CN111175626A - 一种开关柜绝缘状态异常检测方法 - Google Patents

一种开关柜绝缘状态异常检测方法 Download PDF

Info

Publication number
CN111175626A
CN111175626A CN202010200457.2A CN202010200457A CN111175626A CN 111175626 A CN111175626 A CN 111175626A CN 202010200457 A CN202010200457 A CN 202010200457A CN 111175626 A CN111175626 A CN 111175626A
Authority
CN
China
Prior art keywords
switch cabinet
representing
calculating
tev
amplitude deviation
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
Application number
CN202010200457.2A
Other languages
English (en)
Inventor
胡金磊
黎阳羊
赖俊驹
王伟
华耀
孙振
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.)
Guangdong Power Grid Co Ltd
Qingyuan Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Qingyuan Power Supply Bureau of Guangdong Power Grid Co Ltd
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 Guangdong Power Grid Co Ltd, Qingyuan Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202010200457.2A priority Critical patent/CN111175626A/zh
Publication of CN111175626A publication Critical patent/CN111175626A/zh
Pending legal-status Critical Current

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
    • G01R31/1209—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 using acoustic measurements

Landscapes

  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明公开了一种开关柜绝缘状态异常检测方法，包括将开关柜的带电检测数据全面量化为多维特征，并建立多维特征初始数据库；采用主成分分析法处理所述多维特征初始数据库，建立主成分多维特征数据库；计算所述主成分多维特征数据库的轮廓系数，以选择聚类离群算法的最优参数，并根据所述最优参数采用所述聚类离群算法计算所述开关柜聚类划分后各样本点距离各聚类中心点的相对距离，以找出离群点，实现对所述开关柜局部放电的快速异常检测。本发明在对开关柜绝缘状态进行全面的数据信息挖掘分析的同时避免了多特征量所带来的数据冗余、计算时间过长以及簇选择具有主观性的问题，可实现开关柜局部放电的快速异常检测。

