CN109917245A - 考虑相位差的超声检测局部放电信号模式识别方法 - Google Patents
考虑相位差的超声检测局部放电信号模式识别方法 Download PDFInfo
- Publication number
- CN109917245A CN109917245A CN201910237693.9A CN201910237693A CN109917245A CN 109917245 A CN109917245 A CN 109917245A CN 201910237693 A CN201910237693 A CN 201910237693A CN 109917245 A CN109917245 A CN 109917245A
- Authority
- CN
- China
- Prior art keywords
- phase
- ultrasound detection
- mode identification
- discharge signal
- phase difference
- 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.)
- Granted
Links
Landscapes
- Testing Relating To Insulation (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明涉及一种考虑相位差的超声检测局部放电信号模式识别方法，包括以下步骤：1)在实验室条件下，进行具有准确参考相位超声检测的局部放电信号的模式识别过程；2)对于现场带电检测装置或在线监测系统，进行考虑相位差的超声检测局部放电信号模式识别过程。与现有技术相比，本发明具有识别精度高等优点。
Description
技术领域
本发明涉及一种，尤其是涉及一种考虑相位差的超声检测局部放电信号模式识别方法。
背景技术
目前，超声波法具有可带电测量、容易实现故障定位等优点，因此非常适合于电工设备的绝缘缺陷检测。如图1所示，目前超声检测系统处理局放信号数据的主要流程为：①采集脉冲波形-时间序列，进行峰值保持转换为峰值-相位序列；②基于峰值-相位序列生产各种基于相位窗的PRPD放电谱图；③再利用统计算子对各放电谱图进行特征参数提取构成放电指纹；④各缺陷模型在实验室高压试验下形成具有准确相位的放电指纹库组成训练样本库；⑤使用BP神经网络(或其它人工智能算法)训练样本库生成判断函数；⑥基于判别函数对运行电压下电工设备超声检测获取的脉冲波形信号进行同样流程处理得到放电指纹，进行放电类型识别给出结果。由于在现场进行实测时，超声检测系统都是基于参考相位(一般为220V外置电压源而非运行电网电压)处理形成峰值-相位序列，参考相位与运行相位存在一个随机的相位差，超声波脉冲波形信号数据经过上述处理流程形成的放电指纹，与放电指纹库中的样本存在较大差异。因此判别函数对超声检测局放数据进行处理，系统将可能无法对变电站运行电工设备现场实测数据进行放电模式识别，识别功能将失效。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种考虑相位差的超声检测局部放电信号模式识别方法。
本发明的目的可以通过以下技术方案来实现：
一种考虑相位差的超声检测局部放电信号模式识别方法，包括以下步骤：
1)在实验室条件下，进行具有准确参考相位超声检测的局部放电信号的模式识别过程；
2)对于现场带电检测装置或在线监测系统，进行考虑相位差的超声检测局部放电信号模式识别过程。
优选地，所述的进行具有准确参考相位超声检测的局部放电信号的模式识别过程包括：
11)构建高压试验缺陷模型；
12)进行超声脉冲波形信号采集，获得脉冲波形-时间序列；
13)对采集的脉冲波形-时间序列，进行峰值保持转换为峰值-相位序列；
14)基于峰值-相位序列生产各种基于相位窗的PRPD放电谱图；
15)再利用统计算子对各放电谱图进行特征参数提取构成放电指纹；
16)各缺陷模型在实验室高压试验下形成具有准确相位的放电指纹库组成训练样本库；
17)使用人工智能算法训练样本库生成判断函数。
优选地，所述的进行考虑相位差的超声检测局部放电信号模式识别过程具体为：
21)运行电压下的电工设备；
22)进行超声脉冲波形信号采集，获得脉冲波形-时间序列；
23)对采集的脉冲波形-时间序列，进行峰值保持转换为峰值-相位序列，并对峰值-相位序列进行设定相位的平移，从而生成新的峰值-相位序列；
24)基于新的峰值-相位序列生产各种基于相位窗的PRPD放电谱图；
25)再利用统计算子对各放电谱图进行特征参数提取构成放电指纹；
26)采用步骤17)生成的判断函数对步骤25)中的放电指纹进行判断识别；
27)输出识别结果；
28)按照相位平移次数，将对应的识别结果进行累计加权，给出概率参数下的判别结果。
优选地，所述的运行电压下的电工设备包括GIS、变压器，这些设备为需要进行超声波局部放电检测并用于判别绝缘状态的一次设备。
