CN112748320B - 一种特高频局部放电故障类型检测方法及系统 - Google Patents

一种特高频局部放电故障类型检测方法及系统 Download PDF

Info

Publication number
CN112748320B
CN112748320B CN202011504913.9A CN202011504913A CN112748320B CN 112748320 B CN112748320 B CN 112748320B CN 202011504913 A CN202011504913 A CN 202011504913A CN 112748320 B CN112748320 B CN 112748320B
Authority
CN
China
Prior art keywords
electromagnetic wave
partial discharge
vector
ultrahigh frequency
neural network
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
CN202011504913.9A
Other languages
English (en)
Other versions
CN112748320A (zh
Inventor
许明
戎铖
陈国金
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202011504913.9A priority Critical patent/CN112748320B/zh
Publication of CN112748320A publication Critical patent/CN112748320A/zh
Application granted granted Critical
Publication of CN112748320B publication Critical patent/CN112748320B/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
    • 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
    • G01R31/14—Circuits therefor, e.g. for generating test voltages, sensing circuits

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明公开了一种特高频局部放电故障类型检测方法及系统。现有技术中大部分局部放电检测工作主要是依靠运维人员通过带电检测仪器完成。本发明如下：一、在被测电力设备的周围布置电磁波检测传感器。电磁波检测传感器检测被测电力设备是否释放出电磁波信号。二、当电磁波检测传感器检测到电磁波信号时，将该电磁波信号进行连续小波变换后，提取出m种特征。三、将步骤二得到的m种特征导入训练好的SOFM神经网络中，SOFM神经网络输出被测电力设备发生各类型局部放电的概率。本发明利用基于自组织特征映射(SOFM)神经网络得到局部放电诊断模型，实现了检测系统的无监督全自动检测，极大降低了检测效率和检测成本。

Description

一种特高频局部放电故障类型检测方法及系统
技术领域
本发明属于电气设备绝缘状态监测技术领域，具体涉及一种特高频局部放电检测系统和方法。
背景技术
电网设备检修是电力生产管理工作的重要组成部分，对提高设备健康水平、保证电网安全供电发挥了重要作用。高压电气设备绝缘故障常常起源于局部放电造成的绝缘劣化，当设备绝缘发生贯穿性放电前，往往先发生局部放电现象，局部放电会产生声、光、电等信号，通过检测这些信号能够在缺陷早期及时发现设备内部存在的局部放电现象，从而避免缺陷的扩大，而放电源的准确定位能极大的提高缺陷排查针对性及检修效率。因此需要一种有效手段对高压电气设备内部局部放电进行检测和定位，从而提高设备的运行可用系数。
现有技术中大部分局部放电检测工作主要是依靠运维人员通过带电检测仪器完成，并无数据诊断和有效定位功能，检测过程需要检测人员自行对数据进行分析判断，而局部放电的诊断往往需要经过长久的经验积累才能做到准确判断，局部放电带电检测工作对检测人员专业技能要求较高，不利于局部放电带电检测工作在电网基层的开展。
发明内容
本发明的目的在于针对局部放电类型检测的困难，提供一种特高频局部放电故障类型检测方法及系统。
本发明一种特高频局部放电故障类型检测方法，具体如下：
步骤一、在被测电力设备的周围布置电磁波检测传感器。电磁波检测传感器检测被测电力设备是否释放出电磁波信号。
步骤二、当电磁波检测传感器检测到电磁波信号时，将该电磁波信号进行连续小波变换后，提取出m种特征。该m种特征中包含时域特征或位置特征，还包括频域特征或尺度特征。
步骤三、将步骤二得到的m种特征导入训练好的SOFM神经网络中，SOFM神经网络输出被测电力设备发生各类型局部放电的概率。
作为优选，步骤二中提取的特征数量m＝5；该五种特征分别为CWT峰值、峰间持续时间、子带尺度能量、带宽和子带尺度熵。
作为优选，所述被测电力设备的周围布置了四个电磁波检测传感器。在判断局部放电类型后，根据四个电磁波检测传感器检测到电磁波信号的时间，通过TDOA定位法确定发生局部放电故障的具体位置。
作为优选，所述的电磁波检测传感器采用微带天线。
作为优选，SOFM神经网络训练的方法具体如下：
步骤S1：神经网络初始化。
对SOFM神经网络中的各权值wij分别赋小随机数；小随机数的取值范围为0～10；给定学习率初值η(0)；确定初始优胜邻域初值；设定输入神经个数为m，设定输出神经元的个数为n。
步骤S2：建立训练集
以不同类型局部放电释放出的特高频电磁波信号经小波变换提取出的m种特征为训练样本向量，建立训练集。训练集中的各训练样本向量均带有标签。训练样本向量
Figure BDA0002844666660000021
Figure BDA0002844666660000022
为m维向量。将训练集中的各个训练样本向量
Figure BDA0002844666660000023
依次加入到输入层，并按照步骤S3～S6进行学习，调整神经元权值，直到网络收敛。
步骤S3：向量归一化。对训练样本向量
Figure BDA0002844666660000024
和权值向量wj(t)，全部进行归一化处理：
Figure BDA0002844666660000025
Figure BDA0002844666660000026
其中，wj′(t)为归一化权值向量；X为归一化样本向量；||wj(t)||为权值向量的欧几里得范数；
Figure BDA0002844666660000027
为训练样本向量；
Figure BDA0002844666660000028
为训练样本向量
Figure BDA0002844666660000029
的欧几里得范数；xi为训练样本向量
Figure BDA00028446666600000210
的第i个特征分量值；
步骤S4：寻找获胜神经元。分别计算输入的归一化样本向量X和输出层各个权值向量wj′(t)之间的欧式距离dj，j＝1，2，…，n；据此确定获胜神经元：
Figure BDA0002844666660000031
其中，dj为归一化样本向量与神经元的权值向量的欧几里得距离；
步骤S5：定义归一化样本向量X对应的优胜邻域。迭代邻域半径r(t)和学习速率η(t)如下：
Figure BDA0002844666660000032
Figure BDA0002844666660000033
其中，r(t+1)、η(t+1)分别表示迭代出下一个邻域半径、学习率；r(t)、η(t)分别表示当前领域半径、学习率；t为当前学习迭代次数，T为最大迭代训练次数；INT(·)为取整函数。
步骤S6：调整权值。对优胜邻域内所有神经元的权值进行调整如下：
wji(t+1)＝wji(t)+η(t)hc，j(t)(xi-wji(t))
式中，wji(t+1)表示迭代出下一个权值；wji(t)表示当前权值；tc，j(t)为邻域函数。
一种特高频局部放电故障类型检测系统，包括特高频传感器组、信号调节模块和上位机。特高频传感器组包括布置在被测电力设备四周的四个电磁波检测传感器。各电磁波检测传感器的输出信号均经过信号调节模块处理后传输到上位机。
作为优选，所述信号调节模块包括依次连接的输入级、滤波器、信号放大器、检波器和输出级。所述输入级和输出级均处于阻抗匹配状态，输入级与特高频传感器的输出线通过同轴电缆相连，输出级与上位机相连。
作为优选，信号调节模块的电源是由降压变压器和桥式整流器组成的恒直流电源单元提供。供电单元和信号调节模块各自独立屏蔽。
作为优选，所述的信号滤波器为带通滤波器。
作为优选，所述的放大器为宽带放大器。
本发明具有的有益效果是：
1、本发明利用基于自组织特征映射(SOFM)神经网络得到局部放电诊断模型，与卷积等其他神经网络相比，具有非线性降维映射、无需监督、执行时间更快、输出分类更加明显精确等优点，实现了检测系统的无监督全自动检测，极大降低了检测效率和检测成本。
2、与现有的局部放电传感器相比，本发明采用特高频(UHF)传感器检测局部放电较为明显的特高频电磁波信号；同时在变电站外围任意位置安装4个局部放电传感器对整个变电站进行监测是经济和方便的。
3、本发明采用小波变换法将信号从时域变换成时频域从而提取信号特征，与基于时域和频域分离分析相比，时频域分析可以从非平稳脉冲放电信号中提取更多的信息。
附图说明
图1是本发明提供的一种特高频局部放电缺陷类型诊断及定位的系统流程示意图；
图2为本发明中信号调节模块的架构示意图；
图3为本发明无监督神经网络训练算法的流程示意图。
具体实施方式
以下结合附图对本发明作进一步说明。
如图1和2所示，一种特高频局部放电检测系统，包括依次连接的特高频传感器组、放电源信号调节模块和上位机。上位机采用PC端。所述特高频传感器组包含四个传感器，可任意安装在变电站四周，每个传感器均采用微带贴片天线，用于耦合300～3000MHz的特高频电磁波信号，之所以选择微带天线，是因为它结构坚固、易于制造、重量轻，而且设计简单。天线所在面为环氧树脂用于接收放电信号，其他部分采用金属材料屏蔽，以防止外部信号干扰。
所述信号调节模块包括输入级、滤波器、信号放大器、检波器、输出级和屏蔽铝制外壳。信号滤波器为带通滤波器，用于滤除外部的干扰信号，如手机信号；放大器为宽带放大器，用于传感器输出电压信号的放大；检波器用于降低特高频信号频率，保留信号的峰值和相位，以便信号数据分析处理；所述输入级和输出级均处于阻抗匹配状态，输入级与特高频传感器的输出线通过同轴电缆相连，输出级与PC端相连。信号调节模块的电源是由降压变压器和桥式整流器组成的恒直流电源单元提供。为了避免不必要的电场耦合信号，供电单元和信号调节模块分别屏蔽，并通过铝屏蔽完全屏蔽外部干扰源。将特高频传感器组与信号调理单元一起设计，使信号带宽保持在200–800MHz，中心频率为500MHz。
由于局部放电脉冲具有很强的非平稳特征，因此本发明采用连续小波变换(CWT)将调节后的信号从时域变换成时频域，然后提取五种特征，分别为CWT峰值、峰间持续时间、子带尺度能量、带宽和子带尺度熵。将这些采集到的特征输入到无监督神经网络中，从而识别局部放电源的个数和类型。
本发明采用的无监督神经网络是基于自组织特征映射的神经网络(SOFM)，该神经网络采用竞争学习法，各层神经元全互联模式，同一层神经元之间互相竞争，竞争胜利的神经元修改对应的连接权值，从而在输出层中神经元将形成一张映射图，映射图中，特征相近的神经元靠得较近，特征不同的神经元分得较开。从预处理的局部放电信号段中提取基于连续小波变换的特征，CWT峰值和峰间持续时间作为时域特征或位置特征，子带尺度能量、带宽和子带尺度熵作为频域特征或尺度特征，从而生成自组织特征图，识别局部放电源类型。
如图3所示，所述SOFM神经网络进行训练的方法包含以下步骤：
步骤S1：神经网络初始化。
对SOFM神经网络中的各权值wij分别赋小随机数；小随机数的取值范围为0～10；给定学习率初值η(0)，0＜η(0)＜1；确定初始优胜邻域初值，大于SOFM神经网络中竞争层面积的1/3；初始优胜邻域的半径表示为r；输入神经个数为m，输出神经元的个数为n。
步骤S2：建立训练集
以不同类型局部放电释放出的特高频电磁波信号经小波变换提取出的五种特征为训练样本向量，建立训练集；该五种特征分别为CWT峰值、峰间持续时间、子带尺度能量、带宽和子带尺度熵。训练集中的各训练样本向量均带有标签。训练样本向量
Figure BDA0002844666660000051
Figure BDA0002844666660000052
为m维向量，向量单元x1，x2，x3，…，xm表示小波变换提取的特征，同时也对应输入神经元的值。
步骤S3：向量归一化。对训练样本向量
Figure BDA0002844666660000053
和权值向量wj(t)，全部进行归一化处理：
Figure BDA0002844666660000054
Figure BDA0002844666660000055
其中，wj′(t)为归一化权值向量；X为归一化样本向量；wj(t)＝[wj1(t)，wj2(t)，…，wjm(t)]T，其m个分量分别为第j个输出神经元与m个输入神经元之间的权值；||wj(t)||为权值向量的欧几里得范数；
Figure BDA0002844666660000056
为训练样本向量；
Figure BDA0002844666660000057
为训练样本向量
Figure BDA0002844666660000058
的欧几里得范数；xi为训练样本向量
Figure BDA0002844666660000059
的第i个特征分量值；
步骤S4：寻找获胜神经元。分别计算输入的归一化样本向量X和输出层各个神经元的权值向量wj′(t)之间的欧式距离dj，并选择距离最小的神经元c为获胜神经元：
Figure BDA0002844666660000061
式中，dj为归一化样本向量与神经元的权值向量的欧几里得距离；xi为归一化样本向量X的第i个特征向量分量，wji(t)为第j个神经元的权值向量中第i个向量分量；归一化样本向量X与对应的获胜神经元之间的欧氏距离dcj＝min(dj)。
步骤S5：定义归一化样本向量X对应的优胜邻域。优胜邻域是指以获胜神经元为中心，通过不断的权值调整后得到的归一化样本向量X与获胜神经元围成的区域，优胜邻域的大小用邻域半径r表示，学习速率用η表示，0＜η＜1，邻域半径和学习速率都随着迭代次数t的增加而逐渐变小，具体规则如下：
Figure BDA0002844666660000062
Figure BDA0002844666660000063
式中，r(t+1)、η(t+1)分别表示迭代出下一个邻域半径、学习率；r(t)、η(t)分别表示当前领域半径、学习率；t为当前学习迭代次数，T为预先设定的最大迭代训练次数；INT(·)为取整函数。
步骤S6：调整权值。对输出层获胜神经元以及优胜邻域内所有神经元的连接权值做如下调整，邻域外各神经元权值保持不变：
wji(t+1)＝wji(t)+η(t)hc，j(t)(xi-wji(t))
式中，wji(t+1)表示迭代出下一个权值；wjt(t)表示当前权值；hc，j(t)为邻域函数，采用高斯函数，也随着迭代次数逐渐减小，其表达式为
Figure BDA0002844666660000064
步骤S7：循环学习。将训练集中的各个训练样本向量
Figure BDA0002844666660000065
依次加入到输入层，并按照步骤S3～S6进行学习，调整神经元权值，直到所有训练样本向量
Figure BDA0002844666660000066
输入全部学习完毕。
步骤S8：所有训练样本向量
Figure BDA0002844666660000067
重新学习直到网络收敛为止。
之后即可对高频传感器组检测到的电磁波信号小波变换后，得到前述的五种特征，作为检测数据输入训练好的SOFM神经网络识别出局部放电类型；并根据四个传感器检测到电磁波信号的时间先后通过TDOA定位法确定发生局部放电故障的具体位置。也就是通过测量放电源释放的电磁波到达特高频传感器的时间差，由于电磁波速度为3×108m/s，可以计算得到距离差，就能作出以特高频传感器为焦点，距离差为长轴的双曲线，双曲线的交点就是信号的位置。本发明采用的TDOA定位方法不涉及其内部逻辑的调整，因此对其过程不进行具体的描述。

Claims (7)

1.一种特高频局部放电故障类型检测方法，其特征在于：步骤一、在被测电力设备的周围布置电磁波检测传感器；电磁波检测传感器检测被测电力设备是否释放出电磁波信号；所述被测电力设备的周围布置了四个电磁波检测传感器；
步骤二、当电磁波检测传感器检测到电磁波信号时，将该电磁波信号进行连续小波变换后，提取出五种特征；该五种特征分别为CWT峰值、峰间持续时间、子带尺度能量、带宽和子带尺度熵；
步骤三、将步骤二得到的m种特征导入训练好的SOFM神经网络中，SOFM神经网络输出被测电力设备发生各类型局部放电的概率；在判断局部放电类型后，根据四个电磁波检测传感器检测到电磁波信号的时间，通过TDOA定位法确定发生局部放电故障的具体位置；
所述的SOFM神经网络训练的方法具体如下：
步骤S1：神经网络初始化；
对SOFM神经网络中的各权值wij分别赋小随机数；小随机数的取值范围为0～10；给定学习率初值η(0)；确定初始优胜邻域初值；设定输入神经个数为m，设定输出神经元的个数为n；
步骤S2：建立训练集
以不同类型局部放电释放出的特高频电磁波信号经小波变换提取出的m种特征为训练样本向量，建立训练集；训练集中的各训练样本向量均带有标签；训练样本向量
Figure FDA0003782177610000011
Figure FDA0003782177610000012
为m维向量；将训练集中的各个训练样本向量
Figure FDA0003782177610000013
依次加入到输入层，并按照步骤S3～S6进行学习，调整神经元权值，直到网络收敛；
步骤S3：向量归一化；对训练样本向量
Figure FDA0003782177610000014
和权值向量wj(t)，全部进行归一化处理：
Figure FDA0003782177610000015
Figure FDA0003782177610000016
其中，wj'(t)为归一化权值向量；X为归一化样本向量；||wj(t)||为权值向量的欧几里得范数；
Figure FDA0003782177610000021
为训练样本向量；
Figure FDA0003782177610000022
为训练样本向量
Figure FDA0003782177610000023
的欧几里得范数；xi为训练样本向量
Figure FDA0003782177610000024
的第i个特征分量值；
步骤S4：寻找获胜神经元；分别计算输入的归一化样本向量X和输出层各个权值向量wj'(t)之间的欧式距离dj，j＝1,2,…,n；据此确定获胜神经元：
Figure FDA0003782177610000025
其中，dj为归一化样本向量与神经元的权值向量的欧几里得距离；
步骤S5：定义归一化样本向量X对应的优胜邻域；迭代邻域半径r(t)和学习速率η(t)如下：
Figure FDA0003782177610000026
Figure FDA0003782177610000027
其中，r(t+1)、η(t+1)分别表示迭代出下一个邻域半径、学习率；r(t)、η(t)分别表示当前领域半径、学习率；t为当前学习迭代次数，T为最大迭代训练次数；INT(·)为取整函数；
步骤S6：调整权值；对优胜邻域内所有神经元的权值进行调整如下：
wji(t)+1)＝wji(t)+η(t)hc,j(t)(xi-wji(t))
式中，wji(t+1)表示迭代出下一个权值；wji(t)表示当前权值；hc,j(t)为邻域函数。
2.根据权利要求1所述的一种特高频局部放电故障类型检测方法，其特征在于：所述的电磁波检测传感器采用微带天线。
3.一种特高频局部放电故障类型检测系统，其特征在于：用于执行如权利要求1所述的特高频局部放电故障类型检测方法；该系统包括特高频传感器组、信号调节模块和上位机；特高频传感器组包括布置在被测电力设备四周的四个电磁波检测传感器；各电磁波检测传感器的输出信号均经过信号调节模块处理后传输到上位机。
4.根据权利要求3所述的一种特高频局部放电故障类型检测系统，其特征在于：所述信号调节模块包括依次连接的输入级、滤波器、信号放大器、检波器和输出级；所述输入级和输出级均处于阻抗匹配状态，输入级与特高频传感器的输出线通过同轴电缆相连，输出级与上位机相连。
5.根据权利要求3所述的一种特高频局部放电故障类型检测系统，其特征在于：信号调节模块的电源是由降压变压器和桥式整流器组成的恒直流电源单元提供；供电单元和信号调节模块各自独立屏蔽。
6.根据权利要求4所述的一种特高频局部放电故障类型检测系统，其特征在于：所述的滤波器为带通滤波器。
7.根据权利要求4所述的一种特高频局部放电故障类型检测系统，其特征在于：所述的放大器为宽带放大器。
CN202011504913.9A 2020-12-18 2020-12-18 一种特高频局部放电故障类型检测方法及系统 Active CN112748320B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011504913.9A CN112748320B (zh) 2020-12-18 2020-12-18 一种特高频局部放电故障类型检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011504913.9A CN112748320B (zh) 2020-12-18 2020-12-18 一种特高频局部放电故障类型检测方法及系统

Publications (2)

Publication Number Publication Date
CN112748320A CN112748320A (zh) 2021-05-04
CN112748320B true CN112748320B (zh) 2022-09-20

Family

ID=75648254

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011504913.9A Active CN112748320B (zh) 2020-12-18 2020-12-18 一种特高频局部放电故障类型检测方法及系统

Country Status (1)

Country Link
CN (1) CN112748320B (zh)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102866334A (zh) * 2012-10-19 2013-01-09 上海市电力公司 一种车载式变电站局部放电定位系统及其定位方法
CN104808107A (zh) * 2015-04-16 2015-07-29 国家电网公司 一种xlpe电缆局部放电缺陷类型识别方法

Also Published As

Publication number Publication date
CN112748320A (zh) 2021-05-04

Similar Documents

Publication Publication Date Title
CN105548832B (zh) 高压电力电缆故障识别方法
Do et al. Convolutional-neural-network-based partial discharge diagnosis for power transformer using UHF sensor
CN108761287B (zh) 一种变压器局部放电类型识别方法
CN103197218B (zh) 一种高压电缆绝缘缺陷局放带电检测诊断方法
CN109799434A (zh) 局部放电模式识别系统及方法
CN108693448B (zh) 一种应用于电力设备局部放电模式识别系统
Gao et al. Pattern recognition of partial discharge based on VMD-CWD spectrum and optimized CNN with cross-layer feature fusion
CN103558519A (zh) 一种gis局部放电超声波信号识别方法
Ardila-Rey et al. Artificial generation of partial discharge sources through an algorithm based on deep convolutional generative adversarial networks
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
CN111103517A (zh) 一种真空度局部放电脉冲群分类识别方法
Khan et al. End-to-end partial discharge detection in power cables via time-domain convolutional neural networks
CN112986870A (zh) 基于振动法的分布式电力变压器绕组状态监测方法及系统
Liu et al. Dual-channel convolutional network-based fault cause identification for active distribution system using realistic waveform measurements
CN115079052A (zh) 一种变压器故障诊断方法和系统
CN108680832B (zh) 一种基于sa-apso及降维投影动态收缩圆的局部放电定位方法
CN112748320B (zh) 一种特高频局部放电故障类型检测方法及系统
CN114994587B (zh) 一种局部放电检测仪器抗干扰性能量化评价方法
CN116008751A (zh) 一种基于样本增强的电缆局部放电故障特性识别方法
Chang et al. Partial discharge pattern recognition for underground cable joints using convolutional neural network
CN109917245B (zh) 考虑相位差的超声检测局部放电信号模式识别方法
Liu et al. Intelligent defect identification based on pect signals and an optimized two-dimensional deep convolutional network
CN115859042A (zh) 一种电力电缆局部放电模式识别方法及装置
Zhang et al. A convolutional neural network-based UHF partial discharge atlas classification system for GIS
CN112526404A (zh) 基于特高频外置传感器的电力变压器故障在线定位系统

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