CN112748317A - 基于多种监测数据的开关柜局部放电故障检测方法及系统 - Google Patents
基于多种监测数据的开关柜局部放电故障检测方法及系统 Download PDFInfo
- Publication number
- CN112748317A CN112748317A CN202110026079.5A CN202110026079A CN112748317A CN 112748317 A CN112748317 A CN 112748317A CN 202110026079 A CN202110026079 A CN 202110026079A CN 112748317 A CN112748317 A CN 112748317A
- Authority
- CN
- China
- Prior art keywords
- fault
- algorithm
- partial discharge
- data
- monitoring data
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 104
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 230000004927 fusion Effects 0.000 claims abstract description 110
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000011156 evaluation Methods 0.000 claims abstract description 20
- 238000012216 screening Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 54
- 238000012360 testing method Methods 0.000 claims description 45
- 230000001052 transient effect Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000009529 body temperature measurement Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000003750 conditioning effect Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract 1
- 239000002184 metal Substances 0.000 description 9
- 239000002904 solvent Substances 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Relating To Insulation (AREA)
Abstract
基于多种监测数据的开关柜局部放电故障检测方法及系统,采集多源异构的监测数据,分别建立故障识别算法库和数据融合算法库,利用自评价系统筛选出故障识别最优算法和数据融合最优算法,对各局部放电监测数据经故障识别最优算法获得的识别结果进行故障类型编码处理,以故障类型编码作为数据融合最优算法的输入数据,同时对故障类型编码赋予权重,经计算,以置性度最高的故障类型作为开关柜局部放电故障检测结果。该方法提高了开关柜局部放电故障识别的准确度,同时能够根据特定的传感器数据结构自动选择最优算法和融合方式,避免了人工挑选算法可能带来的误差。
Description
技术领域
本发明涉及电气设备状态监测与故障识别领域,更具体地,涉及基于多种监测数据的开关柜局部放电故障检测方法及系统。
背景技术
随着泛在电力物联网的提出和发展,基于信息感知的物联网技术成为了推动智能电网发展的重要手段。物联网技术使得电网中所有设备通过信息感知设备,按约定的协议,把设备连接起来进行信息交换和通信,其中对感知层的信息采集和信息聚合是物联网技术的核心。
现有电网运行数据表明,中压开关设备的大部分绝缘与载流性故障均与局部放电现象有关,因此,对中压开关设备的局部放电故障实时在线监测并合理采用相关智能算法准确识别,可显著减少配电设备的故障概率。
现有技术中,针对局部放电的模式识别问题,主要采用不同类型的传感器以获得局部放电的不同信息。传统局部放电模式识别分类决策方法包括:主成分分析法、聚类算法、神经网络算法以及基于核的识别方法。在运用这些方法时,除了对局部放电图谱人工提取特征信息以外,深度学习算法作为自动提取局部放电图谱特征的关键做技术而受到广泛的关注。
现有技术中,海量增长的监测数据也带来了许多问题,由于现场布置的传感器类型不同,输出的数据结构不同,从而导致局部放电监测数据的多源异构的处理难题。有效的数据融合已成为实现电力物联网的关键技术之一,不同的数据融合方法导致故障识别精度存在较大的差异,同时,众多的故障识别算法在处理不同的数据结构时也存在较大的差异。
发明内容
