CN114358092A - 一种电容式电压互感器内绝缘性能在线诊断方法及系统 - Google Patents
一种电容式电压互感器内绝缘性能在线诊断方法及系统 Download PDFInfo
- Publication number
- CN114358092A CN114358092A CN202210232791.5A CN202210232791A CN114358092A CN 114358092 A CN114358092 A CN 114358092A CN 202210232791 A CN202210232791 A CN 202210232791A CN 114358092 A CN114358092 A CN 114358092A
- Authority
- CN
- China
- Prior art keywords
- cvt
- model
- internal insulation
- virtual
- sample
- 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
- 238000009421 internal insulation Methods 0.000 title claims abstract description 78
- 238000003745 diagnosis Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000003990 capacitor Substances 0.000 title claims abstract description 17
- 238000009826 distribution Methods 0.000 claims abstract description 47
- 230000008569 process Effects 0.000 claims abstract description 24
- 238000009413 insulation Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 20
- 230000015556 catabolic process Effects 0.000 claims abstract description 16
- 238000006731 degradation reaction Methods 0.000 claims abstract description 16
- 239000000203 mixture Substances 0.000 claims abstract description 16
- 230000007246 mechanism Effects 0.000 claims abstract description 9
- 206010008138 Cerebral venous thrombosis Diseases 0.000 claims abstract 29
- 238000004590 computer program Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 17
- 230000016507 interphase Effects 0.000 description 8
- 150000001875 compounds Chemical class 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 235000006629 Prosopis spicigera Nutrition 0.000 description 1
- 240000000037 Prosopis spicigera Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005350 ferromagnetic resonance Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000005291 magnetic effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Landscapes
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明提供一种电容式电压互感器内绝缘性能在线诊断方法及系统，包括：建立CVT诊断模型的源域数据集和目标域数据集，并确定CVT数据中的个性特征和共性特征；根据CVT内绝缘性能劣化机理，提取内绝缘故障CVT的相关参量作为共性特征；通过狄利克雷过程高斯混合模型估计共性特征分布模型；构建内绝缘故障虚拟CVT生成模型生成内绝缘故障虚拟CVT样本；基于图生成器平衡目标域中正常状态CVT样本与虚拟CVT样本的数量，通过训练图卷积网络识别器区分平衡网络上的节点，得到故障诊断模型；通过故障诊断模型对待测CVT样本进行内绝缘故障诊断。通过该方案可以降低样本数据需求，基于生成的虚拟样本实现对故障诊断模型的构建，可以有效保障故障诊断模型的识别准确率。
Description
技术领域
