CN115494353A - 基于全息数据结合超声波信号诊断的开关柜安全监测方法 - Google Patents
基于全息数据结合超声波信号诊断的开关柜安全监测方法 Download PDFInfo
- Publication number
- CN115494353A CN115494353A CN202211050413.1A CN202211050413A CN115494353A CN 115494353 A CN115494353 A CN 115494353A CN 202211050413 A CN202211050413 A CN 202211050413A CN 115494353 A CN115494353 A CN 115494353A
- Authority
- CN
- China
- Prior art keywords
- switch cabinet
- temperature
- representing
- ultrasonic
- temperatures
- 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.)
- Pending
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
-
- 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
- G01R31/003—Environmental or reliability tests
-
- 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
- G01R31/1209—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 using acoustic measurements
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及基于全息数据结合超声波信号诊断的开关柜安全监测方法,包括:采集开关柜的全息数据;采用完全噪声辅助聚合经验模态分解方法分别将超声波信号以及各相动触头温度的时间序列数据分解;计算得到开关柜各物理量与各相动触头温度的本征模态分量的相关性大小以及超声波信号本征模态分量间的自相关系数;筛选出各相动触头温度的主要相关的物理量以及故障超声波信号进行辅助诊断;利用BiLSTM模型对各相动触头温度的本征模态分量进行预测;对温度的本征模态分量进行合成,并根据预测值结合超声波信号的辅助故障诊断对开头柜的安全风险进行预警。本发明实现了高压开关柜群的实时检测与告警,降低封闭式高压开关柜事故率,提升了电力系统可靠性。
Description
技术领域
本发明属于输变电控制领域,具体涉及一种基于基于全息数据结合超声波信号诊断的开关柜安全监测方法。
背景技术
220kV及以上电压等级变电站室内普遍布置大量10kV高压开关柜,形成10kV高压开关柜群。高压开关柜长期处于高电压、大电流以及强磁场的封闭环境中,且高压开关柜一般采用封闭式结构,工作人员凭借肉眼无法直接观察到开关柜内部的动触头、母线室三相进线口等易发热部位的具体情况。高压开关柜在长时间工作工程中易出现内部过热,主要原因是高压开关柜动触头由于长期机械动作、触头烧蚀而造成接触处温度升高,引起接触处氧化,并使接触电阻增加,温度进一步上升,出现局部熔焊或产生火花甚至电弧放电现象,降低绝缘水平,最终造成电气设备损坏。10kV高压开关柜作为保障变电站稳定运行的设备,数量多且易发热,10kV高压开关柜的长期安全稳定可靠运行直接影响变电站以及所在电力系统的安全。
因此,研究对封闭式高压开关柜易发热部位进行温度、压力等数据和局部放电现象的监测和报警。
发明内容
本发明的目的是针对上述问题,提供一种基于全息数据结合超声波信号诊断的开关柜安全监测方法,利用物联网设备采集高压开关柜内温度和压力等物理量和超声波信号,获得高压开关柜的全息数据;利用经验模态分解方法分别将开关柜动触头温度的时间序列数据和超声波信号分解为多个具有不同频域特性的本征模态分量;计算开关柜各物理量与分解得到的本征模态分量的相关性大小和超声波信号本征模态分量与原始信号的相关系数,筛选得到影响动触头温度的主要相关特征量和故障超声波信号本征模态分量;过热等安全风险发生时,不同物理量的变化快慢不一有差异,即不同的物理量随时间变化的导数不同,利用BiLSTM模型前向、后向两个方向的传播学习能力捕获物理量变化的规律,超前识别出动触头温度的变化趋势,结合超声波信号辅助诊断系统尽早发现开关柜运行的安全风险并发出警报以便于运维人员及时采取措施,确保电力安全,减少损失。
本发明的技术方案是基于全息数据结合超声波信号诊断的开关柜安全监测方法,包括以下步骤:
步骤1:采集开关柜的温度、压力的时间序列数据和壳体的电弧或电晕现象的超声波信号,得到开关柜的全息数据;
利用温度传感器分别采集开关柜A、B、C相的动触头的温度;分别采集A、B、C相的静触头的温度和开关柜顶部以及开关柜背面的温度;利用压力传感器监测触头盒内A、B、C相触头处的压力大小;利用四个超声波传感器检测开关柜壳体的电弧或电晕现象的超声波信号;
步骤2:采用完全噪声辅助聚合经验模态分解方法(Complete EnsembleEmpirical Mode Decomposition with adaptive noise,CEEMDAN)分别将A、B、C相动触头温度的时间序列数据和超声波信号分解为多个本征模态分量;
步骤3:分别以开关柜各相动触头的温度的本征模态分量为目标变量,对开关柜的全息数据进行斯皮尔曼相关性分析,计算得到开关柜各物理量与各相动触头温度的本征模态分量的相关性大小;分别计算超声波信号本征模态分量和原始信号的相关系数;
步骤4:根据与动触头温度的相关性大小,筛选出各相动触头温度的主要相关的物理量;根据与原始信号的相关系数,筛选出故障超声波信号本征模态分量;
步骤5:建立超声波信号辅助诊断系统,将步骤4筛选出的故障超声波信号本征模态分量,计算小波包能量特征谱,再根据超声波信号特征判断开关柜是否发生局部放电故障;
步骤6:建立BiLSTM模型,将步骤4得到的动触头温度的主要相关的物理量作为BiLSTM模型的输入,利用BiLSTM模型对各相动触头温度的本征模态分量进行预测;对BiLSTM模型得到的动触头温度的本征模态分量进行合成,得到动触头温度的预测值;
步骤7:根据开关柜动触头温度的预测值以及超声波辅助诊断对开头柜的安全风险进行预警。
优选地,在高压开关柜内的A、B、C三相进线口的静触头和动触头处、高压开关柜外顶部和背面分别安装无线温度传感器,在触头盒内触头处安装无线压力传感器,在开关柜表面安装超声波传感器。上述无线传感器将检测到的开关柜温度、压力等开关柜的全息数据和壳体的电弧或电晕现象的超声波信号通过无线通信传给中心服务器。中心服务器的数据库包括MySQL关系型数据库和Redis系统,用于存储开关柜的全息数据。MySQL数据库用于储存并查询温度、压力和超声波信号等具有典型关系特征的大量数据。Redis系统是非关系型数据库,按照关键字—值实现储存,支持字符串、链表、集合等类型数据的存储与同步。
步骤2中,对时间区间内采集到的A、B、C相进线口的动触头温度的时间序列数据和超声波信号采用完全噪声辅助聚合经验模态分解方法进行分解处理,得到具有不同频域特性的本征模态分量,具体过程包括:
S1:将正负白噪声对加入原始数据序列x(t)中,利用经验模态分解方法分解得到第一个模态分量IMF1:
其中残余分量:
式中N表示为序列长度;r1(t)表示第1个残余分量;
S2:在残余分量r1(t)中加入正负成对高斯白噪声得到新序列,并进行经验模态分解,得到第二个模态分量IMF2:
式中Ek()表示经过经验模态分解获得的第k个IMF分量,ηj(t)为第j个高斯白噪声序列;ε1表示噪声系数;
其中残余分量:
式中r2(t)表示第2个残余分量;
S3:步骤S2类似地,分解得到第k个残余分量:
式中rk-1(t)、rk(t)分别表示第k-1、k个残余分量;
重复采用经验模态分解对待处理序列进行分解操作,推导出第k+1个模态分量IMFk+1:
S4:重复步骤S3,直到获得的残余分量为单调函数不适合被继续分解时,结束分解过程;设得到的模态分量的数量为L,则原始序列可表示为:
式中r(t)为最终残余分量。
步骤6中,构建并利用BiLSTM模型得到动触头温度的预测值的具体过程包括:
1)分别以步骤2得到的A、B、C相动触头温度的时间序列的本征模态分量IMF1-IMF6以及残余分量r作为BiLSTM模型的预测变量,以步骤4选出的动触头温度的主要相关的物理量作为BiLSTM模型的输入,构建BiLSTM模型;
BiLSTM模型的预测变量:
f(x)=ωTx+b (8)
式中ω表示权重矩阵,b表示偏置项,x表示输入;
利用采集的开关柜的全息数据作为BiLSTM模型的训练数据集,用于BiLSTM模型的训练;
2)设置误差计算间隔(ε-,ε+),其中ε-、ε+分别为误差值的下限和上限,当误差值大于误差计算间隔时,计算误差损失值;
3)BiLSTM模型的第一层LSTM中误差前向传递,从历史数据中学习;第二层LSTM中误差反向传递,从未来数据中学习;利用开关柜的全息数据对BiLSTM模型进行正反两个方向的训练,使BiLSTM模型对开关柜全息数据中的负荷信息进行充分有效地学习;
4)根据训练好的BiLSTM模型的预测变量得到A、B、C相动触头温度的时间序列的本征模态分量IMF1-IMF6以及残余分量r,并合成得到A、B、C相动触头温度的预测值;采用平均绝对误差MAE、均方根误差RMSE、平均绝对误差百分比MAPE对BiLSTM模型的预测精度进行评价。