Description

一种开关柜绝缘状态异常检测方法
技术领域
本发明涉及开关柜绝缘状态异常检测技术领域，尤其涉及一种开关柜绝缘状态异常检测方法。
背景技术
为满足急速增长的电力需求，我国的电网规模日益扩大，电力系统对电力设备的运行可靠性要求也越来越高，对电力设备的状态检测、评价与运维有着更高的要求。日常对各地区的各开闭所、环网柜以及分支箱的统计中，大量的开关柜处于平稳运行之中，绝缘劣化的样本点会以异常点的形式出现。而通过异常点检测进行快速识别，能对小规模样本点的异常数据有良好的识别能力，便于运维人员快速发现异常数据并采取进一步的快速措施。
目前对开关柜绝缘状态进行评估的研究特征量较单一，缺乏对开关柜绝缘状态进行全面的数据信息挖掘分析；而且引入多特征量后没有解决数据冗余的问题，导致计算时间过长；此外，采用聚类离群算法对绝缘状态进行异常检测，簇的选择具有较强的主观性，未考虑簇密度的不同，容易出现输出错误异常检测结果的情况。
发明内容
本发明提供一种开关柜绝缘状态异常检测方法，以解决现有技术的不足。
为实现上述目的，本发明提供以下的技术方案：
一种开关柜绝缘状态异常检测方法，所述方法包括：
将开关柜的带电检测数据全面量化为多维特征，并建立多维特征初始数据库；
采用主成分分析法处理所述多维特征初始数据库，建立主成分多维特征数据库；
计算所述主成分多维特征数据库的轮廓系数，以选择聚类离群算法的最优参数，并根据所述最优参数采用所述聚类离群算法计算所述开关柜聚类划分后各样本点距离各聚类中心点的相对距离，以找出离群点，实现对所述开关柜局部放电的快速异常检测。
进一步地，所述开关柜绝缘状态异常检测方法中，所述带电检测数据包括运行年限、暂态对地电压TEV幅值检测量、超声幅值检测量、TEV背景值以及超声背景值；
所述多维特征包括寿命系数和局放程度量化指标；所述局放程度量化指标包括离散度、平均距离百分比和最大波动率。
进一步地，所述开关柜绝缘状态异常检测方法中，所述将开关柜的带电检测数据全面量化为多维特征，并建立多维特征初始数据库的步骤包括：
将带电检测数据中的运行年限按照如下公式量化为寿命系数：
Lk＝(100-l×0.5)/100；
其中，Lk为第k(k＝1，2，…，n)台开关柜的寿命系数，l为开关柜投入的运行年限；
按照如下公式计算TEV幅值偏差量：
T＝(To-TB)/To；
其中，To表示TEV幅值检测值，TB表示TEV背景值，T表示TEV幅值偏差量；
按照如下公式计算超声幅值偏差量：
S＝(So-SB)/So；
其中，So表示超声幅值检测值，SB表示超声背景值，S表示超声幅值偏差量；
按照如下公式求所述TEV幅值偏差量的离散度：
Figure BDA0002419183110000031
其中
Figure BDA0002419183110000032
表示第k台开关柜第i(i＝1，2，…，n)个测量点的TEV幅值偏差量；
Figure BDA0002419183110000033
表示第k台开关柜所有检测点的TEV幅值偏差量的均值；
Figure BDA0002419183110000034
表示所述TEV幅值偏差量的离散度；
按照如下公式求所述超声幅值偏差量离散度：
Figure BDA0002419183110000035
其中
Figure BDA0002419183110000036
表示第k台开关柜第i(i＝1，2，…，n)个测量点的超声幅值偏差量；
Figure BDA0002419183110000037
表示第k台开关柜所有检测点的超声幅值偏差量的均值；
Figure BDA0002419183110000038
表示所述超声幅值偏差量的离散度；
按照如下公式求所述TEV幅值偏差量的平均距离百分比：
Figure BDA0002419183110000039
其中，
Figure BDA00024191831100000310
表示所述TEV幅值偏差量的平均距离百分比；
按照如下公式求所述TEV幅值偏差量的平均距离百分比：
Figure BDA00024191831100000311
其中，
Figure BDA00024191831100000312
表示所述超声幅值偏差量的平均距离百分比；
按照如下公式求所述TEV幅值偏差量的最大波动率：
Figure BDA00024191831100000313
其中，
Figure BDA00024191831100000314
表示第k台开关柜第任意两个测量点的TEV幅值偏差量；
Figure BDA0002419183110000041
表示所述TEV幅值偏差量的最大波动率；
按照如下公式求所述超声幅值偏差量的最大波动率：
Figure BDA0002419183110000042
其中，
Figure BDA0002419183110000043
