CN111999382A - 一种考虑绝缘老化的电缆局部放电特征参数提取方法 - Google Patents

Abstract

本发明提供了一种考虑绝缘老化的电缆局部放电特征参数提取方法，所述方法包括如下步骤：1.对具备典型电力电缆绝缘缺陷的样品进行局部放电试验，以试验发生击穿为终止，采集长时间的局部放电序列；2.将所采集的局部放电序列按电缆老化程度分为n个阶段。对于每个阶段，利用所获取数据绘制PRPD频域谱图，并提取谱图多种特征量；3.利用双向循环神经网络构建缺陷识别模型，以不同缺陷的多阶段多种类的特征参数作为网络输入量训练网络。4.使用网络识别功能，将测试结果特征量作为输入量输入网络，得到识别结果。本发明通过对局部放电老化影响进行分阶段考虑，通过对各阶段进行特征参量提取，构建BPNN神经网络，将所获取的局放数据进行训练迭代，得到较为准确的识别效果。

Description

一种考虑绝缘老化的电缆局部放电特征参数提取方法

技术领域

本发明涉及配电设备局部放电技术领域，尤其是一种考虑绝缘老化的电缆局部放电特征参数提取方法。

背景技术

交联聚乙烯(Cross-linked polyethylene,XLPE)绝缘电力电缆在输电领域有着广泛的应用。由在电缆制造、附件现场敷设安装过程中残留的微水、运行过程中外力破坏导致环境中水分逐渐侵入或者长期受潮而引起绝缘老化，并在电缆运行过程中不断生长和移动，最终发展成为气隙而致使绝缘层击穿，导致电缆事故发生。局部放电现象会造成电缆设备的绝缘破坏，但同时也包含了故障处的缺陷类型信息，因此局部放电测量被认为是检测和识别XLPE电缆绝缘缺陷的有效手段。

发明内容

本发明的目的是提供一种考虑到电力电缆在使用过程中，由于加压时间的增加，导致电缆绝缘的老化效应逐渐严重。不同老化阶段的所发生的局部放电必然存在一定的差异的绝缘老化的电缆局部放电特征参数提取方法，以克服现有技术的不足。

为了实现上述目的，本发明所采用的技术方案是：

一种考虑绝缘老化的电缆局部放电特征参数提取方法，所述方法包括如下步骤：

(1)对具备典型电力电缆绝缘缺陷的样品进行局部放电试验，以试验发生击穿为终止，采集长时间的局部放电序列；

(2)将所采集的局部放电序列按电缆老化程度分为n个阶段。对于每个阶段，利用所获取数据绘制频域谱图，并提取谱图多种特征量；

(3)利用双向循环神经网络构建缺陷识别模型，以不同缺陷的多阶段多种类的特征参数作为网络输入量训练网络。

(4)使用网络识别功能，将测试结果特征量作为输入量输入网络，得到识别结果。

进一步的，所述步骤(1)中具备典型电力电缆绝缘缺陷是指在电力系统运行过程中，由于电力电缆绝缘的加工、运输、安装等操作产生的电缆绝缘缺陷。可包括电缆内半导电层破损、绝缘内部气隙、绝缘表面划伤、外半导电层爬电等缺陷类型。

进一步的，所述步骤(2)，由每个阶段的局部放电数据均可以绘制得到一组特征图谱。因此，对于每组局部放电序列可以得到n个特征图谱，分别对应于局部放电的n个阶段。整个局部放电过程并不稳定，呈现出了明显的阶段性变化。在每个阶段下，局部放电所表现出的特性则较为一致，以此为依据，可以将局部放电序列划分为P1～Pn的n个阶段。

选择偏度Sk，峭度Ku，相关系数CC，峰值Pks等统计算子对四类分布关系进行描述。

其中：

1).偏度Sk，用来描述形状的分布对比于正态分布形状的偏斜程度。其定义为：

其中：N为窗口总个数；x_i为第i个窗口的位置；△x为窗口宽度，μ为中心距，p_i为第i个窗口的线性系数，σ为标准差，下同。

2).峭度Ku，用来描述形状的分布对比与正态分布形状的突起程度。其定义为：

其中的参数定义与偏度一致。

3.相关系数CC，用于描述H(n,q,△t)三维图谱在q-△t平面上投影的差异，其定义为：

其中：q_i ^suc和q_i ^pre分别是窗口i中的放电统计量，上标“suc”、“pre”分别代表着关于前次和后次放电；W为q-△t平面上投影内的窗口个数。

4.峰值Pks，用于描述局部放电序列中的最大放电量，其定义为：

Pks＝max[s(q)]

