CN111007364A - 一种电缆早期自恢复故障的识别方法 - Google Patents

一种电缆早期自恢复故障的识别方法 Download PDF

Info

Publication number
CN111007364A
CN111007364A CN201911068352.XA CN201911068352A CN111007364A CN 111007364 A CN111007364 A CN 111007364A CN 201911068352 A CN201911068352 A CN 201911068352A CN 111007364 A CN111007364 A CN 111007364A
Authority
CN
China
Prior art keywords
cable
phase
harmonic
current
neural network
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
Application number
CN201911068352.XA
Other languages
English (en)
Other versions
CN111007364B (zh
Inventor
夏向阳
周正雄
周欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changsha University of Science and Technology
Original Assignee
Changsha University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changsha University of Science and Technology filed Critical Changsha University of Science and Technology
Priority to CN201911068352.XA priority Critical patent/CN111007364B/zh
Publication of CN111007364A publication Critical patent/CN111007364A/zh
Application granted granted Critical
Publication of CN111007364B publication Critical patent/CN111007364B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01R31/12—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
    • G01R31/1263—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 of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
    • G01R31/1272—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 of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
    • 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
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors

Abstract

本发明公开了一种电缆早期自恢复故障的识别方法。该方法引入统计工具中的变点检测，在时域序列下对电缆三相电流样本进行偏移统计分析，识别出电缆运行过程中暂态事件发生导致的电流信号突变相，并将突变相信号作为输入层输入到改进的自适应性神经网络，以神经网络权重计算式表示电流异常相的谐波含量并定义为谐波指数，对比不同暂态事件下的谐波指数曲线的幅值变化与暂态时长可识别出电缆半周波、多周波早期故障。

