CN112668604A - 基于频域介电响应和支持向量机的套管绝缘水分预测方法 - Google Patents
基于频域介电响应和支持向量机的套管绝缘水分预测方法 Download PDFInfo
- Publication number
- CN112668604A CN112668604A CN202011380762.0A CN202011380762A CN112668604A CN 112668604 A CN112668604 A CN 112668604A CN 202011380762 A CN202011380762 A CN 202011380762A CN 112668604 A CN112668604 A CN 112668604A
- Authority
- CN
- China
- Prior art keywords
- support vector
- vector machine
- dielectric
- insulation
- oil
- 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.)
- Pending
Links
- 238000009413 insulation Methods 0.000 title claims abstract description 48
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000004044 response Effects 0.000 title claims abstract description 21
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 31
- 239000011087 paperboard Substances 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 230000002068 genetic effect Effects 0.000 claims abstract description 17
- 238000006116 polymerization reaction Methods 0.000 claims abstract description 14
- 230000032683 aging Effects 0.000 claims abstract description 13
- 238000003745 diagnosis Methods 0.000 claims abstract description 11
- 239000001913 cellulose Substances 0.000 claims abstract description 10
- 229920002678 cellulose Polymers 0.000 claims abstract description 10
- 230000001419 dependent effect Effects 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000004448 titration Methods 0.000 claims abstract description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000009736 wetting Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000011156 evaluation Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 239000003921 oil Substances 0.000 description 23
- 239000000123 paper Substances 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000007654 immersion Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 239000002253 acid Substances 0.000 description 1
- 150000007513 acids Chemical class 0.000 description 1
- 150000001298 alcohols Chemical class 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007872 degassing Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000001566 impedance spectroscopy Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000002480 mineral oil Substances 0.000 description 1
