CN110632484A - 一种基于elm的gis局部放电缺陷诊断分类系统及方法 - Google Patents
一种基于elm的gis局部放电缺陷诊断分类系统及方法 Download PDFInfo
- Publication number
- CN110632484A CN110632484A CN201911077652.4A CN201911077652A CN110632484A CN 110632484 A CN110632484 A CN 110632484A CN 201911077652 A CN201911077652 A CN 201911077652A CN 110632484 A CN110632484 A CN 110632484A
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- elm
- frequency
- defect diagnosis
- data set
- 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.)
- Pending
Links
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
本发明提供一种基于ELM的GIS局部放电缺陷诊断分类系统及方法,该方法通过采集特高频局放时域信号并利用主元分析法获取能够表征缺陷特征的主元参数组成样本特征数据集,利用极限学习机网络模型实现基于样本特征数据集的分类,无需进一步将时域信号转换为PRPS‑PRPD图谱作为特征获取来源,从时域维度直接参与缺陷类型的诊断,为电力设备的异常缺陷诊断提供了新的解决途径。
Description
技术领域
本发明涉及电力设备异常缺陷诊断领域,更具体地,涉及一种基于ELM的GIS局部放电缺陷诊断分类系统及方法。
背景技术
随着我国经济的持续飞速发展,电网系统供电可靠性及稳定性要求逐步提高,对电力设备出现的异常缺陷处理受到高度重视。电力设备产生局部放电时会相应释放出声、光、电信号,根据检测原理的不同,包含采用特高频法、超声波法、高频电流法等来检测局部放电信号;根据巡检方式的不同,分为带电检测及在线监测。当结合特高频检测技术进行电力设备的带电检测时,通常采用将特高频时域波形信号转换为PRPS-PRPD图谱或者周期图谱,进而通过观察图谱的特征变化对设备的异常作出诊断。当进行在线监测时,通常将特高频时域波形信号转换为PRPS-PRPD图谱或者周期图谱后,将图谱通过网络传输至云端或本地服务器,由布置在内部的诊断系统进行诊断分类,诸如专家诊断系统或者深度学习诊断系统。
但是上述诊断系统仍存在一定局限,如带电检测时带电检测人员是凭借积累的经验对检测的图谱进行故障类型判断,在线监测通过部署深度学习诊断系统对图谱进行诊断,其本质是将检测信号转换为一种图片格式进行模式识别,但是该系统运行需要占用较大的运行内存空间,对硬件环境具有较高要求,对于不具备上述硬件条件或者无法有效访问、利用该系统的情况,该诊断系统的应用将会受到限制。通过在本地设备上部署基于极限学习机的GIS局部放电缺陷诊断分类系统,为局放缺陷的诊断提供新的解决途径。
发明内容
本发明提供一种基于ELM的GIS局部放电缺陷诊断分类系统,该系统可实现对电力设备的异常缺陷诊断。
本发明的又一目的在于提供这一种基于ELM的GIS局部放电缺陷诊断分类方法。
为了达到上述技术效果,本发明的技术方案如下:
一种基于ELM的GIS局部放电缺陷诊断分类系统,包括:数据采集处理模块和缺陷诊断模块;
数据采集处理模块:包含前端特高频传感器、数据采集模块、数据处理模块;其中特高频传感器用于耦合空间中的电磁波信号;数据采集模块用于对传感器检测到的模拟信号实施检波放大及AD转换处理;数据处理模块用于对信号进行时频域特征提取及主元降维处理;
缺陷诊断模块:用于存储训练及测试样本的特征数据集,同时建立基于极限学习机的神经网络模型,使用测试样本数据集对网络进行训练。
一种基于ELM的GIS局部放电缺陷诊断分类方法,包括以下步骤:
S1:检测电力设备特高频局部放电信号;
S2:提取特高频信号时频域特征,并使用主元分析法对所提取的特征量作降维处理,仅提取主要特征量;
S3:构建训练样本数据集和测试样本数据集,建立极限学习机神经网络模型进行训练和测试;
S4:将待测试样本输入最终极限学习机神经网络模型,完成局放缺陷类型的识别输出。
进一步地,所述步骤S1的过程是:
空间中电磁波信号经数据采集处理模块采集后,经过放大、滤波、检波及A/D转换后,形成原始离散化的特高频数据。
进一步地,特高频数据的类型包括:电晕放电、悬浮电位放电、微粒放电、内部放电、沿面放电、通讯干扰及背景噪声
进一步地,所述步骤S2的过程是:
S21:提取特高频时域信号特征量;
S22:提取特高频信号频域特征量;
S23:使用主元分析法确定上述指标中影响较大的特征量,剔除影响微弱的特征量,最终形成能够反映信号特征的特征向量数据集。
进一步地,特高频时域信号特征量包括:脉冲周期间隔、脉冲数、振铃次数、峰值、峭度、均方根值、绝对平均值、波形指标、脉冲指标、峰值指标
进一步地,特高频信号频域特征量包括:频谱上限频率、下限频率、峰值频率、均方频率、均方根频率。
进一步地,所述步骤S23中主元分析法的过程是:
2):求取对应的主元向量T=XP;
上式中,n表示样本数据集的数量,m表示单个样本特征参量的维度。
进一步地,所述步骤S3的过程是:
S31:构建训练样本数据集和测试样本数据集;
S32:建立极限学习机神经网络模型,使用训练样本数据集进行训练,使用测试样本数据集测试网络模型的准确率;
S33:进行参数优化,确定最终网络模型参数。
进一步地,所述步骤S4的过程是:将待测试的数据样本输入极限学习机网络模型,经模型诊断输出最终缺陷类型。
与现有技术相比,本发明技术方案的有益效果是:
本发明提供的基于ELM的GIS局部放电缺陷诊断分类方法,通过采集特高频局放时域信号并利用主元分析法获取能够表征缺陷特征的主元参数组成样本特征数据集,利用极限学习机网络模型实现基于样本特征数据集的分类,无需进一步将时域信号转换为PRPS-PRPD图谱作为特征获取来源,从时域维度直接参与缺陷类型的诊断,为电力设备的异常缺陷诊断提供了新的解决途径;本发明提供的基于ELM的GIS局部放电缺陷诊断分类系统可本地或在线部署,尤其适用于本地离线部署使用,运算速度快且无需占用较大系统资源即可运行。
附图说明
图1为本发明方法流程图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
一种基于ELM的GIS局部放电缺陷诊断分类系统,包括:数据采集处理模块和缺陷诊断模块;
数据采集处理模块:包含前端特高频传感器、数据采集模块、数据处理模块;其中特高频传感器用于耦合空间中的电磁波信号;数据采集模块用于对传感器检测到的模拟信号实施检波放大及AD转换处理;数据处理模块用于对信号进行时频域特征提取及主元降维处理;
缺陷诊断模块:用于存储训练及测试样本的特征数据集,同时建立基于极限学习机的神经网络模型,使用测试样本数据集对网络进行训练。
该系统通过采集特高频局放时域信号并利用主元分析法获取能够表征缺陷特征的主元参数组成样本特征数据集,利用极限学习机网络模型实现基于样本特征数据集的分类,无需进一步将时域信号转换为PRPS-PRPD图谱作为特征获取来源,从时域维度直接参与缺陷类型的诊断,为电力设备的异常缺陷诊断提供了新的解决途径;
该基于ELM的GIS局部放电缺陷诊断分类系统可本地或在线部署,尤其适用于本地离线部署使用,运算速度快且无需占用较大系统资源即可运行。
实施例2
如图1所示,一种基于ELM的GIS局部放电缺陷诊断分类方法,包括以下步骤:
S1:检测电力设备特高频局部放电信号;
S2:提取特高频信号时频域特征,并使用主元分析法对所提取的特征量作降维处理,仅提取主要特征量;
S3:构建训练样本数据集和测试样本数据集,建立极限学习机神经网络模型进行训练和测试;
S4:将待测试样本输入最终极限学习机神经网络模型,完成局放缺陷类型的识别输出。
步骤S1的过程是:
空间中电磁波信号经数据采集处理模块采集后,经过放大、滤波、检波及A/D转换后,形成原始离散化的特高频数据。
特高频数据的类型包括:电晕放电、悬浮电位放电、微粒放电、内部放电、沿面放电、通讯干扰及背景噪声
步骤S2的过程是:
S21:提取特高频时域信号特征量;
S22:提取特高频信号频域特征量;
S23:使用主元分析法确定上述指标中影响较大的特征量,剔除影响微弱的特征量,最终形成能够反映信号特征的特征向量数据集。
特高频时域信号特征量包括:脉冲周期间隔、脉冲数、振铃次数、峰值、峭度、均方根值、绝对平均值、波形指标、脉冲指标、峰值指标
特高频信号频域特征量包括:频谱上限频率、下限频率、峰值频率、均方频率、均方根频率。
步骤S23中主元分析法的过程是:
2):求取对应的主元向量T=XP;
上式中,n表示样本数据集的数量,m表示单个样本特征参量的维度。
步骤S3的过程是:
S31:构建训练样本数据集和测试样本数据集;
S32:建立极限学习机神经网络模型,使用训练样本数据集进行训练,使用测试样本数据集测试网络模型的准确率;
S33:进行参数优化,确定最终网络模型参数。
步骤S4的过程是:将待测试的数据样本输入极限学习机网络模型,经模型诊断输出最终缺陷类型。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用于仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种基于ELM的GIS局部放电缺陷诊断分类系统,其特征在于,包括:数据采集处理模块和缺陷诊断模块;
数据采集处理模块:包含前端特高频传感器、数据采集模块、数据处理模块;其中特高频传感器用于耦合空间中的电磁波信号;数据采集模块用于对传感器检测到的模拟信号实施检波放大及AD转换处理;数据处理模块用于对信号进行时频域特征提取及主元降维处理;
缺陷诊断模块:用于存储训练及测试样本的特征数据集,同时建立基于极限学习机的神经网络模型,使用测试样本数据集对网络进行训练。
2.一种基于ELM的GIS局部放电缺陷诊断分类方法,其特征在于,包括以下步骤:
S1:检测电力设备特高频局部放电信号;
S2:提取特高频信号时频域特征,并使用主元分析法对所提取的特征量作降维处理,仅提取主要特征量;
S3:构建训练样本数据集和测试样本数据集,建立极限学习机神经网络模型进行训练和测试;
S4:将待测试样本输入最终极限学习机神经网络模型,完成局放缺陷类型的识别输出。
