CN112034253B - 一种moa在线监测方法 - Google Patents

一种moa在线监测方法 Download PDF

Info

Publication number
CN112034253B
CN112034253B CN202010997364.7A CN202010997364A CN112034253B CN 112034253 B CN112034253 B CN 112034253B CN 202010997364 A CN202010997364 A CN 202010997364A CN 112034253 B CN112034253 B CN 112034253B
Authority
CN
China
Prior art keywords
resistive current
moa
signal
frequency
signals
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.)
Active
Application number
CN202010997364.7A
Other languages
English (en)
Other versions
CN112034253A (zh
Inventor
陈敏维
阮莹
叶行汶
王星
舒勤
徐方维
邓明锋
廉彦超
赖永华
连鸿松
傅智为
刘旭
朱宇坤
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.)
Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd
State Grid Fujian Electric Power Co Ltd
Original Assignee
Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd
State Grid Fujian Electric Power 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 Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd, State Grid Fujian Electric Power Co Ltd filed Critical Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd
Priority to CN202010997364.7A priority Critical patent/CN112034253B/zh
Publication of CN112034253A publication Critical patent/CN112034253A/zh
Application granted granted Critical
Publication of CN112034253B publication Critical patent/CN112034253B/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
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)

Abstract

本发明涉及一种MOA在线监测方法，包括步骤：对待测信号进行分析，确定小波包变换的最佳分解层数和最优小波基；对采集的MOA阻性电流信号采用EMD分解为多个模态分量，并根据FFT频谱图选出含特征频率的模态分量，将选出的模态分量进行WPT分解为多个最多含有一个有用特征频率的子信号，采用SVD提取各个子信号中的特征频率；将提取到的特征频率信号进行重构，得到阻性电流信号的高频周期成分；从阻性电流实测信号中消去高频周期成分，使用指数加权平均算法得到能反映MOA绝缘状态的阻性电流趋势分量。本发明计算结果更加准确，处理结果能够满足实际工程测量的要求。

