CN115356605B - 配电开关控制设备运行状态监控方法 - Google Patents

配电开关控制设备运行状态监控方法 Download PDF

Info

Publication number
CN115356605B
CN115356605B CN202211280437.6A CN202211280437A CN115356605B CN 115356605 B CN115356605 B CN 115356605B CN 202211280437 A CN202211280437 A CN 202211280437A CN 115356605 B CN115356605 B CN 115356605B
Authority
CN
China
Prior art keywords
data
monitoring
power distribution
switch control
formula
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.)
Active
Application number
CN202211280437.6A
Other languages
English (en)
Other versions
CN115356605A (zh
Inventor
向海星
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Ruituo New Technology Co ltd
Original Assignee
Shenzhen Ruituo New Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Ruituo New Technology Co ltd filed Critical Shenzhen Ruituo New Technology Co ltd
Priority to CN202211280437.6A priority Critical patent/CN115356605B/zh
Publication of CN115356605A publication Critical patent/CN115356605A/zh
Application granted granted Critical
Publication of CN115356605B publication Critical patent/CN115356605B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K11/00—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00
    • G01K11/22—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00 using measurement of acoustic effects
    • G01K11/26—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00 using measurement of acoustic effects of resonant frequencies
    • G01K11/265—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00 using measurement of acoustic effects of resonant frequencies using surface acoustic wave [SAW]
    • 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
    • G01R31/327—Testing of circuit interrupters, switches or circuit-breakers

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明公开一种配电开关控制设备运行状态监控方法，涉及状态监控领域，解决的技术问题是无法实时精准监控配电开关控制设备的运行状态；本发明对配电开关控制设备分别进行温度数据和局部放电数据监测，将监测数据通过ZigBee通信网络发送到计算机监控平台，计算机监控平台采用WT‑SE去噪法对监测数据进行去噪处理，对去噪后的监测数据采用局部投影分类器算法进行特征提取并进行特征分类，并以此判断当前配电开关设备是否存在运行异常的问题，若存在运行异常的问题，通过报警单元进行报警；本发明通过WT‑SE去噪法对小波变换进行了优化，能够有效去除复杂噪声，并且将检测数据降维提取特征，易于监控配电开关控制设备的运行状态。

