CN114089136A - 基于人工智能的高压电缆局放检测与缺陷诊断系统 - Google Patents
基于人工智能的高压电缆局放检测与缺陷诊断系统 Download PDFInfo
- Publication number
- CN114089136A CN114089136A CN202111451607.8A CN202111451607A CN114089136A CN 114089136 A CN114089136 A CN 114089136A CN 202111451607 A CN202111451607 A CN 202111451607A CN 114089136 A CN114089136 A CN 114089136A
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- data
- voltage cable
- defect
- voltage
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 79
- 238000003745 diagnosis Methods 0.000 title claims abstract description 58
- 238000001514 detection method Methods 0.000 title claims abstract description 47
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 23
- 238000009413 insulation Methods 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 238000005259 measurement Methods 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000013135 deep learning Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000003860 storage Methods 0.000 claims abstract description 6
- 238000007726 management method Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 21
- 238000007781 pre-processing Methods 0.000 claims description 6
- 239000000725 suspension Substances 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 5
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000001285 laser absorption spectroscopy Methods 0.000 claims description 3
- 239000013307 optical fiber Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 208000028659 discharge Diseases 0.000 abstract description 146
- 238000005516 engineering process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 210000001503 joint Anatomy 0.000 description 2
- 238000009533 lab test Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000004593 Epoxy Substances 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000002390 adhesive tape Substances 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 239000004703 cross-linked polyethylene Substances 0.000 description 1
