CN110988615A - 一种基于奇异谱分析的gis局放信号降噪方法 - Google Patents
一种基于奇异谱分析的gis局放信号降噪方法 Download PDFInfo
- Publication number
- CN110988615A CN110988615A CN201911115414.8A CN201911115414A CN110988615A CN 110988615 A CN110988615 A CN 110988615A CN 201911115414 A CN201911115414 A CN 201911115414A CN 110988615 A CN110988615 A CN 110988615A
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- discharge signal
- gis
- noise reduction
- spectrum analysis
- 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
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
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明涉及GIS设备特高频局放信号处理技术,具体涉及一种基于奇异谱分析的GIS局放信号降噪方法,包括以下步骤:S1、获取GIS设备的原始特高频局部放电信号数据集;S2、采用奇异谱分析将原始特高频局部放电信号分解成有限个特征分量;S3、根据特征分量的贡献率对原始信号进行降噪处理;S4、将去除噪声后的特征分量重构为新的特高频局部放电信号。该方法可有效去除特高频局放信号中的白噪声,可有效提高GIS故障诊断的准确性,提高在线监测的降噪效率。
Description
技术领域
本发明涉及GIS设备特高频局放信号处理技术,具体涉及一种基于奇异谱分析的GIS局放信号降噪方法。
背景技术
气体绝缘开关设备(gas insulated switchgear,GIS)由于其结构紧凑、占地面积小、可靠性高、维护工作量小等特点,在电力系统中得到广泛应用,但GIS在制造和运输过程中不可避免的会产生一些绝缘缺陷,如粉尘等自由微粒、绝缘表面脏污、导体之间接触不良、绝缘子缺陷、金属毛刺或尖端等几类,这些绝缘缺陷都能够在一定程度上引起电场分布不均匀、局部场强过高,从而造成局部放电(partial discharge,PD),引起绝缘劣化。所以对GIS局部放电进行监测,对保证GIS设备正常运行有着重要意义。特高频(Ultra HighFrequency,UHF)具有检测频带高,可避免电晕干扰、对突发性故障也能及时反映等特点,因此被广泛应用于GIS局部放电在线监测。特高频在线监测能够实时监测GIS设备内部局部放电信号,及时发现局部放电现象,可协助有效消除GIS隐藏性和突发性缺陷,保证GIS安全可靠运行,但此UHF监测方法的信号常常会受到白噪声干扰。为解决白噪声对特高频监测信号的影响,经验模态分解(Empirical Mode Decomposition,EMD)被广泛应用于特高频监测信号的降噪研究,但EMD分解本身存在模态混叠问题,不能达到很好的降噪效果。
发明内容
本发明提供一种基于奇异谱分析的GIS局放信号降噪新方法,该方法可有效去除特高频局放信号中的白噪声,可有效提高GIS故障诊断的准确性,提高在线监测的降噪效率。
本发明的技术方案为:
一种基于奇异谱分析的GIS局放信号降噪方法,包括以下步骤:
S1、获取GIS设备的原始特高频局部放电信号数据集;
S2、采用奇异谱分析将原始特高频局部放电信号分解成有限个特征分量;
S3、根据特征分量的贡献率对原始信号进行降噪处理;
S4、将去除噪声后的特征分量重构为新的特高频局部放电信号。
进一步,步骤S1中获取GIS设备的原始特高频局部放电信号数据集的过程为:
连续采集一段时间的GIS特高频局部放电在线监测信号,构成连续的时间序列数据集Y=[y1,y2,Λ,yN]T,其中,N为数据集样本点个数。
进一步,步骤S2的步骤包括:
S21、嵌入:
GIS特高频局部放电信号数据集Y=[y1,y2,Λ,yN]T共有N个样本点,奇异谱分析中嵌入的维度由L表示,L称为窗口长度,令K=N-L+1,则滞后L阶的向量被定义为:
Xi=[yi,yi+1,Λ,yi+L-1]T,i=1,2,Λ,K
轨迹矩阵定义为:
S22、奇异值分解:
X=E1+E2+Λ+Ed
S23、分组:
进一步,步骤S3的步骤包括:
将步骤2得到的矩阵XI转换成其所对应的时间序列数据特征分量,每一组数据特征分量代表原始信号的运动特征,对于给定的Ii(i=1,2,...,m)通过相应特征值的占比来计算分量的贡献率,贡献率为小于0.01%的序列为噪声分量,信号重构前剔除噪声分量。
进一步,所述运动特征包括趋势分量、周期分量和噪声分量。
进一步,步骤S4的步骤包括:
对角重构信号平均化,通过对角平均,每个矩阵通过以下过程转移到时间序列中:
假设轨迹矩阵X为一个L×K的矩阵,矩阵元素为xij,1≤i≤L,1≤j≤K,设L*=min(L,K),K*=max(L,K),N=K+L-1,若L<K,令否则,则重构时间序列Z={z1,z2,Λ,zN}表示如下:
所得时间序列Z即为降噪后的特高频局部放电信号。
进一步,GIS局部放电信号是采用内置或外置的传感器检测GIS中局部放电在特高频频段范围内所产生的电磁波信号。
进一步,特高频指频率为300MHz~3GHz的电磁波频段。
进一步,传感器为特高频耦合传感器。
进一步,新建的GIS设备配置内置式的特高频耦合传感器,已投运的GIS设备则采用外置式的特高频耦合传感器。
本发明的有益效果为:
本发明充分考虑GIS设备现场采集的特高频局部放电信号受白噪声信号的影响,采用奇异谱分析将夹杂在局放信号中的白噪声干扰信号进行滤除,可大大提高GIS在线监测特高频局部放电信号的精确性。
附图说明
图1为本发明的流程示意图。
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。附图中描述位置关系仅用于示例性说明,不能理解为对本专利的限制。
实施例1:
如图1所示,一种基于奇异谱分析的GIS局放信号降噪方法,包括以下步骤:
S1、获取GIS设备的原始特高频局部放电信号数据集;
S2、采用奇异谱分析将原始特高频局部放电信号分解成有限个特征分量;
S3、根据特征分量的贡献率对原始信号进行降噪处理;
S4、将去除噪声后的特征分量重构为新的特高频局部放电信号。
在本实施例中,步骤S1中获取GIS设备的原始特高频局部放电信号数据集的过程为:
连续采集一段时间的GIS特高频局部放电在线监测信号,构成连续的时间序列数据集Y=[y1,y2,Λ,yN]T,其中,N为数据集样本点个数。
在本实施例中,步骤S2的步骤包括:
S21、嵌入:
GIS特高频局部放电信号数据集Y=[y1,y2,Λ,yN]T共有N个样本点,奇异谱分析中嵌入的维度由L表示,L称为窗口长度,令K=N-L+1,则滞后L阶的向量被定义为:
Xi=[yi,yi+1,Λ,yi+L-1]T,i=1,2,Λ,K
轨迹矩阵定义为:
S22、奇异值分解:
X=E1+E2+Λ+Ed
S23、分组:
在本实施例中,步骤S3的步骤包括:
将步骤2得到的矩阵XI转换成其所对应的时间序列数据特征分量,每一组数据特征分量代表原始信号的运动特征,对于给定的Ii(i=1,2,...,m)通过相应特征值的占比来计算分量的贡献率,贡献率为小于0.01%的序列为噪声分量,信号重构前剔除噪声分量。
在本实施例中,所述运动特征包括趋势分量、周期分量和噪声分量。
在本实施例中,步骤S4的步骤包括:
对角重构信号平均化,通过对角平均,每个矩阵通过以下过程转移到时间序列中:
假设轨迹矩阵X为一个L×K的矩阵,矩阵元素为xij,1≤i≤L,1≤j≤K,设L*=min(L,K),K*=max(L,K),N=K+L-1,若L<K,令否则,则重构时间序列Z={z1,z2,Λ,zN}表示如下:
所得时间序列Z即为降噪后的特高频局部放电信号。
在本实施例中,GIS局部放电信号是采用内置或外置的传感器检测GIS中局部放电在特高频频段范围内所产生的电磁波信号。
在本实施例中,特高频指频率为300MHz~3GHz的电磁波频段。
在本实施例中,传感器为特高频耦合传感器。
在本实施例中,新建的GIS设备配置内置式的特高频耦合传感器,已投运的GIS设备则采用外置式的特高频耦合传感器。
本发明的一种基于奇异谱分析的GIS局放信号降噪方法,充分考虑GIS设备现场采集的特高频局部放电信号受白噪声信号的影响,采用奇异谱分析将夹杂在局放信号中的白噪声干扰信号进行滤除,可大大提高GIS在线监测特高频局部放电信号的精确性。
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)
1.一种基于奇异谱分析的GIS局放信号降噪方法,其特征在于,包括以下步骤:
S1、获取GIS设备的原始特高频局部放电信号数据集;
S2、采用奇异谱分析将原始特高频局部放电信号分解成有限个特征分量;
S3、根据特征分量的贡献率对原始信号进行降噪处理;
S4、将去除噪声后的特征分量重构为新的特高频局部放电信号。
2.根据权利要求1所述的一种基于奇异谱分析的GIS局放信号降噪方法,其特征在于,步骤S1中获取GIS设备的原始特高频局部放电信号数据集的过程为:
连续采集一段时间的GIS特高频局部放电在线监测信号,构成连续的时间序列数据集Y=[y1,y2,Λ,yN]T,其中,N为数据集样本点个数。
3.根据权利要求2所述的一种基于奇异谱分析的GIS局放信号降噪方法,其特征在于,步骤S2的步骤包括:
S21、嵌入:
GIS特高频局部放电信号数据集Y=[y1,y2,Λ,yN]T共有N个样本点,奇异谱分析中嵌入的维度由L表示,L称为窗口长度,令K=N-L+1,则滞后L阶的向量被定义为:
Xi=[yi,yi+1,Λ,yi+L-1]T,i=1,2,Λ,K
轨迹矩阵定义为:
S22、奇异值分解:
X=E1+E2+Λ+Ed
S23、分组:
5.根据权利要求4所述的一种基于奇异谱分析的GIS局放信号降噪方法,其特征在于,所述运动特征包括趋势分量、周期分量和噪声分量。
7.根据权利要求1所述的一种基于奇异谱分析的GIS局放信号降噪方法,其特征在于,GIS局部放电信号是采用内置或外置的传感器检测GIS中局部放电在特高频频段范围内所产生的电磁波信号。
8.根据权利要求7所述的一种基于奇异谱分析的GIS局放信号降噪方法,其特征在于,特高频指频率为300MHz~3GHz的电磁波频段。
9.根据权利要求7所述的一种基于奇异谱分析的GIS局放信号降噪方法,其特征在于,传感器为特高频耦合传感器。
10.根据权利要求9所述的一种基于奇异谱分析的GIS局放信号降噪方法,其特征在于,新建的GIS设备配置内置式的特高频耦合传感器,已投运的GIS设备则采用外置式的特高频耦合传感器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911115414.8A CN110988615A (zh) | 2019-11-14 | 2019-11-14 | 一种基于奇异谱分析的gis局放信号降噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911115414.8A CN110988615A (zh) | 2019-11-14 | 2019-11-14 | 一种基于奇异谱分析的gis局放信号降噪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110988615A true CN110988615A (zh) | 2020-04-10 |
Family
ID=70084395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911115414.8A Pending CN110988615A (zh) | 2019-11-14 | 2019-11-14 | 一种基于奇异谱分析的gis局放信号降噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110988615A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110108936A (zh) * | 2019-04-30 | 2019-08-09 | 西安西拓电气股份有限公司 | 信号处理方法及装置 |