BiLSTM模型的第一层、第二层LSTM采用如下的门控结构通过信息选择方法,控制信息向细胞单元的传递,
遗忘门:
ft=σ(Wf·[ht-1,xt]+bf) (9)
式中ft表示遗忘门的输出,Wf表示遗忘门的权重矩阵,σ( )表示激活函数;bf表示遗忘门的偏置项;ht-1表示t-1时刻的隐藏变量;xt表示t时刻的输入;
遗忘门通过读取ht-1和xt,输出一个0~1的数值,决定信息是否传递,输出值等于0表示信息完全舍弃,输出值等于1则表示信息完全保留并传递;
输入门:
it=σ(Wi·[ht-1,xt]+bi) (10)
输出门:
ot=σ(Wo·[ht-1,xt]+bo) (12)
ht=ot*tanh(Ct) (13)
式中ot表示输出门的输出,Wo表示输出门的权重矩阵,bo表示输出门的偏置项,ht表示t时刻的隐藏变量。
步骤6中,设置动触头的温度阈值Tthreshold,当BiLSTM模型得到的A、B、C相动触头温度的预测值超过设置的温度阈值时,发出警报。
优选地,针对开关柜运行的不同情景,对温度阈值进行动态调整,以便快速发现安全风险并报警,具体包括:
实时采集的触头处压力值与额定压力值的比值大于或等于1.2时,令Tthreshold=0.8Tbase,其中Tbase表示动触头温度阈值的基准值;
实时采集的开关柜顶部或开关柜背面温度值与温度标准值的比值大于或等于1.1时,令Tthreshold=0.75Tbase。
中心服务器结合超声波辅助诊断系统,实时比较判断A、B、C相动触头温度的预测值与Tthreshold的大小,预测值越过Tthreshold时则发出动作信号传输至报警单元的LED报警灯和蜂鸣器。
相比现有技术,本发明的有益效果包括:
1)本发明实现了高压开关柜群的实时检测与告警,降低封闭式高压开关柜事故率,提升了电力系统安全可靠供电的能力,减少经济损失,增加社会效益;
2)本发明利用完全噪声辅助聚合经验模态分解方法分别将开关柜动触头温度的时间序列数据分解为多个具有不同频域特性的本征模态分量,再利用神经网络模型建立动触头温度的本征模态分量与开关柜各物理量的非线性关系,提高了开关柜动触头温度的预测精度;
3)本发明利用BiLSTM的前向、后向学习能力,学习开关柜过热时开关柜各物理量变化快慢不一的现象,捕捉其中的物理量变化规律,超前感知即将出现的开关柜过热等安全风险,尽早发现开关柜运行的安全风险并发出警报以便于运维人员及时采取措施,确保电力安全;
4)本发明采用斯皮尔曼系数分析开关柜各物理量与各相动触头温度的本征模态分量的相关性大小,相较于皮尔逊系数和肯德尔系数,斯皮尔曼系数很难受异常数据干扰,对数据分布要求更低,尤其适用于10kV开关柜数据的相关性计算;
5)本发明采用动态调整的温度阈值,有助于快速发现风险并报警;
6)本发明采用超声波辅助诊断系统,实现了10kV开关柜局部放电故障的判断和位置的检测,有助于快速发现风险并报警;
7)本发明采用的MySQL数据库实现了开关柜全息数据中具有典型关系特征的数据的存储与查询,具有体积小、成本低、运算速度快和安全可靠等优点;Redis系统实现了开关柜全息数据中非关系型数据的高效储存与查询。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1为本发明实施例的开关柜监测系统的示意图。
图2为本发明实施例的采集开关柜全息数据的无线传感器的分布示意图。
图3为本发明实施例的中心服务器的结构示意图。
图4为本发明实施例中CEEMDAN分解得到的本征模态分量的示意图。
图5为本发明实施例的BiLSTM模型的示意图。
图6为本发明实施例的超声波辅助诊断系统示意图。
具体实施方式
实施例涉及220kV及以上电压等级变电站的10kV开关柜群的安全监测。
如图1-3所示,实施例的开关柜监测系统包括无线测量单元和中心服务器,无线测量单元监测高压开关柜实时温度值和实时压力值,无线测量单元包括无线温度传感器、无线压力传感器、超声波传感器。
数据传输网络单元通过ZigBee无线网络接收无线传感器测量的实时数据,然后将实时数据传输至中心服务器进行数据预处理及预测,当高压开关柜在运行运行过程中即将出现过热现象时,开关柜监测系统发出警报。
中心服务器单元利用完全噪声辅助聚合经验模态分解方法将所述动触头时间数据序列数据分解为频率尺度不同的本征模态分量,然后利用斯皮尔曼系数选取合适的历史特征建立双向长短期记忆神经网络预测模型,并结合高压开关柜运行规程以及与动触头温度相关的测量获得的其他物理量,确定高压开关柜在不同场景下的风险阈值;预测数据与报警阈值进行对比,超过预警值则并将报警信号传输至报警模块的LED报警灯和蜂鸣器进行相应动作。
