CN115453297A - 一种变压器局部放电在线监测系统及监测方法 - Google Patents
一种变压器局部放电在线监测系统及监测方法 Download PDFInfo
- Publication number
- CN115453297A CN115453297A CN202211234137.4A CN202211234137A CN115453297A CN 115453297 A CN115453297 A CN 115453297A CN 202211234137 A CN202211234137 A CN 202211234137A CN 115453297 A CN115453297 A CN 115453297A
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- signal
- signals
- discharge
- historical
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000005070 sampling Methods 0.000 claims description 27
- 238000001914 filtration Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000009413 insulation Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000002184 metal Substances 0.000 description 2
- 239000000123 paper Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 239000002923 metal particle Substances 0.000 description 1
- 239000011087 paperboard Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本申请公开了一种变压器局部放电在线监测系统及监测方法,包括如下步骤:预先训练模型:从数个历史局部放电信号中,选取任一种故障类型的至少部分历史局部放电信号,作为初始样本;对所述初始样本中的历史局部放电信号,进行样本扩充,基于扩展的样本信号以及初始样本设置标签,并提取特征参数,以训练分类器;采集数据步骤:实时检测变压器的局部放电信号,并提取特征参数;故障识别步骤:将提取的特征参数输入训练好的分类器,以识别故障类型。本申请实施例的方法提出基于不同故障类型的历史局部放电信号,并对历史局部放电信号进行样本扩充,从而利用扩充的样本来训练分类器,提高变压器局部放电监测识别的准确度。
Description
技术领域
本申请涉及变压器监测技术领域,尤其涉及一种变压器局部放电在线监测系统及监测方法。
背景技术
电力变压器内部容易发生局部放电的部位主要有:端部引出线及其匝间、端部绝缘纸板、匝间绝缘、围屏、线圈压板、铁心、紧固件及油中的气泡等。它们可归纳为:带有绝缘屏障的油间隙放电,固体绝缘中的空气间隙放电,油中气泡放电,沿面放电,悬浮电位放电,杂质小桥诱发的放电等类型。从电击穿角度可分为间隙放电,沿面放电,针板放电,接地电极放电,金属颗粒放电。
在电力变压器内部出现绝缘缺陷时,会导致局部放电的发生。不同的局部放电类型对绝缘的破坏作用有很大差异,因此有必要对各种局部放电类型进行区分。
分类器可以用以训练并识别局部放电类型,但现有电网在实际运行过程中,发生事故的概率小,导致无法获得足够的数据支撑来训练分类器,造成了分类器识别准确度下降。
发明内容
本申请实施例提供一种变压器局部放电在线监测系统及监测方法,用以提出基于不同故障类型的历史局部放电信号,并对历史局部放电信号进行样本扩充,从而利用扩充的样本来训练分类器,提高变压器局部放电监测识别的准确度。
本申请实施例提出一种变压器局部放电在线监测方法,用于监测变压器局部放点并识别故障类型,包括如下步骤:
预先训练模型步骤:获取变压器不同故障类型的数个历史局部放电信号;
从数个历史局部放电信号中,选取任一种故障类型的至少部分历史局部放电信号,作为初始样本;
对所述初始样本中的历史局部放电信号,采用如下方式进行样本扩充:
将各历史局部放电信号置入统一坐标系中,采用预设对齐方式进行对齐后,按照预设采样率进行离散化,其中任一历史局部放电信号局部区域的幅值波动越大、信号频率越高对应局部区域的采样率越高;