其中：q为序列中某次局部放电的放电量；s(q)表示一组局部放电序列。

对于局部放电相位分布(phase resolved partial discharge,PRPD)频域谱图而言，其特征量还可包括φ-u和φ-n谱图的相位不对称度Φ、相位密度p等。

进一步的，对于步骤(3)中神经网络，其具体为双向循环神经网络(Bi-directional recurrent neural networks,BRNN)构建缺陷识别模型，该算法是一种单向循环神经网络(recurrent neural networks,RNN)算法拓展得到的新型神经网络形式。与单向RNN算法仅关注数据前向传输不同，BRNN结构则由两个方向相反的RNN构成，BRNN算法允许网络内部循环连接，而这些重复的连接允许先前输入的“内存”保持在网络的内部状态，从而影响网络的输出，因此能够实现信息流的反向传播，即同时关注前后次输入对网络的影响。由于这一优异的特性，BRNN算法在自然语言处理、语音识别和手写识别中得到了广泛的应用。

为了将完成阶段划分后的特征图谱应用于BRNN模型当中，将特征图谱中的特征参数分别记录为v₁,v₂,…,v_k。如上所述，PD序列按照不同老化阶段的局部放电特征被划分为n个阶段，因此将这n个部分作为一组完整的数据包来进行故障类型识别。这样的一组数据包可以记录为：

V_ij＝{v₁,v₂,...|(F_i,P_j)}

其中F_i为缺陷类型，P_j为老化阶段，故i∈{1,2,3,4}，j∈{1,2,3…n}。

对于前向传播部分的RNN网络，隐藏层的激活参数由当前外部输入和前次隐藏层激活参数共同输入得到，后者包含了之前所有输入网络当中留下的“记忆”数据。

进一步的，对于步骤(4)中识别功能，将测试结果特征量作为输入量输入识别网络模型，输出识别结果。

从以上技术方案可以看出本发明具有以下优点：

本发明通过对局部放电老化影响进行分阶段考虑，通过对各阶段进行特征参量提取，构建反向传播神经网络(back propagation neural network,BPNN)，将所获取的局放数据进行训练迭代，得到较为准确的识别效果。

附图说明

图1为本发明的流程图

具体实施方法

本发明所要解决的技术问题在于，提供一种考虑绝缘老化的电缆局部放电特征参数提取方法。考虑到电力电缆在使用过程中，由于加压时间的增加，导致电缆绝缘的老化效应逐渐严重。不同老化阶段的所发生的局部放电必然存在一定的差异。

所提供的提供一种考虑绝缘老化的电缆局部放电特征参数提取方法其使用包括如下步骤：

(1)对具备典型电力电缆绝缘缺陷的样品进行局部放电试验，以试验发生击穿为终止，采集长时间的局部放电序列；

(2)将所采集的局部放电序列按电缆老化程度可分为n个阶段。对于每个阶段，利用所获取数据绘制PRPD频域谱图，并提取谱图多种特征量，此实例中n＝5；

(3)利用双向循环神经网络构建缺陷识别模型，以不同缺陷的多阶段多种类的特征参数作为网络输入量训练网络，BPNN算法流程如图1所示

(4)使用网络识别功能，将测试结果特征量作为输入量输入网络，得到识别结果。

进一步的，所述步骤(1)中具备典型电力电缆绝缘缺陷是指在电力系统运行过程中，由于电力电缆绝缘的加工、运输、安装等操作产生的电缆绝缘缺陷。本实例中包括的缺陷种类有：电缆内半导电层破损、绝缘内部气隙、绝缘表面划伤、外半导电层爬电。对四种缺陷进行局部放电老化试验，采集实验数据。

