CN114065824A - 一种对局部放电信号类型快速识别的方法 - Google Patents
一种对局部放电信号类型快速识别的方法 Download PDFInfo
- Publication number
- CN114065824A CN114065824A CN202210045849.5A CN202210045849A CN114065824A CN 114065824 A CN114065824 A CN 114065824A CN 202210045849 A CN202210045849 A CN 202210045849A CN 114065824 A CN114065824 A CN 114065824A
- Authority
- CN
- China
- Prior art keywords
- discharge
- probability
- phase
- value
- coefficient
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种对局部放电信号类型快速识别的方法,包括如下步骤:步骤一:采集脉冲原始信号的波形数据,通过相位叠加生成PRPD图谱;步骤二:对PRPD图谱进行数据预处理,判断是否为噪声信号;步骤三:对PRPD图谱进行相位对齐并且分A区和B区;步骤四:对A区和B区内放电点整合处理以获取图谱分布系数R;步骤五:分别对A区和B区内放电点的幅值与相位进行分离处理以获取幅值变异系数OA和OB、相位变异系数QA和QB;步骤六:提取图谱分布系数R、幅值变异系数OA和OB、相位变异系数QA和QB,计算总尖端放电概率P1、总沿面放电概率P2和总内部放电概率P3;步骤七:识别放电类型。
Description
技术领域
本发明涉及局部放电技术领域,尤其涉及一种对局部放电信号类型快速识别的方法。
背景技术
局部放电是指在电场作用下,绝缘系统中只有部分区域发生放电但没有形成贯穿性放电通道的一种放电,作为一种常见的电气放电现象,它是电气设备在长期运行时绝缘发生损坏的一种征兆。产生局部放电的主要原因是设备加工工艺、现场安装环境、施工师傅安装不专业等,使得设备电介质不均匀,绝缘体各区域承受的电场强度不均匀,在某些区域电场强度达到击穿场强而发生放电,随着多次的局部放电叠加损坏设备及设备绝缘部分,进而导致设备绝缘故障、击穿,甚至引发火灾等事故,其危险性不容忽视。其中,局部放电的类型主要分为尖端放电、沿面放电和内部放电。
目前电力行业对局放的识别并没有固定的标准,现有的识别方式为,一般采用小波变换提取特征参数,结合基于BP神经网络的多层感知机对局部放电信号进行识别,虽然与传统φ-q-n参数比较,减少了信号特征向量的维数,提升了识别精度,但小波变换容易受噪声干扰,有时候在多个尺度下的分析结论会互相矛盾,而且BP神经网络不是专门用于分类的算法,分类结果主要是采用四舍五入进行表示,缺乏直观性,在算法优化方面时,需要优化的权值与阈值参数过多,可能得不到很好的分类结果,在网络构建方面,由于BP神经网络需要不断调试,才能得到最佳BP网络结构,上述过程步骤繁琐,耗时长,并且过程中的检测抗干扰能力、数据精准性都被大打折扣。
当介质发生局部放电时,实际检修中,高压设备所处的环境中经常有各种各样复杂的电磁干扰信号,因而,在复杂环境下,快速甄别出局部放电信号类型中的尖端放电、沿面放电和内部放电,将有助于快速找出电力设备的故障原因,并及时排除故障,恢复用电。
发明内容
本发明的目的是提供一种对局部放电信号类型快速识别的方法,具有快速分析、综合判断、精准识别局放类型的特点。
本发明是通过以下技术方案得以实现的:
一种对局部放电信号类型快速识别的方法,包括如下步骤:步骤一:采集脉冲原始信号的波形数据,通过相位叠加生成PRPD图谱;步骤二:对PRPD图谱进行数据预处理,判断是否为噪声信号,若是噪声信号,则识别结束,若不是噪声信号,则进入步骤三;步骤三:对PRPD图谱进行相位对齐并且分A区和B区;步骤四:对A区和B区内放电点整合处理以获取图谱分布系数R;步骤五:分别对A区和B区内放电点的幅值与相位进行分离处理以获取幅值变异系数OA和OB、相位变异系数QA和QB;步骤六:提取图谱分布系数R、幅值变异系数OA和OB、相位变异系数QA和QB,计算总尖端放电概率P1、总沿面放电概率P2和总内部放电概率P3;步骤七:识别放电类型。
通过采用上述技术方案,局放类型识别中,采集到信号后,先判断是否为噪声信号,当排除不是噪声信号后再继续对PRPD图谱进行多项数据收集,从而获取不同放电概率,整合所有放电概率后获得各种类型放电信号的综合概率值,从尖端放电、沿面放电和内部放电中以最高的综合概率值最后识别出放电类型。
进一步设置为:所述步骤二中的数据预处理方式为:S21:获取PRPD图谱并建立图谱坐标系O-xy,其中,x轴为相位轴,y轴为幅值轴,相位分辨率为0.1度,幅值分辨率是1pC,将所有放电点标记于坐标系O-xy内;S22:所有放电点在相位轴上进行映射,获取对应映射点,去除重复映射点后,剩余映射点点数与相位轴总点数的比值为可控值,可控值定义为K;S23:将可控值(K)与常规系数(0.8)进行数据比对,若K大于0.8,则为噪声信号,若K小于0.8,则不为噪声信号。
