定单元,用于根据所述放电状态确定模型的输出,确定所述放电检测数据对应的局部放电状态。
可选地,该局部放电状态确定装置还包括:训练单元,用于在将所述放电检测数据作为放电状态确定模型的输入之前,通过多组训练数据训练得到所述放电状态确定模型;其中,所述训练单元包括:采集模块,用于采集历史时间段内的历史放电检测数据,其中,所述历史放电检测数据为在超声、超高频以及高频电流下采用传感器采集的数据;分析模块,用于对所述历史放电检测数据进行分析,根据分析结果得到所述历史放电检测数据对应的放电状态;构建模块,用于建立所述历史放电检测数据与所述历史放电检测数据对应的放电状态的映射关系;获取模块,用于基于所述映射关系根据所述历史放电检测数据与所述历史放电检测数据对应的放电状态训练得到所述放电状态确定模型。
可选地,所述分析模块包括:构建子模块,用于根据所述历史放电检测数据的特征光谱区间的数量建立多维向量子空间,其中,所述多维向量子空间表示放电类型和放电能量;确定子模块,用于确定所述多维向量子空间的向量角分布区域;第一获取子模块,用于利用线性混合方式将所述多维向量子空间和所述多维向量子空间的向量边界进行白化处理,得到放电类型和放电类型的危险度。
可选地,该局部放电状态确定装置还包括:筛选模块,用于在采集历史时间段内的历史放电检测数据之后,对采集的所述历史放电检测数据进行筛选;其中,所述筛选模块包括:第二获取子模块,用于获取所述历史放电检测数据的指纹参数;筛选子模块,用于根据所述指纹参数利用序贯算法对所述历史放电检测数据进行筛选。
根据本发明实施例的另外一个方面,还提供了一种存储介质,所述存储介质包括存储的程序,其中,所述程序执行上述中任意一项所述的局部放电状态确定方法。
根据本发明实施例的另外一个方面,还提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述中任意一项所述的局部放电状态确定方法。
在本发明实施例中,采用采集放电检测数据;将放电检测数据作为放电状态确定模型的输入,其中,放电状态确定模型是使用多组训练数据通过机器学习训练得到的,多组训练数据中的每组训练数据均包括:放电检测数据和放电检测数据对应的局部放电状态;获取放电状态确定模型的输出;根据放电状态确定模型的输出,确定放电检测数据对应的局部放电状态的方式进行局部放电状态确定,在该实施例中可以通过多原理联合检测的方式获取局部放电检测数据,从而实现放电检测数据的信息互补,防止单一检测方式产生漏检而造成的局部放电状态误判的目的,达到提高局部放电检测的精确度,进而解决了相关技术中用于对局部放电进行检测的方式可靠性较低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的局部放电状态确定方法的流程图;
图2是根据本发明实施例的局部放电状态确定装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在对局部放电进行检测时,在不同状态下使用不同的方式得到的检测结果也是不相同的,一般情况下,呈现出下述特点:对于各种类型的历史放电检测数据会存在不同的特征,其中,在超声、超高频和高频电流下获得的电压水平下的金属尖端的放电检测数据,由于极性效应,初始放电首先出现在交流电压的负半周期中,表现出较低的放电量水平。随着施加电压的增加,局放在正半周期中表现为以正极性为主的拱形图谱分布。总体而言,幅值较高、重复率较低的局部放电发生在正半周期,而幅值较低、重复率较高的局部放电发生在负半周期。相比超声图谱,高频电流和超高频方法能够更好的刻画放电的统计特征,并且在整个测量范围内,超声检测难以对负半周期较弱的放电有所响应。此外,高频电流和超高频方法对放电强弱的改变较为敏感,而超声测量结果仅在放电明显增大时有所改变。
在超声、超高频和高频电流下获得的电压水平下的悬浮放电的相基指纹图谱。由于电荷极化效应,悬浮导体上的自由电荷被吸引至与高压导体相近的尖端,并使得悬浮导体与电极之间的电场增强,放电发生在悬浮间隙之间。又由于电晕放电的极性效应,大多数局部放电首先出现在正半周期内。与高频电流法相比,超高频法在刻画图谱分布特征方面更为细致。随着施加电压的增加,局部放电相对集中在一个方形区域内分布,仅在放电重复率上逐渐上升。同样,高频电流法和超高频法所获得的统计特征很难由超声法实现,由超声法获得的放电统计图谱均匀分布在较宽的区域内。
在不同的施加电压下由高频电流、超高频和超声法获得的绝缘子表面颗粒放电的相基指纹图谱与电晕放电和悬浮放电结果相比,由高频电流、超高频和超声获得的图谱差异更加明显。超声检测方法对此类型的放电相比其他方法有更好的响应。随着施加电压的提高,各检测方法得到的放电脉冲幅值的提高并不明显。
而绝缘子内部气隙放电的相基指纹图谱。一般而言,气隙放电的图谱形状表现出兔耳的特征,与高频电流方法相比,超高频测量的灵敏度相对较低,特别对于正半周期内的放电。对于绝缘子气隙放电,超声测量具有相对较好的响应灵敏度,但由于脉冲分辨率较低,不具有明显的统计特征。
因此,探索不同原理的局部放电检测手段对于不同缺陷具有不同的灵敏度和检测有效性,通过多原理联合检测有利于信息互补,防止单一手段产生漏检而造成的误判;通过各检测方法的结果进行对比,研究联合抗干扰和提高检测、放电判别的准确度的方法;通过提取不同检测方法检测结果构造联合诊断特征量,通过多因子主成分分析法研究获得对放电类型识别和放电状态变化敏感的参数指标体系;通过局部放电联合检测方式实现绝缘缺陷的故障定位。
