CN113721116A - 基于局部放电、油压检测的故障识别方法、系统 - Google Patents
基于局部放电、油压检测的故障识别方法、系统 Download PDFInfo
- Publication number
- CN113721116A CN113721116A CN202110802273.8A CN202110802273A CN113721116A CN 113721116 A CN113721116 A CN 113721116A CN 202110802273 A CN202110802273 A CN 202110802273A CN 113721116 A CN113721116 A CN 113721116A
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- oil pressure
- electrical equipment
- fault
- data
- 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
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/048—Activation functions
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明提供一种基于局部放电、油压检测的故障识别方法、系统,该故障识别方法包括:S101:对故障类型不同的电气设备供电,并获取局部放电时的局部放电数据;S102:通过神经网络算法对局部放电数据进行曲线拟合,通过曲线拟合结果获取每一种故障类型对应的特征曲线;S103:根据被测电气设备的局部放电数据获取被测电气设备相对于不同油压变化曲线的误差和、放电量;S104:根据误差和确定被测电气设备的故障类型,并通过放电量进行安全预警。本发明通过曲线拟合的方式提高了故障识别和放电量获取的准确性,能够对不同故障进行实时诊断和识别,解决了故障开始阶段表征不及时的问题,提高了故障检测的灵敏性和实时性。
Description
技术领域
本发明涉及电气设备故障检测领域,尤其涉及基于局部放电、油压检测的故障识别方法、系统。
背景技术
随着电力系统的发展,油浸式电流互感器,机壳及其他油浸式电气设备已越来越广泛地应用于高压电力系统中。而电气设备经常需要工作在高温、高压、高负荷状态下,很容易出现故障。如果不能及时发现故障,将导致绝缘破坏,严重的情况下,会发生安全事故,如发生损坏、爆炸等。
因此,电力设备的在线状态监测非常重要。油浸设备中的绝缘油是一种通过蒸馏和精制天然油而获得的矿物油。当设备出现局部放电或过热故障时,会产生特征气体。产生的气体溶解在油中并释放到油表面。由于油浸设备是密封结构,油表面上的气体逐渐积累,并且气压作用在液体绝缘油上,导致油压逐渐增加,因此可以通过获取油压的变化来实现对油浸设备的内部故障的在线监测。
但是,特征气体的释放和溶解是伴随过程,导致油压低能量密度放电的情况下变化缓慢,故障检测的灵敏性差,油压的变化需要特征气体累积后产生,存在故障开始段表征不及时的问题。
发明内容
为了克服现有技术的不足,本发明提出一种基于局部放电、油压检测的故障识别方法、系统,根据局部放电辐射信号、油压信号进行曲线拟合得到不同故障类型对应的特征曲线,并根据被测电气设备的局部放电数据与特征曲线的比较结果得到被测电气设备的故障类型、放电量以保护电气设备,通过曲线拟合的方式提高了故障识别和放电量获取的准确性,从而能够对不同故障进行实时诊断和识别,并且通过局部放电辐射信号、油压信号结合进行检测的方式,提高了故障检测的灵敏性,改善了故障开始阶段表征不及时的问题,便于更好地进行故障实时监测。