通过采用上述技术方案,通过可控值与常规系数的比值从而确定放电点在PRPD图谱上的分布情况,若K大于0.8,放电点在图谱内过于分散,则判断为噪声信号,若K小于0.8,放电点在图谱内相对集中,则不为噪声信号。
进一步设置为:所述步骤三中相位对齐的方式为:S31:筛选出图谱坐标系O-xy中幅值最大的放电点,该放电点标记为T点;S32:T点沿相位轴方向平移至相位值为90°的位置,剩余所有放电点跟随T点平移相同距离;S33:图谱坐标系O-xy中,相位轴小于0°的放电点沿相位轴正方向再平移360°,相位轴大于360°的放电点沿相位轴负方向再平移360°;S34:以相位值180°为中间线区分为两个半区,0°-180°的区域标记为A区,180°-360°的区域标记为B区。
通过采用上述技术方案,由于脉冲原始信号的频率会有波动并且采集区间是随机的,对应采集到的放电点聚团并不在特定区域,因而需要对PRPD图谱进行相位对齐,从而便于后续获取精准数据。
进一步设置为:所述步骤四中整合处理的方式为:S41:A区内,各个放电点依次标记为A1……An,其中,A1……An中相位轴取零值,计算A区中幅值最大值LA,LA=max{|A1|,……|An|};B区内,各个放电点依次标记为B1……Bm,其中,B1……Bm中相位轴取零值,计算B区中幅值最大值LB,LB=max{|B1|,……|Bm|};S42:提取LA和LB,计算图谱分布系数R,R=(n/(n+m))*((LA-LB)/LA)。
通过采用上述技术方案,针对相位对齐后的PRPD图谱,采集各个放电点位置,从而计算获取图谱分布系数,通过图谱分布系数从中可了解到PRPD图谱在A、B两个区中的分布情况。
进一步设置为:所述步骤五中分离处理的方式为:S51:提取A1……An和B1……Bm中
所有坐标,分别独立进行下列计算;S52:A1……An中相位轴取零值,于{|A1|,……|An|}中计
算A区幅值变异系数OA,OA=;S53:A1……An中幅值轴取零值,于{|A1|,……
|An|}中计算A区相位变异系数QA,QA=;S54:B1……Bm中相位轴取零值,于
{|B1|,……|Bm|}中计算B区幅值变异系数OB,OB=;S55:B1……Bm中幅值轴
取零值,于{|B1|,……|Bm|}中计算B区相位变异系数QB,QB=。
通过采用上述技术方案,分别对A、B两个区内的幅值和相位变异系数进行求解,从而可以获得放电点的离散程度。
进一步设置为:所述步骤六中计算方式为:S61:提取R、OA、OB、QA和QB,根据其数值大小分别代入对应函数关系图,以获取概率值PR,POA,POB,PQA,PQB,每个概率值在识别计算中占据的权重占比分别为NR,NOA,NOB,NQA,NQB,其中,NR=0.8,NOA=NOB=NQA=NQB=0.25;S62:总尖端放电概率P1=NRPR+NOAPOA+NOBPOB+NQAPQA+NQBPQB,总沿面放电概率P2=NRPR+NOAPOA+NOBPOB+NQAPQA+NQBPQB,总内部放电概率P3=NRPR+NOAPOA+NOBPOB+NQAPQA+NQBPQB。
通过采用上述技术方案,通过PR,POA,POB,PQA,PQB获得各种类型放电概率值,其中,根据实验数据和经验可以了解到的是分布系数和变异系数的占比为0.8比1,而变异系数中,OA、OB、QA和QB占比相对平均分配。
进一步设置为:所述步骤七中识别方式为:提取P1、P2和P3,通过数据处理以获得概率最大值Pmax,Pmax=max{P1,P2,P3},从总尖端放电概率P1、总沿面放电概率P2和总内部放电概率P3中,根据总放电概率最大值获取对应放电类型。
通过采用上述技术方案,判断P1、P2和P3中的最大值,放电概率最大值也为对应放电类型。
进一步设置为:常规系数由大量实验数据获得,0.8为定值。
通过采用上述技术方案,常规系数由大量实验数据归纳总结获得。
进一步设置为:根据实际实验数据的采集分别确定图谱分布系数R、幅值变异系数OA、相位变异系数QA、幅值变异系数OB、相位变异系数QB和放电概率P1、总沿面放电概率P2、总内部放电概率P3之间的函数关系,最终形成对应函数关系图。
通过采用上述技术方案,采用实验数据归纳出函数关系图,通过对应的函数关系,在相关系数改变的前提下,从而便于获取不同的概率值。
进一步设置为:所述步骤一前,测试现场噪声或者通过噪声传感器取样现场噪声值并设置为阈值,通过阈值过滤采集到的原始脉冲信号。
通过采用上述技术方案,考虑到高压柜的使用环境,为了避免现场噪音的影响,先取样现场环境噪声值并对采集到的原始脉冲信号进行噪音信号的剔除,以确保后续局放识别的精度。
综上所述,本发明的有益技术效果为:
(1)通过对PRPD图谱进行处理,获取相关数据信息,分别求取图谱分布系数R、幅值变异系数OA和OB、相位变异系数QA和QB,多数据信息来源保障数据精准度;
(2)经过大量实验获取各项数据信息的函数关系图,从而获得各项系数与各种放电概率之间的函数关系,分别求取尖端放电概率、沿面放电概率和内部放电概率,综合概率判断以提升检测准确性;
(3)识别方法常规后,可系统化操作,便于快速识别局放类型,有利于设备的检修,具备极强的环境抗干扰能力。
附图说明
图1是本发明的方法流程示意图;
图2是本发明中的未处理的PRPD图谱;
图3是本发明中的相位对齐后的PRPD图谱;
图4是本发明中关于图谱分布系数R的放电概率函数关系图;