本发明属于电力设备状态评估领域，尤其涉及一种电容式电压互感器内绝缘性能在线诊断方法及系统。
背景技术
CVT（电容式电压互感器）相较于传统电磁式互感器具有抗铁磁谐振能力强，制造成本低，体积小，重量轻等特点，因此被广泛应用于110kV及以上的高压线路中。然而因为CVT内部结构复杂，运行状态易受环境因素影响，在长期运行过程中容易出现误差超差及绝缘性能劣化等异常状态，从而影响电能计量的准确性及电力系统的安全性。
对于CVT的内绝缘性能分析，目前主要有直接接入法、自激法及在线评估法。基于数字电桥的直接接入法及自激法需要对互感器进行离线检测，工作量大且具有一定的风险性；在线评估法通过采用大数据的分析方法对CVT电参量进行深入挖掘，在无需停电、无需其他硬件设备的条件下实现对互感器内绝缘性能的状态判断，是智能电网监测技术发展的必然方向。现有的CVT内绝缘故障诊断方法在具备故障数据的条件下能取得较好效果，但由于实际应用中往往仅含正常的样本数据，样本数据有限，难以构建识别准确率较高的诊断模型。
发明内容
有鉴于此，本发明实施例提供了一种电容式电压互感器内绝缘性能在线诊断方法及系统，用于解决现有CVT内绝缘故障诊断方法需要故障样本数据，难以构建较高准确率的诊断模型的问题。
在本发明实施例的第一方面，提供了一种电容式电压互感器内绝缘性能在线诊断方法，包括：
分别建立CVT诊断模型的源域数据集和目标域数据集，所述源域数据集为各种内绝缘性能劣化类型的CVT样本空间，所述目标域数据集包括正常的CVT样本空间和未知状态的待测CVT样本空间；
基于设备个性化虚拟故障样本，将CVT输出数据中的电压信号作为个性特征，CVT自身的计量误差信息作为共性特征；
根据CVT内绝缘性能劣化机理，提取内绝缘故障CVT的相关参量作为共性特征；
通过狄利克雷过程高斯混合模型估计共性特征分布模型；
基于目标域正常CVT样本数据及共性特征分布模型得到自适应内绝缘故障虚拟CVT生成模型，并基于内绝缘故障虚拟CVT生成模型生成内绝缘故障虚拟CVT样本；
基于图生成器平衡调整目标域中正常状态CVT样本与内绝缘故障虚拟CVT生成模型生成的虚拟CVT样本的数量，通过训练图卷积网络识别器区分平衡网络上的节点，得到故障诊断模型；
通过故障诊断模型对目标域中的待测CVT样本数据进行内绝缘故障诊断。
在本发明实施例的第二方面，提供了一种用于电容式电压互感器内绝缘性能在线诊断系统，包括：
数据集构建模块，用于分别建立CVT诊断模型的源域数据集和目标域数据集，所述源域数据集为各种内绝缘性能劣化类型的CVT样本空间，所述目标域数据集包括正常的CVT样本空间和未知状态的待测CVT样本空间；
特征确定模块，用于基于设备个性化虚拟故障样本，将CVT输出数据中的电压信号作为个性特征，CVT自身的计量误差信息作为共性特征；
共性特征提取模块，用于根据CVT内绝缘性能劣化机理，提取内绝缘故障CVT的相关参量作为共性特征；
特征分布估计模块，用于通过狄利克雷过程高斯混合模型估计共性特征分布模型；
虚拟样本生成模块，用于基于目标域正常CVT样本数据及共性特征分布模型得到自适应内绝缘故障虚拟CVT生成模型，并基于内绝缘故障虚拟CVT生成模型生成内绝缘故障虚拟CVT样本；
模型训练模块，用于基于图生成器平衡调整目标域中正常状态CVT样本与内绝缘故障虚拟CVT生成模型生成的虚拟CVT样本的数量，通过训练图卷积网络识别器区分平衡网络上的节点，得到故障诊断模型；
故障诊断模块，用于通过故障诊断模型对目标域中的待测CVT样本数据进行内绝缘故障诊断。
在本发明实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如本发明实施例第一方面所述方法的步骤。
在本发明实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例第一方面提供的所述方法的步骤。
本发明实施例中，基于原始特征空间到新的特征空间的映射，分别构建源域数据集和目标域数据集，根据CVT内绝缘性能劣化机理，提取相关参量作为共性特征，估计共性特征分布后，通过建立的内绝缘故障虚拟CVT生成模型生成内绝缘故障虚拟CVT样本，利用图生成器（GraphGenerator）模拟少数类节点的属性分布和网络拓扑结构分布，平衡不同类中的节点数，从而提高模型诊断的准确度，采用图卷积网络（GCN）对图生成器生产的平衡网络进行训练，从而得到识别准确率较高的故障诊断模型，降低了对实际故障样本数据的需求，基于生成的虚拟样本进行模型训练，可以有效提高CVT设备故障诊断的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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介绍，显而易见地，下面描述的附图仅仅是本发明的一些实施例，对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取其他附图。
图1为本发明一个实施例提供的一种电容式电压互感器内绝缘性能在线诊断方法的流程示意图；
图2为本发明一个实施例提供的一种电容式电压互感器内绝缘性能在线诊断系统的结构示意图；
图3为本发明的一个实施例提供的一种电子设备的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
