CN114487643A - 一种特高压gil设备现场交接验收综合测试平台 - Google Patents

Abstract

本发明提供了一种特高压GIL设备现场交接验收综合测试平台，属于电力运维技术领域。包括传感器模块、虚拟仪器模块和上位机；传感器模块包括内置传感器和外置传感器，内置传感器安装在GIL管道的取气口处，用于检测GIL管道内绝缘气体的成分、温度、湿度和压力；外置传感器安装在GIL管道的外壁上，用于获取GIL管道的机械振动信号、噪声信号和外壳温度；上位机为计算机设备，存储有数据库，运行有计算机程序；计算机程序用于进行数据处理、诊断模型构建和故障诊断。虚拟仪器模块与上位机的系统总线连接，用于采集传感器模块所获取的数据并传输至上位机。本发明能够适用于GIL设备的现场交接验收，在交接验收时还能够对GIL设备的机械故障进行诊断。

Description

一种特高压GIL设备现场交接验收综合测试平台

技术领域

本发明属于电力运维技术领域，具体涉及一种特高压GIL设备现场交接验收综合测试平台。

背景技术

气体绝缘金属封闭输电线路(gas-insulated metal-enclosed transmissionline,GIL)是一种采用气体绝缘，外壳与导体同轴布置的高电压、大电流电力传输设备，尤其在特高压工程中应用较多。相对于传统的架空线或输电电缆，GIL具有不受恶劣气候和特殊地形等环境因素影响、有效利用空间资源、减少电磁影响、增大载流量以及故障率低、维护方便等优点。

GIL设备发生的故障主要有绝缘击穿(大多是因为三支柱绝缘子或盆式绝缘子故障)、漏气、局部放电、局部过热、设备变形等。当出现故障后，需进行故障点查找、回收绝缘气体、拆除故障段、已打开的非故障段充氮气防护、故障段维修或更换后恢复、抽真空并重新填充绝缘气体、现场试验等工作，正常修复周期需要10天左右，期间会造成大范围停电，造成严重的影响。因此，对于未投运前的GIL设备，在交接验收阶段，除常见的交流耐压试验、绝缘性能考核试验和局部放电测试外，有必要对其进行机械故障诊断，从而可以对GIL设备的状况进行全面排查，避免出现隐患影响设备的正常运行。

如专利文献CN113110386A提出了一种GIS/GIL设备机械振动状态在线监测及机械故障云诊断系统，该系统包括GIS/GIL设备不同气室及构件的振动分布式感知层、 GIS/GIL设备云诊断系统运行信息的网络通信层和GIS/GIL设备云诊断系统应用层。该专利建立了分布式的振动模态监测网络，开展了全方位的实时振动信号采集；基于振动智能检测终端，对分布式网络开展采集、通信和分析，引入边缘计算技术并基于现场数据开展GIS/GIL设备运行模态监测操作；通过GIS/GIL设备云诊断平台对多变电站交互数据的接入、处理等功能，实现电力设备的智能运维。该专利主要偏重于GIS/GIL设备的在线检测，不适用于未投运前的GIL设备。

又如专利文献CN112130041A提出一种GIL支柱绝缘子炸裂故障模拟试验平台与测量方法，所述平台由气隔绝缘盆子将GIL试验腔体分成左右两个腔室，左右两个腔室分别安装有气压表和充放气口，其中左侧腔室通过法兰与出线套管相连，右侧腔室设置有用于观察GIL支柱绝缘子炸裂过程的观察窗以及用于记录支柱绝缘子炸裂过程的检测装置。检测装置主要包括温度检测装置、超声局放检测装置、超高频局放检测装置和SF6气体分解产物检测装置。所述专利通过人为设置绝缘子缺陷，能够在观察支柱绝缘子的炸裂过程的同时，通过对不同时刻连续测量支柱绝缘子的温度、局放量以及振动等参量，应用多元统计分析方法建立作业相关矩阵来分析各特征参量的自相关性。该专利通过对各特征参量相关性的分析，能够用于对GIL支柱绝缘子的缺陷进行诊断，但其试验时绝缘子的缺陷由人为设置，难免不太全面，也无法完全模拟绝缘子出厂时状态，因此，其故障诊断的准确率不高。