- 229920003020 cross-linked polyethylene Polymers 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 150000002894 organic compounds Chemical class 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
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
- 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
- G01R31/1272—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 of cable, line or wire insulation, e.g. using partial discharge measurements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/16—Cables, cable trees or wire harnesses
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了基于人工智能的高压电缆局放检测与缺陷诊断系统,属于电缆局放检测、诊断技术领域。高压电缆典型绝缘缺陷局放试验平台的高压试验测量数据传输至局放信号与特性输出系统进行处理,生成的数字式输出测量数据与原始的高压试验测量数据共同传输至高压电缆局部放电数据信息平台进行分析、存储和管理,基于深度学习的缺陷诊断单元对高压电缆局部放电数据信息平台存储的数据进行特征提取,构建深度神经网络,对高压电缆局部放电进行智能诊断。本发明利用高压实验测量和数字式输出两种方式构建电缆缺陷局部放电数据,优化传统人工智能算法解决电缆局部放电诊断,能够实现高维局部放电数据特征的准确可靠提取,实现缺陷的准确诊断。
Description
技术领域
本发明涉及电缆局放检测、诊断技术领域,具体是一种基于人工智能的高压电缆局放检测与缺陷诊断系统。
背景技术
高压电缆是电网中重要的输配电设备之一,随着电网建设的大力建设,高压电缆在城网改造与建设过程中得到广泛应用,其安全可靠运行对于保障电网稳定和用户侧供电稳定都具有重要的意义。虽然一般认为电缆线路在正常环境中的寿命约为30年,然而由于电缆敷设在电缆沟、排管、隧道内,甚至直埋于低下,敷设环境与使用状态极大的影响电缆的寿命,再加上电缆制作、安装或运行时产生的局部缺陷,在温度、电力、机械力、水分、油质、有机化合物、碱、酸、微生物等的作用下,可能会产生局部放电,导致绝缘的劣化,产生树枝老化,从而导致电缆绝缘击穿,引发研制的电缆故障。而电力电缆一旦发生故障,需要投入大量人力物力进行故障排查,还将导致线路停电,造成严重的经济损失和社会影响。所以,为了避免电缆故障的发生,电缆局部放电测量一直是国内外的研究热点,也是系统内重点开展的常规化、例行化检修工作。
近年来,随着电力电缆局部放电检测技术的深入研究,电缆的离线检测、带电检测、在线监测技术都得到了长足的进步,并在现场都得以开展。然而,随着现场局部放电检测的深入应用,现场积累了大量的局部放电检测数据,但是如何利用局部放电检测结果对电缆状态进行准确有效的分析成为现场技术人员面临的一大难题。由于电力电缆结构的紧凑性和局部放电产生的复杂性,局部放电数据和电缆状态之间呈现出了明显的高维关联关系,不管是利用现场人员经验对结果进行判断,还是常规已有的诊断分析方法来分析检测数据,都难以得到准确的运行状态。近年来,随着人工智能等新兴技术的快速发展,以及计算机算力的提高,利用人工智能技术挖掘高维数据特征表现出了强大的应用潜力,人工智能技术也在向传统电力行业不断渗透,利用人工智能技术对高压电缆局部放电进行诊断成为未来电缆局部放电数据检测分析的必然趋势。
