CN113945329B - 一种sf6气体泄漏缺陷研判方法及系统 - Google Patents
一种sf6气体泄漏缺陷研判方法及系统 Download PDFInfo
- Publication number
- CN113945329B CN113945329B CN202111196653.8A CN202111196653A CN113945329B CN 113945329 B CN113945329 B CN 113945329B CN 202111196653 A CN202111196653 A CN 202111196653A CN 113945329 B CN113945329 B CN 113945329B
- Authority
- CN
- China
- Prior art keywords
- data
- gas
- pressure
- temperature
- fitting
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 50
- 229910018503 SF6 Inorganic materials 0.000 title claims description 5
- SFZCNBIFKDRMGX-UHFFFAOYSA-N sulfur hexafluoride Chemical compound FS(F)(F)(F)(F)F SFZCNBIFKDRMGX-UHFFFAOYSA-N 0.000 title claims description 5
- 229960000909 sulfur hexafluoride Drugs 0.000 title claims description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000012423 maintenance Methods 0.000 abstract description 9
- 230000006870 function Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000011418 maintenance treatment Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000010791 quenching Methods 0.000 description 2
- 230000000171 quenching effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010292 electrical insulation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/04—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本申请公开了一种SF6气体泄漏缺陷研判方法和系统，具体为采集开关设备气室内SF6气体数据；对气体数据进行预处理，得到有效气体数据；对有效气体数据进行特征参量提取，得到拟合参量组；通过OCSVM模型对拟合参量组进行判断处理，确定拟合参量组是否处于目标区域，若拟合参量组超出目标区域，则输出漏气报警信息。运维人员在得到漏气报警信息后即可及时采取相应维修处理措施。能够实现SF6气室早期缺陷预警，有效提高设备运维水平，保障设备可靠运行。
Description
技术领域
本申请涉及电力装备技术领域，更具体地说，涉及一种开关设备的SF6气体泄漏缺陷研判方法及系统。
背景技术
在开关设备行业，SF6气体由于其良好的电气绝缘性能和优异的灭弧性能，广泛应用于断路器、GIS等开关设备中。作为绝缘和灭弧介质，SF6气体的密度是影响其绝缘和灭弧能力的关键因素，因此为了保证气体性能，需要将SF6密度保持在标准范围内。而在实际中，随着运行时间增加，设备发生老化，密封损坏等缺陷会导致气室发生漏气现象，SF6气体绝缘和灭弧性能随之劣化，从而影响到开关设备的开断性能。因此需要对SF6气体密度进行实时监测与漏气缺陷预警。在实际的监测中，鉴于气体参数的可测量性、使用习惯和安全规程相应的规定等实际情况，目前都是利用气体压力值来代替气体的密度。
目前针对SF6气室漏气故障诊断的方法有两种。
一是阈值判断，通过对比实测压力与预设的报警压力，判断是否存在漏气故障；或者比对气体压力的特征量(如压力变化率、压力一阶差分等)与设定的报警阈值，从而判断是否发生漏气。这种方法未考虑环境因素对压力的影响，尤其是温度对压力的影响。在早期缺陷阶段，由于漏气导致的压力变化可能会被环境因素干扰，因此这种方法对早期漏气缺陷不敏感，无法提前发出报警。