为解决上述问题,本发明采用的一个技术方案为:一种基于局部放电、油压检测的故障识别方法,所述故障识别方法包括:S101:对故障类型不同的电气设备供电,并获取所述局部放电时的局部放电数据,所述局部放电数据包括局部放电辐射信号、油压信号,所述电气设备为油浸式电气设备;S102:通过神经网络算法对所述局部放电数据进行曲线拟合,通过曲线拟合结果获取每一种故障类型对应的特征曲线,所述特征曲线包括标准油压变化曲线、压力增长斜率与放电量的标准关系曲线;S103:采集被测电气设备的局部放电数据,根据所述局部放电数据获取所述被测电气设备相对于不同油压变化曲线的误差和,并根据所述局部放电数据、关系曲线获取所述被测电气设备的放电量;S104:根据所述误差和确定所述被测电气设备的故障类型,并通过所述放电量进行安全预警。
进一步地,所述获取所述局部放电时的局部放电数据的步骤之前还包括:判断所述电气设备的放电量是否达到预设值;若是,则获取所述电气设备的局部放电数据;若否,则提升所述电气设备的供电电压,直至所述电气设备的放电量达到预设值。
进一步地,所述通过神经网络算法对所述局部放电数据进行曲线拟合的步骤具体包括:根据同一种故障类型对应的局部放电数据的平均值生成中心数据,通过GA-BP神经网络算法对所述中心数据进行曲线拟合。
进一步地,所述通过GA-BP神经网络算法对所述中心数据进行曲线拟合的步骤具体包括:根据曲线拟合结果获取每一种故障类型对应的标准油压变化曲线,通过所述标准油压变化曲线获取油压的压力增长斜率,根据所述压力增长斜率生成所述压力增长斜率与放电量的标准关系曲线。
进一步地,所述根据所述局部放电数据获取所述被测电气设备相对于不同油压变化曲线的误差和的步骤具体包括:根据所述局部放电数据获取所述电气设备在不同时间采集到的油压值,并通过公式获取所述误差和,其中,m为数据采集点的个数,Ps(ti)为在时间为ti时采集到的油压值,Pn(ti)为在时间为ti时,标准油压变化曲线所对应的油压值。
进一步地,所述根据所述局部放电数据、关系曲线获取所述被测电气设备的放电量的步骤具体包括:对所述被测电气设备的局部放电数据进行曲线拟合,获取油压变化曲线,获取所述油压变化曲线对应的压力增长斜率,根据所述压力增长斜率、标准关系曲线获取所述被测电气设备的放电量。
进一步地,所述根据所述误差和确定所述被测电气设备的故障类型的步骤具体包括:根据所述误差和对应的故障类型对所述误差和进行大小排序以获取数值最小的误差和,并将所述误差和对应的故障类型确定为所述被测电气设备的故障类型。
进一步地,所述通过所述放电量进行安全预警的步骤具体包括:判断所述放电量是否大于预设阈值;若是,则执行安全预警操作;若否,则不执行安全预警操作。
进一步地,所述通过所述放电量进行安全预警的步骤之后还包括:将所述被测电气设备的局部放电数据、故障类型、放电量以及安全预警信息发送给管理平台。
基于相同的发明构思,本发明还提出一种基于局部放电、油压检测的故障识别系统,所述故障检测系统用于执行如上所述的基于局部放电、油压检测的故障识别方法,包括:传感器、数据采集模块、边缘计算模块,所述数据采集模块分别与所述传感器、边缘计算模块连接;所述传感器包括UHF传感器、压力传感器,通过所述UHF传感器、压力传感器检测电气设备的局部放电数据,所述局部放电数据包括局部放电辐射信号、油压信号;所述数据采集模块包括依次连接的滤波器、钳位保护电路、模数转换电路以及控制器,所述滤波器分别与所述UHF传感器、压力传感器连接,所述控制器与所述边缘计算模块连接,用于采集所述传感器检测到的局部放电数据,并将所述局部放电数据处理后传输给所述边缘计算模块;所述边缘计算模块根据所述局部放电数据获取电气设备的故障类型、放电量。
相比现有技术,本发明的有益效果在于:根据局部放电辐射信号、油压信号进行曲线拟合得到不同故障类型对应的特征曲线,并根据被测电气设备的局部放电数据与特征曲线的比较结果得到被测电气设备的故障类型、放电量以保护电气设备,通过曲线拟合的方式提高了故障识别和放电量获取的准确性,从而能够对不同故障进行实时诊断和识别,并且通过局部放电辐射信号、油压信号结合进行检测的方式,提高了故障检测的灵敏性,解决了故障开始阶段表征不及时的问题,便于更好地进行故障实时监测。
附图说明
图1为本发明基于局部放电、油压检测的故障识别方法一实施例的流程图;
图2为本发明基于局部放电、油压检测的故障识别方法中GA-BP神经网络一实施例的训练流程图;