为解决现有技术中存在的不足,本发明的目的在于,提供基于多种监测数据的开关柜局部放电故障检测方法及系统,根据各种监测数据的不同数据结构和不同数据来源,分配最优的故障识别算法和数据融合算法,实现基于多源异构的局部放电监测数据自动进行故障识别,并且提升了故障识别精度。
本发明采用如下的技术方案。
基于多种监测数据的开关柜局部放电故障检测方法的步骤如下:
步骤1,采集不同种类的局部放电监测数据;
步骤2,生成局部放电故障识别算法的训练集和测试集;
步骤3,建立局部放电故障识别算法库;利用局部放电故障识别算法库,对局部放电故障识别算法的训练集中每种局部放电监测数据分配故障识别算法组合模型;利用局部放电故障识别算法的训练集训练后,保存故障识别算法组合模型;
步骤4,利用局部放电故障识别算法的测试集对故障识别算法组合模型进行测试;利用自评价系统对故障识别算法组合模型进行筛选,对于一种局部放电监测数据,其故障识别算法组合模型中识别精度最高的故障识别算法,作为其故障识别最优算法;
步骤5,将局部放电故障识别算法训练集经故障识别最优算法获得的故障识别结果进行组合,利用故障识别结果组合数据生成数据融合算法的训练集;将局部放电故障识别算法测试集经故障识别最优算法获得的故障识别结果进行组合,利用故障识别结果组合数据生成数据融合算法的测试集;
步骤6,建立数据融合算法库;利用数据融合算法库,对数据融合算法的训练集中的故障识别结果组合数据分配多种数据融合算法组合模型;利用数据融合算法的训练集训练后保存数据融合算法组合模型;
步骤7,利用数据融合算法的测试集对数据融合算法组合模型进行测试;利用自评价系统对数据融合算法组合模型进行筛选,即对于多种局部放电监测数据,经步骤4确定的故障识别最优算法获得的识别结果组合中识别精度最高的数据融合算法,作为数据融合最优算法;
步骤8,对各局部放电监测数据经故障识别最优算法获得的识别结果进行故障类型编码处理,以故障类型编码作为数据融合最优算法的输入数据,同时对故障类型编码赋予权重,经计算,以置性度最高的故障类型作为开关柜局部放电故障检测结果。
优选地,
在步骤1中,局部放电监测数据包括:放电脉冲幅值和相位数据、温度数据;
采集所述放电脉冲幅值和相位数据的传感器包括:超声传感器、暂态地电压传感器、特高频传感器;采集所述温度数据的传感器包括红外测温传感器。
优选地,
在步骤2中,
利用步骤1所采集的不同种类的局部放电监测数据,生成局部放电故障识别算法的训练集;
利用局部放电故障下的典型监测数据和非局部放电故障下的典型监测数据,生成局部放电故障识别算法的测试集。
优选地,
步骤3包括:
步骤3.1,利用多种故障识别算法及故障识别算法的训练程序,建立局部放电故障识别算法库;故障识别算法包括主成分分析法、支持向量机、BP神经网络、遗传算法、CNN卷积神经网络;
步骤3.2,根据局部放电故障识别算法的训练集中每种局部放电监测数据的数据结构差异以及该数据来自于传感器类型的不同,对每种局部放电监测数据分配包含多种故障识别算法组合模型;
步骤3.3,利用局部放电故障识别算法的训练集对每种局部放电监测数据的各故障识别算法组合模型进行训练,并保存全部故障识别算法组合模型。
优选地,
在步骤4中,利用自评价系统对故障识别算法组合模型进行筛选包括:
步骤4.1,统计故障识别算法组合模型对局部放电故障识别算法的测试集的测试结果中,正确的测试结果的数量;
步骤4.2,计算故障识别算法组合模型中的各故障识别算法的识别准确率;
步骤4.3,对于一种局部放电监测数据,以识别准确率最高的故障识别算法作为故障识别最优算法。
优选地,
在步骤5中,数据融合算法的测试集包括:局部放电故障典型监测数据经故障识别最优算法获得的故障识别结果组合数据、非局部放电故障典型监测数据经故障识别最优算法获得的故障识别结果组合数据。
优选地,
步骤6包括:
步骤6.1,利用多种数据融合算法及数据融合算法的训练程序,建立数据融合算法库;数据融合算法包括贝叶斯网络、粗糙集理论、D-S证据理论、神经网络以及深度学习算法;
步骤6.2,对数据融合算法的训练集中的故障识别结果组合数据分配多种数据融合算法组合模型;
步骤6.3,利用数据融合算法的训练集训练后保存数据融合算法组合模型。
优选地,
在步骤7中,利用自评价系统对数据融合算法组合模型进行筛选包括:
步骤7.1,统计数据融合算法组合模型对数据融合算法的测试集的测试结果中,正确的测试结果的数量;
步骤7.2,计算数据融合算法组合模型中的各数据融合算法的识别准确率;
步骤7.3,对于全部局部放电监测数据的故障识别结果数据,以识别准确率最高的数据融合算法作为数据融合最优算法。
优选地,
步骤8包括:
步骤8.1,利用0和1组成的序列,对各局部放电监测数据经故障识别最优算法获得的识别结果进行故障类型编码处理;
步骤8.2,以故障类型编码作为数据融合最优算法的输入数据;
步骤8.3,对故障类型编码先赋予随机初始权重,保证各随机初始权重之和为1,之后不断调整各故障类型编码的权重并训练得到其预测准确度,筛选得到准确度最高的权重分配方式;
步骤8.4,以置性度最高的故障类型作为开关柜局部放电故障检测结果。
基于多种监测数据的开关柜局部放电故障检测系统,包括:监测主机、局部放电传感模块、采集模块、通信模块;
监测主机包括:故障识别算法库模块、自评价系统模块以及融合算法库模块;