实施例的布设在开关柜上的无线传感器群如图2所示,8个无线温度传感器分别安装在高压开关柜内的A、B、C三相进线口的动触头、高压开关柜外表面监测点和开关柜内静触头处,3个无线压力传感器安装在触头盒内触头处,4个无线超声波传感器安装在开关柜表面不同位置。ZigBee无线网络模块接收每个无线传感器发送的数据;ZigBee无线网络模块选取ZigBee平台SoC芯片MC13213;无线传感器传输的数据通过ZigBee转IP/TCP设备接收,设备接收的数据通过以太网传输到中心服务器,工作人员可通过电脑或者手机端快速访问服务器数据,从而实现远程监测高压开关柜的运行状况;无线传感器节点的实时数据经RS485总线接口发射给ZigBee无线网络模块,然后实时数据通过协调器和RS485接口转换器被传输到中心服务器。
中心服务器如图3所示,由于无线传感器采集的实时数据具有非平稳性和非线性特征,中心服务器对接受的实时数据进行存储、预处理和非线性回归预测,对时间区间内采集到的A、B、C相进线口的动触头温度和超声波信号采用完全噪声辅助聚合经验模态分解CEEMDAN对数据进行分解处理,将其分解为具有不同频域特性的本征模态分量IMF。
实施例的基于全息数据结合超声波信号诊断的开关柜安全监测方法,包括以下步骤:
步骤1:采集开关柜的温度、压力的时间序列数据和壳体的电弧或电晕现象的超声波信号,得到开关柜的全息数据;
利用温度传感器分别采集开关柜A、B、C相的动触头的温度;分别采集A、B、C相的静触头的温度和开关柜顶部以及开关柜背面的温度;利用压力传感器监测触头盒内A、B、C相触头处的压力大小;利用四个超声波传感器检测开关柜壳体的电弧或电晕现象的超声波信号;
步骤2:采用完全噪声辅助聚合经验模态分解方法分别将A、B、C相动触头温度的时间序列数据和超声波信号分解为多个本征模态分量;
步骤3:分别以开关柜各相动触头的温度的本征模态分量为目标变量,对开关柜的全息数据进行斯皮尔曼相关性分析,计算得到开关柜各物理量与各相动触头温度的本征模态分量的相关性大小;分别计算超声波信号本征模态分量和原始信号的相关系数;
步骤4:根据与动触头温度的相关性大小,筛选出各相动触头温度的主要相关的物理量;根据与原始信号的相关系数,筛选出故障超声波信号本征模态分量;
步骤5:建立超声波信号辅助诊断系统,利用步骤4筛选出的故障超声波信号本征模态分量,计算小波包能量特征谱,再根据超声波信号特征判断开关柜是否发生局部放电故障,超声波辅助诊断系统如图6所示;
步骤5.1:判断本征模态分量是否含有突变信号,若含有突变信号则分别计算超声波本征模态分量和原始信号的相关系数,筛选出故障超声波信号;
步骤5.2:分别计算故障超声波信号的小波包能量特征谱,依据能量特征谱的特征判断开关柜是否发生局部放电,并依据超声波传感器的具体位置和不同超声波传感器接收的故障超声波信号的时间差,计算局部放电故障发生的位置;
以最先接收到放电故障超声波信号的超声波传感器作为基准,第s个超声波传感器接收到的放电故障超声波信号的时刻ts与基准超声波传感器的接收时刻t1的时间差ts1=ts-t1,满足如下距离方程:
其中v为超声波信号传播速度,(x,y,z)为放电故障点的坐标;(x1,y1,z1)为基准超声波传感器的位置坐标;(xs,ys,zs)表示第s个超声波传感器的位置坐标;
求解距离方程即可得到放电故障点坐标(x,y,z),即利用基准超声波传感器和另外3个超声波传感器接收到的放电故障超声波信号,实现在三维空间对放电故障点的定位。
步骤6:建立BiLSTM模型,将步骤4得到的动触头温度的主要相关的物理量作为BiLSTM模型的输入,利用BiLSTM模型对各相动触头温度的本征模态分量进行预测;对BiLSTM模型得到的动触头温度的本征模态分量进行合成,得到动触头温度的预测值;
步骤7:根据开关柜动触头温度的预测值以及超声波辅助诊断对开头柜的安全风险进行预警。
完全噪声辅助聚合经验模态分解方法,包括:
步骤一:在原始数据序列中随机添加m对正负相反的白噪声;
步骤二:将添加正、负白噪声的数据序列利用经验模态分解算法进行分解,并对添加不同白噪声对后分解得到的IMF进行集合平均处理,完成一次迭代;
步骤三:重复上述步骤一和步骤二,并在每次迭代过程中对残值重新添加白噪声;
步骤四:满足迭代条件后,获得完整的CEEMDAN分解结果。
然后利用双向长短期记忆神经网络预测模型对CEEMDAN的分解结果中各个IMF分量进行回归预测建模,最终将各个IMF分量的预测值进行累加重构处理,获得完整数据预测结果。结合高压开关柜运行规程及其他相关物理量,确定高压开关柜在不同场景下的风险分级阈值,试验分析按照实时压力与额定压力之比为1.2及以上时,下调报警阈值大约20%;动触头以外的其他实时温度与额定温度之比为1.1及以上时,下调报警阈值大约25%。
