XLPE电力电缆典型缺陷局部放电类型识别系统及方法
技术领域
本发明涉及配电设备局部放电技术领域,具体地指一种XLPE电力电缆典型缺陷局部放电类型识别系统及方法。
技术背景
交联聚乙烯(Cross-linked polyethylene,XLPE)绝缘电力电缆在柔性直流输电领域有着广泛的应用。由于XLPE电缆的制造与安装工艺相对复杂,且运行环境也较为严苛,因此往往会在电缆不同位置处产生不同类型的绝缘缺陷。缺陷位置处的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。随着直流电缆线路电压等级和输送容量的不断提高,直流XLPE电缆故障的局部放电特征与识别的相关研究已成为十分必要且迫切的问题。传统XLPE电力电缆局部放电识别技术是基于可训练的BP神经收敛网络,通过样本训练与测试得到的,此时的神经网络迭代效率低下,收敛概率受样本数据的制约较大,识别准确率欠佳。
发明内容
本发明的目的就是要提供一种XLPE电力电缆典型缺陷局部放电类型识别系统及方法,本发明能够提高XLPE电力电缆局部放电类型识别的准确率和收敛速度。
为实现此目的,本发明所设计的XLPE电力电缆典型缺陷局部放电类型识别系统,其特征在于:它包括数据模块、特征量提取模块、训练模块和识别模块,其中,数据模块用于将利用多种局部放电测量方法所测得的典型XLPE电力电缆局部放电数据进行权重拟合,所述局部放电数据为发电量和对应相位,将所获取的局部放电数据叠加,通过放电筛选程序获得局部放电脉冲信号;
特征量提取模块用于利用局部放电脉冲信号绘制基于时间的分析模式时域谱图(TRPD,Time Resolved Partial Discharge)与基于相位分析模式频域谱图(PRPD,PhaseResolved Partial Discharge),并提取基于时间的分析模式时域谱图与基于相位分析模式频域谱图中所需的特征量,对所得特征量进行权重判定,将特征量进行迭代计算并以特征量权重对应的识别效率为适应度函数,淘汰掉权重小于阈值的特征量参数,得到筛选过后的特征量;
所述训练模块将筛选过后的特征量进行数据归一化并设置BP神经网络训练组,将归一化后的特征量通过受限于最大下降梯度原则,并结合正则化算法构建梯度收敛网络平台,当满足预设的收敛精度后输出BP神经网络;
所述识别模块用于将数据模块获得局部放电脉冲信号输入BP神经网络,得到对应每一种电力电缆典型缺陷类型的识别准确率。
一种XLPE电力电缆典型缺陷局部放电类型识别方法,其特征在于,它包括如下步骤:
步骤1:数据模块将利用多种局部放电测量方法所测得的典型XLPE电力电缆局部放电数据进行权重拟合,所述局部放电数据为发电量和对应相位,将所获取的局部放电数据叠加,通过放电筛选程序获得局部放电脉冲信号;
步骤2:特征量提取模块利用局部放电脉冲信号绘制基于时间的分析模式时域谱图与基于相位分析模式频域谱图,并提取基于时间的分析模式时域谱图与基于相位分析模式频域谱图中所需的特征量,对所得特征量进行权重判定,将特征量进行迭代计算并以特征量权重对应的识别效率为适应度函数,淘汰掉权重小于阈值的特征量参数,得到筛选过后的特征量;
步骤3:训练模块将筛选过后的特征量进行数据归一化并设置BP神经网络训练组,将归一化后的特征量通过受限于最大下降梯度原则,并结合正则化算法构建梯度收敛网络平台,当满足预设的收敛精度后输出BP神经网络;
步骤4:所述识别模块用于将数据模块获得局部放电脉冲信号输入BP神经网络,得到对应每一种电力电缆典型缺陷类型的识别准确率。
本发明通过对多种方法测量的局部放电数据进行权重拟合,将所获取的局放数据叠加,考虑多种方法带来的影响;利用所获取数据绘制谱图,并提取谱图多种特征量,对所得特征量进行权重判定,淘汰掉权重过低的特征量参数,提高了收敛速度。通过受限于最大下降梯度原则与regularization算法构建梯度收敛网络平台,得到识别结果,提高了识别效率和识别准确率。