优选地，所述的高压试验缺陷模型包括尖端、内部气隙、悬浮、沿面、自由金属颗粒5种放电模型。
优选地，所述的训练样本库包括尖端、内部气隙、悬浮、沿面、自由金属颗粒5种放电模型对应的放电指纹库。
优选地，所述的PRPD放电谱图包括
优选地，所述的人工智能算法包括BP神经网络或SVM支持向量机。
与现有技术相比，本发明具有以下优点：
1、识别精度高，引入相位平移，将参考相位与运行相位存在的随机相位差考虑，使得实验室条件下超声检测缺陷模型放电数据形成的判别函数可以用于现场带电监测装置或在线监测系统，对实际运行的变电站一次设备进行诊断评估放电类型；
2、按照相位平移次数，将对应的识别结果进行累计加权，给出概率参数下的判别结果，便于技术人员做二次评估，避免当前方法仅给出判别结果而没有概率数据。
附图说明
图1为现有的超声检测局部放电信号模式判别分析方法流程图；
图2为本发明的超声检测局部放电信号模式判别分析方法流程图；
图3为本发明的PRPD谱图组成示例。
图4和图5为本发明的PRPD谱图中进行m＝12次，每次补偿360/m＝30°的变化趋势图示例。
图6为本发明的超声波检测局部放电信号模式判别分析示例，即图4对应数据相位平移后的放电指纹图及识别结果。
具体实施方式
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，所描述的实施例是本发明的一部分实施例，而不是全部实施例。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
一种考虑相位差的超声检测局部放电信号模式判别方法，如图2所示，包括高压试验缺陷模型、超声脉冲波形信号采集、峰值时间序列、PRPD谱图、特征参数提取(统计算子)、放电指纹库、训练样本库、智能算法、判别函数、识别结果，以及运行电压下的电工设备、参考相位、相位平移、累计投票模块。
所述的高压试验缺陷模型、超声脉冲波形信号采集、峰值-相位序列、PRPD谱图、特征参数提取(统计算子)、放电指纹库、训练样本库、智能算法、判别函数，可以组成对具有准确参考相位超声检测的局部放电信号的模式判别方法，比如实验室条件下的试验。
所述的运行电压下的电工设备、超声脉冲波形信号采集、参考相位、相位平移、峰值-相位序列、PRPD谱图、特征参数提取、放电指纹、判别函数、识别结果和累计投票模块，组成了考虑相位差的超声检测局部放电信号模式判别方法，用于现场带电检测装置或在线监测系统。
所述的运行电压下的电工设备为GIS、变压器等变电站需要进行超声波局部放电检(监)测用于判别绝缘状态的一次设备。
所述的高压试验缺陷模型由尖端、内部气隙、悬浮、沿面、自由金属颗粒5种放电模型。
所述的训练样本库由尖端、内部气隙、悬浮、沿面、自由金属颗粒5种放电模型对应的放电指纹库组成。
所述的PRPD谱图由组成(图3)。
所述的智能算法可以为BP神经网络、SVM支持向量机等人工智能算法。
所述的判别函数由智能算法对训练样本库进行训练生成。
所示的相位平移即基于原有峰值-相位序列，进行一定相位的平移来弥补参考相位与运行相位可能存在的随机相位差，从而生成新的峰值-相位序列。图4和图5所示为PRPD谱图中图形进行相位补偿，m＝12次，每次补偿30°后的谱图变化示例。
图6为本发明的超声波检测局部放电信号模式判别分析示例，即图4和图5对应数据相位平移后的放电指纹图及识别结果，其中沿面：9次，内部：2次；悬浮：1次，累计投票结果：沿面，概率75％。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种考虑相位差的超声检测局部放电信号模式识别方法，其特征在于，包括以下步骤：
1)在实验室条件下，进行具有准确参考相位超声检测的局部放电信号的模式识别过程；
2)对于现场带电检测装置或在线监测系统，进行考虑相位差的超声检测局部放电信号模式识别过程。
2.根据权利要求1所述的一种考虑相位差的超声检测局部放电信号模式识别方法，其特征在于，所述的进行具有准确参考相位超声检测的局部放电信号的模式识别过程包括：
11)构建高压试验缺陷模型；
12)进行超声脉冲波形信号采集，获得脉冲波形-时间序列；
13)对采集的脉冲波形-时间序列，进行峰值保持转换为峰值-相位序列；
14)基于峰值-相位序列生产各种基于相位窗的PRPD放电谱图；
15)再利用统计算子对各放电谱图进行特征参数提取构成放电指纹；
16)各缺陷模型在实验室高压试验下形成具有准确相位的放电指纹库组成训练样本库；
17)使用人工智能算法训练样本库生成判断函数。
3.根据权利要求2所述的一种考虑相位差的超声检测局部放电信号模式识别方法，其特征在于，所述的进行考虑相位差的超声检测局部放电信号模式识别过程具体为：
21)运行电压下的电工设备；
22)进行超声脉冲波形信号采集，获得脉冲波形-时间序列；
23)对采集的脉冲波形-时间序列，进行峰值保持转换为峰值-相位序列，并对峰值-相位序列进行设定相位的平移，从而生成新的峰值-相位序列；
24)基于新的峰值-相位序列生产各种基于相位窗的PRPD放电谱图；