局部放电传感模块包括:特高频局部放电传感器、暂态地电压传感器、超声传感器、红外测温传感器;局部放电传感模块内置信号调理单元,用于将各传感器采集的模拟信号进行数模转换为数字信号;
局部放电传感模块将采集的不同种类的局部放电监测数据通过有线传输方式发送给采集模块,采集模块利用通信模块将多种局部放电监测数据通过无线传输方式发送给监测主机。
优选地,
特高频局部放电传感器安装在开关柜柜体外表面的接缝处;
暂态地电压传感器安装在开关柜柜体外表面的几何中心处;
红外测温传感器安装在开关柜柜体内表面上,且温度监控范围覆盖对柜内重要电气设备及连接部位;
超声传感器分别安装在开关柜柜体外表面的几何中心处。
本发明的有益效果在于,与现有技术相比,
1)实现对开关柜的局部放电采用特高频传感器、暂态地电压传感器、超声传感器以及红外测温传感器联合检测,在开关柜上合理布置多种传感器,比传统单一手段检测精度更高,可靠性更强。
2)建立多种局部放电故障识别算法库,通过自评价系统的筛选,能够依据传感器的类型与数据结构自动分配最优的故障识别算法,避免了目前故障识别中算法选择的困难。
3)建立多种数据融合算法库,在各传感器数据最优识别算法的基础上通过自评价系统的筛选,自动选择当前数据结构组成的最优融合方式,避免了目前融合算法选择的困难,大大提高故障识别的精度。
4)能够很好的解决目前传感器监测数据多源异构的难题,并依据现场的数据自动进行优化选择算法和数据融合方式,避免了仅依靠人工经验挑选单一算法的不足。
附图说明
图1是本发明基于多种监测数据的开关柜局部放电故障检测方法的流程图;
图2为本发明基于多种监测数据的开关柜局部放电故障检测系统的结构图;
图3是本发明基于多种监测数据的开关柜局部放电故障检测系统中传感器的布置示意图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本申请的保护范围。
如图1,基于多种监测数据的开关柜局部放电故障检测方法的步骤如下:
步骤1,采集不同种类的局部放电监测数据。
具体地,
在步骤1中,所述局部放电监测数据包括:放电脉冲幅值和相位数据、温度数据;
采集所述放电脉冲幅值和相位数据的传感器包括:超声传感器、暂态地电压传感器、特高频传感器;采集所述温度数据的传感器包括红外测温传感器。
本优选实施例中,还利用所采集的放电脉冲幅值和相位数据绘制局部放电相位图谱,利用所采集的温度数据绘制温度变化图谱。
步骤2,生成局部放电故障识别算法的训练集和测试集。
具体地,
在步骤2中,
利用步骤1所采集的不同种类的局部放电监测数据,生成局部放电故障识别算法的训练集;
利用局部放电故障下的典型监测数据和非局部放电故障下的典型监测数据,生成局部放电故障识别算法的测试集。
步骤3,建立局部放电故障识别算法库;利用局部放电故障识别算法库,对局部放电故障识别算法的训练集中每种局部放电监测数据分配故障识别算法组合模型;利用局部放电故障识别算法的训练集训练后,保存故障识别算法组合模型。
具体地,
步骤3包括:
步骤3.1,利用多种故障识别算法及故障识别算法的训练程序,建立局部放电故障识别算法库;故障识别算法包括主成分分析法、支持向量机、BP神经网络、遗传算法、CNN卷积神经网络;
步骤3.2,根据局部放电故障识别算法的训练集中每种局部放电监测数据的数据结构差异以及该数据来自于传感器类型的不同,对每种局部放电监测数据分配包含多种故障识别算法组合模型;
步骤3.3,利用局部放电故障识别算法的训练集对每种局部放电监测数据的各故障识别算法组合模型进行训练,并保存全部故障识别算法组合模型。
步骤4,利用局部放电故障识别算法的测试集对故障识别算法组合模型进行测试;利用自评价系统对故障识别算法组合模型进行筛选,对于一种局部放电监测数据,其故障识别算法组合模型中识别精度最高的故障识别算法,作为其故障识别最优算法。
具体地,
在步骤4中,利用自评价系统对故障识别算法组合模型进行筛选包括:
步骤4.1,统计故障识别算法组合模型对局部放电故障识别算法的测试集的测试结果中,正确的测试结果的数量;
步骤4.2,计算故障识别算法组合模型中的各故障识别算法的识别准确率;
步骤4.3,对于一种局部放电监测数据,以识别准确率最高的故障识别算法作为故障识别最优算法。
步骤5,将局部放电故障识别算法训练集经故障识别最优算法获得的故障识别结果进行组合,利用故障识别结果组合数据生成数据融合算法的训练集;将局部放电故障识别算法测试集经故障识别最优算法获得的故障识别结果进行组合,利用故障识别结果组合数据生成数据融合算法的测试集。
具体地,
在步骤5中,数据融合算法的测试集包括:局部放电故障典型监测数据经故障识别最优算法获得的故障识别结果组合数据、非局部放电故障典型监测数据经故障识别最优算法获得的故障识别结果组合数据。
步骤6,建立数据融合算法库;利用数据融合算法库,对数据融合算法的训练集中的故障识别结果组合数据分配多种数据融合算法组合模型;利用数据融合算法的训练集训练后保存数据融合算法组合模型。
具体地,
步骤6包括:
步骤6.1,利用多种数据融合算法及数据融合算法的训练程序,建立数据融合算法库;数据融合算法包括贝叶斯网络、粗糙集理论、D-S证据理论、神经网络以及深度学习算法;
步骤6.2,对数据融合算法的训练集中的故障识别结果组合数据分配多种数据融合算法组合模型;