实施例中,采集开关柜的全息数据后,对时间区间内采集到的A、B、C相进线口的动触头温度采用完全噪声辅助聚合经验模态分解方法对数据分解处理,将其分解为具有不同频域特性的本征模态分量,具体过程如下:
S1:将正负的白噪声对加入原始数据序列,利用EMD方法分解得到第一个模态分量IMF1:
其中残余分量:
S2:在残余分量r1(t)中加入正负成对高斯白噪声得到新序列进行多次EMD分解,得到IMF2:
式中Ek(·)表示经过EMD算法获得的第k个IMF分量,ηj(t)为第j个高斯白噪声序列。
其中残余分量:
S3:重复上述步骤分解得到第k个残余分量:
S4:重复采用EMD对待处理序列进行分解操作,推导出第k+1个模态分量IMFk+1:
重复上述步骤,直到获得的残余分量为单调函数不适合被继续分解时,分解过程结束。
S5:假设得到L个模态分量,则原始序列可表示为:
式中r(t)为最终残余分量。
分解得到的本征模态分量如图4所示,其中Original表示原始测得的温度序列,IMF1-IMF6为分解得到的主要模态分量,r为残余分量。
步骤5中,计算小波包能量特征谱的具体过程如下:
式中h(p)、g(p)均为多尺度函数中滤波器系数;
小波包系数重构为:
根据Parseval恒等式可知:
式中f(x)表示时域信号;d(l,p)表示第l层对应的第p个系数;
第l层的第m个频带对应的能量Em,l的计算式如下:
式中,M为第m个频带的长度;dm,l(p)表示第l层的第m个频带的第p个系数;
从全部节点的能量构成的小波能量谱中提取特征,归一化处理得到故障特征值Percentage_El:
根据故障特征值大小判断故障类型,若不同频带的故障特征值较为平均,则没有发生故障;若某几个频带的故障特征值变化幅度较大,则判定为发生局部放电故障。
针对已经分解处理的本征模态分量的数据序列,利用斯皮尔曼系数选取合适的开关柜物理量的历史特征构建双向长短期记忆神经网络预测模型实现动触头温度预测,具体过程如下:
1)利用给定CEEMDAN分解得到的本征模态分量IMF1-IMF6和残余分量r,结合斯皮尔曼系数,选取合适的历史特征构建BiLSTM神经网络模型,进行学习训练,使得f(x)与原样本尽可能接近,即误差越趋近于零:
f(x)=ωTx+b (8)
其中di为变量排序后顺序差,ω和b为训练模型的参数。
2)设置误差计算间隔(ε-,ε+),当误差值大于误差计算间隔时,计算误差损失值。
所提BiLSTM预测模型表示如下:
LSTM在RNN的基础上,针对梯度消失等问题进行改进,采用独特的输入门、遗忘门和输出门等门控结构通过信息选择方法,控制信息向细胞单元的传递。
遗忘门:
ft=σ(Wf·[ht-1,xt]+bf) (9)
遗忘门通过读取ht-1和xt输出一个0~1间的数值,决定信息是否传递,其中0代表信息完全舍弃,1则表示信息完全保留并传递。
输入门:
it=σ(Wi·[ht-1,xt]+bi) (10)
输出门:
ot=σ(Wo·[ht-1,xt]+bo) (12)
ht=ot*tanh(Ct) (13)
3)BiLSTM采用双层LSTM结构,第一层学习历史信息,第二层以反方向传递信息考虑来自未来的数据。通过对数据的正反两个方向的训练,使得模型网络能够对负荷数据的信息进行充分有效地学习,其网络结构如图5所示。
4)将各模态分量IMF1-IMF7的预测值累加重构,实现最终的数据预测,并采用平均绝对误差MAE、均方根误差RMSE、平均绝对误差百分比MAPE、对预测模型进行评价。
实施例的斯皮尔曼系数的计算方法参照2021年第41期《中国电机工程学报》刊登的黄南天等的论文“基于多相关日场景生成的电动汽车充电负荷区间预测”公开的斯皮尔曼系数的计算方法。
双向长短期记忆神经网络预测模型为实现有效预测和告警提供高质量数据支撑,并根据10kV高压开关柜运行需求及电力系统高压设备运行规程,确定封闭式高压开关柜在不同场景下的风险分级阈值,并根据已经获得的压力数据,试验分析按照实时压力与额定压力之比为1.2及以上时,下调报警阈值大约20%;动触头以外的其他实时温度与额定温度之比为1.1及以上时,下调报警阈值大约25%。当高压开关柜相关数据超过报警阈值时,相关报警设备动作:LED报警灯持续红灯闪烁且蜂鸣器启动,显示终端显示故障。中心服务器可显示高压开关柜各监测点实时温度、压力和超声波信号及故障信息,并发送相应报警信息,以便运维人员及时查看开关柜相关运行状态,处理相关故障,尽早排除潜在风险,避免损失进一步扩大。
结合以上说明文字具体描述和介绍了本发明的优先实施案例,但并非对本发明作任何形式上的限制,熟悉本领域的技术人员应该理解,依据本发明的技术实质,在本发明的精神和原则之内,对以上实施案例所作的没有做出创造性劳动,以及任何简易的修改、变换与改进等替代方案,均属于本发明技术方案以及权利要求书的保护范围之内。