图3为本发明应用基于局部放电、油压检测的故障识别方法的故障检测系统一实施例的结构图;
图4为图3故障检测系统的供电电路一实施例的电路图;
图5为本发明基于局部放电、油压检测的故障识别系统一实施例的结构图;
图6为本发明基于局部放电、油压检测的故障识别系统另一实施例的结构图。
图中:T1、调压器;T2、无电晕变压器;R1、保护电阻;R2、电阻;C1、第一分压电容;C2、第二分压电容;C3、耦合电容;Vout+、第一电压输出端;Vout-、第二电压输出端。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
请参阅图1-4,图1为本发明基于局部放电、油压检测的故障识别方法一实施例的流程图;图2为本发明基于局部放电、油压检测的故障识别方法中GA-BP神经网络一实施例的训练流程图;图3为本发明应用基于局部放电、油压检测的故障识别方法的故障检测系统一实施例的结构图;图4为图3故障检测系统的供电电路一实施例的电路图。结合图1-4对本发明的基于局部放电、油压检测的故障识别方法进行详细说明。
在本实施例中,执行基于局部放电、油压检测的故障识别方法的设备包括:传感器、数据采集模块、边缘计算模块,数据采集模块分别与传感器、边缘计算模块连接;传感器包括UHF传感器、压力传感器,通过UHF传感器、压力传感器分别检测局部放电辐射信号、油压信号;数据采集模块包括依次连接的滤波器、钳位保护电路、模数转换电路以及控制器,滤波器分别与UHF传感器、压力传感器连接,控制器与边缘计算模块连接,用于采集传感器检测到的局部放电数据,并将局部放电数据处理后传输给边缘计算模块;边缘计算模块根据局部放电数据执行基于局部放电、油压检测的故障识别方法。
在本实施例中,该设备还包括电源模块、数据库、通讯模块、后台系统,后台系统通过通讯模块与边缘计算模块连接,电源模块分别与边缘计算模块、控制器、模数转换电路电连接,以向边缘计算模块、控制器、模数转换电路供电。其中,在边缘计算模块、通讯模块之间还可以设置数字式保护模块。
在一个具体的实施例中,电气设备为变压器,其型号为SFP10-63000/220的油浸式变压器。由于变压器金属外壳对电磁波信号有衰减作用,因此内置的UHF传感器探测效果最好,因此,将UHF传感器安装在变压器内部,当变压器发生局部放电时,局部放电辐射的电磁波通过非金属间隙向外传播,泄漏的电磁波通过UHF传感器进行检测,检测到的局部放电辐射信号通过数据采集模块处理后传输到边缘计算模块。
在一个优选的实施例中,压力传感器的型号为TB2058A,安装于变压器的排油阀处,用于检测变压器内部油压,并通过数据采集模块处理后传输到边缘计算模块。
数据采集模块中模数转换器采用16位同步采样ADC进行高速并行采样,控制器采用的STM32F4MCU,滤波器为抗混频滤波器,并通过钳位保护电路进行信号钳位,将采集到的局部放电辐射信号、电气设备内部的油压信号传递给边缘计算模块。抗混频滤波器分别UHF天线传感器、压力传感器连接,将传感器检测到的信号进行滤波处理,降低传感器输出的电平信号中的混叠频率分量,提高信号采集精度。信号钳位保护电路设置在抗混频滤波器后,用于将滤波后的信号峰值保持在某一确定的直流电平上,从而提高整个电路的工作稳定性,从而进行过压保护。之后通过高速并行总线将信号传输到模数转换器中,将模拟信号转换为数字信号并传输到STM32F4 MCU,实现信号采集。
边缘计算模块,用于汇集采集数据,对采集到的信号进行分析,得到实时的油压变化曲线,并结合数据库中事先存储好的故障类型曲线,对变压器的故障类型进行判别,如内部短路故障、外部短路故障、励磁涌流等故障。当压力增长斜率达到一定值后(即所对应的放电量达到一定值后),执行保护动作,防止发生安全事故。放电量越大,则说明绝缘破坏越严重,故可通过检测压力的增长斜率来判断电气设备内部绝缘劣化的累积程度。
通讯模块,用于将边缘计算的分析结果及原始数据,通过IEC61850协议或IEC104协议发送给电气设备相关的管理平台(如公司后台系统)。