公告号为CN 103645425 B的专利文献公开了一种高压电缆绝缘缺陷局部放电在线监测诊断方法,从时域波形特征、谱图分布差异、分离谱图分析等角度,分析获取到的各种实际制作典型缺陷的局放数据,建立各种缺陷的放电数据库和对比库。利用高压电缆局放检测系统,应用三相幅值关系图谱、三频段幅值关系图谱等信号分离技术,分析脉冲电流波形参数特征值综合信息,形成现场测量数据的放电累积谱图和同类特征脉冲放电簇,最后与各种缺陷的放电数据库进行对比,从而判断现场运行的电缆线路是否有绝缘缺陷。该方法能够解决目前电缆设备绝缘缺陷局部放电在线监测诊断难的问题,并且还能够提高高压电缆绝缘缺陷局部放电检测诊断的准确度和灵敏度。但是,该方法在电缆局部放电诊断方面表现出了一定的不足,具体表现为特征提取时重要特征漏提取、次要特征多提取,诊断模型诊断率低,不适用现场复杂干扰的运行环境。
公告号为CN 103197218 B的专利文献公开了一种高压电缆绝缘缺陷局放带电检测诊断方法,所述带电检测方法包括如下步骤:a、建立电缆绝缘缺陷的局放综合指纹库,所述局放综合指纹库内包括若干局部放电模式分类;b、基于高频电磁耦合法三相同步采集并保存0.1Hz~20MHz间电缆放电脉冲信号,通过信号分离分析所述电缆放电脉冲信号的电流波形的特征值,以得到所需的放电积累图谱及同类特征脉冲放电簇;c、将得到的放电积累图谱及同类特征脉冲放电簇,与局放综合指纹库中的局部放电模式对比,并输出对应的高压电缆绝缘缺陷结果。该发明操作方便,提高诊断比较的有效性及效率,适应范围广,安全可靠。但是,该发明同样不能解决上述技术问题。
发明内容
有鉴于此,本发明针对现有技术的不足,提供的一种基于人工智能的高压电缆局放检测与缺陷诊断系统,能够实现高维局部放电数据特征的准确可靠提取,实现缺陷的准确诊断。
为解决上述技术问题,本发明所采取的技术方案是:基于人工智能的高压电缆局放检测与缺陷诊断系统,包括高压电缆典型绝缘缺陷局放试验平台,局放信号与特性输出系统,高压电缆局部放电数据信息平台,以及基于深度学习的缺陷诊断单元;所述高压电缆典型绝缘缺陷局放试验平台的高压试验测量数据传输至所述局放信号与特性输出系统进行处理,生成的数字式输出测量数据与原始的高压试验测量数据共同传输至所述高压电缆局部放电数据信息平台进行分析、存储和管理,所述基于深度学习的缺陷诊断单元对所述高压电缆局部放电数据信息平台存储的数据进行特征提取,构建深度神经网络,对高压电缆局部放电进行智能诊断。
进一步地,所述高压电缆典型绝缘缺陷局放试验平台包括调压器、无局部变压器、典型缺陷模型、PDcheck高频局放检测仪和计算机,所述调压器和无局放变压器控制所述典型缺陷模型上施加的工频电压,并使用PDCheck高频局放检测仪采集和处理数据,测试结果通过光纤传到所述计算机。
进一步地,所述局放信号与特性输出系统包括上位机、局放信号与特性输出控制单元和发射传感器,所述上位机将测量数据传输至所述局放信号与特性输出控制单元,所述局放信号与特性输出控制单元采用晶体三极管的雪崩效应进行脉冲电压的生成与模拟,通过级联雪崩电路的方式实现高幅值脉冲的输出,通过所述发射传感器输出信号。
进一步地,所述高压电缆局部放电数据信息平台在高压试验测量数据和数字输出测量数据的基础上,采用客户端/服务器的开放式架构,实现对数据的统一存储与管理,目标识别调用数据库接口协议,通过对测试数据判别,分析计算不同数据相似度,最后根据判别和计算结果进行自动入库,最终构建出具备自验证、自约减、自增长架构的电缆局部放电数据库和干扰库。
进一步地,所述基于深度学习的缺陷诊断单元包括智能诊断算法模块,所述智能诊断算法模块首先利用卡方检验样本间关联程度后自助采用;其次引入自适应稀疏约束机制Group LASSO优化特征的选择;再次设计随机森林特征消除算法对数据特征进行降维处理;最后利用保留的特征对受限玻尔兹曼机进行训练,确定受限玻尔兹曼机的模型结构与权重,适用训练受限玻尔兹曼机的学习参数初始化一个多层神经网络,通过标准的后向传播方法训练多层神经网络,实现缺陷诊断。
进一步地,所述典型缺陷模型包括内部放电模型、针板放电模型、悬浮放电模型和沿面放电模型。
进一步地,所述局放信号与特性输出控制单元包括单片机、脉冲模拟电路、幅值控制模块和相位控制模块,所述幅值控制模块利用数字电位器实现幅值控制,所述相位控制模块采用窗口比较器、过流检测器来实现相位控制。
进一步地,所述高压电缆局部放电数据信息平台包括数据预处理模块、特征提取模块、分类判决模块、模型训练模块、训练集合模块和目标识别数据库,所述数据预处理模块处理得到的特征信号经过所述特征提取模块提取出典型特征,然后经过所述分类判决模块得到判决结果写入所述目标识别数据库,并且特征信号和典型特征写入所述目标识别数据库;所述目标识别数据库通过所述训练集合模块和模型训练模块将写入的数据进行模型更新,并且传输至所述分类判决模块。