图5是本发明中关于幅值变异系数OA的放电概率函数关系图;
图6是本发明中关于幅值变异系数OB的放电概率函数关系图;
图7是本发明中关于相位变异系数QA的放电概率函数关系图;
图8是本发明中关于相位变异系数QB的放电概率函数关系图。
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。
参照图1,为本发明公开的一种对局部放电信号类型快速识别的方法,本发明用于识别常见的三种局部放电类型,分别为尖端放电、沿面放电和内部放电。本方法包括七大步骤,步骤依次如下文所述。
在下列步骤之前,为了避免环境噪音对实际信号录入的影响,操作人员测试现场噪声或者通过噪声传感器取样现场噪声值,根据噪音信号的均值获取阈值,在后续脉冲信号采集过程中,通过阈值对脉冲信号进行过滤,从而确保获取到的信号为真实信号。下列所有步骤都基于真实信号进行识别。
步骤一:采集脉冲原始信号的波形数据,通过相位叠加生成PRPD图谱。通过信号采集传感器获得最初信号并进行调制生成脉冲原始信号,以工频信号触发连续采集1s,对1s所有脉冲信号进行提取并通过相位叠加生成PRPD图谱,获得对应相位和幅值,相位值范围在0°-360°,生成的PRPD图谱如图2所示。
步骤二:对PRPD图谱进行数据预处理,判断是否为噪声信号,若是噪声信号,则识别结束,若不是噪声信号,则进入步骤三。PRPD图谱的预处理方式为:
S21:获取PRPD图谱并建立图谱坐标系O-xy,如图2所示,其中,x轴为相位轴,y轴为幅值轴,相位分辨率为0.1度,幅值分辨率是1pC,将所有放电点标记于坐标系O-xy内。
S22:所有放电点在相位轴上进行映射,获取对应映射点,去除重复映射点后,剩余映射点点数与相位轴总点数的比值为可控值,可控值定义为K。放电点在相位轴上的映射点均在0°-360°之间,映射点取整数,相位轴总点数为360。
S23:将可控值(K)与常规系数(0.8)进行数据比对,若K大于0.8,则为噪声信号,若K小于0.8,则不为噪声信号。常规系数由大量实验数据获得,0.8为定值。通过可控值与常规系数的比值从而确定放电点在PRPD图谱上的分布情况,若K大于0.8,放电点在图谱内过于分散,则判断为噪声信号,若K小于0.8,放电点在图谱内相对集中,则不为噪声信号。步骤二可进一步有效判断出噪声信号,避免影响后续放电信号的判断。
步骤三:对PRPD图谱进行相位对齐并且分A区和B区。经相位对齐后的PRPD图谱为新PRPD图谱。相位对齐的方式为:
S31:筛选出图谱坐标系O-xy中幅值最大的放电点,在图2中,该放电点标记为T点;
S32:T点沿相位轴方向平移至相位值为90°的位置,剩余所有放电点跟随T点平移相同距离;
S33:图谱坐标系O-xy中,相位轴小于0°的放电点沿相位轴正方向再平移360°,相位轴大于360°的放电点沿相位轴负方向再平移360°,获得新PRPD图谱,如图3所示;
S34:在图3的新PRPD图谱中,以相位值180°为中间线区分为两个半区,0°-180°的区域标记为A区,180°-360°的区域标记为B区。
由于真实的放电信号并不是固定的50hz,我们以50hz进行相位采集后放电点在PRPD图谱会有偏移,因而对PRPD图谱进行相位对齐后,可便于后续获取精准数据,方便后续计算。
步骤四:对图3中新PRPD图谱的A区和B区内放电点整合处理以获取图谱分布系数R。相位对齐后,放电点的位置根据相位轴方向进行了平移,从而获得了新的放电点位置,整合处理的方式为:
S41:A区内,各个放电点依次标记为A1……An,其中,A1……An中相位轴取零值,计算A区中幅值最大值LA,LA=max{|A1|,……|An|};B区内,各个放电点依次标记为B1……Bm,其中,B1……Bm中相位轴取零值,计算B区中幅值最大值LB,LB=max{|B1|,……|Bm|}。分别对A区和B区内的所有放电点的幅值进行统计,从而获得A区内的幅值最大值LA和B区中幅值最大值LB。
S42:提取LA和LB,计算图谱分布系数R,R=(n/(n+m))*((LA-LB)/LA)。针对相位对齐后的PRPD图谱,采集各个放电点位置,从而计算获取图谱分布系数,从中可了解到PRPD图谱在A、B两个区中的分布情况。
步骤五:分别对A区和B区内放电点的幅值与相位进行分离处理以获取幅值变异系数OA和OB、相位变异系数QA和QB。分离处理的方式为:
S51:提取A1……An和B1……Bm中所有坐标,获取每个坐标的相位值和幅值,分别独立进行下列计算,以求取幅值变异系数OA,相位变异系数QA,幅值变异系数OB和相位变异系数QB。
S52:幅值变异系数OA的求解方式为,A1……An中相位轴取零值,于{|A1|,……|An|}
中,即A区内所有放电点的幅值集合,计算A区幅值变异系数OA,OA=。OA代
表为上述放电点在幅值上的离散程度。
S53:相位变异系数QA的求解方式为,A1……An中幅值轴取零值,于{|A1|,……|An|}
中,即A区内所有放电点的相位值集合,计算A区相位变异系数QA,QA=。QA
代表为上述放电点在相位值上的离散程度。
S54:幅值变异系数OB的求解方式为,B1……Bm中相位轴取零值,于{|B1|,……|Bm|}
中,即B区所有内放电点的幅值集合,计算B区幅值变异系数OB,OB=。OB代
表为上述放电点在幅值上的离散程度。
S55:相位变异系数QB的求解方式为,B1……Bm中幅值轴取零值,于{|B1|,……|Bm|}