Description

配电开关控制设备运行状态监控方法
技术领域
本发明涉及状态监控技术领域，且更具体地涉及一种配电开关控制设备运行状态监控方法。
背景技术
配电网是由架空线路、电缆、杆塔、配电变压器、隔离开关、无功补偿电容和一些附属设施组成，在电力网中起到分配电能的作用，随着我国经济事业的不断发展，电能需求量的快速增长，配电网规模逐年扩大，配电设备向无油化、免维修、小型化和紧凑型方面发展，并且提出了配电自动化的发展方向，这对于配电网的要求越来越高，由于配电开关控制设备是配电网的基础，技术掌握配电开关控制设备的运行状态对保障配电网的安全可靠性有着重要意义。
配电系统中的变压器、开关柜和电力电缆等设备与电力用户之间的联系最为紧密，设备的正常稳定运行与否对整个电网的安全性和稳定性有着深刻的影响，当配电开关控制设备局部区域的电场强度达到了击穿场强时，该区域就会发生放电，从而形成了局部放电，局部放电会对配电开关控制设备的绝缘性能造成严重的危害，也是最常见的故障特征，因此对于配电开关控制设备的局部放电进行准确的检测具有非常重要的现实意义。
发明内容
针对上述技术的不足，本发明公开一种配电开关控制设备运行状态监控方法，能够对配电开关控制设备的局部放电信号进行监测并得到准确的运行状态。
为了实现上述技术效果，本发明采用以下技术方案：
一种配电开关控制设备运行状态监控方法，包括以下步骤：
步骤一：对配电开关控制设备分别进行温度数据和局部放电数据的监测；
步骤二：将监测数据通过ZigBee通信网络发送到计算机监控平台；
步骤三：计算机监控平台采用WT-SE去噪法对监测数据进行去噪处理，对去噪后的监测数据采用局部投影分类器算法进行特征提取并进行特征分类；
步骤四：根据处理后的数据判断当前配电开关设备是否存在运行异常的问题，若存在运行异常的问题，通过报警单元进行报警。
在本发明进一步的技术方案中，所述配电开关控制设备主要有高压配电柜、发电机、变压器、电力线路、断路器、低压开关柜、配电盘、开关箱和控制箱。
在本发明进一步的技术方案中，所述对配电开关控制设备温度数据的监测通过安装基于声表面波技术的无线无源测温设备进行测量；所述基于声表面波技术的无线无源测温设备由数据采集模块、数据处理模块、温度显示模块、报警模块和配置模块组成，所述数据处理模块分别与数据采集模块、配置模块、报警模块和温度显示模块相连接；
所述数据采集模块主要包括谐振型声表面波温度传感器和温度采集器，所述谐振型声表面波温度传感器通过谐振器的谐振频率变化测量温度值，所述温度采集器用于采集谐振型声表面波温度传感器的温度信号并进行打包；
所述数据处理模块主要包括龙芯2K1000处理器、存储器和通信单元，所述龙芯2K1000处理器由于对采集的数据进行处理分析，所述存储器用于对历史30天内的采集数据进行存储，所述通信单元用于将处理分析后的数据发送到计算机监控平台；
所述温度显示模块主要包括监测点实时温度值和监测点实时温度曲线两个显示界面，所述监测点实时温度值显示界面用于显示监测点的实时温度值，所述监测点实时温度曲线用于以曲线方式对监测点实时温度值进行显示；
所述配置模块主要包括传感器设置、存储设置和通信设置，所述传感器设置用于对谐振型声表面波温度传感器进行参数设置，所述存储设置用于对存储器存储日期参数进行设置，所述通信配置用于对通信网络进行设置；
所述报警模块用于当监测点实时温度曲线出现异常时进行报警。
在本发明进一步的技术方案中，所述对配电开关控制设备局部放电数据的监测通过安装特高频局部放电监测仪进行测量；所述特高频局部放电监测仪由特高频传感器、信号放大器、滤波器和微型电源组成，所述特高频传感器通过对局部放电产生的电磁波信号进行无线接收，所述信号放大器用于对接收的局部放电信号进行放大处理，所述滤波器用于去除配电开关控制设备现场存在的干扰信号，所述微型电源用于为特高频传感器、信号放大器和滤波器稳定提供无线电源；所述特高频传感器输出端与所述滤波器输入端相连接，所述滤波器输出端与所述信号放大器输入端相连接，所述微型电源分别与特高频传感器、滤波器和信号放大器相连接。
在本发明进一步的技术方案中，所述ZigBee通信网络主要由ZigBee传感器节点、ZigBee中继节点和ZigBee网络协调器组成，所述ZigBee传感器节点安装在所述无线无源测温单元和所述特高频局部放电监测仪中用于将监测数据通过ZigBee通信网络发送到计算机监控平台，所述ZigBee中继节点用于对区域内传感器节点接收的大量监测数据进行打包，所述ZigBee网络协调器用于接收ZigBee中继节点发来的监测数据包并传输到计算机监控平台。
在本发明进一步的技术方案中，WT-SE去噪法兼顾信号的时域和频域两个维度对监测信号进行去噪处理；首先定义WT-SE去噪法时必须满足以下两个条件；
Figure 871014DEST_PATH_IMAGE001
（1）
公式（1）中，
Figure 584892DEST_PATH_IMAGE002