二是机器学习，这种方法需要采集正常运行与故障状态下气体数据，针对所采集的样本数据进行训练优化得到状态评估模型，利用评估模型评估SF6运行状态，判断是否发生漏气。这种方法需要采集一定量的标准样本数据，包括正常运行数据与故障数据。而在开关设备领域中数据累积较少，且样本数据大多是在实验室中模拟采集所得，难以获得满足需求的现场样本数据，因此这种方法的准确性与可实施性可能存在问题。
综合以上可知，在开关设备SF6气室漏气故障诊断方向，需要开发一种对早期漏气缺陷敏感且现场适用性强的方法，来解决开关设备运行现场SF6气室早期漏气缺陷检测的问题。
发明内容
有鉴于此，本申请提供一种SF6气体泄漏缺陷研判方法和系统，用于对开关设备气室中SF6气体状态进行监测，实现气室早期漏气缺陷报警。
为了实现上述目的，现提出的方案如下：
一种SF6气体泄漏缺陷研判方法，所述SF6气体泄漏缺陷研判方法包括步骤：
实时采集开关设备的气室内SF6气体数据；
对所述气体数据进行预处理，得到有效气体数据；
对所述有效气体数据进行线性拟合，得到所述SF6气体数据的拟合参量组(k),b；
将拟合参量组输入训练好的OCSVM模型，判断是否超出目标区域，如果拟合参量组处于目标区域，则判定气室未发生漏气；否则，判定气室发生漏气，输出漏气报警信息。
可选的，所述气体数据包括压力数据和温度数据。
可选的，所述对所述有效气体数据进行特征参量提取，得到所述SF6气体数据的拟合参量组(k，b)，包括步骤：
以天为时间单位对所述有效气体数据进行分组，针对每组所述有效气体数据进行压力-温度线性拟合，得到拟合斜率k与拟合截距b，组成所述拟合参量组(k，b)。
可选的，所述OCSVM模型通过如下步骤获取：
采集所述开关设备气室正常运行压力-温度数据；
对所述正常运行压力-温度数据进行预处理，得到有效压力-温度数据；
针对所述有效压力-温度数据进行特征量提取，得到拟合参量组(k，b)；
构建初始模型，将所述有效压力-温度数据输入所述初始模型进行模型训练，得到所述OCSVM模型。
可选的，还包括步骤：
基于SF6气体温度预测模型与压力-温度关系拟合参量组(k，b)进行压力趋势预测。
一种开关设备的SF6气体泄漏缺陷研判系统，所述SF6气体泄漏缺陷研判系统包括：
数据采集模块，用于实时采集开关设备气室内SF6气体数据；
数据预处理模块，用于对所述气体数据进行预处理，得到有效气体数据；
参量提取模块，用于对所述有效气体数据进行特征参量提取，得到所述SF6气体数据的拟合参量组；
报警输出模块，用于将拟合参量组输入训练好的OCSVM模型，判断其是否处于目标区域，如果拟合参量组处于目标区域，则判定气室未发生漏气；否则，判定气室发生漏气，输出漏气报警信息。
可选的，所述气体数据包括压力数据和温度数据。
可选的，所述参量提取模块包括：
数据分组单元，以天为时间单位对数据进行数据分组；
拟合处理单元，用于针对每组SF6气体压力与温度数据进行线性拟合，得到拟合斜率k与拟合截距b，组成所述拟合参量组(k，b)。
可选的，还包括：
采集执行模块，用于采集所述开关设备气室正常运行压力-温度数据；
处理执行模块，对所述正常运行压力-温度数据进行预处理，得到有效压力-温度数据；
提取执行模块，用于针对所述有效压力-温度数据进行特征量提取，得到拟合参量组(k，b)；
模型训练模块，用于构建初始模型，将所述有效压力-温度数据输入所述初始模型进行模型训练，得到所述OCSVM模型。
可选的，还包括：
趋势预测模块，用于通过SF6气体温度预测模型与压力-温度关系拟合参量组(k，b)进行压力趋势预测。
从上述的技术方案可以看出，本申请公开了一种SF6气体泄漏缺陷研判方法和系统，具体为采集开关设备气室内SF6气体数据；对气体数据进行预处理，得到有效气体数据；对有效气体数据进行特征参量提取，得到拟合参量组；通过OCSVM模型对拟合参量组进行判断处理，确定拟合参量组是否处于目标区域，若拟合参量组不处于目标区域，则输出漏气报警信息。运维人员在得到漏气报警信息后即可及时采取相应处理措施。这种方法可以实现SF6气室早期缺陷预警，有效提高设备运维水平，保障设备可靠运行。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例的一种SF6气体泄漏缺陷研判方法的流程图；
图2a为本申请实施例中SF6气体状态曲线图；
图2b为本申请实施例中SF6气体的压力-温度拟合图；
图2c为本申请实施例中OCSVM模型的示意图；
图3为本申请实施例的另一种SF6气体泄漏缺陷研判方法的流程图；
图4为本申请实施例的SF6气体的压力趋势预测图；
图5为本申请实施例的一种SF6气体泄漏缺陷研判系统的框图；
图6为本申请实施例的另一种SF6气体泄漏缺陷研判系统的框图；
