CN113238128B - 一种循环渐进式局部放电判别方法 - Google Patents

一种循环渐进式局部放电判别方法 Download PDF

Info

Publication number
CN113238128B
CN113238128B CN202110513149.XA CN202110513149A CN113238128B CN 113238128 B CN113238128 B CN 113238128B CN 202110513149 A CN202110513149 A CN 202110513149A CN 113238128 B CN113238128 B CN 113238128B
Authority
CN
China
Prior art keywords
discrimination
neural network
partial discharge
data
judgment
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
CN202110513149.XA
Other languages
English (en)
Other versions
CN113238128A (zh
Inventor
东盛刚
刘毅坚
周智鹏
鲁晶晶
谢艳婷
唐敏玲
蔡诗廷
邹梓健
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.)
Guangzhou Zhifeng Electric Technology Co ltd
Original Assignee
Guangzhou Zhifeng Electric Technology Co ltd
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 Guangzhou Zhifeng Electric Technology Co ltd filed Critical Guangzhou Zhifeng Electric Technology Co ltd
Priority to CN202110513149.XA priority Critical patent/CN113238128B/zh
Publication of CN113238128A publication Critical patent/CN113238128A/zh
Application granted granted Critical
Publication of CN113238128B publication Critical patent/CN113238128B/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
    • G01R31/1227—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
    • G01R31/1263—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 of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
    • G01R31/1272—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 of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明涉及电缆局部放电检测方法领域，尤指一种循环渐进式局部放电判别方法，包含逻辑门判别过程、神经网络判别过程，所述逻辑门判别过程是通过读取局放信号处理装置传输来的局放信号的频率f、相位φ、放电量q、密度n、持续时间t作为特征量，根据上述五个特征量对局放信号进行逻辑门f‑q‑n‑t特征值判别，同时每次进行逻辑门判别之后都进行一次神经网络判别，只有当四个频率上的逻辑门判别和神经网络判别均判断为局放时，输出判别结果为局放；当任意一次逻辑门判别或神经网络判别为噪声，则返回重新读取数据进行判别，设有串联式的逻辑门判别和神经网络判别，根据局放信号的特征设置判别机制，大大提高了判别的准确性。

Description

一种循环渐进式局部放电判别方法
技术领域
本发明涉及电缆局部放电检测方法领域，尤指一种循环渐进式局部放电判别方法。
背景技术
局部放电（简称“局放”）是造成高压电气设备最终发生绝缘击穿的重要原因，也是绝缘劣化的重要表征，是绝缘破坏的前兆，对于电缆线路实施局放在线监测，是发现前兆和早期发现绝缘缺陷的有效手段之一，是防止电缆线路发生突发性的击穿事故的有效方法。由于在线监测是自动无人测试的，由于远离人的监控，所以在线监测系统具备一种高准确率的局放判读机制对在线监测系统获得有效的准确的监测结果对保障电力电缆可靠运行具有重要意义。
专利文献CN103513168 B公开了一种GIS及电缆局部放电综合判断方法，根据逻辑门数值方别方法和神经网络自动判别方法同步对数据进行分析判断，在此基础上综合此两种方法的判定结果，得出综合判定的等级及严重度。
上述GIS及电缆局部放电综合判断方法，逻辑门数值判读和神经网络自动判别并联同时判别，给出一个数据综合判别的瞬时结果。逻辑门判别是通过对获取的物理量放电量q，密度n和时间t的读取数值进行阈值判断；对学习样本只是输入，样本单一，神经网络学习需要大量的样本数据。神经网络自动判别是采用模式识别中的神经网络模型架构读取数值以百分比概率的形式给出判定结果；综合判别即将逻辑门数值判读和神经网络的自动判别结果综合，判别结果是局放或噪声。且这种判断方法输出结果只是判别检测到的信号是局放还是噪声，而且此方法是瞬时判断结果，没有综合各个频率的判别，容易将一些低频、高频或特定频率存在的噪声误判为局放，造成误判误报。
发明内容
为解决上述问题，本发明提供一种循环渐进式局部放电判别方法，设有串联式的逻辑门判别和神经网络判别，根据局放信号的特征设置判别机制，大大提高了判别的准确性。
本发明的另一个目的是提供一种具有多种神经网络判别机制的局放检测方法，对神经网络输入数据增加预处理，降低神经网络的误判率。
本发明的另一个目的是提供一种能够对局放和噪声进行区分具体类型的局放判别方法。
为实现上述目的，本发明采用的技术方案是：一种循环渐进式局部放电判别方法，其特征在于：包含逻辑门判别过程、神经网络判别过程，其判别步骤为，
SP1，数据读取，通过读取局放信号处理装置传输来的局放信号的频率f、相位φ、放电量q、密度n、持续时间t作为特征量，
SP2，第一次逻辑门判别，根据读取数据中的五个特征量f-q-n-t与设定的阈值f1-q1-n1-t1进行判别，若判别为局放信号，则进行第一次神经网络判别，若判别为噪音，则回到SP1继续进行数据读取，
SP3，第一次神经网络判别，根据读取数据中的五个特征量f-q-n-t进行第一次神经网络判别，若判别为局放信号，则进行第二次逻辑门判别，若判别为噪音，则回到SP1继续进行数据读取，
SP4，第二次逻辑门判别，根据读取数据中的五个特征量f-q-n-t与设定的阈值f2-q2-n2-t2进行判别，若判别为局放信号，则进行第二次神经网络判别，若判别为噪音，则回到SP1继续进行数据读取，
SP5，第二次神经网络判别，根据读取数据中的五个特征量f-q-n-t进行第二次神经网络判别，若判别为局放信号，则进行第三次逻辑门判别，若判别为噪音，则回到SP1继续进行数据读取，
SP6，第三次逻辑门判别，根据读取数据中的五个特征量f-q-n-t与设定的阈值f3-q3-n3-t3进行判别，若判别为局放信号，则进行第三次神经网络判别，若判别为噪音，则回到SP1继续进行数据读取，
SP7，第三次神经网络判别，根据读取数据中的五个特征量f-q-n-t进行第三次神经网络判别，若判别为局放信号，则进行第四次逻辑门判别，若判别为噪音，则回到SP1继续进行数据读取，
SP8，第四次逻辑门判别，根据读取数据中的五个特征量f-q-n-t与设定的阈值f4-q4-n4-t4进行判别，若判别为局放信号，则在一次进行第一次神经网络判别，若判别为不是局放信号，则回到SP1继续进行数据读取，
SP9，结果判断，若SP8中的第一次神经网络判别和SP3中的第一次神经网络判别结果均为局放，则认定为本次数据为局放，若其中一次判别结果为噪音，则判别本次数据为噪音。
进一步地，其中局放信号的四个不同频率f之间的关系是f1<f2<f3<f4；四个不同密度n之间的关系是n1≥n2≥n3≥n4；四个不同的持续时间t之间的关系是t1≤t2≤t3≤t4；所述逻辑门判别过程的判别规则是在一个信号频率f上，实际检测值超过放电量q、密度n并满足信号的持续时间t即判断为局放，才能进行下一步的判别，否则为噪声并且返回重新读取数据继续进行判别。
进一步地，所述神经网络判别过程主要由输入数据、数据预处理、输入层、中间层和输出层组成，其步骤为，S1，数据输出，通过输入数据提取局放信号的相位φ、放电量q、密度n三个特征量，
S2，数据预处理，根据S1得到数据进行相位φ的初相角正规化处理、放电量q的正规化处理和密度n的归一化处理，
S3数据判断，根据S2得到数据预处理通过神经网络的输入层、中间层后，最终通过输出层输出判别结果。
进一步地，所述神经网络判别过程分为三种，包括第一神经网络判别机制、第二神经网络判别机制和第三神经网络判别机制。
所述第一神经网络判别机制的数据预处理是对局放特征量密度n的大小进行归一化处理，再经过神经网络学习；
所述第二神经网络判别机制的数据预处理是对局放特征量密度n的大小进行归一化处理和通过对数据进行相位φ的初相角移动将一个数据变成120个数据进行预处理，再经过神经网络学习；
所述第三神经网络判别机制的数据预处理是对局放特征量密度n的大小进行归一化处理、相位φ的初相角进行正规化处理以及放电量q的大小正规化处理，再经过神经网络学习；
当神经网络对局放信号的判别相似度达到90%以上判定为局放，小于90%时判定为噪声。
进一步地，所述相位φ的初相角正规化处理过程为：首先分辨信号簇团；其次将图谱横坐标的相位角0~360°分成120等份，每3°为一等份，最后找出簇团信号重心或中心点位置并将图谱从最左侧簇团信号初始相角移至0°相位处，将处于不同起始相角的信号统一移动至指定的0°相角上进行判断。
所述移动相位角将一个样本变成120个样本处理过程为：通过软件程序进行数据的位移，将一个样本数据变化得到120个不同起始相位的样本数据，增加样本数据量。
进一步地，所述放电量q的正规化处理过程为：对于一个局放信号，每个测试频率的检测信号放电量大小会因背景噪声水平高低而不同，因此将所有检测信号放电量进行正规化处理，即将不同放电量的信号归到同一个放电量起点进行判断，以排除背景噪声水平干扰的影响。
进一步地，所述密度n的归一化处理过程为：在PRRD图谱的二维坐标系上，每一个格子内的颜色代表在相应相角和放电量大小的信号密度，通过对每个格子内的信号密度大小进行计算，并找出密度最大值Nmax，其他格内的当前密度值N则归一化为n=N/Nmax，在对代表密度大小的数据进行归一化处理后可得到用于神经网络自动判别的密度数据及密度随相位角的变化曲线图。
本发明的有益效果在于：
串联式判断，采用串联式判断机制，包含了四种不同的逻辑门判别机制和三种神经网络判别机制，根据局放信号的特征设置判别机制，对局放信号的判别更加严谨；
神经网络样本丰富，通过对神经网络输入数据进行相位角的移位处理，将一个数据通过移位变成120个数据，大大增加了神经网络学习的样本；
神经网络误判率低，对神经网络输入数据增加了初相角的正规化预处理、放电量的正规化预处理和密度大小的归一化预处理，使得神经网络的判别更加准确；
能够区分局放和噪声信号的类型，对局放和噪声能够区分具体类型，对于电缆线路的维护有直接的指导建议；
逻辑门判别有频率特征，逻辑门判别能够实现局放特征量频率、放电量、密度和持续时间的综合判别，对于信号的判别更加准确。
附图说明
图1 是本发明的判别流程图。
图2 是本发明的神经网络判别流程图。
图3 是本发明的初相位正规化示意图。
图4 是本发明的移动相位角增大样本数据过程示意图。
图5 是本发明的放电量正规化示意图。
图6 是本发明的密度归一化示意图。
图7 是本发明的具体实施方式1示意图。
图8 是本发明的具体实施方式2示意图。
具体实施方式
请参阅图1-8所示，本发明关于一种循环渐进式局部放电判别方法，包含逻辑门判别过程、神经网络判别过程，所述逻辑门判别过程是通过读取局放信号处理装置传输来的局放信号的频率f、相位φ、放电量q、密度n、持续时间t作为特征量，根据上述五个特征量对局放信号进行逻辑门f-q-n-t特征值判别，同时每次进行逻辑门判别之后都进行一次神经网络判别，只有当四个频率上的逻辑门判别和神经网络判别均判断为局放时，输出判别结果为局放；当任意一次逻辑门判别或神经网络判别为噪声，则返回继续读取新数据进行判别。
其中局放信号的四个不同频率f之间的关系是f1<f2<f3<f4；四个不同密度n之间的关系是n1≥n2≥n3≥n4；四个不同的持续时间t之间的关系是t1≤t2≤t3≤t4；所述逻辑门判别过程的判别规则是在一个信号频率f上，实际检测值超过放电量q、密度n并满足信号的持续时间t即判断为局放，否则为噪声并且返回重新读取数据继续进行判别，当四个频率上的逻辑门判别均判断为局放，才能进行下一步的判别。
所述神经网络判别过程主要由输入数据、数据预处理、输入层、中间层和输出层组成，通过输入数据提取局放信号的相位φ、放电量q、密度n三个特征量，并通过数据预处理对数据进行相位φ的初相角正规化处理、放电量q的正规化处理和密度n的归一化处理后将预处理的数据通过神经网络的输入层、中间层后，最终通过输出层输出判别结果。
所述神经网络判别过程分为三种，包括第一神经网络判别机制、第二神经网络判别机制和第三神经网络判别机制，
所述第一神经网络判别机制的数据预处理是对局放特征量密度n的大小进行归一化处理，再经过神经网络学习；
所述第二神经网络判别机制的数据预处理是对局放特征量密度n的大小进行归一化处理和通过对数据进行相位φ的初相角移动将一个数据变成120个数据进行预处理，再经过神经网络学习；
所述第三神经网络判别机制的数据预处理是对局放特征量密度n的大小进行归一化处理、相位φ的初相角进行正规化处理以及放电量q的大小正规化处理，再经过神经网络学习；
当神经网络对局放信号的判别相似度达到90%以上判定为局放，小于90%时判定为噪声。
如图3所示，所述相位φ的初相角正规化处理过程为：首先分辨信号簇团；其次将图谱横坐标的相位角0~360°分成120等份，每3°为一等份，最后找出簇团信号重心或中心点位置并将图谱从最左侧簇团信号初始相角移至0°相位处，将处于不同起始相角的信号统一移动至指定的0°相角上进行判断。
如图4所示，所述移动相位角将一个样本变成120个样本处理过程为：通过软件程序进行数据的位移，将一个样本数据变化得到120个不同起始相位的样本数据，增加样本数据量。
如图5所示，所述放电量q的正规化处理过程为：对于一个局放信号，每个测试频率的检测信号放电量大小会因背景噪声水平高低而不同，因此将所有检测信号放电量进行正规化处理，即将不同放电量的信号归到同一个放电量起点进行判断，以排除背景噪声水平干扰的影响。
如图6所示，所述密度n的归一化处理过程为：在PRRD图谱的二维坐标系上，每一个格子内的颜色代表在相应相角和放电量大小的信号密度，通过对每个格子内的信号密度大小进行计算，并找出密度最大值Nmax，其他格内的当前密度值N则归一化为n=N/Nmax，在对代表密度大小的数据进行归一化处理后可得到用于神经网络自动判别的密度数据及密度随相位角的变化曲线图。
实施方式1：
如图7所示，后台数据处理与分析中心MS接收到检测信号后开始进行判别，读取检测数据进入逻辑门f1-q-n1-t1特征值判别，初步判别阈值设定：f1（1~5MHz）、q（50~80pC）、n1（20~30pps）、t1（3~5min），初步判别检测到的信号是局放还是噪声，若检测信号的特征值f、q、n、t均满足设定的阈值判别为局放，进入第一神经网络判别机制；否则，则判别为噪声结束判别。
第一神经网络判别机制：对检测信号进行三维图谱特征判别，给出一个局放相似度百分比数值，二次判别检测信号是局放还是噪声，若对检测信号输出的百分比数值大于等于90%判别为局放，自动改变下一个逻辑门f-q-n-t阈值的设定，进入逻辑门f2-q-n2-t2特征值判别；否则，百分比数值小于90%则判别为噪声结束判别。
逻辑门f2-q-n2-t2特征值判别：根据前面第一神经网络判别机制的判别结果自动改变阈值：f2（5~10MHz）、q（50~80pC）、n2（15~20pps）、t1（5~8min），第三次判别检测信号是局放还是噪声，若检测信号的特征值f、q、n、t均满足设定的阈值判别为局放，进入第二神经网络判别机制；否则，则判别为噪声结束判别。
第二神经网络判别机制：对检测信号进行三维图谱特征判别，给出一个局放相似度百分比数值，第四次判别检测信号是局放还是噪声，若对检测信号输出的百分比数值大于等于90%判别为局放，自动改变下一个逻辑门f-q-n-t阈值的设定，进入逻辑门f3-q-n3-t3特征值判别；否则，百分比数值小于90%则判别为噪声结束判别。
逻辑门f3-q-n3-t3特征值判别：根据前面第二神经网络判别机制的判别结果自动改变阈值：f3（10~20MHz）、q（50~80pC）、n3（10~15pps）、t3（8~15min），第五次判别检测信号是局放还是噪声，若检测信号的特征值f、q、n、t均满足设定的阈值判别为局放，进入第三神经网络判别机制；否则，则判别为噪声结束判别。
第三神经网络判别机制：对检测信号进行三维图谱特征判别，给出一个局放相似度百分比数值，第六次判别检测信号是局放还是噪声，若对检测信号输出的百分比数值大于等于90%判别为局放，自动改变下一个逻辑门f-q-n-t阈值的设定，进入逻辑门f4-q-n4-t4特征值判别；否则，百分比数值小于90%则判别为噪声结束判别。
逻辑门f4-q-n4-t4特征值判别：根据前面第三神经网络判别机制的判别结果自动改变阈值：f4（20~30MHz）、q（50~80pC）、n4（5~10pps）、t4（15~30min），第七次判别检测信号是局放还是噪声，若检测信号的特征值f、q、n、t均满足设定的阈值判别为局放，再次应用第一神经网络判别机制进行最后判别；否则，则判别为噪声结束判别。
第一神经网络判别机制：对通过了前面七次判别为局放的检测信号再次应用第一神经网络判别机制进行三维图谱特征判别，给出一个局放相似度百分比数值，最后判别检测信号是局放还是噪声，若对检测信号输出的百分比数值大于等于90%判别为局放结束判别；否则，百分比数值小于90%则判别为噪声结束判别。
实施方式2：
如图8所示，神经网络判别信号类型可判别PD和Noise两种以上类型。输出层包含6个PD类型和3个Noise类型共9个类型数据参数库，分别是：
PD1—绝缘空穴局部放电信号；
PD2—绝缘介面爬电局部放电信号；
PD3—绝缘内杂质局部放电信号；
PD4—介面缝隙局部放电信号；
PD5—内导体凸起局部放电信号（尖端放电）；
PD6—外导体凸起局部放电信号（尖端放电）；
Noise1—单团、双团、三团、多团电晕噪声；
Noise2—垂直楼房状、水平饼状双团噪声；
Noise3—杂乱，没有相位特征噪声。
检测信号数据经过预处理通过输入层和中间层，处理后得到的检测信号数据以参数格式分别进入到输出层的PD和Noise的9个信号类型数据参数库，检测数据的参数分别与各个信号类型数据参数库对比，输出9个相似度值（范围：0~1），再对比9个相似度值，对比得到与哪个类型数据参数库的相似度值最大的则判别是该信号类型。
本发明的有益效果在于：
串联式判断，采用串联式判断机制，包含了四种不同的逻辑门判别机制和三种神经网络判别机制，根据局放信号的特征设置判别机制，对局放信号的判别更加严谨；
神经网络样本丰富，通过对神经网络输入数据进行相位角的移位处理，将一个数据通过移位变成120个数据，大大增加了神经网络学习的样本；
神经网络误判率低，对神经网络输入数据增加了初相角的正规化预处理、放电量的正规化预处理和密度大小的归一化预处理，使得神经网络的判别更加准确；
能够区分局放和噪声信号的类型，对局放和噪声能够区分具体类型，对于电缆线路的维护有直接的指导建议；
逻辑门判别有频率特征，逻辑门判别能够实现局放特征量频率、放电量、密度和持续时间的综合判别，对于信号的判别更加准确。
以上实施方式仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通工程技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的权利要求书确定的保护范围内。

Claims (4)

1.一种循环渐进式局部放电判别方法，其特征在于：包含逻辑门判别过程、神经网络判别过程，其判别步骤为，
SP1，数据读取，通过读取局放信号处理装置传输来的局放信号的频率f、相位φ、放电量q、密度n、持续时间t作为特征量，
SP2，第一次逻辑门判别，根据读取数据中的五个特征量f-q-n-t与设定的阈值f1-q1-n1-t1进行判别，若判别为局放信号，则进行第一次神经网络判别，若判别为噪音，则回到SP1继续进行数据读取，
SP3，第一次神经网络判别，根据读取数据中的五个特征量f-q-n-t进行第一次神经网络判别，若判别为局放信号，则进行第二次逻辑门判别，若判别为噪音，则回到SP1继续进行数据读取，
SP4，第二次逻辑门判别，根据读取数据中的五个特征量f-q-n-t与设定的阈值f2-q2-n2-t2进行判别，若判别为局放信号，则进行第二次神经网络判别，若判别为噪音，则回到SP1继续进行数据读取，
SP5，第二次神经网络判别，根据读取数据中的五个特征量f-q-n-t进行第二次神经网络判别，若判别为局放信号，则进行第三次逻辑门判别，若判别为噪音，则回到SP1继续进行数据读取，
SP6，第三次逻辑门判别，根据读取数据中的五个特征量f-q-n-t与设定的阈值f3-q3-n3-t3进行判别，若判别为局放信号，则进行第三次神经网络判别，若判别为噪音，则回到SP1继续进行数据读取，
SP7，第三次神经网络判别，根据读取数据中的五个特征量f-q-n-t进行第三次神经网络判别，若判别为局放信号，则进行第四次逻辑门判别，若判别为噪音，则回到SP1继续进行数据读取，
SP8，第四次逻辑门判别，根据读取数据中的五个特征量f-q-n-t与设定的阈值f4-q4-n4-t4进行判别，若判别为局放信号，则在一次进行第一次神经网络判别，若判别为不是局放信号，则回到SP1继续进行数据读取，
SP9，结果判断，若SP8中的第一次神经网络判别和SP3中的第一次神经网络判别结果均为局放，则认定为本次数据为局放，若其中一次判别结果为噪音，则判别本次数据为噪音；
所述特征量的四个不同频率f之间的关系是f1<f2<f3<f4；四个不同密度n之间的关系是n1≥n2≥n3≥n4；四个不同的持续时间t之间的关系是t1≤t2≤t3≤t4；所述逻辑门判别过程的判别规则是在一个信号频率f上，实际检测值超过放电量q、密度n并满足信号的持续时间t即判断为局放，才能进行下一步的判别，否则为噪声并且返回重新读取数据继续进行判别；：所述神经网络判别过程分为三种，包括第一神经网络判别机制、第二神经网络判别机制和第三神经网络判别机制，
所述第一神经网络判别机制的数据预处理是对局放特征量密度n的大小进行归一化处理，再经过神经网络学习；
所述第二神经网络判别机制的数据预处理是对局放特征量密度n的大小进行归一化处理和通过对数据进行相位φ的初相角移动将一个数据变成120个数据进行预处理，再经过神经网络学习；
所述第三神经网络判别机制的数据预处理是对局放特征量密度n的大小进行归一化处理、相位φ的初相角进行正规化处理以及放电量q的大小正规化处理，再经过神经网络学习；
当神经网络对局放信号的判别相似度达到90％以上判定为局放，小于90％时判定为噪声；
所述相位φ的初相角正规化处理过程为：首先分辨信号簇团；其次将图谱横坐标的相位角0～360°分成120等份，每3°为一等份，最后找出簇团信号重心或中心点位置并将图谱从最左侧簇团信号初始相角移至0°相位处，将处于不同起始相角的信号统一移动至指定的0°相角上进行判断；
移动相位角将一个样本变成120个样本处理过程为：通过软件程序进行数据的位移，将一个样本数据变化得到120个不同起始相位的样本数据，增加样本数据量。
2.根据权利要求1所述的循环渐进式局部放电判别方法，其特征在于：所述神经网络判别过程主要由输入数据、数据预处理、输入层、中间层和输出层组成，其步骤为，S1，数据输出，通过输入数据提取局放信号的相位φ、放电量q、密度n三个特征量，
S2，数据预处理，根据S1得到数据进行相位φ的初相角正规化处理、放电量q的正规化处理和密度n的归一化处理，
S3数据判断，根据S2得到数据预处理通过神经网络的输入层、中间层后，最终通过输出层输出判别结果。
3.根据权利要求1所述的循环渐进式局部放电判别方法，其特征在于：所述放电量q的正规化处理过程为：对于一个局放信号，每个测试频率的检测信号放电量大小会因背景噪声水平高低而不同，因此将所有检测信号放电量进行正规化处理，即将不同放电量的信号归到同一个放电量起点进行判断，以排除背景噪声水平干扰的影响。
4.根据权利要求1所述的循环渐进式局部放电判别方法，其特征在于：所述密度n的归一化处理过程为：在PRRD图谱的二维坐标系上，每一个格子内的颜色代表在相应相角和放电量大小的信号密度，通过对每个格子内的信号密度大小进行计算，并找出密度最大值Nmax，其他格内的当前密度值N则归一化为n＝N/Nmax，在对代表密度大小的数据进行归一化处理后可得到用于神经网络自动判别的密度数据及密度随相位角的变化曲线图。
CN202110513149.XA 2021-05-11 2021-05-11 一种循环渐进式局部放电判别方法 Active CN113238128B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110513149.XA CN113238128B (zh) 2021-05-11 2021-05-11 一种循环渐进式局部放电判别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110513149.XA CN113238128B (zh) 2021-05-11 2021-05-11 一种循环渐进式局部放电判别方法

Publications (2)

Publication Number Publication Date
CN113238128A CN113238128A (zh) 2021-08-10
CN113238128B true CN113238128B (zh) 2022-07-22

Family

ID=77133499

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110513149.XA Active CN113238128B (zh) 2021-05-11 2021-05-11 一种循环渐进式局部放电判别方法

Country Status (1)

Country Link
CN (1) CN113238128B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115828148B (zh) * 2023-02-23 2023-05-05 广州智丰电气科技有限公司 局部放电波形识别方法、系统和存储介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101771477B (zh) * 2008-12-29 2013-06-05 深圳富泰宏精密工业有限公司 手机射频发射功率校正系统及方法
CN102156245B (zh) * 2011-03-11 2016-08-03 太原理工大学 一种矿用高压电缆在线故障诊断及预警方法
US20120330871A1 (en) * 2011-06-27 2012-12-27 Asiri Yahya Ahmed Using values of prpd envelope to classify single and multiple partial discharge (pd) defects in hv equipment
CN103323749B (zh) * 2013-05-16 2016-08-03 上海交通大学 多分类器信息融合的局部放电诊断方法
CN203490332U (zh) * 2013-09-24 2014-03-19 广州友智电气技术有限公司 多功能手持式智能局放检测装置
CN103513168B (zh) * 2013-10-08 2016-03-30 广州友智电气技术有限公司 Gis及电缆局部放电综合判断方法
CN106019089A (zh) * 2016-05-12 2016-10-12 国网上海市电力公司 一种根据相间信号相关关系特征进行局部放电判别的方法
CN110045230A (zh) * 2019-04-18 2019-07-23 中国电力科学研究院有限公司 一种用于高压交联海缆内部放电的模拟方法及系统
CN112036320A (zh) * 2020-09-07 2020-12-04 华北电力大学（保定） 局部放电状态识别方法、装置、放电模拟器和识别设备
CN112446320B (zh) * 2020-11-23 2022-03-29 广东电网有限责任公司 一种模糊识别逻辑门多重互补局放判别装置及方法

Also Published As

Publication number Publication date
CN113238128A (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
CN110070060B (zh) 一种轴承设备的故障诊断方法
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN112180221B (zh) 基于双测度监督规则的gis未知类别局部放电识别方法
CN111914883A (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
CN110259648B (zh) 一种基于优化K-means聚类的风机叶片故障诊断方法
CN110596506A (zh) 基于时间卷积网络的变换器故障诊断方法
CN113238128B (zh) 一种循环渐进式局部放电判别方法
CN111398798B (zh) 基于振动信号区间特征提取的断路器储能状态辨识方法
CN112528774B (zh) 一种复杂电磁环境下未知雷达信号智能分选系统及方法
CN112668612A (zh) 一种基于网格的局部放电信号聚类分析方法
Xu et al. Rail defect detection method based on recurrent neural network
CN117242487A (zh) 一种多源混合型特高频局部放电图谱的分离识别方法
CN115238785A (zh) 基于图像融合和集成网络的旋转机械故障诊断方法和系统
CN116861303A (zh) 一种变电站数字孪生多源信息融合诊断方法
CN110672988A (zh) 一种基于分层式诊断的局部放电模式识别方法
CN113516173A (zh) 一种基于随机森林与决策树的整车静动态干涉的测评方法
CN116167438A (zh) 基于改进量子遗传算法优化svm的变压器故障诊断方法
CN116466408A (zh) 一种基于航磁数据的人工神经网络超基性岩识别方法
CN110632191A (zh) 一种基于决策树算法的变压器色谱峰定性方法和系统
CN115586406A (zh) 一种基于特高频信号的gis局部放电故障诊断方法及系统
CN115130748A (zh) 一种建筑电气系统故障诊断方法
JPH11258296A (ja) 部分放電自動判別方法
Zhao et al. Research on Transformer Oil Multi-frequency Ultrasonic Monitoring Technology Based on Convolutional Neural Network
CN117889945B (zh) 一种公路桥梁施工振动测试方法
CN116625685B (zh) 一种基于多域特征构建的滚动轴承组合故障诊断方法

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