进一步的，所述步骤(2)，由每个阶段的局部放电数据均可以绘制得到一组特征图谱。因此，对于每组局部放电序列可以得到5个特征图谱，分别对应于局部放电的5个阶段。整个局部放电过程并不稳定，呈现出了明显的阶段性变化。在每个阶段下，局部放电所表现出的特性则较为一致，以此为依据，可以将局部放电序列划分为P1～P5的5个阶段。

设置试验电压为-23.6kV，试验持续8.5小时。该缺陷类型下P1阶段持续72min，局部放电处于起始阶段，低能量放电较为密集，600～900pC的局部放电占到61％，放电重复率N＝431次/min。P2阶段持续时间为153min，这一阶段下局部放电继续发展，900pC以下放电的比例明显压缩，仅占据整个阶段放电数量的45％，300pC以下的低能量放电几乎消失，900pC以上的高能量放电占据了主要位置，放电重复率N＝402次/min。P3持续133min，这一过程中900pC以下放电数量进一步降低，占到总量的38％，其中300～600pC的放电比例由P2的17.8％下降至9.5％，900pC以上高能放电的比例由53％上升至62.7％。P4阶段时长93min，此阶段下900pC以上放电量比例为61％，与上一阶段基本保持不变。300～600pC和600～900pC范围的局部放电比例也与上一阶段基本一致，分别为6.7％和31％。而300pC以下的低能量放电比例重新上升至1.3％。P4阶段放电重复率N＝459次/min。P5阶段持续了59min，这一过程中的局部放电能级与频率均发生明显升高，放电重复率N＝505次/min。

选择偏度Sk，峭度Ku，相关系数CC，峰值Pks等统计算子对四类分布关系进行描述。

其中：

1).偏度Sk，用来描述形状的分布对比于正态分布形状的偏斜程度。其定义为：

其中：N为窗口总个数；x_i为第i个窗口的位置；△x为窗口宽度，μ为中心距，p_i为第i个窗口的线性系数，σ为标准差，下同。

2).峭度Ku，用来描述形状的分布对比与正态分布形状的突起程度。其定义为：

其中的参数定义与偏度一致。

3.相关系数CC，用于描述H(n,q,△t)三维图谱在q-△t平面上投影的差异，其定义为：

其中：q_i ^suc和q_i ^pre分别是窗口i中的放电统计量，上标“suc”、“pre”分别代表着关于前次和后次放电；W为q-△t平面上投影内的窗口个数。

4.峰值Pks，用于描述局部放电序列中的最大放电量，其定义为：

Pks＝max[s(q)]

其中：q为序列中某次局部放电的放电量；s(q)表示一组局部放电序列。

对于PRPD频域谱图而言，其特征量还可包括φ-u和φ-n谱图的相位不对称度Φ、相位密度p等。

下表展示了老化过程中的某组特征量具体数值：

进一步的，对于步骤(3)中神经网络，其具体为双向循环神经网络构建缺陷识别模型，该算法是一种单向RNN算法拓展得到的新型神经网络形式。与单向RNN算法仅关注数据前向传输不同，BRNN结构则由两个方向相反的RNN构成，BRNN算法允许网络内部循环连接，而这些重复的连接允许先前输入的“内存”保持在网络的内部状态，从而影响网络的输出，因此能够实现信息流的反向传播，即同时关注前后次输入对网络的影响。由于这一优异的特性，BRNN算法在自然语言处理、语音识别和手写识别中得到了广泛的应用。

为了将完成阶段划分后的特征图谱应用于BRNN模型当中，将特征图谱中的特征参数分别记录为v₁,v₂,…,v_k。如上所述，PD序列按照不同老化阶段的局部放电特征被划分为5个阶段，因此将这5个部分作为一组完整的数据包来进行故障类型识别。这样的一组数据包可以记录为：