图7为本申请实施例的又一种SF6气体泄漏缺陷研判系统的框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
实施例一
图1为本申请实施例的一种SF6气体泄漏缺陷研判方法的流程图。
如图1所示，本实施例提供的SF6气体泄漏缺陷研判方法用于对开关设备气室的运行状态进行实时评估，以确定其是否存在漏气缺陷，该SF6气体泄漏缺陷研判方法包括如下步骤：
S1、实时采集开关设备气室内SF6气体数据。
气体数据包括温度数据和压力数据，相应传感器连通气室，具体位置可以根据需要灵活选定。当该开关设备在现场装配调试完毕并稳定运行时，对上述温度数据和压力数据按预设采样频率进行采集，以便进行后续处理。
S2、对所采集气体数据进行预处理，得到有效气体数据。
采集到的气体数据属于原始数据，可能存在异常值、缺失值，因此需要对原始数据进行预处理，具体包括：
气体数据中的异常值包括格式异常数据和值异常数据。针对格式异常数据，直接进行删除操作；针对值异常数据，判断是否属于误差数据，若属于，则进行删除操作，若不属于，则保留该数据。
缺失值处理有两种方法：一种是直接删除含有缺失值的数组，该方法适用于数据量较大，缺失值比例较少的情况；另一种是缺失值填充，针对缺失值，使用统计值对其进行填充，常用的填充值包括均值、中位数、众数等，该方法适用于缺失值分布较为分散的情况。实际处理中根据缺失值的具体情况选择合适的处理方法。
S3、对有效气体数据进行特征参量提取，得到拟合参量组。
通过对上述的得到的有效气体数据进行特征参量提取，得到SF6气体数据的特征参量组(k，b)。
根据气体实验规律可知，理想气体满足理想气体状态方程。SF6气体分子质量大，分子间作用力显著。当绝对压力大于0.3MPa时，分子间的吸引力随着气体密度的增大、分子间距离的减小而加强，气体的压力将不再符合理想气体方程。此时需采用Beattie-Bridgman公式来描述SF6气体状态参数关系，如下式1所示：
P＝(56.9×ρ×T×(1+B)-B2×A)×10-6 (1)
其中：
A＝74×(1-0.727×10-3×ρ)
B＝2.51×10-3×ρ×(1-0.846×10-3×ρ)
式中：
P—SF6气体压力(表压)，MPa；
ρ—SF6气体密度，kg/m3；
T—SF6气体绝对温度，K。
从式中可以看出，SF6压力由气体温度与气体密度决定，当SF6气体密度不变时，气体压力与温度呈线性关系，由此可得SF6气体状态曲线，如图2a所示。
基于SF6气体状态参数关系以及气体状态曲线，可知对于一定气体密度，气体压力与温度呈线性关系，且此线性关系相关参量-斜率(k)和截距(b)均与气体密度相关，即气体压力与温度的斜率和截距可以反映SF6密度的变化，且这两个参量仅与气体密度有关，不受温度影响。因此本申请以天为时间单位对采集数据进行数据分组，针对每组SF6气体压力与温度数据进行线性拟合，如图2b所示。由以上拟合过程得到拟合参量组(k，b)，此参量组可以表征SF6气体密度变化。这里的k是指压力-温度线性拟合斜率参量，b是指压力-温度线性拟合截距参量。
S4、通过OCSVM模型对拟合参量组进行判断，输出漏气预警信息。
具体来说，针对每一天的气体压力-温度数据进行线性拟合得到拟合参量组(k，b)，将其输入训练好的OCSVM模型，判断该拟合参量组是否处于目标区域，若在该目标区域，则此时气室处于正常运行状态；若该拟合参量组不在目标区域，则可以判断此时气室存在气体泄漏缺陷，发出报警信息。另外，在发出漏气缺陷报警的同时更新并输出相应拟合参量组。
OCSVM(one class support vector machine)模型即单类支持向量机，该模型将数据样本通过核函数映射到高维特征空间，使其具有更良好的聚集性。其目标在特征空间中求解一个最优超平面实现目标数据与坐标原点的分离，并且最大化分离超平面到零点的距离。此过程产生一个binary函数，能够获取特征空间中数据的概率密度区域。当数据点处于该区域时，返回+1，处于其他区域返回-1。该模型具体如图2c所示，图中灰色区域为训练所得的概率密度区域，即本申请中所提及的目标区域，若测试数据点在目标区域内，则返回+1，否则返回-1。
OCSVM模型的优化目标如式(2)所示：：
式中：φ(xi)表示核函数，ζi表示松弛变量，ν是在线性不可分的情况下，对分类错误的惩罚程度。
通过计算确定ω，ρ后，模型函数变为：
f(x)＝sgn((ωTφ(xi))-ρ) (3)
该函数为一个参数为ω，ρ的超平面，该超平面与特征空间的零点距离最大，并且将零点与所有数据点分隔开。将变量xi输入该函数，返回分类结果。
具体来说，通过如下步骤得到上述OCSVM模型：
首先，采集开关设备气室一定时间内正常运行的压力-温度数据，即对应一定时间的内部压力和内部温度。
然后，对所述正常运行压力-温度数据进行预处理，这里的预处理与步骤S2中的预处理过程相同，这里不再赘述，从而得到有效压力-温度数据。
