CN112180221B - 基于双测度监督规则的gis未知类别局部放电识别方法 - Google Patents
基于双测度监督规则的gis未知类别局部放电识别方法 Download PDFInfo
- Publication number
- CN112180221B CN112180221B CN202010827200.XA CN202010827200A CN112180221B CN 112180221 B CN112180221 B CN 112180221B CN 202010827200 A CN202010827200 A CN 202010827200A CN 112180221 B CN112180221 B CN 112180221B
- Authority
- CN
- China
- Prior art keywords
- discharge
- sample
- value
- phase
- type
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种基于双测度监督规则的GIS未知类别局部放电识别方法。本发明采用的技术方案为:首先,搭建GIS特高频检测系统并制作GIS典型绝缘缺陷,以采集局部放电信号;其次,为了充分表征不同类型的放电信息,构造放电梯度相位分布模式,提取统计特征;然后,通过训练集找到不同已知类型的最优特征预测模型,从而建立已知放电类型库,根据预测误差对待测样本进行初步分类;最后,建立合理的相似性和可靠性双测度监督规则,进一步评判分类结果,从而确认初步分类结果或者识别出未知类型样本。本发明能够顺利地筛选出未知类型的样本,并维持对已知类型的高识别率,从而极大地提高GIS局部放电的总体识别率,对于现场检测有好的指导意义。
Description
技术领域
本发明属于GIS绝缘缺陷检测领域,涉及一种基于双测度监督规则的GIS未知类别局部放电识别方法,该方法更适用于在GIS现场检测环境采集的局部放电信号识别。
背景技术
气体绝缘全封闭组合电器(Gas Insulated Switchgear,GIS)是一种广泛应用于电力系统中的开关设备,内部通常充有一定压力的SF6绝缘气体。与常规敞开式变电站相比,GIS具有以下多种优点:结构紧凑、占地面积小、可靠性高、配置灵活、安装维护方便和环境适应力强等。当GIS内部存在绝缘缺陷时,会发生局部放电,直接影响到电网的安全稳定运行。所以通过GIS的局部放电信号进行放电类型的准确识别,有助于及时消除绝缘故障,避免事故发生。
目前报道的方法通常采用监督学习机制,因此只能识别系统中事先录入的已知放电类型。然而现场环境复杂,无法预测GIS在实际运行过程中可能发生的全部放电类型。当GIS发生某种未知类型的局部放电时,采用监督学习机制的识别方法则会将其误判为已有的类型。所以现有的方法在实验室环境中测试效果良好,但在实际工程应用上却具有很大的局限性。为了解决此问题,需要将GIS局部放电类型识别方法扩展到无监督学习的领域,保证已知类型的明确分类和未知类型的识别判断。
发明内容
本发明的目的是克服上述现有技术存在的不足,提供一种GIS未知类别局部放电的识别方法,该方法基于双测度监督规则,实现GIS已知类型的明确分类和未知类型的识别判断,以提高GIS局部放电检测系统的现场应用价值。
为实现上述目的,本发明采用下述技术方案:基于双测度监督规则的GIS未知类别局部放电识别方法,其包括步骤:
1)搭建特高频检测系统,制作GIS典型绝缘缺陷模型,采集缺陷模型下的局部放电信号;
2)为充分表征不同类型的放电信息,根据采集到的局部放电信号构建放电梯度相位分布模式,得到“相位-放电次数图谱”、“相位-相位梯度图谱”、“相位-电压梯度图谱”、“相位-最大放电量梯度图谱”和“相位-放电次数梯度图谱”,并从中提取统计特征;
3)将步骤1)采集的所有样本划分为训练集和测试集,利用训练集构建已知放电类型数据库,通过已知放电类型数据库建立各放电类型的统计特征预测模型,然后利用得到的模型对测试集进行特征预测,基于预测误差将样本初步识别为某种已知放电类型;
4)使用合适的相似性测度和可靠性测度对放电信号进行双重监督,制定样本筛选规则将未知类型样本过滤掉。
本发明提出了一种基于双测度监督规则的GIS未知类别局部放电识别方法。首先,搭建GIS特高频检测系统并制作GIS典型绝缘缺陷,以采集局部放电信号;其次,为了充分表征不同类型的放电信息,构造放电梯度相位分布模式,提取统计特征;然后,通过训练集找到不同已知类型的最优特征预测模型,从而建立已知放电类型库,根据预测误差对待测样本进行初步分类;最后,建立合理的相似性和可靠性双测度监督规则,进一步评判分类结果,从而识别出未知类型样本。
进一步地,步骤1)的具体过程为:
首先,搭建GIS特高频检测系统,其中便携检测装置采用的是符合IEC60270标准的局放仪;
然后,分别制作高压导体金属突出物、悬浮电极、绝缘内部气隙和外壳底部自由金属微粒四种典型绝缘缺陷的物理模型,用于模拟电晕放电、悬浮放电、气隙放电和微粒放电四种已知的常见放电类型;
