CN114200020A - 基于耦合超声的二次电缆线芯绝缘损伤识别方法 - Google Patents
基于耦合超声的二次电缆线芯绝缘损伤识别方法 Download PDFInfo
- Publication number
- CN114200020A CN114200020A CN202111300602.5A CN202111300602A CN114200020A CN 114200020 A CN114200020 A CN 114200020A CN 202111300602 A CN202111300602 A CN 202111300602A CN 114200020 A CN114200020 A CN 114200020A
- Authority
- CN
- China
- Prior art keywords
- fault
- defects
- secondary cable
- identifying
- insulation damage
- 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
- 238000009413 insulation Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000006378 damage Effects 0.000 title claims abstract description 18
- 238000002604 ultrasonography Methods 0.000 title claims abstract description 15
- 230000007547 defect Effects 0.000 claims abstract description 60
- 239000013598 vector Substances 0.000 claims abstract description 25
- 206010023204 Joint dislocation Diseases 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 8
- 238000001514 detection method Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000009412 basement excavation Methods 0.000 abstract 1
- 238000003745 diagnosis Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 3
- 238000002601 radiography Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 206010053615 Thermal burn Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4445—Classification of defects
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- 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)
- Testing Relating To Insulation (AREA)
Abstract
本发明提供一种基于耦合超声的二次电缆线芯绝缘损伤识别方法，包括以下步骤：从原始特征向量中提取故障特征；对故障特征进行分类识别；对缺陷进行定位；按照预先设定的每类缺陷的判断标准分别判断缺陷的严重程度；输出判断结果。本发明将会很好地解决现场检修时面临的电缆绝缘放电检测隐患的难题，可在电缆开挖处理后及时检测，从而提前发现隐患，杜绝隐患扩大为事故。该技术开发的智能检测工具适用于35kV及以上所有电压等级常规或智能变电站，具有很好的应用价值，在新建或技改工程中二次电缆施工作业，可推广至众多地方的供电局及省公司，应用前景广阔。
Description
技术领域
本发明涉及电网领域，尤其涉及一种基于耦合超声的二次电缆线芯绝缘损伤识别方法。
背景技术
二次电缆在施工过程中，难免有少量会受到不同程度的割伤、烫伤或损伤，且在验收中不易发现。在运行过程中，这些不同程度的损伤会导致直流系统绝缘降低，造成保护或开关拒动重大电力安全事故。在日常运行运维中，由于有电缆头包裹住，难以进行检查，通过绝缘试验也无法检测出。目前，在施工阶段由工作人员在电缆头制作之前进行逐一进行人工检查，工作量大、效率低，影响施工进度，且电缆数量庞大，准确性难以保证。以往，本领域广泛采用预防性试验来判断绝缘状况，这种传统方法存在检修周期长、耗费大量人力、物力以及检测结果不能有效表征绝缘状况等弊端，因此，传统的预防性试验已愈来愈不能满足生产实际需求。现阶段，电缆带电情况下，发生放电，或者由于临时施工，导致电缆发生肉眼无法察觉的损伤，需要带电情况下进行检测，现有的检测设备是无法发现这些故障隐患的，急需开发一种新技术来解决这些问题。