V_ij＝{v₁,v₂,...|(F_i,P_j)}

其中F_i为缺陷类型，P_j为老化阶段，故i∈{1,2,3,4}，j∈{1,2,3,4,5}。

对于前向传播部分的RNN网络，隐藏层的激活参数由当前外部输入和前次隐藏层激活参数共同输入得到，后者包含了之前所有输入网络当中留下的“记忆”数据。

进一步的，对于步骤(4)中识别功能，在绝缘老化条件下使用四种缺陷模型开展局部放电试验，共计算得到12000组局部放电特征参数，其中F1～F4缺陷分别包含3000组。将测试结果特征量作为输入量输入识别网络模型，输出识别率分别为92.13％、98.43％、92.45％和95.45％。

Claims (4)

1.一种考虑绝缘老化的电缆局部放电特征参数提取方法，其特征在于，所述提取方法包括如下步骤：

(1)对具备典型电力电缆绝缘缺陷的样品进行局部放电试验，以试验发生击穿为终止，采集长时间的局部放电序列；

(2)将所采集的局部放电序列按电缆老化程度可分为n个阶段。对于每个阶段，利用所获取数据绘制PRPD频域谱图，并提取谱图多种特征量；

(3)利用双向循环神经网络构建缺陷识别模型，以不同缺陷的多阶段多种类的特征参数作为网络输入量训练网络。

(4)使用网络识别功能得到识别结果。

2.根据权利要求1所述的考虑绝缘老化的电缆局部放电特征参数提取方法，其特征在于，所述步骤(1)中，具备典型电力电缆绝缘缺陷是指在电力系统运行过程中，由于电力电缆绝缘的加工、运输、安装等操作产生的电缆绝缘缺陷，所述电缆绝缘缺陷包括电缆内半导电层破损、绝缘内部气隙、绝缘表面划伤以及外半导电层爬电缺陷类型。

3.根据权利要求1所述的考虑绝缘老化的电缆局部放电特征参数提取方法，其特征在于，其特征在于，所述步骤(2)中由每个阶段的局部放电数据均可以绘制得到一组特征图谱，因此，对于每组局部放电序列可以得到n个特征图谱，分别对应于局部放电的n个阶段，整个局部放电过程并不稳定，呈现出了明显的阶段性变化。在每个阶段下，局部放电所表现出的特性则较为一致，以此为依据，将局部放电序列划分为P1～Pn的n个阶段；

选择偏度Sk，峭度Ku，相关系数CC，峰值Pks统计算子对四类分布关系进行描述。

其中：

1).偏度Sk，用来描述形状的分布对比于正态分布形状的偏斜程度。其定义为：

其中：N为窗口总个数；x_i为第i个窗口的位置；△x为窗口宽度，μ为中心距，p_i为第i个窗口的线性系数，σ为标准差；

2).峭度Ku，用来描述形状的分布对比与正态分布形状的突起程度，其定义为：

3).相关系数CC，用于描述H(n,q,△t)三维图谱在q-△t平面上投影的差异，其定义为：

其中：

和

分别是窗口i中的放电统计量，上标“suc”、“pre”分别代表着关于前次和后次放电；W为q-△t平面上投影内的窗口个数；

4).峰值Pks，用于描述局部放电序列中的最大放电量，其定义为：

Pks＝max[s(q)]

其中：q为序列中某次局部放电的放电量；s(q)表示一组局部放电序列，

对于PRPD频域谱图而言，其特征量还包括

和

谱图的相位不对称度Φ、相位密度p；

所述步骤(3)中的神经网络为双向循环神经网络构建缺陷识别模型，；将特征图谱中的特征参数分别记录为v₁,v₂,…,v_k，PD序列按照不同老化阶段的局部放电特征被划分为n个阶段，因此将这n个部分作为一组完整的数据包来进行故障类型识别。这样的一组数据包可以记录为：

V_ij＝{v₁,v₂,...|(F_i,P_j)}

其中F_i为缺陷类型，P_j为老化阶段，故i∈{1,2,3,4}，j∈{1,2,3…n}；

对于前向传播部分的RNN网络，隐藏层的激活参数由当前外部输入和前次隐藏层激活参数共同输入得到，后者包含了之前所有输入网络当中留下的“记忆”数据。

4.根据权利要求1所述的考虑绝缘老化的电缆局部放电特征参数提取方法，其特征在于，其特征在于，所述步骤(4)中使用网络的识别功能，将测试结果特征量作为输入量输入识别网络模型，输出识别结果。

Images