基于不同检测方式,构造出多检测方式复合特征向量,实现更加准确的缺陷放电状态判据,从而实现根据多参量关联分析及缺陷状态转变的奇异性特征,建立绝缘缺陷严重程度的准确诊断。下面进行详细说明。
实施例1
根据本发明实施例,提供了一种局部放电状态确定方法的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的局部放电状态确定方法的流程图,如图1所示,该局部放电状态确定方法包括如下步骤:
步骤S102,采集放电检测数据。
步骤S104,将放电检测数据作为放电状态确定模型的输入,其中,放电状态确定模型是使用多组训练数据通过机器学习训练得到的,多组训练数据中的每组训练数据均包括:放电检测数据和放电检测数据对应的局部放电状态。
步骤S106,获取放电状态确定模型的输出。
步骤S108,根据放电状态确定模型的输出,确定放电检测数据对应的局部放电状态。
通过上述步骤,可以采集放电检测数据;将放电检测数据作为放电状态确定模型的输入,其中,放电状态确定模型是使用多组训练数据通过机器学习训练得到的,多组训练数据中的每组训练数据均包括:放电检测数据和放电检测数据对应的局部放电状态;获取放电状态确定模型的输出;根据放电状态确定模型的输出,确定放电检测数据对应的局部放电状态。在该实施例中可以通过多原理联合检测的方式获取局部放电检测数据,从而实现放电检测数据的信息互补,防止单一检测方式产生漏检而造成的局部放电状态误判的目的,达到提高局部放电检测的精确度,进而解决了相关技术中用于对局部放电进行检测的方式可靠性较低的技术问题。
作为一种可选的实施例,在将放电检测数据作为放电状态确定模型的输入之前,该局部放电状态确定方法还可以包括:通过多组训练数据训练得到放电状态确定模型;其中,通过多组训练数据训练得到放电状态确定模型包括:采集历史时间段内的历史放电检测数据,其中,历史放电检测数据为在超声、超高频以及高频电流下采用传感器采集的数据;对历史放电检测数据进行分析,根据分析结果得到历史放电检测数据对应的放电状态;建立历史放电检测数据与历史放电检测数据对应的放电状态的映射关系;基于映射关系根据历史放电检测数据与历史放电检测数据对应的放电状态训练得到放电状态确定模型。
其中,对于局部放电检测数据可以用多种特征参数来表示,例如,表1示出了多个特征参数,具体包括:均值μ、偏差σ、偏斜度Sk、陡峭度Ku、局部峰点数Pe、放电量因数Q、相位不对称度Φ、互相关系数cc以及修正的互相关系数mcc等是描述局部放电n-q-q-n二维图谱的形状特征参数,可用以区分放电模式的差异。
表1
偏斜度Sk:偏斜度用于描述某种形状的分布对比于正态分布形状的偏斜程度,其数学表达式为:其中,pi、μ、δ表示相窗i内的事件出现的概率、均值和标准差。其概率yi是谱图的纵坐标,它代表视在放电量q或放电重复率n;均值和标准差分别为:偏斜度反映了谱图形状相对于正态分布的左右偏斜情况。Sk=0说明该谱图形状左右对称;Sk>0说明谱图形状相对于正态分布形状向左偏;Sk<0说明谱图形状相对于正态分布形状向右偏。
陡峭度Ku:陡峭度用于描述某种形状的分布对比于正态分布形状的突起程度。其定义如下(式中的各量定义均与偏斜度公式中的定义相同):正态分布的陡峭度Ku等于0。如果Ku>0,则说明该谱图轮廓比正态分布轮廓尖锐陡峭;如Ku<0,则说明该谱图轮廓比正态分布轮廓平坦。
互相关系数cc:通常,在对称电极系统中(例如绝缘介质内部的空气隙),外加电压的正负半周期内具有类似的放电情况。在不对称电极系统中(例如绝缘介质与电极交界面上的空气隙),外加电压的正负半周期内的放电强弱和相位分布则有着显著的差异。互相关系数cc正是反映了谱图在正负半周内的形状相似程度,其计算公式为:,其中,是相窗i内的平均放电量,上标“+”、“-”对应于谱图的正负半周;W是谱图半周内的相窗数。互相关系数cc接近于1,意味着-q谱图正负半周的轮廓十分相似;cc接近于0,说明-q谱图轮廓差异巨大。
对于基于相位分布特征的局部放电模式识别问题,可采用放电灰度图可以完整表达放电信息。因此可以以整个灰度图作为特征量,较传统的统计参数法有明显的数据优势。放电的原始灰度图像是由三维PRPD谱图投影到二维平面所得。即在q~(U~)平面上将某个小空间内的放电次数用灰度值表示。灰度级为0~255,将各空间内放电次数最大的值和最小的值分别对应于最大灰度值和最小灰度值。则灰度图各像素点的灰度值可由以下公式确定:mi,j=255(1-ni,j/nmax),式中:mi,j为像素点的灰度;ni,j为对应空间内的放电次数;nmax为最大放电次数。
从四种典型缺陷模型在TEV法下测试数据随机抽取的放电统计谱图,可以将其作为局部放电类型特征提取的数据基础。
将放电相位谱图转化为64×128分辨率放电灰度图。灰度图既包括了放电相位分布特征,又体现了放电幅值和放电重复率等信息,能够反映放电的所有特征。然而,灰度图像数据内在模式是矩阵形式。当以完整灰度图作为特征值时,通常需要将矩阵向量化,一方面会破坏数据内在的空间结构和联系,同时向量化造成维数过高(64×128=8192维),会造成小样本和高计算代价等问题。在本发明实施例中引入目前在人脸识别中应用比较成功的二维最大准则方法(two-dimensional maximum margin criterion,2DMMC)进行局部放电模式识别研究,建立多参数的局部放电指纹特征矩阵。