在本实施例中,通过故障检测系统执行的基于局部放电、油压检测的故障识别方法包括:
S101:对故障类型不同的电气设备供电,并获取局部放电时的局部放电数据,局部放电数据包括局部放电辐射信号、油压信号,电气设备为油浸式电气设备。
其中,下述实施例中以电气设备为变压器为例对故障识别方法进行说明。
在本实施例中,故障类型包括内部短路故障、外部短路故障、励磁涌流故障等会导致电气设备产生局部放电的故障。
为了提高故障识别的准确性,在获取局部放电时的局部放电数据的步骤之前还包括:判断电气设备的放电量是否达到预设值;若是,则获取电气设备的局部放电数据;若否,则提升电气设备的供电电压,直至电气设备的放电量达到预设值。
在一个具体的实施例中,通过供电电路向存在不同类型故障的变压器进行供电,并依次提升供电电压以判断放电量是否达到预设值,其中,供电电路包括调压器T1、无电晕变压器T2、保护电阻R1、第一分压电容C1、第二分压电容C2、耦合电容C3、电阻R2。调压器T1的第一电压输入端与交流电源一端连接,调节端口与无电晕变压器T2的初级绕组中第一引脚连接。变压器T2的第二电压输入端和交流电源的另一端、无电晕变压器T2的初级绕组中第二引脚连接。变压器T2的次级绕组中第一引脚与保护电阻R1的一端连接。保护电阻R1的另一端与第一分压电容C1的第一端、耦合电容C3的第一端以及供电电路的第一电压输出端Vout+连接。第一分压电容C1的第二端与第二分压电容C2的第一端连接。耦合电容C3的第二端与电阻R2的第一端连接。变压器T2的次级绕组中第二引脚与第二分压电容C2的第二端、电阻R2的第二端、供电电路的第二电压输出端Vout-连接,并接地。通过第一电压输出端Vout+和第二电压输出端Vout-为电气设备提供电压。
S102:通过神经网络算法对局部放电数据进行曲线拟合,通过曲线拟合结果获取每一种故障类型对应的特征曲线,特征曲线包括标准油压变化曲线、压力增长斜率与放电量的标准关系曲线。
在本实施例中,数据采集模块将对变压器采集到的局部放电辐射信号、油压信号转换为数字信号传递给边缘计算模块。将接收到的数字信号进行处理,得到数据样本,通过GA-BP(Genetic algorithm BP neural network)神经网络算法对采集到的数据进行曲线拟合,得到每种故障下油压变化曲线Pn(t),对其进行求导得到压力增长斜率,从而得到压力增长斜率与放电量的关系曲线P(Dq)。n为不同故障类型的数量,n=1,2,..M,t为时间,Dq为放电量。
其中,GA-BP神经网络算法将随机生成的初始权值与阈值作为种群的个体,经遗传算法筛选出较为合适的解作为BP神经网络的权值与阈值;由BP神经网络模型进行权值与阈值的进一步调整,得到能够较好反映输入输出非线性关系的训练模型,利用该训练模型进行曲线拟合。
在一个具体的实施例中,GA-BP神经网络算法的训练过程包括:
(1)训练样本归一化。使用最大最小值归一化对训练样本进行数据压缩,保留数据特性的同时,加快训练速度。训练样本为不同故障类型的变压器的历史局部放电数据或当前采集的对应不同故障类型的局部放电数据。
(2)确定网络拓扑结构。根据训练样本确定隐藏层单元数、学习速率与激活函数等网络参数,生成相应的网络拓扑结构。其隐藏层单元数范围在3~11之间,经多次实验验证得出隐藏层单元数为8时,具有更好的拟合效果。设定学习速率为0.1,目标误差精度为0.000001,采用sigmoid型函数作为激活函数的神经网络具有对任意连续函数的逼近能力,故选取sigmoid函数作为激活函数,使用梯度下降法进行权值与阈值的更新。
(3)生成初始种群。随机生成权值与阈值的初始值,并将其作为种群的个体,进行实数编码。
(4)计算适应度。适应度函数为:
式中E为遗传算法的目标函数,是BP神经网络训练后实际输出值和目标值之间误差平方和。
(5)选择父代。按适应度大小对个体进行排序,并使用赌轮盘算法筛选出2个个体作为父代。
(6)随机交叉。父代以每层网络的权值与阈值作为基因,采用随机交叉算法,对基因进行组合生成新的子代。
(7)变异。生成子代中,存在一部分个体发生变异,变异概率为0.01。变异个体的权值和阈值将重新赋值,生成新的基因。