步骤6.3,利用数据融合算法的训练集训练后保存数据融合算法组合模型。
步骤7,利用数据融合算法的测试集对数据融合算法组合模型进行测试;利用自评价系统对数据融合算法组合模型进行筛选,即对于多种局部放电监测数据,经步骤4确定的故障识别最优算法获得的识别结果组合中识别精度最高的数据融合算法,作为数据融合最优算法。
具体地,
在步骤7中,利用自评价系统对数据融合算法组合模型进行筛选包括:
步骤7.1,统计数据融合算法组合模型对数据融合算法的测试集的测试结果中,正确的测试结果的数量;
步骤7.2,计算数据融合算法组合模型中的各数据融合算法的识别准确率;
步骤7.3,对于全部局部放电监测数据的故障识别结果数据,以识别准确率最高的数据融合算法作为数据融合最优算法。
步骤8,对各局部放电监测数据经故障识别最优算法获得的识别结果进行故障类型编码处理,以故障类型编码作为数据融合最优算法的输入数据,同时对故障类型编码赋予权重,经计算,以置性度最高的故障类型作为开关柜局部放电故障检测结果。
具体地,
步骤8包括:
步骤8.1,利用0和1组成的序列,对各局部放电监测数据经故障识别最优算法获得的识别结果进行故障类型编码处理;
步骤8.2,以故障类型编码作为数据融合最优算法的输入数据;
步骤8.3,对故障类型编码先赋予随机初始权重,保证各随机初始权重之和为1,之后不断调整各故障类型编码的权重并训练得到其预测准确度,筛选得到准确度最高的权重分配方式;
步骤8.4,以置性度最高的故障类型作为开关柜局部放电故障检测结果。
如图2,基于多种监测数据的开关柜局部放电故障检测系统,包括:监测主机、局部放电传感模块、采集模块、通信模块;
监测主机包括:故障识别算法库模块、自评价系统模块以及融合算法库模块;
局部放电传感模块包括:特高频局部放电传感器、暂态地电压传感器、超声传感器、红外测温传感器;局部放电传感模块内置信号调理单元,用于将各传感器采集的模拟信号进行数模转换为数字信号;
局部放电传感模块将采集的不同种类的局部放电监测数据通过有线传输方式发送给采集模块,采集模块利用通信模块将多种局部放电监测数据通过无线传输方式发送给监测主机。
具体地,
特高频局部放电传感器安装在开关柜柜体外表面的接缝处;本优选实施例中,如图3,在开关柜柜体的顶部柜面与左侧柜面的接缝处,安装第一台特高频局部放电传感器,并且该传感器一端紧靠开关柜柜体的正面柜面;在开关柜柜体的正面柜面中部的接缝处,安装第二台特高频局部放电传感器;在开关柜柜体的右侧柜面与正面柜面的接缝处,安装第三台特高频局部放电传感器,并且该传感器一端紧靠开关柜柜体的底部柜面。
暂态地电压传感器安装在开关柜柜体外表面的几何中心处;本优选实施例中,如图3,在开关柜柜体的顶部柜面、左侧柜面、右侧柜面以及正面柜面的几何中心处均安装暂态地电压传感器。
红外测温传感器安装在开关柜柜体内表面上,且温度监控范围覆盖对柜内重要电气设备及连接部位;本优选实施例中,红外测温传感器安装在开关柜柜体内表面上,且保证对柜内隔离刀闸接头、移开式断路器插头等重要部位的温度监控覆盖到位;本优选实施例中,如图3,在开关柜柜体内部的顶部柜面、左侧柜面、右侧柜面以及正面柜面处、且靠近柜内隔离刀闸接头、移开式断路器插头等重要部位处均安装有红外测温传感器。
超声传感器分别安装在开关柜柜体外表面的几何中心处;本优选实施例中,如图3,在开关柜柜体的顶部柜面、左侧柜面、右侧柜面以及正面柜面的几何中心处均安装超声传感器。
本发明的有益效果在于,与现有技术相比,
1)实现对开关柜的局部放电采用特高频传感器、暂态地电压传感器、超声传感器以及红外测温传感器联合检测,在开关柜上合理布置多种传感器,比传统单一手段检测精度更高,可靠性更强。
2)建立多种局部放电故障识别算法库,通过自评价系统的筛选,能够依据传感器的类型与数据结构自动分配最优的故障识别算法,避免了目前故障识别中算法选择的困难。
3)建立多种数据融合算法库,在各传感器数据最优识别算法的基础上通过自评价系统的筛选,自动选择当前数据结构组成的最优融合方式,避免了目前融合算法选择的困难,大大提高故障识别的精度。
4)能够很好的解决目前传感器监测数据多源异构的难题,并依据现场的数据自动进行优化选择算法和数据融合方式,避免了仅依靠人工经验挑选单一算法的不足。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施示例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (11)
1.基于多种监测数据的开关柜局部放电故障检测方法,其特征在于,
开关柜局部放电故障检测方法的步骤如下:
步骤1,采集不同种类的局部放电监测数据;
步骤2,生成局部放电故障识别算法的训练集和测试集;
步骤3,建立局部放电故障识别算法库;利用局部放电故障识别算法库,对局部放电故障识别算法的训练集中每种局部放电监测数据分配故障识别算法组合模型;利用局部放电故障识别算法的训练集训练后,保存故障识别算法组合模型;
步骤4,利用局部放电故障识别算法的测试集对故障识别算法组合模型进行测试;利用自评价系统对故障识别算法组合模型进行筛选,对于一种局部放电监测数据,其故障识别算法组合模型中识别精度最高的故障识别算法,作为其故障识别最优算法;