发明内容

本发明所要解决的技术问题是，针对现有技术的不足，提供一种特高压GIL设备现场交接验收综合测试平台。

为解决上述技术问题，本发明所采用的技术方案是：

一种特高压GIL设备现场交接验收综合测试平台，包括传感器模块、虚拟仪器模块和上位机；

所述传感器模块包括内置传感器和外置传感器，所述内置传感器安装在GIL管道的取气口处，用于检测GIL管道内绝缘气体的成分、温度、湿度和压力；所述外置传感器安装在GIL管道的外壁上，用于获取GIL管道的机械振动信号、噪声信号和外壳温度；

所述上位机为计算机设备，存储有数据库，运行有计算机程序；所述计算机程序用于进行数据处理、诊断模型构建和故障诊断。

所述虚拟仪器模块与所述上位机的系统总线连接，用于采集所述传感器模块所获取的数据并传输至所述上位机。

进一步的，所述虚拟仪器模块包括A/D采集卡和调理放大器。

进一步的，所述数据库为Hadoop数据库。

进一步的，所述计算机程序通过神经网络构建诊断模型。

进一步的，所述计算机程序通过人体免疫算法进行故障诊断。

进一步的，所述计算机程序对所述传感器模块所获取的不良数据进行清洗处理。

针对GIL设备交接验收、缺陷诊断和运行中的状态评价，目前还是沿用常规GIS 的方法，但对于GIL设备，除了具有常规GIS设备的特征外，还具有自身的独特特点。目前GIL交接试验和故障检测手段，以交流耐压试验和局部放电检测为主，通过现场进行特高频或超声波局部放电检测对其电气状态进行测量，同时辅助气体密度、微水、压力等常规检测来进行设备状态评价。

但根据局部放电检测技术的实际运用情况来看，尤其是针对户外及变电站内强电磁环境下的GIL设备，其抗干扰能力较弱、稳定性不够。同时部分机械故障并不会引起 GIL内部的局部放电情况，因此，现有的基于局部放电的故障检测系统并不能对机械故障这一故障类型进行有效检测。因此有必要针对交接验收和运行状态下的GIL设备，开展典型机械缺陷的故障机理、试验方法及振动检测技术研究，在设备投运前有效发现生产制造、现场组装过程中产生的机械缺陷，为现有各类绝缘缺陷诊断手段提供补充，及时发现设备内部潜伏性机械缺陷，保障设备安全稳定运行。

振动检测是目前对机械故障检测的常用手段，振动检测技术属于非电量检测，不影响设备的正常运行，如专利文献CN112130041A已经在支柱绝缘子的裂纹检测等领域有一定应用。

但故障诊断在没有精确机理模型的情况下，很难通过对设备运行状态的数据分析而实现，因此，故障诊断模型直接关乎故障诊断的准确性。如专利文献CN108168682A通过支持向量机SVM构建故障诊断模型。GIL设备在运行及交接验收时，各种传感器所获取的数据庞大且繁杂，支持向量机SVM虽然是一种机器学习的方法，但其需要对输入数据进行完全标记，仅适用于小样本的故障诊断，也不适合处理繁杂的数据，对于大规模数据训练比较困难。

在这种情况下，本发明人面对GIL现场交接验收试验测试仪器多、数据量大等问题，提出了一种通过神经网络段统计分析来判断GIL设备是否存在故障的技术，并以此构建了GIL设备现场交接验收综合实验平台。基于神经网络强大的特征提取和表示能力，能够克服低层特征的不稳定性、提高配准的可靠性，构建精确度故障诊断模型。