(8)是否满足停止条件。在不满足停止条件时,从原始种群中选择部分适应度高的个体与新生成子代组成新的种群,重复(4)-(7)的步骤继续求解满足情况的权值与阈值。
(9)权值与阈值的赋值。将遗传算法求解的权值与阈值赋值给BP神经网络,通过网络训练进一步实现参数的更新。
(10)权值与阈值的更新。通过网络训练比较全局误差极小值来判断是否生成满足需求的权值与阈值,并使用误差反向传播方法对权值与阈值进行更新,直到满足目标训练次数或目标误差。
(11)模型生成。保存最终权值与阈值及相关参数,权值与阈值以及网络相关参数共同构成一个GA-BP网络模型。
在本实施例中,通过神经网络算法对局部放电数据进行曲线拟合的步骤具体包括:根据同一种故障类型对应的局部放电数据的平均值生成中心数据,通过GA-BP神经网络算法形成的GA-BP网络模型对中心数据进行曲线拟合。
通过GA-BP神经网络算法对中心数据进行曲线拟合的步骤具体包括:根据曲线拟合结果获取每一种故障类型对应的标准油压变化曲线,通过标准油压变化曲线获取油压的压力增长斜率,根据压力增长斜率生成压力增长斜率与放电量的标准关系曲线。
在一个具体的实施例中,对属于同一个故障类型的多组局部放电数据取平均,将得到的平均值作为中心数据,通过GA-BP神经网络算法对数据进行曲线拟合,得到一条标准油压曲线Pn(t),从而使得每种故障类型均对应一个标准油压变化曲线。
S103:采集被测电气设备的局部放电数据,根据局部放电数据获取被测电气设备相对于不同油压变化曲线的误差和,并根据局部放电数据、关系曲线获取被测电气设备的放电量。
其中,对被测电气设备供电以及采集局部放电数据的供电电路、供电方式以及数据采集模块、采集方式均与上述实施例描述的结构或方式相同。
在一个具体的实施例中,通过数据采集模块实时检测被测电气设备的状态,当被测电气设备发生局部放电时,UHF天线传感器与压力传感器检测电气设备局部放电所产生的电压信号以及内部油箱压力信号。UHF天线传感器检测的电压信号用于检测局部放电缺陷的实时特征,压力信号用于检测绝缘劣化的累积程度。数据采集模块将采集到的压力、电压信号转换为数字信号传递给边缘计算模块。
根据局部放电数据获取被测电气设备相对于不同油压变化曲线的误差和的步骤具体包括:根据局部放电数据获取电气设备在不同时间采集到的油压值,并通过公式获取误差和,其中,m为数据采集点的个数,Ps(ti)为在时间为ti时采集到的油压值,Pn(ti)为在时间为ti时,标准油压变化曲线所对应的油压值。
根据局部放电数据、关系曲线获取被测电气设备的放电量的步骤具体包括:对被测电气设备的局部放电数据进行曲线拟合,获取油压变化曲线,获取油压变化曲线对应的压力增长斜率,根据压力增长斜率、标准关系曲线获取被测电气设备的放电量。
在一个具体的实施例中,边缘计算模块得到实时的油压变化数据,并将其分别代入不同故障类型所对应的标准油压变化曲线Pn(t)中,并计算与每种故障类型所对应的标准油压变化曲线Pn(t)误差和。即:
式中m为数据采集模块传输的局部放电数据中数据采集点的个数,Ps(ti)为在时间为ti时实际检测到的油压值,Pn(ti)为在时间为ti时,标定油压变化曲线所对应的油压值。同时,对采集到的局部放电数据进行曲线拟合,得到油压变化曲线Ps(t),并对其进行求导得到油压的压力增长斜率,根据上述压力增长斜率与放电量的标准关系曲线P(Dq)得到局部放电的放电量,从而利用放电量判断绝缘劣化的累积程度。
S104:根据误差和确定被测电气设备的故障类型,并通过放电量进行安全预警。
根据误差和确定被测电气设备的故障类型的步骤具体包括:根据误差和对应的故障类型对误差和进行大小排序以获取数值最小的误差和,并将误差和对应的故障类型确定为被测电气设备的故障类型。
通过放电量进行安全预警的步骤具体包括:判断放电量是否大于预设阈值;若是,则执行安全预警操作;若否,则不执行安全预警操作。
在一个具体的实施例中,对上述实施例获取的不同故障类型对应的误差和e(n)的大小进行排序,找出最小值,即将最小值对应的故障类型确定为被测电气设备对应的故障类型。并将得到的放电量与设定的放电量阈值Dq(放电时段内的总放电数值)进行比较,当检测出的放电量大于放电量阈值Dq时,执行保护动作,防止发生安全事故。
