CN113514742B - 一种gis局部放电严重程度的评估方法、系统和介质 - Google Patents
一种gis局部放电严重程度的评估方法、系统和介质 Download PDFInfo
- Publication number
- CN113514742B CN113514742B CN202110889014.3A CN202110889014A CN113514742B CN 113514742 B CN113514742 B CN 113514742B CN 202110889014 A CN202110889014 A CN 202110889014A CN 113514742 B CN113514742 B CN 113514742B
- Authority
- CN
- China
- Prior art keywords
- discharge
- case
- equipment
- gis
- cycle
- 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
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
- G01R31/1254—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 gas-insulated power appliances or vacuum gaps
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明公开了一种GIS局部放电严重程度的评估方法、系统和介质,该方法包括:获取GIS内部的局部放电案例的放电发展程度、放电源位置以及设备带故障运行时间,并将所述将放电发展程度、放电源位置以及设备带故障运行时间都作为评价放电严重程度的特征信息,利用聚类法分析已知案例,从而估计新案例在几个特定时间附近的故障概率,并根据发生故障的概率,给出相应的处理意见。
Description
技术领域
本发明涉及局部放电评估技术领域,特别是涉及一种GIS局部放电严重程度的评估方法、系统和介质。
背景技术
局部放电现象,主要指的是高压电气设备。据电网统计,局部放电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标征。电力设备绝缘在足够强的电场作用下局部范围内发生的放电。这种放电以仅造成导体间的绝缘局部短(路桥)接而不形成导电通道为限。每一次局部放电对绝缘介质都会有一些影响,轻微的局部放电对电力设备绝缘的影响较小,绝缘强度的下降较慢;而强烈的局部放电,则会使绝缘强度很快下降。这是使高压电力设备绝缘损坏的一个重要因素。因此,设计高压电力设备绝缘时,要考虑在长期工作电压的作用下,不允许绝缘结构内发生较强烈的局部放电。对运行中的设备要加强监测,当局部放电超过一定程度时,应将设备退出运行,进行检修或更换。
现有的局部放电严重程度评估技术主要是通过提取局部放电的特征(放电统计特征或放电图谱的图像特征),利用聚类、模糊推理、神经网络等方法分析提取到的特征,从而判断放电发展到何种阶段或设备失效的概率。但是,现有的局部放电严重程度评估技术大都仅考虑放电发展程度,忽略了放电源与设备之间的距离对放电严重程度的影响;其次,未能利用设备带故障运行时间作为划分局部放电严重程度等级的特征信息;另外,对局部放电特征的分析结果一般是将严重程度划分为几个等级,未能得出设备在一定时间内故障的概率。
发明内容
本发明的目的是:提供一种GIS局部放电严重程度的评估方法、系统和介质,本发明将放电发展程度、放电源位置以及设备带故障运行时间都作为评价放电严重程度的特征信息,利用聚类法分析已知案例,从而估计新案例在几个特定时间附近的故障概率,并根据发生故障的概率,给出相应的处理意见。
为了实现上述目的,本发明提供了一种GIS局部放电严重程度的评估方法,包括:
S1、采用特高频检测法监测GIS内部的局部放电,获取存在放电案例的PRPD图谱,并将所述PRPD图谱输入到预设的BP神经网络,获得所述PRPD图谱中每种放电案例对应的放电类型;
S2、根据所述放电案例对应的放电类型,提取每种放电案例的放电发展程度呈单调相关性的放电统计特征量数据;
S3、采用特高频时差定位法定位所述PRPD图谱中每种放电案例的放电源,并计算每种放电案例的放电源与重要设备之间的距离数据,统计每种放电案例的设备带故障运行时间数据;
S4、对所述放电统计特征量数据、放电源与重要设备之间的距离数据以及设备带故障运行时间数据进行预处理,获得每种放电案例的多维向量;
S5、根据模糊C均值聚类法和放电案例的多维向量,对每种放电类型的案例进行分类,并分别计算各类的类中心和每种案例对类中心的隶属度,以类中心的设备带故障运行时间划分处理等级;
S6、获取新的放电案例,并计算新的放电案例对已知类中心的隶属度;
S7、根据所述新的放电案例对已知类中心的隶属度,确定新的放电案例在带故障运行时间段发生故障的概率,并根据所述发生故障的概率,给出相应的处理意见。
进一步地,所述方法还包括:
根据所述新的案例加入到已有的案例库中,并重新执行S5。
进一步地,所述放电类型包括:悬浮放电、尖端放电、绝缘缺陷放电、沿面放电和颗粒放电。
进一步地,所述放电统计特征量数据,包括:正负半周放电次数、正负半周最大放电脉冲幅值、正负半周相邻放电时间间隔、视在放电量和放电信号熵。
进一步地,所述对所述放电统计特征量数据、放电源与重要设备之间的距离数据以及设备带故障运行时间数据进行预处理,获得每种放电案例的多维向量,包括:
将每种案例的放电统计特征、放电源与重要设备之间的距离以及设备带故障运行时间数据进行归一化处理,获得归一化后的特征量构成多维向量,其中,所述归一化处理,采用如下计算公式;
式中,xi表示一个向量中的某个元素,yi表示该元素归一化后的结果,xmin和xmax分别表示一类放电案例中,该类元素的最小值和最大值。
进一步地,所述根据模糊C均值聚类法和放电案例的多维向量,对每种放电类型的案例进行分类,并分别计算各类的类中心和每种案例对类中心的隶属度,采用如下计算公式:
其中,uij表示第i个案例ti对第j个类中心μj的隶属度,μj和μk表示类中心,ti表示放电案例,m表示聚类的簇数。
进一步地,所述以类中心的设备带故障运行时间划分处理等级,包括:
持续关注:当放电案例对设备带故障运行时间最长的类中心的隶属度超过50%时,采取持续关注的处理方式;
适当时间停运检修:当放电案例对设备带故障运行时间中等的类中心的隶属度超过50%时,采取适当时间停运检修的处理方式;
立即停运检修:定放电案例对设备带故障运行时间最短的类中心的隶属度超过50%时,采取立即停运检修的处理方式。
本发明还提供一种GIS局部放电严重程度的评估系统,包括:获取模块、第一统计模块、第二统计模块、预处理模块、第一计算模块、第二计算模块和处理模块,其中,
所述获取模块,用于采用特高频检测法监测GIS内部的局部放电,获取存在放电案例的PRPD图谱,并将所述PRPD图谱输入到预设的BP神经网络,获得所述PRPD图谱中每种放电案例对应的放电类型;
所述第一统计模块,用于根据所述放电案例对应的放电类型,提取每种放电案例的放电发展程度呈单调相关性的放电统计特征量数据;
所述第二统计模块,用于采用特高频时差定位法定位所述PRPD图谱中每种放电案例的放电源,并计算每种放电案例的放电源与重要设备之间的距离数据,统计每种放电案例的设备带故障运行时间数据;
所述预处理模块,用于对所述放电统计特征量数据、放电源与重要设备之间的距离数据以及设备带故障运行时间数据进行预处理,获得每种放电案例的多维向量;
所述第一计算模块,用于根据模糊C均值聚类法和放电案例的多维向量,对每种放电类型的案例进行分类,并分别计算各类的类中心和每种案例对类中心的隶属度,以类中心的设备带故障运行时间划分处理等级;
所述第二计算模块,用于获取新的放电案例,并计算新的放电案例对已知类中心的隶属度;
所述处理模块,用于根据所述新的放电案例对已知类中心的隶属度,确定新的放电案例在带故障运行时间段发生故障的概率,并根据所述发生故障的概率,给出相应的处理意见。
进一步地,所述系统还包括:更新模块,用于根据所述新的案例加入到已有的案例库中,根据模糊C均值聚类法和放电案例的多维向量,对每种放电类型的案例进行分类,并分别计算各类的类中心和每种案例对类中心的隶属度,以类中心的设备带故障运行时间划分处理等级。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上述任一项所述的GIS局部放电严重程度的评估方法。
本发明提供的一种GIS局部放电严重程度的评估方法、系统和介质与现有技术相比,其有益效果在于:
本发明提出一种通过计算设备故障概率评估局部放电严重程度的方法,将放电发展程度、放电源位置以及设备带故障运行时间都作为评价放电严重程度的特征信息,利用聚类法分析已知案例,从而估计新案例在几个特定时间附近的故障概率。本发明除了利用放电统计特征外,还利用放电源与重要设备之间的距离以及已知放电案例的设备带故障运行时间来评估放电严重程度,提高了评估的可靠性;本发明还利用模糊C均值聚类法分析已知放电案例,在聚类法的基础上引入了隶属度,有利于获得几个等级的设备带故障运行时间,同时避免了复杂的算法;本发明通过聚类获得的类中心来估计新放电案例中设备在类中心指定的时间附近发生故障的概率,为故障概率预测提供了新的更简单的方法。
附图说明
图1是本发明提供的一种GIS局部放电严重程度的评估方法的流程示意图;
图2是本发明提供的一种GIS局部放电严重程度的评估系统的结构示意图。
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。
应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如图1所示,本发明提供的一种GIS局部放电严重程度的评估方法,至少包括步骤S1-S7,具体步骤如下:
S1、采用特高频检测法监测GIS内部的局部放电,获取存在放电案例的PRPD图谱,并将所述PRPD图谱输入到预设的BP神经网络,获得所述PRPD图谱中每种放电案例对应的放电类型;
需要说明的是,放电类型包括5种基本放电类型:悬浮放电、尖端放电、绝缘缺陷放电、沿面放电和颗粒放电;设备带故障运行时间需要在1个月内到12个月不等。
S2、根据所述放电案例对应的放电类型,提取每种放电案例的放电发展程度呈单调相关性的放电统计特征量数据;
具体地,放电统计特征量数据包括:
正负半周放电次数N+和N-:放电次数是局部放电发展程度最直接的反映;放电越严重,放电次数越多;
正负半周最大放电脉冲幅值Umax +和Umax:局部放电越严重,放电能达到的最大幅值就更有可能越大;
正负半周相邻放电时间间隔△T+和△T-:局部放电越严重,放电的密度越大,相邻两次放电的时间间隔就越小;通常分别用正负半周相邻放电脉冲时间间隔的平均值来描述:
式中,N+和N-分别表示一个工频周期内正半周和负半周的放电次数,△ti+(i=1,2,...,N+-1)和△ti-(i=1,2,...,N--1)分别表示一个工频周期内正半周和负半周相邻两个放电脉冲的时间间隔;
视在放电量Q:局部放电越严重,一定时间内的放电量越大;视在放电量可表示为:
式中,N表示一个工频周期内的放电次数,Ui表示第i(i=1,2,...,N)个放电脉冲的幅值;
放电信号熵En:局部放电越严重,GIS中电荷的迁移速度越快,带电粒子碰撞越激烈,整个系统的复杂程度越高;系统越复杂,信息量越大,则信息熵就越大;放电信号熵具体可表示为:
S3、采用特高频时差定位法定位所述PRPD图谱中每种放电案例的放电源,并计算每种放电案例的放电源与重要设备之间的距离数据,统计每种放电案例的设备带故障运行时间数据;
具体地,设备带故障运行时间定义为:检测到放电的时间到设备发生故障或未发生故障但解体后有明显放电痕迹的时间间隔。
S4、对所述放电统计特征量数据、放电源与重要设备之间的距离数据以及设备带故障运行时间数据进行预处理,获得每种放电案例的多维向量;
具体地,本步骤包括S41-S43,具体步骤如下:
S41:将各类案例的放电统计特征、放电源与重要设备之间的距离以及设备带故障运行时间以数字表示,在本实施方式中设备带故障运行时间以天数表示;
S42:对表示各类信息的数字进行归一化处理,各案例以归一化后的数字构成多维向量;在本实施方式中,归一化处理可采用下式:
式中,xi表示一个向量中的某个元素,yi表示该元素归一化后的结果,xmin和xmax分别表示一类放电案例中,该类元素的最小值和最大值;
S5、根据模糊C均值聚类法和放电案例的多维向量,对每种放电类型的案例进行分类,并分别计算各类的类中心和每种案例对类中心的隶属度,以类中心的设备带故障运行时间划分处理等级;
具体地,本步骤包括S51-S55,具体步骤如下:
S51:构建目标函数:
式中,n表示案例的个数,uij表示第i(i=1,2,...,n)个案例ti对第j(j=1,2,3)个类中心μj的隶属度,取值范围为[0,1];m表示聚类的簇数,其取值范围为[1,∞);对于隶属度uij,其约束条件为:
S52:构造目标函数的拉格朗日乘数:
式中,λ是乘子;
S53:由步骤S51的约束条件和步骤S52的拉格朗日乘数得到最优化条件:
S54:根据步骤S53的最优化条件求解类中心和各案例对类中心的隶属度:
S55:以步骤S54得到的3个类中心的设备带故障运行时间为3种处理等级的划分标准,处理等级包括:
持续关注:案例对设备带故障运行时间最长的类中心的隶属度超过50%时,采取持续关注的处理方式;
适当时间停运检修:案例对设备带故障运行时间中等的类中心的隶属度超过50%时,采取适当时间停运检修的处理方式;
立即停运检修:案例对设备带故障运行时间最短的类中心的隶属度超过50%时,采取立即停运检修的处理方式。
S6、获取新的放电案例,并计算新的放电案例对已知类中心的隶属度;
具体地,本步骤包括S61-S65,具体步骤如下:
S61:根据步骤S1的方法识别新案例的放电类型,根据步骤S2的原则获得新案例的放电统计特征量,根据步骤S3的方法计算新案例的放电源与重要设备之间的距离;
S63:将步骤S5得到的该放电类型的3个类中心向量去掉设备带故障运行时间,形成3个(p-1)维向量;
S64:计算新案例到3个类中心的距离与其到3个类中心的距离之和的比值,作为其对3个类中心的隶属度:
式中,u(n+1)j(j=1,2,3)表示新案例对第j个类中心的隶属度,tn+1表示步骤S62得到的新案例的向量,μj(j=1,2,3)表示步骤S63得到的第j个类中心向量;
S65:将步骤S64得到的3个隶属度分别作为新案例在步骤S54得到的3个类中心的设备带故障运行时间附近故障的概率,根据步骤S55给出相应的处理建议。
S7、根据所述新的放电案例对已知类中心的隶属度,确定新的放电案例在带故障运行时间段发生故障的概率,并根据所述发生故障的概率,给出相应的处理意见。
具体地,将步骤S64得到的3个隶属度分别作为新案例在步骤S54得到的3个类中心的设备带故障运行时间附近故障的概率,根据步骤S55给出相应的处理建议。
在本发明的某一个实施例中,所述方法还包括:
根据所述新的案例加入到已有的案例库中,并重新执行S5。
具体地,本步骤包括:
当新的放电案例已引起设备故障,或未引起设备故障,但对GIS解体后发现明显的放电痕迹,则按照步骤S3获得其设备带故障运行时间;
将此案例的放电统计特征量、放电源与重要设备之间的距离和设备带故障运行时间按照步骤S4构成p维向量;
将此案例加入已有放电案例,按照步骤S5重新计算新的类中心和各放电案例对类中心的隶属度。
在发明的某一个实施例中,所述放电类型包括:悬浮放电、尖端放电、绝缘缺陷放电、沿面放电和颗粒放电。
在发明的某一个实施例中,所述放电统计特征量数据,包括:正负半周放电次数、正负半周最大放电脉冲幅值、正负半周相邻放电时间间隔、视在放电量和放电信号熵。
在发明的某一个实施例中,所述对所述放电统计特征量数据、放电源与重要设备之间的距离数据以及设备带故障运行时间数据进行预处理,获得每种放电案例的多维向量,包括:
将每种案例的放电统计特征、放电源与重要设备之间的距离以及设备带故障运行时间数据进行归一化处理,获得归一化后的特征量构成多维向量,其中,所述归一化处理,采用如下计算公式;
式中,xi表示一个向量中的某个元素,yi表示该元素归一化后的结果,xmin和xmax分别表示一类放电案例中,该类元素的最小值和最大值。
在发明的某一个实施例中,,所述根据模糊C均值聚类法和放电案例的多维向量,对每种放电类型的案例进行分类,并分别计算各类的类中心和每种案例对类中心的隶属度,采用如下计算公式:
其中,uij表示第i个案例ti对第j个类中心μj的隶属度,μj和μk表示类中心,ti表示放电案例,m表示聚类的簇数。
进一步地,所述以类中心的设备带故障运行时间划分处理等级,包括:
持续关注:当放电案例对设备带故障运行时间最长的类中心的隶属度超过50%时,采取持续关注的处理方式;
适当时间停运检修:当放电案例对设备带故障运行时间中等的类中心的隶属度超过50%时,采取适当时间停运检修的处理方式;
立即停运检修:定放电案例对设备带故障运行时间最短的类中心的隶属度超过50%时,采取立即停运检修的处理方式。
本发明提供的一种GIS局部放电严重程度的评估方法、系统和介质与现有技术相比,其有益效果在于:
本发明提出一种通过计算设备故障概率评估局部放电严重程度的方法,将放电发展程度、放电源位置以及设备带故障运行时间都作为评价放电严重程度的特征信息,利用聚类法分析已知案例,从而估计新案例在几个特定时间附近的故障概率。本发明除了利用放电统计特征外,还利用放电源与重要设备之间的距离以及已知放电案例的设备带故障运行时间来评估放电严重程度,提高了评估的可靠性;本发明还利用模糊C均值聚类法分析已知放电案例,在聚类法的基础上引入了隶属度,有利于获得几个等级的设备带故障运行时间,同时避免了复杂的算法;本发明通过聚类获得的类中心来估计新放电案例中设备在类中心指定的时间附近发生故障的概率,为故障概率预测提供了新的更简单的方法。
如图2所示,本发明还提供一种GIS局部放电严重程度的评估系200统,包括:获取模块201、第一统计模块202、第二统计模块203、预处理模块204、第一计算模块205、第二计算模块206和处理模块207,其中,
所述获取模块201,用于采用特高频检测法监测GIS内部的局部放电,获取存在放电案例的PRPD图谱,并将所述PRPD图谱输入到预设的BP神经网络,获得所述PRPD图谱中每种放电案例对应的放电类型;
所述第一统计模块202,用于根据所述放电案例对应的放电类型,提取每种放电案例的放电发展程度呈单调相关性的放电统计特征量数据;
所述第二统计模块203,用于采用特高频时差定位法定位所述PRPD图谱中每种放电案例的放电源,并计算每种放电案例的放电源与重要设备之间的距离数据,统计每种放电案例的设备带故障运行时间数据;
所述预处理模块204,用于对所述放电统计特征量数据、放电源与重要设备之间的距离数据以及设备带故障运行时间数据进行预处理,获得每种放电案例的多维向量;
所述第一计算模块205,用于根据模糊C均值聚类法和放电案例的多维向量,对每种放电类型的案例进行分类,并分别计算各类的类中心和每种案例对类中心的隶属度,以类中心的设备带故障运行时间划分处理等级;
所述第二计算模块206,用于获取新的放电案例,并计算新的放电案例对已知类中心的隶属度;
所述处理模块207,用于根据所述新的放电案例对已知类中心的隶属度,确定新的放电案例在带故障运行时间段发生故障的概率,并根据所述发生故障的概率,给出相应的处理意见。
在本发明的某一个实施例中,所述系统还包括:更新模块,用于根据所述新的案例加入到已有的案例库中,根据模糊C均值聚类法和放电案例的多维向量,对每种放电类型的案例进行分类,并分别计算各类的类中心和每种案例对类中心的隶属度,以类中心的设备带故障运行时间划分处理等级。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述的电力储能系统调控模型的构建方法。
需要说明的是,所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序、计算机程序),所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。特别指出,对于本领域技术人员来说,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种GIS局部放电严重程度的评估方法,其特征在于,包括:
S1、采用特高频检测法监测GIS内部的局部放电,获取存在放电案例的PRPD图谱,并将所述PRPD图谱输入到预设的BP神经网络,获得所述PRPD图谱中每种放电案例对应的放电类型;
S2、根据所述放电案例对应的放电类型,提取每种放电案例的放电发展程度呈单调相关性的放电统计特征量数据;所述放电统计特征量数据,包括:正负半周放电次数、正负半周最大放电脉冲幅值、正负半周相邻放电时间间隔、视在放电量和放电信号熵;
S3、采用特高频时差定位法定位所述PRPD图谱中每种放电案例的放电源,并计算每种放电案例的放电源与重要设备之间的距离数据,统计每种放电案例的设备带故障运行时间数据;
S4、对所述放电统计特征量数据、放电源与重要设备之间的距离数据以及设备带故障运行时间数据进行预处理,获得每种放电案例的多维向量;
S5、根据模糊C均值聚类法和放电案例的多维向量,对每种放电类型的案例进行分类,并分别计算各类的类中心和每种案例对类中心的隶属度,以类中心的设备带故障运行时间划分处理等级;
S6、获取新的放电案例,并计算新的放电案例对已知类中心的隶属度;
S7、根据所述新的放电案例对已知类中心的隶属度,确定新的放电案例在带故障运行时间段发生故障的概率,并根据所述发生故障的概率,给出相应的处理意见。
2.根据权利要求1所述的GIS局部放电严重程度的评估方法,其特征在于,所述方法还包括:
根据所述新的案例加入到已有的案例库中,并重新执行S5。
3.根据权利要求1所述的GIS局部放电严重程度的评估方法,其特征在于,所述放电类型包括:悬浮放电、尖端放电、绝缘缺陷放电、沿面放电和颗粒放电。
4.根据权利要求1所述的GIS局部放电严重程度的评估方法,其特征在于,所述放电统计特征量数据,包括:正负半周放电次数、正负半周最大放电脉冲幅值、正负半周相邻放电时间间隔、视在放电量和放电信号熵
正负半周放电次数N+和N-:是局部放电发展程度最直接的反映;放电越严重,放电次数越多;
正负半周最大放电脉冲幅值Umax +和Umax:局部放电越严重,放电能达到的最大幅值就越大;
正负半周相邻放电时间间隔△T+和△T-:局部放电越严重,放电的密度越大,相邻两次放电的时间间隔就越小;分别用正负半周相邻放电脉冲时间间隔的平均值来描述:
式中,N+和N-分别表示一个工频周期内正半周和负半周的放电次数,△ti+(i=1,2,...,N+-1)和△ti-(i=1,2,...,N--1)分别表示一个工频周期内正半周和负半周相邻两个放电脉冲的时间间隔;
视在放电量Q:局部放电越严重,一定时间内的放电量越大;视在放电量可表示为:
式中,N表示一个工频周期内的放电次数,Ui表示第i(i=1,2,...,N)个放电脉冲的幅值;
放电信号熵En:局部放电越严重,GIS中电荷的迁移速度越快,带电粒子碰撞越激烈,整个系统的复杂程度越高,信息量及信息熵就越大;放电信号熵具体可表示为:
7.根据权利要求1所述的GIS局部放电严重程度的评估方法,其特征在于,所述以类中心的设备带故障运行时间划分处理等级,包括:
持续关注:当放电案例对设备带故障运行时间最长的类中心的隶属度超过50%时,采取持续关注的处理方式;
适当时间停运检修:当放电案例对设备带故障运行时间中等的类中心的隶属度超过50%时,采取适当时间停运检修的处理方式;
立即停运检修:定放电案例对设备带故障运行时间最短的类中心的隶属度超过50%时,采取立即停运检修的处理方式。
8.一种GIS局部放电严重程度的评估系统,其特征在于,包括:获取模块、第一统计模块、第二统计模块、预处理模块、第一计算模块、第二计算模块和处理模块,其中,
所述获取模块,用于采用特高频检测法监测GIS内部的局部放电,获取存在放电案例的PRPD图谱,并将所述PRPD图谱输入到预设的BP神经网络,获得所述PRPD图谱中每种放电案例对应的放电类型;
所述第一统计模块,用于根据所述放电案例对应的放电类型,提取每种放电案例的放电发展程度呈单调相关性的放电统计特征量数据;所述放电统计特征量数据,包括:正负半周放电次数、正负半周最大放电脉冲幅值、正负半周相邻放电时间间隔、视在放电量和放电信号熵;
所述第二统计模块,用于采用特高频时差定位法定位所述PRPD图谱中每种放电案例的放电源,并计算每种放电案例的放电源与重要设备之间的距离数据,统计每种放电案例的设备带故障运行时间数据;
所述预处理模块,用于对所述放电统计特征量数据、放电源与重要设备之间的距离数据以及设备带故障运行时间数据进行预处理,获得每种放电案例的多维向量;
所述第一计算模块,用于根据模糊C均值聚类法和放电案例的多维向量,对每种放电类型的案例进行分类,并分别计算各类的类中心和每种案例对类中心的隶属度,以类中心的设备带故障运行时间划分处理等级;
所述第二计算模块,用于获取新的放电案例,并计算新的放电案例对已知类中心的隶属度;
所述处理模块,用于根据所述新的放电案例对已知类中心的隶属度,确定新的放电案例在带故障运行时间段发生故障的概率,并根据所述发生故障的概率,给出相应的处理意见。
9.根据权利要求8所述的GIS局部放电严重程度的评估系统,其特征在于,所述系统还包括:更新模块,用于根据所述新的案例加入到已有的案例库中,根据模糊C均值聚类法和放电案例的多维向量,对每种放电类型的案例进行分类,并分别计算各类的类中心和每种案例对类中心的隶属度,以类中心的设备带故障运行时间划分处理等级。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的GIS局部放电严重程度的评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110889014.3A CN113514742B (zh) | 2021-08-03 | 2021-08-03 | 一种gis局部放电严重程度的评估方法、系统和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110889014.3A CN113514742B (zh) | 2021-08-03 | 2021-08-03 | 一种gis局部放电严重程度的评估方法、系统和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113514742A CN113514742A (zh) | 2021-10-19 |
CN113514742B true CN113514742B (zh) | 2022-07-08 |
Family
ID=78068884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110889014.3A Active CN113514742B (zh) | 2021-08-03 | 2021-08-03 | 一种gis局部放电严重程度的评估方法、系统和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113514742B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102901912B (zh) * | 2012-10-10 | 2015-07-01 | 国家电网公司 | 用于多电力设备集中布置的局部放电监测方法 |
CN103913677B (zh) * | 2013-01-07 | 2017-10-27 | 国家电网公司 | 局部放电源的定位方法和局部放电源的定位系统 |
CN106444703B (zh) * | 2016-09-20 | 2018-12-07 | 西南石油大学 | 基于故障模式发生概率的动设备运行状态模糊评价及预测方法 |
CN107831422B (zh) * | 2017-11-02 | 2020-09-01 | 广东电网有限责任公司电力科学研究院 | 一种gis设备局部放电诊断方法及系统 |
CN110531228A (zh) * | 2019-09-03 | 2019-12-03 | 国网湖南省电力有限公司 | 基于主成分降维与聚类分析的gis局放严重程度判断方法、系统及介质 |
-
2021
- 2021-08-03 CN CN202110889014.3A patent/CN113514742B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113514742A (zh) | 2021-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6088658A (en) | Statistical pattern analysis methods of partial discharge measurements in high voltage insulation | |
Krivda | Automated recognition of partial discharges | |
CN108957251B (zh) | 一种电缆接头局部放电模式识别方法 | |
CN102435910B (zh) | 基于支持向量分类的功率电子电路健康监测方法 | |
CN109029959B (zh) | 一种变压器绕组的机械状态检测方法 | |
Do et al. | Convolutional-neural-network-based partial discharge diagnosis for power transformer using UHF sensor | |
Tong et al. | Detection and classification of transmission line transient faults based on graph convolutional neural network | |
CN104155585A (zh) | 基于gk模糊聚类的gis局部放电类型识别方法 | |
CN111766462B (zh) | 一种基于v-i轨迹的非侵入式负荷识别方法 | |
CN108304567B (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
CN114118219A (zh) | 基于数据驱动的长期加电设备健康状态实时异常检测方法 | |
CN116796271A (zh) | 一种居民用能异常识别方法 | |
CN116047164A (zh) | 一种电动汽车绝缘电阻异常的检测方法和检测装置 | |
CN115600928A (zh) | 基于oao-rvm的gis盆式绝缘子状态评估方法 | |
US11693041B2 (en) | Method for monitoring the electric insulation status of a piece of equipment for MV or HV electric systems | |
CN113514742B (zh) | 一种gis局部放电严重程度的评估方法、系统和介质 | |
CN112801135A (zh) | 一种基于特征量相关性的发电厂厂用电系统故障选线方法及设备 | |
AU2021104319A4 (en) | A system for traction inverter fault detection and a method thereof | |
Abianeh et al. | Identification of small-signal dynamic faults in distribution systems utilizing intelligent classifiers | |
CN114971002A (zh) | 一种基于计量终端负荷监测技术的异常电量预测方法 | |
CN116113835A (zh) | 一种电能质量监测设备的部署方法和装置 | |
Heidari | Combined diagnosis of pd based on the multidimensional parameters | |
Yusoh et al. | A novel identification of high neutral to earth voltage (NTEV) faults on power distribution systems | |
Jawad et al. | Fault detection and classification for voltage source converter-high voltage systems by using different swarm optimization algorithms-based neural network | |
Lin et al. | Identification of the defective equipments in GIS using the self organizing map |
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 |