为WT-SE母函数，L为监测信号，R为监测信号集合；
Figure 646520DEST_PATH_IMAGE003
（2）
公式（2）中，
Figure 838467DEST_PATH_IMAGE004
为傅里叶变换，C为WT-SE去噪函数；
在满足上述两个条件后，用a表示尺度参数，b表示位移参数，当
Figure 230003DEST_PATH_IMAGE005
且b∈R 时，通过小波函数的伸缩与平移，可以获得以下函数：
Figure 849203DEST_PATH_IMAGE006
（3）
公式（3）称为依赖尺度参数、位移参数的连续小波，简称为小波，公式（3）中，a表示 尺度参数，b表示位移参数，
Figure 194865DEST_PATH_IMAGE007
表示任一时刻；
f（t）的小波变换表示为：
Figure 924923DEST_PATH_IMAGE008
（4）
公式（4）中，a表示尺度参数，b表示位移参数，
Figure 390540DEST_PATH_IMAGE005
且b∈R，
Figure 444557DEST_PATH_IMAGE007
表示任一时刻，
Figure 526783DEST_PATH_IMAGE009
为傅里叶变换；对小波变换进行优化，WT-SE去噪公式定义为：
Figure 545686DEST_PATH_IMAGE010
（5）
公式（5）中，G为WT-SE去噪函数，d i 为计算得到的概率参数，计算方法为：
Figure 865808DEST_PATH_IMAGE011
（6）
公式（6）中，w f （a,b）表示小波变换函数，通过WT-SE去噪法能够去除分散的噪声。
在本发明进一步的技术方案中，局部投影分类器算法进行特征提取并进行特征分类的流程如下：
假设每一个数据的特征矩阵E的大小为Np×Nq,总数据数为N，每一个类别中的数据数为nk,类别为k=1,2，…，Z，nk为第k个类别中的数据个数，类别对应的矩阵集为Ek={Ek 1,Ek 2,…, Ek nk}，原始空间中的数据E=（e1，e2，…，en），此时将数据集投影到一个低维的空间并保留原始空间的邻域，投影低维空间后的数据集为F=（f1，f2，…，fn），得到投影低维空间的目标函数为：
Figure 826811DEST_PATH_IMAGE012
（7）
公式（7）中，H(M)表示数据集投影后的目标函数，M为目标投影方向，M T 表示数据集在目标投影方向上的矩阵，K B 表示类间散布矩阵，K W 表示类内散布矩阵，通过对目标函数进行最大化获得投影方向，并对目标函数的协方差矩阵进行近似取值为：
Figure 114442DEST_PATH_IMAGE013
（8）
公式（8）中，λ表示空间协方差矩阵，η表示频率协方差矩阵，W k ij 表示同类别中任意两个数据之间的权值，对类间散布矩阵K B 进行分离得到
Figure 920724DEST_PATH_IMAGE014
（9）
公式（9）中，u为F的向量化，F为K类别的数据均值矩阵，B ab 是任意两个类别数据均值之间的均值矩阵；对λ进行类间散布投影得到投影矩阵U，对η进行类间散布投影得到投影矩阵V，得到数据集E投影到低维空间的数据集F的特征矩阵为：
Figure 360933DEST_PATH_IMAGE015
（10）
公式（10）中，F表示数据集投影到低维空间后形成的数据矩阵；
对降维后的数据集F采用特征向量和类别标签进行表示：
Figure 774727DEST_PATH_IMAGE016
（11）
公式（11）中，t表示数据的特征向量，s表示数据特征向量对应的类别标签，将左侧视为正类，标签为+1，右侧视为负类，标签为-1，分类器的目标就是寻找1个最优超平面，以使每一类数据支持向量之间的分类间隔达到最大，对分离超平面定义为w*·t+b*=0，分离超平面的定义由法向量w*和截距b*决定；对于解决局部放电信号不可分的问题，分类器寻找最优超平面的过程就是求解如下所下所示：
Figure 300387DEST_PATH_IMAGE017
（12）
公式（12）中，a p 和a q 为拉格朗日向量，t p 表示第p个特征向量，s p 为t p 的类别标签，C为惩罚参数，对公式（12）进行求解可以得到：
Figure 910360DEST_PATH_IMAGE018
（13）
通过公式（13）实现对投影后的数据集的分类。
在本发明进一步的技术方案中，通过分类器对监测数据不断进行锻炼学习，并对监测数据进行分类为正常分类和异常分类，当所监测数据被分类到异常分类中时，计算机监控平台通过蜂鸣器发出报警。
本发明有益的积极效果在于：
本发明通过对采用香农熵值对小波变换进行了优化，可以更好的去除监测信号中的噪声，并且创造了一种局部投影分类器对检测数据进行特征提取和特征分类，提高了特征分类的精度，可以更好地监控配电开关控制设备的运行状态。