应当理解，本发明的说明书或权利要求书及上述附图中的术语“包括”以及其他相近意思表述，意指覆盖不排他的包含，如包含一系列步骤或单元的过程、方法或系统、设备没有限定于已列出的步骤或单元。此外，“第一”“第二”用于区分不同对象，并非用于描述特定顺序。
请参阅图1，为本发明实施例提供的一种电容式电压互感器内绝缘性能在线诊断方法的流程示意图，包括：
S101、分别建立CVT诊断模型的源域数据集和目标域数据集，所述源域数据集为各种内绝缘性能劣化类型的CVT样本空间，所述目标域数据集包括正常的CVT样本空间和未知状态的待测CVT样本空间；
在迁移学习中，一般由源域表示已有的知识，目标域则表示需要学习的知识，源域与目标域样本在对应的子空间存在相接近的特征表达。
给定一个有标记的源域
和一个无标记的目标域
，假设两者特征空间相同，即
，并且类别空间也相同，即
以及条件概率分布也相同，即
。但是这两个域的边缘分
布不同，即
。迁移学习的目标就是，利用有标记的数据
去学习一个分
类器
来预测目标域
的标签
。
具体的，将源域数据集记为：
；
式中，
为源域CVT样本数据，
为源域样本的状态标签，
为
样本总数，
为
状态标签总数。
目标域中正常CVT样本空间为：
；
式中，
为
样本总数。
目标域中未知状态CVT样本空间为：
;
对于y s 和y t 应有：
;
式中，n t 为D t 样本总数，mt为Dt 状态标签总数。
基于源域数据集D s 和目标域正常数据集
,识别目标域未知样本数据所属状态
标签。
S102、基于设备个性化虚拟故障样本，将CVT输出数据中的电压信号作为个性特征，CVT自身的计量误差信息作为共性特征；
所述设备个性化虚拟故障样本即CVT设备自身独特的虚拟故障样本，根据虚拟故障样本原理可以确定个性特征和共性特征。
CVT输出数据包含有电压信息和CVT自身的计量误差信息，其中，电压信号可以作为个性化特征，计量误差可以作为共性特征。
S103、根据CVT内绝缘性能劣化机理，提取内绝缘故障CVT的相关参量作为共性特征；
在长期运行过程中，CVT 的中间变压器绝缘性能稳定，而分压电容器易受温湿度、局部放电以及一次过电压等多种因素影响可能出现内绝缘性能劣化，使得CVT 的计量误差状态出现异常。由CVT输出电压数据分布特征可知，CVT输出数据包含完整的一次电压信息和CVT自身的计量误差信息，其中CVT计量误差信息远小于一次电压信息，且随机波动的一次电压使得CVT输出电压的幅值、相位数据均不具有稳定的时域分布特征，无法直接从中提取CVT的计量误差状态信息。
另一方面，变电站内多组CVT之间的电气物理相关性决定了CVT群体的一次电压之间存在稳定的相关性，此类相关性不受CVT一次电压波动影响。基于CVT群体的输出电压数据，可构建多组描述CVT群体一次电压组间、相间相关性的特征参量，特征参量不受一次电压波动影响，其变化量可反映相关CVT的计量误差状态变化。
其中，所述相关参量即为相间不平衡参量、相间相位差参量、组间幅值比参量及组
间相位差参量。在CVT群体之间的电气物理相关性的基础上，提取内绝缘故障CVT的相间不
平衡参量
、相间相位差参量
、组间幅值比参量
及组间相位差参量
作为共性特征，A、B、C表示CVT的相。
具体的，CVT输出二次信号相间不平衡参量组为：
CVT相间相位差参量组为：
CVT组间幅值比参量组为：
CVT组间幅值比参量组为：
S104、通过狄利克雷过程高斯混合模型估计共性特征分布模型；
狄利克雷过程高斯混合模型(DPGMM)是一种非参数贝叶斯模型，可以从混合样本数据中推断出共性特征的分布。
将共性特征向量表示为
，
服从K 1 、K 2 、K 3 、K 4 组
成的联合概率分布：
，其中，
，
，
，
。
在源域数据充足的理想情况下，目标域共性参数向量分布
应属于源域共性
参数向量分布
的子集，即
，因此可以将源域数据的共性参数向量用于建立
目标域的MCGM。
具体的，采用DPGMM算法对共性特征参数服从的分布进行估计，并通过最大期望算法进行参数估计，得到共性特征分布模型。
对内绝缘故障j的任一数据
和任一正常数据
，可计算得到共性参数向
量：
则
组内故障数据与
组正常数据形成共性参数向量集合为：
对
的分布进行估计得到共性参数分布模型。考虑对
的分布进行估计得到共
性参数分布模型
。考虑到狄利克雷过程高斯混合模型(Dirichlet Process Gaussian
Mixture Model)能够拟合任何数据的分布并依据数据自动确定子成分数的优势。且设备在
出现相同故障时，其特定频率成分的频域分布存在一定的聚类性。因此采用DPGMM可以对共
性参数服从的分布进行估计，采用最大期望(Expectation Maximum，EM)算法进行参数估
计。
S105、基于目标域正常CVT样本数据及共性特征分布模型得到自适应内绝缘故障虚拟CVT生成模型，并基于内绝缘故障虚拟CVT生成模型生成内绝缘故障虚拟CVT样本；
对包含CVT个性特征的正常CVT数据添加共性特征即可生产相应内绝缘故障的个性化虚拟样本，基于该原理可得到内绝缘故障虚拟CVT生成模型，所述内绝缘故障虚拟CVT生成模型可用于生成虚拟CVT样本。
S106、基于图生成器平衡调整目标域中正常状态CVT样本与内绝缘故障虚拟CVT生成模型生成的虚拟CVT样本的数量，通过训练图卷积网络识别器区分平衡网络上的节点，得到故障诊断模型；