- 235000010446 mineral oil Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000003878 thermal aging Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明涉及套管绝缘状态评估领域，本发明公开了一种基于频域介电响应和支持向量机的套管绝缘水分预测方法，包括以下步骤：制备不同老化和受潮状态的纸板；对油浸纸板进行介电响应测试、水分滴定和纤维素聚合度的检测；提取表征油浸绝缘含水量的特征参量，即介电指纹D1‑D4；以聚合度和含水量为自变量，表征介电指纹的特征量作为因变量进行拟合，构建拟合分析模型；由拟合分析模型构建遗传支持向量机的训练集；完成GA‑SVM水分诊断模型的训练。本发明借助频域介电响应技术和人工智能算法实现套管绝缘的水分诊断，为套管运行状态的判断提供可靠的依据。使电力系统运行更可靠、安全、稳定。
Description
技术领域
本发明涉及套管绝缘状态评估领域，更具体地，涉及基于频域介电响应技术和遗传支持向量机的套管绝缘水分预测方法。
背景技术
油浸式套管在电力系统中扮演着变换电能的重要角色，其内部油纸绝缘的状态评估引起了研究者的广泛关注。影响套管油纸系统的绝缘状态的因素众多，比如水分、酸类和醇类等，而在这众多因素中，水分不但能显著加速油纸系统的老化速率而且严重影响油浸纸板的绝缘状态。
近年来一种主流的方法被称作频域介电谱(FDS)技术，研究者借助FDS技术完成套管油纸系统的状态评估通常分为以下三个步骤:首先从FDS曲线中提取能够反应油纸系统绝缘状态的特征参量，随后建立特征参量与绝缘状态的数量关系，最终通过数量关系反应油纸系统的绝缘状态。其中，提取特征参量的方法主要有两种，一种是直接从FDS曲线中提取，另一种是借助等效电路模型(比如德拜模型，Cole-Cole模型)。第二步定量关系/模型的建立是绝缘状态评估的关键，现阶段常用的方法有灰色关联分析和拟合分析两种，然而这两种方法受限于小样本基础和较弱的泛化能力。
鉴于此，本文提出一种新的途径建立特征参量与绝缘状态之间的数量关系，即用遗传算法的支持向量机(GA-SVM)取代传统方法，结合FDS技术完成套管油浸绝缘受潮状态的定量评估。
发明内容
本发明针对背景技术的技术问题，提出一种基于频域介电响应和支持向量机的套管绝缘水分预测方法，考虑套管不同老化状态并实现其含水量的诊断，从而评估套管整体运行状态，使电力系统运行更加可靠、安全、稳定。
为实现上述目的，本发明提出了一种基于频域介电响应和支持向量机的套管绝缘水分预测方法，包括以下步骤：
S1，获取不同老化和受潮状态的油浸套管绝缘纸板；
S2，对油浸套管绝缘纸板进行介电响应测试、水分滴定检测和纤维素聚合度检测以分别获取油浸套管纸板的介电损耗曲线、含水量和聚合度；
S3，基于介电损耗曲线和油浸套管绝缘纸板的绝缘油直流电导率提取表征绝缘含水量的介电指纹；
S4，以聚合度DP和含水量mc％为自变量X和自变量Y，以表征介电指纹的特征量Fi作为因变量进行拟合构建拟合分析模型；
S5，通过所述拟合分析模型，改变自变量X和自变量Y的取值，构建支持向量机的训练集；
S6，由所述训练集完成支持向量机的训练，并通过遗传算法优化支持向量机的参数，构建遗传支持向量机水分诊断模型。
优选的，上述技术方案中，步骤S1中的油浸套管绝缘纸板由套管油和纤维素纸板制得。
优选的，上述技术方案中，通过公式(1)和公式(2)提取表征油浸套管绝缘纸板含水量的介电指纹D1、介电指纹D2、介电指纹D3、介电指纹D4；
D4＝σoil (2)
tanδ为介电损耗曲线，σoil为绝缘油直流电导率。
优选的，上述技术方案中，步骤S4的拟合分析模型其表达式如下所示：
其中a1-a6，b1-b6，c1-c10，d1-d6为方程参数，X表示自变量聚合度DP值，Y代表自变量含水量mc％，Zi代表介电指纹Di，i＝1，2，3，4。
优选的，上述技术方案中，步骤S5中样本点自变量X和自变量Y带入拟合分析模型得到拟合指纹构成支持向量机的训练集。
优选的，上述技术方案中，步骤S6中设定初始种群和迭代次数，利用遗传算法对支持向量机的参数不断优化，然后利用训练集输入遗传支持向量机对其进行训练，直到迭代终止，从而完成遗传支持向量机水分诊断模型的构建。
与现有技术对比，本发明的有益效果为：
本发明通过GA-SVM模型对套管绝缘进行水分诊断，相较于传统方法，本模型基于大量样本且具有较强的泛化能力，经实验室和现场数据的分析，本模型的可靠性得到了初步的验证。本发明对于套管绝缘水分的预测有助于发现绝缘系统的潜在风险，为套管的运行维护、检修提供重要的参考依据，进而使电力系统运行更加稳定可靠。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为基于频域介电响应和支持向量机的套管绝缘水分预测方法的流程图。
图2为油浸样本制备及其绝缘状态、频域介电响应测试的流程图。
图3为老化d0天油浸样本的介电损耗曲线。
图4为拟合参量F1的拟合曲面，其中自变量X＝DP，Y＝mc％，因变量为拟合得到的D1，用F1表示。
图5是GA-SVM模型参数优化的过程。由图可知模型对训练样本均实现了正确的水分预测。
具体实施方式