依次将4个制作好的绝缘缺陷模型放置于GIS的一段母线腔体内,并充以SF6气体;确认便携检测装置回路连接无误后开始升压,观察局放仪和示波器,当发现有局部放电发生时停止加压,记录此时所加电压和视在放电量;每个工频周期记录一个放电信息,连续采集40-60个工频周期;提取局放脉冲的幅值和相位信息,并统计各个相位和幅值区间内的放电次数,故每个局部放电样本数据中包含时间t、相位电压值u、放电量q和放电次数n;采集100-200个样本后更换缺陷模型,重复上述过程。
进一步地,四种GIS典型绝缘缺陷模型的制作方法如下:
a)高压导体金属突出物模型
在内导体表面径向安装一根铝针,针到板电极间的距离为20mm;
b)悬浮电极模型
在圆柱形环氧树脂内放置一金属,环氧树脂上表面加高压,下表面接地;
c)外壳底部自由金属微粒模型
在上下两电极之间放置一个0.5×1mm2的矩形锡箔微粒;
d)绝缘内部气隙模型
在圆柱形环氧树脂内密封一段1mm的柱状气隙,环氧树脂上表面加高压,下表面接地。
进一步地,步骤2)中,构造梯度相位分布模式的过程如下:
选择合适的放电信息求取梯度,局部放电数据中的自变量为时间t、相位和电压值u,因变量为放电量q和放电次数n,其中t和呈线性关系,这两个信息有冗余,故舍弃时间t,分别对剩下的4个变量求梯度,以此构建和图谱;
为构建上述梯度图谱,首先需要建立和图谱;根据采集的放电数据,直接建立图谱,该图谱横坐标上的非零值表示在对应相位下发生了局部放电,通过该图谱监测一个周期内放电发生时的相位值,以此建立图谱;再由放电发生时的相位求得此刻的外施电压,以此得到图谱,根据统计得到的放电次数,建立图谱;
然后通过上述得到的放电信息相位分布得到梯度相位分布图谱;
最后分别对构建的5个图谱提取11个统计特征,包括反应图谱形状差异的正、负半周偏斜度Sk、陡峭度Ku、局部峰值点数Pe和相位中值Mv,以及反映轮廓差异的互相关系数CC、放电量因数QF和修正互相关系数Mcc;对每个样本而言,可得到一组特征向量:p=11。
进一步地,步骤2)中,利用放电信息相位分布得到梯度相位分布图谱的具体过程如下:所述的和图谱,每个相位处的放电信息与相邻前一个相位处的放电信息之差,为该相位处的放电梯度Δhi;由于图谱的值递增,那么谱图的值为正;而和图谱中的值有正有负,将其整体向纵坐标正方向平移,直至恰好没有负值,据此处理得到和图谱。
进一步地,步骤3)的具体过程如下:
假设第i个特征的预测方式如下:
式中,为特征xi的预测值,f代表特征预测模型,(bm,…,bn)为模型参数,r为模型阶数;在训练时,改变模型种类f和模型阶数r,根据目标函数的最小值确定最优的特征预测模型,记为FPM,其中目标函数Jk(B)的定义如下:
式中D为多项式基函数,B为模型参数矩阵;
由步骤(2)可知,一个样本共有p维统计特征,那么每个已知类型经训练则可得到p个最优特征预测模型FPM,记作FPM1~p;若共有N个已知类型,那么可以建立最优特征预测模型矩阵FPMN×p:
共得到N个预测误差,分别对应N个已知类型:
选取预测误差值最小对应的类型作为待测样本的初步识别结果C:
进一步地,步骤4)中,选择皮尔逊相关系数作为相似性测度的计算方法,用ρ表示皮尔逊相关系数,其计算公式如下:
ρ取值在[-1,1]之间,当ρ=1时,预测特征向量和实际特征向量由直线方程描述,所有的数据点都落在一条直线上,且随着的增加而增加;当ρ=-1时,和所有的数据点也都落在直线上,但随着的增加而减少;当ρ=0时,两者之间没有线性关系。
进一步地,步骤4)中,所述的可靠性测度计算方法,根据最大相似性测度和次大相似性测度的相对距离来衡量样本是否明显属于某个类型,若相对距离足够大,则认为初步识别结果可靠,否则将样本判断为未知类型。
进一步地,基于皮尔逊相关系数定义可靠性测度R如下:
式中,ρmax为最大相似性测度,ρsec为次大相似性测度,ρ'max和ρs'ec是分别将ρmax和ρsec从[-1,1]归一化到[0,1]区间后的值;
可靠性测度R的取值范围在[0,1]内,最大相似性测度和次大相似性测度的值相近时,可靠性测度接近于0;而当二者差距大时,可靠性测度接近于1。
进一步地,步骤4)中,所述的样本过滤规则如下:
首先,按照式(7)计算测试样本与初步识别类型间的相似性测度ρ0,若ρ0<50%,说明相似性测度过低,认为该样本属于未知类型,直接过滤;若ρ0≥50%,进一步利用可靠性测度判断样本是否确实属于该初步识别类型;
按照式(7)计算样本与所有已知类型的相似性测度,得到ρ1,ρ2,...,ρN;再按照式(8)计算该样本初步识别结果的可靠性测度R;若R≥50%,说明识别结果可靠性较高,样本在该类型中得以保留;若R<25%,说明识别结果可靠性过低,认为该样本属于未知类型,从该类型中过滤;若25%≤R<50%,则将该样本划分为模糊样本,等待进一步判断;
为模糊样本构建下列模型,综合考虑相似性测度和可靠性测度的作用,用阈值θ表示,
θ=αR+(1-α)×ρmax (9)
代入以下边界条件:
当ρmax=50%且R=50%时,说明最大相似性测度明显高于次大相似性测度,即样本明显接近于某个已知类型;但ρmax的值刚达到相似性测度筛选要求,认为其刚达到识别门槛,出现这种情况可能是样本受到了不严重的干扰;
当ρmax=100%且R=25%时,说明样本与该类型完全相似,但可靠性测度刚跨入不可靠范围,也可认为刚达到识别概率门槛,出现这种情况可能是样本提取的特征不够,不能全面代表放电信息;