25)再利用统计算子对各放电谱图进行特征参数提取构成放电指纹；
26)采用步骤17)生成的判断函数对步骤25)中的放电指纹进行判断识别；
27)输出识别结果；
28)按照相位平移次数，将对应的识别结果进行累计加权，给出概率参数下的判别结果。
4.根据权利要求3所述的一种考虑相位差的超声检测局部放电信号模式识别方法，其特征在于，所述的运行电压下的电工设备包括GIS、变压器，这些设备为需要进行超声波局部放电检测并用于判别绝缘状态的一次设备。
5.根据权利要求3所述的一种考虑相位差的超声检测局部放电信号模式识别方法，其特征在于，所述的高压试验缺陷模型包括尖端、内部气隙、悬浮、沿面、自由金属颗粒5种放电模型。
6.根据权利要求3所述的一种考虑相位差的超声检测局部放电信号模式识别方法，其特征在于，所述的训练样本库包括尖端、内部气隙、悬浮、沿面、自由金属颗粒5种放电模型对应的放电指纹库。
7.根据权利要求3所述的一种考虑相位差的超声检测局部放电信号模式识别方法，其特征在于，所述的PRPD放电谱图包括
8.根据权利要求3所述的一种考虑相位差的超声检测局部放电信号模式识别方法，其特征在于，所述的人工智能算法包括BP神经网络或SVM支持向量机。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910237693.9A CN109917245B (zh) | 2019-03-27 | 2019-03-27 | 考虑相位差的超声检测局部放电信号模式识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910237693.9A CN109917245B (zh) | 2019-03-27 | 2019-03-27 | 考虑相位差的超声检测局部放电信号模式识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109917245A true CN109917245A (zh) | 2019-06-21 |
| CN109917245B CN109917245B (zh) | 2021-02-09 |
Family
ID=66967093
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910237693.9A Active CN109917245B (zh) | 2019-03-27 | 2019-03-27 | 考虑相位差的超声检测局部放电信号模式识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109917245B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111239554B (zh) * | 2019-11-29 | 2021-04-13 | 深圳供电局有限公司 | 一种基于大数据的超声波局放检测分析模型 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103344887A (zh) * | 2013-05-30 | 2013-10-09 | 国家电网公司 | 一种适用于gis设备局部放电检测的试验方法 |
| CN107037338A (zh) * | 2017-04-26 | 2017-08-11 | 国网上海市电力公司 | 一种gis振荡冲击耐压试验用缺陷类型识别方法 |
| CN107561417A (zh) * | 2017-08-11 | 2018-01-09 | 国家电网公司 | 一种分布式局部放电检测系统 |
| JP2018109529A (ja) * | 2016-12-28 | 2018-07-12 | Ｊｆｅスチール株式会社 | 携帯型コロナ放電検出装置 |
| CN109459674A (zh) * | 2018-12-28 | 2019-03-12 | 国家电网有限公司 | 一种开关柜局部放电多节点监测系统同步化装置 |
-
2019
- 2019-03-27 CN CN201910237693.9A patent/CN109917245B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103344887A (zh) * | 2013-05-30 | 2013-10-09 | 国家电网公司 | 一种适用于gis设备局部放电检测的试验方法 |
| JP2018109529A (ja) * | 2016-12-28 | 2018-07-12 | Ｊｆｅスチール株式会社 | 携帯型コロナ放電検出装置 |
| CN107037338A (zh) * | 2017-04-26 | 2017-08-11 | 国网上海市电力公司 | 一种gis振荡冲击耐压试验用缺陷类型识别方法 |
| CN107561417A (zh) * | 2017-08-11 | 2018-01-09 | 国家电网公司 | 一种分布式局部放电检测系统 |