中,即B区内所有放电点的相位值集合,计算B区相位变异系数QB,QB=。QB
代表为上述放电点在相位值上的离散程度。
在步骤六之前,通过实验数据分别建立R与尖端放电概率、沿面放电概率和内部放电概率有关联的函数关系图,OA与尖端放电概率、沿面放电概率和内部放电概率有关联的函数关系图,OB与尖端放电概率、沿面放电概率和内部放电概率有关联的函数关系图,QA与尖端放电概率、沿面放电概率和内部放电概率有关联的函数关系图,QB与尖端放电概率、沿面放电概率和内部放电概率有关联的函数关系图。函数关系图建立方式如下:
通过将常规数值带入R值中并进行不同放电类型的概率测算,获得只有在R值改变的前提条件下,尖端放电的概率值,沿面放电的概率值,以及内部放电的概率值,采集数据并根据上述数据得到表1。
表1 关于R的尖端放电概率/沿面放电概率/内部放电概率汇总表
R | 0 | 0.3 | 0.6 | 0.7 | 0.8 | 1.0 |
尖端放电概率 | 0.1 | 0.1 | 0.1 | 0.3 | 0.5 | 1.0 |
沿面放电概率 | 0.1 | 0.3 | 0.5 | 1.0 | 0.5 | 0.1 |
内部放电概率 | 1.0 | 0.7 | 0.5 | 0.3 | 0.1 | 0.1 |
根据表1建立函数关系并且绘制图4,图4为R与尖端放电概率、沿面放电概率和内部放电概率的函数关系图。
通过将常规数值带入OA值中并进行不同放电类型的概率测算,获得只有在OA值改变的前提条件下,尖端放电的概率值,沿面放电的概率值,以及内部放电的概率值,采集数据并根据上述数据得到表2。
表2 关于OA的尖端放电概率/沿面放电概率/内部放电概率汇总表
O<sub>A</sub> | 0 | 0.3 | 0.5 | 0.6 | 0.8 | 1.0 |
尖端放电概率 | 0 | 0.05 | 0.1 | 0.05 | 0.025 | 0 |
沿面放电概率 | 0 | 0.05 | 0.1 | 0.05 | 0.025 | 0 |
内部放电概率 | 0 | 0 | 0 | 0.1 | 0.15 | 0.2 |
根据表2建立函数关系并且绘制图5,图5为OA与尖端放电概率、沿面放电概率和内部放电概率的函数关系图。
通过将常规数值带入OB值中并进行不同放电类型的概率测算,获得只有在OB值改变的前提条件下,尖端放电的概率值,沿面放电的概率值,以及内部放电的概率值,采集数据并根据上述数据得到表3。
表3 关于OB的尖端放电概率/沿面放电概率/内部放电概率汇总表
O<sub>B</sub> | 0 | 0.1 | 0.25 | 0.4 | 0.7 | 1.0 |
尖端放电概率 | 0.5 | 0.5 | 0.3 | 0.1 | 0 | 0 |
沿面放电概率 | 0.1 | 0.1 | 0.4 | 0.4 | 0.25 | 0.1 |
内部放电概率 | 0 | 0 | 0.1 | 0.1 | 0.3 | 0.5 |
根据表3建立函数关系并且绘制图6,图6为OB与尖端放电概率、沿面放电概率和内部放电概率的函数关系图。
通过将常规数值带入QA值中并进行不同放电类型的概率测算,获得只有在QA值改变的前提条件下,尖端放电的概率值,沿面放电的概率值,以及内部放电的概率值,采集数据并根据上述数据得到表4。
表4 关于QA的尖端放电概率/沿面放电概率/内部放电概率汇总表
Q<sub>A</sub> | 0 | 0.15 | 0.25 | 0.4 | 0.7 | 1.0 |
尖端放电概率 | 0.1 | 0.2 | 0.1 | 0.1 | 0.1 | 0.1 |
沿面放电概率 | 0.1 | 0.2 | 0.1 | 0.1 | 0.1 | 0.1 |
内部放电概率 | 0.05 | 0.05 | 0.05 | 0.06 | 0.08 | 0.1 |
根据表4建立函数关系并且绘制图7,图7为QA与尖端放电概率、沿面放电概率和内部放电概率的函数关系图。
通过将常规数值带入QB值中并进行不同放电类型的概率测算,获得只有在QB值改变的前提条件下,尖端放电的概率值,沿面放电的概率值,以及内部放电的概率值,采集数据并根据上述数据得到表5。
表5 关于QB的尖端放电概率/沿面放电概率/内部放电概率汇总表
Q<sub>B</sub> | 0 | 0.1 | 0.25 | 0.4 | 0.7 | 1.0 |
尖端放电概率 | 0.2 | 0.1 | 0.1 | 0 | 0 | 0 |
沿面放电概率 | 0.1 | 0.1 | 0.3 | 0.26 | 0.18 | 0.1 |
内部放电概率 | 0.05 | 0.05 | 0.05 | 0.1 | 0.2 | 0.3 |
根据表5建立函数关系并且绘制图8,图8为QB与尖端放电概率、沿面放电概率和内部放电概率的函数关系图。
步骤六:提取图谱分布系数R、幅值变异系数OA和OB、相位变异系数QA和QB,计算总尖端放电概率P1、总沿面放电概率P2和总内部放电概率P3。计算方式为:
S61:提取S42步骤中获取的R,根据其数值大小代入说明书附图4的函数关系图中,获得对应R的尖端放电概率、沿面放电概率和内部放电概率。提取S52步骤中获取的OA,根据其数值大小代入说明书附图5的函数关系图中,获得对应OA的尖端放电概率、沿面放电概率和内部放电概率。提取S53步骤中获取的OB,根据其数值大小代入说明书附图6的函数关系图中,获得对应OB的尖端放电概率、沿面放电概率和内部放电概率。提取S54步骤中获取的QA,根据其数值大小代入说明书附图7的函数关系图中,获得对应QA的尖端放电概率、沿面放电概率和内部放电概率。提取S55步骤中获取的QB,根据其数值大小代入说明书附图8的函数关系图中,获得对应QB的尖端放电概率、沿面放电概率和内部放电概率。
每个概率值在识别计算中占据的权重占比分别为NR,NOA,NOB,NQA,NQB,其中,根据大量实验数据获得,NR=0.8,NOA=NOB=NQA=NQB=0.25。
S62:根据S61获取的所有尖端放电概率,总尖端放电概率P1=NRPR+NOAPOA+NOBPOB+NQAPQA+NQBPQB,根据S61获取的所有沿面放电概率,总沿面放电概率P2=NRPR+NOAPOA+NOBPOB+NQAPQA+NQBPQB,根据S61获取的所有内部放电概率,总内部放电概率P3=NRPR+NOAPOA+NOBPOB+NQAPQA+NQBPQB。
步骤七:识别放电类型。识别方式为:提取P1、P2和P3,通过逻辑门电路进行数据处理以获得概率最大值Pmax,Pmax=max{P1,P2,P3},从总尖端放电概率P1、总沿面放电概率P2和总内部放电概率P3中,根据总放电概率最大值获取对应放电类型,从而完成局放类型的识别。
根据上述识别方法举例说明:
对采集到的图2中的PRPD图谱进行预处理,获得K=0.15,因而K<0.8,则不为噪声信号。再对图2中的PRPD图谱进行相位对齐获得图3的新PRPD图谱,在图3中,A区内放电点数量n=77,B区内放电数量m=84,根据纵向坐标,继续获得LA==259,LB=215。通过步骤S42获得R=0.08,通过步骤S52获得OA=0.38,通过步骤S53获得OB=0.40,通过步骤S54获得QA=0.41,通过步骤S55获得QB=0.13。
将R=0.08带入图4中,获得内部放电概率为0.93,沿面放电概率为0.15,尖端放电概率为0.1。将OA=0.38带入图5中,获得内部放电概率为0,沿面放电概率为0.08,尖端放电概率为0.08。将OB=0.40带入图6中,获得内部放电概率为0.1,沿面放电概率为0.4,尖端放电概率为0.1。将QA=0.41带入图7中,获得内部放电概率为0.06,沿面放电概率为0.1,尖端放电概率为0.1。将QB=0.13带入图8中,获得内部放电概率为0.05,沿面放电概率为0.14,尖端放电概率为0.1。
综上所述,总尖端放电概率P1=0.8*0.1+0.25*0.08+0.25*0.1+0.25*0.1+0.25*0.1=0.175;总沿面放电概率P2=0.8*0.15+0.25*0.08+0.25*0.4+0.25*0.1+0.25*0.14=0.3;总内部放电概率P3=0.8*0.93+0.25*0+0.25*0.1+0.25*0.06+0.25*0.05=0.7965;通过对P1值、P2值和P3值的数值大小相互比较,P3值最大,因而识别该放电类型为内部放电。
本发明的工作原理及有益效果为:
在本发明的局放类型识别中,先根据PRPD图谱进行噪声信号的判断,当排除不是噪声信号后继续对PRPD图谱进行多项数据收集,收据采集方向为图谱分布系数R、幅值变异系数OA和OB、相位变异系数QA和QB,根据图4-图8的函数关系,从而获取不同系数下的不同放电概率,最后计算总尖端放电概率P1、总沿面放电概率P2和总内部放电概率P3,各项综合概率值,以最高的综合概率值最后识别出放电类型,最终具体确定为何种局放类型。
以上所述,仅为本发明较佳的具体实施方式,并非依此限制本发明的保护范围,故:凡依本发明的结构、形状、原理所做的等效变化,均应涵盖于本发明的保护范围之内。
Claims (10)
1.一种对局部放电信号类型快速识别的方法,其特征在于,包括如下步骤:
步骤一:采集脉冲原始信号的波形数据,通过相位叠加生成PRPD图谱;
步骤二:对PRPD图谱进行数据预处理,判断是否为噪声信号,若是噪声信号,则识别结束,若不是噪声信号,则进入步骤三;
步骤三:对PRPD图谱进行相位对齐并且分A区和B区;
步骤四:对A区和B区内放电点整合处理以获取图谱分布系数R;
步骤五:分别对A区和B区内放电点的幅值与相位进行分离处理以获取幅值变异系数OA和OB、相位变异系数QA和QB;
步骤六:提取图谱分布系数R、幅值变异系数OA和OB、相位变异系数QA和QB,计算总尖端放电概率P1、总沿面放电概率P2和总内部放电概率P3;
步骤七:识别放电类型。
2.根据权利要求1所述的一种对局部放电信号类型快速识别的方法,其特征在于,所述步骤二中的数据预处理方式为:
S21:获取PRPD图谱并建立图谱坐标系O-xy,其中,x轴为相位轴,y轴为幅值轴,相位分辨率为0.1度,幅值分辨率是1pC,将所有放电点标记于坐标系O-xy内;
S22:所有放电点在相位轴上进行映射,获取对应映射点,去除重复映射点后,剩余映射点点数与相位轴总点数的比值为可控值,可控值定义为K;
S23:将可控值(K)与常规系数(0.8)进行数据比对,若K大于0.8,则为噪声信号,若K小于0.8,则不为噪声信号。
3.根据权利要求2所述的一种对局部放电信号类型快速识别的方法,其特征在于,所述步骤三中相位对齐的方式为:
S31:筛选出图谱坐标系O-xy中幅值最大的放电点,该放电点标记为T点;