在本实施例中,通过放电量进行安全预警的步骤之后还包括:将被测电气设备的局部放电数据、故障类型、放电量以及安全预警信息发送给管理平台。
在一个具体的实施例中,管理平台为公司后台系统,通讯模块将边缘计算模块的分析结果及原始数据,通过IEC61850协议或IEC104协议发送给公司后台系统,从而实现对被测电气设备的在线状态监测。
本发明具有的有益效果是:
1、通过压力传感器和UHF传感器相结合的方式对电气设备进行局部放电数据检测,UHF传感器的数据用于检测局部放电缺陷的实时特征,压力传感器的数据用于检测绝缘劣化的累积程度,可以对油浸式电气设备局部放电状态进行更好的在线监测。
2、通过检测油箱内部压力的变化特性,可以对不同被测电气设备的故障进行实时诊断和识别。
3、通过检测油箱内部压力的变化特性来判定电气设备的绝缘劣化的累积程度,并基于压力的变化特征构建了数字式保护,当绝缘劣化达到一定成都后,执行安全预警机制,克服现有的一些机械式瓦斯继电器存在可靠性差、速动性低以及阈值整定困难等问题。
4、通过GA-BP神经网络算法对采集到的局部放电数据进行曲线拟合,拟合程度具有较高的准确度,提高的故障诊断以及判断绝缘劣化程度的准确性。
基于相同的发明构思,本发明还提出一种基于局部放电、油压检测的故障识别系统,请参阅图5、6,图5为本发明基于局部放电、油压检测的故障识别系统一实施例的结构图;图6为本发明基于局部放电、油压检测的故障识别系统另一实施例的结构图,结合图5、6对本发明的基于局部放电、油压检测的故障识别系统进行说明。
在本实施例中,基于局部放电、油压检测的故障识别系统用于执行如上述实施例所述的基于局部放电、油压检测的故障识别方法,故障检测系统包括:传感器、数据采集模块、边缘计算模块,数据采集模块分别与所感器、边缘计算模块连接;传感器包括UHF传感器、压力传感器,通过UHF传感器、压力传感器检测电气设备的局部放电数据,局部放电数据包括局部放电辐射信号、油压信号;数据采集模块包括依次连接的滤波器、钳位保护电路、模数转换电路以及控制器,滤波器分别与UHF传感器、压力传感器连接,控制器与所述边缘计算模块连接,用于采集传感器检测到的局部放电数据,并将局部放电数据处理后传输给边缘计算模块;边缘计算模块根据局部放电数据获取电气设备的故障类型、放电量。
其中,故障识别系统的具体结构以及其在故障识别方法中执行的工作已经在上述实施例中进行描述,在此不做赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其他实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于局部放电、油压检测的故障识别方法,其特征在于,所述故障识别方法包括:
S101:对故障类型不同的电气设备供电,并获取所述局部放电时的局部放电数据,所述局部放电数据包括局部放电辐射信号、油压信号,所述电气设备为油浸式电气设备;
S102:通过神经网络算法对所述局部放电数据进行曲线拟合,通过曲线拟合结果获取每一种故障类型对应的特征曲线,所述特征曲线包括标准油压变化曲线、压力增长斜率与放电量的标准关系曲线;
S103:采集被测电气设备的局部放电数据,根据所述局部放电数据获取所述被测电气设备相对于不同油压变化曲线的误差和,并根据所述局部放电数据、关系曲线获取所述被测电气设备的放电量;
S104:根据所述误差和确定所述被测电气设备的故障类型,并通过所述放电量进行安全预警。
2.如权利要求1所述的基于局部放电、油压检测的故障识别方法,其特征在于,所述获取所述局部放电时的局部放电数据的步骤之前还包括:
判断所述电气设备的放电量是否达到预设值;
若是,则获取所述电气设备的局部放电数据;
若否,则提升所述电气设备的供电电压,直至所述电气设备的放电量达到预设值。
3.如权利要求1所述的基于局部放电、油压检测的故障识别方法,其特征在于,所述通过神经网络算法对所述局部放电数据进行曲线拟合的步骤具体包括:
根据同一种故障类型对应的局部放电数据的平均值生成中心数据,通过GA-BP神经网络算法对所述中心数据进行曲线拟合。
4.如权利要求3所述的基于局部放电、油压检测的故障识别方法,其特征在于,所述通过GA-BP神经网络算法对所述中心数据进行曲线拟合的步骤具体包括:
根据曲线拟合结果获取每一种故障类型对应的标准油压变化曲线,通过所述标准油压变化曲线获取油压的压力增长斜率,根据所述压力增长斜率生成所述压力增长斜率与放电量的标准关系曲线。
6.如权利要求1所述的基于局部放电、油压检测的故障识别方法,其特征在于,所述根据所述局部放电数据、关系曲线获取所述被测电气设备的放电量的步骤具体包括:
对所述被测电气设备的局部放电数据进行曲线拟合,获取油压变化曲线,获取所述油压变化曲线对应的压力增长斜率,根据所述压力增长斜率、标准关系曲线获取所述被测电气设备的放电量。
7.如权利要求1所述的基于局部放电、油压检测的故障识别方法,其特征在于,所述根据所述误差和确定所述被测电气设备的故障类型的步骤具体包括:
根据所述误差和对应的故障类型对所述误差和进行大小排序以获取数值最小的误差和,并将所述误差和对应的故障类型确定为所述被测电气设备的故障类型。
8.如权利要求1所述的基于局部放电、油压检测的故障识别方法,其特征在于,所述通过所述放电量进行安全预警的步骤具体包括:
判断所述放电量是否大于预设阈值;
若是,则执行安全预警操作;
若否,则不执行安全预警操作。
9.如权利要求1所述的基于局部放电、油压检测的故障识别方法,其特征在于,所述通过所述放电量进行安全预警的步骤之后还包括:
将所述被测电气设备的局部放电数据、故障类型、放电量以及安全预警信息发送给管理平台。
10.一种基于局部放电、油压检测的故障识别系统,其特征在于,所述故障检测系统用于执行如权利要求1-9任一项所述的基于局部放电、油压检测的故障识别方法,包括:传感器、数据采集模块、边缘计算模块,所述数据采集模块分别与所述传感器、边缘计算模块连接;
所述传感器包括UHF传感器、压力传感器,通过所述UHF传感器、压力传感器检测电气设备的局部放电数据,所述局部放电数据包括局部放电辐射信号、油压信号;
所述数据采集模块包括依次连接的滤波器、钳位保护电路、模数转换电路以及控制器,所述滤波器分别与所述UHF传感器、压力传感器连接,所述控制器与所述边缘计算模块连接,用于采集所述传感器检测到的局部放电数据,并将所述局部放电数据处理后传输给所述边缘计算模块;
所述边缘计算模块根据所述局部放电数据获取电气设备的故障类型、放电量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110802273.8A CN113721116A (zh) | 2021-07-15 | 2021-07-15 | 基于局部放电、油压检测的故障识别方法、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110802273.8A CN113721116A (zh) | 2021-07-15 | 2021-07-15 | 基于局部放电、油压检测的故障识别方法、系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113721116A true CN113721116A (zh) | 2021-11-30 |
Family
ID=78673346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110802273.8A Pending CN113721116A (zh) | 2021-07-15 | 2021-07-15 | 基于局部放电、油压检测的故障识别方法、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113721116A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115683230A (zh) * | 2022-11-17 | 2023-02-03 | 广东电网有限责任公司 | 油浸式变压器故障检测方法、装置、设备、介质及系统 |