所述图生成器用于平衡数据集中不平衡数据，以便通过平衡后的数据集对图卷积神经网络进行训练。图生成器可生成平衡网络上的节点，识别器可区分平衡网络上的真实节点和虚拟节点，训练图卷积网络即可得到故障诊断模型。
其中，图生成器的损失函数为：
式中，L 1 表示迷惑判别器损失函数，用于迷惑判别器，使判别器无法区分是假的少
数节点；L 2 表示迷惑判别器损失函数，用于使判别器无法区分是少数节点还是多数节点；L 3
表示距离损失函数，用于使假节点的特征与真实节点充分接近；L 4 是正则损失函数，用于训
练权重
和正则化系数
。
式中，n g 表示生成少数节点的数量，q i 表示真实节点的标签,
表示逻辑，
表示
嵌入节点，nmin表示真实少数节点的数量。
所述平衡网络即在网络拓扑中，每个节点都有其自身的类别标签，若每类节点数量相等，则该网络为平衡网络。在平衡网络上识别真节点和假节点以及多数类节点和少数类节点的区分，并训练处内绝缘诊断模型。
图卷积神经网络的损失函数为：
式中，
表示交叉熵损失函数，用于辨析真节点和假节点；
表示交叉熵损失函
数，用于辨析主要节点和少数节点；
表示距离损失函数，用于判别不同类节点距离；
是
正则损失函数，用于训练权重
和正则化系数
。
S107、通过故障诊断模型对目标域中的待测CVT样本数据进行内绝缘故障诊断。
所述故障诊断模型用于对待测CVT样本进行识别，诊断内绝缘故障类型。
本实施例中，采用自适应领域，实现源领域和目标领域的CVT数据从原始特征空间映射到新的特征空间中去，可以训练得到内绝缘故障诊断模型，能够高精度诊断待测CVT的内绝缘故障类型；利用图生成器模拟少数类节点的属性分布和网络拓扑结构分布，从而平衡不同类中的节点数，从而提高模型的准确度；采用图卷积网络（GCN）对图生成器生产的平衡网络进行训练，由此得到识别准确度较高的内绝缘诊断模型，无需大量采集虚拟故障样本数据。
应理解，上述实施例中各步骤的序号大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图2为本发明实施例提供的一种电容式电压互感器内绝缘性能在线诊断系统的结构示意图，该系统包括：
数据集构建模块210，用于分别建立CVT诊断模型的源域数据集和目标域数据集，所述源域数据集为各种内绝缘性能劣化类型的CVT样本空间，所述目标域数据集包括正常的CVT样本空间和未知状态的待测CVT样本空间；
特征确定模块220，用于基于设备个性化虚拟故障样本，将CVT输出数据中的电压信号作为个性特征，CVT自身的计量误差信息作为共性特征；
共性特征提取模块230，用于根据CVT内绝缘性能劣化机理，提取内绝缘故障CVT的相关参量作为共性特征；
其中，所述共性参量包括相间不平衡参量、相间相位差参量、组间幅值比参量及组间相位差参量。
特征分布估计模块240，用于通过狄利克雷过程高斯混合模型估计共性特征分布模型；
虚拟样本生成模块250，用于基于目标域正常CVT样本数据及共性特征分布模型得到自适应内绝缘故障虚拟CVT生成模型，并基于内绝缘故障虚拟CVT生成模型生成内绝缘故障虚拟CVT样本；
模型训练模块260，用于基于图生成器平衡调整目标域中正常状态CVT样本与内绝缘故障虚拟CVT生成模型生成的虚拟CVT样本的数量，通过训练图卷积网络识别器区分平衡网络上的节点，得到故障诊断模型；
故障诊断模块270，用于通过故障诊断模型对目标域中的待测CVT样本数据进行内绝缘故障诊断。
所述领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和模块的具体工作过程可以参考前述方法实施例中对应的过程，在此不再赘述。
图3是本发明一实施例提供的一种电子设备的结构示意图。所述电子设备用于电容式电压互感器内绝缘性能的在线诊断。如图3所示，该实施例的电子设备3包括：存储器310、处理器320以及系统总线330，所述存储器310包括存储其上的可运行的程序3101，本领域技术人员可以理解，图3中示出的电子设备结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
下面结合图3对电子设备的各个构成部件进行具体的介绍：
存储器310可用于存储软件程序以及模块，处理器320通过运行存储在存储器310的软件程序以及模块，从而执行电子设备的各种功能应用以及数据处理。存储器310可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据电子设备的使用所创建的数据（比如缓存数据）等。此外，存储器310可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在存储器310上包含网络请求方法的可运行程序3101，所述可运行程序3101可以被分割成一个或多个模块/单元，所述一个或多个模块/单元被存储在所述存储器310中，并由处理器320执行，以实现CVT内绝缘性能的在线诊断等，所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序3101在所述电子设备3中的执行过程。例如，所述计算机程序3101可以被分割为数据集构建模块、共性特征提取模块、特征分布估计模块、虚拟样本生成模块、模型训练模块和故障诊断模块等。