目前实验室试验进行局放检测大都使用的是适用于实验室的局放检测系统,其获得的数据均是以实验室检测系统为基础,将数据直接用于模式识别等算法研究,如公开号CN103645425A专利文献公开的一种高压电缆绝缘缺陷局部放电在线监测诊断方法,公开号CN103197218A专利文献公开的一种高压电缆绝缘缺陷局放带电检测诊断方法,其结果无法直接准确应用于现场检测系统检测到的数据分析,因为两类系统硬件参数、软件数据结构均不相同,这也是之前先关研究无法达到较好应用效果的关键原因。为了解决此问题,本发明创新性提出了基于实验室数据的局放数字式输出系统,研究并设计局部放电信号输出系统,通过一系列的模拟局部放电脉冲信号,将实验室试验获得的局部放电的放电特性进行输出,从而能够获得更加丰富的局部放电数据信息,通过该系统将数据送到局放检测系统,并以此形成适合于现场检测系统用的数据库,进而进行适合现场环境下进行局部放电的检测、缺陷的模式识别、放电特征的学习。因此,本发明的技术方案对本领域技术人员来说是不容易想到和实现的。
与现有技术相比,本发明的有益效果如下:
本发明利用高压实验测量和数字式输出两种方式构建电缆缺陷局部放电数据,优化传统人工智能算法解决电缆局部放电诊断,能够有效解决目前现场电缆局部放电检测数据分析利用程度低下的问题。
1)采用数字可控的雪崩三极管级联电路产生一系列高幅值脉冲,研制出数字式局部放电信号特性输出系统,解决了丰富的电缆缺陷数据和干扰数据难以有效获取和适用于不同检测系统的难题;
2)通过计算数据相关性和K-Means聚类算法,实现局放数据的自验证、自约减、自增从,解决了局放数据库自更新的难题;
3)通过自适应稀疏约束机制和特征消除方法,实现了局放信号最优特征的智能提取,解决了传统算法中少数比较重要的特征变量被过滤、影响权重较小的特征被保留的问题;通过随机森林算法与深度神经网络相结合的方式,解决了电缆缺陷诊断算法准确度低的问题。
本发明通过提供数据服务和算法服务都可以产生明显的直接经济效益。除此之外,本发明的推广应用能够有效提升高压电缆或其他核心电力设备运行状态的准确诊断,预防电力设备故障的发生,避免因停电造成严重的经济损失以及因故障检修而投入的人力物力,间接效益显著。
本发明可以有效提高电缆的运行可靠性,保证电网的安全运行,为国民经济发展助力,同时由于电缆和用户侧直接关联的特点,电缆的可靠运行能够直接提升居民供电可靠性,带来较好的社会影响。同时,本发明能够有效提高电力设备现场诊断的智能化水平,为电网企业建立更好的公司形象,从而提高电网行业在社会上的影响力。
附图说明
图1是本发明实施例的结构框图;
图2是本发明实施例中高压电缆典型绝缘缺陷局放试验平台的结构示意图;
图3是本发明实施例中典型缺陷模型的原理图;
图4是本发明实施例中局放信号与特性输出系统的结构示意图;
图5是本发明实施例中高压电缆局部放电数据信息平台的结构连接框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
如图1、2、3、4、5所示,基于人工智能的高压电缆局放检测与缺陷诊断系统,包括高压电缆典型绝缘缺陷局放试验平台,局放信号与特性输出系统,高压电缆局部放电数据信息平台,以及基于深度学习的缺陷诊断单元;所述高压电缆典型绝缘缺陷局放试验平台的高压试验测量数据传输至所述局放信号与特性输出系统进行处理,生成的数字式输出测量数据与原始的高压试验测量数据共同传输至所述高压电缆局部放电数据信息平台进行分析、存储和管理,所述基于深度学习的缺陷诊断单元对所述高压电缆局部放电数据信息平台存储的数据进行特征提取,构建深度神经网络,对高压电缆局部放电进行智能诊断。
所述高压电缆典型绝缘缺陷局放试验平台包括调压器、无局部变压器、典型缺陷模型、PDcheck高频局放检测仪和计算机,所述调压器和无局放变压器控制所述典型缺陷模型上施加的工频电压,并使用PDCheck高频局放检测仪采集和处理数据,测试结果通过光纤传到所述计算机。
所述典型缺陷模型包括内部放电模型、针板放电模型、悬浮放电模型和沿面放电模型。电力电缆的绝缘故障包括本体和接头处绝缘缺陷,在电力电缆绝缘故障的主要原因中,电树枝是较常见的一种原因,气泡、杂质和金属毛刺等均可引起XLPE绝缘中电树枝的生成和发展,最终导致绝缘击穿。绝缘内存在微小气泡产生的局部放电,可用内部放电模型模拟;当金属屏蔽层或线芯存在毛刺时,由于尖端电场极不均匀产生放电,可用针板放电模型模拟;由于电缆附件制造质量、电缆敷设安装质量等原因,造成电缆接头内存在悬浮电极,引起局部放电,可用悬浮放电模型模拟;此外,电缆附件中橡胶与环氧分界面缺陷可用沿面放电模型模拟。因此,本发明首先模拟电缆故障设计了内部放电、针板放电、悬浮放电和沿面放电这四种典型放电模型,除此之外,为了获得与实际情况更加相符的测量数据,研究电力电缆局部放电特性,针对电缆绝缘的薄弱环节(电缆终端接头),本发明还在实际电缆终端接头上设置人造缺陷模型(无应力管、气隙、用错胶带、金属杂质等)。