Description

一种MOA在线监测方法
技术领域
本发明涉及MOA在线监测技术领域，特别是一种MOA在线监测方法。
背景技术
MOA的保护能力或者说是否运行正常，主要取决于氧化锌阀片性能，而阀片性能的优劣在一定程度上可以由泄漏电流特别是其中的阻性电流反映，阻性电流峰值由包括基波在内的各奇次谐波叠加而成。阻性电流属于微弱信号，其实测数据必然含有多种强干扰成分，主要包括环境因素、高频噪声、白噪声和随即脉冲干扰。因此，去除各种噪声干扰，提取其中能真实反映避雷器性能劣化状态的阻性电流变化趋势，才能对MOA运行状况进行在线监测。
目前MOA阻性电流去干扰的方法主要有包括形态学滤波、自适应数字滤波法、小波阈值去噪、经验模态分解、固有时间尺度分解等。这些方法都在一定程度上消除了MOA泄露电流噪声影响，但仍然无法达到实际工程的需求。
发明内容
有鉴于此，本发明的目的是提出一种MOA在线监测方法，其计算结果更加准确，处理结果能够满足实际工程测量的要求。
本发明采用以下方案实现：一种MOA在线监测方法，具体包括以下步骤：
对待测信号进行分析，确定小波包变换的最佳分解层数和最优小波基；
对采集的MOA阻性电流信号采用EMD分解为多个模态分量，并根据FFT频谱图选出含特征频率的模态分量，将选出的模态分量进行WPT分解为多个最多含有一个有用特征频率的子信号，采用SVD提取各个子信号中的特征频率；将提取到的特征频率信号进行重构，得到阻性电流信号的高频周期成分；
从阻性电流实测信号中消去高频周期成分，使用指数加权平均算法得到能反映MOA绝缘状态的阻性电流趋势分量。
进一步地，所述小波包变换的最佳分解层数的确定具体为：确定最优分解层数l采用下式：
Figure BDA0002693050650000021
式中，fs为阻性电流信号的采样频率，f为阻性电流基波频率。
进一步地，所述最优小波基的确定具体为：选取的最优小波基为db33小波基。
进一步地，所述将提取到的特征频率信号进行重构，得到阻性电流信号的高频周期成分。具体为：将所有提取到的特征频率信号相加，组成阻性电流信号的高频周期成分。
进一步地，所述从阻性电流实测信号中消去高频周期成分，使用指数加权平均算法得到能反映MOA绝缘状态的阻性电流趋势分量具体为：
从MOA阻性电流的实测信号中消去已提取的阻性电流信号的高频周期分量，再采用指数加权平均算法对信号进行平滑，得到能真实反映MOA绝缘状态的阻性电流变化趋势，再采用指数加权平均算法对信号进行平滑的公式如下：
Figure BDA0002693050650000022
其中，
α＝(β-1)/β；
式中，α为可调节的权值参数，yt为第t个点的实际值，vt为第t个点的加权估计值，代表的是以历史β个点做平均，N表示采样点数。
与现有技术相比，本发明有以下有益效果：本发明的EMD-WPT-SVD方法从理论方法角度解决了WPT中模态混淆、分解层数和最有小波基的三个难题，从工程角度实现了MOA阻性电流实测数据中白噪声、高频噪声和随机脉冲干扰得消除，解决了MOA真实绝缘状态难以准确判断的难题。同时，本发明的计算结果更加准确、高效，处理结果满足实际工程测量的要求，可实现MOA绝缘状态的的在线监测。
附图说明
图1为本发明实施例的方法流程图。
图2为本发明实施例1的数据图。其中(a)为实测数据，(b)为采用本发明方法处理后的数据。
图3为本发明实施例2的数据图。其中(a)为实测数据，(b)为采用本发明方法处理后的数据。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示，本实施例提供了一种MOA在线监测方法，具体包括以下步骤：
对待测信号进行分析，确定小波包变换的最佳分解层数和最优小波基；
对采集的MOA阻性电流信号采用EMD分解为多个模态分量，并根据FFT频谱图选出含特征频率的模态分量，将选出的模态分量进行WPT分解为多个最多含有一个有用特征频率的子信号，采用SVD提取各个子信号中的特征频率；将提取到的特征频率信号进行重构，得到阻性电流信号的高频周期成分；
从阻性电流实测信号中消去高频周期成分，使用指数加权平均算法得到能反映MOA绝缘状态的阻性电流趋势分量。
在本实施例中，小波包分解是将每一层的所有细分层一分为二，把信号分解为低频和高频，其中第i层有2i个细分层，而随着分解层数越大，频域分辨率在增大的同时，时域分辨率越来越小，因此无限制的小波包分解并不益于信号的分析。小波包分解每一个子频带的长度Δf满足如下关系式：
Figure BDA0002693050650000041
在实施例在保证时域分辨率较高的同时，确定最优分解层数l采用下式：
Figure BDA0002693050650000051
式中，fs为阻性电流信号的采样频率，f为阻性电流基波频率。
在本实施例中，所述最优小波基的确定。具体为：以分解耗时和公式(3)计算的误差率为指标，用多组实验为例进行验证，结果均表明，db33小波基分解基波频率为50Hz的阻性电流耗时最短，分解误差率最小。
Figure BDA0002693050650000052
在本实施例中，所述将提取到的特征频率信号进行重构，得到阻性电流信号的高频周期成分。具体为：将所有提取到的特征频率信号相加，组成阻性电流信号的高频周期成分。
在本实施例中，所述从阻性电流实测信号中消去高频周期成分，使用指数加权平均算法得到能反映MOA绝缘状态的阻性电流趋势分量具体为：
从MOA阻性电流的实测信号中消去已提取的阻性电流信号的高频周期分量，再采用指数加权平均算法对信号进行平滑，得到能真实反映MOA绝缘状态的阻性电流变化趋势，再采用指数加权平均算法对信号进行平滑的公式如下：
Figure BDA0002693050650000053
α＝(β-1)/β (5)
式中，其中，α为可调节的权值参数，yt为第t个点的实际值，vt为第t个点的加权估计值，代表的是以历史β个点做平均，N表示采样点数。
接下来本实施例以两个具体的实例进行说明。
实施例1。
采集到某110kV变电站一年内MOA阻性电流的数据，采样频率fs是1200Hz，采样点数8760个，采样间隔为1个小时，如图2中的(a)所示。阻性电流基波频率f为50Hz，用公式(2)计算得小波包变换的最佳分解层数应满足3.585≤l≤4.585，故分解层数l该取4层，分解子信号个数为24＝16，由公式(1)得到每个子信号的频率长度Δf＝37.5HZ，能完全分离50Hz间隔的阻性电流信号。经过指数加权平均的阻性电流数据可以真实反映MOA的绝缘状态，其处理结果如图2中的(b)所示。图示2(b)阻性电流没有较大波动，说明该避雷器说明该MOA性能良好。
实施例2。
采集到另一处某110KV变电站一年内MOA阻性电流的数据，采样频率是1200Hz，采样点数8760个，每一小时采样采样间隔，如图3中的(a)所示。采样频率和电流基波频率同上，故同上例分解为4层。经过指数加权平均的阻性电流数据可以真实反映MOA的绝缘状态，其处理结果如图3中的(b)所示，图示3(b)说明MOA性能良好，但阻性电流有缓慢增加的趋势，应该引起一定的注意。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (3)

