CN110133488A

CN110133488A - 基于最优等级数的开关柜健康状态评价方法及装置

Info

Publication number: CN110133488A
Application number: CN201910281189.9A
Authority: CN
Inventors: 杨帆; 邓一帆; 李东东; 赵耀; 林顺富; 边晓燕
Original assignee: Shanghai University of Electric Power
Current assignee: Shanghai University of Electric Power; University of Shanghai for Science and Technology
Priority date: 2019-04-09
Filing date: 2019-04-09
Publication date: 2019-08-16
Anticipated expiration: 2039-04-09
Also published as: CN110133488B

Abstract

本发明涉及一种基于最优等级数的开关柜健康状态评价方法及装置，所述方法包括以下步骤：检测并获得包含开关柜柜体六个面的暂态对地电压幅值和超声波幅值两组数据的第一数据集；对第一数据集进行预处理，获得第二数据集；计算第二数据集的多维度特征量，建立含所述特征量的特征数据库；将特征数据库按最优开关柜健康状态等级数聚类划分，每一级均加入健康状态评价标签，得到最终评价结果；将健康状态评价结果进行可视化处理。与现有技术相比，本发明具有准确性高、客观性强和直观性好等优点。

Description

基于最优等级数的开关柜健康状态评价方法及装置

技术领域

本发明涉及一种开关柜健康状态评价方法，尤其是涉及一种基于最优等级数的开关柜健康状态评价方法及装置。

背景技术

随着电网的不断发展，大量电力设备投入到电网运行中，电力设备评价体系的建立是维护电网安全的重要一环。

电网的开关柜以绝缘、机械、温升、误操作和电弧故障为主要故障，最常见的是绝缘故障所导致的局部放电过大。在目前电网日常带电检修中，以暂态对地电压法(TEV)和超声波法最为常见。目前开关柜的评价体系还停留在人为的主观经验法对开关柜进行评价，而带电检测数据量大、数据类型复杂，开关柜带电检测后的数据选取合适的评价手段进行评价是一个重要的研究方向。

目前开关柜的日常巡检评价措施还停留在人工巡检上，判别方法还是依照传统的聚类算法。传统的聚类评价方法一方面缺少数据预处理，难以去除开关柜的背景电磁干扰，且特征量单一；另一方面传统的局部放电健康聚类评价方法是人为主观的设定评价等级数，并缺少对结果的可视化展示。

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基于最优等级数的开关柜健康状态评价方法及装置。

本发明的目的可以通过以下技术方案来实现：

一种基于最优等级数的开关柜健康状态评价方法，方法包括以下步骤：

S1：检测并获得包含开关柜柜体六个面的暂态对地电压幅值和超声波幅值数据的第一数据集；

S2：对第一数据集进行预处理，获得第二数据集；

S3：计算第二数据集的多维度特征量，建立含所述多维度特征量的特征数据库；

S4：根据所述特征数据库计算不同开关柜健康状态等级数对应的簇内误差平方和，根据所述误差平方和确定最优开关柜健康状态等级数；

S5：将特征数据库按最优开关柜健康状态等级数聚类划分，每一级均加入健康状态评价标签，得到最终评价结果；

S6：将最终评价结果进行可视化处理。

进一步地，所述预处理具体为：

S201：计算获得暂态对地电压幅值和超声波幅值数据相较于背景值的偏差量数据集；

S202：将偏差量数据归一化处理，得到新的暂态对地电压幅值和超声波幅值偏差量两组数据，组成所述第二数据集。

进一步地，所述多维度特征量包括6个特征量，具体包括：根据经过预处理后的开关柜柜体六个面的暂态对地电压幅值和超声波幅值数据分别求得的变异系数、平均距离平百分比和稳定度。

进一步地，所述变异系数是归一化后的数据标准差与平均值之比，所述平均距离平百分比为所有测量点距离中心点的平均距离与均值之比，所述稳定度为数据中最大值与最小值之比。

进一步地，所述确定最优开关柜健康状态等级数具体为：采用不同K值，利用K均值聚类算法对所述特征数据库进行聚类，所述K值为开关柜健康状态等级数，利用不同簇的误差平方和方法确定最优K值即最优等级数。

进一步地，所述可视化处理具体为：采用T-分布随机近邻嵌入降维算法将开关柜局部放电健康状态的评价结果在二维平面中进行可视化展现。

本发明还提供一种基于最优等级数的开关柜健康状态评价装置，所述装置包括存储器、处理器以及存储于所述存储器中并由所述处理器执行的程序，所述处理器执行所述程序时实现以下步骤：