所述局放信号与特性输出系统包括上位机、局放信号与特性输出控制单元和发射传感器,所述上位机将测量数据传输至所述局放信号与特性输出控制单元,所述局放信号与特性输出控制单元采用晶体三极管的雪崩效应进行脉冲电压的生成与模拟,通过级联雪崩电路的方式实现高幅值脉冲的输出,通过所述发射传感器输出信号。所述局放信号与特性输出控制单元包括单片机、脉冲模拟电路、幅值控制模块和相位控制模块,所述幅值控制模块利用数字电位器实现幅值控制,所述相位控制模块采用窗口比较器、过流检测器来实现相位控制。
所述高压电缆局部放电数据信息平台在高压试验测量数据和数字输出测量数据的基础上,采用客户端/服务器的开放式架构,实现对数据的统一存储与管理,目标识别调用数据库接口协议,通过对测试数据判别(自验证),分析计算不同数据相似度(自约简),最后根据判别和计算结果进行自动入库(自增长),最终构建出具备自验证、自约减、自增长架构的电缆局部放电数据库和干扰库。构建的初始电缆局部放电数据库样本量:局放10000余个、干扰样本5000余个。所述高压电缆局部放电数据信息平台包括数据预处理模块、特征提取模块、分类判决模块、模型训练模块、训练集合模块和目标识别数据库,所述数据预处理模块处理得到的特征信号经过所述特征提取模块提取出典型特征,然后经过所述分类判决模块得到判决结果写入所述目标识别数据库,并且特征信号和典型特征写入所述目标识别数据库;所述目标识别数据库通过所述训练集合模块和模型训练模块将写入的数据进行模型更新,并且传输至所述分类判决模块。
所述基于深度学习的缺陷诊断单元包括智能诊断算法模块,所述智能诊断算法模块首先利用卡方检验样本间关联程度后自助采用;其次引入自适应稀疏约束机制GroupLASSO优化特征的选择;再次设计随机森林特征消除算法(random forest featureelimination,RFFE)对数据特征进行降维处理;最后利用保留的特征对受限玻尔兹曼机(b0ltzmann machines,BM)进行训练,确定受限玻尔兹曼机的模型结构与权重,适用训练受限玻尔兹曼机的学习参数初始化一个多层神经网络,通过标准的后向传播方法训练多层神经网络,实现缺陷诊断。
本发明的实施方案技术路线:首先通过构建高压电缆典型绝缘缺陷局部放电实验平台和数字可控式局部放电信号与特性输出系统,通过高压实验测量并利用实验室高参数局放检测系统获得典型缺陷数据,但此数据如果直接用来进行模式识别,由于实验用检测系统和现场检测用系统并不一致,其并不适用于现场检测用局放测试系统,为解决此问题,研究数字式输出系统,通过该系统将实验室数据进行输出给现场检测用系统,形成典型绝缘缺陷数据;然后以获得的典型缺陷数据为基础,构建电缆局部放电数据信息平台;最后研究电缆缺陷诊断的人工智能算法,并在掌握的普遍规律、数据库、智能算法的基础上,开发高压电缆健康诊断软件。
在上述基础上,开发电缆健康状态评估软件,具体来说软件集成数据库和智能诊断算法模块,并根据掌握的一般规律能够实现对电缆健康状态的预测。软件系统可以导入现场检测数据,利用诊断算法对检测结果进行诊断,对电缆健康状态做出评估,与此同时,利用项目构建的数据库自增长算法,对新评测数据特性进行判别,实现检测数据的自动入库,不断丰富数据库,当数据库增长至一定程度时,软件系统重新以新的数据库为基础重新训练电缆局放智能诊断算法,实现算法的自学习和自更新。
本发明利用高压实验测量和数字式输出两种方式构建电缆缺陷局部放电数据,优化传统人工智能算法解决电缆局部放电诊断,能够有效解决目前现场电缆局部放电检测数据分析利用程度低下的问题。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.基于人工智能的高压电缆局放检测与缺陷诊断系统,其特征在于:包括高压电缆典型绝缘缺陷局放试验平台,局放信号与特性输出系统,高压电缆局部放电数据信息平台,以及基于深度学习的缺陷诊断单元;所述高压电缆典型绝缘缺陷局放试验平台的高压试验测量数据传输至所述局放信号与特性输出系统进行处理,生成的数字式输出测量数据与原始的高压试验测量数据共同传输至所述高压电缆局部放电数据信息平台进行分析、存储和管理,所述基于深度学习的缺陷诊断单元对所述高压电缆局部放电数据信息平台存储的数据进行特征提取,构建深度神经网络,对高压电缆局部放电进行智能诊断。