S32:T点沿相位轴方向平移至相位值为90°的位置,剩余所有放电点跟随T点平移相同距离;
S33:图谱坐标系O-xy中,相位轴小于0°的放电点沿相位轴正方向再平移360°,相位轴大于360°的放电点沿相位轴负方向再平移360°;
S34:以相位值180°为中间线区分为两个半区,0°-180°的区域标记为A区,180°-360°的区域标记为B区。
4.根据权利要求2所述的一种对局部放电信号类型快速识别的方法,其特征在于,所述步骤四中整合处理的方式为:
S41:A区内,各个放电点依次标记为A1……An,其中,A1……An中相位轴取零值,计算A区中幅值最大值LA,LA=max{|A1|,……|An|};
B区内,各个放电点依次标记为B1……Bm,其中,B1……Bm中相位轴取零值,计算B区中幅值最大值LB,LB=max{|B1|,……|Bm|};
S42:提取LA和LB,计算图谱分布系数R,R=(n/(n+m))*((LA-LB)/LA)。
6.根据权利要求1所述的一种对局部放电信号类型快速识别的方法,其特征在于,所述步骤六中计算方式为:
S61:提取R、OA、OB、QA和QB,根据其数值大小分别代入对应函数关系图,以获取概率值PR,POA,POB,PQA,PQB,每个概率值在识别计算中占据的权重占比分别为NR,NOA,NOB,NQA,NQB,其中,NR=0.8,NOA=NOB=NQA=NQB=0.25;
S62:总尖端放电概率P1=NRPR+NOAPOA+NOBPOB+NQAPQA+NQBPQB,总沿面放电概率P2=NRPR+NOAPOA+NOBPOB+NQAPQA+NQBPQB,总内部放电概率P3=NRPR+NOAPOA+NOBPOB+NQAPQA+NQBPQB。
7.根据权利要求1所述的一种对局部放电信号类型快速识别的方法,其特征在于,所述步骤七中识别方式为:
提取P1、P2和P3,通过数据处理以获得概率最大值Pmax,Pmax=max{P1,P2,P3},从总尖端放电概率P1、总沿面放电概率P2和总内部放电概率P3中,根据总放电概率最大值获取对应放电类型。
8.根据权利要求2所述的一种对局部放电信号类型快速识别的方法,其特征在于,常规系数由大量实验数据获得,0.8为定值。
9.根据权利要求6所述的一种对局部放电信号类型快速识别的方法,其特征在于,根据实际实验数据的采集分别确定图谱分布系数R、幅值变异系数OA、相位变异系数QA、幅值变异系数OB、相位变异系数QB和放电概率P1、总沿面放电概率P2、总内部放电概率P3之间的函数关系,最终形成对应函数关系图。
10.根据权利要求1所述的一种对局部放电信号类型快速识别的方法,其特征在于,所述步骤一前,测试现场噪声或者通过噪声传感器取样现场噪声值并设置为阈值,通过阈值先行过滤采集到的原始脉冲信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210045849.5A CN114065824B (zh) | 2022-01-17 | 2022-01-17 | 一种对局部放电信号类型快速识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210045849.5A CN114065824B (zh) | 2022-01-17 | 2022-01-17 | 一种对局部放电信号类型快速识别的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114065824A true CN114065824A (zh) | 2022-02-18 |
CN114065824B CN114065824B (zh) | 2022-04-19 |
Family
ID=80230945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210045849.5A Active CN114065824B (zh) | 2022-01-17 | 2022-01-17 | 一种对局部放电信号类型快速识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114065824B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117761469A (zh) * | 2024-02-22 | 2024-03-26 | 陕西公众电气股份有限公司 | 一种诊断配电网架空线路局部放电的巡检方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102387109A (zh) * | 2010-09-06 | 2012-03-21 | 电信科学技术研究院 | 一种削除信号峰值功率的方法及装置 |
CN102539527A (zh) * | 2010-12-27 | 2012-07-04 | 湖北省电力试验研究院 | 一种基于超声波检测的gis局部放电模式识别方法 |
CN102809718A (zh) * | 2012-07-25 | 2012-12-05 | 华南理工大学 | 一种gis超高频局部放电信号识别方法 |