步骤5,将局部放电故障识别算法训练集经故障识别最优算法获得的故障识别结果进行组合,利用故障识别结果组合数据生成数据融合算法的训练集;将局部放电故障识别算法测试集经故障识别最优算法获得的故障识别结果进行组合,利用故障识别结果组合数据生成数据融合算法的测试集;
步骤6,建立数据融合算法库;利用数据融合算法库,对数据融合算法的训练集中的故障识别结果组合数据分配多种数据融合算法组合模型;利用数据融合算法的训练集训练后保存数据融合算法组合模型;
步骤7,利用数据融合算法的测试集对数据融合算法组合模型进行测试;利用自评价系统对数据融合算法组合模型进行筛选,即对于多种局部放电监测数据,经步骤4确定的故障识别最优算法获得的识别结果组合中识别精度最高的数据融合算法,作为数据融合最优算法;
步骤8,对各局部放电监测数据经故障识别最优算法获得的识别结果进行故障类型编码处理,以故障类型编码作为数据融合最优算法的输入数据,同时对故障类型编码赋予权重,经计算,以置性度最高的故障类型作为开关柜局部放电故障检测结果。
2.根据权利要求1所述的基于多种监测数据的开关柜局部放电故障检测方法,其特征在于,
在步骤1中,所述局部放电监测数据包括:放电脉冲幅值和相位数据、温度数据;
采集所述放电脉冲幅值和相位数据的传感器包括:超声传感器、暂态地电压传感器、特高频传感器;采集所述温度数据的传感器包括红外测温传感器。
3.根据权利要求1所述的基于多种监测数据的开关柜局部放电故障检测方法,其特征在于,
在步骤2中,
利用步骤1所采集的不同种类的局部放电监测数据,生成局部放电故障识别算法的训练集;
利用局部放电故障下的典型监测数据和非局部放电故障下的典型监测数据,生成局部放电故障识别算法的测试集。
4.根据权利要求1所述的基于多种监测数据的开关柜局部放电故障检测方法,其特征在于,
步骤3包括:
步骤3.1,利用多种故障识别算法及故障识别算法的训练程序,建立局部放电故障识别算法库;故障识别算法包括主成分分析法、支持向量机、BP神经网络、遗传算法、CNN卷积神经网络;
步骤3.2,根据局部放电故障识别算法的训练集中每种局部放电监测数据的数据结构差异以及该数据来自于传感器类型的不同,对每种局部放电监测数据分配包含多种故障识别算法组合模型;
步骤3.3,利用局部放电故障识别算法的训练集对每种局部放电监测数据的各故障识别算法组合模型进行训练,并保存全部故障识别算法组合模型。
5.根据权利要求1所述的基于多种监测数据的开关柜局部放电故障检测方法,其特征在于,
在步骤4中,利用自评价系统对故障识别算法组合模型进行筛选包括:
步骤4.1,统计故障识别算法组合模型对局部放电故障识别算法的测试集的测试结果中,正确的测试结果的数量;
步骤4.2,计算故障识别算法组合模型中的各故障识别算法的识别准确率;
步骤4.3,对于一种局部放电监测数据,以识别准确率最高的故障识别算法作为故障识别最优算法。
6.根据权利要求1所述的基于多种监测数据的开关柜局部放电故障检测方法,其特征在于,
在步骤5中,数据融合算法的测试集包括:局部放电故障典型监测数据经故障识别最优算法获得的故障识别结果组合数据、非局部放电故障典型监测数据经故障识别最优算法获得的故障识别结果组合数据。
7.根据权利要求1所述的基于多种监测数据的开关柜局部放电故障检测方法,其特征在于,
步骤6包括:
步骤6.1,利用多种数据融合算法及数据融合算法的训练程序,建立数据融合算法库;数据融合算法包括贝叶斯网络、粗糙集理论、D-S证据理论、神经网络以及深度学习算法;
步骤6.2,对数据融合算法的训练集中的故障识别结果组合数据分配多种数据融合算法组合模型;
步骤6.3,利用数据融合算法的训练集训练后保存数据融合算法组合模型。
8.根据权利要求1所述的基于多种监测数据的开关柜局部放电故障检测方法,其特征在于,
在步骤7中,利用自评价系统对数据融合算法组合模型进行筛选包括:
步骤7.1,统计数据融合算法组合模型对数据融合算法的测试集的测试结果中,正确的测试结果的数量;
步骤7.2,计算数据融合算法组合模型中的各数据融合算法的识别准确率;
步骤7.3,对于全部局部放电监测数据的故障识别结果数据,以识别准确率最高的数据融合算法作为数据融合最优算法。
9.根据权利要求1所述的基于多种监测数据的开关柜局部放电故障检测方法,其特征在于,
步骤8包括:
步骤8.1,利用0和1组成的序列,对各局部放电监测数据经故障识别最优算法获得的识别结果进行故障类型编码处理;
步骤8.2,以故障类型编码作为数据融合最优算法的输入数据;
步骤8.3,对故障类型编码先赋予随机初始权重,保证各随机初始权重之和为1,之后不断调整各故障类型编码的权重并训练得到其预测准确度,筛选得到准确度最高的权重分配方式;
步骤8.4,以置性度最高的故障类型作为开关柜局部放电故障检测结果。
10.利用权利要求1至9所述的基于多种监测数据的开关柜局部放电故障检测方法的开关柜局部放电故障检测系统,其特征在于,
所述检测系统,包括:监测主机、局部放电传感模块、采集模块、通信模块;
所述监测主机包括:故障识别算法库模块、自评价系统模块以及融合算法库模块;
局部放电传感模块包括:特高频局部放电传感器、暂态地电压传感器、超声传感器、红外测温传感器;局部放电传感模块内置信号调理单元,用于将各传感器采集的模拟信号进行数模转换为数字信号;