表示第k台开关柜第任意两个测量点的超声幅值偏差量；
Figure BDA0002419183110000044
表示所述超声幅值偏差量的最大波动率；
建立多维特征初始数据库：
Figure BDA0002419183110000045
进一步地，所述开关柜绝缘状态异常检测方法中，所述采用主成分分析法处理所述多维特征初始数据库，建立主成分多维特征数据库的步骤包括：
计算开关柜多维特征的相关系数矩阵R：
Figure BDA0002419183110000046
计算所述相关系数矩阵R的特征值：
Figure BDA0002419183110000047
(i＝1,2,…,n；j＝1,2,…,7)
分别计算矩阵R的特征值(λ1,λ2,…,λp)与特征向量：
ai＝(ai1,ai2,…,aip)(i＝1,2,…,p)；
计算各多维特征的贡献率Ci以及前m各累计贡献率MCi，
Figure BDA0002419183110000051
Figure BDA0002419183110000052
建立主成分多维特征数据库：
Figure BDA0002419183110000053
其中：
Figure BDA0002419183110000056
进一步地，所述开关柜绝缘状态异常检测方法中，所述计算所述主成分多维特征数据库的轮廓系数，以选择聚类离群算法的最优参数，并根据所述最优参数，采用所述聚类离群算法计算所述开关柜聚类划分后各样本点距离各聚类中心点的相对距离，以找出离群点，实现对所述开关柜局部放电的快速异常检测的步骤包括：
根据如下两个公式计算轮廓系数，输出聚类算法最优参数：
Figure BDA0002419183110000054
Figure BDA0002419183110000055
其中，
根据如下公式计算各样本点距离簇的欧式距离，依据最优参数采用均值聚类算法将样本数据集进行聚类，找出质心：
Figure BDA0002419183110000061
计算开关柜各样本点距离簇内中心点的距离li；
根据如下计算开关柜各样本点距离簇内中心点的相对距离lF：
Figure BDA0002419183110000062
设置阈值点，找出离群点，实现对所述开关柜局部放电的快速异常检测。
进一步地，所述开关柜绝缘状态异常检测方法中，在所述依据寿命系数和局放程度量化指标，全面量化开关柜的带电检测数据，建立多维特征初始数据库的步骤之前，还包括：
获取开关柜的带电检测数据。
本发明实施例提供的一种开关柜绝缘状态异常检测方法，在对开关柜绝缘状态进行全面的数据信息挖掘分析的同时避免了多特征量所带来的数据冗余、计算时间过长以及簇选择具有主观性的问题，可实现开关柜局部放电的快速异常检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的一种开关柜绝缘状态异常检测方法的流程示意图；
图2是本发明实施例提供的一种开关柜绝缘状态异常检测方法的流程示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
请参阅附图1～2，为本发明实施例一提供的一种开关柜绝缘状态异常检测方法的流程示意图。该方法具体包括如下步骤：
S101、将开关柜的带电检测数据全面量化为多维特征，并建立多维特征初始数据库；
S102、采用主成分分析法处理所述多维特征初始数据库，建立主成分多维特征数据库；
S103、计算所述主成分多维特征数据库的轮廓系数，以选择聚类离群算法的最优参数，并根据所述最优参数采用所述聚类离群算法计算所述开关柜聚类划分后各样本点距离各聚类中心点的相对距离，以找出离群点，实现对所述开关柜局部放电的快速异常检测。
优选的，所述带电检测数据包括运行年限、暂态对地电压TEV幅值检测量、超声幅值检测量、TEV背景值以及超声背景值；
所述多维特征包括寿命系数和局放程度量化指标；所述局放程度量化指标包括离散度、平均距离百分比和最大波动率。
优选的，所述将开关柜的带电检测数据全面量化为多维特征，并建立多维特征初始数据库的步骤包括：
将带电检测数据中的运行年限按照如下公式量化为寿命系数(开关柜的劣化程度与开关柜得运行年限呈正相关，引入寿命系数量化开关柜的局放程度。)：
Lk＝(100-l×0.5)/100；
其中，Lk为第k(k＝1，2，…，n)台开关柜的寿命系数，l为开关柜投入的运行年限；
按照如下公式计算TEV幅值偏差量：
T＝(To-TB)/To；
其中，To表示TEV幅值检测值，TB表示TEV背景值，T表示TEV幅值偏差量；
按照如下公式计算超声幅值偏差量：
S＝(So-SB)/So；
其中，So表示超声幅值检测值，SB表示超声背景值，S表示超声幅值偏差量；
离散度能够反应开关柜局部放电检测数据的波动情况，分别对上下、左右、前后六个检测点的TEV幅值偏差量和超声幅值偏差量求离散度；
