一种融合多类型传感器的环网柜故障诊断方法
技术领域
本发明属于电力设备绝缘状态检测技术领域,特别涉及一种融合多类型传感器的环网柜故障诊断方法。
背景技术
在电气设备的绝缘系统中,电场分布往往不完全均匀,当局部区域电场强度达到该区域击穿场强时,造成该区域出现放电,但放电并未贯穿施加电压的两导体之间,尚未造成绝缘系统击穿的现象即为局部放电。局部放电的发生会导致绝缘系统的不断劣化最终可能引起停电事故等。
目前针对环网柜局部放电常用的检测方法有脉冲电流法、地电波(TEV)法、特高频法(UHF)、超声法。环网柜的局部放电检测涉及到电量和非电量的多个领域多个传感器的测量技术,传统单一的局部放电检测方法易受到外部信号的干扰,其应用具有一定的局限性,采用多传感器的融合技术,发挥多传感器共同操作的优势,消除单个或少量传感器的局限性,大大提高局部放电检测的有效性和准确性。绝缘故障主要表现为内绝缘故障、外绝缘对地闪络击穿、相间绝缘闪络击穿、瓷瓶闪络击穿爆炸、CT闪络击穿爆炸、过电压引起的闪络击穿等。由此可见,及早地发现环网柜内存在的绝缘缺陷、排除隐患对于提高电力系统运行稳定性具有重大意义。
发明内容
本发明提出了一种融合多类型传感器的环网柜故障诊断方法,适用于不同环境下的环网柜的在线监测。
为了实现上述目的,本发明采用了以下技术方案:一种融合多类型传感器的环网柜故障诊断方法,包括实验室模型构建模块、传感器数据边缘处理模块、后台服务融合中心处理模块;实验室模型构建模块构建的混合模型用于后台服务融合中心,传感器数据边缘处理模块处理后的数据通过无线传输到后台服务融合中心;步骤如下:
S1、混合模型构建:搭建环网柜典型故障模拟实验平台进行故障模拟,在故障模拟过程中,采用UHF传感器、烟感传感器、水浸传感器进行数据采集;基于典型故障采集到的局部放电信息、烟雾传感器值、水浸传感器值进行故障特征提取;基于Stacking进行混合模型训练:基础模型包括BP神经网络、概率神经网络、LSTM网络,训练得到混合模型,次级学习器选用线性回归模型对进行最终的结果诊断;混合模型训练过程如下:
a.将采集到的数据分为训练集、测试集,将训练集分成固定的份数;
b.使用交叉验证法进行基础模型训练,依次选取训练集作为验证集,进行基础模型训练,再在测试集上进行预测,这样会训练得到与训练集相同份数的新数据predictions和测试集上的一份预测值;
c.将每个基础模型得到的数据进行平均值计算,得到新的训练集Train;
d.将训练集Train和得到的预测值输入线性回归模型进行模型训练,建立线性回归模型;
S2、监测数据采集:UHF传感器、烟感传感器、水浸传感器采集环网柜数据;
S3、数据预处理:在UHF传感器边缘进行数据预处理,首先基于信息散度进行数据的异常初步诊断;对初步判断为异常的数据进行数据长度划分并基于长短期记忆人工神经网络(LSTM)进行特征提取;烟感传感器、水浸传感器分别取数据的最大值;
S4、通过混合模型诊断故障类型:将UHF提取到的特征、烟雾传感器上传的数据值、水浸传感器上传的数据值作为特征数据,输入已训练好的混合模型,最后输出故障类型诊断值。
进一步说明,步骤S1的混合模型构建的过程包括:S11.实验室搭建环网柜典型故障模拟实验,采集典型故障时局部放电信号Ustd(i)、烟雾传感器值v std1、水浸传感器值v std2;S12.计算数据Ustd(i)的信息散度因子,依据典型故障计算出αstd范围分布,确定范围参数K;S13.依据步骤S12中阐述的方法进行故障特征提取,进行各模型参数训练,使用实验室典型故障数据分别输入已训练模型,得到各模型故障准确率;模型包括:BP神经网络、概率神经网络、LSTM网络获得各模型训练参数。
本发明进一步说明,所述步骤S3包括:S31.计算数据U(i)的信息散度因子α,进行信号异常诊断;S32.若为异常信号,对信号进行定长窗口划分生成数据集Y s ,基于长短期记忆人工神经网络(LSTM)对数据集Y s 进行特征提取,得到特征集h l ;S33. 烟感传感器的数据取烟雾传感器最大值v 1、水浸传感器的数据取水浸传感器最大值v 2。
进一步,步骤S4中,特征集h l 、烟雾传感器采集到的值v 1、水浸传感器采集到的值v 2相结合组成新的特征区间T={h l ,v 1,v 2};将收集到的特征集T使用各单一训练好的模型对特征集进行诊断,然后计算各模型输出结果进行平均加权,得到最后的故障诊断结果,故障类型为开关柜典型故障类型:尖端放电、沿面放电、内部放电、悬浮放电、颗粒放电。
进一步,步骤S4中,将收集到的特征集T使用已训练好的基础模型基础上预测,得到三个预测值B1、B2、B3,使用这三个预测值构建三个特征值(B1、B2、B3),输入已经训练好的线性回归模型进行预测,得到最终的故障诊断结果。
本发明的优点:采用传感器边缘与后台相结合的混合模型数据处理及诊断方法,实现了针对不同的类型的数据合理选择数据诊断模型,减少了数据传输压力,提高了在线系统故障诊断率,为环网柜的运行状态评估提供了理论基础。