基于所述坐标系的横轴,按序设置数个时间窗口,其中任一时间窗口对应于采样率设置,且采样率越高时间窗口越窄,以使得落入各时间窗口的离散的信号点数接近;
在任一时间窗口,选取指定数量的信号点;
拟合各时间窗口选定的信号点以获得拟合放电信号;
基于所述初始样本中的历史局部放电信号对拟合的放电信号进行过滤,以获得扩展放电信号样本;
基于扩展的样本信号以及初始样本设置标签,并提取特征参数,以训练分类器;
采集数据步骤:实时检测变压器的局部放电信号,并提取特征参数;
故障识别步骤:将提取的特征参数输入训练好的分类器,以识别故障类型。
可选的,采用预设对齐方式进行对齐包括:
从各历史局部放电信号中选定一历史局部放电信号作为基准信号,基于所述基准信号执行如下模糊对齐步骤:
确定所述基准信号的峰值区域,基于所述峰值区域确定所述基准信号的第一过零点和第二过零点;
以所述第一过零点和第二过零点为基础,分别向坐标系横轴的两侧选取指定数量的过零点,以形成参考点集合;
对于各历史局部放电信号中的其他放电信号:
基于任一其他放电信号确定数个过零点;
以所述任一其他放电信号的峰值区域对应的过零点,与所述第一过零点和所述第二过零点分别模糊对齐,以使得所述任一其他放电信号的峰值区域对应的过零点分别距所述第一过零点和所述第二过零点的距离尽可能小;
若所述任一其他放电信号的其余部分过零点与所述参考点集合中的相应过零点之间的距离,超过在预设距离范围,则朝与偏差相反方向,调整所述任一其他放电信号相对于坐标系的位置,以使得所述任一其他放电信号的各过零点相对于所述参考点集合的过零点的距离尽可能小,完成模糊对齐。
可选的,基于所述初始样本中的历史局部放电信号对拟合的放电信号进行过滤包括:
以时间窗口作为分段,确定采样率大于预设阈值的时间窗口作为代表性窗口;
基于各代表性窗口分别确定各历史局部放电信号对应的斜率,以基于确定的斜率为各代表性窗口配置相应的优选斜率范围;
确定拟合的放电信号在各代表性窗口的斜率;
若任一代表性窗口对应拟合的斜率未落入所述优选斜率范围,则判定该段时间窗口对应的子信号不合格;
对于任一拟合的放电信号,在不合格的子信号的数量超过预设阈值的情况下,舍弃所述任一拟合的放电信号,以完成第一次过滤。
可选的,基于所述初始样本中的历史局部放电信号对拟合的放电信号进行过滤还包括:
对于完成第一次过滤的各拟合的放电信号,执行如下步骤:
判断任一拟合的放电信号与初始样本中的各历史局部放电信号的重叠率;
在其与初始样本中的各历史局部放电信号的重叠率高于预设阈值的情况下,舍弃所述任一拟合的放电信号,以完成第二次过滤。
可选的,基于扩展的样本信号以及初始样本设置标签,并提取特征参数,以训练分类器包括:
基于扩展的样本信号以及初始样本构建训练样本,并为所述训练样本设置标签;
提取所述训练样本中的放电信号的时频分布特征参数;
将样本中的放电信号与对应的时频分布特征参数进行组合,以获得特征向量集;
基于所述特征向量集利用遗传算法训练分类器。
可选的,基于扩展的样本信号以及初始样本构建训练样本包括:
按照预设比例,选定相应数量的正常监测信号作为噪声信号;
基于所述噪声信号、所述初始样本以及所述扩展的样本信号构建训练样本。
可选的,提取所述训练样本中的放电信号的时频分布特征参数包括:
对所述训练样本中的放电信号进行小波变换,以获得对应的时频分布曲线;
计算所述时频分布曲线在指定角度上的共生矩阵;
基于多个给定角度的共生矩阵,提取对应放电信号的时频分布特征参数。
可选的,基于所述坐标系的横轴,按序设置数个时间窗口还包括:相邻的时间窗口之间设置至少部分时间窗口重叠,且重叠部分窗口依据采样率设置,采样率越高重叠部分越窄。
本申请实施例还提出一种变压器局部放电在线监测系统,包括处理器和存储器,所述存储器上存储有计算机程序,所述计算机程序被处理器执行时实现前述的变压器局部放电在线监测方法的步骤。
本申请实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现前述的变压器局部放电在线监测方法的步骤。
本申请实施例的方法提出基于不同故障类型的历史局部放电信号,并对历史局部放电信号进行样本扩充,从而利用扩充的样本来训练分类器,提高变压器局部放电监测识别的准确度。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本实施例的变压器局部放电在线监测方法的基本流程示意图;
图2为本实施例的变压器局部放电在线监测方法的样本扩充子流程示例。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本申请实施例提出一种变压器局部放电在线监测方法,用于监测变压器局部放点并识别故障类型,如图1所示,包括如下步骤:
本申请的在线监测方法通过分类器实现,本示例中首先执行预先训练模型步骤S1:
在步骤S101中,获取变压器不同故障类型的数个历史局部放电信号。在具体示例中可以根据已知的故障类型的局部放电信号,从而后期可以在样本扩充后,为扩充样本添加标签,其中针对每一种故障类型可以获取多个历史局部放电信,由此便于后期进行样本扩充。
在步骤S102中,从数个历史局部放电信号中,选取任一种故障类型的至少部分历史局部放电信号,作为初始样本。在一些具体示例中,可以对于一种故障类型,选取一定数量的历史局部放电信号,在选取初始样本的过程中,还可以对某一类型的故障信号进行初步重叠率判断,将重叠率超过预设比例的局部放电信号仅保留一条,选入初始样本中。
在步骤S103中,对所述初始样本中的历史局部放电信号,如图2所示,采用如下方式进行样本扩充:
在步骤S1031中,将各历史局部放电信号置入统一坐标系中,采用预设对齐方式进行对齐后,按照预设采样率进行离散化,其中任一历史局部放电信号局部区域的幅值波动越大、信号频率越高对应局部区域的采样率越高。本示例中在将各历史局部放电信号在同一的坐标系中对齐后,进行离散化。本示例中针对局部放电信号的特点,提出了动态采样率的方式对初始样本中的历史局部放电信号进行动态采样,也即放电信号局部区域的幅值波动越大、信号频率越高对应局部区域的采样率越高。由此可以离散局部放电信号的同时,在离散后更关注于高频区域以及峰值区域,从而使得后期拟合的放电信号,更接近于真实的局部放电信号。
在步骤S1032中,基于所述坐标系的横轴,按序设置数个时间窗口,其中任一时间窗口对应于采样率设置,且采样率越高时间窗口越窄,以使得落入各时间窗口的离散的信号点数接近。本实施例中进一步的基于坐标系的横轴,按序设置数个时间窗口,本示例所设计的时间窗口是对应于采样率来设置的,由此在一个时间窗口可以在相应的坐标区域截取到离散的信号点数接近,从而可以使得后期拟合的放电信号的特征与真实信号更接近,提高样本扩充的效果。
在步骤S1033中,在任一时间窗口,选取指定数量的信号点,具体选定的信号点的数量可以根据实际需要设置。
在步骤S1034中,拟合各时间窗口选定的信号点以获得拟合放电信号。具体可以采用分段拟合的方式,并对分段拟合的子信号进行平滑处理,从而获得拟合放电信号。
在步骤S1035中,基于所述初始样本中的历史局部放电信号对拟合的放电信号进行过滤,以获得扩展放电信号样本。在一些示例中,可以过滤掉例如重复的拟合放电信号,从而保证扩展放电信号样本中同一类故障,具有多种信号特征,在训练分类器后,提高分类器的识别准确度。
在步骤S1036中,基于扩展的样本信号以及初始样本设置标签,并提取特征参数,以训练分类器。本示例中在获得扩展放电信号样本后,基于故障类型设置训练标签,并训练分类器。训练完成后即可用于识别局部放电的故障类别。
采集数据步骤S2:实时检测变压器的局部放电信号,并提取特征参数;
故障识别步骤S3:将提取的特征参数输入训练好的分类器,以识别故障类型。
本申请实施例的方法提出基于不同故障类型的历史局部放电信号,并对历史局部放电信号进行样本扩充,从而利用扩充的样本来训练分类器,提高变压器局部放电监测识别的准确度。
在一些实施例中,基于所述坐标系的横轴,按序设置数个时间窗口还包括:相邻的时间窗口之间设置至少部分时间窗口重叠,且重叠部分窗口依据采样率设置,采样率越高重叠部分越窄。本示例中进一步基于采样率设置相邻时间窗口之间的重叠率,通过对应设置重叠率,能够极大提高拟合的放电信号的连续性和平滑度。
本示例中针对局部放电信号的特点设计了模糊对齐的步骤,从而配合前述的采样率进行离散,对于同一故障类型,能够使得所获得的扩展样本中包含足够多的信号特征,同时实现提高拟合信号的可用性,降低拟合失真率,从而训练出的分类器具有更好的准确度。具体在一些实施例中,可以从各历史局部放电信号中选定一历史局部放电信号作为基准信号,基于所述基准信号执行如下模糊对齐步骤:
确定所述基准信号的峰值区域,基于所述峰值区域确定所述基准信号的第一过零点和第二过零点。例如可以确定信号极值对应的信号段的两个过零点,本示例中所指的极值可以是极大值也可以是极小值。本示例中并不选用起始点作为模糊对齐的基准,而是选用峰值区域作为对齐基准,通过这样的方式,能够保证后期拟合的信号与真实信号在时间轴上的表现更为相似,从而不会出现拟合失真的问题。
以所述第一过零点和第二过零点为基础,分别向坐标系横轴的两侧选取指定数量的过零点,以形成参考点集合,基于所获得的参考点集合可以执行后续的模糊对齐步骤。