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简单地介绍，显而易见地，下面描述中的附图仅仅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，其中：
图1为本发明中一种配电开关控制设备运行状态监控方法流程示意图；
图2为本发明中无线无源测温设备结构示意图；
图3为本发明中谐振型声表面波温度传感器结构示意图；
图4为本发明中特高频局部放电监测仪结构示意图；
图5为本发明中ZigBee通信网络结构示意图；
图6为本发明中局部投影分类器的准确度对比图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明。
如图1所示，一种配电开关控制设备运行状态监控方法，包括以下步骤：
步骤一：对配电开关控制设备分别进行温度数据和局部放电数据的监测；
在具体实施例中，所述配电开关控制设备主要有高压配电柜、发电机、变压器、电力线路、断路器、低压开关柜、配电盘、开关箱和控制箱。
所述对配电开关控制设备温度数据的监测通过安装基于声表面波技术的无线无源测温设备进行测量；如图2所示，所述基于声表面波技术的无线无源测温设备由数据采集模块、数据处理模块、温度显示模块、报警模块和配置模块组成，所述数据处理模块分别与数据采集模块、配置模块、报警模块和温度显示模块相连接；所述数据采集模块主要包括谐振型声表面波温度传感器和温度采集器，所述谐振型声表面波温度传感器通过谐振器的谐振频率变化测量温度值，所述温度采集器用于采集谐振型声表面波温度传感器的温度信号并进行打包；所述数据处理模块主要包括龙芯2K1000处理器、存储器和通信单元，所述龙芯2K1000处理器由于对采集的数据进行处理分析，所述存储器用于对历史30天内的采集数据进行存储，所述通信单元用于将处理分析后的数据发送到计算机监控平台；所述温度显示模块主要包括监测点实时温度值和监测点实时温度曲线两个显示界面，所述监测点实时温度值显示界面用于显示监测点的实时温度值，所述监测点实时温度曲线用于以曲线方式对监测点实时温度值进行显示；所述配置模块主要包括传感器设置、存储设置和通信设置，所述传感器设置用于对谐振型声表面波温度传感器进行参数设置，所述存储设置用于对存储器存储日期参数进行设置，所述通信配置用于对通信网络进行设置；所述报警模块用于当监测点实时温度曲线出现异常时进行报警。
在具体实施例中，如图3所示，本系统采用的是无源单端口谐振型传感器，也就是只有一个叉指转换器，这个叉指转换器既是输入也是输出，叉指转换器上连接有天线，两边是反射栅，当无线电信号通过天线加到叉指转换器上时，压电基片通过逆压电效应将其转换成声信号，在压电基片表面传播的声表面波被左右两个周期性栅条反射形成谐振，返回到叉指转换器的信号是以谐振频率为主频衰减振荡的响应信号，测量出该信号主频就可以估计出被测量；声表面波系统在工作时首先是由软件控制读写器发射扫频电子波信号，信号通过天线辐射出去，并通过声表面波传感器上的天线将信号接收，并传递到声表面波谐振器电极上；通过逆压电效应将电信号转换为振动信号，也就是常说的声表面波信号，声表面波类似声波，不过需要在特殊基体上传播，波形特征跟基体材料呈相关性；基于声表面波技术开发的无源无线测温系统，温度传感器芯片所选基体随着温度变化呈现一定的特性，并最终影响声表面波在其内部传播的特性，通过它们之间的耦合关系即可解析出温度信息；声表面波在反射腔内传播并最终发射回来，并最终转换为电磁波辐射出去，读取器接收到回波信号，并绘制传感器的频谱即可解析出温度信息。
所述对配电开关控制设备局部放电数据的监测通过安装特高频局部放电监测仪进行测量；如图4所，所述特高频局部放电监测仪由特高频传感器、信号放大器、滤波器和微型电源组成，所述特高频传感器通过对局部放电产生的电磁波信号进行无线接收，所述信号放大器用于对接收的局部放电信号进行放大处理，所述滤波器用于去除配电开关控制设备现场存在的干扰信号，所述微型电源用于为特高频传感器、信号放大器和滤波器稳定提供无线电源；所述特高频传感器输出端与所述滤波器输入端相连接，所述滤波器输出端与所述信号放大器输入端相连接，所述微型电源分别与特高频传感器、滤波器和信号放大器相连接。
在具体实施例中，特高频监测法通过天线传感器接收局部放电过程辐射的特高频电磁波信号，实现局部放电的监测；特高频监测法的传感器采用的天线是阿基米德双臂螺旋天线，这种天线能够实现频率在500~1500兆赫兹之间的局部信号检测，科学实验表明，局部放电脉冲的能量与频带的宽度成正比例，在实际检测中，空气电晕和其他噪声干扰的频率一般是在400兆赫兹以下，而空气中发生局部放电时，特高频信号的能量可以高达数百兆赫兹，所以在选择天线时，天线的下限频率最低为500兆赫兹，对于频率上限的选取，考虑到电磁波接收之前会经过多次的折射和反射，导致能量衰减，发生畸变，对高频分量的提取精度造成影响，最终选择天线的频率上限为1500兆赫兹，这样的频率范围选择，能够有效的排除绝大部分干扰，更多的获取到放电信息。