作为一种可选的实施例,对历史放电检测数据进行分析包括:根据历史放电检测数据的特征光谱区间的数量建立多维向量子空间,其中,多维向量子空间表示放电类型和放电能量;确定多维向量子空间的向量角分布区域;利用线性混合方式将多维向量子空间和多维向量子空间的向量边界进行白化处理,得到放电类型和放电类型的危险度。
由单一的局部放电检测转变为多种局部放电检测联合使用所带来的首要问题是要更有效地处理和利用各类局部放电检测数据,在本发明实施例中旨在建立一种能够综合利用多物理局部放电信息的分析方法,构建具有更高维度的指纹特征与绝缘状态的映射关系,并利用信息重构和解析实现智能化的局部放电状态诊断。基本原理为:①首先采用最大方差估算方法获得典型局部放电的统计特征因子的区间边界;②采用超声、超高频和高频电流局部放电传感器对局部放电进行联合测量;③然后构建基于指纹信息的特征子空间,进行聚类分析;④最终在特征向量中快速搜索放电类型,定位放电案例。具体的技术流程如下:
1)多物理局部放电指纹特征地图的构建
多类局部放电检测能够获得丰富的特征信息,相比于传统的相基统计方法(其信息维度更高,需要进行快速高效的特征向量子空间的建立和状态映射。基于此,在获得多类局部放电检测数据基础上,将局部放电K个特征光谱区间内的相基统计(-I-N)结果建立K维向量子空间(μ-特征平面坐标;-相位或时刻;N-放电密度;L-放电强度),计算得到各特征向量子空间的向量角分布区域;采用线性混合方法,将表征放电类型(尖端电晕/悬浮电位/沿面放电)和放电能量(低能放电/高能放电/异常电弧)特征子空间和向量边界在各子平面内进行白化处理,作为模式识别和危险度评价的基底和边界;
2)非相基的局部放电指纹信息的提取和特征库的建立
由于带电局部放电检测获得电压相位信息存在一定困难,因此应充分发挥局部放电时间序列特征和多物理量依据,挖掘各种放电时序谱图提供的信息,区分不同缺陷类型的放电模式,建立高效的局部放电指纹信息的提取,并以此为基础建立指纹特征库。为此,在本发明实施例中采用时基TARPD谱图用统计算子进行操作,获取放电指纹。统计算子是对各种分布进行统计分析,用定量的参数来描述某种分布的形状特征,包括中值Mv、偏斜度Sk、突出度Ku、局部峰个数Pk、放电不对称度Asy和互相关因子CC等。基于这些特征指纹参数可进行放电类型识别。
例如,空气中电晕放电:由于空气中电晕放电自身特性,无绝缘纸板阻挡、有绝缘纸板阻挡以及外回路状态下均表现出十分稳定的统计特性。油中电晕放电:虽然均为电晕放电现象,由于绝缘介质的不同,空气中电晕放电和油中电晕放电发展的物理过程不同,表征出来的脉冲电流-时间序列信号不同,致使基于峰值-时间序列统计分布的TARPD谱图以及相应放电指纹参数有着较大的差异。绝缘内部放电:绝缘内部放电表现出了相对稳定的TARPD谱图。但与电晕放电相比,稳定性略差,这可以由内部放电过程所受的影响因素以及缺陷内部结构较为复杂来解释。油纸绝缘沿面放电:沿面放电的放电过程较为复杂,影响因素较多,难以用某种假设或数学物理模型进行很好地描述。虽然表征出来的脉冲电流-序列信号相对稳定,但基于统计特性的TARPD以及放电指纹参数序列分布,与前述三个模型相比,则表现出较不稳定的特性。
因此,四种缺陷模型的统计放电指纹参数序列分布差异较明显,虽然在某些统计算子上差异较小,但如果通过对放电指纹参数序列进行有效评估和选取,能够基于模式分类器实现准确的模式分类。
可用于描述局部放电TARPD谱图的指纹参数较多,但不同的指纹参数对识别的作用是不同的,其中有些可能彼此重叠。选取的指纹参数过多,不仅会增加放电模式判别的复杂性,还会因复杂性的增大,给识别带来误差。因此需要对指纹参数进行合理的评估和选取。目前对特征选择的方法研究较多,主要有:基于专家经验的特征选择、基于统计假设检验的特征选择、基于神经网络的特征选择和基于贝叶斯信息准则的特征选择等。在本发明实施例中基于遗传算法优化的BP神经网络(GA-BP)对TARPD谱图提取的统计放电指纹参数序列进行有效选取。
指纹参数选择需要从给定的一组指纹参数序列FPi(i=1,2,…,N)中挑选M(M<N)个参数作为最优特征子集,此时涉及所有可能指纹参数集FPN作为最优特征子集,搜索特征解为组合问题,计算量太大;实际应用中一般寻找次优解,常用方法有前向序贯算法、后向序贯算法和分支与界限算法等。本节采用后向序贯算法对放电指纹参数序列进行挑选。
后向序贯算法采用由顶向下处理过程。从已有的指纹参数序列组成的全集FPN(按灵敏度S从大到小排列)末端开始,一次删去一个指纹参数FPi,每一步删去的指纹参数FPi不使得准则函数J的值(识别率)降低;如果使得准则函数J的值降低,则保留。即假定n个指纹参数已从原始指纹参数序列FPN中删去,剩下的组成特征集FPN-n,则第(n+1)步所删去的指纹参数将从剩下的集合FPN-n中挑选,使得:
J(FPN-n-1)=max(J(FPN-n-FPi)),FPi∈FPN-n
作为一种可选的实施例,在采集历史时间段内的历史放电检测数据之后,该局部放电状态确定方法还可以包括:对采集的历史放电检测数据进行筛选;其中,对采集的历史放电检测数据进行筛选包括:获取历史放电检测数据的指纹参数;根据指纹参数利用序贯算法对历史放电检测数据进行筛选。
可选地,放电能量包括:低能放电,高能放电,异常电弧。
实施例2
根据本发明实施例还提供了一种局部放电状态确定装置,需要说明的是,本发明实施例的局部放电状态确定装置可以用于执行本发明实施例所提供的局部放电状态确定方法。以下对本发明实施例提供的局部放电状态确定装置进行介绍。
