CN113156278A - 一种基于cnn网络的gis局部放电定位方法 - Google Patents

一种基于cnn网络的gis局部放电定位方法 Download PDF

Info

Publication number
CN113156278A
CN113156278A CN202110297261.4A CN202110297261A CN113156278A CN 113156278 A CN113156278 A CN 113156278A CN 202110297261 A CN202110297261 A CN 202110297261A CN 113156278 A CN113156278 A CN 113156278A
Authority
CN
China
Prior art keywords
partial discharge
signal
ultrasonic
time domain
positioning
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
Application number
CN202110297261.4A
Other languages
English (en)
Inventor
付钰伟
梁列娟
张志禹
陈驰
王闯
张在秦
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.)
Xian University of Technology
Original Assignee
Xian University of Technology
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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN202110297261.4A priority Critical patent/CN113156278A/zh
Publication of CN113156278A publication Critical patent/CN113156278A/zh
Pending legal-status Critical Current

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
    • G01R31/1209—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 using acoustic measurements
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Testing Relating To Insulation (AREA)
  • Locating Faults (AREA)

Abstract

本发明公开了一种基于CNN网络的GIS局部放电定位方法，具体按照以下步骤实施：步骤1、根据声电联合定位的原理，利用超高频传感器得到脉冲相位序列分布图谱(PRPS图谱)、局部放电相位分布图谱(PRPD图谱)及超高频时域脉冲，超声波传感器得到超声时域脉冲；步骤2、将时域脉冲波形进行预处理，提取局部放电特征向量；步骤3、归一化特征向量；步骤4、利用卷积神经网络CNN，将来自多个传感器获得的特征向量联合起来，进行故障定位，输出故障位置。本发明解决了现有技术中存在的GIS局部放电故障准确定位的问题。