Claims (7)
1.基于全息数据结合超声波信号诊断的开关柜安全监测方法,其特征在于,包括以下步骤:
步骤1:采集开关柜的温度、压力的时间序列数据和壳体的电弧或电晕现象的超声波信号,得到开关柜的全息数据;
分别采集开关柜A、B、C相的动触头的温度;分别采集A、B、C相的静触头的温度;利用压力传感器监测触头盒内A、B、C相触头处的压力大小;利用多个超声波传感器检测开关柜壳体的电弧或电晕现象的超声波信号;
步骤2:采用完全噪声辅助聚合经验模态分解方法分别将A、B、C相动触头温度的时间序列数据和超声波信号分解为多个本征模态分量;
步骤3:分别以开关柜各相动触头的温度的本征模态分量为目标变量,对开关柜的全息数据进行斯皮尔曼相关性分析,计算得到开关柜各物理量与各相动触头温度的本征模态分量的相关性大小;计算壳体的电弧或电晕现象的超声波信号本征模态分量与正常工况的开关柜的超声波信号的相关系数;
步骤4:根据与动触头温度的相关性大小,筛选出各相动触头温度的主要相关的物理量;根据声波信号本征模态分量间的相关系数大小,筛选出故障超声波信号本征模态分量;
步骤5:建立超声波信号辅助诊断系统,将步骤4筛选出的故障超声波信号本征模态分量,计算小波包能量特征谱,再根据超声波信号特征判断开关柜是否发生局部放电故障;
步骤6:建立BiLSTM模型,将步骤4得到的动触头温度的主要相关的物理量作为BiLSTM模型的输入,利用BiLSTM模型对各相动触头温度的本征模态分量进行预测;对BiLSTM模型得到的动触头温度的本征模态分量进行合成,得到动触头温度的预测值;
步骤7:根据开关柜动触头温度的预测值对开头柜的安全风险进行预警。
2.根据权利要求1所述的开关柜安全监测方法,其特征在于,步骤2中,对时间区间内采集到的A、B、C相进线口的动触头温度的时间序列数据和壳体的电弧或电晕现象的超声波信号采用完全噪声辅助聚合经验模态分解方法进行分解处理,得到具有不同频域特性的本征模态分量,具体过程包括:
S1:将正负白噪声对加入原始数据序列x(t)中,利用经验模态分解方法分解得到第一个模态分量IMF1:
其中残余分量:
式中N表示序列长度;r1(t)表示第1个残余分量;
S2:在残余分量r1(t)中加入正负成对高斯白噪声得到新序列,并进行经验模态分解,得到第二个模态分量IMF2:
式中Ek(·)表示经过经验模态分解获得的第k个IMF分量,ηj(t)为第j个高斯白噪声序列;ε1表示噪声系数;
其中残余分量:
式中r2(t)表示第2个残余分量;
S3:步骤S2类似地,分解得到第k个残余分量:
式中rk-1(t)、rk(t)分别表示第k-1、k个残余分量;
重复采用经验模态分解对待处理序列进行分解操作,推导出第k+1个模态分量IMFk+1:
S4:重复步骤S3,直到获得的残余分量为单调函数不适合被继续分解时,结束分解过程;
设得到的模态分量的数量为L,则原始序列可表示为:
式中r(t)为最终残余分量。
3.根据权利要求2所述的开关柜安全监测方法,其特征在于,根据超声波信号特征判断开关柜是否发生局部放电故障的具体过程如下:
1)判断本征模态分量是否含有突变信号,若含有突变信号则分别计算超声波本征模态分量和正常工况的开关柜的超声波信号的相关系数,筛选出故障超声波信号;
2)分别计算故障超声波信号的小波包能量特征谱,依据能量特征谱的特征判断开关柜是否发生局部放电,并依据超声波传感器的具体位置和不同超声波传感器接收的故障超声波信号的时间差,计算局部放电发生的位置。
4.根据权利要求3所述的开关柜安全监测方法,其特征在于,步骤5中,计算小波包能量特征谱的具体过程如下:
式中h(p)、g(p)均为多尺度函数中滤波器系数;
小波包系数重构为:
根据Parseval恒等式可知:
式中f(x)表示时域信号;d(l,p)表示第l层的频带的第p个系数;
第l层的第m个频带对应的能量Em,l的计算式如下:
式中,M为第m个频带的长度;dm,l(p)表示第l层的第m个频带对应第p个系数;
从全部节点的能量构成的小波能量谱中提取特征,归一化处理得到故障特征值Percentage_El:
5.根据权利要求4所述的开关柜安全监测方法,其特征在于,步骤6中,构建并利用BiLSTM模型得到动触头温度的预测值的具体过程包括:
1)分别以步骤2得到的A、B、C相动触头温度的时间序列的本征模态分量IMF1-IMF6以及残余分量r作为BiLSTM模型的预测变量,以步骤4选出的动触头温度的主要相关的物理量作为BiLSTM模型的输入,构建BiLSTM模型;
BiLSTM模型的预测变量:
f(x)=ωTx+b (8)
式中ω表示权重矩阵,b表示偏置项,x表示输入;
利用采集的开关柜的全息数据作为BiLSTM模型的训练数据集,用于BiLSTM模型的训练;
2)设置误差计算间隔(ε-,ε+),当误差值大于误差计算间隔时,计算误差损失值;
