CN114034714B - 基于泄漏电流吸引子相图的绝缘子污秽状态检测方法 - Google Patents
基于泄漏电流吸引子相图的绝缘子污秽状态检测方法 Download PDFInfo
- Publication number
- CN114034714B CN114034714B CN202111384641.8A CN202111384641A CN114034714B CN 114034714 B CN114034714 B CN 114034714B CN 202111384641 A CN202111384641 A CN 202111384641A CN 114034714 B CN114034714 B CN 114034714B
- Authority
- CN
- China
- Prior art keywords
- leakage current
- classifier
- insulator
- phase diagram
- pollution
- 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
- 239000012212 insulator Substances 0.000 title claims abstract description 35
- 238000010587 phase diagram Methods 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 title abstract description 10
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 238000011176 pooling Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 7
- 230000007613 environmental effect Effects 0.000 claims abstract description 6
- 238000010276 construction Methods 0.000 claims abstract description 4
- 108010076504 Protein Sorting Signals Proteins 0.000 claims abstract description 3
- 238000012360 testing method Methods 0.000 abstract description 3
- 230000002265 prevention Effects 0.000 abstract description 2
- 238000004140 cleaning Methods 0.000 abstract 1
- 238000012423 maintenance Methods 0.000 abstract 1
- 230000007704 transition Effects 0.000 abstract 1
- 238000011109 contamination Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/94—Investigating contamination, e.g. dust
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/94—Investigating contamination, e.g. dust
- G01N2021/945—Liquid or solid deposits of macroscopic size on surfaces, e.g. drops, films, or clustered contaminants
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Insulators (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公布了一种基于泄漏电流吸引子相图的绝缘子污秽状态检测方法,旨在实现电力系统中的绝缘子污秽状态在线检测,为绝缘子清洗维护工作的安排提供指导,实现污闪防治工作由计划检修向状态检修的升级转变。该方法由泄漏电流采集、泄漏电流相空间重构、改进的卷积神经网络分类器构建、污秽等级识别等步骤组成。泄漏电流采集利用安装于绝缘子上的电流互感器和数据记录设备实现。利用Takens嵌入定理对采集到的泄漏电流信号序列进行相空间重构得到吸引子相图。采用一种改进的卷积神经网络分类器来构建适用于不同环境湿度条件下的污秽等级分类器,以采集的泄漏电流的吸引子相图作为样本进行分类器的训练和测试,改进的卷积神经网络包含3个卷积层,3个池化层,1个Inception模块,1个全连接层和1个Softmax分类器。
Description
技术领域
本发明涉及电力系统中绝缘子的表面污秽状态检测领域,更具体的涉及一种以绝缘子表面泄漏电流吸引子相图为识别依据的污秽状态检测方法。
背景技术
作为电力系统中用量庞大的零部件,绝缘子的性能直接影响到整个电力系统的安全运行。然而,随着环境污染不断加剧,各类污染物的排放日益增多,降尘量增大,运行中的绝缘子表面积污程度加剧,当遇有大雾、凝露、毛毛雨、融冰、融雪等不利气象条件时,表面沉积的污秽物吸收了潮湿空气中的水分,其中的盐类物质溶解于水中,使绝缘子表面的绝缘强度下降,极易发生污闪事故,造成严重的停电事故。采取有效措施,防止污闪事故对于电网安全具有十分重要的意义。利用电流采集装置采集绝缘子表面泄漏电流,结合环境湿度数据,对泄漏电流进行分析,确定绝缘子表面污秽等级,依据识别结果安排对积污程度较重的绝缘子进行清扫,并对其余绝缘子进行监测,是一种较为可行的污闪防治手段。目前的泄漏电流分析主要针对时域和频域特性进行,利用信息有限,污秽等级的识别效果有待提高。
发明内容
本发明的目的是提供一种基于泄漏电流吸引子相图的绝缘子污秽状态检测方法,对泄漏电流进行相空间重构得到吸引子相图,采用改进的卷积神经网络对吸引子相图进行识别,识别出对应绝缘子的污秽等级。通过相空间重构得到的吸引子相图能够反映不同污秽等级绝缘子泄漏电流的混沌特性差异,与时域频域特性相比,混沌特性能够更好地描述绝缘子表面泄漏电流的复杂性与非线性,采用改进的卷积神经网络对吸引子相图进行识别,可以更好地实现绝缘子污秽等级检测。
本发明采用如下技术方案:利用电流采集装置采集运行中绝缘子表面泄漏电流数据,同时记录环境相对湿度;对泄漏电流数据进行相空间重构得到吸引子相图;在不同环境湿度下,构建改进的卷积神经网络分类器,对泄漏电流的吸引子相图进行识别,利用不同污秽等级绝缘子表面泄漏电流的吸引子相图的差异,实现污秽等级检测的目的。