CN111581596A (zh) * | 2020-05-29 | 2020-08-25 | 广东电网有限责任公司 | 一种变压器油中溶解气体浓度预测方法 |
CN111965502A (zh) * | 2020-08-12 | 2020-11-20 | 国网江苏省电力有限公司盐城供电分公司 | 一种电容型套管局部放电检测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013090342A1 (en) * | 2011-12-12 | 2013-06-20 | Muons, Inc. | Method and apparatus for inexpensive radio frequency (rf) source based on 2-stage injection-locked magnetrons with a 3-db hybrid combiner for precise and rapid control of output power and phase |
CN106199351A (zh) * | 2016-06-27 | 2016-12-07 | 国网北京市电力公司 | 局部放电信号的分类方法和装置 |
CN106198288A (zh) * | 2016-08-23 | 2016-12-07 | 广东电网有限责任公司电力科学研究院 | 一种涂镀层结合力的检验方法及检验装置 |
CN108957262A (zh) * | 2018-07-26 | 2018-12-07 | 深圳友讯达科技股份有限公司 | 信号降噪方法及装置 |
CN108983058A (zh) * | 2018-08-29 | 2018-12-11 | 三峡大学 | 基于改进的变分模态和奇异值分解的变压器局部放电特高频信号去噪方法 |
CN109522918A (zh) * | 2018-09-14 | 2019-03-26 | 广东工业大学 | 基于改进的局部奇异谱分析的高光谱图像特征提取方法 |
CN109993368A (zh) * | 2019-04-08 | 2019-07-09 | 福州大学 | 基于奇异谱分解和长短期记忆网络的功率预测方法 |
CN110244205A (zh) * | 2019-07-12 | 2019-09-17 | 西南石油大学 | 一种小数据量下基于卷积神经网络的电缆附件局部放电识别方法 |
CN110348632A (zh) * | 2019-07-11 | 2019-10-18 | 广东电网有限责任公司 | 一种基于奇异谱分析和深度学习的风电功率预测方法 |
CN110443104A (zh) * | 2019-03-29 | 2019-11-12 | 杭州电子科技大学 | 一种应用于超声波局放检测的数据滤波方法 |
-
2019
- 2019-11-14 CN CN201911115414.8A patent/CN110988615A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013090342A1 (en) * | 2011-12-12 | 2013-06-20 | Muons, Inc. | Method and apparatus for inexpensive radio frequency (rf) source based on 2-stage injection-locked magnetrons with a 3-db hybrid combiner for precise and rapid control of output power and phase |
CN106199351A (zh) * | 2016-06-27 | 2016-12-07 | 国网北京市电力公司 | 局部放电信号的分类方法和装置 |
CN106198288A (zh) * | 2016-08-23 | 2016-12-07 | 广东电网有限责任公司电力科学研究院 | 一种涂镀层结合力的检验方法及检验装置 |
CN108957262A (zh) * | 2018-07-26 | 2018-12-07 | 深圳友讯达科技股份有限公司 | 信号降噪方法及装置 |
CN108983058A (zh) * | 2018-08-29 | 2018-12-11 | 三峡大学 | 基于改进的变分模态和奇异值分解的变压器局部放电特高频信号去噪方法 |
CN109522918A (zh) * | 2018-09-14 | 2019-03-26 | 广东工业大学 | 基于改进的局部奇异谱分析的高光谱图像特征提取方法 |
CN110443104A (zh) * | 2019-03-29 | 2019-11-12 | 杭州电子科技大学 | 一种应用于超声波局放检测的数据滤波方法 |
CN109993368A (zh) * | 2019-04-08 | 2019-07-09 | 福州大学 | 基于奇异谱分解和长短期记忆网络的功率预测方法 |
CN110348632A (zh) * | 2019-07-11 | 2019-10-18 | 广东电网有限责任公司 | 一种基于奇异谱分析和深度学习的风电功率预测方法 |
CN110244205A (zh) * | 2019-07-12 | 2019-09-17 | 西南石油大学 | 一种小数据量下基于卷积神经网络的电缆附件局部放电识别方法 |
Non-Patent Citations (2)
Title |
---|
殷豪: "基于奇异谱分析的短期电价预测", 《电力系统保护与控制》 * |
黄海清: "一种GIS 在线监测中UHF 局部放电信号新型去噪方法研究", 《电气自动化》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110108936A (zh) * | 2019-04-30 | 2019-08-09 | 西安西拓电气股份有限公司 | 信号处理方法及装置 |
CN111581596A (zh) * | 2020-05-29 | 2020-08-25 | 广东电网有限责任公司 | 一种变压器油中溶解气体浓度预测方法 |