3.根据权利要求2所述的基于ELM的GIS局部放电缺陷诊断分类方法,其特征在于,所述步骤S1的过程是:
空间中电磁波信号经数据采集处理模块采集后,经过放大、滤波、检波及A/D转换后,形成原始离散化的特高频数据。
4.根据权利要求3所述的基于ELM的GIS局部放电缺陷诊断分类方法,其特征在于;特高频数据的类型包括:电晕放电、悬浮电位放电、微粒放电、内部放电、沿面放电、通讯干扰及背景噪声。
5.根据权利要求4所述的基于ELM的GIS局部放电缺陷诊断分类方法,其特征在于,所述步骤S2的过程是:
S21:提取特高频时域信号特征量;
S22:提取特高频信号频域特征量;
S23:使用主元分析法确定上述指标中影响较大的特征量,剔除影响微弱的特征量,最终形成能够反映信号特征的特征向量数据集。
6.根据权利要求5所述的基于ELM的GIS局部放电缺陷诊断分类方法,其特征在于,特高频时域信号特征量包括:脉冲周期间隔、脉冲数、振铃次数、峰值、峭度、均方根值、绝对平均值、波形指标、脉冲指标、峰值指标。
7.根据权利要求6所述的基于ELM的GIS局部放电缺陷诊断分类方法,其特征在于,特高频信号频域特征量包括:频谱上限频率、下限频率、峰值频率、均方频率、均方根频率。
9.根据权利要求8所述的基于ELM的GIS局部放电缺陷诊断分类方法,其特征在于,所述步骤S3的过程是:
S31:构建训练样本数据集和测试样本数据集;
S32:建立极限学习机神经网络模型,使用训练样本数据集进行训练,使用测试样本数据集测试网络模型的准确率;
S33:进行参数优化,确定最终网络模型参数。
10.根据权利要求9所述的基于ELM的GIS局部放电缺陷诊断分类方法,其特征在于,所述步骤S4的过程是:将待测试的数据样本输入极限学习机网络模型,经模型诊断输出最终缺陷类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911077652.4A CN110632484A (zh) | 2019-11-06 | 2019-11-06 | 一种基于elm的gis局部放电缺陷诊断分类系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911077652.4A CN110632484A (zh) | 2019-11-06 | 2019-11-06 | 一种基于elm的gis局部放电缺陷诊断分类系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110632484A true CN110632484A (zh) | 2019-12-31 |
Family
ID=68979113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911077652.4A Pending CN110632484A (zh) | 2019-11-06 | 2019-11-06 | 一种基于elm的gis局部放电缺陷诊断分类系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110632484A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111239263A (zh) * | 2020-01-19 | 2020-06-05 | 国网宁夏电力有限公司电力科学研究院 | 一种gis设备内部的异物缺陷的检测方法及系统 |
CN112364756A (zh) * | 2020-11-09 | 2021-02-12 | 国网安徽省电力有限公司电力科学研究院 | 一种基于天牛须和随机森林的gis故障分类方法 |
CN113055270A (zh) * | 2021-03-09 | 2021-06-29 | 山东鲁能软件技术有限公司 | 一种基于人工神经网络的局放图谱分析系统、方法及装置 |
CN114999018A (zh) * | 2022-05-31 | 2022-09-02 | 广州港发石油化工码头有限公司 | 石油化工码头设备设施的管理系统 |
CN115546533A (zh) * | 2022-08-31 | 2022-12-30 | 日照东方电机有限公司 | 一种永磁电机定子绕组绝缘处理的方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107728014A (zh) * | 2017-08-23 | 2018-02-23 | 国网山东省电力公司检修公司 | 基于多传感器信号特征识别设备绝缘缺陷的方法及系统 |
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 |
-
2019
- 2019-11-06 CN CN201911077652.4A patent/CN110632484A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107728014A (zh) * | 2017-08-23 | 2018-02-23 | 国网山东省电力公司检修公司 | 基于多传感器信号特征识别设备绝缘缺陷的方法及系统 |
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 |