附图说明
图1为本发明基于泄漏电流吸引子相图的绝缘子污秽状态检测方法的原理框图。
图2为本发明基于泄漏电流吸引子相图的绝缘子污秽状态检测方法采用的改进的卷积神经网络分类器结构图。
具体实施方式
下面结合附图和具体实施实例对本发明进行详细说明。
参考图1,基于泄漏电流吸引子相图的绝缘子污秽状态检测方法,主要包括泄漏电流采集、泄漏电流相空间重构、改进的卷积神经网络分类器构建、污秽等级识别等步骤。泄漏电流采集,利用安装于绝缘子上的电流互感器和数据记录设备采集泄漏电流信号,同时利用湿度传感器采集环境相对湿度。泄漏电流相空间重构,采用Takens嵌入定理对采集到的泄漏电流信号序列进行相空间重构得到吸引子相图。改进的卷积神经网络分类器构建,构建适用于不同环境湿度条件下的改进的卷积神经网络分类器,以采集的泄漏电流的吸引子相图作为样本进行训练,得到具有污秽等级识别能力的分类器,分类器输入为吸引子相图,输出为污秽等级(Ⅰ~Ⅳ级,训练样本对应的污秽等级通过污秽采集与测试来确定);77.5%~82.5%湿度下采集的样本送入1号分类器,82.6%~87.5%湿度下采集的样本送入2号分类器,87.6%~92.5%湿度下采集的样本送入3号分类器,92.6%~100%湿度下采集的样本送入4号分类器,77.5%以下相对湿度环境中,绝缘子表面难以产生明显稳定的泄漏电流,故本发明只针对77.5%~100%相对湿度范围;参考图2,改进的卷积神经网络包含3个卷积层,3个池化层,1个Inception模块,1个全连接层和1个Softmax分类器;3个卷积层的卷积核大小为3×3,3个池化层的池化大小为3×3;Inception模块包含3个通道,第一个通道对图像进行1×1卷积,第二个通道对图像进行5×5卷积,第三个通道先对图像进行3×3的池化后再进行1×1卷积;经过池化层3和全连接层后,特征信息进入Softmax分类器实现污秽等级的识别。在使用过程中,训练完毕的改进的卷积神经网络分类器的输入为待识别样本的泄漏电流经相空间重构得到的吸引子相图,输出为分类器所识别出的污秽等级,待识别样本即测试样本需根据其采集时的环境湿度送入1至4号分类器中的对应分类器。本发明在实际应用中,需要考虑绝缘子型号和额定工作电压,型号或额定工作电压不同的绝缘子需分别进行分类器构建和污秽等级识别。
Claims (1)
1.基于泄漏电流吸引子相图的绝缘子污秽状态检测方法,其特征在于:利用一种改进的卷积神经网络对绝缘子表面泄漏电流经过相空间重构得到的吸引子相图进行识别,达到检测绝缘子污秽等级的目的,具体包括以下步骤:
泄漏电流采集,利用安装于绝缘子上的电流互感器和数据记录设备采集泄漏电流信号;同时利用湿度传感器采集环境相对湿度;
泄漏电流相空间重构,采用Takens嵌入定理对采集到的泄漏电流信号序列进行相空间重构得到吸引子相图;
构建适用于不同环境湿度条件下的卷积神经网络分类器;并通过训练样本进行训练;以采集的泄漏电流进行相空间重构得到的吸引子相图作为训练样本进行训练,输出绝缘子的污秽等级;
将获取的泄漏电流的吸引子相图根据其采集时不同的环境相对湿度分类输入至不同的分类器,输出绝缘子的污秽等级;
环境相对湿度与分类器的对应关系为:77.5%~82.5%湿度下采集的样本送入1号分类器,82.6%~87.5%湿度下采集的样本送入2号分类器,87.6%~92.5%湿度下采集的样本送入3号分类器,92.6%~100%湿度下采集的样本送入4号分类器;
卷积神经网络分类器的构建包括:3个卷积层,3个池化层,1个Inception模块,1个全连接层和1个Softmax分类器;3个卷积层的卷积核大小为3×3,3个池化层的池化大小为3×3;Inception模块包含3个通道,第一个通道对图像进行1×1卷积,第二个通道对图像进行5×5卷积,第三个通道先对图像进行3×3的池化后再进行1×1卷积;经过池化层3和全连接层后,特征信息进入Softmax分类器实现污秽等级的识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111384641.8A CN114034714B (zh) | 2021-11-22 | 2021-11-22 | 基于泄漏电流吸引子相图的绝缘子污秽状态检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111384641.8A CN114034714B (zh) | 2021-11-22 | 2021-11-22 | 基于泄漏电流吸引子相图的绝缘子污秽状态检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114034714A CN114034714A (zh) | 2022-02-11 |
CN114034714B true CN114034714B (zh) | 2024-03-26 |
Family
ID=80138267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111384641.8A Active CN114034714B (zh) | 2021-11-22 | 2021-11-22 | 基于泄漏电流吸引子相图的绝缘子污秽状态检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114034714B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140041087A (ko) * | 2012-09-27 | 2014-04-04 | 한국전력공사 | 애자 오손 측정장치와 애자 오손 측정방법 |
CN105137299A (zh) * | 2015-08-26 | 2015-12-09 | 芜湖市凯鑫避雷器有限责任公司 | 绝缘子闪络电压预测方法 |
CN106771806A (zh) * | 2016-12-13 | 2017-05-31 | 国网山东省电力公司电力科学研究院 | 一种高压线路绝缘子表面污秽状态遥视遥测方法及系统 |
CN107240095A (zh) * | 2017-05-25 | 2017-10-10 | 武汉大学 | 一种基于可见光图像的直流线路绝缘子表面污秽状态识别法 |
CN110133438A (zh) * | 2019-05-16 | 2019-08-16 | 国网安徽省电力有限公司 | 一种基于相空间重构与电导特征的单相接地故障辨识方法 |