S2：对第一数据集进行预处理，获得第二数据集；

S6：将最终评价结果进行可视化处理。

进一步地，所述预处理具体为：

与现有技术相比，本发明具有以如下有益效果：

(1)本发明对开关柜柜体的检测数据进行预处理，消除了开关柜的背景电磁干扰，检测的准确性高；

(2)本发明对进行数据分析并提取六组特征量建立多维开关柜局部放电健康状态特征数据库，大大提高了开关柜局部放电的状态聚类有效性和准确性；

(3)本发明将开关柜局部放电健康状态的评价结果在二维平面中进行可视化展现，评价结果客观性和直观性强。

附图说明

图1为关柜局部放电健康状态聚类主要步骤；

图2为开关柜局部放电的数据预处理；

图3为开关柜局部放电健康状态聚类流程图；

图4为SSE与K值的关系图；

图5为聚类结果TSNE降维可视化图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例1

本实施例提供一种基于最优等级数的开关柜健康状态评价方法，如图1所示，该方法首先检测获得包含开关柜柜体前后及上中下六个测量点的暂态对地电压TEV幅值和超声波幅值的第一数据集；对第一数据集进行预处理得到第二数据集；计算第二数据集即经过预处理后的开关柜柜体六个面的暂态对地电压幅值和超声波幅值数据的变异系数、平均距离百分比和稳定度共计六个特征量；建立含有该六个特征量的多维数据库；采用不同簇的误差平方和方法确定开关柜局部放电健康状态的最优等级数K；根据最优等级数K采用K均值聚类对开关柜局部放电健康状态进行K个等级的聚类；最后，对聚类结果加入健康状态评价标签，采用T-分布随机近邻嵌入降维算法将开关柜局部放电健康状态的评价结果在二维平面中进行可视化展现，通过评价结果的展示可对开关柜运行状态进行排查及控制。

该方法具体步骤如下：

(1)数据预处理

计算偏差量：

检测开关柜柜体前后及上中下六个测量点的暂态对地电压TEV幅值和超声波幅值数据，建立开关柜TEV幅值数据集

其中为带电检测中的第k台开关柜的第i(i＝1,2,…,n)个测量点的TEV幅值；建立开关柜超声波幅值数据集

其中为带电检测中的第k台开关柜的第i(i＝1,2,…,n)个测量点的超声波幅值；

开关柜TEV幅值数据集和开关柜超声波幅值数据集组成第一数据集；

分别计算第一数据集中包含的和相较于背景值的偏差值，消除背景值带来的影响，其计算公式如下：

其中表示第k台开关柜TEV、超声波所计算出的TEV和超声波的幅值偏差量，T_k、S_k分别表示TEV、超声波背景值，表示带电检测中的第k台开关柜的第i个测量点的TEV幅值、超声波幅值的偏差量。

数据归一化：

对TEV和超声波的幅值偏差量进行归一化处理，消除少数偏差量负值对评价带来干扰，使得聚类算法中各特征量的数据差异性变小，其计算公式如下：

其中X为计算所得的TEV幅值、超声波幅值的偏差量的数据样本集中的数据X_min为计算后所在样本中的最小值，X_max为计算后所在样本中的最大值，X′为归一化后的结果。

开关柜TEV幅值偏差量数据集

开关柜超声波幅值偏差量数据集

开关柜TEV幅值偏差量和超声波幅值偏差量数据集组成第二数据集，即X′

(2)特征量计算：

a)变异系数

变异系数是第二数据集X′的标准差与平均值之比，可用来克服人为失误记录数据缺失时导致的不同平均数与均值之间偏离的影响，同时反映偏离均值较大的样本的影响，其计算公式如下：

式中，为第k台开关柜的TEV幅值的变异系数；为的第k台开关柜TEV幅值偏差量的平均值；归一化后的各TEV的幅值偏差值，n为所检测第k台开关柜的测量点的个数。

式中，为第k台开关柜的超声波幅值的变异系数；为的第k台开关柜超声波偏差量的平均值；归一化后的超声波的幅值偏差值，n为所检测第k台开关柜的测量点的个数。

b)平均距离百分比

平均距离百分比的计算公式为该台开关柜所有测量点距离中心点的平均距离与均值之比，该计算结果可以反应该台开关柜数据的波动情况，波动情况越大，开关柜的整体状况越差。平均距离百分率计算公式为：