Description

一种电缆早期自恢复故障的识别方法
技术领域
本发明涉及一种电缆早期自恢复故障的识别方法，适用于任意电压等级，属于电力技术领域。
背景技术
电缆是电网的重要电力载体，在运行过程中电缆的绝缘性能常因外界机械应力损坏、环境腐蚀等非正常因素而出现绝缘缺陷，导致电缆可靠性逐渐降低，对电网的安全运行埋下重大隐患。早期的电缆故障表现形式是间歇性的电弧接地故障，从故障波形上看此类故障常常发生在电压峰值处，持续时间在四分之一周期至四个周期内不等，而后又恢复至稳态值，电缆绝缘性越差，这种自恢复的间歇性故障发生就越频繁。配电网常见的过流保护装置通常不能识别此类故障，最终导致电缆绝缘击穿从而形成永久性故障。
目前对电缆早期故障的识别主要有基于电路模型的分析方法与基于信号特征与模式识别的分析方法。例如，模拟早期电弧故障，利用电弧电压畸变的特点，通过计算故障相电压总谐波畸变率来判断电缆早期故障；也有考虑了电缆金属护套结构，建立了双层阻抗模型，通过单端护套电流的总和检测早期故障；还有采集小波奇异值以量化故障特征，结合支持向量机实现故障识别；同样还有对信号进行小波分解获取奇异值，采用改进合成少数类过采样算法进行线路故障识别；除此之外，还有结合小波变换与灰色关联分析方法，通过计算灰色关联度来识别电缆早期故障等。电缆在实际运行工况下，由于不同区段绝缘老化的程度不同，导致搭建精确参数的电缆电路模型十分困难。近年来深度学习方法通过深层次的网络结构和训练学习机制，有效地应用在一些电力设备和机械设备的故障识别中，并取得了较好的效果。
发明内容
本发明克服了传统检测模式难以搭建精确参数的电缆电路模型的难题，引入了在机器故障检测以及信号突变监测领域应用广泛的变点检测双边累计和(CUSUM)算法，将统计工具中的变点检测与改进的自适应神经网络相结合，提出了一种基于时域序列下故障相电流信号双边累积和变化曲线与谐波指数变化曲线识别电缆早期故障的方法。该方法利用非参数化双边CUSUM算法监测三相电流的正负向偏移的累积和值来确定异常相，将异常相电流作为网络输入向量，以改进的神经网络权重计算式表示异常相的谐波含量并定义为谐波指数，对比不同暂态事件下的谐波指数曲线的幅值变化与暂态时长可识别出电缆半周波、多周波早期故障。
附图说明
图1为非参数化双边累积和算法检测过程图
图2为电缆半周波、多周波早期故障下的识别判据图
图3为电缆早期故障识别流程图
具体实施方式
下面结合附图和具体实施过程对本发明作进一步说明。
如图3所示，一种电缆早期自恢复故障的识别方法，包括以下步骤：
步骤1：采集电缆三相电流，获取数据样本；
步骤2：计算三相电流的双边累积和；
利用非参数化双边累积和算法，计算每相电流在时间序列下的正向和负向偏移量并进行累积，当累积和统计函数连续三个序列超过阈值时判定此相发生了暂态事件。
步骤3：对于步骤2中确定的异常相，通过改进的自适应神经网络计算反映异常相电流谐波含量的网络权重表示式，并定义次表达式为谐波指数，对比谐波指数曲线的幅值变化与暂态时长识别出电缆早期故障的类别。
根据图1，电缆三相电流在时间序列下的表示为X＝{x(k)},k＝1,2,3…，假设某个时刻电流信号发生偏移，非参数化双边CUSUM算法中统计函数
Figure BDA0002263388480000021
定义为
Figure BDA0002263388480000022
Figure BDA0002263388480000023
其中
Figure BDA0002263388480000024
分别表示当前检测点去掉噪声值影响之后的正向和负向偏移量，计算式为
Figure BDA0002263388480000025
Figure BDA0002263388480000026
其中μ0为变点前随机时间序列的平均值，通常认为是已知的；β为噪声值，序列xk小于β的变化将被忽略。
当
Figure BDA0002263388480000027
或者
Figure BDA0002263388480000028
时，认为有可能产生变点，如果此时
Figure BDA0002263388480000029
或者
Figure BDA00022633884800000210
大于所设阈H，那么记为有变点产生，否则继续比较下一采样点k＝k+1，更新
Figure BDA00022633884800000211
和
Figure BDA00022633884800000212
继续进行比较。
参见图1，原始信号在41ms时刻发生突变，线性上升至51ms时刻后维持稳定。在42ms采样点处信号超过正向阈值，正向偏移量
Figure BDA00022633884800000213
大于零，统计函数
Figure BDA00022633884800000214
开始累加，一直到47ms处超过阈值H，此时算法判定发生暂态事件。
参见图2，将检测出暂态事件的异常相电流信号预处理后作为输入层，以改进的神经网络权重计算式表示异常相的谐波含量并定义为谐波指数，对比不同暂态事件下的谐波指数曲线的幅值变化与暂态时长可识别出电缆半周波、多周波早期故障，其依据如下所述。
任意一个含有噪声的电流周期信号可以表示为直流分量和不同频率的正弦信号的叠加：
Figure BDA0002263388480000031
其中Adce-βt表示直流分量，β为时间衰减常数，Fm，
Figure BDA0002263388480000032
分别为m次谐波的幅值和初始相位，当m＝1时，
Figure BDA0002263388480000033
为基波分量的表达式。对直流分量泰勒展开后得
Figure BDA0002263388480000034
其中Rn(t)为直流分量展开的泰勒余项,上式在离散时域下可表示为
Figure BDA0002263388480000035
其中Ns是样本时间序列总数，t(k)是第k个时间序列值。改进的自适应神经网络拟合信号y(k)的输入向量X(k)可以表示为
Figure BDA0002263388480000036
网络的输出向量f(k)表示为权重向量ω(k)与X(k)转置矩阵的乘积
Figure BDA0002263388480000037
可得ω(k)更新公式为
Figure BDA0002263388480000038
当f(k)＝y(k)，即代价函数为0时，此时的权重张量ω0为理想权重张量
f(k)＝y(k)＝ω0XT(k)
Figure BDA0002263388480000039
Figure BDA0002263388480000041
综上可知，Fm可由权重向量计算得到
Figure BDA0002263388480000042
Figure BDA0002263388480000043
由上述可知，改进后神经网络的权重向量矩阵ω(k)除去第1项和第2项后的一维矩阵
Figure BDA0002263388480000044
前后项依次取平方和分别是故障相电流第k个采样周期的基波分量、2次谐波、3次谐波、…、m次谐波的幅值的平方。定义谐波指数Q(k)表示电流信号第k个采样周期的谐波幅值可得
Figure BDA0002263388480000045
对比不同暂态事件下电流信号在离散时间序列下的Q(k)曲线，可以区分出故障相是半周波故障还是多周波故障，具体识别判据如下：
(1)Q(k)曲线超过阈值且持续时间不大于二分之一周期为半周波故障；
(2)Q(k)曲线超过阈值且持续时间大于二分一周期小于四个周期为多周波故障；
(3)Q(k)曲线超过阈值且持续时间大于四个周期或者Q(k)曲线未超过阈值为其他故障或扰动信号；
完整的电缆早期故障识别流程参照图3。