对于各历史局部放电信号中的其他放电信号:基于任一其他放电信号确定数个过零点,对于任一其他放电信号可以采用与基准信号类似的方式确定数量相同的过零点。
以所述任一其他放电信号的峰值区域对应的过零点,与所述第一过零点和所述第二过零点分别模糊对齐,以使得所述任一其他放电信号的峰值区域对应的过零点分别距所述第一过零点和所述第二过零点的距离尽可能小。
若所述任一其他放电信号的其余部分过零点与所述参考点集合中的相应过零点之间的距离,超过在预设距离范围,则朝与偏差相反方向,调整所述任一其他放电信号相对于坐标系的位置,以使得所述任一其他放电信号的各过零点相对于所述参考点集合的过零点的距离尽可能小,完成模糊对齐。本示例中的模糊对齐的核心在于并非控制放电信号中的某一个信号段完整对齐,而在于尽可能保证多个信号区域均能满足预期的对齐效果,从而在离散后,能够在一个时间窗口内获得丰富的离散效果,从而在拟合形成的扩充样本中包含更多的信号特征。本示例中所指的朝与偏差相反方向是指例如有多个过零点与参考点集合的偏差均为正,则朝负方向调整任一其他放电信号,反之同理。
在一些实施例中,基于所述初始样本中的历史局部放电信号对拟合的放电信号进行过滤包括:
以时间窗口作为分段,确定采样率大于预设阈值的时间窗口作为代表性窗口。本示例中所指的代表性窗口可以是根据用户感兴趣的信号段来设置。
基于各代表性窗口分别确定各历史局部放电信号对应的斜率,以基于确定的斜率为各代表性窗口配置相应的优选斜率范围。
确定拟合的放电信号在各代表性窗口的斜率。本示例中基于时间窗口进一步确定各代表性窗口的斜率,由此代表性时间窗口的设置也与采样率相关,从而可以将代表性窗口的斜率确定在一个理想的范围,进一步保证拟合信号接近于真实信号。
若任一代表性窗口对应拟合的斜率未落入所述优选斜率范围,则判定该段时间窗口对应的子信号不合格,对于任一拟合的放电信号,在不合格的子信号的数量超过预设阈值的情况下,舍弃所述任一拟合的放电信号,以完成第一次过滤。
在前述模糊对齐的基础上,可能引入部分噪声和失真,本申请实施例进一步设置代表性窗口,来对拟合的信号进行过滤,由此在过滤后降低扩拟合信号的失真率。同时本实施例中,利用代表性窗口的设置还降低了整体的运算量,提高运算效率。
在一些实施例中,基于所述初始样本中的历史局部放电信号对拟合的放电信号进行过滤还包括:
对于完成第一次过滤的各拟合的放电信号,执行如下步骤:
判断任一拟合的放电信号与初始样本中的各历史局部放电信号的重叠率,在其与初始样本中的各历史局部放电信号的重叠率高于预设阈值的情况下,舍弃所述任一拟合的放电信号,以完成第二次过滤。本示例中进一步对拟合的信号与历史局部放电信号进行重叠率判断,进一步过滤掉与历史局部放电信号重叠率较高的拟合信号,在第二次过滤后,扩展样本中保留的拟合信号能够呈现出更多的信号特征,从而提高训练后的分类器的识别准确率。
在一些实施例中,基于扩展的样本信号以及初始样本构建训练样本包括:按照预设比例,选定相应数量的正常监测信号作为噪声信号;基于所述噪声信号、所述初始样本以及所述扩展的样本信号构建训练样本。选定正常信号作为噪声信号,在具体应用中可以根据实际需要配置噪声信号和训练样本的数量比例。
在一些实施例中,基于扩展的样本信号以及初始样本设置标签,并提取特征参数,以训练分类器包括:
基于扩展的样本信号以及初始样本构建训练样本,并为所述训练样本设置标签;
提取所述训练样本中的放电信号的时频分布特征参数。在一些实施例中,提取所述训练样本中的放电信号的时频分布特征参数包括:对所述训练样本中的放电信号进行小波变换,以获得对应的时频分布曲线;计算所述时频分布曲线在指定角度上的共生矩阵;基于多个给定角度的共生矩阵,提取对应放电信号的时频分布特征参数。例如可以按照时频分布曲线的纹理特征类型,在给定角度上,提取相应的共生矩阵,并基于提取的共生矩阵来确定对应角度上的特征参数,具体的纹理特征类型可以包括能量、熵、对比度、相关度、均匀度等,可以根据实际需要设置。
将样本中的放电信号与对应的时频分布特征参数进行组合,以获得特征向量集,基于所述特征向量集利用遗传算法训练分类器。训练完成后的分类器即可用于识别变压器局部放电故障类型,例如变压器局部放电故障可以包括油中金属尖端型放电、油中沿面型放电、绝缘纸内部金属污染型放电和绝缘纸内部气隙放电等,可以针对不同的故障类型分别训练分类器。
本申请实施例的变压器局部放电在线监测方法可以根据少量的真实的历史局部放电信号对故障信号进行信号扩充,利用本申请实施例的方法能够扩充出失真率低,且特征丰富的扩展放电信号样本,从而可以基于扩展样本提取到更多的放电特征,在利用这些特征训练分类器后,能够极大提高分类器的准确率。