步骤二：将监测数据通过ZigBee通信网络发送到计算机监控平台；
如图5所示，所述ZigBee通信网络主要由ZigBee传感器节点、ZigBee中继节点和ZigBee网络协调器组成，所述ZigBee传感器节点安装在所述无线无源测温单元和所述特高频局部放电监测仪中用于将监测数据通过ZigBee通信网络发送到计算机监控平台，所述ZigBee中继节点用于对区域内传感器节点接收的大量监测数据进行打包，所述ZigBee网络协调器用于接收ZigBee中继节点发来的监测数据包并传输到计算机监控平台。
在具体实施例中，ZigBee通信网络是一种低速短距离传输的无线网上协议，底层是采用IEEE 802.15.4标准规范的媒体访问层与物理层，主要特色有低速、低耗电、低成本、支持大量网上节点、支持多种网上拓扑、低复杂度、快速和可靠安全；ZigBee是一项新型的无线通信技术，适用于传输范围短数据传输速率低的一系列电子元器件设备之间， ZigBee无线通信技术还可应用于小范围的基于无线通信的控制及自动化等领域，可省去计算机设备、一系列数字设备相互间的有线电缆，更能够实现多种不同数字设备相互间的无线组网，使它们实现相互通信，或者接入因特网。
步骤三：计算机监控平台采用基于香农熵的小波变换去噪方法(Wavelettransform based on shannon entropy，WT-SE)对监测数据进行去噪处理，对去噪后的监测数据采用局部投影分类器算法进行特征提取并进行特征分类；
在具体实施例中，WT-SE去噪法兼顾信号的时域和频域两个维度对监测信号进行去噪处理；首先定义WT-SE去噪法时必须满足以下两个条件；
Figure 457272DEST_PATH_IMAGE001
（1）
公式（1）中，
Figure 760077DEST_PATH_IMAGE019
为WT-SE母函数，L为监测信号，R为监测信号集合；
Figure 507454DEST_PATH_IMAGE020
（2）
公式（2）中，
Figure 671850DEST_PATH_IMAGE004
为傅里叶变换，C为WT-SE去噪函数；
在具体实施例中，香农熵即变量中的信号总量，或变量中信号的储存量，它反映了在不丢失信息的情况下，原始数据能被进行压缩的程度，即有用信息的占有量，熵越小，数据便越有序。
在满足上述两个条件后，用a表示尺度参数，b表示位移参数，当
Figure 821071DEST_PATH_IMAGE005
且b∈R 时，通过小波函数的伸缩与平移，可以获得以下函数：
Figure 560357DEST_PATH_IMAGE006
（3）
公式（3）称为依赖尺度参数、位移参数的连续小波，简称为小波，公式（3）中，a表示 尺度参数，b表示位移参数，
Figure 778718DEST_PATH_IMAGE007
表示任一时刻；
在具体实施例中，小波变换去噪是利用小波变换将信号分解成不同的频段，由于分解后的信号和噪声会表现出不同的特征，实验设置阈值来剔除信号中的噪声，在实际应用中小波变换去噪的参数值的设置对去噪有着重要的影响，所以本发明中对小波变换进行优化；
f（t）的小波变换表示为：
Figure 996073DEST_PATH_IMAGE008
（4）
公式（4）中，a表示尺度参数，b表示位移参数，
Figure 999801DEST_PATH_IMAGE005
且b∈R，
Figure 660720DEST_PATH_IMAGE007
表示任一时刻，
Figure 117109DEST_PATH_IMAGE021
为傅里叶变换；对小波变换进行优化，WT-SE去噪公式定义为：
在具体实施例中，香农熵量化了信号中的信息量，将连续小波变换后的系数矩阵作为信息源来计算香农熵，其结果能够反映小波系数矩阵的随机性程度，
Figure 138155DEST_PATH_IMAGE010
（5）
公式（5）中，G为WT-SE去噪函数，d i 为计算得到的概率参数，计算方法为：
Figure 248587DEST_PATH_IMAGE022
（6）
公式（6）中，w f （a,b）表示小波变换函数，通过WT-SE去噪法能够去除分散的噪声。
在具体实施例中，通过改变小波的带宽参数来计算得出它们各自对应的小波系数矩阵，再计算各自小波系数矩阵对应的香农熵，最后比较所有香农熵，找出最小香农熵对应的带宽参数，便能得到基于香农熵的小波变换去噪方法。
局部投影分类器算法进行特征提取并进行特征分类的流程如下：
假设每一个数据的特征矩阵E的大小为Np×Nq,总数据数为N，每一个类别中的数据数为nk,类别为k=1,2，…，Z，nk为第k个类别中的数据个数，类别对应的矩阵集为Ek={Ek 1,Ek 2,…, Ek nk}，原始空间中的数据E=（e1，e2，…，en），此时将数据集投影到一个低维的空间并保留原始空间的邻域，投影低维空间后的数据集为F=（f1，f2，…，fn），得到投影低维空间的目标函数为：
Figure 64096DEST_PATH_IMAGE012