Claims (4)

1.一种电缆早期自恢复故障的识别方法，其特征在于，包括以下步骤：
步骤1：采集电缆三相电流，获取数据样本；
步骤2：计算三相电流的双边累积和；
利用非参数化双边累积和算法，计算每相电流在时间序列下的正向和负向偏移量并进行累积，当累积和统计函数连续三个序列超过阈值时判定此相发生了暂态事件。
步骤3：对于步骤2中确定的异常相，通过改进的自适应神经网络计算反映异常相电流谐波含量的网络权重表示式，并定义次表达式为谐波指数，对比谐波指数曲线的幅值变化与暂态时长识别出电缆早期故障的类别。
2.根据权利要求书1所述的方法，其特征在于，所述累积和统计函数为电流信号正向偏移与负向偏移的绝对值相加。
3.根据权利要求书1所述的方法，其特征在于，步骤2中的阈值设置根据电压等级和电网结构而定，一般设为额定电流的1.3倍。
4.根据权利要求书1所述的方法，其特征在于，改进的自适应神经网络采用RMSProp算法自适应优化梯度下降学习率，学习率更新公式如下：
Figure FDA0002263388470000011
其中αi、αi+1分别是第i和i+1次迭代的学习率，δ为小常数，通常设为10-6(用于模型数值稳定)，r是累积平方梯度，计算公式如下：
ri+1＝riρ+(1-ρ)ΔEi 2
其中ρ是引入的衰减速率，为超参数。ΔEi是第i次迭代的损失偏导。
CN201911068352.XA 2019-11-07 2019-11-07 一种电缆早期自恢复故障的识别方法 Active CN111007364B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911068352.XA CN111007364B (zh) 2019-11-07 2019-11-07 一种电缆早期自恢复故障的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911068352.XA CN111007364B (zh) 2019-11-07 2019-11-07 一种电缆早期自恢复故障的识别方法

Publications (2)

Publication Number Publication Date
CN111007364A true CN111007364A (zh) 2020-04-14
CN111007364B CN111007364B (zh) 2022-02-08

Family

ID=70110896

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911068352.XA Active CN111007364B (zh) 2019-11-07 2019-11-07 一种电缆早期自恢复故障的识别方法

Country Status (1)

