CN111337798A - 一种特高压换流变压器绝缘监测及局部放电故障诊断方法 - Google Patents
一种特高压换流变压器绝缘监测及局部放电故障诊断方法 Download PDFInfo
- Publication number
- CN111337798A CN111337798A CN202010146663.XA CN202010146663A CN111337798A CN 111337798 A CN111337798 A CN 111337798A CN 202010146663 A CN202010146663 A CN 202010146663A CN 111337798 A CN111337798 A CN 111337798A
- Authority
- CN
- China
- Prior art keywords
- sample
- signal
- frequency
- partial discharge
- matrix
- 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
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
Abstract
Description
技术领域
本发明涉及换流变压器、常规变压器等大型电力设备绝缘监测和局部放电故障诊断领域,特别是涉及一种特高压换流变压器绝缘监测及局部放电故障诊断方法。
背景技术
局部放电既是电力变压器绝缘劣化的前期征兆,又是导致电力变压器绝缘性能劣化的主要诱因。目前对于变压器绝缘监测和局部放电故障诊断的手段和措施多为离线检测分析,缺乏在行之有效故障信号提取方法和故障诊断方法,难以实现对大型电力变压器绝缘及局放故障在线监测与诊断。
中国专利文献:“大型变压器局部放电定位检测方法”(CN201910347315.6):通过在变压器套管与变压器油箱表面放置四个超声传感器,分析采集的超声波波形得到定位参数和时延,再通过时间差定位方程求解得到局部放电源的位置。最后重复试验求均值,得到局部放电的精确位置。该专利属于变压器的在线监测和诊断方法,但是,它对接收的放电超声波信号进行分析处理,通过求解时间差定位方程,得到局部放电源坐标(x,y,z),最后再重复多达上百次试验得到上百次试验的局部放电源坐标后,求解平均值。它依频于超声波传感器,同时必须多次反复试验,才能求得最终局部放电源坐标。
发明内容
本发明的目的是提供一种特高压换流变压器绝缘监测及局部放电故障诊断方法,旨在能够准确检测并提取局部放电信号的特征信息,通过分析不同频带上的信号能量值和样本熵,进而找出不同故障的特征参数,实现不同故障的诊断识别,进而监测掌握换流变压器的绝缘劣化程度。
1、本发明目的是这样实现的:一种特高压换流变压器绝缘监测及局部放电故障诊断方法,其特征在于:
1)在待监测变压器身XYZ方向各布置一套,特高频耦器利用特高频耦合器采集的换流变压器原始的局部放电信号x(t),其采样频率为f,采样点数为n,经过经EMD分解后得到m个本征模态函数IMF分量;
2)通过Hilbert变换求得每个IMF分量的时频分布谱,并将划分为l个频带,经HHT带通滤波,重构得到信号x(t)在不同频带上的分量,得到信号x(t)时频矩阵A
其中,aij代表信号x(t)在每个频带上的数据,i=1,....,l,j=1,....,n;
3)将时频矩阵A的每一行,也就每一个频带按照式(2)计算,得信号x(t)在该频带的能量值E(i),i=1,....,l;按照式(3)进行归一化处理,得到信号x(t)的l个频带上的能量参数记作:E=[E*(1),E*(2),…,E*(l)];
4)再将将时频矩阵A的每一行,也就每一个频带按照式(4)计算,得信号x(t)在该频带的样本熵p(i),i=1,....,l;进而得到PD信号的l个频带上的样本熵值记作:P=[p(1),p(2),…,p(l)];
通常r取信号x(t)时间序列标准差的0.1-0.25倍,m取30至50的整数;
5)以PD信号的能量参数和样本熵参数建立特征平面,将同一频带上的能量参数E(i)和样本熵参数p(i)记作一个特征点si=(E(i),p(i)),由此可得,PD信号在特征平面上的所有特征点集合S为:
S={(E(1),P(1)),(E(2),P(2)),···,(E(l),P(l))}。
在PD信号的特征平面上,存在一个小的球面(am,Rm)包含同一类故障几乎所有特征点,将其记作:
将待诊断故障信号样本记为X={x1,x2,···,xl},其中xi,i=1,2,···,l表示样本中的一个特征点;若判断样本X属于哪一个类,首先计算样本X中所有点到各球心的距离的平方和并与l·Rm进行比较,令d代表的个数;
(2)当d=1,则样本X就属于此球面所代表的类;