（7）
公式（7）中，H(M)表示数据集投影后的目标函数，M为目标投影方向，M T 表示数据集在目标投影方向上的矩阵，K B 表示类间散布矩阵，K W 表示类内散布矩阵，通过对目标函数进行最大化获得投影方向，并对目标函数的协方差矩阵进行近似取值为：
Figure 273361DEST_PATH_IMAGE023
（8）
公式（8）中，λ表示空间协方差矩阵，η表示频率协方差矩阵，W k ij 表示同类别中任意两个数据之间的权值，对类间散布矩阵K B 进行分离得到
Figure 583250DEST_PATH_IMAGE024
（9）
公式（9）中，u为F的向量化，F为K类别的数据均值矩阵，B ab 是任意两个类别数据均值之间的均值矩阵；对λ进行类间散布投影得到投影矩阵U，对η进行类间散布投影得到投影矩阵V，得到数据集E投影到低维空间的数据集F的特征矩阵为：
Figure 561571DEST_PATH_IMAGE015
（10）
公式（10）中，F表示数据集投影到低维空间后形成的数据矩阵；
在具体实施例中，流形学习的具体思想是一个空间流形它在某个点的局部是可度量的，可以计算欧式距离的，即流形的局部空间和欧式空间同胚(同胚是拓扑学概念，可以理解为同构，即两个空间存在同构映射关系)；如果有一个很低维度的流形嵌入到高维流形中(嵌入可以举例为在三维空间中的曲线或散点，分布的复杂性肯定比曲面复杂)，但是这些嵌入到高维流形中的局部部分都是可以度量的(比如散点间距离，异面直线距离等)，因此如果能容易地在局部建立降维映射关系，然后推广到全局则是高维流形的一种思考方法；一般来说我们在实际场景的数据样本的维度是高维的，且分布比较复杂，但是局部是具有欧式空间性质的，所以降维场景可以采用流形学习的思想。
对降维后的数据集F采用特征向量和类别标签进行表示：
Figure 282402DEST_PATH_IMAGE025
（11）
公式（11）中，t表示数据的特征向量，s表示数据特征向量对应的类别标签，将左侧视为正类，标签为+1，右侧视为负类，标签为-1，分类器的目标就是寻找1个最优超平面，以使每一类数据支持向量之间的分类间隔达到最大，对分离超平面定义为w*·t+b*=0，分离超平面的定义由法向量w*和截距b*决定；对于解决局部放电信号不可分的问题，分类器寻找最优超平面的过程就是求解如下所示：
Figure 228230DEST_PATH_IMAGE026
（12）
公式（12）中，a p 和a q 为拉格朗日向量，t p 表示第p个特征向量，s p 为t p 的类别标签，C为惩罚参数，对公式（12）进行求解可以得到：
Figure 325499DEST_PATH_IMAGE027
（13）
通过公式（13）实现对降维投影后的数据集的分类。
在具体实施例中，在获得检测数据降维提取较明显的特征后，可以依据样本的特征分布趋势判断当前配电开关控制设备运行状态的类别，但当监测信号的噪声较大时则无法进行有效的识别；因此为了提高分类准确率，需要利用分类器对特征进行学习和识别，分类器的性能直接影响监测信号最终的分类准确率。SVM是一种具有统计学理论基础的分类算法，并且通过引入流形学习，使其成为实质上的非线性分类器。
步骤四：根据处理后的数据判断当前配电开关设备是否存在运行异常的问题，若存在运行异常的问题，通过报警单元进行报警。
在具体实施例中，局部投影分类器对监测数据不断进行锻炼学习，并把监测数据分类为正常分类和异常分类，当所监测数据被分类到异常分类中时，计算机监控平台通过蜂鸣器发出报警。
为了验证本发明的有效性，本实验于某工厂内进行，根据现场实验测试记录，对传感器采集的台区数据进行分析，根据具体结果数据验证其性能；现场实验环境设置，台区变压设备额定功率为450V，传感器数据采集精度为94%，微机计算误差小于5%，无线传输速度为4.5MB/s；实验室计算机在安卓操作系统下，对工厂配电控制设备进行数据统计，根据实验记录报表，经过后续分类汇总，将采集数据和误差进行列举，从而得到局部投影分类器的分类数据如表1所示：
表1局部投影分类器数据分类表
Figure 423905DEST_PATH_IMAGE028
分析表1测试结果，最大分类误差为0.7%，最小分类误差为0.2%，验证了本设计局部投影分类器具有较高精度。
为验证本文设计的检测仪对设备数据的准确度，分别采用本方法、支持向量机分类器（方法二）和检波器（方法三）进行分类，通过MATLAB仿真软件对三种方法进行对比，仿真结果如图6所示：
对图6仿真结果进行分析可得，本方法总体准确度高于另外两种方法，其中本研究在200MB就达到最大准确度，并且稳定在96%，而一种方法在300MB达到最大准确度，稳定在95%；另一种方法在300MB达到最大准确度，稳定在94%，但在600MB时准确度极具下降。分析可知本方法的分类准确度较高。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。