1.一种MOA在线监测方法，其特征在于，包括以下步骤：
对待测信号进行分析，确定小波包变换的分解层数和小波基；
对采集的MOA阻性电流信号采用经验模态分解EMD分解为多个模态分量，并根据FFT频谱图选出含特征频率的模态分量，将选出的模态分量进行无线电能传输WPT分解为多个最多含有一个有用特征频率的子信号，采用奇异值分解SVD提取各个子信号中的特征频率；将提取到的特征频率信号进行重构，得到阻性电流信号的高频周期成分；
从阻性电流实测信号中消去高频周期成分，使用指数加权平均算法得到能反映MOA绝缘状态的阻性电流趋势分量；
所述小波包变换的分解层数的确定具体为：确定分解层数l采用下式：
Figure FDA0003597302510000011
式中，fs为阻性电流信号的采样频率，f为阻性电流基波频率；
所述小波基的确定具体为：选取的小波基为db33小波基。
2.根据权利要求1所述的一种MOA在线监测方法，其特征在于，所述将提取到的特征频率信号进行重构，得到阻性电流信号的高频周期成分具体为：将所有提取到的特征频率信号相加，组成阻性电流信号的高频周期成分。
3.根据权利要求1所述的一种MOA在线监测方法，其特征在于，所述从阻性电流实测信号中消去高频周期成分，使用指数加权平均算法得到能反映MOA绝缘状态的阻性电流趋势分量，具体为：
从MOA阻性电流的实测信号中消去已提取的阻性电流信号的高频周期分量，再采用指数加权平均算法对信号进行平滑，得到能真实反映MOA绝缘状态的阻性电流变化趋势，再采用指数加权平均算法对信号进行平滑的公式如下：
Figure FDA0003597302510000021
其中，
α＝(β-1)/β；
式中，α为可调节的权值参数，yt为第t个点的实际值，vt为第t个点的加权估计值，vt代表的是以历史β个点做平均，N表示采样点数。
CN202010997364.7A 2020-09-21 2020-09-21 一种moa在线监测方法 Active CN112034253B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010997364.7A CN112034253B (zh) 2020-09-21 2020-09-21 一种moa在线监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010997364.7A CN112034253B (zh) 2020-09-21 2020-09-21 一种moa在线监测方法

Publications (2)

Publication Number Publication Date
CN112034253A CN112034253A (zh) 2020-12-04
CN112034253B true CN112034253B (zh) 2022-06-07

Family

ID=73574731

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010997364.7A Active CN112034253B (zh) 2020-09-21 2020-09-21 一种moa在线监测方法

Country Status (1)