局部放电传感模块将采集的不同种类的局部放电监测数据通过有线传输方式发送给采集模块,采集模块利用通信模块将多种局部放电监测数据通过无线传输方式发送给监测主机。
11.根据权利要求10所述的基于多种监测数据的开关柜局部放电故障检测系统,其特征在于,
所述特高频局部放电传感器安装在开关柜柜体外表面的接缝处;
所述暂态地电压传感器安装在开关柜柜体外表面的几何中心处;
所述红外测温传感器安装在开关柜柜体内表面上,且温度监控范围覆盖对柜内重要电气设备及连接部位;
所述超声传感器分别安装在开关柜柜体外表面的几何中心处。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110026079.5A CN112748317B (zh) | 2021-03-23 | 2021-03-23 | 基于多种监测数据的开关柜局部放电故障检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110026079.5A CN112748317B (zh) | 2021-03-23 | 2021-03-23 | 基于多种监测数据的开关柜局部放电故障检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112748317A true CN112748317A (zh) | 2021-05-04 |
CN112748317B CN112748317B (zh) | 2022-03-25 |
Family
ID=75650402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110026079.5A Active CN112748317B (zh) | 2021-03-23 | 2021-03-23 | 基于多种监测数据的开关柜局部放电故障检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112748317B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113720724A (zh) * | 2021-08-31 | 2021-11-30 | 广西电网有限责任公司南宁供电局 | 一种空气型开关柜用伴生物预警检测方法 |
CN113884846A (zh) * | 2021-12-07 | 2022-01-04 | 山东理工大学 | 一种用于开关柜的局放及温升在线监测系统 |
CN117148076A (zh) * | 2023-10-31 | 2023-12-01 | 南通豪强电器设备有限公司 | 一种多特征融合的高压开关柜局部放电识别方法及系统 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592172A (zh) * | 2012-02-14 | 2012-07-18 | 西安交通大学 | 一种基于敏感测点数据融合的行星轮故障识别方法 |
CN105372534A (zh) * | 2015-12-04 | 2016-03-02 | 国网河南省电力公司电力科学研究院 | 一种多传感器多参量信息智能融合系统 |
CN105372087A (zh) * | 2015-11-30 | 2016-03-02 | 南通大学 | 基于多传感器信号分析的故障诊断方法 |
CN105515184A (zh) * | 2015-12-04 | 2016-04-20 | 国网河南省电力公司电力科学研究院 | 基于无线传感网络的多传感器多参量配网协同监测系统 |
CN105548832A (zh) * | 2015-12-10 | 2016-05-04 | 国网四川省电力公司电力科学研究院 | 高压电力电缆故障识别方法 |
CN106156485A (zh) * | 2016-06-16 | 2016-11-23 | 广州供电局有限公司 | 电力变压器故障诊断方法及装置 |
CN106199305A (zh) * | 2016-07-01 | 2016-12-07 | 太原理工大学 | 煤矿井下供电系统用干式变压器绝缘健康状态评估方法 |
US20170106765A1 (en) * | 2015-10-16 | 2017-04-20 | Hyundai Motor Company | Method and system for detecting fusion of relay |
EP3440472A1 (fr) * | 2016-04-08 | 2019-02-13 | Commissariat à l'Énergie Atomique et aux Énergies Alternatives | Procede de detection de defauts non francs dans un cable par fusion de donnees |
CN109856488A (zh) * | 2019-03-15 | 2019-06-07 | 长沙理工大学 | 一种基于多源数据融合的变压器状态评估及故障检测方法 |