附图说明
图1是本发明的流程图。
具体实施方式
下面结合附图对本发明进一步说明。
一种融合多类型传感器的环网柜故障诊断方法,包括实验室模型构建模块、传感器数据边缘处理模块、后台服务融合中心处理模块;实验室模型构建模块构建的混合模型用于后台服务融合中心,传感器数据边缘处理模块处理后的数据通过无线传输到后台服务融合中心;如图1所示,包括以下步骤:
S1、混合模型构建:搭建环网柜典型故障模拟实验平台进行故障模拟,在故障模拟过程中,采用UHF传感器、烟感传感器、水浸传感器进行数据采集;基于典型故障采集到的局部放电信息、烟雾传感器值、水浸传感器值进行故障特征提取,基于典型故障采集到的局部放电信息、烟雾传感器值、水浸传感器值进行故障特征提取,基于Stacking进行混合模型训练;基础模型包括:BP神经网络、概率神经网络、LSTM网络得到混合模型,次级学习器选用线性回归模型进行最终的结果诊断。
具体的:
a.将采集到的数据分为训练集、测试集,将训练集分成固定的份数;本实施例将训练集分为5份分别为train1、train2、trian3、train4、train5。
b.使用交叉验证法进行基础模型训练,依次用train1、train2、trian3、train4、train5作为验证集,剩余的4份作为训练集,交叉验证进行模型训练,再在测试集上进行预测,这样在训练BP神经网络时可得到5份predictions数据,在测试集上可得到的一份预测值B1;概率神经网络、LSTM数据网络分别也能得到5份predictions数据,将这5份数据进行纵向叠拼记录为A1;
c.基础模型训练完后,将基础模型在训练集上得预测值分别做为新的训练集Train={A1,A2,A3};
d.将训练集Train和得到的预测值输入线性回归模型进行模型训练,建立线性回归模型;
S11.实验室搭建环网柜典型故障模拟实验,采集典型故障时局部放电信号Ustd(i)、烟雾传感器值v std1、水浸传感器值v std2;S12.计算数据Ustd(i)的信息散度因子,依据典型故障计算出αstd范围分布,确定范围参数K,为后续S3中的数据异常诊断提供参量范围;S13.基于定长窗口及LSTM方法进行故障特征提取,分别对各模型参数训练,并依据实验室典型故障数据输入已训练好的模型进行测试,得出每种模型的诊断正确率,模型包括:BP神经网络、概率神经网络、LSTM网络获得各模型训练参数,本实施例中,BP神经网络诊断正确率为α1=0.85,概率神经网络诊断正确率为α2=0.9,LSTM网络诊断正确率为α3=0.8。
S2、监测数据采集:实际使用中传感器中采集1s数据U(i);所述传感器为UHF传感器、烟感传感器、水浸传感器。
S3、数据预处理:在UHF传感器边缘进行数据预处理,基于信息散度进行数据的异常初步诊断。对初步判断为异常的数据进行数据长度划分并基于长短期记忆人工神经网络(LSTM)进行特征提取。
具体地,S31、实际测试中,对采集到的数据首先计算数据U(i)的信息散度因子α,依据S12中确定的参数K进行信号异常诊断,此实施例中K的取值为1.1,若α < 1.1,则认为信号为异常;
S32、若为异常信号,对信号进行定长窗口划分数据,选取窗口为
M(M< N),则数据
划分后得到得新序列为
Y s ,基于长短期记忆人工神经网络(LSTM)对数据集
Y进行特征提取,
得到特征集
h l ;选取的激活函数为:
,其中
W xf 、W hf 为输入信号在
x t 、
x t-1的加权系数,
b f 为偏置项;否则,直接将提取的局部放电幅值上
传,无需特征提取及模型预测,故障诊断结果为正常;
S33、烟感传感器的数据取烟雾传感器最大值v 1、水浸传感器的数据取水浸传感器最大值v 2。
S4、通过混合模型诊断故障类型:将UHF提取到的特征、烟雾传感器上传的数据值、水浸传感器上传的数据值作为特征数据,输入已训练好的混合模型,最后输出故障类型诊断值。
具体地,对于提取后的特征h l 上传到后台处理中心,同时分别上传烟雾传感器采集到的值v 1、水浸传感器采集到的值v 2到后台处理中心,相结合组成新的特征区间T={h l ,v 1,v 2}。
具体地,后台处理中心将收集到的特征集T已训练好的基础模型基础上预测,得到三个预测值B1、B2、B3,使用这三个预测值构建三个特征值(B1、B2、B3),输入已经训练好的线性回归模型进行预测,得到最终的故障诊断结果。
显然,上述实施例仅仅是为了清楚的说明本发明所作的举例,而并非对本发明实施的限定。对于所属技术领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动;这里无需也无法对所有的实施方式予以穷举;而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围之中。