本申请实施例还提出一种变压器局部放电在线监测系统,包括处理器和存储器,所述存储器上存储有计算机程序,所述计算机程序被处理器执行时实现前述的变压器局部放电在线监测方法的步骤。
本申请实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现前述的变压器局部放电在线监测方法的步骤。
此外,尽管已经在本文中描述了示例性实施例,其范围包括任何和所有基于本公开的具有等同元件、修改、省略、组合(例如,各种实施例交叉的方案)、改编或改变的实施例。权利要求书中的元件将被基于权利要求中采用的语言宽泛地解释,并不限于在本说明书中或本申请的实施期间所描述的示例,其示例将被解释为非排他性的。因此,本说明书和示例旨在仅被认为是示例,真正的范围和精神由以下权利要求以及其等同物的全部范围所指示。
以上描述旨在是说明性的而不是限制性的。例如,上述示例(或其一个或更多方案)可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外,在上述具体实施方式中,各种特征可以被分组在一起以简单化本公开。这不应解释为一种不要求保护的公开的特征对于任一权利要求是必要的意图。相反,本公开的主题可以少于特定的公开的实施例的全部特征。从而,以下权利要求书作为示例或实施例在此并入具体实施方式中,其中每个权利要求独立地作为单独的实施例,并且考虑这些实施例可以以各种组合或排列彼此组合。本发明的范围应参照所附权利要求以及这些权利要求赋权的等同形式的全部范围来确定。
以上实施例仅为本公开的示例性实施例,不用于限制本发明,本发明的保护范围由权利要求书限定。本领域技术人员可以在本公开的实质和保护范围内,对本发明做出各种修改或等同替换,这种修改或等同替换也应视为落在本发明的保护范围内。
Claims (10)
1.一种变压器局部放电在线监测方法,用于监测变压器局部放点并识别故障类型,其特征在于,包括如下步骤:
预先训练模型步骤:获取变压器不同故障类型的数个历史局部放电信号;
从数个历史局部放电信号中,选取任一种故障类型的至少部分历史局部放电信号,作为初始样本;
对所述初始样本中的历史局部放电信号,采用如下方式进行样本扩充:
将各历史局部放电信号置入统一坐标系中,采用预设对齐方式进行对齐后,按照预设采样率进行离散化,其中任一历史局部放电信号局部区域的幅值波动越大、信号频率越高对应局部区域的采样率越高;
基于所述坐标系的横轴,按序设置数个时间窗口,其中任一时间窗口对应于采样率设置,且采样率越高时间窗口越窄,以使得落入各时间窗口的离散的信号点数接近;
在任一时间窗口,选取指定数量的信号点;
拟合各时间窗口选定的信号点以获得拟合放电信号;
基于所述初始样本中的历史局部放电信号对拟合的放电信号进行过滤,以获得扩展放电信号样本;
基于扩展的样本信号以及初始样本设置标签,并提取特征参数,以训练分类器;
采集数据步骤:实时检测变压器的局部放电信号,并提取特征参数;
故障识别步骤:将提取的特征参数输入训练好的分类器,以识别故障类型。
2.如权利要求1所述的变压器局部放电在线监测方法,其特征在于,采用预设对齐方式进行对齐包括:
从各历史局部放电信号中选定一历史局部放电信号作为基准信号,基于所述基准信号执行如下模糊对齐步骤:
确定所述基准信号的峰值区域,基于所述峰值区域确定所述基准信号的第一过零点和第二过零点;
以所述第一过零点和第二过零点为基础,分别向坐标系横轴的两侧选取指定数量的过零点,以形成参考点集合;
对于各历史局部放电信号中的其他放电信号:
基于任一其他放电信号确定数个过零点;
以所述任一其他放电信号的峰值区域对应的过零点,与所述第一过零点和所述第二过零点分别模糊对齐,以使得所述任一其他放电信号的峰值区域对应的过零点分别距所述第一过零点和所述第二过零点的距离尽可能小;
若所述任一其他放电信号的其余部分过零点与所述参考点集合中的相应过零点之间的距离,超过在预设距离范围,则朝与偏差相反方向,调整所述任一其他放电信号相对于坐标系的位置,以使得所述任一其他放电信号的各过零点相对于所述参考点集合的过零点的距离尽可能小,完成模糊对齐。
3.如权利要求2所述的变压器局部放电在线监测方法,其特征在于,基于所述初始样本中的历史局部放电信号对拟合的放电信号进行过滤包括:
以时间窗口作为分段,确定采样率大于预设阈值的时间窗口作为代表性窗口;
基于各代表性窗口分别确定各历史局部放电信号对应的斜率,以基于确定的斜率为各代表性窗口配置相应的优选斜率范围;
确定拟合的放电信号在各代表性窗口的斜率;
若任一代表性窗口对应拟合的斜率未落入所述优选斜率范围,则判定该段时间窗口对应的子信号不合格;
对于任一拟合的放电信号,在不合格的子信号的数量超过预设阈值的情况下,舍弃所述任一拟合的放电信号,以完成第一次过滤。