CN110929763A (zh) * | 2019-10-30 | 2020-03-27 | 西安交通大学 | 基于多源数据融合的中压真空断路器机械故障诊断方法 |
CN111488946A (zh) * | 2020-04-28 | 2020-08-04 | 东南大学 | 基于信息融合的雷达伺服系统故障诊断方法 |
CN111537853A (zh) * | 2020-06-29 | 2020-08-14 | 国网山东省电力公司菏泽供电公司 | 基于多源异构数据分析的开关柜局部放电智能检测方法 |
CN111626153A (zh) * | 2020-05-13 | 2020-09-04 | 电子科技大学 | 一种基于集成学习的局放故障状态识别方法 |
CN111679166A (zh) * | 2020-07-23 | 2020-09-18 | 国家电网有限公司 | 基于无线传输技术的开关柜局部放电故障多源信息融合检测预警系统及方法 |
CN111880035A (zh) * | 2020-08-06 | 2020-11-03 | 国网四川省电力公司电力科学研究院 | 基于多源量测数据的配电网故障监测系统及方法 |
-
2021
- 2021-03-23 CN CN202110026079.5A patent/CN112748317B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592172A (zh) * | 2012-02-14 | 2012-07-18 | 西安交通大学 | 一种基于敏感测点数据融合的行星轮故障识别方法 |
US20170106765A1 (en) * | 2015-10-16 | 2017-04-20 | Hyundai Motor Company | Method and system for detecting fusion of relay |
CN105372087A (zh) * | 2015-11-30 | 2016-03-02 | 南通大学 | 基于多传感器信号分析的故障诊断方法 |
CN105372534A (zh) * | 2015-12-04 | 2016-03-02 | 国网河南省电力公司电力科学研究院 | 一种多传感器多参量信息智能融合系统 |
CN105515184A (zh) * | 2015-12-04 | 2016-04-20 | 国网河南省电力公司电力科学研究院 | 基于无线传感网络的多传感器多参量配网协同监测系统 |
CN105548832A (zh) * | 2015-12-10 | 2016-05-04 | 国网四川省电力公司电力科学研究院 | 高压电力电缆故障识别方法 |
EP3440472A1 (fr) * | 2016-04-08 | 2019-02-13 | Commissariat à l'Énergie Atomique et aux Énergies Alternatives | Procede de detection de defauts non francs dans un cable par fusion de donnees |
CN106156485A (zh) * | 2016-06-16 | 2016-11-23 | 广州供电局有限公司 | 电力变压器故障诊断方法及装置 |
CN106199305A (zh) * | 2016-07-01 | 2016-12-07 | 太原理工大学 | 煤矿井下供电系统用干式变压器绝缘健康状态评估方法 |
CN109856488A (zh) * | 2019-03-15 | 2019-06-07 | 长沙理工大学 | 一种基于多源数据融合的变压器状态评估及故障检测方法 |
CN110929763A (zh) * | 2019-10-30 | 2020-03-27 | 西安交通大学 | 基于多源数据融合的中压真空断路器机械故障诊断方法 |
CN111488946A (zh) * | 2020-04-28 | 2020-08-04 | 东南大学 | 基于信息融合的雷达伺服系统故障诊断方法 |
CN111626153A (zh) * | 2020-05-13 | 2020-09-04 | 电子科技大学 | 一种基于集成学习的局放故障状态识别方法 |
CN111537853A (zh) * | 2020-06-29 | 2020-08-14 | 国网山东省电力公司菏泽供电公司 | 基于多源异构数据分析的开关柜局部放电智能检测方法 |
CN111679166A (zh) * | 2020-07-23 | 2020-09-18 | 国家电网有限公司 | 基于无线传输技术的开关柜局部放电故障多源信息融合检测预警系统及方法 |
CN111880035A (zh) * | 2020-08-06 | 2020-11-03 | 国网四川省电力公司电力科学研究院 | 基于多源量测数据的配电网故障监测系统及方法 |
Non-Patent Citations (5)
Title |
---|
FUCHUN CHEN等: "Research on External Insulation State Detection Method Based on Information Fusion", 《 2020 IEEE 3RD INTERNATIONAL CONFERENCE ON DIELECTRICS (ICD)》 * |