处理器320是电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器310内的软件程序和/或模块，以及调用存储在存储器310内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体状态监控。可选的，处理器320可包括一个或多个处理单元；优选的，处理器320可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器320中。
系统总线330是用来连接计算机内部各功能部件，可以传送数据信息、地址信息、控制信息，其种类可以是例如PCI总线、ISA总线、VESA总线等。处理器320的指令通过总线传递至存储器310，存储器310反馈数据给处理器320，系统总线330负责处理器320与存储器310之间的数据、指令交互。当然系统总线330还可以接入其他设备，例如网络接口、显示设备等。
在本发明实施例中，该电子设备所包括的处理器320执行的可运行程序包括：
分别建立CVT诊断模型的源域数据集和目标域数据集，所述源域数据集为各种内绝缘性能劣化类型的CVT样本空间，所述目标域数据集包括正常的CVT样本空间和未知状态的待测CVT样本空间；
基于设备个性化虚拟故障样本，将CVT输出数据中的电压信号作为个性特征，CVT自身的计量误差信息作为共性特征；
根据CVT内绝缘性能劣化机理，提取内绝缘故障CVT的相关参量作为共性特征；
通过狄利克雷过程高斯混合模型估计共性特征分布模型；
基于目标域正常CVT样本数据及共性特征分布模型得到自适应内绝缘故障虚拟CVT生成模型，并基于内绝缘故障虚拟CVT生成模型生成内绝缘故障虚拟CVT样本；
基于图生成器平衡调整目标域中正常状态CVT样本与内绝缘故障虚拟CVT生成模型生成的虚拟CVT样本的数量，通过训练图卷积网络识别器区分平衡网络上的节点，得到故障诊断模型；
通过故障诊断模型对目标域中的待测CVT样本数据进行内绝缘故障诊断。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种电容式电压互感器内绝缘性能在线诊断方法，其特征在于，包括：
分别建立CVT诊断模型的源域数据集和目标域数据集，所述源域数据集为各种内绝缘性能劣化类型的CVT样本空间，所述目标域数据集包括正常的CVT样本空间和未知状态的待测CVT样本空间；
基于设备个性化虚拟故障样本，将CVT输出数据中的电压信号作为个性特征，CVT自身的计量误差信息作为共性特征；
根据CVT内绝缘性能劣化机理，提取内绝缘故障CVT的相关参量作为共性特征；
通过狄利克雷过程高斯混合模型估计共性特征分布模型；
基于目标域正常CVT样本数据及共性特征分布模型得到自适应内绝缘故障虚拟CVT生成模型，并基于内绝缘故障虚拟CVT生成模型生成内绝缘故障虚拟CVT样本；
基于图生成器平衡调整目标域中正常状态CVT样本与内绝缘故障虚拟CVT生成模型生成的虚拟CVT样本的数量，通过训练图卷积网络识别器区分平衡网络上的节点，得到故障诊断模型；
通过故障诊断模型对目标域中的待测CVT样本数据进行内绝缘故障诊断。
2.根据权利要求1所述的方法，其特征在于，所述共性参量包括相间不平衡参量、相间相位差参量、组间幅值比参量及组间相位差参量。
3.根据权利要求1所述的方法，其特征在于，所述通过狄利克雷过程高斯混合模型估计共性特征分布模型包括：
采用狄利克雷过程高斯混合模型对共性特征参数服从的分布进行估计，并通过最大期望算法进行参数估计，得到共性特征分布模型。
4.一种电容式电压互感器内绝缘性能在线诊断系统，其特征在于，包括：
数据集构建模块，用于分别建立CVT诊断模型的源域数据集和目标域数据集，所述源域数据集为各种内绝缘性能劣化类型的CVT样本空间，所述目标域数据集包括正常的CVT样本空间和未知状态的待测CVT样本空间；
特征确定模块，用于基于设备个性化虚拟故障样本，将CVT输出数据中的电压信号作为个性特征，CVT自身的计量误差信息作为共性特征；
共性特征提取模块，用于根据CVT内绝缘性能劣化机理，提取内绝缘故障CVT的相关参量作为共性特征；
特征分布估计模块，用于通过狄利克雷过程高斯混合模型估计共性特征分布模型；
虚拟样本生成模块，用于基于目标域正常CVT样本数据及共性特征分布模型得到自适应内绝缘故障虚拟CVT生成模型，并基于内绝缘故障虚拟CVT生成模型生成内绝缘故障虚拟CVT样本；
模型训练模块，用于基于图生成器平衡调整目标域中正常状态CVT样本与内绝缘故障虚拟CVT生成模型生成的虚拟CVT样本的数量，通过训练图卷积网络识别器区分平衡网络上的节点，得到故障诊断模型；
故障诊断模块，用于通过故障诊断模型对目标域中的待测CVT样本数据进行内绝缘故障诊断。
5.根据权利要求4所述的系统，其特征在于，所述共性参量包括相间不平衡参量、相间相位差参量、组间幅值比参量及组间相位差参量。
6.根据权利要求4所述的系统，其特征在于，所述通过狄利克雷过程高斯混合模型估计共性特征分布模型包括：
采用狄利克雷过程高斯混合模型对共性特征参数服从的分布进行估计，并通过最大期望算法进行参数估计，得到共性特征分布模型。