2.如权利要求1所述的基于人工智能的高压电缆局放检测与缺陷诊断系统,其特征在于:所述高压电缆典型绝缘缺陷局放试验平台包括调压器、无局部变压器、典型缺陷模型、PDcheck高频局放检测仪和计算机,所述调压器和无局放变压器控制所述典型缺陷模型上施加的工频电压,并使用PDCheck高频局放检测仪采集和处理数据,测试结果通过光纤传到所述计算机。
3.如权利要求1所述的基于人工智能的高压电缆局放检测与缺陷诊断系统,其特征在于:所述局放信号与特性输出系统包括上位机、局放信号与特性输出控制单元和发射传感器,所述上位机将测量数据传输至所述局放信号与特性输出控制单元,所述局放信号与特性输出控制单元采用晶体三极管的雪崩效应进行脉冲电压的生成与模拟,通过级联雪崩电路的方式实现高幅值脉冲的输出,通过所述发射传感器输出信号。
4.如权利要求1所述的基于人工智能的高压电缆局放检测与缺陷诊断系统,其特征在于:所述高压电缆局部放电数据信息平台在高压试验测量数据和数字输出测量数据的基础上,采用客户端/服务器的开放式架构,实现对数据的统一存储与管理,目标识别调用数据库接口协议,通过对测试数据判别,分析计算不同数据相似度,最后根据判别和计算结果进行自动入库,最终构建出具备自验证、自约减、自增长架构的电缆局部放电数据库和干扰库。
5.如权利要求1所述的基于人工智能的高压电缆局放检测与缺陷诊断系统,其特征在于:所述基于深度学习的缺陷诊断单元包括智能诊断算法模块,所述智能诊断算法模块首先利用卡方检验样本间关联程度后自助采用;其次引入自适应稀疏约束机制Group LASSO优化特征的选择;再次设计随机森林特征消除算法对数据特征进行降维处理;最后利用保留的特征对受限玻尔兹曼机进行训练,确定受限玻尔兹曼机的模型结构与权重,适用训练受限玻尔兹曼机的学习参数初始化一个多层神经网络,通过标准的后向传播方法训练多层神经网络,实现缺陷诊断。
6.如权利要求2所述的基于人工智能的高压电缆局放检测与缺陷诊断系统,其特征在于:所述典型缺陷模型包括内部放电模型、针板放电模型、悬浮放电模型和沿面放电模型。
7.如权利要求3所述的基于人工智能的高压电缆局放检测与缺陷诊断系统,其特征在于:所述局放信号与特性输出控制单元包括单片机、脉冲模拟电路、幅值控制模块和相位控制模块,所述幅值控制模块利用数字电位器实现幅值控制,所述相位控制模块采用窗口比较器、过流检测器来实现相位控制。
8.如权利要求4所述的基于人工智能的高压电缆局放检测与缺陷诊断系统,其特征在于:所述高压电缆局部放电数据信息平台包括数据预处理模块、特征提取模块、分类判决模块、模型训练模块、训练集合模块和目标识别数据库,所述数据预处理模块处理得到的特征信号经过所述特征提取模块提取出典型特征,然后经过所述分类判决模块得到判决结果写入所述目标识别数据库,并且特征信号和典型特征写入所述目标识别数据库;所述目标识别数据库通过所述训练集合模块和模型训练模块将写入的数据进行模型更新,并且传输至所述分类判决模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111451607.8A CN114089136B (zh) | 2021-12-01 | 2021-12-01 | 基于人工智能的高压电缆局放检测与缺陷诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111451607.8A CN114089136B (zh) | 2021-12-01 | 2021-12-01 | 基于人工智能的高压电缆局放检测与缺陷诊断系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114089136A true CN114089136A (zh) | 2022-02-25 |
CN114089136B CN114089136B (zh) | 2024-08-20 |
Family
ID=80306013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111451607.8A Active CN114089136B (zh) | 2021-12-01 | 2021-12-01 | 基于人工智能的高压电缆局放检测与缺陷诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114089136B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116400180A (zh) * | 2023-05-17 | 2023-07-07 | 国网北京市电力公司检修分公司 | 一种局部放电识别系统及方法 |