JIANYONG AI等: "The Information Fusion of the IR and UV Image for the Insulation Fault Diagnosis", 《 2018 21ST INTERNATIONAL CONFERENCE ON INFORMATION FUSION (FUSION)》 * |
李典阳等: "基于多预测模型融合的电力变压器安全预判", 《中国电力》 * |
王宇等: "基于多源数据融合的电网故障智能诊断方法研究", 《电子器件》 * |
邓淇文等: "基于多源异构数据采集分析的高压开关柜可靠性评估的研究", 《电力设备管理》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113720724A (zh) * | 2021-08-31 | 2021-11-30 | 广西电网有限责任公司南宁供电局 | 一种空气型开关柜用伴生物预警检测方法 |
CN113720724B (zh) * | 2021-08-31 | 2024-04-02 | 广西电网有限责任公司南宁供电局 | 一种空气型开关柜用伴生物预警检测方法 |
CN113884846A (zh) * | 2021-12-07 | 2022-01-04 | 山东理工大学 | 一种用于开关柜的局放及温升在线监测系统 |
CN113884846B (zh) * | 2021-12-07 | 2022-02-15 | 山东理工大学 | 一种用于开关柜的局放及温升在线监测系统 |
CN117148076A (zh) * | 2023-10-31 | 2023-12-01 | 南通豪强电器设备有限公司 | 一种多特征融合的高压开关柜局部放电识别方法及系统 |
CN117148076B (zh) * | 2023-10-31 | 2024-01-26 | 南通豪强电器设备有限公司 | 一种多特征融合的高压开关柜局部放电识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112748317B (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112748317B (zh) | 基于多种监测数据的开关柜局部放电故障检测方法及系统 | |
JP3100757B2 (ja) | 監視診断装置 | |
CN107609569B (zh) | 一种基于多维特征向量的配电网接地故障定位方法 | |
CN105425118B (zh) | 一种多信息融合故障电弧检测方法及装置 | |
CN116363601B (zh) | 一种污染监测设备的数据采集与分析方法及系统 | |
CN112069930A (zh) | 提升gis设备故障诊断准确率的振动信号处理方法及装置 | |
CN108562821B (zh) | 一种基于Softmax确定配电网单相接地故障选线的方法及系统 | |
CN108418304B (zh) | 变电站二次回路状态监测方法、装置及系统 | |
CN115460647B (zh) | 基于eSIM卡和5G基站的物联网故障定位方法及系统 | |
CN105574669A (zh) | 时空联合数据聚类分析的输变电设备状态异常检测方法 | |
CN112180204A (zh) | 一种基于电气量信息的电网线路故障诊断方法 | |
CN110703078A (zh) | 基于频谱能量分析与自组织竞争算法的gis故障诊断方法 | |
CN115453286A (zh) | Gis局部放电诊断方法、模型训练方法、装置及系统 | |
CN112149569A (zh) | 变压器基于模糊c均值聚类算法的声纹故障诊断方法 | |
CN105425105A (zh) | 电网故障线段综合定位方法及系统 | |
CN115128345A (zh) | 一种基于谐波监测的电网安全预警方法及系统 | |
CN114720819A (zh) | 一种基于自校验学习的故障区段二分定位方法 | |
CN113406439A (zh) | 一种配电网故障定位方法 | |
CN115586402B (zh) | 配电网故障诊断与处理方法 | |
CN106646106A (zh) | 基于变点探测技术的电网故障检测方法 | |
CN106646138A (zh) | 基于多采样频率小波特征能量折算的配电网接地故障定位方法 | |
CN116430181A (zh) | 一种gis外部局部放电识别方法、装置、设备及介质 | |
CN115221215A (zh) | 基于物联网设备状态感知系统 | |
CN113608066B (zh) | 一种基于磁场检测的配网架空线路单相接地故障定位方法 | |
CN114091340A (zh) | 一种基于多物理场直流局部放电模型的构建与判别方法 |
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 |