与现有技术相比，本发明的有益效果如下：

本发明在对GIL设备进行交接验收时，能够对GIL设备的机械故障进行诊断。

本发明对正在运行的GIL设备进行大量的数据测量，并将测量的数据存入所建立的数据库中，经神经网络训练形成诊断模型。在GIL设备的交接验收时，可测量获取GIL 设备的各项数据，并将交接验收时的数据输入诊断模型，用于判断结果是否符合标准，若符合标准，则代表交接验收通过。

本发明通过多个方面对传感器获取的数据进行分析，通过卷积神经网络与人体免疫算法来判断GIL设备是否存在故障，并通过采样区域状态空间结构重组、多层模板特征匹配和自回归分析等方法对不良数据进行优化处理。本发明的应用显著简化了现场交接验收试验的流程，缩短了相关工期，减少了试验检测过程中失误导致的误差。

本发明在运行过程中，可以利用长期运行时传感器所采集的数据对数据库和诊断模型进行实时修改、校正，确保诊断模型精确有效。

本发明采用Hadoop数据库存储传感器数据和试验数据，能够增加数据的可读性和可操作性，数据库具有较高容错性，能够较快调用大量的数据并对数据进行修改，便于用户后期对于设备的测试和数据的改进。

本发明对传感器数据和试验数据中的不良数据进行清洗处理，能够提高对GIL设备交接验收时诊断的准确性，提高GIL设备交接验收的效率，缩短建设工期。

附图说明

下面结合附图对本发明做进一步的详细说明。

图1：本发明的示意图之一；

图2：本发明的示意图之二；

其中：1-传感器模块，11-内置传感器，12-外置传感器，2-虚拟仪器模块，3-上位机， 31-计算机程序，32-数据库。

具体实施方式

为了更好地理解本发明，下面结合实施例和附图进一步清楚阐述本发明的内容，但本发明的保护内容不仅仅局限于下面的实施例。在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员来说显而易见的是，本发明可以无需一个或多个这些细节而得以实施。

实施例1：

参阅图1-图2，本实施例所提供的特高压GIL设备现场交接验收综合测试平台包括传感器模块1、虚拟仪器模块2和上位机3。

传感器模块1包括内置传感器11和外置传感器12。内置传感器11安装在GIL管道的取气口处，为一气体传感器，主要用于检测GIL管道内SF₆绝缘气体的气体成分、温度、湿度、压力等数据，用于获取GIL管道的气体成分、气体含水量、气体密封性等指标。

外置传感器12安装在GIL管道的外壁上，包括振动传感器、噪声传感器和温度传感器，用于检测GIL管道的机械振动信号及噪声信号、外壳的温度等数据。

GIL设备的机械故障主要有三支柱绝缘子损坏故障和金属外壳焊点松动故障，当机械故障发生时，GIL设备会发生异常振动、发出异常声响，因此，所设置的振动传感器和噪声传感器用于通过对异常振动和异常声响的探测以诊断机械故障。

上位机3用于存储和处理传感器模块1所获取的传感数据，通过对传感数据的分析来构建诊断模型，判断GIL设备是否存在故障。上位机3是一种计算机设备，可以是计算机，也可以是服务器，其内部结构如图2所示。上位机3包括通过系统总线连接的处理器和存储器，其中，所述处理器用于提供计算和控制能力，所述存储器包括非易失性存储介质和内存储器；所述非易失性存储介质存储有操作系统、计算机程序31和数据库32；所述内存储器为所述非易失性存储介质中的操作系统和计算机程序31的运行提供环境。所述数据库32用于存储传感器数据等信息。所述计算机程序31被所述处理器执行时以进行数据处理、诊断模型构建和故障诊断。

虚拟仪器模块2与上位机3的系统总线连接，用于采集传感器模块1所获取的数据并传输至上位机3。虚拟仪器模块2包括A/D采集卡和调理放大器，通过PCI或USB 的方式与上位机3连接。