CN118209830A (zh) * | 2024-05-14 | 2024-06-18 | 山东博通节能科技有限公司 | 一种电缆局放异常智能监测方法及系统 |
JP7531036B2 (ja) | 2022-09-20 | 2024-08-08 | グアンジョウ パワー サプライ ビューロー オブ グァンドン パワー グリッド カンパニー リミテッド | 高圧ケーブル付属品損傷認識方法、システム、コンピュータ機器及び記憶媒体 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080215513A1 (en) * | 2000-08-07 | 2008-09-04 | Jason Aaron Edward Weston | Methods for feature selection in a learning machine |
CN102508135A (zh) * | 2011-11-23 | 2012-06-20 | 华南理工大学 | 一种基于云计算的电缆振荡波局部放电测量与定位系统 |
CN103454564A (zh) * | 2013-08-22 | 2013-12-18 | 江苏科技大学 | 高压开关柜局部放电检测系统及方法 |
CN106556781A (zh) * | 2016-11-10 | 2017-04-05 | 华乘电气科技(上海)股份有限公司 | 基于深度学习的局部放电缺陷图像诊断方法及系统 |
CN110569807A (zh) * | 2019-09-09 | 2019-12-13 | 深圳市迪米欧科技有限公司 | 面向复杂场景的多源目标跟踪方法 |
CN112001366A (zh) * | 2020-09-25 | 2020-11-27 | 北京百度网讯科技有限公司 | 模型训练方法、人脸识别方法、装置、设备和介质 |
US20210010839A1 (en) * | 2019-07-12 | 2021-01-14 | FlowCommand Inc. | Machine learning server-side flow measurement |
-
2021
- 2021-12-01 CN CN202111451607.8A patent/CN114089136B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080215513A1 (en) * | 2000-08-07 | 2008-09-04 | Jason Aaron Edward Weston | Methods for feature selection in a learning machine |
CN102508135A (zh) * | 2011-11-23 | 2012-06-20 | 华南理工大学 | 一种基于云计算的电缆振荡波局部放电测量与定位系统 |
CN103454564A (zh) * | 2013-08-22 | 2013-12-18 | 江苏科技大学 | 高压开关柜局部放电检测系统及方法 |
CN106556781A (zh) * | 2016-11-10 | 2017-04-05 | 华乘电气科技(上海)股份有限公司 | 基于深度学习的局部放电缺陷图像诊断方法及系统 |
US20210010839A1 (en) * | 2019-07-12 | 2021-01-14 | FlowCommand Inc. | Machine learning server-side flow measurement |
CN110569807A (zh) * | 2019-09-09 | 2019-12-13 | 深圳市迪米欧科技有限公司 | 面向复杂场景的多源目标跟踪方法 |
CN112001366A (zh) * | 2020-09-25 | 2020-11-27 | 北京百度网讯科技有限公司 | 模型训练方法、人脸识别方法、装置、设备和介质 |
Non-Patent Citations (2)
Title |
---|