图2是根据本发明实施例的局部放电状态确定装置的示意图,如图2所示,该局部放电状态确定装置包括:采集单元21,第一确定单元23,获取单元25以及第二确定单元27。下面对该局部放电状态确定装置进行详细说明。
采集单元21,用于采集放电检测数据。
第一确定单元23,用于将放电检测数据作为放电状态确定模型的输入,其中,放电状态确定模型是使用多组训练数据通过机器学习训练得到的,多组训练数据中的每组训练数据均包括:放电检测数据和放电检测数据对应的局部放电状态。
获取单元25,用于获取放电状态确定模型的输出。
第二确定单元27,用于根据放电状态确定模型的输出,确定放电检测数据对应的局部放电状态。
在该实施例中,可以利用采集单元21采集放电检测数据;然后利用第一确定单元23将放电检测数据作为放电状态确定模型的输入,其中,放电状态确定模型是使用多组训练数据通过机器学习训练得到的,多组训练数据中的每组训练数据均包括:放电检测数据和放电检测数据对应的局部放电状态;再利用获取单元25获取放电状态确定模型的输出;并利用第二确定单元27根据放电状态确定模型的输出,确定放电检测数据对应的局部放电状态。在该实施例中可以通过多原理联合检测的方式获取局部放电检测数据,从而实现放电检测数据的信息互补,防止单一检测方式产生漏检而造成的局部放电状态误判的目的,达到提高局部放电检测的精确度,进而解决了相关技术中用于对局部放电进行检测的方式可靠性较低的技术问题。
作为一种可选的实施例,该局部放电状态确定装置还包括:训练单元,用于在将放电检测数据作为放电状态确定模型的输入之前,通过多组训练数据训练得到放电状态确定模型;其中,训练单元包括:采集模块,用于采集历史时间段内的历史放电检测数据,其中,历史放电检测数据为在超声、超高频以及高频电流下采用传感器采集的数据;分析模块,用于对历史放电检测数据进行分析,根据分析结果得到历史放电检测数据对应的放电状态;构建模块,用于建立历史放电检测数据与历史放电检测数据对应的放电状态的映射关系;获取模块,用于基于映射关系根据历史放电检测数据与历史放电检测数据对应的放电状态训练得到放电状态确定模型。
作为一种可选的实施例,分析模块包括:构建子模块,用于根据历史放电检测数据的特征光谱区间的数量建立多维向量子空间,其中,多维向量子空间表示放电类型和放电能量;确定子模块,用于确定多维向量子空间的向量角分布区域;第一获取子模块,用于利用线性混合方式将多维向量子空间和多维向量子空间的向量边界进行白化处理,得到放电类型和放电类型的危险度。
作为一种可选的实施例,该局部放电状态确定装置还包括:筛选模块,用于在采集历史时间段内的历史放电检测数据之后,对采集的历史放电检测数据进行筛选;其中,筛选模块包括:第二获取子模块,用于获取历史放电检测数据的指纹参数;筛选子模块,用于根据指纹参数利用序贯算法对历史放电检测数据进行筛选。
上述局部放电状态确定装置包括处理器和存储器,上述采集单元21,第一确定单元23,获取单元25以及第二确定单元27等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
上述处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数根据放电状态确定模型的输出,确定放电检测数据对应的局部放电状态。
上述存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
根据本发明实施例的另外一个方面,还提供了一种存储介质,存储介质包括存储的程序,其中,程序执行上述中任意一项的局部放电状态确定方法。
根据本发明实施例的另外一个方面,还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述中任意一项的局部放电状态确定方法。
在本发明实施例中还提供了一种设备,该设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:采集放电检测数据;将放电检测数据作为放电状态确定模型的输入,其中,放电状态确定模型是使用多组训练数据通过机器学习训练得到的,多组训练数据中的每组训练数据均包括:放电检测数据和放电检测数据对应的局部放电状态;获取放电状态确定模型的输出;根据放电状态确定模型的输出,确定放电检测数据对应的局部放电状态。
在本发明实施例中还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:采集放电检测数据;将放电检测数据作为放电状态确定模型的输入,其中,放电状态确定模型是使用多组训练数据通过机器学习训练得到的,多组训练数据中的每组训练数据均包括:放电检测数据和放电检测数据对应的局部放电状态;获取放电状态确定模型的输出;根据放电状态确定模型的输出,确定放电检测数据对应的局部放电状态。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种局部放电状态确定方法,其特征在于,包括:
采集放电检测数据;
将所述放电检测数据作为放电状态确定模型的输入,其中,所述放电状态确定模型是使用多组训练数据通过机器学习训练得到的,所述多组训练数据中的每组训练数据均包括:放电检测数据和所述放电检测数据对应的局部放电状态;
获取所述放电状态确定模型的输出;
根据所述放电状态确定模型的输出,确定所述放电检测数据对应的局部放电状态;
其中,在将所述放电检测数据作为放电状态确定模型的输入之前,还包括:通过多组训练数据训练得到所述放电状态确定模型;