下面结合附图对本发明的优选实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
本实施例基于遗传算法和支持向量机进行套管油浸绝缘水分诊断，如图1所示，包括以下步骤：
步骤S1，获取不同老化和受潮状态的油浸套管绝缘纸板。
具体的，本实例中实验室制备的不同老化和受潮状态的油浸套管绝缘纸板油浸由套管油和纤维素纸板制得，其中，纸板采用纤维素纸板由泰州魏德曼高压绝缘有限公司生产，绝缘油采用符合ASTM D3487-2000(II)标准的克拉玛依25号环烷烃矿物油，具体制作步骤为：
参考图2，首先将纤维素纸板在一定温度和压强度的环境下真空干燥，随后与经过干燥脱气处理的绝缘油在一定温度和压强度环境下真空浸渍，得到油浸纸板样本。将绝缘样本平均分成5组并放入老化箱内分别加速热老化d0天、d1天、d2天、d3天和d4天得到不同老化程度的油浸纸板。之后对每组样品进行吸潮实验，预期的含水量分别为1％、2％、3％和4％。其中吸潮实现是将纸板放入精密天平上自然吸湿，通过控制样本的重量来控制其含水量，计算公式如下：
其中，a％为纤维素纸板的初始含水量，m0为样本的初始质量,当天平示数达到m时，样本的含水量记为b％。随后，将制得的不同老化/受潮状态的样本放入三电极装置进行介电响应测试。
步骤S2，对油浸套管绝缘纸板进行介电响应测试、水分滴定检测和纤维素聚合度检测以分别获取油浸套管纸板的介电损耗曲线、含水量和聚合度。
其中，由DIRANA测试仪得到油浸样本的介电损耗曲线(tanδ)，具体参考图3和绝缘油直流电导率(σoil)；通过黏度测试法和卡尔菲修滴定法测得油浸样本的含水量(mc％)和聚合度(DP)。
步骤S3，基于介电损耗曲线和油浸套管绝缘纸板的绝缘油直流电导率提取表征绝缘含水量的介电指纹。
具体地，由介电响应测试得到20样本的介电损耗图像以及样本的绝缘油直流电导率σoil，公式如下：
由此提取表征套管绝缘含水量的特征参量(介电指纹)D1-D4，并将σoil视作辅助介电指纹D4。
步骤S4，以聚合度DP和含水量mc％为自变量X和自变量Y，以表征介电指纹的特征量Fi作为因变量进行拟合构建拟合分析模型。
虽然通过实验手段可提取绝缘样品的介电指纹Di(i＝1,2,3,4)，但上述小样本数据(20组)不足以实现对支持向量机多分类器的训练，且过少的样本会导致SVM模型泛化能力的不足。因此，为克服上述问题本发明提出了一种基于拟合分析技术进而获取大量拟合指纹数据的模型，并用于形成SVM老化状态分类模型的训练集。
为考虑水分-老化协同作用对介电指纹的影响，将DP值和含水量mc％定义为自变量。设：自变量X代表DP值，自变量Y代表含水量mc％，因变量Zi代表拟合指纹Fi,i＝1,2,3,4。参考图4。
选择两种不同类型的函数(指数型函数和分式型函数)对变量进行拟合，值得注意的是，因为介电损耗的积分值不可能为负，因此对所有函数的拟合式取绝对值；
将20组数据带入三维拟合函数，经过回归分析实现了对模型所包含参数的辨识，其表达式与参数如下所示：
F1＝|A0+A1·pow(X,A2)+A3·pow(Y,A4)+A5·pow(X,A2)·pow(Y,A4)|
F2＝|B0+B1·pow(X,B2)+B3·pow(Y,B4)+B5·pow(X,B2)·pow(Y,B4)|
F4＝|D0+D1·pow(X,D2)+D3·pow(Y,D4)+D5·pow(X,D2)·pow(Y,D4)|
其中A0-A4,B0-B5,C0-C9,D0-D5为方程参量,其取值范围[-5000,5000]，由此得到产生拟合指纹的拟合分析模型。
步骤S5，通过所述拟合分析模型，改变自变量X和自变量Y的取值，构建支持向量机的训练集。
由上述拟合分析模型取X和Y的步距分别为10和0.5，得到样本点(X，Y)带入上文拟合公式得到拟合指纹Fi(i＝1，2，3，4)，拟合指纹充当GA-SVM水分诊断模型的训练集。
步骤S6，由所述训练集完成支持向量机的训练，并通过遗传算法优化支持向量机的参数，构建遗传支持向量机水分诊断模型。
具体地，结合遗传算法和k-折交叉验证完成模型的训练。如图5所示，参数随迭代次数增加而不断优化，得到优化后的参数C(惩罚系数)和g(核函数参数)。由此完成了GA-SVM水分诊断模型的构建。
步骤S7，基于GA-SVM模型对实验室新制备油浸样本(不同老化状态)和现场在役套管进行水分诊断，从而证明本发明的有效性和准确度。
基于GA-SVM对实验室油浸样本(Lab.1-Lab.4)和现场套管(Field.1-Field.4)进行了水分诊断。除此之外，对于3组在役套管的水分诊断，GA-SVM模型和介电分析仪DIRANA得到了相近的结果，可知三组套管都处在含水量较低的状态。上述验证实验初步证明了GA-SVM模型的准确性和可靠性。
虽然结合附图描述了本发明的实施方式，但是专利所有者可以在所附权利要求的范围之内做出各种变形或修改，只要不超过本发明的权利要求所描述的保护范围，都应当在本发明的保护范围之内。
Claims (6)
1.一种基于频域介电响应和支持向量机的套管绝缘水分预测方法，其特征在于，包括以下步骤：
S1，获取不同老化和受潮状态的油浸套管绝缘纸板；
S2，对油浸套管绝缘纸板进行介电响应测试、水分滴定检测和纤维素聚合度检测以分别获取油浸套管纸板的介电损耗曲线、含水量和聚合度；