(3)当d>1,则意味样本X的特征点位于多个球相交的区域;
Step1:将包含样本X的所有球的分类序号记为集合I;
Step3:比较aiD和aiC的大小,若样本X的多数特征点x的投影aiD都小于aiC,则样本X属于类别i,否则样本X属于类别j;
Step4:令集合I=It-1,返回步骤2,直至集合I中只包含一个元素为止,即样本X属于该元素所代表的类。
所述信号样本熵计算流程为:
对时频矩阵A每一行数据ai1,ai2,…,ain作如下处理,并计算其样本熵,其步骤如下:
Step1:确定模式维数m和阈值r,将矩阵A其中一行数据记作:x1,x2,…,xn;并将其转化一组m维矢量,
X(i)=[x(i) x(i+1) … x(i+m-1)]
其中i=1,2,…,n-m+1
Step2:重新定义X(i)和X(j)之间的距离公式
Step3:对每一个i值统计d(i,j)<r的模板匹配数N,记模板匹配数N与总数目n-m+1的比值为:
其中,1≤j≤n-m,且j≠i
Step4:计算所有i值的平均值
Step5:将模式维数m+1,重复Step1~Step4,得到Bm+1(r);计算矩阵A的此行数据的样本熵
Step6:对矩阵A的其他各行数据,重复Step1~Step5,分别得到PD信号l个频带上的样本熵值。
本发明的有益效果是:
本发明通过建立一种以多维度能量参数和多维度样本熵参数为主要特征的局部放电信号特征的描述方法,以此来描述局部放电信号故障特征,再通过本发明提出的一种基于超球面支持向量机的局部放电故障诊断方法对故障特征进行识别诊断。通过上述方法,本发明能够准确检测并提取局部放电信号的特征信息,监测、掌握换流变压器的绝缘劣化程度。
附图说明
图1为PD信号的特征平面示意图
图2为相交区域判定方法示意图
图3为EMD算法流程
具体实施方式
参见图1,在换流变压器身XYZ方向各布置1组特高频耦合器(UHF)采集局部放电(PD)信号x(t),利用经验模态分解算法(EMD)将信号x(t)分解成m个窄带分量,再通过Hilbert变换求得每个分量的时频分布谱,经HHT带通滤波,重构得到信号x(t)在不同频带上的分量,得到信号x(t)时频矩阵A。按公式(3)和(4)计算得到该信号的多维度能量参数和多维度样本熵参数P=[p1,p2,…,pl]。以多维度能量参数和多维度样本熵参数建立特征平面(参见图2),将同一频带上的能量参数E(k)和样本熵参数p(k)记作一个特征点sk=(E(k),p(k)),最后利用基于超球面的支持向量机算法对其特征进行识别分类,实现对换流变压器的绝缘监测与故障诊断。
一种以多维度能量参数和多维度样本熵参数为主要特征的局部放电信号特征的描述方法,
1)在待监测变压器身XYZ方向各布置一套,特高频耦器利用特高频耦合器采集的换流变压器原始的局部放电信号x(t),其采样频率为f,采样点数为n,经过经EMD分解后得到m个本征模态函数IMF分量;
2)通过Hilbert变换求得每个IMF分量的时频分布谱,并将划分为l个频带,经HHT带通滤波,重构得到信号x(t)在不同频带上的分量,得到信号x(t)时频矩阵A
其中,aij代表信号x(t)在每个频带上的数据,i=1,....,l,j=1,....,n;
3)将时频矩阵A的每一行,也就每一个频带按照式(2)计算,得信号x(t)在该频带的能量值E(i),i=1,....,l;按照式(3)进行归一化处理,得到信号x(t)的l个频带上的能量参数记作:E=[E*(1),E*(2),…,E*(l)];
4)再将将时频矩阵A的每一行,也就每一个频带按照式(4)计算,得信号x(t)在该频带的样本熵p(i),i=1,....,l;进而得到PD信号的l个频带上的样本熵值记作:P=[p(1),p(2),…,p(l)];
通常r取信号x(t)时间序列标准差的0.1-0.25倍,m取30至50的整数;
5)以PD信号的能量参数和样本熵参数建立特征平面,将同一频带上的能量参数E(i)和样本熵参数p(i)记作一个特征点si=(E(i),p(i)),由此可得,PD信号在特征平面上的所有特征点集合S为:
S={(E(1),P(1)),(E(2),P(2)),···,(E(l),P(l))}。
一种基于超球面支持向量机的局部放电故障诊断方法:
在PD信号的特征平面上,存在一个小的球面(am,Rm)包含同一类故障几乎所有特征点,将其记作:
将待诊断故障信号样本记为X={x1,x2,···,xl},其中xi,i=1,2,···,l表示样本中的一个特征点;若判断样本X属于哪一个类,首先计算样本X中所有点到各球心的距离的平方和并与l·Rm进行比较,令d代表的个数;
(2)当d=1,则样本X就属于此球面所代表的类;
(3)当d>1,则意味样本X的特征点位于多个球相交的区域;
Step1:将包含样本X的所有球的分类序号记为集合I;
Step3:比较aiD和aiC的大小,若样本X的多数特征点x的投影aiD都小于aiC,则样本X属于类别i,否则样本X属于类别j;