其中,通过多组训练数据训练得到所述放电状态确定模型包括:
采集历史时间段内的历史放电检测数据,其中,所述历史放电检测数据为在超声、超高频以及高频电流下采用传感器采集的数据;
对所述历史放电检测数据进行分析,根据分析结果得到所述历史放电检测数据对应的放电状态;
建立所述历史放电检测数据与所述历史放电检测数据对应的放电状态的映射关系;
基于所述映射关系根据所述历史放电检测数据与所述历史放电检测数据对应的放电状态训练得到所述放电状态确定模型;
其中,在采集历史时间段内的历史放电检测数据之后,还包括:对采集的所述历史放电检测数据进行筛选;
其中,对采集的所述历史放电检测数据进行筛选包括:
获取所述历史放电检测数据的指纹参数;
根据所述指纹参数利用序贯算法对所述历史放电检测数据进行筛选。
2.根据权利要求1所述的方法,其特征在于,对所述历史放电检测数据进行分析包括:
根据所述历史放电检测数据的特征光谱区间的数量建立多维向量子空间,其中,所述多维向量子空间表示放电类型和放电能量;
确定所述多维向量子空间的向量角分布区域;
利用线性混合方式将所述多维向量子空间和所述多维向量子空间的向量边界进行白化处理,得到放电类型和放电类型的危险度。
3.根据权利要求2所述的方法,其特征在于,所述放电能量包括:低能放电,高能放电,异常电弧。
4.一种局部放电状态确定装置,其特征在于,包括:
采集单元,用于采集放电检测数据;
第一确定单元,用于将所述放电检测数据作为放电状态确定模型的输入,其中,所述放电状态确定模型是使用多组训练数据通过机器学习训练得到的,所述多组训练数据中的每组训练数据均包括:放电检测数据和所述放电检测数据对应的局部放电状态;
获取单元,用于获取所述放电状态确定模型的输出;
第二确定单元,用于根据所述放电状态确定模型的输出,确定所述放电检测数据对应的局部放电状态;
其中,还包括:训练单元,用于在将所述放电检测数据作为放电状态确定模型的输入之前,通过多组训练数据训练得到所述放电状态确定模型;
其中,所述训练单元包括:
采集模块,用于采集历史时间段内的历史放电检测数据,其中,所述历史放电检测数据为在超声、超高频以及高频电流下采用传感器采集的数据;
分析模块,用于对所述历史放电检测数据进行分析,根据分析结果得到所述历史放电检测数据对应的放电状态;
构建模块,用于建立所述历史放电检测数据与所述历史放电检测数据对应的放电状态的映射关系;
获取模块,用于基于所述映射关系根据所述历史放电检测数据与所述历史放电检测数据对应的放电状态训练得到所述放电状态确定模型;
其中,还包括:筛选模块,用于在采集历史时间段内的历史放电检测数据之后,对采集的所述历史放电检测数据进行筛选;
其中,所述筛选模块包括:
第二获取子模块,用于获取所述历史放电检测数据的指纹参数;
筛选子模块,用于根据所述指纹参数利用序贯算法对所述历史放电检测数据进行筛选。
5.根据权利要求4所述的装置,其特征在于,所述分析模块包括:
构建子模块,用于根据所述历史放电检测数据的特征光谱区间的数量建立多维向量子空间,其中,所述多维向量子空间表示放电类型和放电能量;
确定子模块,用于确定所述多维向量子空间的向量角分布区域;
第一获取子模块,用于利用线性混合方式将所述多维向量子空间和所述多维向量子空间的向量边界进行白化处理,得到放电类型和放电类型的危险度。
6.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序执行权利要求1至3中任意一项所述的局部放电状态确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811645739.2A CN109596955B (zh) | 2018-12-30 | 2018-12-30 | 局部放电状态确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811645739.2A CN109596955B (zh) | 2018-12-30 | 2018-12-30 | 局部放电状态确定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109596955A CN109596955A (zh) | 2019-04-09 |
CN109596955B true CN109596955B (zh) | 2021-06-22 |
Family
ID=65965595
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811645739.2A Active CN109596955B (zh) | 2018-12-30 | 2018-12-30 | 局部放电状态确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109596955B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110569717A (zh) * | 2019-07-26 | 2019-12-13 | 深圳供电局有限公司 | 局部放电检测方法、装置、系统、设备及可读存储介质 |
CN110531228A (zh) * | 2019-09-03 | 2019-12-03 | 国网湖南省电力有限公司 | 基于主成分降维与聚类分析的gis局放严重程度判断方法、系统及介质 |