本发明的计算机程序31可以对传感器模块1的物理反馈数据辅以算法分析，准确判断设备故障。计算机程序31具有机器学习能力，通过对自身历史分析数据和其他设备云端共享的分析数据进行数据学习，并将数据处理汇总后自主扩充数据库，同时与数据库数据进行比较，判断设备是否发生故障，同时也能通过算法优化增加判断的精确度和准确性。

传感器模块1所获取的机械振动信号为波形信号，在正常状态下，该波形信号具有一定频率和规律，当出现异常振动信号时，波形会变的杂乱。本发明将异常振动信号发生前后的波形信号转换为波形图，便于输入到神经网络中进行分析处理。

具体的，计算机程序31对传感器数据和图像的处理主要采用卷积循环神经网络网络架构。具体结构上主要分为输入层和隐含层，其中隐含层再次细化为卷积层、下采样层以及池化层。核心原理是使用卷积和池化操作，构建有监督学习式的训练网，训练方式分为前项训练传播以及反向训练传播两种，二者互相结合，互为输入。

卷积神经网络对于传感器数据和图像的分析主要分为以下五步：

S11、进行与训练模型的加载工作，初始化载入在数据集中已经训练的卷积神经网络模型，得到输入数据的张量数值以及计算存在瓶颈层的张量值。

S12、完成CNN网络初始化输入工作，初始化学习率、训练次数、批量次数以及每层网络的Dropout数值。

S13、提取训练图片特征。载入第一步中预训练的网络结构对应的特征值权重、节点计量公式，将其作为目标特征提取器，将待分类的样本图片作为CNN模型的输入，采用前馈神经网络模型，再次计算瓶颈层的张量值。

S14、完成分类任务，在已经训练完的模型结构增加1层卷积模型，并对全连接层进行目标任务分类，并使用交叉熵损失函数构建损失层。

S15、引入待测数据图像样本集进行特征分类，获得模型的准确率。

虽然采取了卷积神经网络对图像进行较为细致的分析，但图像识别算法中卷积神经网络存在运算量大、耗时长、对资源需求高的问题，本发明将采用更加高效的卷积神经网络算法，以有效解决梯度爆炸，加快网络收敛，极大提升卷积神经网络的运算速度。具体做法如下：

在模型训练环节，采用组归一化处理。在对训练样本的分组完成后进行规划化处理，进一步提升卷积神经网络模型识别的准确率。其计算过程首先进行通道分组及组内的计算方差和均值后完成归一化处理，使用如下公式计算标准差及其均值对应图像像素点集合S_i。

公式中i和k是代表图像索引坐标，其处在同一通道，N为样本数量，C/G代表每一组的通道个数。

像素点对应的均值和方差计算公式如下：

公式中的x_k代表需要计算的像素点，ε代表维持数据稳定的参数，m代表S_i的长度值。

对于每个通道组内的像素使用公式完成归一化处理后，由于不能对学习的特征分布进行破坏，需要进行数据的规范化处理，通过重构和尺度偏移变化完成。具体公式如下：

y_i＝γx_i+β

x代表待归一化处理的像素，x′_i代表完成归一化处理后的特征分布，γ以及β代表可重构的学习参数。经过上述步骤处理后，获得新的特征分布y_i，使用组归一化方法，在样本图像进行神经网生产的过程中，确保神经网络模型的性能达到最优，加速收敛。