发明内容
本发明的目的是提供一种基于耦合超声的二次电缆线芯绝缘损伤识别方法，可以解决现有技术中无法通过带电情况对二次电缆进行缺陷识别的问题。
本发明的目的是通过以下技术方案实现的：
基于耦合超声的二次电缆线芯绝缘损伤识别方法，包括以下步骤：
步骤S1、从原始特征向量中提取故障特征；
步骤S2、对故障特征进行分类识别；
步骤S3、对缺陷进行定位；
步骤S4、按照预先设定的每类缺陷的判断标准分别判断缺陷的严重程度；
步骤S5、输出判断结果。
进一步的，所述从原始特征向量中提取故障特征包括：
步骤S101、对二次电缆施加一电压，采集的缺陷放电图谱，计算p个统计参数，形成p维向量，作为原始特征向量；
步骤S102、修改施加的电压值，再次执行步骤S101，重复n次，得到n个原始特征向量；
步骤S103、对n个原始特征向量进行标准化，然后计算特征矩阵，得到特征值和特征向量，进而计算方差贡献率与累计方差贡献率；
步骤S104、将累计方差贡献率按照从小到大的顺序排序，选取前m个作为故障特征。
进一步的，所述步骤S2采用K个两分类器来进行故障分类，K＝C2 m＝m(m-1)/2，其中m为故障特征的数量。
进一步的，所述故障特征的类型包括：尖刺缺陷、主绝缘的划伤缺陷和接头错位缺陷。
进一步的，设置每类故障特征的阈值，根据每类故障特征的阈值判断故障特征的严重程度。
本发明的基于耦合超声的二次电缆线芯绝缘损伤识别方法，将会很好的解决现场检修时面临的电缆绝缘放电检测隐患的难题，可在电缆开挖处理后及时检测，从而提前发现隐患，杜绝隐患扩大为事故。该技术开发的智能检测工具适用于35kV及以上所有电压等级常规或智能变电站，具有很好的应用价值，在新建或技改工程中二次电缆施工作业，可推广至众多地方的供电局及省公司，应用前景广阔。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的用多个两分类器对缺陷特征进行分类的过程；
图2为本发明的基于耦合超声的二次电缆线芯绝缘损伤识别方法的步骤图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，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，都属于本公开保护的范围。
按照二次电缆在施工过程中发生的故障情况，主要统计为三种类型故障尖刺缺陷、主绝缘划伤引起的气隙放电缺陷、接头错位引起的沿面放电。这里基于耦合超声测得的二次电缆线芯绝缘损伤图谱，开发图谱特征的识别方法。
缺陷诊断主要包括三个方面的内容:(1)缺陷识别；(2)缺陷定位；(3)缺陷严重程度的判断。
缺陷识别是开展故障诊断的第一步，目前国内外关于二次电缆故障诊断研究绝大部分处于缺陷识别阶段，然而缺陷定位是电缆故障诊断最关键的一步，也是最终问题解决的落脚点；缺陷严重程度的判断是对现场电缆附件缺陷诊断的目的所在。
本发明的基于耦合超声的二次电缆线芯绝缘损伤识别方法，包括以下步骤：
步骤S1、从原始特征向量中提取故障特征。
特征提取是指把p个特征通过一定的换算转换成m个新特征，且m＜p。通过特征提取，可以达到：(1)降低原有数据空间维数的目的，使后续分类器更容易设计；(2)消除原有特征数据之间的相关性，减少原始特征数据中的冗余信息，使新的特征更有利于分类。
进一步的，本发明采用主成分分析法对电缆典型缺陷超声信号进行特征提取。具体过程包括：
步骤S101、对二次电缆施加一电压，采集的缺陷放电图谱，计算包括参数均值、标准差、偏度、峰度、互相关系在内的p个统计参数，用(x1,x2,…xp)表示，形成p维向量，作为原始特征向量。
以p＝27举例说明：每种缺陷放电形成的终了横磁向量破坏型梯度回讯造影、稳定态自由旋进造影、平衡梯度磁场稳定态自由旋进造影三种谱图中，计算求得参数均值、标准差、偏度、峰度、互相关系数等27个统计参数(用x1,x2,…x27表示)，形成27维向量，并将此作为原始特征向量。27维特性向量的表如下
表1所示：
表1
步骤S102、修改施加的电压值，再次执行步骤S101，重复n次，得到n个原始特征向量。
按照步骤S101方法，对多次放电谱图进行原始特征向量提取，最终同一缺陷在不同外加电压下形成多个27维特性向量。
步骤S103、对n个原始特征向量进行标准化，然后计算特征矩阵，得到特征值和特征向量，进而计算方差贡献率与累计方差贡献率。
具体为上述27个维特性向量，按照信息量的大小，进行方差计算，以信息量实行标准化，且信息特征保持彼此不相关：方差F＝a11X1+a12X2+a13X3+a14X4+a15X5+a16X6+a17X7……+a1pXp。其中，a11……a1p表示故障信息离标准信息的偏离量。