4.如权利要求3所述的变压器局部放电在线监测方法,其特征在于,基于所述初始样本中的历史局部放电信号对拟合的放电信号进行过滤还包括:
对于完成第一次过滤的各拟合的放电信号,执行如下步骤:
判断任一拟合的放电信号与初始样本中的各历史局部放电信号的重叠率;
在其与初始样本中的各历史局部放电信号的重叠率高于预设阈值的情况下,舍弃所述任一拟合的放电信号,以完成第二次过滤。
5.如权利要求4所述的变压器局部放电在线监测方法,其特征在于,基于扩展的样本信号以及初始样本设置标签,并提取特征参数,以训练分类器包括:
基于扩展的样本信号以及初始样本构建训练样本,并为所述训练样本设置标签;
提取所述训练样本中的放电信号的时频分布特征参数;
将样本中的放电信号与对应的时频分布特征参数进行组合,以获得特征向量集;
基于所述特征向量集利用遗传算法训练分类器。
6.如权利要求5所述的变压器局部放电在线监测方法,其特征在于,基于扩展的样本信号以及初始样本构建训练样本包括:
按照预设比例,选定相应数量的正常监测信号作为噪声信号;
基于所述噪声信号、所述初始样本以及所述扩展的样本信号构建训练样本。
7.如权利要求5所述的变压器局部放电在线监测方法,其特征在于,提取所述训练样本中的放电信号的时频分布特征参数包括:
对所述训练样本中的放电信号进行小波变换,以获得对应的时频分布曲线;
计算所述时频分布曲线在指定角度上的共生矩阵;
基于多个给定角度的共生矩阵,提取对应放电信号的时频分布特征参数。
8.如权利要求1所述的变压器局部放电在线监测方法,其特征在于,基于所述坐标系的横轴,按序设置数个时间窗口还包括:相邻的时间窗口之间设置至少部分时间窗口重叠,且重叠部分窗口依据采样率设置,采样率越高重叠部分越窄。
9.一种变压器局部放电在线监测系统,其特征在于,包括处理器和存储器,所述存储器上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的变压器局部放电在线监测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的变压器局部放电在线监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211234137.4A CN115453297B (zh) | 2022-10-10 | 2022-10-10 | 一种变压器局部放电在线监测系统及监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211234137.4A CN115453297B (zh) | 2022-10-10 | 2022-10-10 | 一种变压器局部放电在线监测系统及监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115453297A true CN115453297A (zh) | 2022-12-09 |
CN115453297B CN115453297B (zh) | 2024-01-30 |
Family
ID=84309645
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211234137.4A Active CN115453297B (zh) | 2022-10-10 | 2022-10-10 | 一种变压器局部放电在线监测系统及监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115453297B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102426835A (zh) * | 2011-08-30 | 2012-04-25 | 华南理工大学 | 一种基于支持向量机模型的开关柜局部放电信号识别方法 |
CN102520324A (zh) * | 2011-12-27 | 2012-06-27 | 镇江市诚翔电器有限责任公司 | 一种中压智能开关柜绝缘在线监测系统与监测方法 |
US20130132001A1 (en) * | 2010-07-23 | 2013-05-23 | Soumaya Yacout | Tool and method for fault detection of devices by condition based maintenance |
CN103996077A (zh) * | 2014-05-22 | 2014-08-20 | 中国南方电网有限责任公司电网技术研究中心 | 一种基于多维时间序列的电气设备故障预测方法 |