3)BiLSTM模型的第一层LSTM中误差前向传递,从历史数据中学习;第二层LSTM中误差反向传递,从未来数据中学习;利用开关柜的全息数据对BiLSTM模型进行正反两个方向的训练,使BiLSTM模型对开关柜全息数据中的负荷信息进行充分有效地学习;
4)根据训练好的BiLSTM模型的预测变量得到A、B、C相动触头温度的时间序列的本征模态分量IMF1-IMF6以及残余分量r,并合成得到A、B、C相动触头温度的预测值;采用平均绝对误差MAE、均方根误差RMSE、平均绝对误差百分比MAPE对BiLSTM模型的预测精度进行评价。
6.根据权利要求5所述的开关柜安全监测方法,其特征在于,BiLSTM模型的第一层、第二层LSTM采用如下的门控结构通过信息选择方法,控制信息向细胞单元的传递,
遗忘门:
ft=σ(Wf·[ht-1,xt]+bf) (9)
式中ft表示遗忘门的输出,Wf表示遗忘门的权重矩阵,σ(·)表示激活函数;bf表示遗忘门的偏置项;ht-1表示t-1时刻的隐藏变量;xt表示t时刻的输入;
遗忘门通过读取ht-1和xt,输出一个0~1的数值,决定信息是否传递,输出值等于0表示信息完全舍弃,输出值等于1则表示信息完全保留并传递;
输入门:
it=σ(Wi·[ht-1,xt]+bi) (10)
输出门:
ot=σ(Wo·[ht-1,xt]+bo) (12)
ht=ot*tanh(Ct) (13)
式中ot表示输出门的输出,Wo表示输出门的权重矩阵,bo表示输出门的偏置项,ht表示t时刻的隐藏变量。
7.根据权利要求6所述的开关柜安全监测方法,其特征在于,步骤7中,设置动触头的温度阈值Tthreshold,当BiLSTM模型得到的A、B、C相动触头温度的预测值超过设置的温度阈值时,发出警报;
针对开关柜运行的不同情景,对温度阈值进行动态调整,以便快速发现安全风险并报警,具体包括:
实时采集的触头处压力值与额定压力值的比值大于或等于1.2时,令Tthreshold=0.8Tbase,其中Tbase表示动触头温度阈值的基准值;
实时采集的开关柜顶部或开关柜背面温度值与温度标准值的比值大于或等于1.1时,令Tthreshold=0.75Tbase。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211050413.1A CN115494353A (zh) | 2022-08-29 | 2022-08-29 | 基于全息数据结合超声波信号诊断的开关柜安全监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211050413.1A CN115494353A (zh) | 2022-08-29 | 2022-08-29 | 基于全息数据结合超声波信号诊断的开关柜安全监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115494353A true CN115494353A (zh) | 2022-12-20 |
Family
ID=84466861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211050413.1A Pending CN115494353A (zh) | 2022-08-29 | 2022-08-29 | 基于全息数据结合超声波信号诊断的开关柜安全监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115494353A (zh) |
-
2022
- 2022-08-29 CN CN202211050413.1A patent/CN115494353A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rai et al. | Fault classification in power system distribution network integrated with distributed generators using CNN | |
CN103886374B (zh) | 一种基于rbf神经网络的电缆接头导线温度预测方法 | |
Di et al. | Ensemble deep transfer learning driven by multisensor signals for the fault diagnosis of bevel-gear cross-operation conditions | |
CN104318485A (zh) | 一种基于神经网络和模糊逻辑的输电线路故障判别方法 | |