7.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至3任一项所述的一种电容式电压互感器内绝缘性能在线诊断方法的步骤。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被执行时实现如权利要求1至3任一项所述的一种电容式电压互感器内绝缘性能在线诊断方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210232791.5A CN114358092B (zh) | 2022-03-10 | 2022-03-10 | 一种电容式电压互感器内绝缘性能在线诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210232791.5A CN114358092B (zh) | 2022-03-10 | 2022-03-10 | 一种电容式电压互感器内绝缘性能在线诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114358092A true CN114358092A (zh) | 2022-04-15 |
| CN114358092B CN114358092B (zh) | 2022-05-27 |
Family
ID=81095191
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210232791.5A Active CN114358092B (zh) | 2022-03-10 | 2022-03-10 | 一种电容式电压互感器内绝缘性能在线诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114358092B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114757305A (zh) * | 2022-06-13 | 2022-07-15 | 华中科技大学 | 一种基于集成学习的电压互感器绝缘故障辨识方法及系统 |
| CN114818817A (zh) * | 2022-05-06 | 2022-07-29 | 国网四川省电力公司电力科学研究院 | 一种电容式电压互感器微弱故障识别系统及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110542775A (zh) * | 2018-05-28 | 2019-12-06 | 广东电网有限责任公司 | 一种cvt二次侧数据实时分析存储装置 |
| US20200202221A1 (en) * | 2018-12-20 | 2020-06-25 | Shandong University Of Science And Technology | Fault detection method and system based on generative adversarial network and computer program |
| CN112904108A (zh) * | 2021-01-15 | 2021-06-04 | 云南电网有限责任公司电力科学研究院 | 一种电容式电压互感器电磁单元故障诊断方法 |
| CN113011084A (zh) * | 2021-02-26 | 2021-06-22 | 华北电力大学 | 基于相关向量机的输电线路故障原因智能辨识方法 |
| CN113447783A (zh) * | 2021-08-30 | 2021-09-28 | 武汉格蓝若智能技术有限公司 | 一种电压互感器绝缘故障辨识模型构建方法及装置 |
| US20210319156A1 (en) * | 2020-04-09 | 2021-10-14 | Wuhan University | Method and system for fault diagnosis with small samples of power equipment based on virtual and real twin spaces |
-
2022
- 2022-03-10 CN CN202210232791.5A patent/CN114358092B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110542775A (zh) * | 2018-05-28 | 2019-12-06 | 广东电网有限责任公司 | 一种cvt二次侧数据实时分析存储装置 |
| US20200202221A1 (en) * | 2018-12-20 | 2020-06-25 | Shandong University Of Science And Technology | Fault detection method and system based on generative adversarial network and computer program |
| US20210319156A1 (en) * | 2020-04-09 | 2021-10-14 | Wuhan University | Method and system for fault diagnosis with small samples of power equipment based on virtual and real twin spaces |