CN108052953A (zh) * | 2017-10-31 | 2018-05-18 | 华北电力大学(保定) | 基于特征相关的样本扩展方法 |
CN108399486A (zh) * | 2018-01-22 | 2018-08-14 | 国网福建省电力有限公司泉州供电公司 | 一种基于最小二乘向量机的电力设备故障检测方法 |
US20210117851A1 (en) * | 2019-10-18 | 2021-04-22 | Capital One Services, Llc | Incremental time window procedure for selecting training samples for a supervised learning algorithm |
CN114254668A (zh) * | 2021-11-26 | 2022-03-29 | 南方电网数字电网研究院有限公司 | 基于绝缘开关设备放电信号的故障检测方法和装置 |
DE102021108551A1 (de) * | 2021-04-06 | 2022-10-06 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung eingetragener Verein | Konzept für eine datenvermehrung von trainingsdatensätzen für ein maschinenlern-modell zur vorhersage eines zustands eines technischen bauteils |
-
2022
- 2022-10-10 CN CN202211234137.4A patent/CN115453297B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130132001A1 (en) * | 2010-07-23 | 2013-05-23 | Soumaya Yacout | Tool and method for fault detection of devices by condition based maintenance |
CN102426835A (zh) * | 2011-08-30 | 2012-04-25 | 华南理工大学 | 一种基于支持向量机模型的开关柜局部放电信号识别方法 |
CN102520324A (zh) * | 2011-12-27 | 2012-06-27 | 镇江市诚翔电器有限责任公司 | 一种中压智能开关柜绝缘在线监测系统与监测方法 |
CN103996077A (zh) * | 2014-05-22 | 2014-08-20 | 中国南方电网有限责任公司电网技术研究中心 | 一种基于多维时间序列的电气设备故障预测方法 |
CN108052953A (zh) * | 2017-10-31 | 2018-05-18 | 华北电力大学(保定) | 基于特征相关的样本扩展方法 |
CN108399486A (zh) * | 2018-01-22 | 2018-08-14 | 国网福建省电力有限公司泉州供电公司 | 一种基于最小二乘向量机的电力设备故障检测方法 |
US20210117851A1 (en) * | 2019-10-18 | 2021-04-22 | Capital One Services, Llc | Incremental time window procedure for selecting training samples for a supervised learning algorithm |
DE102021108551A1 (de) * | 2021-04-06 | 2022-10-06 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung eingetragener Verein | Konzept für eine datenvermehrung von trainingsdatensätzen für ein maschinenlern-modell zur vorhersage eines zustands eines technischen bauteils |
CN114254668A (zh) * | 2021-11-26 | 2022-03-29 | 南方电网数字电网研究院有限公司 | 基于绝缘开关设备放电信号的故障检测方法和装置 |