Step4:令集合I=It-1,返回步骤2,直至集合I中只包含一个元素为止,即样本X属于该元素所代表的类。
所述信号样本熵计算流程为:
对时频矩阵A每一行数据ai1,ai2,…,ain作如下处理,并计算其样本熵,其步骤如下:
Step1:确定模式维数m和阈值r,将矩阵A其中一行数据记作:x1,x2,…,xn;并将其转化一组m维矢量,
X(i)=[x(i) x(i+1) … x(i+m-1)]
其中i=1,2,…,n-m+1
Step2:重新定义X(i)和X(j)之间的距离公式
Step3:对每一个i值统计d(i,j)<r的模板匹配数N,记模板匹配数N与总数目n-m+1的比值为:
其中,1≤j≤n-m,且j≠i
Step4:计算所有i值的平均值
Step5:将模式维数m+1,重复Step1~Step4,得到Bm+1(r);计算矩阵A的此行数据的样本熵:
Step6:对矩阵A的其他各行数据,重复Step1~Step5,分别得到PD信号l个频带上的样本熵值。
Claims (3)
1.一种特高压换流变压器绝缘监测及局部放电故障诊断方法,其特征在于最大程度地利用了故障样本隐藏的数据信息,通过分析不同频带上的信号能量值和样本熵,进而找出不同故障的特征参数,实现不同故障诊断识别,具体过程如下:
1)在待监测变压器身XYZ方向各布置一套特高频耦合器,利用特高频耦合器采集的换流变压器原始的局部放电信号x(t),其采样频率为f,采样点数为n,经过经EMD分解后得到m个本征模态函数IMF分量;
2)通过Hilbert变换求得每个IMF分量的时频分布谱,并将划分为l个频带,经HHT带通滤波,重构得到信号x(t)在不同频带上的分量,得到信号x(t)时频矩阵A
其中,aij代表信号x(t)在每个频带上的数据,i=1,....,l,j=1,....,n;
3)将时频矩阵A的每一行,也就每一个频带按照式(2)计算,得信号x(t)在该频带的能量值E(i),i=1,....,l;按照式(3)进行归一化处理,得到信号x(t)的l个频带上的能量参数记作:E=[E*(1),E*(2),…,E*(l)];
4)再将时频矩阵A的每一行,也就每一个频带按照式(4)计算,得信号x(t)在该频带的样本熵p(i),i=1,....,l;进而得到PD信号的l个频带上的样本熵值记作:P=[p(1),p(2),…,p(l)];
通常r取信号x(t)时间序列标准差的0.1-0.25倍,m取30至50的整数,n为样本采样点的个数;
5)以PD信号的能量参数和样本熵参数建立特征平面,将同一频带上的能量参数E(i)和样本熵参数p(i)记作一个特征点si=(E(i),p(i)),由此可得,PD信号在特征平面上的所有特征点集合S为:
S={(E(1),P(1)),(E(2),P(2)),···,(E(l),P(l))}。
2.根据权利要求1所述的局部放电故障诊断方法,其特征在于:在PD信号的特征平面上,存在一个小的球面(am,Rm)包含同一类故障几乎所有特征点,将其记作:
将待诊断故障信号样本记为X={x1,x2,···,xl},其中xi,i=1,2,···,l表示样本中的一个特征点;若判断样本X属于哪一个类,首先计算样本X中所有点到各球心的距离的平方和并与l·Rm进行比较,令d代表的个数;
(2)当d=1,则样本X就属于此球面所代表的类;
(3)当d>1,则意味样本X的特征点位于多个球相交的区域;
Step1:将包含样本X的所有球的分类序号记为集合I;
Step3:比较aiD和aiC的大小,若样本X的多数特征点x的投影aiD都小于aiC,则样本X属于类别i,否则样本X属于类别j;
Step4:令集合I=It-1,返回步骤2,直至集合I中只包含一个元素为止,即样本X属于该元素所代表的类。
3.根据权利要求2所述的局部放电故障诊断方法,其特征在于:所述信号样本熵计算流程为:
对时频矩阵A每一行数据ai1,ai2,…,ain作如下处理,并计算其样本熵,其步骤如下:
Step1:确定模式维数m和阈值r,将矩阵A其中一行数据记作:x1,x2,…,xn;并将其转化一组m维矢量,
X(i)=[x(i)x(i+1)…x(i+m-1)]
其中i=1,2,…,n-m+1
Step2:重新定义X(i)和X(j)之间的距离公式
k=0,1,…,m-1
Step3:对每一个i值统计d(i,j)<r的模板匹配数N,记模板匹配数N与总数目n-m+1的比值为:
其中,1≤j≤n-m,且j≠i
Step4:计算所有i值的平均值
Step5:将模式维数m+1,重复Step1~Step4,得到Bm+1(r);计算矩阵A的此行数据的样本熵