| CN112904108A (zh) * | 2021-01-15 | 2021-06-04 | 云南电网有限责任公司电力科学研究院 | 一种电容式电压互感器电磁单元故障诊断方法 |
| CN113011084A (zh) * | 2021-02-26 | 2021-06-22 | 华北电力大学 | 基于相关向量机的输电线路故障原因智能辨识方法 |
| CN113447783A (zh) * | 2021-08-30 | 2021-09-28 | 武汉格蓝若智能技术有限公司 | 一种电压互感器绝缘故障辨识模型构建方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 王劭菁等: "基于虚拟样本生成技术与概率神经网络的接地网故障诊断", 《高压电器》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114818817A (zh) * | 2022-05-06 | 2022-07-29 | 国网四川省电力公司电力科学研究院 | 一种电容式电压互感器微弱故障识别系统及方法 |
| CN114818817B (zh) * | 2022-05-06 | 2023-05-19 | 国网四川省电力公司电力科学研究院 | 一种电容式电压互感器微弱故障识别系统及方法 |
| CN114757305A (zh) * | 2022-06-13 | 2022-07-15 | 华中科技大学 | 一种基于集成学习的电压互感器绝缘故障辨识方法及系统 |
| CN114757305B (zh) * | 2022-06-13 | 2022-09-20 | 华中科技大学 | 一种基于集成学习的电压互感器绝缘故障辨识方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114358092B (zh) | 2022-05-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114358092B (zh) | 一种电容式电压互感器内绝缘性能在线诊断方法及系统 | |
| Pindoriya et al. | Composite reliability evaluation using Monte Carlo simulation and least squares support vector classifier | |
| WO2021208079A1 (zh) | 获取动力电池寿命数据的方法、装置、计算机设备及介质 | |
| Wang et al. | A new wind power prediction method based on chaotic theory and Bernstein Neural Network | |
| Mazhari et al. | A hybrid fault cluster and thévenin equivalent based framework for rotor angle stability prediction | |
| CN111537884B (zh) | 获取动力电池寿命数据的方法、装置、计算机设备及介质 | |
| CN114757305B (zh) | 一种基于集成学习的电压互感器绝缘故障辨识方法及系统 | |
| CN109359665A (zh) | 一种基于支持向量机的家电负荷识别方法及装置 | |
| Rashidi et al. | LEs based framework for transient instability prediction and mitigation using PMU data | |
| CN108879732A (zh) | 电力系统暂态稳定评估方法及装置 | |
| Dinesh et al. | Incorporating time-of-day usage patterns into non-intrusive load monitoring | |
| JP2017192277A (ja) | 電力変換装置の診断方法 | |
| Gao et al. | Mechanical fault diagnosis of an on‐load tap changer by applying cuckoo search algorithm‐based fuzzy weighted least squares support vector machine | |
| Iwata et al. | Differential evolutionary particle swarm optimization for load adjustment distribution state estimation using correntropy | |
| CN114118595A (zh) | 用电负荷预测的方法、系统、存储介质及电子设备 | |
| CN111337833B (zh) | 一种基于动态时变权重的锂电池容量集成预测方法 | |