CN110147777A (zh) * | 2019-05-24 | 2019-08-20 | 合肥工业大学 | 一种基于深度迁移学习的绝缘子类别检测方法 |
CN110244205A (zh) * | 2019-07-12 | 2019-09-17 | 西南石油大学 | 一种小数据量下基于卷积神经网络的电缆附件局部放电识别方法 |
-
2021
- 2021-11-22 CN CN202111384641.8A patent/CN114034714B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140041087A (ko) * | 2012-09-27 | 2014-04-04 | 한국전력공사 | 애자 오손 측정장치와 애자 오손 측정방법 |
CN105137299A (zh) * | 2015-08-26 | 2015-12-09 | 芜湖市凯鑫避雷器有限责任公司 | 绝缘子闪络电压预测方法 |
CN106771806A (zh) * | 2016-12-13 | 2017-05-31 | 国网山东省电力公司电力科学研究院 | 一种高压线路绝缘子表面污秽状态遥视遥测方法及系统 |
CN107240095A (zh) * | 2017-05-25 | 2017-10-10 | 武汉大学 | 一种基于可见光图像的直流线路绝缘子表面污秽状态识别法 |
CN110133438A (zh) * | 2019-05-16 | 2019-08-16 | 国网安徽省电力有限公司 | 一种基于相空间重构与电导特征的单相接地故障辨识方法 |
CN110147777A (zh) * | 2019-05-24 | 2019-08-20 | 合肥工业大学 | 一种基于深度迁移学习的绝缘子类别检测方法 |
CN110244205A (zh) * | 2019-07-12 | 2019-09-17 | 西南石油大学 | 一种小数据量下基于卷积神经网络的电缆附件局部放电识别方法 |
Non-Patent Citations (1)
Title |
---|
基于卷积神经网络的劣化瓷质绝缘子红外智能诊断系统;陆倚鹏;中国优秀硕士论文工程科技Ⅱ辑;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114034714A (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Advances of research on high-speed railway catenary | |
Stefenon et al. | Hybrid wavelet stacking ensemble model for insulators contamination forecasting | |
CN108344931B (zh) | 基于紫外图谱技术的电力设备安全分析系统 | |
CN109977916B (zh) | 一种基于嵌入式平台的变压器油中溶解气体在线监测系统 | |
CN112069930A (zh) | 提升gis设备故障诊断准确率的振动信号处理方法及装置 | |
CN115460647B (zh) | 基于eSIM卡和5G基站的物联网故障定位方法及系统 | |
CN112884070A (zh) | 一种基于迁移学习的高压开关故障诊断方法 | |
CN114034714B (zh) | 基于泄漏电流吸引子相图的绝缘子污秽状态检测方法 | |
de Santos et al. | A machine learning approach for condition monitoring of high voltage insulators in polluted environments | |
LU502493B1 (en) | Method for detecting insulator contamination state based on leakage current attractor phase diagram | |
CN113805007A (zh) | 一种高压电缆健康状态在线监测系统及其监测方法 | |
CN101713807A (zh) | 基于信号高速采集的机车活接地故障记录分析装置及方法 | |
CN110716133B (zh) | 一种基于物联网及大数据技术的高压断路器故障研判方法 | |
Li et al. | Inception module and deep residual shrinkage network-based arc fault detection method for pantograph–catenary systems | |
Pylarinos et al. | Online applicable techniques to evaluate field leakage current waveforms | |
CN115902541A (zh) | 一种输电线路绝缘子放电及缺陷的诊断方法及系统 | |
Adami et al. | New approach to improve high-voltage transmission line reliability | |
CN104659919A (zh) | 大数据的配网运行支持系统及方法 | |
CN208367115U (zh) | 25hz室外轨道电路电气数据采集系统 | |
CN103198326A (zh) | 一种输电线路直升机巡检的图像分类方法 | |
KR20150121825A (ko) | 이미지 분석을 통한 폴리머 애자 성능 측정 장치 및 방법 | |
CN110703080B (zh) | 一种gis尖刺放电诊断方法、放电程度识别方法及装置 | |
Serikbay et al. | CNN-based classification of contaminated high voltage insulator surface | |
Serikbay et al. | Stacked Ensemble Deep Learning for Outdoor Insulator Surface Condition Classification: A Profound Study on Water Droplets | |
Pernebayeva et al. | Live line snow and ice coverage detection of ceramic insulator using Gabor image features |
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 |