EP3916402B1 (en) * | 2020-05-25 | 2024-03-20 | ABB Schweiz AG | A method for monitoring the electric insulation status of a piece of equipment for mv or hv electric systems |
CN111537853A (zh) * | 2020-06-29 | 2020-08-14 | 国网山东省电力公司菏泽供电公司 | 基于多源异构数据分析的开关柜局部放电智能检测方法 |
CN112404614B (zh) * | 2020-10-26 | 2021-09-28 | 中国工程物理研究院机械制造工艺研究所 | 一种甚高频电火花加工放电状态检测装置及方法 |
CN112485622A (zh) * | 2020-12-09 | 2021-03-12 | 西安华谱电力设备制造有限公司 | 基于ga-bpnn的局部放电模式识别方法 |
CN113009295B (zh) * | 2021-02-25 | 2022-05-06 | 西安交通大学 | 一种用于局部放电多光谱监测数据分析方法 |
CN113064032B (zh) * | 2021-03-26 | 2022-08-02 | 云南电网有限责任公司电力科学研究院 | 一种基于图谱特征和信息融合的局部放电模式识别方法 |
CN113253069B (zh) * | 2021-05-19 | 2022-09-13 | 云南电网有限责任公司电力科学研究院 | 一种基于多光谱强度的局部放电危险度评估方法 |
CN114113943A (zh) * | 2021-11-25 | 2022-03-01 | 广东电网有限责任公司广州供电局 | 基于电流和超声信号的变压器局放检测系统、方法及设备 |
CN116699343B (zh) * | 2023-08-09 | 2023-11-17 | 小米汽车科技有限公司 | 一种扁线电机的定子绝缘缺陷定位方法和系统 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006308515A (ja) * | 2005-05-02 | 2006-11-09 | Fuji Electric Systems Co Ltd | 油入電気機器の劣化診断方法 |
KR100903554B1 (ko) * | 2009-02-23 | 2009-06-17 | 주식회사 화경텍 | 심폐소생술 실습용 모형 시스템 |
CN101702002A (zh) * | 2009-12-07 | 2010-05-05 | 上海市电力公司 | 局部放电声电联合检测定位系统及其定位方法 |
CN103149514A (zh) * | 2013-03-01 | 2013-06-12 | 山东电力集团公司电力科学研究院 | 一种gis内多绝缘缺陷模式识别方法 |
CN203811750U (zh) * | 2013-11-27 | 2014-09-03 | 云南电网公司保山供电局 | 一种变压器局部放电带电检测系统 |
CN104749498A (zh) * | 2015-01-28 | 2015-07-01 | 西安交通大学 | 一种便携式局部放电检测及诊断装置 |
CN104777410A (zh) * | 2015-04-22 | 2015-07-15 | 东北电力大学 | 交联聚乙烯电缆局部放电模式识别方法 |
CN105044567A (zh) * | 2015-06-29 | 2015-11-11 | 许继集团有限公司 | 一种gis局部放电在线监测模式识别方法及系统 |
CN105629136A (zh) * | 2015-12-28 | 2016-06-01 | 国网甘肃省电力公司金昌供电公司 | 电缆绝缘状态在线自动监测与诊断系统 |
CN105807194A (zh) * | 2016-05-09 | 2016-07-27 | 三峡大学 | 一种基于lvq神经网络的雷电冲击下换流变压器绕组故障诊断方法 |
CN106291275A (zh) * | 2016-07-27 | 2017-01-04 | 西安西热节能技术有限公司 | 一种局部放电超高频单次波形频域特征提取及识别方法 |
CN106443379A (zh) * | 2016-09-22 | 2017-02-22 | 广州供电局有限公司 | 变压器局部放电故障类型的识别方法和装置 |
CN106546892A (zh) * | 2016-11-10 | 2017-03-29 | 华乘电气科技(上海)股份有限公司 | 基于深度学习的局部放电超声音频识别方法及系统 |
CN106556781A (zh) * | 2016-11-10 | 2017-04-05 | 华乘电气科技(上海)股份有限公司 | 基于深度学习的局部放电缺陷图像诊断方法及系统 |
CN107154783A (zh) * | 2017-04-18 | 2017-09-12 | 西安交通大学 | 应用独立成分分析和s变换检测系统过程耦合情况下光伏系统故障电弧的方法 |
CN108196164A (zh) * | 2017-12-27 | 2018-06-22 | 西安电子科技大学 | 一种用于强背景噪声下电缆故障点放电声音信号提取方法 |