-
2021
- 2021-07-15 CN CN202110802273.8A patent/CN113721116A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115683230A (zh) * | 2022-11-17 | 2023-02-03 | 广东电网有限责任公司 | 油浸式变压器故障检测方法、装置、设备、介质及系统 |
CN115683230B (zh) * | 2022-11-17 | 2024-03-29 | 广东电网有限责任公司 | 油浸式变压器故障检测方法、装置、设备、介质及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109188197B (zh) | 一种用于高压电缆健康指数的评估系统及方法 | |
WO2021057107A1 (zh) | 直流电弧检测方法、装置、设备、系统及存储介质 | |
CN103513139A (zh) | 一种电力变压器故障智能诊断技术、方法及设备 | |
CN109831033A (zh) | 一种供电线路预警保护设备及分段监测预警系统 | |
CN105223293A (zh) | 基于油色谱在线监测的变压器状态预警方法 | |
CN112149569B (zh) | 变压器基于模糊c均值聚类算法的声纹故障诊断方法 | |
CN113721116A (zh) | 基于局部放电、油压检测的故障识别方法、系统 | |
CN117849558B (zh) | 电容式电压互感器主电容击穿故障在线监测方法及装置 | |
CN117520951B (zh) | 一种基于多特征量的变压器健康评估方法和系统 | |
CN109085442B (zh) | 一种基于区块链的变压器监测系统 | |
CN109412173A (zh) | 一种基于温差的并联电容器成套装置过热预警方法 | |
CN117849495A (zh) | 一种变压器运行性能评估方法及其系统 | |
Niazazari et al. | Event cause analysis in distribution networks using synchro waveform measurements | |
CN102288881B (zh) | 变压器油纸绝缘尖刺放电缺陷严重程度诊断方法 | |
CN111160383A (zh) | 一种自适应的油浸式变压器火灾模型预警检测方法 | |
CN116840614A (zh) | 基于谐波异动特征的电缆线路缺陷感知预警方法 | |
CN116400286A (zh) | 一种电子式电压传感器 | |
Adami et al. | New approach to improve high-voltage transmission line reliability | |
Misak et al. | A novel method for detection and classification of covered conductor faults | |
CN114280434A (zh) | 一种复合绝缘子劣化程度量化分析方法及系统 | |
CN114137401A (zh) | 一种故障的电磁信号的确定方法及装置 | |
CN114002551A (zh) | 一种基于二次电压特征的cvt故障确定方法及装置 | |
KR101413788B1 (ko) | 변압기 이상 진단 방법 및 장치 | |
CN112162181A (zh) | 一种监测方法、装置及计算机可读存储介质 | |
CN110988634A (zh) | 一种高压直流气体绝缘组合电器局部放电检测系统 |
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 |