附图说明
图1为本发明的结构示意图。
图2为本发明的逻辑流程图。
图中,1—数据模块、2—特征量提取模块、3—训练模块、4—识别模块。
具体实施方式
以下结合附图和具体实施例对本发明作进一步的详细说明:
一种XLPE电力电缆典型缺陷局部放电类型识别系统,如图1和2所示,它包括数据模块1、特征量提取模块2、训练模块3和识别模块4,其中,数据模块1用于将利用多种局部放电测量方法所测得的典型XLPE电力电缆局部放电数据进行权重拟合,所述局部放电数据为发电量和对应相位,将所获取的局部放电数据叠加,通过放电筛选程序获得局部放电脉冲信号;
所述特征量提取模块2用于利用局部放电脉冲信号绘制基于时间的分析模式时域谱图与基于相位分析模式频域谱图,并提取基于时间的分析模式时域谱图与基于相位分析模式频域谱图中所需的特征量,对所得特征量进行权重判定,将特征量进行迭代计算并以特征量权重对应的识别效率为适应度函数,淘汰掉权重小于阈值的特征量参数,得到筛选过后的特征量;
所述训练模块3将筛选过后的特征量进行数据归一化并设置BP神经网络训练组(训练组是从原始数据中随机提取的一部分,约70%),将归一化后的特征量通过受限于最大下降梯度原则,并结合正则化算法构建梯度收敛网络平台,当满足预设的收敛精度(10^-6)后输出BP神经网络;
所述识别模块3用于将数据模块1获得局部放电脉冲信号输入BP神经网络,得到对应每一种电力电缆典型缺陷类型的识别准确率,数值越高表明识别效果越好,准确率越高。
上述技术方案中,数据模块1用于将利用多种局部放电测量方法所测得的典型XLPE电力电缆局部放电数据进行权重拟合,拟合后的结果为:
其中,xi和γi分别第i种方法所测得的局部放电数据与权重,x是重新拟合后的电力电缆局部放电数据,n代表总放电次数,即数据点数。
上述技术方案中,特征量包括局部放电量峰值Pks、放电幅值的均值Y、放电量相关系数CC、放电量方差S、放电量偏度Sk、放电量峭度Ku;
所述局部放电量峰值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;
所述放电幅值的均值Y表示放电幅值的均值大小,其定义为:
其中,qi为第i次放电量,n为放电总次数;
所述放电量相关系数CC,用于描述基于时间的分析模式时域谱图或基于相位分析模式频域谱图中放电量的差异,其定义为:
其中:qi suc表示基于时间的分析模式时域谱图或基于相位分析模式频域谱图中第i次放电的前一次放电的放电统计量,qi pre表示基于时间的分析模式时域谱图或基于相位分析模式频域谱图中第i次放电的后一次放电的放电统计量,n为放电总次数;
所述放电量方差S,定义为:
所述放电量偏度Sk用来描述基于时间的分析模式时域谱图或基于相位分析模式频域谱图形状的分布对比于标准正态分布形状的偏斜程度,其定义为:
其中:
为第i个窗口的位置,μ为中心矩;
为窗口宽度,σ为放电量标准差,p
i为第i个局放数据对应的线性系数;
放电量峭度Ku,峭度用来描述形状的分布对比与正态分布形状的突起程度,定义为:
对于TRPD时域谱图而言,其特征量还包括上升时间t
u、下降时间t
d、脉冲时间t
p、脉冲宽度m、极值个数n等;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等。
获取特征量后,所提到的特征量提取模块将对特征量权重进行评估,以小生境遗传思想为基础,将特征量进行迭代计算并以大于0.2的特征量权重对应的识别效率为适应度函数,根据个体适应度值,在迭代过程中对适应度低的权重组合进行罚函数处理,使其在下一轮迭代中被淘汰的概率增加,避免迭代过程限于局部收敛,并通过选择算子淘汰掉权重过低的特征量参数。此操作的目的是将对识别效果影响较小的特征参数剔除,提高收敛速度与识别效率。