步骤S104、将累计方差贡献率按照从小到大的顺序排序，选取前m个作为故障特征。
用数据表示的话：最终按照累计方差贡献率大于80％的原则，选定了6个主成分，其累计方差贡献率为86.67％。这样就将特征维数由27变成了6，可见经过基于主成分分析的特征提取后，特征的维数大大降低。
步骤S2、对故障特征进行分类识别。
对于二次电缆故障故障诊断来说，如果采用二分类的方法具有很大的局限性，二分类就是简单地判断电缆主绝缘及其附件有无缺陷。然而要对缺陷情况进行全面的诊断，二分类显然不能满足要求，缺陷严重程度的判别、故障类型的判断等就是典型的多值分类问题。需要设计多分类算法。多分类算法有两种：
1、将基本的两类特征值扩展为多分类特征值，使最终特征值数据函数本身成为解决多分类问题的分类器。
2、将多分类变换为两分类，即用多个两分类器组成一个多分类器。显然第二种是比较合适的，将多分类转换为两分类，然后在任意两类之间构造最优分类面，最终达到将m个类别两两分开的目的。基于此思想，该算法共需要构造K＝C2 m＝m(m-1)/2个训练集，继而得到K个分类器。用该算法对m个类别进行分类时，所构造的分类器都要对任意一个样本的类别进行判断，并为相应的类别投一票，最后该未知样本被归类到票数最多的一类，这种方法也称为投票决策法。本发明包括3个故障类型：尖刺缺陷、主绝缘的划伤缺陷和接头错位缺陷，因此按照缺陷类型合理设置分类器的个数。
举例说明：如图1所示，按照分类器，非4(没有特征向量集4)的划分1类，非1的划分一类，就可将函数划分为两类，非4的又可以按照非3和非1的进行划分，如此就可以形成具体的特征分类识别。
步骤S3、对缺陷进行定位。
经过步骤S2的分类识别后，就需要对缺陷进行定位。具体的定位方法是：按照耦合超声放电的脉冲与时间进行计算，比如识别的故障放电特征，复制为8，相位为270°，脉冲频次为1700次，脉冲步频为0.02秒，脉冲的传播速度为340米每秒，则可计算出缺陷的准确位置。
步骤S4、按照预先设定的每类缺陷的判断标准分别判断缺陷的严重程度。
这里采用阈值分割的方法，经过步骤S2后就可将缺陷划分为不同的类型。每种类型的缺陷按照不同的标准来进行判断严重程度，比如：
(1)按照尖刺缺陷特征的严重程度划分，脉冲正半周大于负半周幅值超过1.3的，同时正半周峰值不小于7.5V的为严重缺陷，脉冲正半周大于负半周幅值超过1.6的，同时正半周峰值高于峰值高于(含)5.8且小于7.5的为普通缺陷。脉冲正半周大于负半周幅值超过1.4的且小于1.6的，同时正半周峰值高于峰值高于5.5，且小于5.8的为普通缺陷。
(2)主绝缘的划伤缺陷按照相位阈值进行划分，持续半周相位值大于等于7.7的为严重缺陷，持续半周相位值5.9≤x<7.7的为普通缺陷，持续半周相位值5.5<x<5.9。
(3)接头错位缺陷按照放电次数进行阈值划分，放电次数大于等于370的划分为严重缺陷，放电次数大于等于270小于370的为普通缺陷，大于200小于270的为一般曲线。
步骤S5、输出判断结果。
以上仅为说明本发明的实施方式，并不用于限制本发明，对于本领域的技术人员来说，凡在本发明的精神和原则之内，不经过创造性劳动所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.基于耦合超声的二次电缆线芯绝缘损伤识别方法，其特征在于，包括以下步骤：
步骤S1、从原始特征向量中提取故障特征；
步骤S2、对故障特征进行分类识别；
步骤S3、对缺陷进行定位；
步骤S4、按照预先设定的每类缺陷的判断标准分别判断缺陷的严重程度；
步骤S5、输出判断结果。
2.根据权利要求1所述的基于耦合超声的二次电缆线芯绝缘损伤识别方法，其特征在于，所述从原始特征向量中提取故障特征包括：
步骤S101、对二次电缆施加一电压，采集的缺陷放电图谱，计算p个统计参数，形成p维向量，作为原始特征向量；
步骤S102、修改施加的电压值，再次执行步骤S101，重复n次，得到n个原始特征向量；
步骤S103、对n个原始特征向量进行标准化，然后计算特征矩阵，得到特征值和特征向量，进而计算方差贡献率与累计方差贡献率；
步骤S104、将累计方差贡献率按照从小到大的顺序排序，选取前m个作为故障特征。
3.根据权利要求1所述的基于耦合超声的二次电缆线芯绝缘损伤识别方法，其特征在于，所述步骤S2采用K个两分类器来进行故障分类，K＝C2 m＝m(m-1)/2，其中m为故障特征的数量。
4.根据权利要求3所述的基于耦合超声的二次电缆线芯绝缘损伤识别方法，其特征在于，所述故障特征的类型包括：尖刺缺陷、主绝缘的划伤缺陷和接头错位缺陷。