据此可解得α=2/3,识别概率阈值为50%,即若θ≥50%,认为该模糊样本的初步识别类型可靠,否则认为其为未知类型,从该类型中过滤。
本发明具有的有益效果如下:本发明能够顺利地筛选出未知类型的样本,并维持对已知类型的高识别率,从而极大地提高GIS局部放电的总体识别率,对于现场检测有好的指导意义。
附图说明
图1为本发明具体实施方式中GIS特高频检测系统的结构示意图;
图2为本发明具体实施方式中梯度相位分布模式构造过程图(图2a为放电信息相位分布图,图2b为放电梯度相位分布图)。
具体实施方式
下面结合说明书附图和具体实施方式对本发明作进一步说明。
本实施例提供一种基于双测度监督规则的GIS未知类别局部放电识别方法,其包括步骤:
1)搭建特高频检测系统,制作GIS典型绝缘缺陷模型,采集缺陷模型下的局部放电信号;
2)为充分表征不同类型的放电信息,根据采集到的局部放电信号构建放电梯度相位分布模式,得到“相位-放电次数图谱”、“相位-相位梯度图谱”、“相位-电压梯度图谱”、“相位-最大放电量梯度图谱”和“相位-放电次数梯度图谱”,并从中提取统计特征;
3)将步骤1)采集的所有样本划分为训练集和测试集,利用训练集构建已知放电类型数据库,通过已知放电类型数据库建立各放电类型的统计特征预测模型,然后利用得到的模型对测试集进行特征预测,基于预测误差将样本初步识别为某种已知放电类型;
4)使用合适的相似性测度和可靠性测度对放电信号进行双重监督,制定样本筛选规则将未知类型样本过滤掉。
所述步骤1)的具体内容为:
首先搭建如图1所示的GIS特高频检测系统,其中便携检测装置采用的是符合IEC60270标准的局放仪。
然后分别制作高压导体金属突出物、悬浮电极、绝缘内部气隙和外壳底部自由金属微粒四种典型绝缘缺陷的物理模型,用于模拟电晕放电、悬浮放电、气隙放电和微粒放电四种已知的常见放电类型。具体制作方法如下:
a)高压导体突出物模型
在内导体表面径向安装一根铝针,针到板电极间的距离为20mm。
b)悬浮电极模型
在圆柱形环氧树脂内放置一金属,环氧树脂上表面加高压,下表面接地。
c)外壳底部自由金属微粒模型
在上下两电极之间放置一个0.5×1mm2的矩形锡箔微粒。
d)绝缘气隙模型
在圆柱形环氧树脂内密封一段1mm的柱状气隙,环氧树脂上表面加高压,下表面接地。
依次将4个制作好的绝缘缺陷模型放置于GIS的一段母线腔体内,并充以0.5MPaSF6气体。确认检测装置回路连接无误后开始升压,观察局放仪和示波器,当发现有局部放电发生时停止加压,记录此时所加电压和视在放电量。每个工频周期记录一个放电信息,连续采集50个工频周期。提取局放脉冲的幅值和相位信息,并统计各个相位和幅值区间内的放电次数。故每个局部放电样本数据中包含时间t,相位电压值u,放电量q和放电次数n。采集150个样本后更换缺陷模型,重复上述过程。
所述步骤(2)的具体内容为:
常规的PRPD模式通过统计脉冲序列在一个放电周期内的q、n参数得以构造,但由于受到测量环境和方式的影响,采集的局部放电数据如放电电压和放电量等基本参数表现出较强的随机性,因此从传统的等图谱中提取得到的特征具有较强的统计分散性,影响识别的效果。局部放电的再次发生很大程度上取决于电压梯度而非电压值本身,计算放电信息的梯度相当于对信号求导,在一定程度上更能反应信号的本质规律。为了充分利用各放电信息,本发明摒弃了常规的PRPD图谱,而是构造梯度相位分布模式。
构造梯度相位分布模式的第一步是选择合适的放电信息来求取梯度。局部放电数据中的自变量为时间t,相位电压值u,因变量为放电量q和放电次数n。其中t和呈线性关系,这两个信息有冗余,故舍弃时间t,分别对剩下的4个变量求梯度,以此构建 和图谱。
为了构建该梯度图谱,首先需要建立和图谱。根据采集的放电数据,直接建立图谱,该图谱横坐标上的非零值表示在对应相位下发生了局部放电。因此可以通过该图谱监测一个周期内放电发生时的相位值,以此建立图谱。再由放电发生时的相位求得此刻的外施电压,以此得到图谱。根据统计得到的放电次数,建立图谱。
然后通过上述得到的放电信息相位分布得到梯度相位分布图谱,过程如图2所示。(a)表示和图谱,每个相位处的放电信息与相邻前一个相位处的放电信息之差,为(b)图中该相位处的放电梯度Δhi。由于图谱的值递增,那么谱图的值为正;而和图谱中的值有正有负,所以将其整体向纵坐标正方向平移,直至恰好没有负值。据此处理得到和图谱。
然后分别对构建的5个图谱提取11个统计特征,包括反应图谱形状差异的正、负半周偏斜度Sk、陡峭度Ku、局部峰值点数Pe和相位中值Mv,以及反映轮廓差异的互相关系数CC、放电量因数QF和修正互相关系数Mcc。对每个样本而言,可得到一组特征向量:在本发明中有p=11,用于后续的识别步骤。
所述步骤(3)的具体内容为:
建立特征预测模型的理论基础是样本中特征各维度间存在潜在的相互关系,所以某个特征的值可以通过样本的另外一些特征表示。而样本特征间的相互关系随着类型的不同而有所差异,所以对于不同的放电类型而言,用其他特征表示每个特征的函数就有所不同。
假设第i个特征的预测方式如下:
式中,为特征xi的预测值,f代表特征预测模型,可选择线性模型、线性交互模型、二次交互模型和二次模型等,(bm,…,bn)为模型参数,r为模型阶数。在训练时,改变模型种类f和模型阶数r,根据目标函数的最小值确定最优的特征预测模型,记为FPM。其中目标函数Jk(B)的定义如下:
式中D为多项式基函数,B为模型参数矩阵。
由步骤(2)可知,一个样本共有p维统计特征,那么每个已知类型经训练则可得到p个最优特征预测模型FPM,记作FPM1~p。若共有N个已知类型,那么可以建立最优特征预测模型矩阵FPMN×p:
共得到N个预测误差,分别对应N个已知类型:
选取预测误差值最小对应的类型作为待测样本的暂时分类结果C:
所述步骤(4)的具体内容为:
该步骤的关键是选择合适的相似性测度和可靠性测度计算方法,以及制定合理的样本过滤规则。
首先选择合适的相似性测度计算方法,常用的方法除了步骤(3)中用到的欧几里得距离之外,还有曼哈顿距离、明可夫斯基距离等距离度量方法,余弦相似性测度、修正余弦系数等方向度量方法,和谷本系数等布尔逻辑度量方法。由于谷本系数只关心个体间共同具有的特征是否一致,无法衡量差异具体值的大小,而距离度量法只考虑向量间的数值差异,方向度量法又仅考虑角度差异而对数值差异不敏感。所以本发明选择皮尔逊相关系数作为相似性测度的计算方法,因为皮尔逊相关系数是余弦系数的改进,既能考虑数据组间的方向差异,又能衡量其整体数值差异,可以很好地用于计算预测特征向量和实际特征向量间的相似程度。用ρ表示皮尔逊相关系数,其计算公式如下:
ρ取值在[-1,1]之间,绝对值越大,说明相关性越强。当ρ=1时,和可以很好的由直线方程描述,所有的数据点都很好的落在一条直线上,且随着的增加而增加。当ρ=-1时,和所有的数据点也都落在直线上,但随着的增加而减少。当ρ=0时,两者之间没有线性关系。
然后选择合适的可靠性测度计算方法,本发明基于相似性测度计算识别结果的可靠性测度。因为相似性测度衡量的是待测样本和各个已知放电类型间的相似程度,若样本属于某一类型,则与该类型的相似性测度必然明显高于其他类型;但若样本不属于任何已知类型,则可能与部分类型的特征都存在交集,且相似性测度相差无几。所以可以根据最大相似性测度和次大相似性测度的相对距离来衡量该样本是否明显属于某个类型,若相对距离足够大,则认为初步识别结果可靠,否则将样本判断为未知类型。
基于皮尔逊相关系数定义可靠性测度R如下:
式中,ρmax为最大相似性测度,ρsec为次大相似性测度,ρ'max和ρ′sec是分别将ρmax和ρsec从[-1,1]归一化到[0,1]区间后的值。
不难发现,可靠性测度R的取值范围在[0,1]内。最大相似性测度和次大相似性测度的值相近时,可靠性测度接近于0;而当二者差距大时,可靠性测度接近于1。
最后制定合理的样本过滤规则。首先按照式(7)计算该测试样本与初步识别类型间的相似性测度ρ0,若ρ0<50%,说明相似性测度过低,认为该样本属于未知类型,直接过滤。若ρ0≥50%,进一步利用可靠性测度判断样本是否确实属于该初步识别类型。
于是按照式(7)计算样本与所有已知类型的相似性测度,得到ρ1,ρ2,...,ρN。再按照式(8)计算该样本初步识别结果的可靠性测度R。若R≥50%,说明识别结果可靠性较高,样本在该类型中得以保留。若R<25%,说明识别结果可靠性过低,认为该样本属于未知类型,从该类型中过滤。若25%≤R<50%,则将该样本划分为模糊样本,等待进一步判断。
为模糊样本构建下列模型,综合考虑相似性测度和可靠性测度的作用,用阈值θ表示。
θ=αR+(1-α)×ρmax (9)
代入以下边界条件:
当ρmax=50%且R=50%时,说明最大相似性测度明显高于次大相似性测度,即样本明显接近于某个已知类型。但ρmax的值刚达到第一步筛选要求,认为其刚达到识别门槛,出现这种情况可能是样本受到了不严重的干扰;
当ρmax=100%且R=25%时,说明样本与该类型完全相似,但可靠性测度刚跨入不可靠范围,也可认为刚达到识别概率门槛,出现这种情况可能是样本提取的特征不够,不能全面代表放电信息。
据此可解得α=2/3,识别概率阈值为50%,即若θ≥50%,认为该模糊样本的初步识别类型可靠,否则认为其为未知类型,从该类型中过滤。
轮流选取步骤(1)中涉及缺陷中的三种作为已知类型,剩下一种作为未知类型。从每种已知类型中随机抽取10个样本作为训练集,所以共有30个训练样本;剩余的所有样本作为测试集,共有570个。
按照步骤(2)提取每个样本的特征向量,按照步骤(3)由训练集得到三种已知类型的统计特征预测模型矩阵,依次将测试集中的每个样本各输入到三个类型的特征预测模型中,初步判定其所属类型。然后按照步骤(4)计算相似性测度和可靠性测度,进一步确认其初步识别结果或认定其为未知类型而过滤。将最终识别结果与实际类型比对,统计识别率,得到表1。
表1测试集最终识别结果
已知类型 | 电晕+悬浮+气隙 | 电晕+悬浮+微粒 | 电晕+气隙+微粒 | 悬浮+气隙+微粒 |
电晕放电 | 97.86% | 96.43% | 97.14% | 96.67% |
悬浮放电 | 92.14% | 94.29% | 90.00% | 92.85% |
气隙放电 | 92.70% | 88.67% | 96.43% | 93.57% |