上述技术方案中,所述训练模块3将筛选过后的特征量进行数据归一化并设置BP神经网络训练组,将归一化后的特征量通过受限于最大下降梯度原则,并结合正则化算法构建梯度收敛网络平台,当满足预设的收敛精度后输出BP神经网络,的具体方法为:
采用下式实现归一化:
式中,
为归一化后局部放电数据值,x
i为BP神经网络实际输入数据(归一化之后到放电量),x
max和x
min分别为输入局部放电数据的最大值与最小值;
将局部放电数据中数据量的70%设置为网络训练组,用以训练收敛网络,收敛网络采用双曲正切函数(hyperbolic tangent function)作为网络的适应度函数,该函数可以将网络中的变量映射到(0,1)的范围内防止数据远离饱和区时出现模型失效的问题,函数如下式:
在(-1,1)区间内取随机数对BP神经网络赋予初始值,BP神经网络参数包括:
W=(wxh,why,wh,wy)T
其中,wxh为收敛网络输入连接矩阵权值;why为输出连接矩阵权值;wh为BP神经网络输入层参数阈值(输入阈值为BP神经网络输入层参数,具体数值由程序本身决定);wy为BP神经网络输出层参数阈值。
将归一化后的训练数据xi输入收敛网络,得到的经过迭代后的考虑输入层权值后的输入变量加权输入αh为:
式中,BP神经网络的输入层与隐藏层连接矩阵为vih。
隐藏层输入αh传递至BP神经网络的输入层、隐藏层和输出层节点处时,经过隐藏层激活函数作用,得到隐藏层输出bh(输出的数据为中间计算值):
bh=f(αh-γh)
隐藏层输出bh传递至BP神经网络输出层节点,可以得到输出层各节点处的输出的识别准确率βj,γh表示矫正误差,其值一般可近似为0,f()表示输入量与输出量的非线性函数:
上述计算均为BP神经网络算法数值计算过程。
结合正则化算法构建梯度收敛网络平台,确保收敛网络元素的稀疏性,确保训练的精确度,并且减少训练成本。在网络训练过程中不断修正正则化系数λ的大小,使得网络规模自动缩小,模型网络输出平滑,得到更优的识别网络模型。当训练网络满足收敛精度后,将识别网络模型作为整体输出。
一种XLPE电力电缆典型缺陷局部放电类型识别方法,其特征在于,它包括如下步骤:
步骤1:数据模块1将利用多种局部放电测量方法所测得的典型XLPE电力电缆局部放电数据进行权重拟合,所述局部放电数据为发电量和对应相位,将所获取的局部放电数据叠加,通过放电筛选程序获得局部放电脉冲信号;
步骤2:特征量提取模块2利用局部放电脉冲信号绘制基于时间的分析模式时域谱图与基于相位分析模式频域谱图,并提取基于时间的分析模式时域谱图与基于相位分析模式频域谱图中所需的特征量,对所得特征量进行权重判定,将特征量进行迭代计算并以特征量权重对应的识别效率为适应度函数,淘汰掉权重小于阈值的特征量参数,得到筛选过后的特征量;
步骤3:训练模块3将筛选过后的特征量进行数据归一化并设置BP神经网络训练组,将归一化后的特征量通过受限于最大下降梯度原则,并结合正则化算法构建梯度收敛网络平台,当满足预设的收敛精度后输出BP神经网络;
步骤4:所述识别模块3用于将数据模块1获得局部放电脉冲信号输入BP神经网络,得到对应每一种电力电缆典型缺陷类型的识别准确率,数值越高表明识别效果越好,准确率越高。
所述步骤1中数据模块主要功能是将两种方法所测得的放电数据进行权重拟合,并将所有数据进行叠加,通过放电筛选程序获得所需数据。
对于每种局部放电测量方法,各选取500周期数据作为提取数据,将放电数据由示波器采集导入计算机中,对多种方法的数据进行整合,通过放电筛选程序获得所需数据。
此模型中设置最大迭代次数为3000次,误差阈值设置为0.03%,选取适应度前20的特征量作为网络的输入量。
本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。