式中，为第k台开关柜的TEV幅值的平均距离百分比；为第k台开关柜的超声波幅值的平均距离百分比。

c)稳定度

稳定度为第二数据集X′中最大值与最小值之比，稳定度越大，说明开关柜的状态越需差，越需要对开关柜加强关注。其计算公式如下：

式中，min{}和max{}分别第k台开关柜TEV的最小值和最大值；为计算出的该台开关柜的TEV幅值的稳定度。

式中，min{}和max{}分别第k台开关柜超声波的最小值和最大值；为计算出的该台开关柜的超声波幅值的稳定度。

针对上述计算出的TEV和超声波幅值偏差量的变异系数、平均距离平百分率和稳定度3个指标，共计六组特征量，建立特征数据库，将这六组特征量的数据集用k*1阶列向量进行表示。

同理建立其余五组特征量数据集的k维向量：V_ρ、X_d、Y_d、S_x以及S_y。

据此建立多维特征数据库，采用k*6阶矩阵进行表示：

其中矩阵[R₁ R₂ … R_k]^T中各1*6阶行向量R₁、R₂……R_k表示各开关柜的状态信息量。

开关柜局部放电的数据预处理如图2所示。

(3)开关柜局部放电健康状态聚类

1)K均值聚类算法

K均值聚类算法是一种经典的依照欧式距离划分式聚类算法。聚类算法是将所建立的多维样本数据库中的数据通过欧式或其他距离划分为K个聚类簇，每个簇内的样布数据的相似度很高，而不同簇之间则相似度很低。通过不断的迭代计算寻找与中心点的最小误差，每一个簇代表着健康状况相似的开关柜为一类，K均值聚类算法一般采用欧式距离作为度量距离，各开关柜的状态信息量R₁、R₂……R_k任意俩开关柜的状态信息量R_i和R_j欧式距离公式如下：

2)误差平方和SSE和最优等级数

根据不同聚类等级数K对应的簇内误差平方和SSE确定最优开关柜健康状态等级数。不同簇的误差平方和方法的目的是使得簇内误差平方和最小，本发明选择手肘法对簇进行选择。手肘法的随着聚类等级数K值的增大，样本划分的簇数会更加的多，每个簇的聚合程度会逐渐提高，导致误差平方和一直较小。而当K小于真实聚类数时，由于K的增大会大幅增加每个簇的聚合程度，故SSE的下降幅度会很大，而当K到达真实聚类数时，再增加K所得到的聚合程度回报会迅速变小，所以SSE的下降幅度会骤减，然后随着K值的继续增大而趋于平缓，根据SSE和K的关系图是一个手肘的形状，而这个肘部对应的K值即是数据的最优聚类等级数。SSE的计算公式如下：

其中P_j(j＝1,2,3,…,K)表示聚类后的第j个簇，R_i为属于不同簇下P_j的数据点，μ_i是该簇中心的数据点。

K均值聚类算法的计算步骤如下：

101)从样本集合中随机抽取K个样本点作为初始聚类中心。

102)通过计算与中心点的距离找出每个样本距所适合的簇。

103)通过所构造的簇计算出该簇最佳的聚类中心。

104)重复102)和103)，直到簇的中心点不变或达到设定的迭代次数或达到设定的误差范围内。

3)将特征数据库按最优开关柜健康状态等级数聚类划分，对聚类后的每一个结果加入开关柜的健康标签以及建议措施，根据选择的最优K值，划分健康状态标签值。

(4)TSNE降维二维可视化

开关柜健康状况的评价特征量选择了TEV超声波幅值和幅值数偏差量的变异系数、平均距离平百分率和稳定度3个指标共计六个特征量。聚类的结果是基于高维度的特征量的聚类结果，针对其高维度可视化应选取TSNE降维进行二维可视化研究，TSNE是通过邻域图上随机游走的概率分布来找到数据内在联系的非线性降维算法。具体算法如下：

随机邻接嵌入(SNE)通过将数据点之间的高维欧几里得距离转换为表示相似性的条件概率而开始，Ri、Rj(任意两个特征量)之间的条件概率pj|i由下式给出：

其中σi是以数据点xi为中心的高斯方差。

对于维度较低的ri和rj数据，同样可以计算q_j|i来实现降维。设置其方差其条件概率为q_j|i:

T-SNE采用采用T分布，以解决低维空间的数据轻拥挤问题。因此pj|i不变，采用T分布后的q_j|i：

开关柜局部放电健康状态聚类流程如图3。

实施案例

为了实现上述目的，选择安徽芜湖电网开关柜带电检测数据作为数据样本。

对其带电检测数据进行预处理：

对所有数据统一进行归一化处理：

计算变异系数:

计算平均距离百分比：

计算稳定度：

通过上述计算，建立开关柜六个特征量的多维样本数据库：

采用K均值算法对开关柜多维样本数据库进行聚类划分。

逐次增加K值，计算不同K值下聚类的SSE的值：

其关系图如图4所示.当在K值为1或者2时，误差比较大，当K值为3以后，变化幅度比较小，因此将最佳K值取3，该取值符合现场检修评价的分类类别结果。

根据选择的最优K值，划分如下的健康状态标签值：

表1健康状态分类标签

等级	健康标签	建议措施
			良好	未发现明显的放电现象。	按正常检测周期检测。
注意	检测到一定程度的放电现象。	缩短检测周期。
			异常	检测到强烈的放电现象。	建议立即进行检修排查，必要时停电处理。

通过TSNE降维算法对开关柜数据聚类后的可视化结果如图5所示：

该方案清晰的将开关柜的局部放电检测结果进行展现，从图中可以看出，开关柜需立即检修排查的数量较少，其次为需要加强关注的开关柜，最后大部分的数据显示开关柜依旧在平稳运行当中，其聚类结果效果很好，实用性很强，能帮助运维人员对带电检测结果进行系统的排查。

实施例2

本实施例提供一种基于最优等级数的开关柜健康状态评价装置，包括存储器、处理器以及存储于所述存储器中并由所述处理器执行的程序，所述处理器执行程序时实现如实施例1所述的评价方法。该评价装置可应用于电网的开关柜健康状态的评价上。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims

1.一种基于最优等级数的开关柜健康状态评价方法，其特征在于，方法包括以下步骤：

S2：对第一数据集进行预处理，获得第二数据集；

S6：将最终评价结果进行可视化处理。

2.根据权利要求1所述的一种基于最优等级数的开关柜健康状态评价方法，其特征在于，所述预处理具体为：

3.根据权利要求1所述的一种基于最优等级数的开关柜健康状态评价方法，其特征在于，所述多维度特征量包括6个特征量，具体包括：根据经过预处理后的开关柜柜体六个面的暂态对地电压幅值和超声波幅值数据分别求得的变异系数、平均距离平百分比和稳定度。

4.根据权利要求3所述的一种基于最优等级数的开关柜健康状态评价方法，其特征在于，所述变异系数是归一化后的数据标准差与平均值之比，所述平均距离平百分比为所有测量点距离中心点的平均距离与均值之比，所述稳定度为数据中最大值与最小值之比。

5.根据权利要求1所述的一种基于最优等级数的开关柜健康状态评价方法，其特征在于，所述确定最优开关柜健康状态等级数具体为：采用不同K值，利用K均值聚类算法对所述特征数据库进行聚类，所述K值为开关柜健康状态等级数，利用不同簇的误差平方和方法确定最优K值即最优等级数。

6.根据权利要求1所述的一种基于最优等级数的开关柜健康状态评价方法，其特征在于，所述可视化处理具体为：采用T-分布随机近邻嵌入降维算法将开关柜局部放电健康状态的评价结果在二维平面中进行可视化展现。

7.一种基于最优等级数的开关柜健康状态评价装置，其特征在于，所述装置包括存储器、处理器以及存储于所述存储器中并由所述处理器执行的程序，所述处理器执行所述程序时实现以下步骤：

S2：对第一数据集进行预处理，获得第二数据集；

S6：将最终评价结果进行可视化处理。

8.根据权利要求7所述的一种基于最优等级数的开关柜健康状态评价装置，其特征在于，所述预处理具体为：

9.根据权利要求7所述的一种基于最优等级数的开关柜健康状态评价装置，其特征在于，所述确定最优开关柜健康状态等级数具体为：采用不同K值，利用K均值聚类算法对所述特征数据库进行聚类，所述K值为开关柜健康状态等级数，利用不同簇的误差平方和方法确定最优K值即最优等级数。

10.根据权利要求7所述的一种基于最优等级数的开关柜健康状态评价装置，其特征在于，所述可视化处理具体为：采用T-分布随机近邻嵌入降维算法将开关柜局部放电健康状态的评价结果在二维平面中进行可视化展现。