再后，针对上述有效压力-温度数据进行特征量提取，得到拟合参量组(k，b)，提取过程与步骤S3中过程相同，这里不再赘述。
最后，构建初始模型，将有效压力-温度数据输入初始模型进行模型训练，得到所述OCSVM模型。
从上述技术方案中可以看出，本实施例提供了一种SF6气体泄漏缺陷研判方法，具体为采集开关设备气室内SF6气体数据；对气体数据进行预处理，得到有效气体数据；对有效气体数据进行特征参量提取，得到SF6气体数据的拟合参量组(k，b)；基于OCSVM模型对拟合参量组进行判断处理，确定拟合参量组是否处于目标区域，如果拟合参量组(k，b)不处于目标区域，则输出漏气缺陷报警信息。运维人员在得到漏气报警信息后即可及时采取相应运维处理措施。这种方法可以实现SF6气室早期缺陷预警，有效提高设备运维水平，保障设备可靠运行。
本实施例通过基于机理的数据分析方法确定SF6气体压力与温度之间的关系，通过对压力-温度数据进行的线性拟合得到拟合参量组(k，b)，此参量仅与密度相关，可以衡量SF6密度大小，且能够更直接地反映SF6气体泄漏情况；采用OCSVM对拟合参量组进行分类，不需要缺陷样本数据，能够实现SF6气室早期缺陷预警，提高SF6气体泄漏缺陷预警的准确性与时效性。
另外，在本申请的一个具体实施方式中，还包括如下步骤，如图3所示:
S5、对气室内SF6气体压力进行趋势预测。
通过步骤S3可知，SF6气体压力与温度存在线性相关关系，而相对于压力，温度具有更强的稳定性和周期性，因此具有更高的可预测性，因此本专利中采用LSTM(LongShort-Term Memory，长短期记忆人工神经网络)算法作为温度预测模型对温度进行时间序列预测，在温度预测的基础上，结合步骤S3所得拟合参量组(k，b)对气体压力进行趋势预测，预测结果如图4所示。从图4中可以看出，SF6压力趋势预测误差较小，可以满足预测准确度要求。
在SF6相关参量中，温度具有更强的稳定性和周期性，因此具有更高的可预测性，本专利通过温度与实时更新的拟合参量组(k，b)进行压力趋势预测，能够提高压力趋势预测的准确性。
实施例二
图5为本申请实施例的一种SF6气体泄漏缺陷研判系统的框图。
如图5所示，本实施例提供的SF6气体泄漏缺陷研判系统用于对开关设备气室运行状态进行实时评估，以确定其是否存在漏气缺陷，该SF6气体预测系统包括数据采集模块10、数据预处理模块20、参量提取模块30和报警输出模块40。
该SF6气体泄漏缺陷研判方法包括如下步骤：
数据采集模块用于实时采集开关设备气室内SF6气体数据。
气体数据包括温度数据和压力数据，相应传感器连通气室，具体位置可以根据需要灵活选定。当该开关设备在现场装配调试完毕并稳定运行时，对上述温度数据和压力数据按预设采样频率进行采集，以便进行后续处理。
数据预处理模块用于对气体数据进行预处理，得到有效气体数据。
采集到的气体数据属于原始数据，可能存在异常值、缺失值，因此需要对原始数据进行预处理，具体包括：
气体数据中的异常值包括格式异常数据、值异常数据。针对格式异常数据，直接进行删除操作；针对值异常数据，判断是否属于误差数据，若属于，则进行删除操作，若不属于，则保留该数据。
缺失值处理有两种方法：一种是直接删除含有缺失值的数组，该方法适用于数据量较大，缺失值比例较少的情况；另一种是缺失值填充，针对缺失值，使用统计值对其进行填充，常用的填充值包括均值、中位数、众数等，该方法适用于缺失值分布较为分散的情况。实际处理中根据缺失值的具体情况选择合适的处理方法。
参量提取模块用于对有效气体数据进行特征参量提取，得到拟合参量组(k，b)。
通过对上述得到的有效气体数据进行特征参量提取处理，从中得到该SF6气体数据的拟合参量组(k，b)。
根据气体实验规律可知，理想气体满足理想气体状态方程，SF6气体分子质量大，分子间作用力显著。当绝对压力大于0.3MPa时，分子间的吸引力随着气体密度的增大、分子间距离的减小而加强，气体的压力将不再符合理想气体方程。曲线处理单元用于采用Beattie-Bridgman公式来描述SF6气体状态参数关系，如下式4所示：
P＝(56.9×ρ×T×(1+B)-B2×A)×10-6 (4)
其中：
A＝74×(1-0.727×10-3×ρ)
B＝2.51×10-3×ρ×(1-0.846×10-3×ρ)
式中：
P—SF6气体压力(表压)，MPa；
ρ—SF6气体密度，kg/m3；
T—SF6气体绝对温度，K。
从式中可以看出，SF6压力由气体温度与气体密度决定，当SF6气体密度确定，气体压力与温度呈线性关系，由此可得SF6气体状态曲线，如下图2a所示。
基于SF6气体状态参数关系以及气体状态曲线，可知对于固定气体密度，气体压力与温度呈线性关系，且此线性关系相关参量-斜率(k)和截距(b)均与气体密度相关，即气体压力与温度的斜率和截距可以反映SF6密度的变化，且这两个参量仅与气体密度有关，不受温度影响。