5.根据权利要求4所述的基于耦合超声的二次电缆线芯绝缘损伤识别方法，其特征在于，设置每类故障特征的阈值，根据每类故障特征的阈值判断故障特征的严重程度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111300602.5A CN114200020A (zh) | 2021-11-04 | 2021-11-04 | 基于耦合超声的二次电缆线芯绝缘损伤识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111300602.5A CN114200020A (zh) | 2021-11-04 | 2021-11-04 | 基于耦合超声的二次电缆线芯绝缘损伤识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114200020A true CN114200020A (zh) | 2022-03-18 |
Family
ID=80646799
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111300602.5A Pending CN114200020A (zh) | 2021-11-04 | 2021-11-04 | 基于耦合超声的二次电缆线芯绝缘损伤识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114200020A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114627114A (zh) * | 2022-05-12 | 2022-06-14 | 成都数联云算科技有限公司 | 产品缺陷严重程度测量方法及系统及装置及介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101650404A (zh) * | 2009-09-18 | 2010-02-17 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种高压超高压电缆电缆附件施工缺陷检测识别方法 |
| WO2015070513A1 (zh) * | 2013-11-14 | 2015-05-21 | 国家电网公司 | 一种三相共筒式超高压gis局部放电的模式识别方法 |
| CN105975756A (zh) * | 2016-04-28 | 2016-09-28 | 彩虹无线（北京）新技术有限公司 | 一种基于车辆行驶数据的急转弯行为识别方法 |
| CN106127594A (zh) * | 2016-06-30 | 2016-11-16 | 武汉斗鱼网络科技有限公司 | 基于主成分分析的用户房间兴趣度计算方法及系统 |
| CN108051711A (zh) * | 2017-12-05 | 2018-05-18 | 国网浙江省电力公司检修分公司 | 基于状态特征映射的固体绝缘表面缺陷诊断方法 |
| CN111308288A (zh) * | 2020-03-06 | 2020-06-19 | 西南交通大学 | 一种油纸绝缘局部放电发展阶段的判断方法 |
| CN112801135A (zh) * | 2020-12-31 | 2021-05-14 | 浙江浙能镇海发电有限责任公司 | 一种基于特征量相关性的发电厂厂用电系统故障选线方法及设备 |
-
2021
- 2021-11-04 CN CN202111300602.5A patent/CN114200020A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101650404A (zh) * | 2009-09-18 | 2010-02-17 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种高压超高压电缆电缆附件施工缺陷检测识别方法 |
| WO2015070513A1 (zh) * | 2013-11-14 | 2015-05-21 | 国家电网公司 | 一种三相共筒式超高压gis局部放电的模式识别方法 |
| CN105975756A (zh) * | 2016-04-28 | 2016-09-28 | 彩虹无线（北京）新技术有限公司 | 一种基于车辆行驶数据的急转弯行为识别方法 |
| CN106127594A (zh) * | 2016-06-30 | 2016-11-16 | 武汉斗鱼网络科技有限公司 | 基于主成分分析的用户房间兴趣度计算方法及系统 |
| CN108051711A (zh) * | 2017-12-05 | 2018-05-18 | 国网浙江省电力公司检修分公司 | 基于状态特征映射的固体绝缘表面缺陷诊断方法 |
| CN111308288A (zh) * | 2020-03-06 | 2020-06-19 | 西南交通大学 | 一种油纸绝缘局部放电发展阶段的判断方法 |