US20160116520A1 (en) * | 2013-05-10 | 2016-04-28 | Prysmian S.P.A. | Partial discharge signal processing method and apparatus employing neural network |
CN105606977A (zh) * | 2016-03-11 | 2016-05-25 | 华乘电气科技(上海)股份有限公司 | 基于分层规则推理的局部放电prps图谱识别方法及系统 |
CN105807190A (zh) * | 2014-12-29 | 2016-07-27 | 国家电网公司 | 一种gis局部放电超高频带电检测方法 |
KR101958903B1 (ko) * | 2018-05-31 | 2019-03-15 | 수원대학교산학협력단 | RBFNNs 모델을 이용한 부분 방전 분류 시스템 |
CN109901031A (zh) * | 2019-02-27 | 2019-06-18 | 西安电子科技大学 | 用于局部放电信号的信噪分离方法、信息数据处理终端 |
CN110085245A (zh) * | 2019-04-09 | 2019-08-02 | 武汉大学 | 一种基于声学特征转换的语音清晰度增强方法 |
CN112180223A (zh) * | 2020-09-17 | 2021-01-05 | 国网山东省电力公司电力科学研究院 | 实现局部放电特高频信号图谱诊断和故障定位的方法 |
CN112763871A (zh) * | 2020-12-30 | 2021-05-07 | 珠海华网科技有限责任公司 | 一种局部放电分类识别方法 |
CN113325277A (zh) * | 2021-04-30 | 2021-08-31 | 国能大渡河检修安装有限公司 | 一种局部放电处理方法 |
-
2022
- 2022-01-17 CN CN202210045849.5A patent/CN114065824B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102387109A (zh) * | 2010-09-06 | 2012-03-21 | 电信科学技术研究院 | 一种削除信号峰值功率的方法及装置 |
CN102539527A (zh) * | 2010-12-27 | 2012-07-04 | 湖北省电力试验研究院 | 一种基于超声波检测的gis局部放电模式识别方法 |
CN102809718A (zh) * | 2012-07-25 | 2012-12-05 | 华南理工大学 | 一种gis超高频局部放电信号识别方法 |
US20160116520A1 (en) * | 2013-05-10 | 2016-04-28 | Prysmian S.P.A. | Partial discharge signal processing method and apparatus employing neural network |
CN105807190A (zh) * | 2014-12-29 | 2016-07-27 | 国家电网公司 | 一种gis局部放电超高频带电检测方法 |
CN105606977A (zh) * | 2016-03-11 | 2016-05-25 | 华乘电气科技(上海)股份有限公司 | 基于分层规则推理的局部放电prps图谱识别方法及系统 |
KR101958903B1 (ko) * | 2018-05-31 | 2019-03-15 | 수원대학교산학협력단 | RBFNNs 모델을 이용한 부분 방전 분류 시스템 |
CN109901031A (zh) * | 2019-02-27 | 2019-06-18 | 西安电子科技大学 | 用于局部放电信号的信噪分离方法、信息数据处理终端 |
CN110085245A (zh) * | 2019-04-09 | 2019-08-02 | 武汉大学 | 一种基于声学特征转换的语音清晰度增强方法 |
CN112180223A (zh) * | 2020-09-17 | 2021-01-05 | 国网山东省电力公司电力科学研究院 | 实现局部放电特高频信号图谱诊断和故障定位的方法 |
CN112763871A (zh) * | 2020-12-30 | 2021-05-07 | 珠海华网科技有限责任公司 | 一种局部放电分类识别方法 |
CN113325277A (zh) * | 2021-04-30 | 2021-08-31 | 国能大渡河检修安装有限公司 | 一种局部放电处理方法 |
Non-Patent Citations (6)
Title |
---|
JIANTAO SUN 等: "Partial Discharge of Needle-Plane Defect in Oil-Paper Insulation under AC and DC Combined Voltages: Developing Processes and Characteristics", 《ENERGIES》 * |