| CN109459674A (zh) * | 2018-12-28 | 2019-03-12 | 国家电网有限公司 | 一种开关柜局部放电多节点监测系统同步化装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111239554B (zh) * | 2019-11-29 | 2021-04-13 | 深圳供电局有限公司 | 一种基于大数据的超声波局放检测分析模型 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109917245B (zh) | 2021-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wenrong et al. | Digital detection, grouping and classification of partial discharge signals at DC voltage | |
| Cavallini et al. | A new approach to the diagnosis of solid insulation systems based on PD signal inference | |
| Kreuger et al. | Classification of partial discharges | |
| CN109359271B (zh) | 一种基于逻辑回归的变压器绕组变形程度在线检测方法 | |
| CN103645425B (zh) | 一种高压电缆绝缘缺陷局部放电在线监测诊断方法 | |
| Gao et al. | Research on the typical partial discharge using the UHF detection method for GIS | |
| Gaouda et al. | Application of multiresolution signal decomposition for monitoring short-duration variations in distribution systems | |
| CN100427961C (zh) | 基于虚拟仪器技术的气体绝缘组合电器在线监测方法 | |
| CN106646096A (zh) | 基于振动分析法的变压器故障分类和识别方法 | |
| CN111948487A (zh) | 一种基于人工智能的高压电力设备故障诊断方法及系统 | |
| CN107942210A (zh) | 变压器脉冲电流局部放电波形的分类和去噪方法及系统 | |
| CN108693448B (zh) | 一种应用于电力设备局部放电模式识别系统 | |
| CN113805018A (zh) | 一种配电网10kV电缆局部放电故障类型智能识别方法 | |
| CN104237750A (zh) | 一种gis绝缘缺陷局部放电故障图谱绘制方法 | |
| WO2023284127A1 (zh) | 一种基于振动信号的gil缺陷在线监测系统及方法 | |
| CN110632484A (zh) | 一种基于elm的gis局部放电缺陷诊断分类系统及方法 | |
| Chang et al. | Application of fuzzy entropy to improve feature selection for defect recognition using support vector machine in high voltage cable joints | |
| Hucker et al. | Requirements of automated PD diagnosis systems for fault identification in noisy conditions | |
| CN114186624B (zh) | 基于二维卷积神经网络的损伤识别模型建立方法及设备 | |
| CN115166446A (zh) | 一种变压器局部放电识别方法 | |
| CN114814501A (zh) | 一种电容式电压互感器电容击穿故障在线诊断方法 | |
| CN118038295A (zh) | 输电线路缺陷实时在线识别系统 | |
| CN109917245A (zh) | 考虑相位差的超声检测局部放电信号模式识别方法 | |
| Mitiche et al. | Deep residual neural network for EMI event classification using bispectrum representations | |
| CN112881879A (zh) | 一种高压电缆终端局部放电模式识别方法、装置及设备 |
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 |