Country Link
CN (1) CN111007364B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110763941A (zh) * 2019-11-12 2020-02-07 北京腾控科技有限公司 一种基于电弧脉冲信号幅值特性的故障电弧检测方法
CN112505484A (zh) * 2020-11-27 2021-03-16 广东电网有限责任公司佛山供电局 一种小电阻接地系统中压配电电缆潜伏性故障识别方法
CN113093050A (zh) * 2021-03-31 2021-07-09 中国矿业大学 电缆接地线电流时频特征的电缆早期故障辨识方法及系统
CN113219296A (zh) * 2021-03-22 2021-08-06 昆明理工大学 一种输电线路行波故障数据片段自适应截取方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050007043A (ko) * 2003-07-11 2005-01-17 학교법인 성균관대학 전송선로에서 고조파와 상태천이도를 이용한 고장 검출 방법
CN101452038A (zh) * 2007-11-29 2009-06-10 上海蓝瑞软件技术有限公司 小电流接地电网单相接地故障诊断方法
CN106707084A (zh) * 2016-12-30 2017-05-24 武汉中原电子信息有限公司 一种小电流接地系统单相接地故障判定方法
CN110488128A (zh) * 2019-09-12 2019-11-22 广东电网有限责任公司佛山供电局 双边累积和事件检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050007043A (ko) * 2003-07-11 2005-01-17 학교법인 성균관대학 전송선로에서 고조파와 상태천이도를 이용한 고장 검출 방법
CN101452038A (zh) * 2007-11-29 2009-06-10 上海蓝瑞软件技术有限公司 小电流接地电网单相接地故障诊断方法
CN106707084A (zh) * 2016-12-30 2017-05-24 武汉中原电子信息有限公司 一种小电流接地系统单相接地故障判定方法
CN110488128A (zh) * 2019-09-12 2019-11-22 广东电网有限责任公司佛山供电局 双边累积和事件检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
姚海燕等: ""基于多尺度小波判据和时频特征关联的电缆早期故障检测和识别方法"", 《电力系统保护与控制》 *
张姝等: ""基于双层阻抗模型的三相单芯电缆自恢复故障定位"", 《电工技术学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110763941A (zh) * 2019-11-12 2020-02-07 北京腾控科技有限公司 一种基于电弧脉冲信号幅值特性的故障电弧检测方法
CN110763941B (zh) * 2019-11-12 2022-04-26 北京腾控科技有限公司 一种基于电弧脉冲信号幅值特性的故障电弧检测方法
CN112505484A (zh) * 2020-11-27 2021-03-16 广东电网有限责任公司佛山供电局 一种小电阻接地系统中压配电电缆潜伏性故障识别方法
CN113219296A (zh) * 2021-03-22 2021-08-06 昆明理工大学 一种输电线路行波故障数据片段自适应截取方法
CN113219296B (zh) * 2021-03-22 2022-07-01 昆明理工大学 一种输电线路行波故障数据片段自适应截取方法
CN113093050A (zh) * 2021-03-31 2021-07-09 中国矿业大学 电缆接地线电流时频特征的电缆早期故障辨识方法及系统

Also Published As

Publication number Publication date
CN111007364B (zh) 2022-02-08

Similar Documents

Publication Publication Date Title
CN111007364B (zh) 一种电缆早期自恢复故障的识别方法
CN110068759B (zh) 一种故障类型获得方法及装置
Lin et al. Power quality detection with classification enhancible wavelet-probabilistic network in a power system
Nale et al. Islanding detection in distributed generation system using intrinsic time decomposition
CN110007198B (zh) 一种单相接地故障启动方法
CN111308260B (zh) 一种基于小波神经网络的电能质量监测和电器故障分析系统及其工作方法
CN107329044A (zh) 一种基于电弧暂态分量的配电网单相接地故障选线方法
CN110543921A (zh) 一种基于波形学习的电缆早期故障识别方法
CN109061414A (zh) 光伏系统直流故障电弧检测方法
Biswas et al. A dual-time transform assisted intelligent relaying scheme for the STATCOM-compensated transmission line connecting wind farm
Imani et al. A novel time-domain method for fault detection and classification in VSC-HVDC transmission lines
CN111650470A (zh) 微电网线路区段快速自适应故障检测与识别方法
CN114609475A (zh) 一种交流故障电弧检测方法和系统
Swetapadma et al. A hybrid method for fault location estimation in a fixed series compensated lines
CN109635430B (zh) 电网输电线路暂态信号监测方法和系统
Shu et al. Single-ended protection method of MMC-HVDC transmission line based on random matrix theory
Dash et al. Power quality monitoring using an integrated Fourier linear combiner and fuzzy expert system
CN112748362A (zh) 基于vmd和灰色关联度相结合的小电流接地故障检测方法
Costa et al. A method for fault classification in transmission lines based on ann and wavelet coefficients energy
CN112255495A (zh) 一种微电网高阻故障检测方法
CN110568300A (zh) 一种基于多源信息的配电网单相接地故障辨识方法
Kale et al. Comparison of wavelet transform and Fourier transform based methods of phasor estimation for numerical relaying
CN107561400B (zh) 一种基于实时小波变换的配网短路故障快速检测方法
CN112748318A (zh) 基于改进pso-bp神经网络的串联故障电弧检测方法
Jia et al. A novel adaptive linear prediction-based parameter estimation method for monitoring sub-/inter-harmonics during SSI events

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