得到了较高准确度的模型后，再将模型数据储存起来与数据库内的数据进行比对。此处采用优化后的人体免疫算法将内部结构进行模糊分类化处理，分为以下几步进行：

S21、抗原识别及抗体编码。

将从试验时或GIL设备运行时得到的数据样本作为抗原，对抗体-聚类中心矩阵进行编码，根据各自取值范围，将上述得到的图像量化值编码成二进制基因串。

S22、初始化参数。

初始化振动信号、噪声信号、温度等现场实测数据参数，随机产生一组聚类中心作为初始抗体群V。

S23、亲和度计算。

选择高斯核函数，K(x_i,x)＝1，利用如下公式进行计算：

公式中，η为给定常数。这样也就达到了亲和力最大时，目标函数J_H最小。

S24、迭代终止判断。

通过设定迭代次数阈值及亲和力阈值，若满足则终止迭代，确定当前种群中的最佳个体为算法的最优解，否则继续。这样就得到了匹配最优的解，从而判断是否有内部设备故障。

本发明对正在运行的GIL设备进行大量的数据测量，并将测量的数据存入所建立的数据库中，经神经网络训练形成诊断模型。在GIL设备的交接验收时，可测量获取GIL 设备的各项数据，随后可以将交接验收时的数据输入诊断模型，用于判断结果是否符合标准，若符合标准，则代表交接验收通过。

本发明在运行过程中，可以利用传感器所采集的数据对数据库和诊断模型进行实时修改、校正，确保诊断模型精确有效。

本发明采用卷积神经网络对现场交接试验中的各类图像和试验数据进行处理分析。卷积神经网络能对GIL设备出现的数据故障产生的数据图像进行识别比对并进行判断，其中设备物理图像的分析还可以采用人体免疫算法将卷积神经得到的设备内部物理图像模糊化处理，并将其分门别类地与不同的故障图像进行处理，从而实现对不同厂家生产的结构有差异的设备内部故障数据的处理。

实施例2：

本实施例所提供的特高压GIL设备现场交接验收综合测试平台与实施例1相比主要做了以下改进：数据库32采用Hadoop数据库。

本发明所传感器模块1所获取的数据均为时序数据，随着时间的推移数据会越来越多；本发明在对GIL设备进行交接检测时，需进行的交接实验有老练实验(局部放电试验)、工频耐压试验、冲击电压试验、辅助回路绝缘试验、主回路电阻测量、SF₆气体质量验证和气密性检验、电磁场测量等。这些数据种类繁杂且数量庞大，极易导致数据在存取时发生错误，加上传统数据库的容量较小，不能满足本发明对于大量数据处理的需要，因此，本发明选择采用Hadoop数据库对数据进行并行化处理；采用key-value保存传感器数据，并将数据按列族进行保存，具有较高容错性，能够较快调用大量的数据并对数据进行修改，便于用户后期对于设备的测试和数据的改进。

Hadoop数据库技术简称Hbase，是一种NoSql数据库，以key-value方式存储数据，HDFS分布式文件系统，有效利用磁盘空间存储数据。基于分布式集群环境，可以实现可靠的存储PB级别的数据，使用datanode方式并行计算数据，支持数据检索分析。在实际的数据分析处理任务当中，HBase提供对大规模数据的随机、实时读写访问。HBase 是可以提供实时计算的分布式数据库，数据被保存在HDFS(分布式文件系统)上，由 HDFS保证其高容错性。HBase上的数据是以二进制流的形式存储在HDFS上的数据块中的，但是，HBase上的存储数据对于HDFS是透明的。HBase可以直接使用本地文件系统，也可以使用Hadoop的HDFS。HBase中保存的数据可以使用MapReduce来处理，它将数据存储和并行计算有机地结合在一起。HBase按列族进行数据存储的。每个列族会包括许多列，并且这些列是经常需要同时处理的属性。也就是说，HBase把经常需要一起处理的列构成列族一起存放，从而避免了需要对这些列进行重构的操作。

因此，本发明还可以将数据以分布式的方式存储在云端，即能提高存取效率，也能避免本地存储设备故障而造成的数据丢失。

实施例3：

本实施例所提供的特高压GIL设备现场交接验收综合测试平台与实施例2相比主要做了以下改进：本发明还对传感器模块1所获取的GIL设备的不良数据进行清洗。

不良数据在GB/T 33590.2-2017《智能电网调度控制系统技术规范第2部分：术语》中定义为“量测数据在采集、模/数转换、传输过程中会产生量测误差，误差的标准差为σ。误差大于±3σ的量测数据为不良数据”。