WENBO FAN 等: "PD Pattern Recognition Based on Transient Earth Voltage (TEV) Pulse Amplitude-Frequency of Occurrence Diagrams for Switchgears", 《2016 ELECTRICAL INSULATION CONFERENCE (EIC)》 * |
刘岳楠 等: "牵引电机定子绝缘局部放电试验和可靠性评估", 《机车电传动》 * |
宫文秀: "油纸电容式套管典型缺陷的局部放电特性与识别研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 * |
王磊: "局部放电信号模式识别应用研究", 《云南电力技术》 * |
黄雪莜 等: "基于卷积神经网络的开关柜故障率预测方法", 《电工技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117761469A (zh) * | 2024-02-22 | 2024-03-26 | 陕西公众电气股份有限公司 | 一种诊断配电网架空线路局部放电的巡检方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114065824B (zh) | 2022-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109901031B (zh) | 用于局部放电信号的信噪分离方法、信息数据处理终端 | |
CN108957251B (zh) | 一种电缆接头局部放电模式识别方法 | |
Chan et al. | Time-frequency sparsity map on automatic partial discharge sources separation for power transformer condition assessment | |
Pinpart et al. | Differentiating between partial discharge sources using envelope comparison of ultra-high-frequency signals | |
CN104198898B (zh) | 基于脉冲序列分析的局部放电发展过程诊断方法 | |
Seo et al. | Probabilistic wavelet transform for partial discharge measurement of transformer | |
CN107589341B (zh) | 一种基于配电自动化主站的单相接地在线故障定位方法 | |
CN108693448B (zh) | 一种应用于电力设备局部放电模式识别系统 | |
CN114417926A (zh) | 一种基于深度卷积生成对抗网络的电力设备局部放电模式识别方法及系统 | |
CN114065824B (zh) | 一种对局部放电信号类型快速识别的方法 | |
CN110703078A (zh) | 基于频谱能量分析与自组织竞争算法的gis故障诊断方法 | |
CN107831409A (zh) | 特高频局放检测图谱特征参量提取的方法及异常检测方法 | |
CN112285494A (zh) | 一种电力电缆局部放电模式识别分析系统 | |
CN113805018A (zh) | 一种配电网10kV电缆局部放电故障类型智能识别方法 | |
CN110673000B (zh) | 一种油浸式电流互感器局部放电在线监测方法及装置 | |
EP4001936A1 (en) | Automatic partial discharge and noise signals separation using arithmetic coding in time domain and magnitude distributions in frequency domain | |
Mengyuan et al. | Research of circuit breaker intelligent fault diagnosis method based on double clustering | |
Chan et al. | Automatic blind equalization and thresholding for partial discharge measurement in power transformer | |
CN112949497B (zh) | 一种基于改进广义回归神经网络的gis局放模式识别方法 | |
CN114397569A (zh) | 基于vmd参数优化、样本熵的断路器故障电弧检测方法 | |
CN117454081A (zh) | 一种机械振动信号的去噪处理方法及装置 | |
CN111025100A (zh) | 变压器特高频局部放电信号模式识别方法与装置 | |
CN109917245B (zh) | 考虑相位差的超声检测局部放电信号模式识别方法 | |
CN115130516A (zh) | 一种基于图谱功率谱熵的gis设备状态辨识方法及装置 | |
CN114861699A (zh) | 一种基于改进anfis的局部放电诊断方法 |
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 |