按照如下公式求所述TEV幅值偏差量的离散度：
Figure BDA0002419183110000081
其中
Figure BDA0002419183110000082
表示第k台开关柜第i(i＝1，2，…，n)个测量点的TEV幅值偏差量；
Figure BDA0002419183110000083
表示第k台开关柜所有检测点的TEV幅值偏差量的均值；
Figure BDA0002419183110000084
表示所述TEV幅值偏差量的离散度；
按照如下公式求所述超声幅值偏差量离散度：
Figure BDA0002419183110000085
其中
Figure BDA0002419183110000086
表示第k台开关柜第i(i＝1，2，…，n)个测量点的超声幅值偏差量；
Figure BDA0002419183110000087
表示第k台开关柜所有检测点的超声幅值偏差量的均值；
Figure BDA0002419183110000088
表示所述超声幅值偏差量的离散度；
平均距离百分比为该台开关柜所有检测数据距离中心点的距离与均值之比，通过平均距离百分比揭示开关柜的整体变动的程度；
按照如下公式求所述TEV幅值偏差量的平均距离百分比：
Figure BDA0002419183110000091
其中，
Figure BDA0002419183110000092
表示所述TEV幅值偏差量的平均距离百分比；
按照如下公式求所述TEV幅值偏差量的平均距离百分比：
Figure BDA0002419183110000093
其中，
Figure BDA0002419183110000094
表示所述超声幅值偏差量的平均距离百分比；
通过最大波动率量化开关柜局放程度的最大波动情况，最大波动率可以区分数据的离差程度，反映出检测数据的区间跨度；
按照如下公式求所述TEV幅值偏差量的最大波动率：
Figure BDA0002419183110000095
其中，
Figure BDA0002419183110000096
表示第k台开关柜第任意两个测量点的TEV幅值偏差量；
Figure BDA0002419183110000097
表示所述TEV幅值偏差量的最大波动率；
按照如下公式求所述超声幅值偏差量的最大波动率：
Figure BDA0002419183110000098
其中，
Figure BDA0002419183110000099
表示第k台开关柜第任意两个测量点的超声幅值偏差量；
Figure BDA00024191831100000910
表示所述超声幅值偏差量的最大波动率；
建立多维特征初始数据库：
Figure BDA0002419183110000101
主成分分析法的目的是将高维度数据投影到一个新特征量彼此正交的空间中，其将多维度数据转化为低维度数据，通过各维度数据的贡献率消除线性相关的数据。通过主成分分析提升聚类的性能，减少聚类算法的运算工作量。
优选的，所述采用主成分分析法处理所述多维特征初始数据库，建立主成分多维特征数据库的步骤包括：
计算开关柜多维特征的相关系数矩阵R：
Figure BDA0002419183110000102
计算所述相关系数矩阵R的特征值：
Figure BDA0002419183110000103
(i＝1,2,…,n；j＝1,2,…,7)
分别计算矩阵R的特征值(λ1,λ2,…,λp)与特征向量：
ai＝(ai1,ai2,…,aip)(i＝1,2,…,p)；
计算各多维特征(各特征量)的贡献率Ci以及前m各累计贡献率MCi，
Figure BDA0002419183110000104
Figure BDA0002419183110000111
建立主成分多维特征数据库(计算各主成分，得到新样本数据F)：
Figure BDA0002419183110000112
其中：
Figure BDA0002419183110000116
优选的，所述计算所述主成分多维特征数据库的轮廓系数，以选择聚类离群算法的最优参数，并根据所述最优参数，采用所述聚类离群算法计算所述开关柜聚类划分后各样本点距离各聚类中心点的相对距离，以找出离群点，实现对所述开关柜局部放电的快速异常检测的步骤包括：
根据如下两个公式计算轮廓系数，输出聚类算法最优参数：
Figure BDA0002419183110000113
Figure BDA0002419183110000114
其中，
根据如下公式计算各样本点距离簇的欧式距离，依据最优参数采用均值聚类算法将样本数据集进行聚类，找出质心：
Figure BDA0002419183110000115
计算开关柜各样本点距离簇内中心点的距离li；
根据如下计算开关柜各样本点距离簇内中心点的相对距离lF：
Figure BDA0002419183110000121