Claims (5)

1.一种配电开关控制设备运行状态监控方法，其特征在于，包括以下步骤：
步骤一：对配电开关控制设备分别进行温度数据和局部放电数据的监测；
步骤二：将监测数据通过ZigBee通信网络发送到计算机监控平台；
步骤三：计算机监控平台采用WT-SE去噪法对监测数据进行去噪处理，对去噪后的监测数据采用局部投影分类器算法进行特征提取并进行特征分类；
步骤四：根据处理后的数据判断当前配电开关控制设备是否存在运行异常的问题，若存在运行异常的问题，通过报警单元进行报警；
所述ZigBee通信网络主要由ZigBee传感器节点、ZigBee中继节点和ZigBee网络协调器组成，所述ZigBee传感器节点安装在无线无源测温单元和特高频局部放电监测仪中用于将监测数据通过ZigBee通信网络发送到计算机监控平台，所述ZigBee中继节点用于对区域内传感器节点接收的大量监测数据进行打包，所述ZigBee网络协调器用于接收ZigBee中继节点发来的监测数据包并传输到计算机监控平台；
WT-SE去噪法兼顾信号的时域和频域两个维度对监测信号进行去噪处理；首先定义WT-SE去噪法时必须满足以下两个条件；
Figure 588877DEST_PATH_IMAGE001
（1）
公式（1）中，
Figure 257887DEST_PATH_IMAGE002
为WT-SE母函数，L为监测信号，R为监测信号集合；
Figure 955584DEST_PATH_IMAGE003
（2）
公式（2）中，
Figure 111759DEST_PATH_IMAGE004
为傅里叶变换，C为WT-SE去噪函数；
在满足上述两个条件后，用a表示尺度参数，b表示位移参数，当
Figure 689240DEST_PATH_IMAGE005
且b∈R时，通过 小波函数的伸缩与平移，可以获得以下函数：
Figure 625972DEST_PATH_IMAGE006
（3）
公式（3）称为依赖尺度参数、位移参数的连续小波，简称为小波，公式（3）中，a表示尺度 参数，b表示位移参数，
Figure DEST_PATH_IMAGE007
表示任一时刻；
f（t）的小波变换表示为：
Figure 346934DEST_PATH_IMAGE008
（4）
公式（4）中，a表示尺度参数，b表示位移参数，
Figure 888774DEST_PATH_IMAGE005
且b∈R，
Figure 184626DEST_PATH_IMAGE009
表示任一时刻，
Figure 798535DEST_PATH_IMAGE010
为 傅里叶变换；对小波变换进行优化，WT-SE去噪公式定义为：
Figure 41297DEST_PATH_IMAGE011
（5）
公式（5）中，G为WT-SE去噪函数，d i 为计算得到的概率参数，计算方法为：
Figure 234381DEST_PATH_IMAGE012
（6）
公式（6）中，w f （a,b）表示小波变换函数，通过WT-SE去噪法能够去除分散的噪声；
局部投影分类器算法进行特征提取并进行特征分类的流程如下：
假设每一个数据的特征矩阵E的大小为Np×Nq,总数据数为N，每一个类别中的数据数为nk,类别为k=1,2，…，Z，nk为第k个类别中的数据个数，类别对应的矩阵集为Ek={Ek 1,Ek 2,…, Ek nk}，原始空间中的数据E=（e1，e2，…，en），此时将数据集投影到一个低维的空间并保留原始空间的邻域，投影低维空间后的数据集为F=（f1，f2，…，fn），得到投影低维空间的目标函数为：
Figure 655129DEST_PATH_IMAGE013
（7）
公式（7）中，H(M)表示数据集投影后的目标函数，M为目标投影方向，M T 表示数据集在目标投影方向上的矩阵，K B 表示类间散布矩阵，K W 表示类内散布矩阵，通过对目标函数进行最大化获得投影方向，并对目标函数的协方差矩阵进行近似取值为：
Figure 504137DEST_PATH_IMAGE014
（8）
公式（8）中，λ表示空间协方差矩阵，η表示频率协方差矩阵，W k ij 表示同类别中任意两个数据之间的权值，对类间散布矩阵K B 进行分离得到：
Figure 285011DEST_PATH_IMAGE015
（9）
公式（9）中，u为F的向量化，F为K类别的数据均值矩阵，B ab 是任意两个类别数据均值之间的均值矩阵；对λ进行类间散布投影得到投影矩阵U，对η进行类间散布投影得到投影矩阵V，得到数据集E投影到低维空间的数据集F的特征矩阵为：
Figure 847448DEST_PATH_IMAGE016
（10）
公式（10）中，F表示数据集投影到低维空间后形成的数据矩阵；
对降维后的数据集F采用特征向量和类别标签进行表示：
Figure 688365DEST_PATH_IMAGE017
（11）
公式（11）中，t表示数据的特征向量，s表示数据特征向量对应的类别标签，将左侧视为正类，标签为+1，右侧视为负类，标签为-1，分类器的目标就是寻找1个最优超平面，以使每一类数据支持向量之间的分类间隔达到最大，对分离超平面定义为w*·t+b*=0，分离超平面的定义由法向量w*和截距b*决定；对于解决局部放电信号不可分的问题，分类器寻找最优超平面的过程就是求解如下所示：
Figure 24669DEST_PATH_IMAGE018
（12）
公式（12）中，a p 和a q 为拉格朗日向量，t p 表示第p个特征向量，s p 为t p 的类别标签，C为惩罚参数，对公式（12）进行求解可以得到：
Figure 156704DEST_PATH_IMAGE019
（13）
通过公式（13）实现对投影后的数据集的分类。
2.根据权利要求1所述的一种配电开关控制设备运行状态监控方法，其特征在于：所述配电开关控制设备主要有高压配电柜、发电机、变压器、电力线路、断路器、低压开关柜、配电盘、开关箱和控制箱。
3.根据权利要求1所述的一种配电开关控制设备运行状态监控方法，其特征在于：
所述对配电开关控制设备温度数据的监测通过安装基于声表面波技术的无线无源测温设备进行测量；所述基于声表面波技术的无线无源测温设备由数据采集模块、数据处理模块、温度显示模块、报警模块和配置模块组成，所述数据处理模块分别与数据采集模块、配置模块、报警模块和温度显示模块相连接；
所述数据采集模块主要包括谐振型声表面波温度传感器和温度采集器，所述谐振型声表面波温度传感器通过谐振器的谐振频率变化测量温度值，所述温度采集器用于采集谐振型声表面波温度传感器的温度信号并进行打包；
所述数据处理模块主要包括龙芯2K1000处理器、存储器和通信单元，所述龙芯2K1000处理器用于对采集的数据进行处理分析，所述存储器用于对历史30天内的采集数据进行存储，所述通信单元用于将处理分析后的数据发送到计算机监控平台；
所述温度显示模块主要包括监测点实时温度值和监测点实时温度曲线两个显示界面，所述监测点实时温度值显示界面用于显示监测点的实时温度值，所述监测点实时温度曲线用于以曲线方式对监测点实时温度值进行显示；
所述配置模块主要包括传感器设置、存储设置和通信设置，所述传感器设置用于对谐振型声表面波温度传感器进行参数设置，所述存储设置用于对存储器存储日期参数进行设置，所述通信配置用于对通信网络进行设置；
所述报警模块用于当监测点实时温度曲线出现异常时进行报警。
4.根据权利要求1所述的一种配电开关控制设备运行状态监控方法，其特征在于：
所述对配电开关控制设备局部放电数据的监测通过安装特高频局部放电监测仪进行测量；所述特高频局部放电监测仪由特高频传感器、信号放大器、滤波器和微型电源组成，所述特高频传感器通过对局部放电产生的电磁波信号进行无线接收，所述信号放大器用于对接收的局部放电信号进行放大处理，所述滤波器用于去除配电开关控制设备现场存在的干扰信号，所述微型电源用于为特高频传感器、信号放大器和滤波器稳定提供无线电源；所述特高频传感器输出端与所述滤波器输入端相连接，所述滤波器输出端与所述信号放大器输入端相连接，所述微型电源分别与特高频传感器、滤波器和信号放大器相连接。
5.根据权利要求1所述的一种配电开关控制设备运行状态监控方法，其特征在于：
通过分类器对监测数据不断进行锻炼学习，并对监测数据进行分类为正常分类和异常分类，当所监测数据被分类到异常分类中时，计算机监控平台通过蜂鸣器发出报警。
CN202211280437.6A 2022-10-19 2022-10-19 配电开关控制设备运行状态监控方法 Active CN115356605B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211280437.6A CN115356605B (zh) 2022-10-19 2022-10-19 配电开关控制设备运行状态监控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211280437.6A CN115356605B (zh) 2022-10-19 2022-10-19 配电开关控制设备运行状态监控方法