CN111553495A (zh) | 一种基于概率神经网络的小型断路器故障分析方法 | |
CN107976934B (zh) | 一种基于无线传感器网络的油罐车油气泄漏速度智能预警系统 | |
Sekar et al. | An improved power quality disturbance detection using deep learning approach | |
Li et al. | Method of short-circuit fault diagnosis in transmission line based on deep learning | |
Yan et al. | A simplified current feature extraction and deployment method for DC series arc fault detection | |
Onaolapo et al. | Simulation experiments for faults location in smart distribution networks using ieee 13 node test feeder and artificial neural network | |
CN112085043B (zh) | 一种变电站网络安全智能监控方法及系统 | |
Liu et al. | Detection of AC arc faults of aviation cables based on HIW three-dimensional features and CNN-LSTM neural network | |
Kanwal et al. | Artificial Intelligence based Faults Identification, Classification, and Localization Techniques in Transmission Lines-A Review | |
Mahato et al. | Electric power system transient stability assessment based on Bi-LSTM attention mechanism | |
Obeidat et al. | A deep review and analysis of artificial neural network use in power application with further recommendation and future direction | |
CN115494353A (zh) | 基于全息数据结合超声波信号诊断的开关柜安全监测方法 | |
Narasimhulu et al. | Detection and classification of high impedance fault in power distribution system using hybrid technique | |
CN115952917A (zh) | 一种有源配电网安全态势感知方法与系统 | |
Babayomi et al. | Intelligent fault diagnosis in a power distribution network | |
CN115905998A (zh) | 多传感器数据融合结合fwa-bp神经网络算法的电缆隧道灭火决策方法 | |
CN115511263A (zh) | 基于CEEMDAN和BiLSTM模型的开关柜安全风险预测方法 | |
Liu et al. | Partial Discharge Detection Method for Distribution Network Based on Feature Engineering | |
Yue et al. | A power system harmonic problem based on the BP neural network learning algorithm | |
Larouche et al. | Exploration of static and time dependent neural network technique for the prediction of ice accretion on overhead line conductors | |
Lv et al. | State detection of switch cabinet based on multi-sensor information fusion |
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 |