拟合处理单元用于针对每天监测的SF6气体压力-温度数据进行线性拟合，如图2b所示。由以上拟合过程得到拟合参量组(k，b)，此参量组可以表征SF6气体密度变化。这里的k是指压力-温度线性拟合斜率参量，b是指压力-温度线性拟合截距参量。
报警输出模块用于通过OCSVM模型对拟合参量组进行判断，输出漏气预警信息。
具体来说，针对每一天气体数据的拟合参量组(k，b)，将其输入训练好的OCSVM模型，判断该拟合参量组是否处于目标区域，若在该目标区域，则判定此时气室处于正常运行状态；若该拟合参量组不在目标区域，则可以判断此时气室存在气体泄漏缺陷，发出报警信息。另外，在发出漏气缺陷报警的同时更新并输出相应拟合参量组。
OCSVM模型即单类支持向量机，该模型将数据样本通过核函数映射到高维特征空间，使其具有更良好的聚集性。其目标在特征空间中求解一个最优超平面实现目标数据与坐标原点的分离，并且最大化分离超平面到零点的距离。此过程产生一个binary函数，能够获取特征空间中数据的概率密度区域。当数据点处于该区域时，返回+1，处于其他区域返回-1。该模型具体如图2c所示，图中灰色区域为训练所得的概率密度区域，若测试数据点在灰色区域内，则返回+1，否则返回-1。
OCSVM模型的优化目标如式(2)所示：：
式中：φ(xi)表示核函数，ζi表示松弛变量，ν是在线性不可分的情况下，对分类错误的惩罚程度。
通过计算确定ω，ρ后，模型函数变为：
f(x)＝sgn((ωTφ(xi))-ρ) (3)
该函数为一个参数为ω，ρ的超平面，该超平面与特征空间的零点距离最大，并且将零点与所有数据点分隔开。将变量xi输入该函数，返回分类结果。
另外，在本实施例的一个具体实施方式中，该系统还包括采集执行模块50、处理执行模块60、提取执行模块70和模型训练模块80，如图6所示。
采集执行模块用于采集开关设备气室在一定时间内正常运行的压力-温度数据，即对应一定时间的内部压力和内部温度。
处理执行模块用于对所述正常运行压力-温度数据进行预处理，这里的预处理与步骤S2中的预处理过程相同，这里不再赘述，从而得到有效压力-温度数据。
提取执行模块用于针对上述有效压力-温度数据进行特征量提取，得到拟合参量组(k，b)；提取过程与步骤S3中过程相同，这里不再赘述。
模型训练模块用于将有效压力-温度数据输入初始模型进行模型训练，得到所述OCSVM模型。
从上述技术方案中可以看出，本实施例提供了一种开关设备的SF6气体泄漏缺陷研判系统，具体为采集开关设备的气室内SF6气体数据；对气体数据进行预处理，得到有效气体数据；对有效气体数据进行特征参量提取，得到SF6气体数据的拟合参量组(k，b)；基于OCSVM模型对拟合参量组进行判断处理，确定拟合参量组是否处于目标区域，如果拟合参量组不处于目标区域，则输出漏气缺陷报警信息。运维人员在得到漏气报警信息后即可及时采取相应运维处理措施。这种方法可以实现SF6气室早期缺陷预警，有效提高设备运维水平，保障设备可靠运行。
本实施例通过基于机理的数据分析方法确定SF6气体压力与温度之间的关系，通过对压力-温度数据进行的线性拟合得到拟合参量组(k，b)，此参量仅与密度相关，可以衡量SF6密度大小，且能够更直接地反映SF6气体泄漏情况；采用OCSVM对拟合参量组进行分类，不需要缺陷样本数据，能够实现SF6气室早期缺陷预警，提高SF6气体泄漏缺陷预警的准确性与时效性。
另外，在本申请的一个具体实施方式中，还包括趋势预测模块90，如图7所示:
趋势预测模块用于对气室内SF6气体压力进行趋势预测。
通过参量提取模块可知，SF6气体压力与温度存在较强的线性关系，而相对于压力，温度具有更强的稳定性和周期性，因此具有更高的可预测性，因此本专利中采用LSTM算法作为温度预测模型对温度进行时间序列预测，在温度预测的基础上，结合参量提取模块所得拟合参量组(k，b)对气体压力进行趋势预测，预测结果如图4所示。
从图4中可以看出，SF6压力趋势预测误差较小，可以满足预测准确度要求。
在SF6相关参量中，温度具有更强的稳定性和周期性，因此具有更高的可预测性，本专利通过温度与实时更新的拟合参量组(k，b)进行压力趋势预测，能够提高压力趋势预测的准确性。
本说明书中的各个实施例均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的部分互相参见即可。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，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、物品或者终端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、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的技术方案进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种SF6气体泄漏缺陷研判方法，其特征在于，所述SF6气体泄漏缺陷研判方法包括步骤：