S3，基于介电损耗曲线和油浸套管绝缘纸板的绝缘油直流电导率提取表征绝缘含水量的介电指纹；
S4，以聚合度DP和含水量mc%为自变量X和自变量Y，以表征介电指纹的特征量Fi作为因变量进行拟合构建拟合分析模型；
S5，通过所述拟合分析模型，改变自变量X和自变量Y的取值，构建支持向量机的训练集；
S6，由所述训练集完成支持向量机的训练，并通过遗传算法优化支持向量机的参数，构建遗传支持向量机水分诊断模型。
2.根据权利要求1所述的基于频域介电响应和支持向量机的套管绝缘水分预测方法，其特征在于，步骤S1中的油浸套管绝缘纸板由套管油和纤维素纸板制得。
3.根据权利要求1所述的基于频域介电响应和支持向量机的套管绝缘水分预测方法，其特征在于，通过公式（1）和公式（2）提取表征油浸套管绝缘纸板含水量的介电指纹D1、介电指纹D2、介电指纹D3、介电指纹D4；
tanδ为介电损耗曲线，σoil为绝缘油直流电导率。
4.根据权利要求1所述的基于频域介电响应和支持向量机的套管绝缘水分预测方法，其特征在于，步骤S4的拟合分析模型其表达式如下所示：
其中a1-a6，b1-b6，c1-c10，d1-d6为方程参数，X表示自变量聚合度DP值，Y代表自变量含水量mc%，Zi代表介电指纹Di，i=1，2，3，4。
5.根据权利要求1所述的基于频域介电响应和支持向量机的套管绝缘水分预测方法，其特征在于，步骤S5中样本点自变量X和自变量Y带入拟合分析模型得到拟合指纹构成支持向量机的训练集。
6.根据权利要求1所述的基于频域介电响应和支持向量机的套管绝缘水分预测方法，其特征在于：步骤S6中设定初始种群和迭代次数，利用遗传算法对支持向量机的参数不断优化，然后利用训练集输入遗传支持向量机对其进行训练，直到迭代终止，从而完成遗传支持向量机水分诊断模型的构建。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011380762.0A CN112668604A (zh) | 2020-11-30 | 2020-11-30 | 基于频域介电响应和支持向量机的套管绝缘水分预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011380762.0A CN112668604A (zh) | 2020-11-30 | 2020-11-30 | 基于频域介电响应和支持向量机的套管绝缘水分预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112668604A true CN112668604A (zh) | 2021-04-16 |
Family
ID=75403940
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011380762.0A Pending CN112668604A (zh) | 2020-11-30 | 2020-11-30 | 基于频域介电响应和支持向量机的套管绝缘水分预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112668604A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114236331A (zh) * | 2021-12-03 | 2022-03-25 | 广西电网有限责任公司电力科学研究院 | 基于神经网络和指纹库的变压器绝缘状态识别方法及系统 |
| CN114487071A (zh) * | 2021-12-28 | 2022-05-13 | 深圳供电局有限公司 | 胶浸纸套管的含水量诊断方法、装置和计算机设备 |
| CN116861324A (zh) * | 2023-07-27 | 2023-10-10 | 西南石油大学 | 一种基于支持向量机计算稠油乳状液黏度的方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108760668A (zh) * | 2018-06-01 | 2018-11-06 | 南京林业大学 | 基于加权自动编码器的马尾松苗木根部水分快速测量方法 |
| CN110705003A (zh) * | 2019-08-14 | 2020-01-17 | 广西博电科技有限公司 | 基于深度拟合建立频域介电响应特征指纹数据库的方法 |
-
2020
- 2020-11-30 CN CN202011380762.0A patent/CN112668604A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108760668A (zh) * | 2018-06-01 | 2018-11-06 | 南京林业大学 | 基于加权自动编码器的马尾松苗木根部水分快速测量方法 |
| CN110705003A (zh) * | 2019-08-14 | 2020-01-17 | 广西博电科技有限公司 | 基于深度拟合建立频域介电响应特征指纹数据库的方法 |
Non-Patent Citations (1)
| Title |
|---|