| CN112801135A (zh) * | 2020-12-31 | 2021-05-14 | 浙江浙能镇海发电有限责任公司 | 一种基于特征量相关性的发电厂厂用电系统故障选线方法及设备 |
Non-Patent Citations (1)
| Title |
|---|
| 杜浩等: "交流电压下交联聚乙烯电缆典型缺陷局部放电特性研究", 《高压电器》, 1 December 2020 (2020-12-01), pages 164 - 170 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114627114A (zh) * | 2022-05-12 | 2022-06-14 | 成都数联云算科技有限公司 | 产品缺陷严重程度测量方法及系统及装置及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108957251B (zh) | 一种电缆接头局部放电模式识别方法 | |
| CN106934421B (zh) | 基于2dpca及svm的电力变压器故障检测方法 | |
| CN106780121B (zh) | 一种基于用电负荷模式分析的用电异常识别方法 | |
| Wijayakulasooriya et al. | Electric power quality disturbance classification using self-adapting artificial neural networks | |
| CN108304567B (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
| CN103323755A (zh) | Gis特高频局部放电信号识别方法及系统 | |
| CN103645249A (zh) | 基于精简集下采样不均衡svm变压器在线故障检测方法 | |
| CN107491783B (zh) | 基于改进密度峰值聚类算法的变压器故障类型分类方法 | |
| CN105403777B (zh) | 复合绝缘子老化状态分级及判别方法 | |
| CN110738232A (zh) | 一种基于数据挖掘技术的电网电压越限成因诊断方法 | |
| CN115600088A (zh) | 一种基于振动信号的配电变压器故障诊断方法 | |
| Chang et al. | Application of fuzzy entropy to improve feature selection for defect recognition using support vector machine in high voltage cable joints | |
| CN114200020A (zh) | 基于耦合超声的二次电缆线芯绝缘损伤识别方法 | |
| CN110212503B (zh) | 一种适用于小电阻接地系统的高阻接地保护方法 | |
| CN107578016B (zh) | 一种基于稀疏表示的剩余电流波形自动识别方法 | |
| Kiitam et al. | Characteristic pulse pattern features of different types of partial discharge sources in power cables | |
| CN112132226A (zh) | 一种±1100kV复合绝缘子缺陷诊断方法 | |
| CN110132566B (zh) | 一种基于模糊聚类的oltc故障诊断方法 | |
| CN113514742B (zh) | 一种gis局部放电严重程度的评估方法、系统和介质 | |
| CN109917245B (zh) | 考虑相位差的超声检测局部放电信号模式识别方法 | |
| CN114124156A (zh) | 一种基于拓扑感知的载波通信故障检测方法 | |
| CN112598152A (zh) | 基于改进仿射传播聚类的高压断路器故障诊断方法 | |
| CN112329628A (zh) | 换流变压器振动信号多特征融合的特征提取方法及装置 | |
| Kumar et al. | A Comparative Classification Study for Broken Rotor Bar Fault and its Severity Analysis using Machine Learning Approaches in Rotating Machines | |
| Fei et al. | Classification and recognition of voltage sags based on KFCM—SVM |
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 |