Non-Patent Citations (1)
Title |
---|
蒋先刚: "《数字图像模式识别工程项目研究》", 30 April 2014, 西南交通大学出版社 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111239263A (zh) * | 2020-01-19 | 2020-06-05 | 国网宁夏电力有限公司电力科学研究院 | 一种gis设备内部的异物缺陷的检测方法及系统 |
CN111239263B (zh) * | 2020-01-19 | 2022-10-28 | 国网宁夏电力有限公司电力科学研究院 | 一种gis设备内部的异物缺陷的检测方法及系统 |
CN112364756A (zh) * | 2020-11-09 | 2021-02-12 | 国网安徽省电力有限公司电力科学研究院 | 一种基于天牛须和随机森林的gis故障分类方法 |
CN112364756B (zh) * | 2020-11-09 | 2022-09-06 | 国网安徽省电力有限公司电力科学研究院 | 一种基于天牛须和随机森林的gis故障分类方法 |
CN113055270A (zh) * | 2021-03-09 | 2021-06-29 | 山东鲁能软件技术有限公司 | 一种基于人工神经网络的局放图谱分析系统、方法及装置 |
CN114999018A (zh) * | 2022-05-31 | 2022-09-02 | 广州港发石油化工码头有限公司 | 石油化工码头设备设施的管理系统 |
CN115546533A (zh) * | 2022-08-31 | 2022-12-30 | 日照东方电机有限公司 | 一种永磁电机定子绕组绝缘处理的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110632484A (zh) | 一种基于elm的gis局部放电缺陷诊断分类系统及方法 | |
CN102053016B (zh) | 旋转机械滚动轴承的无线振动监测系统 | |
Mitiche et al. | 1D‐CNN based real‐time fault detection system for power asset diagnostics | |
CN107748314A (zh) | 基于声波震荡检测的变压器故障分析系统 | |
CN111638028A (zh) | 一种基于振动特征的高压并联电抗器机械状态评估方法 | |
CN106556781A (zh) | 基于深度学习的局部放电缺陷图像诊断方法及系统 | |
CN108256556A (zh) | 基于深度信念网络的风力发电机组齿轮箱故障诊断方法 | |
CN109142514B (zh) | 一种基于脉冲涡流阵列的缺陷检测装置及方法 | |
CN105841961A (zh) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
JP2019067197A (ja) | 故障予兆検知手法 | |
CN113551765A (zh) | 设备故障声谱分析诊断方法 | |
JP2012018066A (ja) | 異常検査装置 | |
CN108872852A (zh) | 一种风力发电机故障诊断系统及方法 | |
CN117289067A (zh) | 一种变压器运行状态在线监测系统 | |
CN115993511A (zh) | 一种局部放电类型高精度检测识别装置、方法和设备 | |
CN117782198B (zh) | 一种基于云边端架构的公路机电设备运行监测方法及系统 | |
Wang et al. | Identification of engine faults based on acoustic emission signals using a 1DCNN-ViT ensemble model | |
JP2007327885A (ja) | 異常判定方法および異常判定装置 | |
CN111693279B (zh) | 基于mpga参数化共振稀疏分解的机械故障诊断方法 | |
Mitiche et al. | Deep complex neural network learning for high-voltage insulation fault classification from complex bispectrum representation | |
Li et al. | On-line fault detection in wind turbine transmission system using adaptive filter and robust statistical features | |
CN117668751A (zh) | 一种高低压电力系统故障诊断方法及装置 | |
CN111456915A (zh) | 风机机舱内部部件的故障诊断装置及方法 | |
CN115828088A (zh) | 基于深度学习的高压并联电抗器振动异常故障诊断方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191231 |