| YIYI ZHANG等: "Moisture Prediction of Transformer Oil-Immersed", 《POLYMERS》, 6 July 2020 (2020-07-06), pages 1 - 5 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114236331A (zh) * | 2021-12-03 | 2022-03-25 | 广西电网有限责任公司电力科学研究院 | 基于神经网络和指纹库的变压器绝缘状态识别方法及系统 |
| CN114487071A (zh) * | 2021-12-28 | 2022-05-13 | 深圳供电局有限公司 | 胶浸纸套管的含水量诊断方法、装置和计算机设备 |
| CN116861324A (zh) * | 2023-07-27 | 2023-10-10 | 西南石油大学 | 一种基于支持向量机计算稠油乳状液黏度的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112668604A (zh) | 基于频域介电响应和支持向量机的套管绝缘水分预测方法 | |
| CN112505494B (zh) | 一种油纸绝缘含水量评估方法及装置 | |
| CN107860894B (zh) | 一种基于频域复介电常数初始斜率的变压器绝缘油中糠醛含量预测方法 | |
| CN111220885B (zh) | 一种基于频域介电模量估算变压器油纸绝缘的活化能的方法 | |
| CN109507554A (zh) | 一种电气设备绝缘状态评估方法 | |
| CN108089102B (zh) | 一种油浸式套管多层绝缘不均匀受潮的实验方法 | |
| Fan et al. | Polarization loss analysis and ageing characterisation of transformer oil‐immersed insulation by using decoupled frequency domain spectroscopy | |
| CN113514739A (zh) | 一种基于iwoa-bp算法的油纸绝缘老化评估方法 | |
| Liao et al. | A method for discriminating the moisture status of OIP bushing based on Dissado-hill and GWO-HMM model | |
| CN113553756A (zh) | 一种含气泡油纸绝缘状态评估模拟测试的方法及系统 | |
| CN113782113A (zh) | 一种基于深度残差网络下的变压器油中气体故障识别方法 | |
| García et al. | Investigating the influence of moisture on the 2FAL generation rate of transformers: A new model to estimate the DP of cellulosic insulation | |
| CN112269105A (zh) | 一种现场套管油浸纤维素绝缘的水分预测和老化评估方法 | |
| Liu et al. | A novel curve database for moisture evaluation of transformer oil-immersed cellulose insulation using FDS and exponential decay model | |
| CN116859189A (zh) | 一种套管含水量与频域介电谱特征关联性判断方法 | |
| CN114088660B (zh) | 一种基于稳健波长筛选的绝缘纸含水量评估方法 | |
| CN113792475B (zh) | 基于加权knn算法考虑变压器老化效应的水分含量评估方法 | |
| CN112257228A (zh) | 基于拟合指纹数据库预测现场套管油纸绝缘状态方法 | |
| CN109142996A (zh) | 一种油浸式高压套管水分侵入点的测试方法 | |
| CN113591363B (zh) | 一种基于多频超声检测的变压器油介质损耗回归预测方法 | |
| CN112257227A (zh) | 基于介电模量指纹数据库套管绝缘状态的评估方法 | |
| CN112710705B (zh) | 基于频域介电模量的套管油浸绝缘受潮状态评估方法 | |
| CN116087698A (zh) | 一种对高压套管热老化状态进行评估的方法及系统 | |
| CN113740674A (zh) | 介电响应测试方法、系统及存储介质 | |
| Aciu et al. | Determination of the condition of solid insulation in high-power transformers based on 2-furfuraldehyde and methanol markers using neural networks |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210416 |