| Awasthi et al. | Classifying electrical faults in a distribution system using k-nearest neighbor (knn) model in presence of multiple distributed generators | |
| Niknam et al. | A new teaching-learning-based optimization algorithm for distribution system state estimation | |
| CN113687292B (zh) | 大数据、云环境下电能表错误接线的检测系统及方法 | |
| JP7170913B2 (ja) | 機器状態判定システム、電力量計、および機器状態判定方法 | |
| CN114741822A (zh) | 一种自然灾害下配电网停电概率预测方法、系统及装置 | |
| Yue et al. | A power system harmonic problem based on the BP neural network learning algorithm | |
| Bhatnagar et al. | Integrating Distributed Generation and Advanced Deep Learning for Efficient Distribution System Management and Fault Detection | |
| Ren et al. | Automatic recognition algorithm of information architecture reliability based on energy internet network topology | |
| Chao et al. | A Novel Approach to Transformer Fault Diagnosis Based on Transfer Learning |
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 | ||
| CP01 | Change in the name or title of a patent holder |
Address after: Room 1803-1805, building 2-07, guanggu.core center, 303 Guanggu Avenue, Donghu New Technology Development Zone, Wuhan City, Hubei Province, 430000 Patentee after: Wuhan Gelanruo Intelligent Technology Co.,Ltd. Address before: Room 1803-1805, building 2-07, guanggu.core center, 303 Guanggu Avenue, Donghu New Technology Development Zone, Wuhan City, Hubei Province, 430000 Patentee before: WUHAN GLORY ROAD INTELLIGENT TECHNOLOGY Co.,Ltd. |
|
| CP01 | Change in the name or title of a patent holder | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: An on-line diagnosis method and system for internal insulation performance of capacitive voltage transformer Effective date of registration: 20221230 Granted publication date: 20220527 Pledgee: Bank of China Limited Wuhan Donghu New Technology Development Zone Branch Pledgor: Wuhan Gelanruo Intelligent Technology Co.,Ltd. Registration number: Y2022420000404 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Granted publication date: 20220527 Pledgee: Bank of China Limited Wuhan Donghu New Technology Development Zone Branch Pledgor: Wuhan Gelanruo Intelligent Technology Co.,Ltd. Registration number: Y2022420000404 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right |