对于不良数据的分析，较小的误差也会发生报错。因此，如果不良数据不能很好的处理，将极大影响对GIL设备交接验收时诊断的准确性，影响GIL设备交接的效率及整个建设工期。

因此，本发明对不良数据进行清洗处理，首先对采集的大数据使用采样区域状态空间结构重组方法进行数据特征重构，提取GIL设备不良数据的统计特征量，然后采用多层模板特征匹配方法进行GIL设备不良数据的模糊聚类融合处理，根据特征提取结果进行GIL设备不良数据的分组检测，结合自回归分析方法，提高对GIL设备不良数据识别能力。

根据特征提取结果进行GIL设备不良数据的分组检测，构建GIL设备不良数据调度的同质分布模型，公式为：

TTD＝a₁x₁+a₂x₂+…+a_kx_k+δ

式中TTD表示GIL设备不良数据的智能共享的相关因子，分别是a₁,a₂,…,a_k，在GIL设备不良数据分布结构模型下，以β为边界条件，得到GIL设备不良数据的关联规则特征拓展外延M^β：

采用U(t)＝∑_M∈EP[M]表示GIL设备不良数据的主体状态集合，A_ST∈P×T，构建GIL设备不良数据的模糊指派调度集，结合块稀疏表达方法，实现GIL设备不良数据的差异性特征采样，公式为：

由于∑_ia_i＝1,K(x_i,x_i)＝1计算GIL设备不良数据的模糊关联度特征，并进行F检验分析，提取GIL设备不良数据的规则性特征量，得到GIL设备监测的优化模型为：

其中，

σ值越小，对GIL设备不良数据识别的收敛性越好，在参考模板相似度条件下，进行GIL设备不良数据信息融合，提高GIL设备不良数据的高效识别能力。

考虑到细小的故障也会对设备日后的工作与维护产生影响，对于实验数据的处理，算法也有着人工所不能拥有的优势，可以多次测量取平均值减小实验误差，也可以通过模糊核聚类融合算法对大量实验数据进行分析，得出不良数据的误差范围，在达到故障数据误差范围内时，可以再次进行测试，从而减小人工失误造成的故障误判，精确处理不良数据，达到最好的处理效果。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种特高压GIL设备现场交接验收综合测试平台，其特征在于：包括传感器模块、虚拟仪器模块和上位机；

所述传感器模块包括内置传感器和外置传感器，所述内置传感器安装在GIL管道的取气口处，用于检测GIL管道内绝缘气体的成分、温度、湿度和压力；所述外置传感器安装在GIL管道的外壁上，用于获取GIL管道的机械振动信号、噪声信号和外壳温度；

所述上位机为计算机设备，存储有数据库，运行有计算机程序；所述计算机程序用于进行数据处理、诊断模型构建和故障诊断。

所述虚拟仪器模块与所述上位机的系统总线连接，用于采集所述传感器模块所获取的数据并传输至所述上位机。

2.根据权利要求1所述特高压GIL设备现场交接验收综合测试平台，其特征在于：所述虚拟仪器模块包括A/D采集卡和调理放大器。

3.根据权利要求2所述特高压GIL设备现场交接验收综合测试平台，其特征在于：所述数据库为Hadoop数据库。

4.根据权利要求3所述特高压GIL设备现场交接验收综合测试平台，其特征在于：所述计算机程序通过神经网络构建诊断模型。

5.根据权利要求4所述特高压GIL设备现场交接验收综合测试平台，其特征在于：所述计算机程序通过人体免疫算法进行故障诊断。

6.根据权利要求5所述特高压GIL设备现场交接验收综合测试平台，其特征在于：所述计算机程序对所述传感器模块所获取的不良数据进行清洗处理。

Images