实时采集开关设备的气室内SF6气体数据；
对所述气体数据进行预处理，得到有效气体数据，包括：针对格式异常数据，直接进行删除操作；针对值异常数据，判断是否属于误差数据，若属于，则进行删除操作，若不属于，则保留该数据；针对缺失值，直接删除含有缺失值的数组，或使用统计值对所述缺失值进行填充，所述统计值至少包括均值、中位数以及众数；所述气体数据包括压力数据和温度数据；
对所述有效气体数据进行线性拟合，得到所述SF6气体数据的拟合参量组(k,b)；
将拟合参量组输入训练好的OCSVM模型，判断是否超出目标区域，如果拟合参量组处于目标区域，则判定气室未发生漏气；否则，判定气室发生漏气，输出漏气报警信息；
所述对所述有效气体数据进行线性拟合，得到所述SF6气体数据的拟合参量组(k,b)，包括步骤：
以天为时间单位对所述有效气体数据进行分组，针对每组所述有效气体数据进行压力-温度线性拟合，得到拟合斜率k与拟合截距b，组成所述拟合参量组(k,b)；
所述OCSVM模型通过如下步骤获取：
采集所述开关设备的气室内正常运行压力-温度数据；
对所述正常运行压力-温度数据进行预处理，得到有效压力-温度数据；
针对所述有效压力-温度数据进行特征量提取，得到拟合参量组(k,b)；
构建初始模型，将所述有效压力-温度数据输入所述初始模型进行模型训练，得到所述OCSVM模型。
2.如权利要求1所述的SF6气体泄漏缺陷研判方法，其特征在于，还包括步骤：
基于SF6气体温度预测模型与压力-温度关系拟合参量组(k,b)进行压力趋势预测。
3.一种开关设备的SF6气体泄漏缺陷研判系统，其特征在于，所述SF6气体泄漏缺陷研判系统包括：
数据采集模块，用于实时采集开关设备气室内SF6气体数据；
数据预处理模块，用于对所述气体数据进行预处理，得到有效气体数据；所述气体数据包括压力数据和温度数据；
参量提取模块，用于对所述有效气体数据进行特征参量提取，得到所述SF6气体数据的拟合参量组；
报警输出模块，用于将拟合参量组输入训练好的OCSVM模型，判断其是否处于目标区域，如果拟合参量组处于目标区域，则判定气室未发生漏气；否则，判定气室发生漏气，输出漏气报警信息；
所述数据预处理模块具体用于：针对格式异常数据，直接进行删除操作；针对值异常数据，判断是否属于误差数据，若属于，则进行删除操作，若不属于，则保留该数据；针对缺失值，直接删除含有缺失值的数组，或使用统计值对所述缺失值进行填充，所述统计值至少包括均值、中位数以及众数；
所述参量提取模块包括：
数据分组单元，以天为时间单位对SF6气体数据进行数据分组；
拟合处理单元，用于针对每组SF6气体压力与温度数据进行线性拟合，得到拟合斜率k与拟合截距b，组成所述拟合参量组(k,b)；
还包括：
采集执行模块，用于采集所述开关设备的气室内正常运行压力-温度数据；
处理执行模块，对所述正常运行压力-温度数据进行预处理，得到有效压力-温度数据；
提取执行模块，用于针对所述有效压力-温度数据进行特征量提取，得到拟合参量组(k,b)；
模型训练模块，用于构建初始模型，将所述有效压力-温度数据输入所述初始模型进行模型训练，得到所述OCSVM模型。
4.如权利要求3所述的SF6气体泄漏缺陷研判系统，其特征在于，还包括：
趋势预测模块，用于通过SF6气体温度预测模型与压力-温度关系拟合参量组(k,b)进行压力趋势预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111196653.8A CN113945329B (zh) | 2021-10-14 | 2021-10-14 | 一种sf6气体泄漏缺陷研判方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111196653.8A CN113945329B (zh) | 2021-10-14 | 2021-10-14 | 一种sf6气体泄漏缺陷研判方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113945329A CN113945329A (zh) | 2022-01-18 |
| CN113945329B true CN113945329B (zh) | 2024-01-23 |
Family
ID=79329838