设置阈值点(根据实际情况而定)，找出离群点，实现对所述开关柜局部放电的快速异常检测。
具体的，采用欧式距离作为算法的划分依据，划分相似的聚类类别。任意两个开关柜状态特征量Fi和Fj(j＝1，2，…，n)的欧式距离的计算公式为：
Figure BDA0002419183110000122
依据欧式距离对开关柜的主成分多维特征数据库进行合理划分，其模型参数K的个数是主观设定的，可依据轮廓系数的方法对参数进行最优选择，即可通过计算不同模型参数k的值所对应的轮廓系数的值进行最优选择。
轮廓系数是用来衡量任意数据点与所在簇相较于其它簇的相似程度，其取值范围从-1到1，数值越大，表明该数据点与该簇越相似。最佳参数均值聚类方法如下：
计算样本点Fi到同簇其他样本的平均距离di，此时di为Fi的簇内不相似度；
计算样本点Fi到其他簇Ck的所有样本的平均距离eij(j＝1,2,…,k)，将eij称为Fi与簇Ck的不相似度，定义ei＝min{ei1,ei2,…,eij}为Xi的簇间不相似度；
根据Fi的簇内不相似度di和簇间不相似度ei，定义Fi的轮廓系数如下公式所示：
Figure BDA0002419183110000123
计算所有样本点s(i)的平均值，此时
Figure BDA0002419183110000124
为该聚类模型的轮廓系数：
Figure BDA0002419183110000125
通过此方法对状态聚类参数进行最优选择，若
Figure BDA0002419183110000126
接近1，则说明聚类效果越好。
通过聚类离群算法可帮助运维人员对绝缘状态异常的开关柜进行快速准确识别，因此，通过均值聚类划分后的结果，计算每台开关柜属于簇的程度，找出离群点，据此检测开关柜局部放电的异常情况。考虑到开关柜聚类后簇的密度不同，引入相对距离，即样本点Fi到质心的距离li与簇中除Fi外所有点到质心距离的中位数即lk＝med{li1,li2,…,lij}(j＝1,2,…,k)之比用于开关柜健康状态的异常检测，相对距离如下公式所示：
Figure BDA0002419183110000131
优选的，在所述依据寿命系数和局放程度量化指标，全面量化开关柜的带电检测数据，建立多维特征初始数据库的步骤之前，还包括：
获取开关柜的带电检测数据。
本发明实施例提供的一种开关柜绝缘状态异常检测方法，在对开关柜绝缘状态进行全面的数据信息挖掘分析的同时避免了多特征量所带来的数据冗余、计算时间过长以及簇选择具有主观性的问题，可实现开关柜局部放电的快速异常检测。
至此，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种开关柜绝缘状态异常检测方法，其特征在于，所述方法包括：
将开关柜的带电检测数据全面量化为多维特征，并建立多维特征初始数据库；
采用主成分分析法处理所述多维特征初始数据库，建立主成分多维特征数据库；
计算所述主成分多维特征数据库的轮廓系数，以选择聚类离群算法的最优参数，并根据所述最优参数采用所述聚类离群算法计算所述开关柜聚类划分后各样本点距离各聚类中心点的相对距离，以找出离群点，实现对所述开关柜局部放电的快速异常检测。
2.根据权利要求1所述的开关柜绝缘状态异常检测方法，其特征在于，所述带电检测数据包括运行年限、暂态对地电压TEV幅值检测量、超声幅值检测量、TEV背景值以及超声背景值；
所述多维特征包括寿命系数和局放程度量化指标；所述局放程度量化指标包括离散度、平均距离百分比和最大波动率。
3.根据权利要求2所述的开关柜绝缘状态异常检测方法，其特征在于，所述将开关柜的带电检测数据全面量化为多维特征，并建立多维特征初始数据库的步骤包括：
将带电检测数据中的运行年限按照如下公式量化为寿命系数：
Lk＝(100-l×0.5)/100；
其中，Lk为第k(k＝1，2，…，n)台开关柜的寿命系数，l为开关柜投入的运行年限；
按照如下公式计算TEV幅值偏差量：
T＝(To-TB)/To；
其中，To表示TEV幅值检测值，TB表示TEV背景值，T表示TEV幅值偏差量；
按照如下公式计算超声幅值偏差量：
S＝(So-SB)/So；
其中，So表示超声幅值检测值，SB表示超声背景值，S表示超声幅值偏差量；
按照如下公式求所述TEV幅值偏差量的离散度：
Figure FDA0002419183100000021
其中Ti (k)表示第k台开关柜第i(i＝1，2，…，n)个测量点的TEV幅值偏差量；
Figure FDA0002419183100000022
表示第k台开关柜所有检测点的TEV幅值偏差量的均值；
Figure FDA0002419183100000023
表示所述TEV幅值偏差量的离散度；
按照如下公式求所述超声幅值偏差量的离散度：