CN111965502A (zh) * | 2020-08-12 | 2020-11-20 | 国网江苏省电力有限公司盐城供电分公司 | 一种电容型套管局部放电检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110988615A (zh) | 一种基于奇异谱分析的gis局放信号降噪方法 | |
CA2918679A1 (en) | Pattern recognition method for partial discharge of three-phase cylinder type ultrahigh voltage gis | |
CN110703078A (zh) | 基于频谱能量分析与自组织竞争算法的gis故障诊断方法 | |
Yang et al. | Recognising multiple partial discharge sources in power transformers by wavelet analysis of UHF signals | |
CN107561416A (zh) | 一种基于压缩感知的局部放电信号采集系统及方法 | |
Abd Rahman et al. | Autonomous localization of partial discharge sources within large transformer windings | |
Zhang et al. | Intrinsic component filtering for fault diagnosis of rotating machinery | |
Chang et al. | Application of pulse sequence partial discharge based convolutional neural network in pattern recognition for underground cable joints | |
Jia et al. | Power transformer partial discharge fault diagnosis based on multidimensional feature region | |
Jineeth et al. | Classification of partial discharge sources in XLPE cables by artificial neural networks and support vector machine | |
CN111934690A (zh) | 基于自适应压缩感知的核信号重构新方法 | |
CN111624421A (zh) | 一种电磁干扰监测及定位方法 | |
Chan et al. | Hybrid method on signal de‐noising and representation for online partial discharge monitoring of power transformers at substations | |
Mitiche et al. | Classification of EMI discharge sources using time–frequency features and multi-class support vector machine | |
Zhang et al. | Recognition of partial discharge of cable accessories based on convolutional neural network with small data set | |
Xu et al. | Classification of partial discharge images within DC XLPE cables in contourlet domain | |
Xie et al. | Suppressing white‐noise in partial discharge measurements—part 1: construction of complex Daubechies wavelet and complex threshold | |
Xu et al. | Rolling bearing fault feature extraction via improved SSD and a singular-value energy autocorrelation coefficient spectrum | |
Ali et al. | Wavelet and Mathematical Morphology as the de-noising methods for PD analysis of high voltage transformer windings | |
LU502454B1 (en) | A Bearing Fault Identification Method and System Based on EEMD Sparse Decomposition | |
HA et al. | Removal of interferences from partial discharge pulses using wavelet transform | |
CN114167240A (zh) | 一种内置式无线自取能的特高频局放检测的方法 | |
Evagorou et al. | Evaluation of partial discharge denoising using the wavelet packets transform as a preprocessing step for classification | |
CN214150936U (zh) | 一种用于环网柜的局部放电特高频信号采集系统 | |
Mitiche et al. | An evaluation of total variation signal denoising methods for partial discharge signals |
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: 20200410 |