姜有泉;黄良;王波;赵立进;吕黔苏;杨涛;吴建蓉;: "基于DGA和深度置信网络的变压器内部故障诊断", 武汉大学学报(工学版), no. 05, 1 October 2017 (2017-10-01) * |
郗晓光;何金;曹梦;陈荣;宋晓博;李苏雅;: "基于深度稀疏降噪自编码网络的局部放电模式识别", 电气自动化, no. 04, 30 July 2018 (2018-07-30) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7531036B2 (ja) | 2022-09-20 | 2024-08-08 | グアンジョウ パワー サプライ ビューロー オブ グァンドン パワー グリッド カンパニー リミテッド | 高圧ケーブル付属品損傷認識方法、システム、コンピュータ機器及び記憶媒体 |
CN116400180A (zh) * | 2023-05-17 | 2023-07-07 | 国网北京市电力公司检修分公司 | 一种局部放电识别系统及方法 |
CN116400180B (zh) * | 2023-05-17 | 2023-11-14 | 国网北京市电力公司检修分公司 | 一种局部放电识别系统及方法 |
CN118209830A (zh) * | 2024-05-14 | 2024-06-18 | 山东博通节能科技有限公司 | 一种电缆局放异常智能监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114089136B (zh) | 2024-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114089136B (zh) | 基于人工智能的高压电缆局放检测与缺陷诊断系统 | |
CN113124929A (zh) | 一种变电站多参数信号采集综合分析系统和方法 | |
CN110208022A (zh) | 基于机器学习的电力设备多特征音频指纹故障诊断方法及系统 | |
CN117668751B (zh) | 一种高低压电力系统故障诊断方法及装置 | |
CN114255784A (zh) | 一种基于声纹识别的变电站设备故障诊断方法及相关装置 | |
CN118130984B (zh) | 基于数据驱动的电缆局放故障实时监测方法 | |
CN113030723A (zh) | 一种交流异步电机状态监测系统 | |
CN111999614A (zh) | 一种面向高压开关柜的局部放电多源融合检测预警方法 | |
CN114757282A (zh) | 基于熵权法与随机森林模型的智能电表运行状态评估方法 | |
CN109285331B (zh) | 一种基于数据分析和温度预测的电力电缆温度预警系统 | |
CN117150418B (zh) | 基于状态特征故障树的变压器运检周期制定方法和系统 | |
CN118038295A (zh) | 输电线路缺陷实时在线识别系统 | |
CN116561707B (zh) | 一种变压器故障校验、预警方法及系统 | |
CN117452062A (zh) | 一种考虑运行负荷的台区线损率监测方法 | |
CN116840631A (zh) | 基于联合诊断模型的变压器局部放电监测与定位方法 | |
CN116244600A (zh) | 一种gis间歇性放电模式识别模型的构建方法、系统及设备 | |
CN109765878A (zh) | 新能源汽车can总线网络故障的辅助分析方法 | |
CN116108376A (zh) | 一种反窃电的监测系统、方法、电子设备及介质 | |
CN115438093A (zh) | 一种电力通信设备故障判断方法与检测系统 | |
CN116243230A (zh) | 一种电压互感器故障在线诊断方法 | |
CN114330413A (zh) | 牵引电机轴承的故障类型辨识及定位方法 | |
CN109917245B (zh) | 考虑相位差的超声检测局部放电信号模式识别方法 | |
CN118050600B (zh) | 基于分布式行波测量的配网故障定位系统 | |
CN117630594A (zh) | 变压器运行状态评价系统及方法 | |
CN118296061B (zh) | 电力数据的分析处理方法、系统、终端及存储介质 |
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 |