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111196653.8A Active CN113945329B (zh) | 2021-10-14 | 2021-10-14 | 一种sf6气体泄漏缺陷研判方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113945329B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11296766A (ja) * | 1998-04-09 | 1999-10-29 | Yazaki Corp | ガス漏れ警報器及びガス漏れ警報システム |
| KR20080085390A (ko) * | 2007-03-19 | 2008-09-24 | 주식회사 싸이언 | 육불화황 가스를 이용한 누설가스 및 진공누설 측정장치 |
| WO2015149597A1 (zh) * | 2014-04-04 | 2015-10-08 | 袁志贤 | 基于iec61850的sf6气体在线监测设备通信仿真方法 |
| CN107024672A (zh) * | 2017-04-26 | 2017-08-08 | 贵州电网有限责任公司电力科学研究院 | 一种sf6电气设备绝缘状态在线监测系统的运行标定方法 |
| CN107328518A (zh) * | 2017-07-13 | 2017-11-07 | 国网浙江省电力公司检修分公司 | Gis设备sf6在线监测系统及其工作方法 |
| CN108020781A (zh) * | 2017-12-19 | 2018-05-11 | 上海电机学院 | 一种断路器故障诊断方法 |
| CN109190828A (zh) * | 2018-09-07 | 2019-01-11 | 苏州大学 | 泄漏气体浓度分布确定方法、装置、设备及可读存储介质 |
| CN110689324A (zh) * | 2019-09-29 | 2020-01-14 | 国网湖北省电力有限公司电力科学研究院 | 一种配电变压器检测结果的辅助评判方法 |
| CN111612128A (zh) * | 2020-05-14 | 2020-09-01 | 国网江苏省电力有限公司电力科学研究院 | 一种sf6高压断路器状态主动预警方法及装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7257496B2 (en) * | 2005-07-28 | 2007-08-14 | Avistar, Inc. | Method and apparatus for monitoring SF6 gas and electric utility apparatus |
| JP5171135B2 (ja) * | 2007-07-09 | 2013-03-27 | 東光東芝メーターシステムズ株式会社 | ガス漏洩検知装置とその方法 |
-
2021
- 2021-10-14 CN CN202111196653.8A patent/CN113945329B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11296766A (ja) * | 1998-04-09 | 1999-10-29 | Yazaki Corp | ガス漏れ警報器及びガス漏れ警報システム |
| KR20080085390A (ko) * | 2007-03-19 | 2008-09-24 | 주식회사 싸이언 | 육불화황 가스를 이용한 누설가스 및 진공누설 측정장치 |
| WO2015149597A1 (zh) * | 2014-04-04 | 2015-10-08 | 袁志贤 | 基于iec61850的sf6气体在线监测设备通信仿真方法 |
| CN107024672A (zh) * | 2017-04-26 | 2017-08-08 | 贵州电网有限责任公司电力科学研究院 | 一种sf6电气设备绝缘状态在线监测系统的运行标定方法 |
| CN107328518A (zh) * | 2017-07-13 | 2017-11-07 | 国网浙江省电力公司检修分公司 | Gis设备sf6在线监测系统及其工作方法 |
| CN108020781A (zh) * | 2017-12-19 | 2018-05-11 | 上海电机学院 | 一种断路器故障诊断方法 |
| CN109190828A (zh) * | 2018-09-07 | 2019-01-11 | 苏州大学 | 泄漏气体浓度分布确定方法、装置、设备及可读存储介质 |
| CN110689324A (zh) * | 2019-09-29 | 2020-01-14 | 国网湖北省电力有限公司电力科学研究院 | 一种配电变压器检测结果的辅助评判方法 |