微粒放电 | 95.33% | 95.00% | 95.71% | 95.71% |
总识别率 | 94.51% | 93.60% | 94.82% | 94.70% |
由表1可得出结论,本发明基于双测度监督规则的识别方法既能够对已知类型放电信号进行准确的分类,又能够识别出未知类型的放电信号。仔细分析表1可知,悬浮放电和气隙放电两种类型的区分度较其他两种类型小,若二者均为已知类型,那么二者识别率均相对较低;若其一为未知类型,那么此情况下的未知类型放电信号更容易被误认为是另一已知类型,但已知类型的分类准确率更高。但总体而言,在不同的已知放电库情况下,已知类型的平均识别率达到了94.98%,未知类型的平均识别率达到了92.67%,总体识别率达到了94.41%,效果良好。
为了验证本发明的优越性,作以下对比实验:
表2 PRPD模式测试集识别结果
已知类型 | 电晕+悬浮+气隙 | 电晕+悬浮+微粒 | 电晕+气隙+微粒 | 悬浮+气隙+微粒 |
电晕放电 | 97.14% | 98.57% | 96.43% | 97.33% |
悬浮放电 | 87.86% | 92.86% | 86.43% | 87.14% |
气隙放电 | 89.29% | 83.33% | 92.14% | 85.71% |
微粒放电 | 92.00% | 93.57% | 92.86% | 90.71% |
总识别率 | 90.50% | 92.08% | 91.97% | 90.22% |
对比表1和表2易发现,利用传统的PRPD模式作为识别依据,已知类型的平均识别率达到了91.67%,未知类型的平均识别率达到了89.77%,总体识别率达到了91.19%,明显低于本发明构建的“梯度-相位”模式识别结果。若采用降维算法将提取的特征向量降至二维,绘制样本特征值散点图,可发现从“梯度-相位”图谱中提取的特征在不同类型下的差异比PRPD模式更加显著,因此更有利于放电样本的分类。而从PRPD模式中提取的特征区分度不够明显,尤其体现在悬浮放电和气隙放电两种类型间,其特征点分布区域存在部分重叠,而该两种类型的特征分布区域又离微粒放电较为接近。上表结果亦证实了这个问题,由于电晕放电的特征分布区域在两种模式下均离其他三种类型较远,因此识别率变化不大。而其他三种类型由于在PRPD模式下不够分散,所以识别率均小于“梯度-相位”模式。当未知类型为悬浮放电或气隙放电时,更容易被误判为与之特征区域接近的已知类型,使得算法对未知类型的局部放电有效程度大打折扣。综上所述,本发明的步骤(2)即构建“梯度-相位”图谱能够使得各种类型的统计特征更加分散,是本识别方法的重要前提。
b)在步骤(2)后,采用SVM和BPNN两种常用的监督学习算法和对测试集样本进行识别。此外,执行步骤(3)与之并行。但三种识别方法均不采取本发明步骤(4)中的双测度监督规则,建立同样的已知放电类型库,得到表3、表4和表5的识别结果。
表3 SVM识别结果
表4 BPNN识别结果
已知类型 | 电晕+悬浮+气隙 | 电晕+悬浮+微粒 | 电晕+气隙+微粒 | 悬浮+气隙+微粒 |
电晕放电 | 96.43% | 95.71% | 96.43% | 0% |
悬浮放电 | 91.43% | 93.57% | 0% | 90.00% |
气隙放电 | 89.29% | 0% | 91.43% | 88.57% |
微粒放电 | 0% | 94.29% | 95.71% | 93.57% |
总识别率 | 69.29% | 70.89% | 70.89% | 68.04% |
表5特征预测模型识别结果
已知类型 | 电晕+悬浮+气隙 | 电晕+悬浮+微粒 | 电晕+气隙+微粒 | 悬浮+气隙+微粒 |
电晕放电 | 97.86% | 96.43% | 97.14% | 0% |
悬浮放电 | 92.14% | 94.29% | 0% | 92.85% |
气隙放电 | 92.70% | 0% | 96.43% | 93.57% |
微粒放电 | 0% | 95.00% | 95.71% | 95.71% |
总识别率 | 70.68% | 71.43% | 72.32% | 70.53% |
统计以上三个表得到,SVM对已知类型的平均识别率达到了95.15%,对未知类型的平均识别率为0,总体识别率仅为71.36%;BPNN对已知类型的平均识别率达到了93.04%,对未知类型的平均识别率为0,总体识别率仅为69.78%;特征预测模型对已知类型的平均识别率达到了94.98%,对未知类型的平均识别率为0,总体识别率仅为71.24%。由于上述三个方法都不考虑未知类型的存在,因此当出现事先未录入已知放电库的放电类型时,会将其错误地识别为某个已知的类型。所以可见上述三个方法对已知类型的样本识别率非常高,但对未知类型的样本无识别能力,严重拉低了总体识别率,因此难以应用。比较表1和表5能清晰地观察到,本发明通过步骤(4)建立的相似性和可靠性双测度监督规则,能够顺利地从初步分类结果中进一步筛选出未知类型的样本,因此对未知类型也达到了92.67%的平均识别率,同时对已知类型的识别结果不造成影响,从而极大地提高了总体识别率。