CN108680814A (zh) * | 2018-08-29 | 2018-10-19 | 国网河北省电力有限公司电力科学研究院 | 一种多维度变压器运行状态评价方法 |
CN108957260A (zh) * | 2018-07-10 | 2018-12-07 | 国网北京市电力公司 | 局部放电检测系统及方法、存储介质、处理器 |
CN109085469A (zh) * | 2018-07-31 | 2018-12-25 | 中国电力科学研究院有限公司 | 一种用于识别电缆局部放电信号的信号类型的方法及系统 |
CN109102012A (zh) * | 2018-07-30 | 2018-12-28 | 上海交通大学 | 一种局部放电信号的缺陷识别方法及系统 |
-
2018
- 2018-12-30 CN CN201811645739.2A patent/CN109596955B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006308515A (ja) * | 2005-05-02 | 2006-11-09 | Fuji Electric Systems Co Ltd | 油入電気機器の劣化診断方法 |
KR100903554B1 (ko) * | 2009-02-23 | 2009-06-17 | 주식회사 화경텍 | 심폐소생술 실습용 모형 시스템 |
CN101702002A (zh) * | 2009-12-07 | 2010-05-05 | 上海市电力公司 | 局部放电声电联合检测定位系统及其定位方法 |
CN103149514A (zh) * | 2013-03-01 | 2013-06-12 | 山东电力集团公司电力科学研究院 | 一种gis内多绝缘缺陷模式识别方法 |
CN203811750U (zh) * | 2013-11-27 | 2014-09-03 | 云南电网公司保山供电局 | 一种变压器局部放电带电检测系统 |
CN104749498A (zh) * | 2015-01-28 | 2015-07-01 | 西安交通大学 | 一种便携式局部放电检测及诊断装置 |
CN104777410A (zh) * | 2015-04-22 | 2015-07-15 | 东北电力大学 | 交联聚乙烯电缆局部放电模式识别方法 |
CN105044567A (zh) * | 2015-06-29 | 2015-11-11 | 许继集团有限公司 | 一种gis局部放电在线监测模式识别方法及系统 |
CN105629136A (zh) * | 2015-12-28 | 2016-06-01 | 国网甘肃省电力公司金昌供电公司 | 电缆绝缘状态在线自动监测与诊断系统 |
CN105807194A (zh) * | 2016-05-09 | 2016-07-27 | 三峡大学 | 一种基于lvq神经网络的雷电冲击下换流变压器绕组故障诊断方法 |
CN106291275A (zh) * | 2016-07-27 | 2017-01-04 | 西安西热节能技术有限公司 | 一种局部放电超高频单次波形频域特征提取及识别方法 |
CN106443379A (zh) * | 2016-09-22 | 2017-02-22 | 广州供电局有限公司 | 变压器局部放电故障类型的识别方法和装置 |
CN106546892A (zh) * | 2016-11-10 | 2017-03-29 | 华乘电气科技(上海)股份有限公司 | 基于深度学习的局部放电超声音频识别方法及系统 |
CN106556781A (zh) * | 2016-11-10 | 2017-04-05 | 华乘电气科技(上海)股份有限公司 | 基于深度学习的局部放电缺陷图像诊断方法及系统 |
CN107154783A (zh) * | 2017-04-18 | 2017-09-12 | 西安交通大学 | 应用独立成分分析和s变换检测系统过程耦合情况下光伏系统故障电弧的方法 |
CN108196164A (zh) * | 2017-12-27 | 2018-06-22 | 西安电子科技大学 | 一种用于强背景噪声下电缆故障点放电声音信号提取方法 |
CN108957260A (zh) * | 2018-07-10 | 2018-12-07 | 国网北京市电力公司 | 局部放电检测系统及方法、存储介质、处理器 |
CN109102012A (zh) * | 2018-07-30 | 2018-12-28 | 上海交通大学 | 一种局部放电信号的缺陷识别方法及系统 |
CN109085469A (zh) * | 2018-07-31 | 2018-12-25 | 中国电力科学研究院有限公司 | 一种用于识别电缆局部放电信号的信号类型的方法及系统 |
CN108680814A (zh) * | 2018-08-29 | 2018-10-19 | 国网河北省电力有限公司电力科学研究院 | 一种多维度变压器运行状态评价方法 |
Non-Patent Citations (4)
Title |
---|
Practical Nonlinear Model Predictive Control Using an Echo State Network Model;Bernardo Barancelli Schwedersky等;《2018 International Joint Conference on Neural Networks (IJCNN)》;20180713;全文 * |