Publications (2)

Publication Number Publication Date
CN115356605A CN115356605A (zh) 2022-11-18
CN115356605B true CN115356605B (zh) 2023-01-13

Family

ID=84008347

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211280437.6A Active CN115356605B (zh) 2022-10-19 2022-10-19 配电开关控制设备运行状态监控方法

Country Status (1)

Country Link
CN (1) CN115356605B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116203362B (zh) * 2023-02-10 2023-09-19 深圳市云帆自动化技术有限公司 一种配电盘状态监测系统
CN116148612A (zh) * 2023-03-30 2023-05-23 成都宝屯沧网络科技有限公司 配电柜故障检测方法、系统、电子设备以及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103107597A (zh) * 2012-12-27 2013-05-15 上海欧忆智能网络有限公司 一种电力配网箱式变压器环境参数在线监测系统
CN103389341A (zh) * 2012-05-10 2013-11-13 沈阳工业大学 风力机叶片裂纹检测方法
CN104502759A (zh) * 2014-12-19 2015-04-08 国家电网公司 配网开关柜智能监测系统
CN104573717A (zh) * 2014-12-31 2015-04-29 南京理工大学 有监督的流形学习算法
KR20170140127A (ko) * 2017-11-24 2017-12-20 조선대학교산학협력단 Kpca, lda, 및 다중커널학습 svm을 이용한 뇌 이미지 분석방법
CN113283474A (zh) * 2021-04-26 2021-08-20 天津大学 一种基于svm的局部放电模式识别方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6990217B1 (en) * 1999-11-22 2006-01-24 Mitsubishi Electric Research Labs. Inc. Gender classification with support vector machines
US6993193B2 (en) * 2002-03-26 2006-01-31 Agilent Technologies, Inc. Method and system of object classification employing dimension reduction
US10410638B2 (en) * 2015-02-27 2019-09-10 Samsung Electronics Co., Ltd. Method and device for transforming feature vector for user recognition

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103389341A (zh) * 2012-05-10 2013-11-13 沈阳工业大学 风力机叶片裂纹检测方法
CN103107597A (zh) * 2012-12-27 2013-05-15 上海欧忆智能网络有限公司 一种电力配网箱式变压器环境参数在线监测系统
CN104502759A (zh) * 2014-12-19 2015-04-08 国家电网公司 配网开关柜智能监测系统
CN104573717A (zh) * 2014-12-31 2015-04-29 南京理工大学 有监督的流形学习算法
KR20170140127A (ko) * 2017-11-24 2017-12-20 조선대학교산학협력단 Kpca, lda, 및 다중커널학습 svm을 이용한 뇌 이미지 분석방법
CN113283474A (zh) * 2021-04-26 2021-08-20 天津大学 一种基于svm的局部放电模式识别方法

Also Published As

Publication number Publication date
CN115356605A (zh) 2022-11-18

Similar Documents

Publication Publication Date Title
CN115356605B (zh) 配电开关控制设备运行状态监控方法
Zhao et al. Feature extraction of power transformer vibration signals based on empirical wavelet transform and multiscale entropy
CN102735999B (zh) Gis局部放电在线监测系统及其故障模式识别方法
CN103868618B (zh) 基于多传感器识别的温度检测系统
CN111679166A (zh) 基于无线传输技术的开关柜局部放电故障多源信息融合检测预警系统及方法
CN103558529A (zh) 一种三相共筒式超高压gis局部放电的模式识别方法
CN112307969B (zh) 一种脉冲信号的分类辨识方法、装置及计算机设备
CN111044902A (zh) 一种基于电流和电压信号的电机故障诊断方法
Khan et al. End-to-end partial discharge detection in power cables via time-domain convolutional neural networks
CN112986870A (zh) 基于振动法的分布式电力变压器绕组状态监测方法及系统
CN115809407A (zh) 一种基于振动特性分析的断路器故障诊断方法及系统
CN103868621A (zh) 电力设备远距离无源无线温度监测系统及方法
Morrison et al. Super-resolution modeling of the indoor radio propagation channel
CN114201991A (zh) 一种基于超声传感器阵列的局放信号检测方法和系统
CN113406441B (zh) 基于聚类和迭代算法的柔性直流电网故障测距方法
CN114742295A (zh) 一种基于小波变换技术的设备用电故障预测方法
CN116861316B (zh) 一种电器监测方法及装置
CN117116293A (zh) 一种复杂声场环境中机器设备故障诊断系统
CN103884447B (zh) 基于码分多址与ofc编码相结合的saw传感方法
CN112883639A (zh) 一种基于机器学习的gis设备寿命预测装置及方法
Saleh et al. Detection and Classification of Defects in XLPE Power Cable Insulation via Machine Learning Algorithms
CN115684908A (zh) 用于电力gis设备的状态监测方法、存储介质及电子装置
CN116318925A (zh) 一种多cnn融合入侵检测方法、系统、介质、设备及终端
CN112526404A (zh) 基于特高频外置传感器的电力变压器故障在线定位系统
Murali et al. Forecasting and classification of power quality disturbance in smart grid using hybrid networks

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