综上所述,本发明相较于常规的识别算法作了两个改进,其一是构建梯度相位分布图谱代替传统的PRPD模式,扩大了不同种类的特征分布区域的分散程度,有利于样本的分类;其二是建立了相似性和可靠性双测度监督规则,二次判断待测样本的分类结果是否准确,从而获得了过滤未知类型样本的能力。因此本发明所述方法在GIS的现场检测中有很强的实用价值。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (3)
1.基于双测度监督规则的GIS未知类别局部放电识别方法,其特征在于,包括步骤:
1)搭建特高频检测系统,制作GIS典型绝缘缺陷模型,采集缺陷模型下的局部放电信号;
2)为充分表征不同类型的放电信息,根据采集到的局部放电信号构建放电梯度相位分布模式,得到“相位-放电次数图谱”、“相位-相位梯度图谱”、“相位-电压梯度图谱”、“相位-最大放电量梯度图谱”和“相位-放电次数梯度图谱”,并从中提取统计特征;
3)将步骤1)采集的所有样本划分为训练集和测试集,利用训练集构建已知放电类型数据库,通过已知放电类型数据库建立各放电类型的统计特征预测模型,然后利用得到的模型对测试集进行特征预测,基于预测误差将样本初步识别为某种已知放电类型;
4)使用相似性测度和可靠性测度对放电信号进行双重监督,制定样本筛选规则将未知类型样本过滤掉;
步骤2)中,构建放电梯度相位分布模式的过程如下:
为构建上述梯度图谱,首先需要建立和图谱;根据采集的放电数据,直接建立图谱,该图谱横坐标上的非零值表示在对应相位下发生了局部放电,通过该图谱监测一个周期内放电发生时的相位值,以此建立图谱;再由放电发生时的相位求得此刻的外施电压,以此得到图谱,根据统计得到的放电次数,建立图谱;
然后通过上述得到的放电信息相位分布得到梯度相位分布图谱;
最后分别对构建的5个图谱提取11个统计特征,包括反应图谱形状差异的正、负半周偏斜度Sk、陡峭度Ku、局部峰值点数Pe和相位中值Mv,以及反映轮廓差异的互相关系数CC、放电量因数QF和修正互相关系数Mcc;对每个样本而言,可得到一组特征向量:
步骤2)中,利用放电信息相位分布得到梯度相位分布图谱的具体过程如下:所述的和图谱,每个相位处的放电信息与相邻前一个相位处的放电信息之差,为该相位处的放电梯度Δhi;由于图谱的值递增,那么谱图的值为正;而和图谱中的值有正有负,将其整体向纵坐标正方向平移,直至恰好没有负值,据此处理得到和图谱;
步骤3)的具体过程如下:
假设第i个特征的预测方式如下:
式中,为特征xi的预测值,f代表特征预测模型,(bm,…,bn)为模型参数,r为模型阶数;在训练时,改变模型种类f和模型阶数r,根据目标函数的最小值确定最优的特征预测模型,记为FPM,其中目标函数Jk(B)的定义如下:
式中D为多项式基函数,B为模型参数矩阵;
由步骤(2)可知,一个样本共有p维统计特征,那么每个已知类型经训练则可得到p个最优特征预测模型FPM,记作FPM1~p;若共有N个已知类型,那么可以建立最优特征预测模型矩阵FPMN×p:
共得到N个预测误差,分别对应N个已知类型:
选取预测误差值最小对应的类型作为待测样本的初步识别结果C:
步骤4)中,选择皮尔逊相关系数作为相似性测度的计算方法,用ρ表示皮尔逊相关系数,其计算公式如下:
ρ取值在[-1,1]之间,当ρ=1时,预测特征向量和实际特征向量由直线方程描述,所有的数据点都落在一条直线上,且随着的增加而增加;当ρ=-1时,和所有的数据点也都落在直线上,但随着的增加而减少;当ρ=0时,两者之间没有线性关系;
步骤4)中,所述的可靠性测度计算方法,根据最大相似性测度和次大相似性测度的相对距离来衡量样本是否明显属于某个类型,若相对距离足够大,则认为初步识别结果可靠,否则将样本判断为未知类型;
基于皮尔逊相关系数定义可靠性测度R如下:
式中,ρmax为最大相似性测度,ρsec为次大相似性测度,ρ′max和ρ′sec是分别将ρmax和ρsec从[-1,1]归一化到[0,1]区间后的值;
可靠性测度R的取值范围在[0,1]内,最大相似性测度和次大相似性测度的值相近时,可靠性测度接近于0;而当二者差距大时,可靠性测度接近于1;
步骤4)中,所述的样本过滤规则如下:
首先,按照式(7)计算测试样本与初步识别类型间的相似性测度ρ0,若ρ0<50%,说明相似性测度过低,认为该样本属于未知类型,直接过滤;若ρ0≥50%,进一步利用可靠性测度判断样本是否确实属于该初步识别类型;
按照式(7)计算样本与所有已知类型的相似性测度,得到ρ1,ρ2,...,ρN;再按照式(8)计算该样本初步识别结果的可靠性测度R;若R≥50%,说明识别结果可靠性较高,样本在该类型中得以保留;若R<25%,说明识别结果可靠性过低,认为该样本属于未知类型,从该类型中过滤;若25%≤R<50%,则将该样本划分为模糊样本,等待进一步判断;
为模糊样本构建下列模型,综合考虑相似性测度和可靠性测度的作用,用阈值θ表示,
θ=αR+(1-α)×ρmax (9)
代入以下边界条件:
当ρmax=50%且R=50%时,说明最大相似性测度明显高于次大相似性测度,即样本明显接近于某个已知类型;但ρmax的值刚达到相似性测度筛选要求,认为其刚达到识别门槛;
当ρmax=100%且R=25%时,说明样本与该类型完全相似,但可靠性测度刚跨入不可靠范围,也可认为刚达到识别概率门槛;