Step6:对矩阵A的其他各行数据,重复Step1~Step5,分别得到PD信号l个频带上的样本熵值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010146663.XA CN111337798B (zh) | 2020-03-05 | 2020-03-05 | 一种特高压换流变压器绝缘监测及局部放电故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010146663.XA CN111337798B (zh) | 2020-03-05 | 2020-03-05 | 一种特高压换流变压器绝缘监测及局部放电故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111337798A true CN111337798A (zh) | 2020-06-26 |
CN111337798B CN111337798B (zh) | 2022-04-08 |
Family
ID=71185858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010146663.XA Active CN111337798B (zh) | 2020-03-05 | 2020-03-05 | 一种特高压换流变压器绝缘监测及局部放电故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111337798B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926620A (zh) * | 2021-01-21 | 2021-06-08 | 国网山东省电力公司检修公司 | 一种变压器套管局部放电的缺陷类型识别方法及系统 |
CN117849560A (zh) * | 2024-03-07 | 2024-04-09 | 南京中鑫智电科技有限公司 | 结合末屏电压和局部放电的阀侧套管绝缘监测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104237757A (zh) * | 2014-09-30 | 2014-12-24 | 武汉大学 | 基于eemd和边际谱熵的绝缘子污秽放电模式识别方法 |
CN105974283A (zh) * | 2016-05-18 | 2016-09-28 | 东北电力大学 | 基于小波包生存指数奇异熵的电缆局放特征提取方法 |
CN106443379A (zh) * | 2016-09-22 | 2017-02-22 | 广州供电局有限公司 | 变压器局部放电故障类型的识别方法和装置 |
CN107153155A (zh) * | 2017-06-26 | 2017-09-12 | 广东电网有限责任公司珠海供电局 | 一种电缆局部放电信号特征向量提取方法 |
KR20180113366A (ko) * | 2017-04-06 | 2018-10-16 | 한국전기연구원 | 전력설비의 절연열화상태 측정장치 및 이를 위한 시험장치 |
-
2020
- 2020-03-05 CN CN202010146663.XA patent/CN111337798B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104237757A (zh) * | 2014-09-30 | 2014-12-24 | 武汉大学 | 基于eemd和边际谱熵的绝缘子污秽放电模式识别方法 |
CN105974283A (zh) * | 2016-05-18 | 2016-09-28 | 东北电力大学 | 基于小波包生存指数奇异熵的电缆局放特征提取方法 |
CN106443379A (zh) * | 2016-09-22 | 2017-02-22 | 广州供电局有限公司 | 变压器局部放电故障类型的识别方法和装置 |
KR20180113366A (ko) * | 2017-04-06 | 2018-10-16 | 한국전기연구원 | 전력설비의 절연열화상태 측정장치 및 이를 위한 시험장치 |
CN107153155A (zh) * | 2017-06-26 | 2017-09-12 | 广东电网有限责任公司珠海供电局 | 一种电缆局部放电信号特征向量提取方法 |
Non-Patent Citations (1)
Title |
---|
谢永涛: "电力变压器绝缘监测与局部放电故障诊断", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926620A (zh) * | 2021-01-21 | 2021-06-08 | 国网山东省电力公司检修公司 | 一种变压器套管局部放电的缺陷类型识别方法及系统 |