Figure FDA0002419183100000024
其中
Figure FDA0002419183100000025
表示第k台开关柜第i(i＝1，2，…，n)个测量点的超声幅值偏差量；
Figure FDA0002419183100000026
表示第k台开关柜所有检测点的超声幅值偏差量的均值；
Figure FDA0002419183100000027
表示所述超声幅值偏差量的离散度；
按照如下公式求所述TEV幅值偏差量的平均距离百分比：
Figure FDA0002419183100000028
其中，
Figure FDA0002419183100000029
表示所述TEV幅值偏差量的平均距离百分比；
按照如下公式求所述TEV幅值偏差量的平均距离百分比：
Figure FDA00024191831000000210
其中，
Figure FDA00024191831000000211
表示所述超声幅值偏差量的平均距离百分比；
按照如下公式求所述TEV幅值偏差量的最大波动率：
Figure FDA0002419183100000031
其中，Ti (k)、
Figure FDA0002419183100000032
表示第k台开关柜第任意两个测量点的TEV幅值偏差量；
Figure FDA0002419183100000033
表示所述TEV幅值偏差量的最大波动率；
按照如下公式求所述超声幅值偏差量的最大波动率：
Figure FDA0002419183100000034
其中，
Figure FDA0002419183100000035
表示第k台开关柜第任意两个测量点的超声幅值偏差量；
Figure FDA0002419183100000036
表示所述超声幅值偏差量的最大波动率；
建立多维特征初始数据库：
Figure FDA0002419183100000037
4.根据权利要求3所述的开关柜绝缘状态异常检测方法，其特征在于，所述采用主成分分析法处理所述多维特征初始数据库，建立主成分多维特征数据库的步骤包括：
计算开关柜多维特征的相关系数矩阵R：
Figure FDA0002419183100000038
计算所述相关系数矩阵R的特征值：
Figure FDA0002419183100000041
分别计算矩阵R的特征值(λ1,λ2,…,λp)与特征向量：
ai＝(ai1,ai2,…,aip)(i＝1,2,…,p)；
计算各多维特征的贡献率Ci以及前m各累计贡献率MCi，
Figure FDA0002419183100000042
Figure FDA0002419183100000043
建立主成分多维特征数据库：
Figure FDA0002419183100000044
其中：
Figure FDA0002419183100000045
5.根据权利要求4所述的开关柜绝缘状态异常检测方法，其特征在于，所述计算所述主成分多维特征数据库的轮廓系数，以选择聚类离群算法的最优参数，并根据所述最优参数，采用所述聚类离群算法计算所述开关柜聚类划分后各样本点距离各聚类中心点的相对距离，以找出离群点，实现对所述开关柜局部放电的快速异常检测的步骤包括：
根据如下两个公式计算轮廓系数，输出聚类算法最优参数：
Figure FDA0002419183100000051
Figure FDA0002419183100000052
其中，
根据如下公式计算各样本点距离簇的欧式距离，依据最优参数采用均值聚类算法将样本数据集进行聚类，找出质心：
Figure FDA0002419183100000053
计算开关柜各样本点距离簇内中心点的距离li；
根据如下计算开关柜各样本点距离簇内中心点的相对距离lF：
Figure FDA0002419183100000054
设置阈值点，找出离群点，实现对所述开关柜局部放电的快速异常检测。
6.根据权利要求1所述的开关柜绝缘状态异常检测方法，其特征在于，在所述依据寿命系数和局放程度量化指标，全面量化开关柜的带电检测数据，建立多维特征初始数据库的步骤之前，还包括：
获取开关柜的带电检测数据。
CN202010200457.2A 2020-03-20 2020-03-20 一种开关柜绝缘状态异常检测方法 Pending CN111175626A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010200457.2A CN111175626A (zh) 2020-03-20 2020-03-20 一种开关柜绝缘状态异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010200457.2A CN111175626A (zh) 2020-03-20 2020-03-20 一种开关柜绝缘状态异常检测方法

Publications (1)

Publication Number Publication Date
CN111175626A true CN111175626A (zh) 2020-05-19

Family

ID=70649761

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010200457.2A Pending CN111175626A (zh) 2020-03-20 2020-03-20 一种开关柜绝缘状态异常检测方法

Country Status (1)

Country Link
CN (1) CN111175626A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111707912A (zh) * 2020-06-12 2020-09-25 阜阳腾冠电力科技有限公司 一种配电柜用绝缘检测装置
CN111723862A (zh) * 2020-06-18 2020-09-29 广东电网有限责任公司清远供电局 开关柜状态评估方法和装置
CN111913081A (zh) * 2020-07-14 2020-11-10 上海电力大学 一种基于均值漂移聚类的开关柜绝缘状态异常检测方法
CN116992388A (zh) * 2023-09-25 2023-11-03 广东德怡电子科技有限公司 基于数据分析的薄膜开关测试数据处理方法
CN117076322A (zh) * 2023-08-30 2023-11-17 合芯科技(苏州)有限公司 一种研发技术服务供应商异常工作模式检测方法及系统
CN117193123A (zh) * 2023-10-07 2023-12-08 中煤能源研究院有限责任公司 一种煤矸石活化监控系统及其控制方法
CN117763290A (zh) * 2024-02-21 2024-03-26 常熟理工学院 一种基于座椅振动的汽车座椅动态舒适度评价方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102749557A (zh) * 2012-06-07 2012-10-24 国网电力科学研究院武汉南瑞有限责任公司 一种开关柜局部放电检测装置
CN107784518A (zh) * 2017-09-20 2018-03-09 国网浙江省电力公司电力科学研究院 一种基于多维指标的电力客户细分方法
CN108051711A (zh) * 2017-12-05 2018-05-18 国网浙江省电力公司检修分公司 基于状态特征映射的固体绝缘表面缺陷诊断方法
CN108459269A (zh) * 2018-05-30 2018-08-28 国网江西省电力有限公司电力科学研究院 一种10kV柱上真空开关状态在线评价方法与装置
CN109740694A (zh) * 2019-01-24 2019-05-10 燕山大学 一种基于非监督学习的智能电网非技术性损失检测方法
CN110133488A (zh) * 2019-04-09 2019-08-16 上海电力学院 基于最优等级数的开关柜健康状态评价方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102749557A (zh) * 2012-06-07 2012-10-24 国网电力科学研究院武汉南瑞有限责任公司 一种开关柜局部放电检测装置
CN107784518A (zh) * 2017-09-20 2018-03-09 国网浙江省电力公司电力科学研究院 一种基于多维指标的电力客户细分方法
CN108051711A (zh) * 2017-12-05 2018-05-18 国网浙江省电力公司检修分公司 基于状态特征映射的固体绝缘表面缺陷诊断方法
CN108459269A (zh) * 2018-05-30 2018-08-28 国网江西省电力有限公司电力科学研究院 一种10kV柱上真空开关状态在线评价方法与装置
CN109740694A (zh) * 2019-01-24 2019-05-10 燕山大学 一种基于非监督学习的智能电网非技术性损失检测方法
CN110133488A (zh) * 2019-04-09 2019-08-16 上海电力学院 基于最优等级数的开关柜健康状态评价方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
卓金武，王鸿钧: "《MATLAB 数学建模方法与实践第3版》", 31 July 2018 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111707912A (zh) * 2020-06-12 2020-09-25 阜阳腾冠电力科技有限公司 一种配电柜用绝缘检测装置
CN111707912B (zh) * 2020-06-12 2023-08-22 阜阳腾冠电力科技有限公司 一种配电柜用绝缘检测装置
CN111723862A (zh) * 2020-06-18 2020-09-29 广东电网有限责任公司清远供电局 开关柜状态评估方法和装置
CN111723862B (zh) * 2020-06-18 2024-09-06 广东电网有限责任公司清远供电局 开关柜状态评估方法和装置
CN111913081A (zh) * 2020-07-14 2020-11-10 上海电力大学 一种基于均值漂移聚类的开关柜绝缘状态异常检测方法
CN117076322A (zh) * 2023-08-30 2023-11-17 合芯科技(苏州)有限公司 一种研发技术服务供应商异常工作模式检测方法及系统
CN116992388A (zh) * 2023-09-25 2023-11-03 广东德怡电子科技有限公司 基于数据分析的薄膜开关测试数据处理方法
CN116992388B (zh) * 2023-09-25 2023-12-12 广东德怡电子科技有限公司 基于数据分析的薄膜开关测试数据处理方法
CN117193123A (zh) * 2023-10-07 2023-12-08 中煤能源研究院有限责任公司 一种煤矸石活化监控系统及其控制方法
CN117193123B (zh) * 2023-10-07 2024-06-11 中煤能源研究院有限责任公司 一种煤矸石活化监控系统及其控制方法
CN117763290A (zh) * 2024-02-21 2024-03-26 常熟理工学院 一种基于座椅振动的汽车座椅动态舒适度评价方法
CN117763290B (zh) * 2024-02-21 2024-04-26 常熟理工学院 一种基于座椅振动的汽车座椅动态舒适度评价方法