据此可解得α=2/3,识别概率阈值为50%,即若θ≥50%,认为该模糊样本的初步识别结果可靠,否则认为其为未知类型,从该类型中过滤。
2.根据权利要求1所述的基于双测度监督规则的GIS未知类别局部放电识别方法,其特征在于,步骤1)的具体过程为:
首先,搭建GIS特高频检测系统,其中便携检测装置采用的是符合IEC60270标准的局放仪;
然后,分别制作高压导体金属突出物、悬浮电极、绝缘内部气隙和外壳底部自由金属微粒四种典型绝缘缺陷的物理模型,用于模拟电晕放电、悬浮放电、气隙放电和微粒放电四种已知的常见放电类型;
3.根据权利要求2所述的基于双测度监督规则的GIS未知类别局部放电识别方法,其特征在于,四种GIS典型绝缘缺陷模型的制作方法如下:
a)高压导体金属突出物模型
在内导体表面径向安装一根铝针,针到板电极间的距离为20mm;
b)悬浮电极模型
在圆柱形环氧树脂内放置一金属,环氧树脂上表面加高压,下表面接地;
c)外壳底部自由金属微粒模型
在上下两电极之间放置一个0.5×1mm2的矩形锡箔微粒;
d)绝缘内部气隙模型
在圆柱形环氧树脂内密封一段1mm的柱状气隙,环氧树脂上表面加高压,下表面接地。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010827200.XA CN112180221B (zh) | 2020-08-17 | 2020-08-17 | 基于双测度监督规则的gis未知类别局部放电识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010827200.XA CN112180221B (zh) | 2020-08-17 | 2020-08-17 | 基于双测度监督规则的gis未知类别局部放电识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112180221A CN112180221A (zh) | 2021-01-05 |
CN112180221B true CN112180221B (zh) | 2022-06-03 |
Family
ID=73919330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010827200.XA Active CN112180221B (zh) | 2020-08-17 | 2020-08-17 | 基于双测度监督规则的gis未知类别局部放电识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112180221B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112924332B (zh) * | 2021-01-27 | 2023-04-28 | 贵州电网有限责任公司 | 基于cfd技术的gis设备中so2扩散特性确定方法 |
CN113050602B (zh) * | 2021-03-26 | 2022-08-09 | 杭州电子科技大学 | 基于鲁棒半监督判别分析的工业过程故障分类方法 |
CN114137366A (zh) * | 2021-11-01 | 2022-03-04 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种考虑快速发展型故障的局部放电特征信息提取系统及方法 |
CN114839255B (zh) * | 2022-04-29 | 2024-04-23 | 西安热工研究院有限公司 | 一种基于XGBoost算法的六氟化硫电气设备微水检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10319083A (ja) * | 1997-05-15 | 1998-12-04 | Furukawa Electric Co Ltd:The | 部分放電測定方法 |
CN104977515A (zh) * | 2015-07-17 | 2015-10-14 | 许继集团有限公司 | 一种三相共筒gis局部放电监测中放电类型的识别方法 |
CN105044567A (zh) * | 2015-06-29 | 2015-11-11 | 许继集团有限公司 | 一种gis局部放电在线监测模式识别方法及系统 |
WO2018229897A1 (ja) * | 2017-06-14 | 2018-12-20 | 三菱電機株式会社 | 経年劣化診断装置及び経年劣化診断方法 |
-
2020
- 2020-08-17 CN CN202010827200.XA patent/CN112180221B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10319083A (ja) * | 1997-05-15 | 1998-12-04 | Furukawa Electric Co Ltd:The | 部分放電測定方法 |