Country Link
CN (1) CN112034253B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2551685A1 (en) * 2011-07-25 2013-01-30 Fundació CTM Centre Tecnològic Diagnostic system and method for failures in electromechanical actuators
CN107679445A (zh) * 2017-08-14 2018-02-09 南京理工大学 一种基于小波包能量熵的避雷器老化故障诊断方法
CN109376897A (zh) * 2018-08-29 2019-02-22 广东工业大学 一种基于混合算法的短期风电功率预测方法
CN110672327A (zh) * 2019-10-09 2020-01-10 西南交通大学 一种基于多层降噪技术的异步电机轴承故障诊断方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106066437B (zh) * 2016-07-08 2018-11-23 南京信息工程大学 一种金属氧化物避雷器在线监测装置及其监测方法
CN106646034B (zh) * 2016-11-28 2019-04-05 电子科技大学 一种避雷器结构健康在线监测分析系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2551685A1 (en) * 2011-07-25 2013-01-30 Fundació CTM Centre Tecnològic Diagnostic system and method for failures in electromechanical actuators
CN107679445A (zh) * 2017-08-14 2018-02-09 南京理工大学 一种基于小波包能量熵的避雷器老化故障诊断方法
CN109376897A (zh) * 2018-08-29 2019-02-22 广东工业大学 一种基于混合算法的短期风电功率预测方法
CN110672327A (zh) * 2019-10-09 2020-01-10 西南交通大学 一种基于多层降噪技术的异步电机轴承故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"基于EMD-SVD与PNN的行星齿轮箱故障诊断研究";张安安等;《机械传动》;20181215;第42卷(第12期);第160-165页 *
基于CEEMD和小波包阈值的组合降噪及泄流结构的模态识别方法;胡剑超等;《振动与冲击》;20170915(第17期);第9-17页 *

Also Published As

Publication number Publication date
CN112034253A (zh) 2020-12-04

Similar Documents

Publication Publication Date Title
Song et al. Second generation wavelet transform for data denoising in PD measurement
CN108845250B (zh) 基于振动信号特征提取的有载分接开关故障识别方法
Chan et al. Self-adaptive partial discharge signal de-noising based on ensemble empirical mode decomposition and automatic morphological thresholding
CN108985179B (zh) 一种基于改进小波阈值函数的电能质量信号去噪方法
US11255922B2 (en) Real-time detection of high-impedance faults
Seo et al. Probabilistic wavelet transform for partial discharge measurement of transformer
CN103424183B (zh) 机械振动信号检测异常干扰消除方法
CN103163050B (zh) 一种基于电磁感应信号的润滑油系统金属磨粒检测方法
CN111769810B (zh) 一种基于能量峭度谱的流体机械调制频率提取方法
CN114492538A (zh) 一种城市中压配电电缆局部放电信号去噪方法
CN111046791A (zh) 一种基于含可变因子广义s变换的电流信号滤波去噪方法
CN111553308A (zh) 一种电力变压器局部放电信号的重构方法
CN112034253B (zh) 一种moa在线监测方法
Lin et al. Partial discharge signal extracting using the empirical mode decomposition with wavelet transform
Xu et al. Rolling bearing fault feature extraction via improved SSD and a singular-value energy autocorrelation coefficient spectrum
CN110780162B (zh) 一二次融合配电开关局部放电信号提取方法及检测装置
CN108020761B (zh) 一种局部放电去噪方法
CN110287853B (zh) 一种基于小波分解的暂态信号去噪方法
CN110112757B (zh) 基于sure小波消噪和改进hht的低频振荡分析方法
CN112034252B (zh) 一种moa阻性电流提取方法
Hang et al. Extraction of partial discharge signals using wavelet transform
CN115061018A (zh) 一种高压开关柜局部放电监测方法
Abd Rahman et al. Construction of finite impulse wavelet filter for partial discharge localisation inside a transformer winding
CN112485616A (zh) 电缆绝缘老化检测方法、装置、存储介质及处理器
Hu et al. A new technique for extracting partial discharge signals in on-line monitoring with wavelet analysis

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