CN117849560A (zh) * | 2024-03-07 | 2024-04-09 | 南京中鑫智电科技有限公司 | 结合末屏电压和局部放电的阀侧套管绝缘监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111337798B (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hao et al. | Partial discharge source discrimination using a support vector machine | |
CN109829402B (zh) | 基于gs-svm的不同工况下轴承损伤程度诊断方法 | |
US10776232B2 (en) | Deep belief network feature extraction-based analogue circuit fault diagnosis method | |
CN112036301B (zh) | 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法 | |
Wen et al. | Maximal information coefficient-based two-stage feature selection method for railway condition monitoring | |
CN111337798B (zh) | 一种特高压换流变压器绝缘监测及局部放电故障诊断方法 | |
US11123018B2 (en) | Extracting a mother wavelet function for detecting epilleptic seizure | |
CN108693448B (zh) | 一种应用于电力设备局部放电模式识别系统 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN115758200A (zh) | 一种基于相似度度量的振动信号故障识别方法及系统 | |
Koley et al. | Wavelet-aided SVM tool for impulse fault identification in transformers | |
CN113805018A (zh) | 一种配电网10kV电缆局部放电故障类型智能识别方法 | |
CN114700587B (zh) | 一种基于模糊推理和边缘计算的漏焊缺陷实时检测方法及系统 | |
CN114118219A (zh) | 基于数据驱动的长期加电设备健康状态实时异常检测方法 | |
Dang et al. | A fault diagnosis method for one-dimensional vibration signal based on multiresolution tlsDMD and approximate entropy | |
CN112945556B (zh) | 一种基于小波包分解和优选剔除分类策略的轴承故障诊断方法 | |
CN114237046A (zh) | 一种基于sift数据特征提取算法与bp神经网络模型的局部放电模式识别方法 | |
Obeidat et al. | EEG based epilepsy diagnosis system using reconstruction phase space and naive Bayes classifier | |
CN113495193A (zh) | 一种基于多小波变换和聚类分析的故障诊断方法 | |
CN111025100A (zh) | 变压器特高频局部放电信号模式识别方法与装置 | |
Petladwala et al. | Canonical correlation based feature extraction with application to anomaly detection in electric appliances | |
Happe et al. | Advanced suppression of stochastic pulse shaped partial discharge disturbances | |
CN115310499A (zh) | 一种基于数据融合的工业设备故障诊断系统及方法 | |
Wang et al. | Time-frequency features extraction and classification of partial discharge UHF signals | |
CN112183297B (zh) | 一种超声相控阵信号稀疏特征提取方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |