CN113720724B - 一种空气型开关柜用伴生物预警检测方法 - Google Patents
一种空气型开关柜用伴生物预警检测方法 Download PDFInfo
- Publication number
- CN113720724B CN113720724B CN202111011454.5A CN202111011454A CN113720724B CN 113720724 B CN113720724 B CN 113720724B CN 202111011454 A CN202111011454 A CN 202111011454A CN 113720724 B CN113720724 B CN 113720724B
- Authority
- CN
- China
- Prior art keywords
- switch cabinet
- gas
- early warning
- detection method
- air
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 238000009413 insulation Methods 0.000 claims abstract description 34
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000015556 catabolic process Effects 0.000 claims abstract description 22
- 238000006731 degradation reaction Methods 0.000 claims abstract description 22
- 238000003745 diagnosis Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000004088 simulation Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000005979 thermal decomposition reaction Methods 0.000 claims abstract description 8
- 229920003020 cross-linked polyethylene Polymers 0.000 claims abstract description 7
- 239000004703 cross-linked polyethylene Substances 0.000 claims abstract description 7
- 239000003822 epoxy resin Substances 0.000 claims abstract description 7
- 238000004949 mass spectrometry Methods 0.000 claims abstract description 7
- 229920000647 polyepoxide Polymers 0.000 claims abstract description 7
- 229920002379 silicone rubber Polymers 0.000 claims abstract description 7
- 238000002411 thermogravimetry Methods 0.000 claims abstract description 7
- 238000006243 chemical reaction Methods 0.000 claims abstract description 5
- 230000007246 mechanism Effects 0.000 claims abstract description 5
- 238000011160 research Methods 0.000 claims abstract description 5
- 239000002131 composite material Substances 0.000 claims abstract description 4
- 239000007789 gas Substances 0.000 claims description 68
- 238000013528 artificial neural network Methods 0.000 claims description 34
- 230000007547 defect Effects 0.000 claims description 32
- 239000011810 insulating material Substances 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 21
- 230000002068 genetic effect Effects 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 12
- 239000007787 solid Substances 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 6
- 238000002290 gas chromatography-mass spectrometry Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 4
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 3
- 238000004566 IR spectroscopy Methods 0.000 claims description 3
- 229910000831 Steel Inorganic materials 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 claims description 3
- 239000008367 deionised water Substances 0.000 claims description 3
- 229910021641 deionized water Inorganic materials 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 239000003546 flue gas Substances 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 239000012774 insulation material Substances 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000013021 overheating Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000010959 steel Substances 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 2
- 208000028659 discharge Diseases 0.000 abstract description 31
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N5/00—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
- G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
- G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/62—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating the ionisation of gases, e.g. aerosols; by investigating electric discharges, e.g. emission of cathode
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- 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
- 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
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开了一种空气型开关柜用伴生物预警检测方法,具体包括以下步骤:S1、建立数据库:1)、首先搭建空气型开关柜内部过热性故障模拟试验装置,采用热重分析法和质谱分析方法监测环氧树脂、交联聚乙烯、有机硅橡胶等绝缘复合材料在空气气氛下的热分解逸出气体,本发明涉及电力设备检测技术领域。该空气型开关柜用伴生物预警检测方法,通过开展劣化气体在高温及局部放电条件下的分解特性和反应机理的对应关系研究,有效完善现有的局部放电分解物组分分析理论、提高局部放电诊断可靠性,还能在基于分解物分析的过热性故障检测方法的基础上,利用劣化气体分解物特性实现多类绝缘故障统一检测、诊断。
Description
技术领域
本发明涉及电力设备检测技术领域,具体为一种空气型开关柜用伴生物预警检测方法。
背景技术
高压开关柜作为配电网中重要的组成部分之一,其安全稳定的运行对于配网系统稳定的供电至关重要,高压开关柜主要故障是由局部放电和过热故障引起的,然而智能电网的提出给故障检测带来了更大考验,开关柜内部集成有断路器、接触器、负荷开关、熔断器、隔离开关、互感器、电容器、避雷针、母线、测量装置、检测装置、控制装置、保护装置、联锁装置、信号装置等并将它们置于方形金属外壳内,如果开关柜发生故障将会导致配网系统供电不稳定,影响居民用电质量和国家经济发展,更为严重情况还会导致开关柜爆炸。
随着电网日益扩大以及变电站无人值班管理模式和综合自动化的普及与推广,高压开关柜故障造成的停电事故给生产和生活带来的影响及损失也越来越大,统计表明,无论是气体绝缘开关柜还是空气型开关柜,开关事故类型分布如下:机械故障(拒分、拒合、误动)33.3%,温升故障(载流)8.9%,绝缘故障37.3%,其它20.5%,其中大约有70%以上的故障伴随有特征性气体的产生和规律性变化,本项目针对10-35kV高压开关柜内部发生过热性、局部放电等故障时,固体绝缘材料分解产生的特征气体和故障类型对应关系进行研究。
由于过热、放电故障的特性差异,实际中过热、放电故障的检测系统通常需要分别安装配置,尚难以实现统一监测。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种空气型开关柜用伴生物预警检测方法,解决了由于过热、放电故障的特性差异,实际中过热、放电故障的检测系统通常需要分别安装配置,尚难以实现统一监测的问题。
(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:一种空气型开关柜用伴生物预警检测方法,具体包括以下步骤:
S1、建立数据库:1)、首先搭建空气型开关柜内部过热性故障模拟试验装置,采用热重分析法和质谱分析方法监测环氧树脂、交联聚乙烯、有机硅橡胶绝缘复合材料在空气气氛下的热分解逸出气体,根据气体产出速率与温度变化的关系筛选主要特征气体分解产物,探究主要绝缘材料与空气分子在不同温度下的分解规律,其中热重分析法通过公式(1)计算在程序控制温度下,物质的质量与温度或时间的关系,
(1)
式中,t为时间,T为温度,m为物质的质量;
2)、进一步采用热重-气相色谱-质谱联用技术,研究开关柜主要绝缘材料环氧树脂、交联聚乙烯、有机硅橡胶与空气分子在不同温度下的分解规律与主要特征气体分解产物,然后结合热重、质谱、扫描电子显微镜、红外光谱及热重-气相色谱-质谱联用分析结果,确定主要绝缘材料热分解反应机理,对比研究主要绝缘材料在不同温度下的反应动力学特性及差异性行为;
3)、建立空气放电模拟分解气室,进行局部放电实验,利用脉冲电流法对各类绝缘缺陷模型进行放电量的校准,通过逐步升压法确定电压梯度或微粒颗数调节放电量,并测量各实验组的局部放电特性,采集统计相关数据,实验持续24小时,用烟气分析仪每四小时测量一次分解组分,记录各组分的浓度值,最终建立起模拟过热、局放故障下固体绝缘材料特征气体分解产物的分布规律与故障类型的对应关系;
S2、建立气体关联模型:1)、获取数据,选用电化学传感器作为检测传感器,安置在开关柜母线室检测开关柜运行状态,采集气体组分信息,确定气体浓度净增长,作为SVM和BP神经网络输入层,根据实验训练学习样本预测开关柜当前运行状态;
2)、确定分析对象,不同绝缘缺陷模型下气体组分特性浓度不一样,根据步骤1)中获取的数据,选择了浓度变化较为明显的三种气体为代表,以这三种气体的浓度净增长作为BP神经网络输入对象,由此训练SVM和BP神经网络;
3)、结合步骤2)中开关柜气体组分信息,通过K-CV交叉验证算法确定SVM的最优惩罚参数和核函数参数,以建立高精度的SVM模型;
S3、基于SVM的绝缘缺陷类型诊断:结合步骤S2中确定SVM的最优惩罚参数和核函数参数,从数据库中提取数据用于SVM预测,将开关柜内气体浓度、生成速率作为输入层,将开关柜常见劣化缺陷模型为输出,不断训练调整网络学习速率、权值阈值,直至网络误差满足设定误差阈值停止迭代,完成开关柜绝缘缺陷类型诊断模型训练;
S4、结合步骤S2中开关柜内气体组分信息和步骤S3中确定的绝缘缺陷类型,确定BP神经网络拓扑结构,确定遗传算法编码规则、编码方式,由适应值函数对初始种群进行选择,判断是否满足停止条件,是则执行步骤S3,否则对父代执行交叉变异操作,生产子代种群,不断重复操作直至满足停止条件;
S5、结合步骤S4确定BP神经网络初始化权值阈值,从数据库提取数据用于神经网络预测,将开关柜内气体浓度、生成速率作为神经网络输入层,以模型局部放电的放电时间作为绝缘缺陷劣化程度的参照,并以此为神经网络的输出,不断训练调整网络学习速率、权值阈值,直至网络误差满足设定误差阈值停止迭代,完成开关柜绝缘缺陷劣化程度预测模型训练,预测绝缘劣化程度,从而对相关工作人员进行预警。
优选的,所述步骤S1中过热故障模拟装置主要包括长方体密闭钢板器皿、排气阀、待测固体绝缘材料、开关电源、固态继电器、PID温控仪、热源、温度传感器和无线气体传感器,其中PID温控仪控制固态继电器的开断调节热源温度,并通过温度传感器实时监测,实现主要绝缘材料在不同温度下的热降解,无线气体传感器实时监测模拟试验装置内部有机气态物质的体积分数,初步探究主要绝缘材料的热分解有机气态物质体积分数随加热时间变化的规律。
优选的,所述步骤S1中空气放电时先将放电模拟气室进行抽真空处理,然后注入干燥空气直至气压与大气一致,利用循环泵抽打去离子水调节湿度至70RH%。
优选的,所述步骤S2中通过交叉验证选择最佳参数进行优化,训练SVM,通过分类训练正确率和测试集,预测正确率来调整初始参数以获取最佳参数,最后根据修正后的最佳参数来训练SVM,提高模型绝缘缺陷类型诊断正确率。
优选的,所述步骤S4中BP神经网络的建立首先明确检测对象,然后引入遗传算法对人工神经网络进行优化,由遗传算法确定最优连接权值和阈值分布,将其作为人工神经网络初始参数用于模型预测,最后根据测试结果修正模型误差参数,提高模型状态识别正确率。
优选的,所述步骤S5中现场测试检测气体组分信息时,设计气体检测阈值排除环境干扰,超过人为设定阈值时开始检测分析,检测、反馈开关柜内部运行状态。
(三)有益效果
本发明提供了一种空气型开关柜用伴生物预警检测方法。与现有技术相比具备以下有益效果:
(1)、该空气型开关柜用伴生物预警检测方法,通过开展劣化气体在高温及局部放电条件下的分解特性和反应机理的对应关系研究,有效完善现有的局部放电分解物组分分析理论、提高局部放电诊断可靠性,还能在基于分解物分析的过热性故障检测方法的基础上,利用劣化气体分解物特性实现多类绝缘故障统一检测、诊断。
(2)、该空气型开关柜用伴生物预警检测方法,通过采用K-CV优化SVM参数,采用遗传算法优化BP神经网络,并通过训练好的SVM和BP一同诊断绝缘缺陷类型和预测劣化程度,有效提高开关柜绝缘缺陷类型诊断和绝缘劣化程度预测的准确性。
(3)、该空气型开关柜用伴生物预警检测方法,通过气体关联模型的建立,能够预测空气型开关柜当前绝缘缺陷劣化程度,分析对应开关柜内部缺陷状态,从而实现对开关柜内状态监测,提醒现场巡检人员维护,有效降低开关柜故障率。
附图说明
图1为本发明气体关联模型的算法流程示意图。
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。
请参阅图1,本发明实施例提供一种技术方案:一种空气型开关柜用伴生物预警检测方法,具体包括以下步骤:
S1、建立数据库:1)、首先搭建空气型开关柜内部过热性故障模拟试验装置,采用热重分析法和质谱分析方法监测环氧树脂、交联聚乙烯、有机硅橡胶绝缘复合材料在空气气氛下的热分解逸出气体,根据气体产出速率与温度变化的关系筛选主要特征气体分解产物,探究主要绝缘材料与空气分子在不同温度下的分解规律,其中热重分析法通过公式(1)计算在程序控制温度下,物质的质量与温度或时间的关系,
(1)
式中,t为时间,T为温度,m为物质的质量;
2)、进一步采用热重-气相色谱-质谱联用技术,研究开关柜主要绝缘材料环氧树脂、交联聚乙烯、有机硅橡胶与空气分子在不同温度下的分解规律与主要特征气体分解产物,然后结合热重、质谱、扫描电子显微镜、红外光谱及热重-气相色谱-质谱联用分析结果,确定主要绝缘材料热分解反应机理,对比研究主要绝缘材料在不同温度下的反应动力学特性及差异性行为;
3)、建立空气放电模拟分解气室,进行局部放电实验,利用脉冲电流法对各类绝缘缺陷模型进行放电量的校准,通过逐步升压法确定电压梯度或微粒颗数调节放电量,并测量各实验组的局部放电特性,采集统计相关数据,实验持续24小时,用烟气分析仪每四小时测量一次分解组分,记录各组分的浓度值,最终建立起模拟过热、局放故障下固体绝缘材料特征气体分解产物的分布规律与故障类型的对应关系;
S2、建立气体关联模型:1)、获取数据,选用电化学传感器作为检测传感器,安置在开关柜母线室检测开关柜运行状态,采集气体组分信息,确定气体浓度净增长,作为SVM和BP神经网络输入层,根据实验训练学习样本预测开关柜当前运行状态;
2)、确定分析对象,不同绝缘缺陷模型下气体组分特性浓度不一样,根据步骤1)中获取的数据,选择了浓度变化较为明显的三种气体为代表,以这三种气体的浓度净增长作为BP神经网络输入对象,由此训练SVM和BP神经网络;
3)、结合步骤2)中开关柜气体组分信息,通过K-CV交叉验证算法确定SVM的最优惩罚参数和核函数参数,以建立高精度的SVM模型;
S3、基于SVM的绝缘缺陷类型诊断:结合步骤S2中确定SVM的最优惩罚参数和核函数参数,从数据库中提取数据用于SVM预测,将开关柜内气体浓度、生成速率作为输入层,将开关柜常见劣化缺陷模型为输出,不断训练调整网络学习速率、权值阈值,直至网络误差满足设定误差阈值停止迭代,完成开关柜绝缘缺陷类型诊断模型训练;
S4、结合步骤S2中开关柜内气体组分信息和步骤S3中确定的绝缘缺陷类型,确定BP神经网络拓扑结构,确定遗传算法编码规则、编码方式,由适应值函数对初始种群进行选择,判断是否满足停止条件,是则执行步骤S3,否则对父代执行交叉变异操作,生产子代种群,不断重复操作直至满足停止条件;
S5、结合步骤S4确定BP神经网络初始化权值阈值,从数据库提取数据用于神经网络预测,将开关柜内气体浓度、生成速率作为神经网络输入层,以模型局部放电的放电时间作为绝缘缺陷劣化程度的参照,并以此为神经网络的输出,不断训练调整网络学习速率、权值阈值,直至网络误差满足设定误差阈值停止迭代,完成开关柜绝缘缺陷劣化程度预测模型训练,预测绝缘劣化程度,从而对相关工作人员进行预警。
本发明实施例中,步骤S1中过热故障模拟装置主要包括长方体密闭钢板器皿、排气阀、待测固体绝缘材料、开关电源、固态继电器、PID温控仪、热源、温度传感器和无线气体传感器,其中PID温控仪控制固态继电器的开断调节热源温度,并通过温度传感器实时监测,实现主要绝缘材料在不同温度下的热降解,无线气体传感器实时监测模拟试验装置内部有机气态物质的体积分数,初步探究主要绝缘材料的热分解有机气态物质体积分数随加热时间变化的规律。
本发明实施例中,步骤S1中空气放电时先将放电模拟气室进行抽真空处理,然后注入干燥空气直至气压与大气一致,利用循环泵抽打去离子水调节湿度至70RH%。
本发明实施例中,步骤S2中通过交叉验证选择最佳参数进行优化,训练SVM,通过分类训练正确率和测试集,预测正确率来调整初始参数以获取最佳参数,最后根据修正后的最佳参数来训练SVM,提高模型绝缘缺陷类型诊断正确率。
本发明实施例中,步骤S4中BP神经网络的建立首先明确检测对象,然后引入遗传算法对人工神经网络进行优化,由遗传算法确定最优连接权值和阈值分布,将其作为人工神经网络初始参数用于模型预测,最后根据测试结果修正模型误差参数,提高模型状态识别正确率。
本发明实施例中,步骤S5中现场测试检测气体组分信息时,设计气体检测阈值排除环境干扰,超过人为设定阈值时开始检测分析,检测、反馈开关柜内部运行状态,同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。
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 (6)
1.一种空气型开关柜用伴生物预警检测方法,其特征在于:具体包括以下步骤:
S1、建立数据库:1)、首先搭建空气型开关柜内部过热性故障模拟试验装置,采用热重分析法和质谱分析方法监测环氧树脂、交联聚乙烯、有机硅橡胶绝缘复合材料在空气气氛下的热分解逸出气体,根据气体产出速率与温度变化的关系筛选主要特征气体分解产物,探究主要绝缘材料与空气分子在不同温度下的分解规律,其中热重分析法通过公式(1)计算在程序控制温度下,物质的质量与温度或时间的关系,
(1)
式中,t为时间,T为温度,m为物质的质量;
2)、进一步采用热重-气相色谱-质谱联用技术,研究开关柜主要绝缘材料环氧树脂、交联聚乙烯、有机硅橡胶与空气分子在不同温度下的分解规律与主要特征气体分解产物,然后结合热重、质谱、扫描电子显微镜、红外光谱及热重-气相色谱-质谱联用分析结果,确定主要绝缘材料热分解反应机理,对比研究主要绝缘材料在不同温度下的反应动力学特性及差异性行为;
3)、建立空气放电模拟分解气室,进行局部放电实验,利用脉冲电流法对各类绝缘缺陷模型进行放电量的校准,通过逐步升压法确定电压梯度或微粒颗数调节放电量,并测量各实验组的局部放电特性,采集统计相关数据,实验持续24小时,用烟气分析仪每四小时测量一次分解组分,记录各组分的浓度值,最终建立起模拟过热、局放故障下固体绝缘材料特征气体分解产物的分布规律与故障类型的对应关系;
S2、建立气体关联模型:1)、获取数据,选用电化学传感器作为检测传感器,安置在开关柜母线室检测开关柜运行状态,采集气体组分信息,确定气体浓度净增长,作为SVM和BP神经网络输入层,根据实验训练学习样本预测开关柜当前运行状态;
2)、确定分析对象,不同绝缘缺陷模型下气体组分特性浓度不一样,根据步骤1)中获取的数据,选择了浓度变化较为明显的三种气体为代表,以这三种气体的浓度净增长作为BP神经网络输入对象,由此训练SVM和BP神经网络;
3)、结合S2中步骤2)的开关柜气体组分信息,通过K-CV交叉验证算法确定SVM的最优惩罚参数和核函数参数,以建立高精度的SVM模型;
S3、基于SVM的绝缘缺陷类型诊断:结合步骤S2中确定SVM的最优惩罚参数和核函数参数,从数据库中提取数据用于SVM预测,将开关柜内气体浓度、生成速率作为输入层,将开关柜常见劣化缺陷模型为输出,不断训练调整网络学习速率、权值阈值,直至网络误差满足设定误差阈值停止迭代,完成开关柜绝缘缺陷类型诊断模型训练;
S4、结合步骤S2中开关柜内气体组分信息和步骤S3中确定的绝缘缺陷类型,确定BP神经网络拓扑结构,确定遗传算法编码规则、编码方式,由适应值函数对初始种群进行选择,判断是否满足停止条件,是则执行步骤S3,否则对父代执行交叉变异操作,生产子代种群,不断重复操作直至满足停止条件;
S5、结合步骤S4确定BP神经网络初始化权值阈值,从数据库提取数据用于神经网络预测,将开关柜内气体浓度、生成速率作为神经网络输入层,以模型局部放电的放电时间作为绝缘缺陷劣化程度的参照,并以此为神经网络的输出,不断训练调整网络学习速率、权值阈值,直至网络误差满足设定误差阈值停止迭代,完成开关柜绝缘缺陷劣化程度预测模型训练,预测绝缘劣化程度,从而对相关工作人员进行预警。
2.根据权利要求1所述的一种空气型开关柜用伴生物预警检测方法,其特征在于:所述步骤S1中过热故障模拟装置主要包括长方体密闭钢板器皿、排气阀、待测固体绝缘材料、开关电源、固态继电器、PID温控仪、热源、温度传感器和无线气体传感器,其中PID温控仪控制固态继电器的开断调节热源温度,并通过温度传感器实时监测,实现主要绝缘材料在不同温度下的热降解,无线气体传感器实时监测模拟试验装置内部有机气态物质的体积分数,初步探究主要绝缘材料的热分解有机气态物质体积分数随加热时间变化的规律。
3.根据权利要求1所述的一种空气型开关柜用伴生物预警检测方法,其特征在于:所述步骤S1中空气放电时先将放电模拟气室进行抽真空处理,然后注入干燥空气直至气压与大气一致,利用循环泵抽打去离子水调节湿度至70RH%。
4.根据权利要求1所述的一种空气型开关柜用伴生物预警检测方法,其特征在于:所述步骤S2中通过交叉验证选择最佳参数进行优化,训练SVM,通过分类训练正确率和测试集,预测正确率来调整初始参数以获取最佳参数,最后根据修正后的最佳参数来训练SVM,提高模型绝缘缺陷类型诊断正确率。
5.根据权利要求1所述的一种空气型开关柜用伴生物预警检测方法,其特征在于:所述步骤S4中BP神经网络的建立首先明确检测对象,然后引入遗传算法对人工神经网络进行优化,由遗传算法确定最优连接权值和阈值分布,将其作为人工神经网络初始参数用于模型预测,最后根据测试结果修正模型误差参数,提高模型状态识别正确率。
6.根据权利要求1所述的一种空气型开关柜用伴生物预警检测方法,其特征在于:所述步骤S5中现场测试检测气体组分信息时,设计气体检测阈值排除环境干扰,超过人为设定阈值时开始检测分析,检测、反馈开关柜内部运行状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111011454.5A CN113720724B (zh) | 2021-08-31 | 2021-08-31 | 一种空气型开关柜用伴生物预警检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111011454.5A CN113720724B (zh) | 2021-08-31 | 2021-08-31 | 一种空气型开关柜用伴生物预警检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113720724A CN113720724A (zh) | 2021-11-30 |
CN113720724B true CN113720724B (zh) | 2024-04-02 |
Family
ID=78679671
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111011454.5A Active CN113720724B (zh) | 2021-08-31 | 2021-08-31 | 一种空气型开关柜用伴生物预警检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113720724B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114239868A (zh) * | 2021-11-09 | 2022-03-25 | 深圳供电局有限公司 | 开关柜绝缘劣化程度检测方法、装置、设备和程序产品 |
CN114939324A (zh) * | 2022-05-26 | 2022-08-26 | 广西电网有限责任公司电力科学研究院 | 一种悬挂式电力开关柜气体吸附装置 |
CN115575522A (zh) * | 2022-09-13 | 2023-01-06 | 广西电网有限责任公司电力科学研究院 | 空气绝缘高压开关柜内固体绝缘材料过热性故障判断方法 |
CN117970167A (zh) * | 2024-03-28 | 2024-05-03 | 深圳市力生美半导体股份有限公司 | 开关电源故障预测装置、方法及电子设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6928861B1 (en) * | 2000-03-17 | 2005-08-16 | Norman Rice | Method for a reliability assessment, failure prediction and operating condition determination of electric equipment |
WO2014006662A1 (en) * | 2012-07-06 | 2014-01-09 | Mitsubishi Heavy Industries, Ltd. | Method for diagnosing an electric device |
DE102017107022A1 (de) * | 2017-03-31 | 2018-10-04 | Bundesrepublik Deutschland, Vertreten Durch Den Bundesminister Für Wirtschaft Und Energie, Dieser Vertreten Durch Den Präsidenten Der Bundesanstalt Für Materialforschung Und -Prüfung (Bam) | Transfervorrichtung für Komponenten eines aus einem Thermogravimetrie-Gerät austretenden Abgases zur Analyse mittels GC-MS |
CN109459671A (zh) * | 2018-09-27 | 2019-03-12 | 国网浙江省电力有限公司湖州供电公司 | 一种基于遗传算法的改进神经网络的开关柜状态监测方法 |
CN109827865A (zh) * | 2019-03-12 | 2019-05-31 | 中国科学技术大学 | 一种多气氛高压环境下材料热解在线分析装置 |
CN110308375A (zh) * | 2019-06-26 | 2019-10-08 | 国网陕西省电力公司西安供电公司 | 一种基于神经网络集成的电缆绝缘状态评估方法 |
CN110320468A (zh) * | 2019-06-24 | 2019-10-11 | 广西电网有限责任公司电力科学研究院 | 一种基于向量机的开关柜过热故障诊断方法 |
CN111008462A (zh) * | 2019-11-20 | 2020-04-14 | 武汉大学 | 基于气体组分分析法的开关柜局部放电检测方法及装置 |
CN112748317A (zh) * | 2021-03-23 | 2021-05-04 | 国网河南省电力公司电力科学研究院 | 基于多种监测数据的开关柜局部放电故障检测方法及系统 |
-
2021
- 2021-08-31 CN CN202111011454.5A patent/CN113720724B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6928861B1 (en) * | 2000-03-17 | 2005-08-16 | Norman Rice | Method for a reliability assessment, failure prediction and operating condition determination of electric equipment |
WO2014006662A1 (en) * | 2012-07-06 | 2014-01-09 | Mitsubishi Heavy Industries, Ltd. | Method for diagnosing an electric device |
DE102017107022A1 (de) * | 2017-03-31 | 2018-10-04 | Bundesrepublik Deutschland, Vertreten Durch Den Bundesminister Für Wirtschaft Und Energie, Dieser Vertreten Durch Den Präsidenten Der Bundesanstalt Für Materialforschung Und -Prüfung (Bam) | Transfervorrichtung für Komponenten eines aus einem Thermogravimetrie-Gerät austretenden Abgases zur Analyse mittels GC-MS |
CN109459671A (zh) * | 2018-09-27 | 2019-03-12 | 国网浙江省电力有限公司湖州供电公司 | 一种基于遗传算法的改进神经网络的开关柜状态监测方法 |
CN109827865A (zh) * | 2019-03-12 | 2019-05-31 | 中国科学技术大学 | 一种多气氛高压环境下材料热解在线分析装置 |
CN110320468A (zh) * | 2019-06-24 | 2019-10-11 | 广西电网有限责任公司电力科学研究院 | 一种基于向量机的开关柜过热故障诊断方法 |
CN110308375A (zh) * | 2019-06-26 | 2019-10-08 | 国网陕西省电力公司西安供电公司 | 一种基于神经网络集成的电缆绝缘状态评估方法 |
CN111008462A (zh) * | 2019-11-20 | 2020-04-14 | 武汉大学 | 基于气体组分分析法的开关柜局部放电检测方法及装置 |
CN112748317A (zh) * | 2021-03-23 | 2021-05-04 | 国网河南省电力公司电力科学研究院 | 基于多种监测数据的开关柜局部放电故障检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
Partial Discharge Pattern Recognition of Switchgear Based on Residual Convolutional Neural Network;Xueyou Huang et al.;《Journal of Physics》;第1-7页 * |
基于LDA和RBF神经网络的开关柜局部放电模式识别方法研究;王卓 等;《电子测量技术》;第44卷(第14期);第148-152页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113720724A (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113720724B (zh) | 一种空气型开关柜用伴生物预警检测方法 | |
Hua et al. | Remaining useful life prediction of PEMFC systems based on the multi-input echo state network | |
Lin et al. | Review on hydrogen fuel cell condition monitoring and prediction methods | |
Steiner et al. | Model-based diagnosis for proton exchange membrane fuel cells | |
Steiner et al. | Diagnosis of polymer electrolyte fuel cells failure modes (flooding & drying out) by neural networks modeling | |
Mao et al. | Investigation of polymer electrolyte membrane fuel cell internal behaviour during long term operation and its use in prognostics | |
Kheirandish et al. | Modeling of commercial proton exchange membrane fuel cell using support vector machine | |
Liu et al. | Moisture diagnosis of transformer oil-immersed insulation with intelligent technique and frequency-domain spectroscopy | |
CN109459671A (zh) | 一种基于遗传算法的改进神经网络的开关柜状态监测方法 | |
CN111382546B (zh) | 一种基于支持向量机建模对发电机绝缘系统进行寿命预测的方法 | |
Mao et al. | Polymer electrolyte membrane fuel cell fault diagnosis and sensor abnormality identification using sensor selection method | |
Davies et al. | Expert diagnosis of polymer electrolyte fuel cells | |
He et al. | Degradation prediction of proton exchange membrane fuel cell using auto-encoder based health indicator and long short-term memory network | |
Wu et al. | Fault detection and assessment for solid oxide fuel cell system gas supply unit based on novel principal component analysis | |
Liao et al. | A diagnostic method for moisture intrusion fault in OIP bushing | |
Khan et al. | Dynamic semiempirical PEMFC model for prognostics and fault diagnosis | |
Liu et al. | A BPNN model-based AdaBoost algorithm for estimating inside moisture of oil–paper insulation of power transformer | |
CN112288147A (zh) | 一种BP-Adaboost强预测器预测发电机定子绝缘状态的方法 | |
Shutenko et al. | Using statistical decision methods to correct the maximum permissible values of transformer oils indicators | |
CN114595883A (zh) | 基于元学习的油浸式变压器剩余寿命个性化动态预测方法 | |
Liu et al. | Uncertainty assessment of a semi-empirical output voltage model for proton exchange membrane fuel cells | |
CN113553756A (zh) | 一种含气泡油纸绝缘状态评估模拟测试的方法及系统 | |
CN116466067A (zh) | 一种基于灰色理论的复合绝缘子硅橡胶材料剩余寿命预警方法 | |
Zou et al. | An online adaptive model for the nonlinear dynamics of fuel cell voltage | |
CN114997375A (zh) | 一种空气型开关柜中绝缘子表面金属污秽模型搭建系统 |
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 |