CN112946525A - 一种金属氧化物避雷器表面污染在线检测方法 - Google Patents

Abstract

本发明公开了一种金属氧化物避雷器表面污染在线检测方法，包括如下步骤：S1、从不同表面污染等级的金属氧化物避雷器上获取全泄漏电流i_t和输入电压U。该金属氧化物避雷器表面污染在线检测方法,仅需采集运行中的金属氧化物避雷器的全泄露电流与电压，经过本发明所提出的算法对该全泄漏电流进行分解并特征提取，最后经过高斯贝叶斯分类器对该全泄漏电流对应的避雷器进行表面污染程度分类，极为便利地掌握金属氧化物避雷器的表面污染情况，极大地提升了避雷器的使用寿命和电力系统运行的可靠性，同时对避雷器的在线检测能够消除停电检修带来的停电情况，避免了避雷器装卸过程，提升了检测过程的便捷性。

Description

一种金属氧化物避雷器表面污染在线检测方法

技术领域

本发明涉及避雷器检测技术领域，具体为一种金属氧化物避雷器表面污染在线检测方法。

背景技术

可靠的、不间断的发电和输电是全球社会发展的最重要的需求，通常在雷电天气或开关浪涌电压情况下，电力系统设备的绝缘系统会承担巨大的压力，这可能导致绝缘设备发生爆炸或发生灾难性故障。金属氧化物避雷器是一种通过吸收类似过电压的多余能量，将其量值降低到安全阈值之下，进而保护电力系统设备免受雷电和开关浪涌的侵害的绝缘设备，因此金属氧化物避雷器在电力系统绝缘系统中的作用至关重要。

金属氧化物避雷器在正常运行情况下可视为绝缘体，然而绝缘特性可能因不同的内外部环境而受到影响。若金属氧化物避雷器暴露在外界复杂环境条件下，其表面容易受到灰尘、盐、化学污染物等污染，这些盐和灰尘颗粒在避雷器外壳体表面的沉积将会降低避雷器的爬电距离，同时，避雷器表面积聚的灰尘颗粒很容易会导致外壳放电，这些放电又会进一步促使外壳表面的漏电、腐蚀和压敏电阻的过热。这些效应综合起来，会导致流过避雷器的电流增加、避雷器的压敏电阻上的电压分布不均，最终，金属氧化物避雷器表面污染颗粒会对避雷器产生机械和电损耗，更严重情况下会导致避雷器失效。

因此，为了提高金属氧化物避雷器的使用寿命和电力系统运行可靠性，对金属氧化物避雷器在使用过程中的表面状态进行在线检测是十分重要的。

在现有技术中，对金属氧化物避雷器进行检测时，其检测过程过于繁琐，有时还需要对金属氧化物避雷器进行拆卸检测，检测成本较大，无法实现在线检测。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种金属氧化物避雷器表面污染在线检测方法，解决了在现有技术中，对金属氧化物避雷器进行检测时，其检测过程过于繁琐，有时还需要对金属氧化物避雷器进行拆卸检测，检测成本较大，无法实现在线检测的问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：一种金属氧化物避雷器表面污染在线检测方法，包括如下步骤：

S1、从不同表面污染等级的金属氧化物避雷器上获取全泄漏电流i_t和输入电压U，其中，避雷器表面污染等级根据避雷器表面附着污染物的等值附盐密度值划分为六个等级：等值附盐密度值小于0.015时，避雷器表面污染等级为r₁：干净；等值附盐密度值大于等于0.015，小于0.03时，表面污染等级为r₂：非常轻微污染；等值附盐密度值大于等于0.03，小于0.06时，表面污染等级为r₃：轻微污染；等值附盐密度值大于等于0.06，小于0.12时，表面污染等级为r₄：中度污染；等值附盐密度值大于等于0.12，小于0.24时，表面污染等级为r₅：高度污染；等值附盐密度值大于等于0.24时，表面污染等级为r₆：严重污染；

S2、将获取的避雷器全泄露电流值i_t分解为容性分量i_c与阻性分量i_r，其具体操作如下：

S21、将金属氧化物避雷器等效为非线性电阻元件与压敏电阻的电容并联，故其全泄漏电流可如下公式所示：

i_c(t)＝a_ccos(ωt)

i_r(t)＝i_t(t)-i_c(t)；

S22、利用低通滤波器对全泄露电流进行滤波的得到滤波后电流，如下公式所示：

i_tf(t)＝a_fsin(ωt+θ)＝a_rfsin(ωt)+a_ccos(ωt)

其中θ是输入电压与滤波后全泄露电流i_tf之间的相角；

S23、将滤波后全泄露电流i_tf相移2θ得到i_tfs，计算i_tf与i_tfs之和，如下公式所示：

i_sum(t)＝i_tf+i_tfs＝a_f{sin(ωt+θ)+sin(ωt-θ)}

＝2a_fcosθsin(ωt)

i_sum和全泄漏电流的阻性分量的基波相位相同；

S24、由于容性分量的峰值位置领先i_sum峰值位置1/4周期，则可计算容性电流峰值周期，如下公式所示：

T_c＝T_p-T

其中T_c、T_p分别为i_c、i_sum的峰值周期位置，T为信号周期；

S25、由T_c与i_tf计算容性电流峰值a_c，如下公式所示：

a_c＝i_tf(T_c)；

S26、根据i_tf与i_c可计算滤波后全泄漏电流阻性分量，如下公式所示：

i_r(t)＝i_tf(t)-i_tf(T_c)cos(ωt)；

S27、通过数学形态算子对计算得到的阻性电流ir进行特征提取；

S3、通过数学形态算子对分解得到的全泄露电流阻性分量i_r进行特征提取，得到若干特征值，其具体操作如下：

S31、提出新型数学形态算子(df_de(n))与(df_oc(n))，如下公式所示：

其中：

E(n)＝(pΘq)(n)＝min{p(n+m)-q(m)}

其中p(n)为一维离散输入信号，q(m)为一维离散探测信号，n>m>0，n＝0,1,2…，m＝0,1,2…；

S32、将阻性电流i_r离散化为i_r(k)，并代入到数学形态算子(df_de(n))与(df_oc(n))中，如下公式所示：

其中，k＝01,2…，k>m；

S33、根据数学形态算子(df_de(k))与(df_oc(k))，提取出避雷器阻性电流i_r的20个特征，如下所示：

[f₁ f₂ f₃ f₄ f₅ f₆ f₇ f₈ f₉ f₁₀ f₁₁ f₁₂ f₁₃ f₁₄ f₁₅ f₁₆ f₁₇ f₁₈ f₁₉ f₂₀]

其中，f₁～f₆分别为D(k)，E(k)，O(k)，C(k)，df_de(k)，(df_oc(k))的方差，f₇～f₁₂分别为D(k)，E(k)，O(k)，C(k)，df_de(k)，(df_oc(k))的斜度，f₁～f₆分别为D(k)，E(k)，O(k)，C(k)，df_de(k)，(df_oc(k))的峰度，f₁₉，f₂₀分别为D(k)，E(k)的平均值；

S34、利用基于最小绝对值收敛的回归估计函数对所提取的20个避雷器特征进行特征选择；

S4、利用基于最小绝对值收敛的回归估计函数对阻性电流特征进行特征选择，其具体操作如下：

S41、建立最小绝对值收敛的回归估计函数

如下公式所示：

其中，x_ij是第i个数据的第j个特征，y_i是对应数据的实际值，β_j是第j个特征的回归系数，λ是调制系数；

S42、将金属氧化物避雷器阻性电流i_r的20个特征代入回归估计函数

进行特征选择，估计函数为零的特征被淘汰，如下公式所示：

S43、提取回归估计函数

不为零的特征，淘汰回归估计函数

为零的特征，剩余的特征个数为z，0＜z≤20；

S44、利用高斯贝叶斯分类器对剩余的避雷器阻性电流特征进行分类，得到避雷器表面污染等级；

S5、使用高斯贝叶斯分类器对避雷器污染等级进行分类，具体操作如下：

S51、将提取出的阻性电流特征变量F＝(f₁，f₂，…，f_r)与分类变量R＝(r₁，r₂，…，r₆)代入高斯贝叶斯概率模型，如下公式所示：

S52、特征变量F之间互相条件独立，则根据贝叶斯定理计算各分类变量r_j上的各特征f_r的概率，如下公式所示：

S53、计算贝叶斯分类器中概率p最大的分类变量，将其作为当前数据点所对应的、类等级，如下公式所示：

优选的，在步骤S31中，一维离散探测信号q(m)选取为[1 0 1]。

优选的，所述在步骤S41中，调制系数λ取值0.18。

(三)有益效果

本发明提供了一种金属氧化物避雷器表面污染在线检测方法。具备以下有益效果：该金属氧化物避雷器表面污染在线检测方法,仅需采集运行中的金属氧化物避雷器的全泄露电流与电压，经过本发明所提出的算法对该全泄漏电流进行分解并特征提取，最后经过高斯贝叶斯分类器对该全泄漏电流对应的避雷器进行表面污染程度分类，极为便利地掌握金属氧化物避雷器的表面污染情况，极大地提升了避雷器的使用寿命和电力系统运行的可靠性，同时对避雷器的在线检测能够消除停电检修带来的停电情况，避免了避雷器装卸过程，提升了检测过程的便捷性。

附图说明

图1为本发明大体流程图；

图2为本发明所用的电路图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-2，本发明提供一种技术方案：一种金属氧化物避雷器表面污染在线检测方法，包括如下步骤：

S1、从不同表面污染等级的金属氧化物避雷器上获取全泄漏电流i_t和输入电压U，其中，避雷器表面污染等级根据避雷器表面附着污染物的等值附盐密度值划分为六个等级：等值附盐密度值小于0.015时，避雷器表面污染等级为r₁：干净；等值附盐密度值大于等于0.015，小于0.03时，表面污染等级为r₂：非常轻微污染；等值附盐密度值大于等于0.03，小于0.06时，表面污染等级为r₃：轻微污染；等值附盐密度值大于等于0.06，小于0.12时，表面污染等级为r₄：中度污染；等值附盐密度值大于等于0.12，小于0.24时，表面污染等级为r₅：高度污染；等值附盐密度值大于等于0.24时，表面污染等级为r₆：严重污染；

S2、将获取的避雷器全泄露电流值i_t分解为容性分量i_c与阻性分量i_r，其具体操作如下：

S21、将金属氧化物避雷器等效为非线性电阻元件与压敏电阻的电容并联，故其全泄漏电流可如下公式所示：

i_c(t)＝a_ccos(ωt)

i_r(t)＝i_t(t)-i_c(t)；

S22、利用低通滤波器对全泄露电流进行滤波的得到滤波后电流，如下公式所示：

i_tf(t)＝a_fsin(ωt+θ)＝a_rfsin(ωt)+a_ccos(ωt)

其中θ是输入电压与滤波后全泄露电流i_tf之间的相角；

S23、将滤波后全泄露电流i_tf相移2θ得到i_tfs，计算i_tf与i_tfs之和，如下公式所示：

i_sum(t)＝i_tf+i_tfs＝a_f{sin(ωt+θ)+sin(ωt-θ)}

＝2a_fcosθsin(ωt)

i_sum和全泄漏电流的阻性分量的基波相位相同；

S24、由于容性分量的峰值位置领先i_sum峰值位置1/4周期，则可计算容性电流峰值周期，如下公式所示：

T_c＝T_p-T

其中T_c、T_p分别为i_c、i_sum的峰值周期位置，T为信号周期；

S25、由T_c与i_tf计算容性电流峰值a_c，如下公式所示：

a_c＝i_tf(T_c)；

S26、根据i_tf与i_c可计算滤波后全泄漏电流阻性分量，如下公式所示：

i_r(t)＝i_tf(t)-i_tf(T_c)cos(ωt)；

S27、通过数学形态算子对计算得到的阻性电流ir进行特征提取；

S3、通过数学形态算子对分解得到的全泄露电流阻性分量i_r进行特征提取，得到若干特征值，其具体操作如下：

S31、提出新型数学形态算子(df_de(n))与(df_oc(n))，如下公式所示：

其中：

E(n)＝(pΘq)(n)＝min{p(n+m)-q(m)}

其中p(n)为一维离散输入信号，q(m)为一维离散探测信号，n>m>0，n＝0,1,2…，m＝0,1,2…，一维离散探测信号q(m)选取为[1 0 1]；

S32、将阻性电流i_r离散化为i_r(k)，并代入到数学形态算子(df_de(n))与(df_oc(n))中，如下公式所示：

其中，k＝01,2…，k>m；

S33、根据数学形态算子(df_de(k))与(df_oc(k))，提取出避雷器阻性电流i_r的20个特征，如下所示：

[f₁ f₂ f₃ f₄ f₅ f₆ f₇ f₈ f₉ f₁₀ f₁₁ f₁₂ f₁₃ f₁₄ f₁₅ f₁₆ f₁₇ f₁₈ f₁₉ f₂₀]

其中，f₁～f₆分别为D(k)，E(k)，O(k)，C(k)，df_de(k)，(df_oc(k))的方差，f₇～f₁₂分别为D(k)，E(k)，O(k)，C(k)，df_de(k)，(df_oc(k))的斜度，f₁～f₆分别为D(k)，E(k)，O(k)，C(k)，df_de(k)，(df_oc(k))的峰度，f₁₉，f₂₀分别为D(k)，E(k)的平均值；

S34、利用基于最小绝对值收敛的回归估计函数对所提取的20个避雷器特征进行特征选择；

S4、利用基于最小绝对值收敛的回归估计函数对阻性电流特征进行特征选择，其具体操作如下：

S41、建立最小绝对值收敛的回归估计函数

如下公式所示：

其中，x_ij是第i个数据的第j个特征，y_i是对应数据的实际值，β_j是第j个特征的回归系数，λ是调制系数，调制系数λ取值0.18；

S42、将金属氧化物避雷器阻性电流i_r的20个特征代入回归估计函数

进行特征选择，估计函数为零的特征被淘汰，如下公式所示：

S43、提取回归估计函数

不为零的特征，淘汰回归估计函数

为零的特征，剩余的特征个数为z，0＜z≤20；

S44、利用高斯贝叶斯分类器对剩余的避雷器阻性电流特征进行分类，得到避雷器表面污染等级；

S5、使用高斯贝叶斯分类器对避雷器污染等级进行分类，具体操作如下：

S51、将提取出的阻性电流特征变量F＝(f₁，f₂，…，f_r)与分类变量R＝(r₁，r₂，…，r₆)代入高斯贝叶斯概率模型，如下公式所示：

S52、特征变量F之间互相条件独立，则根据贝叶斯定理计算各分类变量r_j上的各特征f_r的概率，如下公式所示：

S53、计算贝叶斯分类器中概率p最大的分类变量，将其作为当前数据点所对应的、类等级，如下公式所示：

综上所述，该金属氧化物避雷器表面污染在线检测方法,仅需采集运行中的金属氧化物避雷器的全泄露电流与电压，经过本发明所提出的算法对该全泄漏电流进行分解并特征提取，最后经过高斯贝叶斯分类器对该全泄漏电流对应的避雷器进行表面污染程度分类，极为便利地掌握金属氧化物避雷器的表面污染情况，极大地提升了避雷器的使用寿命和电力系统运行的可靠性，同时对避雷器的在线检测能够消除停电检修带来的停电情况，避免了避雷器装卸过程，提升了检测过程的便捷性。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (3)

1.一种金属氧化物避雷器表面污染在线检测方法，其特征在于：包括如下步骤：

S1、从不同表面污染等级的金属氧化物避雷器上获取全泄漏电流i_t和输入电压U，其中，避雷器表面污染等级根据避雷器表面附着污染物的等值附盐密度值划分为六个等级：等值附盐密度值小于0.015时，避雷器表面污染等级为r₁：干净；等值附盐密度值大于等于0.015，小于0.03时，表面污染等级为r₂：非常轻微污染；等值附盐密度值大于等于0.03，小于0.06时，表面污染等级为r₃：轻微污染；等值附盐密度值大于等于0.06，小于0.12时，表面污染等级为r₄：中度污染；等值附盐密度值大于等于0.12，小于0.24时，表面污染等级为r₅：高度污染；等值附盐密度值大于等于0.24时，表面污染等级为r₆：严重污染；

S2、将获取的避雷器全泄露电流值i_t分解为容性分量i_c与阻性分量i_r，其具体操作如下：

S21、将金属氧化物避雷器等效为非线性电阻元件与压敏电阻的电容并联，故其全泄漏电流可如下公式所示：

i_c(t)＝a_ccos(ωt)

i_r(t)＝i_t(t)-i_c(t)；

S22、利用低通滤波器对全泄露电流进行滤波的得到滤波后电流，如下公式所示：

i_tf(t)＝a_fsin(ωt+θ)＝a_rfsin(ωt)+a_ccos(ωt)

其中θ是输入电压与滤波后全泄露电流i_tf之间的相角；

S23、将滤波后全泄露电流i_tf相移2θ得到i_tfs，计算i_tf与i_tfs之和，如下公式所示：

i_sum(t)＝i_tf+i_tfs＝a_f{sin(ωt+θ)+sin(ωt-θ)}

＝2a_fcosθsin(ωt)

i_sum和全泄漏电流的阻性分量的基波相位相同；

S24、由于容性分量的峰值位置领先i_sum峰值位置1/4周期，则可计算容性电流峰值周期，如下公式所示：

T_c＝T_p-T

其中T_c、T_p分别为i_c、i_sum的峰值周期位置，T为信号周期；

S25、由T_c与i_tf计算容性电流峰值a_c，如下公式所示：

a_c＝i_tf(T_c)；

S26、根据i_tf与i_c可计算滤波后全泄漏电流阻性分量，如下公式所示：

i_r(t)＝i_tf(t)-i_tf(T_c)cos(ωt)；

S27、通过数学形态算子对计算得到的阻性电流ir进行特征提取；

S3、通过数学形态算子对分解得到的全泄露电流阻性分量i_r进行特征提取，得到若干特征值，其具体操作如下：

S31、提出新型数学形态算子(df_de(n))与(df_oc(n))，如下公式所示：

其中：

E(n)＝(pΘq)(n)＝min{p(n+m)-q(m)}

其中p(n)为一维离散输入信号，q(m)为一维离散探测信号，n>m>0，n＝0,1,2…，m＝0,1,2…；

S32、将阻性电流i_r离散化为i_r(k)，并代入到数学形态算子(df_de(n))与(df_oc(n))中，如下公式所示：

其中，k＝01,2…，k>m；

S33、根据数学形态算子(df_de(k))与(df_oc(k))，提取出避雷器阻性电流i_r的20个特征，如下所示：

[f₁ f₂ f₃ f₄ f₅ f₆ f₇ f₈ f₉ f₁₀ f₁₁ f₁₂ f₁₃ f₁₄ f₁₅ f₁₆ f₁₇ f₁₈ f₁₉ f₂₀]

其中，f₁～f₆分别为D(k)，E(k)，O(k)，C(k)，df_de(k)，(df_oc(k))的方差，f₇～f₁₂分别为D(k)，E(k)，O(k)，C(k)，df_de(k)，(df_oc(k))的斜度，f₁～f₆分别为D(k)，E(k)，O(k)，C(k)，df_de(k)，(df_oc(k))的峰度，f₁₉，f₂₀分别为D(k)，E(k)的平均值；

S34、利用基于最小绝对值收敛的回归估计函数对所提取的20个避雷器特征进行特征选择；

S4、利用基于最小绝对值收敛的回归估计函数对阻性电流特征进行特征选择，其具体操作如下：

S41、建立最小绝对值收敛的回归估计函数

如下公式所示：

其中，x_ij是第i个数据的第j个特征，y_i是对应数据的实际值，β_j是第j个特征的回归系数，λ是调制系数；

S42、将金属氧化物避雷器阻性电流i_r的20个特征代入回归估计函数

进行特征选择，估计函数为零的特征被淘汰，如下公式所示：

S43、提取回归估计函数

不为零的特征，淘汰回归估计函数

为零的特征，剩余的特征个数为z，0＜z≤20；

S44、利用高斯贝叶斯分类器对剩余的避雷器阻性电流特征进行分类，得到避雷器表面污染等级；

S5、使用高斯贝叶斯分类器对避雷器污染等级进行分类，具体操作如下：

S51、将提取出的阻性电流特征变量F＝(f₁，f₂，…，f_r)与分类变量R＝(r₁，r₂，…，r₆)代入高斯贝叶斯概率模型，如下公式所示：

S52、特征变量F之间互相条件独立，则根据贝叶斯定理计算各分类变量r_j上的各特征f_r的概率，如下公式所示：

S53、计算贝叶斯分类器中概率p最大的分类变量，将其作为当前数据点所对应的、类等级，如下公式所示：

2.根据权利要求1所述的一种金属氧化物避雷器表面污染在线检测方法，其特征在于：在步骤S31中，一维离散探测信号q(m)选取为[101]。

3.根据权利要求1所述的一种金属氧化物避雷器表面污染在线检测方法，其特征在于：在步骤S41中，调制系数λ取值0.18。

Images