CN105044567A (zh) * | 2015-06-29 | 2015-11-11 | 许继集团有限公司 | 一种gis局部放电在线监测模式识别方法及系统 |
CN104977515A (zh) * | 2015-07-17 | 2015-10-14 | 许继集团有限公司 | 一种三相共筒gis局部放电监测中放电类型的识别方法 |
WO2018229897A1 (ja) * | 2017-06-14 | 2018-12-20 | 三菱電機株式会社 | 経年劣化診断装置及び経年劣化診断方法 |
Non-Patent Citations (2)
Title |
---|
Partial Discharge Pattern Recognition Based on 3D Graphs of Phase Resolved Pulse Sequence;Simeng Song等;《Energies》;20200807;全文 * |
基于大数据分析挖掘技术的电力设备局部放电诊断方法;魏丽峰等;《科学技术与工程》;20180710;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112180221A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112180221B (zh) | 基于双测度监督规则的gis未知类别局部放电识别方法 | |
CN108957251B (zh) | 一种电缆接头局部放电模式识别方法 | |
CN108573225B (zh) | 一种局部放电信号模式识别方法及系统 | |
CA2918679C (en) | Pattern recognition method for partial discharge of three-phase cylinder type ultrahigh voltage gis | |
CN112014700B (zh) | 基于局部放电多信息融合的gis绝缘子缺陷识别方法及系统 | |
Chan et al. | Time-frequency sparsity map on automatic partial discharge sources separation for power transformer condition assessment | |
CN104155585A (zh) | 基于gk模糊聚类的gis局部放电类型识别方法 | |
CN109061426B (zh) | 变压器局部放电故障诊断方法及在线监测装置 | |
CN108304567B (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
CN109188211B (zh) | 一种高压设备绝缘故障诊断方法和系统 | |
CN107064759B (zh) | 一种特高压设备绝缘缺陷类型判断方法和系统 | |
CN103076547A (zh) | 基于支持向量机的gis局部放电故障类型模式识别方法 | |
WO2023213332A1 (zh) | 一种多源混合型特高频局部放电图谱的分离识别方法 | |
Wang et al. | A new image-oriented feature extraction method for partial discharges | |
Chang et al. | Application of fuzzy entropy to improve feature selection for defect recognition using support vector machine in high voltage cable joints | |
CN111398798A (zh) | 基于振动信号区间特征提取的断路器储能状态辨识方法 | |
CN110672988A (zh) | 一种基于分层式诊断的局部放电模式识别方法 | |
Firuzi et al. | A hybrid transformer PD monitoring method using simultaneous IEC60270 and RF data | |
CN116910470A (zh) | 一种gis组合电器局部放电故障模式识别方法 | |
CN113238128B (zh) | 一种循环渐进式局部放电判别方法 | |
CN113514742B (zh) | 一种gis局部放电严重程度的评估方法、系统和介质 | |
CN109917245B (zh) | 考虑相位差的超声检测局部放电信号模式识别方法 | |
Li et al. | Application of joint electro-chemical detection for gas insulated switchgear fault diagnosis | |
CN113837003A (zh) | 识别局部放电类型方法、装置、存储介质及电子装置 | |
CN112733878A (zh) | 一种基于kmeans-SVM算法的变压器故障诊断方法 |
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 |