Similar Documents

Publication Publication Date Title
CN111175626A (zh) 一种开关柜绝缘状态异常检测方法
CN110210740B (zh) 一种考虑供电质量的配电网可靠性评估方法
CN117421687B (zh) 一种数字化电力环网柜运行状态监测方法
CN111768082A (zh) 一种基于大数据分析的电力设备状态评估方法
CN109029960B (zh) 一种断路器机械状态检测方法
CN109816031B (zh) 一种基于数据不均衡度量的变压器状态评估聚类分析方法
CN115982602B (zh) 一种光伏变压器电故障检测方法
CN106199267B (zh) 一种电力设备故障特征分析方法
CN107257351B (zh) 一种基于灰色lof流量异常检测系统及其检测方法
CN113239132B (zh) 一种电压互感器的超差在线辨识方法
CN109597396B (zh) 一种基于大数据流及迁移学习的配变故障在线诊断方法
CN111723862B (zh) 开关柜状态评估方法和装置
CN111913081A (zh) 一种基于均值漂移聚类的开关柜绝缘状态异常检测方法
CN113125903A (zh) 线损异常检测方法、装置、设备及计算机可读存储介质
CN109711664B (zh) 一种基于大数据的输变电设备健康评估系统
CN113904322A (zh) 一种基于电流+电压的低压配网拓扑生成方法
CN115081933A (zh) 一种基于改进谱聚类的低压用户拓扑构建方法和系统
CN117150244B (zh) 基于电参数分析的智能配电柜状态监测方法及系统
CN109784777B (zh) 基于时序信息片段云相似度度量的电网设备状态评估方法
CN109359742A (zh) 一种地铁子系统预防维修周期的生成方法
CN113128482B (zh) 一种多因素影响的输电线路异常放电风险等级评估方法
Hashemipour et al. Big data compression in smart grids via optimal singular value decomposition
CN116953381B (zh) 基于恢复-聚合-分解的配电变压器老化故障率评估方法
CN118052540B (zh) 一种设备维修方案智能管理方法及系统
Li et al. Detection of Partial Discharge Anomaly in Switchgear Based on Principal Component Clustering Outlier Algorithm

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

Application publication date: 20200519

RJ01 Rejection of invention patent application after publication