Non-Patent Citations (1)
Title |
---|
王锦 等: "基于 WGAN-GP 的变压器故障样本扩充模型的构建与评价", 《光源与照明》, pages 128 - 131 * |
Also Published As
Publication number | Publication date |
---|---|
CN115453297B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chan et al. | Time-frequency sparsity map on automatic partial discharge sources separation for power transformer condition assessment | |
CN108957251B (zh) | 一种电缆接头局部放电模式识别方法 | |
CN103076547B (zh) | 基于支持向量机的gis局部放电故障类型模式识别方法 | |
Gao et al. | Pattern recognition of partial discharge based on VMD-CWD spectrum and optimized CNN with cross-layer feature fusion | |
CN108304567B (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
CN110726898B (zh) | 一种配电网故障类型识别方法 | |
CN112200000B (zh) | 一种焊接稳定性识别模型训练方法、焊接稳定性识别方法 | |
CN107024506A (zh) | 一种致热缺陷检测方法及系统 | |
CN107728028A (zh) | 基于单类支持向量机的gis局部放电故障判别方法 | |
CN110568082A (zh) | 一种基于声发射信号的缆索断丝的判别方法 | |
CN112036320A (zh) | 局部放电状态识别方法、装置、放电模拟器和识别设备 | |
CN113555038B (zh) | 基于无监督领域对抗学习的说话人无关语音情感识别方法及系统 | |
Abu-Rub et al. | Cable insulation fault identification using partial discharge patterns analysis | |
CN114397569A (zh) | 基于vmd参数优化、样本熵的断路器故障电弧检测方法 | |
CN115453297A (zh) | 一种变压器局部放电在线监测系统及监测方法 | |
CN116109015B (zh) | 一种电力系统节能综合优化系统 | |
Seo et al. | A novel signal extraction technique for online partial discharge (PD) measurement of transformers | |
Mishra et al. | Diagnostics analysis of partial discharge events of the power cables at various voltage levels using ramping behavior analysis method | |
CN116298509A (zh) | 一种电力系统谐波谐振的在线识别方法 | |
CN109917245B (zh) | 考虑相位差的超声检测局部放电信号模式识别方法 | |
CN104102834A (zh) | 录音地点的识别方法 | |
CN114755529A (zh) | 一种基于深度学习的多特征融合单相接地故障类型辨识方法 | |
CN114200020A (zh) | 基于耦合超声的二次电缆线芯绝缘损伤识别方法 | |
CN113506252A (zh) | 一种基于t-SNE和核极限学习机的变压器套管典型缺陷类型识别方法 | |
Li et al. | Fault Diagnosis of Transformer Windings Based on Decision Tree and Fully Connected Neural Network. Energies 2021, 14, 1531 |
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 |