Description

一种基于CNN网络的GIS局部放电定位方法
技术领域
本发明属于高压新型电力设备故障诊断与在线检测技术领域，具体涉及一种基于CNN网络的GIS局部放电定位方法。
背景技术
随着电力系统的快速发展，气体绝缘金属封闭开关设备(GAS insulatedSWITCHGEAR,GIS)的安全稳定运行至关重要。在GIS制造、运输、安装和运行维护中可能存在GIS内部绝缘表面脏污、尖刺、自由颗粒、固体绝缘内部缺陷等。在高电压下造成内部电场畸变，畸形电场发展到一定程度，便形成GIS内的局部放电。开展GIS局部放电检测，能够在GIS正常运行的条件下检测其绝缘状况，及时发现早期的绝缘缺陷，避免发生重大绝缘事故。
目前，最常见的GIS设备局部放电(PD)检测方法主要是超高频法和超声波检测法。超高频法和超声波检测法从应用情况来看，各自有着不同的优缺点，对不同类别的缺陷检测灵敏度和故障精确定位有所差别。因此，在实际应用中如何将两种检测方法有效地结合起来，取长补短，越来越受到国内外学者的重视。
PD信号的特征提取的方法有傅里叶变换、快速傅里叶变换、小波变换、S变换等，傅里叶变换一般应用于对平稳信号的处理，而电力设备运行过程中采集的数据一般为非平稳的、瞬时的。快速傅里叶变换虽然能将信号划分为小的时间段分析，但是快速傅里叶变换不能在时间和频率两个空间同时以任意精度逼近被测信号。小波变换只对信号的低频部分做进一步分解，而对高频部分不再继续分解，所以小波分解能够很好地表征以低频信息为主要成分的信号。小波包变换既可以对低频部分信号进行分解，也可以对高频部分进行分解，对包含大量中、高频信息的信号能够进行更好的时频局部化分析，因此将小波包分析应用于PD信号的特征提取。
传统的局部放电监测方法主要是依靠技术人员的经验来做出主观判断，这个过程充满不确定性，有着很大漏检或错检的可能。近些年来，以深度学习为代表的人工智能理论逐渐发展了起来，应用在越来越多的模式识别问题上，并取得了非常不错的效果。通过对采集的数据进行处理来诊断系统的运行状况属于基于信号处理的故障诊断方法，这种诊断方法不依赖被诊断对象的数学模型,对于那些难以建立解析数学模型的诊断对象是非常有用的。
发明内容
本发明的目的是提供一种基于CNN网络的GIS局部放电定位方法，解决了现有技术中存在的GIS局部放电故障定位不准确的问题。
本发明所采用的技术方案是，一种基于CNN网络的GIS局部放电定位方法，具体按照以下步骤实施：
步骤1、根据声电联合定位的原理，利用超高频传感器得到脉冲相位序列分布图谱(PRPS图谱)、局部放电相位分布图谱(PRPD图谱)及超高频时域脉冲，超声波传感器得到超声时域脉冲；
步骤2、将时域脉冲波形进行预处理，提取局部放电特征向量；
步骤3、归一化特征向量；
步骤4、利用卷积神经网络CNN，将来自多个传感器获得的特征向量联合起来，进行故障定位，输出故障位置。
本发明的特点还在于，
步骤1具体如下：
根据声电联合定位的原理，分别使用超声波传感器和超高频传感器检测局部放产生的电磁信号和超声信号，通过示波器获得超高频时域脉冲和超声时域脉冲，通过便携局部放电检测仪获得PRPD图谱和PRPS图谱。
步骤2具体如下：
这里采用db4小波包对PD信号进行分解。将步骤1中获得的超高频时域脉冲和超声时域脉冲进行小波包分解，信号经4层小波包分解后原始信号的能量被分解到24个正交频带上，每个频带内的信号表征原信号在该频率范围内的特征信息，各频带信号的能量
Figure BDA0002984808860000031
为：
Figure BDA0002984808860000032
式中，Snj为小波包分解第n层第j个频带内的特征信号，
Figure BDA0002984808860000033
表示分解信号序列Snj第l个分解系数，n为小波包分解层数，M为分解信号序列Snj的离散点个数。
小波变换系数具有能量量纲，可以用于能量分析。2n个能量反映了原始信号从低到高的各频段信息，信息量既无冗余，也不疏漏。各个频带的局部能量组成特征序列为E，即{Ej j＝1，2，…，24}。
步骤3具体如下：
为避免在数据分析上带来的不便，按照下式对特征向量进行归一化。
Figure BDA0002984808860000034
上式中的E′j为归一化之后的第j个频带的局部能量，也就把能量值转换为0～1之间的数；Ei为i取1～24时各频段所对应的能量。
小波包能量谱描述了整个时域和频域上信号的连续分布情况。在对信号进行小波包分解并归一化后得到小波包能量谱，在能量谱中找到能量相对集中的频带，然后由该频带相应尺度下能量时谱的特征点的位置来确定故障发生后传播到传感器的时间。
步骤4具体如下：
利用到达时间差法TDOA对超声波法和超高频法采集的数据进行分析，构造卷积神经网络，这里采用经典卷积神经网络VGGNet16网络结构，输入为3×4的矩阵，每一行分别对应每个样本的3个超声波传感器位置坐标(xi,yi,zi)以及三个超声波传感器和超高频传感器接收到局放信号的时间差Δt。在Python环境下使用TensorFlow(机器学习库)搭建网络，卷积网络要求输入是4个维度的，所以必须使用expand_dims函数对输入进行升维操作以满足要求，输出层有3个节点，使用均方根误差MSE做为损失函数，输出的结果为预测发生故障点的位置点的位置。
本发明的有益效果是，基于卷积神经网络的声电联合法在GIS局部放电的定位方法，分别利用超声波传感器和超高频传感器检测局部放电故障，将来自放电位置的多源信息加以智能合成，构造GIS局部放电故障定位的特征向量，实现故障定位。使用db4小波对时域信号进行4层小波包分解，各个频带的局部能量组成的特征序列表征原始信号的特征向量，并对特征向量进行归一化操作。最后根据TDOA法，使用CNN神经网络对超声波和超高频多传感器信息进行融合来判断故障的位置。
附图说明
图1是本发明一种基于CNN网络的GIS局部放电定位方法中的TDOA定位法示意图；
图2是本发明一种基于CNN网络的GIS局部放电定位方法的实施步骤示意图。
图3是本发明一种基于CNN网络的GIS局部放电定位方法中的经典卷积网络VGGNet框架的示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明是一种基于CNN网络的GIS局部放电定位方法，如图2所示，具体按照以下步骤实施：
步骤1、根据声电联合定位的原理，利用超高频传感器得到脉冲相位序列分布图谱(PRPS图谱)、局部放电相位分布图谱(PRPD图谱)及超高频时域脉冲，超声波传感器得到超声时域脉冲；
步骤1具体如下：
通过同时检测局部放产生的超高频电信号和超声信号，利用两种信号传播速度的不同，其中超高频信号远远快于超声波信号，一般都是先使用超高频定位法进行初步的定位，利用超高频传感器在发现局放信号的周围进行定位，大致确定放电源在GIS一两个气室范围以内，再使用超声波法和超高频法联合的定位法进行精确定位，以一个超高频传感器为中心，两侧放置多个超声波传感器，超高频信号可以认为与局部放电源同时产生，因此以收到放电源的超高频信号为时间基准，计算超声波信号的时延，再乘上超声信号在介质中的传播速度，得到传感器到放电源的距离，经过多方位的测量，最终得到放电源的精确位置，减少了检修时间，维护GIS设备正常安全运行。
步骤2、将时域脉冲波形进行预处理，提取局部放电特征向量；
步骤2具体如下：
这里采用db4小波包对PD信号进行分解。将步骤1中获得的超高频时域脉冲和超声时域脉冲进行小波包分解，信号经4层小波包分解后原始信号的能量被分解到24个正交频带上，每个频带内的信号表征原信号在该频率范围内的特征信息，各频带信号的能量
Figure BDA0002984808860000061
为：
Figure BDA0002984808860000062
式中，Snj为小波包分解第n层第j个频带内的特征信号，
Figure BDA0002984808860000063
表示分解信号序列Snj第l个分解系数，n为小波包分解层数，M为分解信号序列Snj的离散点个数。
小波变换系数具有能量量纲，可以用于能量分析。2n个能量反映了原始信号的从低到高的各频段信息，信息量既无冗余，也不疏漏。各个频带的局部能量组成特征序列为E，即{Ej j＝1，2，…，24}。
步骤3、归一化特征向量；
步骤3具体如下：
为避免在数据分析上带来的不便，按照下式对特征向量进行归一化。
Figure BDA0002984808860000064
上式中的E′j为归一化之后的第j个频带的局部能量，也就把能量值转换为0～1之间的数；Ei为i取1～24时各频段所对应的能量。
小波包能量谱描述了整个时域和频域上信号的连续分布情况。在对信号进行小波包分解并归一化后得到小波包能量谱，在能量谱中找到能量相对集中的频带，然后由该频带相应尺度下能量时谱的特征点的位置来确定故障发生后传播到传感器的时间。
步骤4、利用卷积神经网络CNN，将来自多个传感器获得的特征向量联合起来，进行故障定位，输出故障位置，具体如下：
TDOA(Time Difference of Arrival，到达时间差)定位是利用同一个放电源到达不同传感器所产生的时间差进行放电源定位的方法。通过不同的传感器捕获信号的时间，利用光速、路程间的关系即可确定信号源距离每个传感器的直线距离。以监测站为中心，直线距离为半径作圆，就可以确定信号源位置。TDOA定位方法绘制图形如附图1所示。
采用1个超高频传感器和n个超声波传感器联合检测的结构，由排列组合的知识可以得出n个超声波传感器可以构成
Figure BDA0002984808860000071
个定位子系统。利用TDOA法对超声波法和超高频法采集的数据进行分析，构造CNN网络。这里采用经典卷积神经网络VGGNet16网络结构。VGGNet网络的特色在于使用了比较小的卷积核来代替较大的卷积核，所有的卷积都使用3×3大小的卷积核，每一段卷积之后都使用2×2的最大值池化操作。所述CNN网络包含13个卷积块和3个全连接层，全连接层均采用回归函数，输出层有3个节点，使用均方根误差MSE做为损失函数，输出为最终定位发生故障点的位置。输入为3×4的矩阵，每一行分别对应每个样本的3个超声波传感器位置坐标(xi,yi,zi)以及三个超声波传感器和超高频传感器接收到局放信号的时间差Δt。在Python环境下使用TensorFlow(机器学习库)搭建网络，卷积网络要求输入是4个维度的，所以必须使用expand_dims函数对输入进行升维操作以满足要求，具体过程如附图3所示。

Claims (5)

1.一种基于CNN网络的GIS局部放电定位方法，其特征在于，具体按照以下步骤实施：
步骤1、根据声电联合定位的原理，利用超高频传感器得到脉冲相位序列分布图谱、局部放电相位分布图谱及超高频时域脉冲，超声波传感器得到超声时域脉冲；
步骤2、将时域脉冲波形进行预处理，提取局部放电特征向量；
步骤3、归一化特征向量；
步骤4、利用卷积神经网络CNN，将来自多个传感器获得的特征向量联合起来，进行故障定位，输出故障位置。
2.根据权利要求1所述的一种基于CNN网络的GIS局部放电定位方法，其特征在于，利用声电联合法进行故障定位。
3.根据权利要求2所述的一种基于CNN网络的GIS局部放电定位方法，其特征在于，所述步骤2具体如下：
将步骤1中获得的超高频时域脉冲和超声时域脉冲进行小波包分解，信号经4层小波包分解后原始信号的能量被分解到24个正交频带上，每个频带内的信号表征原信号在该频率范围内的特征信息，各频带信号的能量
Figure FDA0002984808850000011
为：
Figure FDA0002984808850000012
式中，Snj为小波包分解第n层第j个频带内的特征信号，
Figure FDA0002984808850000013
表示分解信号序列Snj第l个分解系数，n为小波包分解层数，M为分解信号序列Snj的离散点个数；
各个频带的局部能量组成特征序列为E，即{Ej j＝1，2，…，24}。
4.根据权利要求3所述的一种基于CNN网络的GIS局部放电定位方法，其特征在于，所述步骤3具体如下：
为避免在数据分析上带来的不便，按照下式对特征向量进行归一化。
Figure FDA0002984808850000021
上式中的E′j为归一化之后的第j个频带的局部能量，Ei为i取1～24时各频段所对应的能量。
5.根据权利要求4所述的一种基于CNN网络的GIS局部放电定位方法，其特征在于，步骤4具体如下：利用到达时间差法TDOA对超声波法和超高频法采集的数据进行分析，构造卷积神经网络，所述卷积神经网络采用VGGNet16网络结构，输入为3×4的矩阵，每一行分别对应每个样本的3个超声波传感器位置坐标(xi,yi,zi)以及三个超声波传感器和超高频传感器接收到局放信号的时间差Δt；在Python环境下使用机器学习库TensorFlow搭建卷积神经网络，卷积神经网络要求输入是4个维度的，使用expand_dims函数对输入进行升维操作以满足要求，输出层有3个节点，使用均方根误差MSE做为损失函数，输出的结果为预测发生故障点的位置点的位置。
CN202110297261.4A 2021-03-19 2021-03-19 一种基于cnn网络的gis局部放电定位方法 Pending CN113156278A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110297261.4A CN113156278A (zh) 2021-03-19 2021-03-19 一种基于cnn网络的gis局部放电定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110297261.4A CN113156278A (zh) 2021-03-19 2021-03-19 一种基于cnn网络的gis局部放电定位方法

Publications (1)

Publication Number Publication Date
CN113156278A true CN113156278A (zh) 2021-07-23

Family

ID=76887985

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110297261.4A Pending CN113156278A (zh) 2021-03-19 2021-03-19 一种基于cnn网络的gis局部放电定位方法

Country Status (1)

Country Link
CN (1) CN113156278A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113960396A (zh) * 2021-10-21 2022-01-21 西安理工大学 一种基于一维cnn网络的gis故障诊断方法
CN115097246A (zh) * 2022-07-01 2022-09-23 嘉兴安联检测技术服务有限公司 融合卷积网络混频技术的超高频近区电场元件老化定位方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
白宇峰 等: "基于BP网络的声电联合检测在GIS局部放电的定位研究", 《沈阳工程学院学报(自然科学版)》, vol. 13, no. 3, pages 261 - 262 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113960396A (zh) * 2021-10-21 2022-01-21 西安理工大学 一种基于一维cnn网络的gis故障诊断方法
CN115097246A (zh) * 2022-07-01 2022-09-23 嘉兴安联检测技术服务有限公司 融合卷积网络混频技术的超高频近区电场元件老化定位方法和装置

Similar Documents

Publication Publication Date Title
WO2023123593A1 (zh) 基于变分模态分解和残差网络的航空轴承故障诊断方法
CN112034310A (zh) 一种组合电器局部放电缺陷诊断方法及系统
CN109649432B (zh) 基于导波技术的云端平台钢轨完整性监测系统及方法
CN113156278A (zh) 一种基于cnn网络的gis局部放电定位方法
CN103558519A (zh) 一种gis局部放电超声波信号识别方法
CN112348052B (zh) 一种基于改进EfficientNet的输变电设备异常声源定位方法
Lin et al. Optimized denoising method for weak acoustic emission signal in partial discharge detection
CN116610998A (zh) 一种基于多模态数据融合的开关柜故障诊断方法和系统
CN111398339A (zh) 一种现场架空线路复合绝缘子发热缺陷分析判断方法及系统
Wang et al. Gas-insulated switchgear insulation defect diagnosis via a novel domain adaptive graph convolutional network
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
CN108181059A (zh) 基于小波信号的多相流管道泄漏声波信号识别方法
CN112729825A (zh) 基于卷积循环神经网络的轴承故障诊断模型的构建方法
Lu et al. A novel unbalanced weighted KNN based on SVM method for pipeline defect detection using eddy current measurements
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
CN117851813A (zh) 基于深度学习与主成分分析的传感器异常检测方法
Chen et al. Fault diagnosis of full-hydraulic drilling rig based on RS–SVM data fusion method
CN117520772A (zh) 一种特高压电抗器局部放电故障识别方法
CN116910470A (zh) 一种gis组合电器局部放电故障模式识别方法
CN116660678A (zh) 一种用于输电网故障测距与故障的评估系统
CN115684908A (zh) 用于电力gis设备的状态监测方法、存储介质及电子装置
Ma et al. Application of wavelet entropy and KNN in motor fault diagnosis
CN115377999A (zh) 一种基于宽频测量数据的次同步振荡辨识的方法
CN114970610A (zh) 一种基于格拉姆角场增强的电力变压器状态辨识方法及装置
CN114201991A (zh) 一种基于超声传感器阵列的局放信号检测方法和系统

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