Severity diagnosis and assessment on defects in GIS based on partial discharge detection;Xie Yaoheng等;《2016 International Conference on Condition Monitoring and Diagnosis (CMD)》;20160928;全文 * |
基于嵌入式系统的变压器局部放电在线监测系统;段丽荣等;《华北电力技术》;20091225(第12期);全文 * |
电气设备局部放电检测技术述评;李军浩等;《高电压技术》;20150831;第41卷(第8期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109596955A (zh) | 2019-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109596955B (zh) | 局部放电状态确定方法及装置 | |
CN103558529B (zh) | 一种三相共筒式超高压gis局部放电的模式识别方法 | |
CN105548832B (zh) | 高压电力电缆故障识别方法 | |
CN112014700B (zh) | 基于局部放电多信息融合的gis绝缘子缺陷识别方法及系统 | |
CN103197218A (zh) | 一种高压电缆绝缘缺陷局放带电检测诊断方法 | |
Mas’ud et al. | An investigative study into the sensitivity of different partial discharge φ-qn pattern resolution sizes on statistical neural network pattern classification | |
CN114325256A (zh) | 一种电力设备局部放电识别方法、系统、设备及存储介质 | |
CN105785236A (zh) | 一种gis局放检测外部干扰信号排除方法 | |
Banno et al. | Partial discharge source classification for switchgears with transient earth voltage sensor using convolutional neural network | |
CN113850330A (zh) | 一种基于短时傅里叶变换和卷积神经网络的配电网故障原因检测方法 | |
CN112462355A (zh) | 一种基于时频三特征提取的对海目标智能检测方法 | |
CN115993511A (zh) | 一种局部放电类型高精度检测识别装置、方法和设备 | |
Kiitam et al. | Characteristic pulse pattern features of different types of partial discharge sources in power cables | |
KR102183462B1 (ko) | 부분 방전 진단 장치 | |
Sukma et al. | Determination of type of partial discharge in cubicle-type gas insulated switchgear (C-GIS) using artificial neural network | |
RU2351939C2 (ru) | Способ контроля технического состояния электроэнергетического оборудования | |
CN116008751A (zh) | 一种基于样本增强的电缆局部放电故障特性识别方法 | |
CN111929720B (zh) | 中子探测器性能检测方法、装置、系统和计算机设备 | |
CN113837003A (zh) | 识别局部放电类型方法、装置、存储介质及电子装置 | |
CN110824310A (zh) | 局部放电类型判断方法及装置 | |
Abu-Rub et al. | Multi-level defects classification of partial discharge activity in electric power cables using machine learning | |
CN117786521B (zh) | 基于智能频谱感知的信号分类方法 | |
Karthikeyan et al. | A heuristic complex probabilistic neural network system for partial discharge pattern classification | |
Wang et al. | Application of Gustafson-Kessel clustering algorithm in the pattern recognition for GIS | |
CN114252737B (zh) | 一种电力电缆局放发展过程的状态识别与评价方法及系统 |
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 |