| CN111612128A (zh) * | 2020-05-14 | 2020-09-01 | 国网江苏省电力有限公司电力科学研究院 | 一种sf6高压断路器状态主动预警方法及装置 |
Non-Patent Citations (5)
| Title |
|---|
| Intelligent Pipeline Leak Detection and Analysis System;Huiwen Lin 等;2020 15th International Conference on Computer Science & Education (ICCSE);全文 * |
| SF_6泄漏类缺陷无线监测与预警装置;金海望 等;电气技术(第03期);全文 * |
| 基于OCSVM的气体绝缘组合电器故障检测;高玉峰;;电工电气(第05期);全文 * |
| 基于动态核独立元统计量的石油管道泄漏检测;辜小花 等;仪器仪表学报;全文 * |
| 采用EWT和OCSVM的高压断路器机械故障诊断;黄南天 等;仪器仪表学报(第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113945329A (zh) | 2022-01-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108564254B (zh) | 基于大数据的配电设备状态可视化平台 | |
| CN117093879B (zh) | 一种数据中心智能化运营管理方法及系统 | |
| EP1982301B1 (en) | Method of condition monitoring | |
| CN112611936A (zh) | 一种基于边缘计算的配网变压器故障动态检测与分类系统 | |
| CN114841396B (zh) | 石化生产过程的一种异变趋势预测与灾变风险预警方法 | |
| CN101782614A (zh) | 一种六氟化硫气体绝缘电气设备的故障检测装置 | |
| CN117408514A (zh) | 基于多参数传感器的智能运维变电站监测预警系统及方法 | |
| CN117150283B (zh) | 一种基于大数据分析的突发环境事件安全预警方法 | |
| CN112149877B (zh) | 多元复杂城市电网多源数据驱动的故障预测方法及其系统 | |
| CN112598144A (zh) | 基于相关性分析的cnn-lstm突发故障预警方法 | |
| CN117434372B (zh) | 电子产品的电磁兼容抗扰度测试方法及系统 | |
| CN113255783A (zh) | 基于无监督学习的传感器故障检测方法和装置 | |
| CN116861369A (zh) | 工业互联网异构数据融合的空压机健康评估方法及系统 | |
| CN116609651A (zh) | 一种光伏用多功能断路器的检测方法 | |
| CN115081673A (zh) | 一种油气管道的异常预测方法、装置、电子设备及介质 | |
| CN113945329B (zh) | 一种sf6气体泄漏缺陷研判方法及系统 | |
| CN111861141B (zh) | 一种基于模糊故障率预测的配电网可靠性评估方法 | |
| CN116863664A (zh) | 燃气设备的实时监测方法以及燃气设备监测系统 | |
| CN116311739A (zh) | 一种基于长短时记忆网络及环境信息融合的多传感器火灾检测方法 | |
| Jiafeng et al. | Transformer Fault Prediction Method Based on Multiple Linear Regression | |
| Eklund | Using synthetic data to train an accurate real-world fault detection system | |
| CN118445736B (zh) | 开关柜健康状态监测方法及设备 | |
| Rigamonti et al. | AN ADVANCED EARLY FAULT DETECTION TOOL FOR PREDICTIVE MAINTENANCE OF A FLEET OF INDUSTRIAL GAS TURBINES | |
| CN118094278B (zh) | 一种基于电力应用场景差异的数据质检方法、装置及介质 | |
| CN115330033A (zh) | 一种sf6气室泄露缺陷检测方法 |
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 |