CN116256592A - 一种中压配电电缆潜伏性故障检测方法及系统 - Google Patents

一种中压配电电缆潜伏性故障检测方法及系统 Download PDF

Info

Publication number
CN116256592A
CN116256592A CN202211500807.2A CN202211500807A CN116256592A CN 116256592 A CN116256592 A CN 116256592A CN 202211500807 A CN202211500807 A CN 202211500807A CN 116256592 A CN116256592 A CN 116256592A
Authority
CN
China
Prior art keywords
fault
cable
model
voltage distribution
latent
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
Application number
CN202211500807.2A
Other languages
English (en)
Other versions
CN116256592B (zh
Inventor
刘建
刘朝章
梁永亮
孙锐
田怀源
韩丙光
张文山
唐述刚
张小虎
高俊营
张付东
毛忠浩
徐京睿
王鹏
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.)
Dezhou Power Supply Co of State Grid Shandong Electric Power Co Ltd
Original Assignee
Dezhou Power Supply Co of State Grid Shandong Electric Power 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 Dezhou Power Supply Co of State Grid Shandong Electric Power Co Ltd filed Critical Dezhou Power Supply Co of State Grid Shandong Electric Power Co Ltd
Priority to CN202211500807.2A priority Critical patent/CN116256592B/zh
Publication of CN116256592A publication Critical patent/CN116256592A/zh
Application granted granted Critical
Publication of CN116256592B publication Critical patent/CN116256592B/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
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/083—Locating faults in cables, transmission lines, or networks according to type of conductors in cables, e.g. underground
    • 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
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/088—Aspects of digital computing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)

Abstract

本发明提出了一种中压配电电缆潜伏性故障检测方法，包括以下步骤：搭建电缆潜伏性故障模型，得到电缆潜伏性故障电流波形；对电缆潜伏性故障电流波形进行小波变换提取特征量构造过流检测判据；基于过流检测判断与预设的极限学习机模型误差函数进行结合构造知识函数，基于知识函数对极限学习机模型进行引导学习训练，得到训练好的故障识别模型；将待识别的中压配电电缆电流数据输入至故障识别模型，输出识别结果。将过流检测判据作为经验知识与ELM模型结合构造知识函数，引导其对数据样本的挖掘实现对电缆潜伏性故障的检测，提高了检测的准确性。

Description

一种中压配电电缆潜伏性故障检测方法及系统
技术领域
本发明属于电缆故障检测相关技术领域，尤其涉及一种中压配电电缆潜伏性故障检测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
电力电缆凭借其占地面积小、可靠性高等优点，被广泛应用在城市中压配电网中。地下电缆长埋于地下，恶劣的环境条件以及机械损坏造成的机械缺陷和绝缘老化会引发电气过度应力，电缆绝缘强度下降，导致电缆潜伏性故障出现。电缆潜伏性故障通常被描述为一种间歇性的电弧故障，它多发生于电压峰值处，在持续1/4-4个周期后消失，按持续时间的不同分为半周波故障和多周波故障。电缆潜伏性故障持续时间短，故障电流小，且具有自清除特性，继电保护设备常会拒动，频繁的潜伏性故障会对电缆绝缘造成不可逆的伤害，久而久之，演变为永久性故障。据统计，有10％-15％的电缆故障是由电缆潜伏性故障发展来的。
电缆潜伏性故障的检测识别方法可分为基于信号处理方法和基于机器学习方法。基于信号处理的方法完全依赖阈值且存在一定的应用条件，条件变化可能导致阈值不再适用。机器学习算法应用于电力领域尤其是故障诊断时，由于其输入需要大量且有效的训练样本，配电网大都处于正常运行状态，故障数据相对较少。另外，其算法多为“黑箱模型”，在样本训练过程中，未有效利用电力系统相关知识对学习器进行指导，导致训练的模型有时与实际情形相差甚远。因此，准确识别电缆潜伏性故障对于供电公司检修故障电路，维持正常供电秩序有重要意义。
发明内容
为克服上述现有技术的不足，本发明提供了一种中压配电电缆潜伏性故障检测方法及系统，通过对故障电流进行小波变换提取特征量构造过流检测判据，以此作为经验知识与ELM模型结合构造知识函数，引导其对数据样本的挖掘实现对电缆潜伏性故障的检测，提高了检测的准确性
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：一种中压配电电缆潜伏性故障检测方法，包括以下步骤：
步骤1：搭建电缆潜伏性故障模型，得到电缆潜伏性故障电流波形；
步骤2：对电缆潜伏性故障电流波形进行小波变换提取特征量构造过流检测判据；
步骤3：基于过流检测判断与预设的极限学习机模型误差函数进行结合构造知识函数，基于知识函数对极限学习机模型进行引导学习训练，得到训练好的故障识别模型；
步骤4：将待识别的中压配电电缆电流数据输入至故障识别模型，输出识别结果。
本发明的第二个方面提供一种中压配电电缆潜伏性故障检测系统，包括：
故障模型构建模块：搭建电缆潜伏性故障模型，得到电缆潜伏性故障电流波形；
过流检测判据模块：对电缆潜伏性故障电流波形进行小波变换提取特征量构造过流检测判据；
训练模块：基于过流检测判断与预设的极限学习机模型误差函数进行结合构造知识函数，基于知识函数对极限学习机模型进行引导学习训练，得到训练好的故障识别模型；
输出识别模块：将待识别的中压配电电缆电流数据输入至故障识别模型，输出识别结果。
本发明的第三个方面提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述方法所述的步骤。
本发明的第四个方面提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述方法所述的步骤。
以上一个或多个技术方案存在以下有益效果：
在本发明中，基于经验知识和机器学习算法相结合，通过对故障电流进行小波变换提取特征量构造过流检测判据，以此作为经验知识与ELM模型结合构造知识函数，引导其对数据样本的挖掘实现对电缆潜伏性故障的检测，提高了检测的准确性。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明中建立的电缆潜伏性故障等效模型。
图2是本发明中子周期、一周期及多周期电缆潜伏性故障电流波形；
图3是本发明中对电缆电流做三层小波分解的流程图；
图4是本发明中以子周期及多周期电缆潜伏性故障电流为例，对其进行小波分解得到三个判据在次循环电缆潜在故障时的规则图；
图5是本发明中以子周期及多周期电缆潜伏性故障电流为例，对其进行小波分解得到三个判据在多循环电缆潜在故障时的规则图；
图6是本发明中极限学习机ELM的网络结构图；
图7是本发明中利用领域经验知识对输入数据进行过流检测的流程图；
图8是本发明中在PSCAD/EMTDC搭建的一个10kV经小电阻接地中压电缆配电系统的拓扑结构图；
图9是本发明中对负荷变化进行模拟得到的波形示例图；
图10是本发明中对电容器投切进行模拟得到的波形示例图；
图11是本发明中对恒定阻抗故障(永久性故障)进行模拟得到的波形示例图；
图12是本发明中以测试集中的一周期电缆潜伏性故障过流检测为例得到的小波判据图；
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
如图1-12所示，本实施例公开了一种中压配电电缆潜伏性故障检测方法，包括以下步骤：
步骤1：搭建电缆潜伏性故障模型，得到电缆潜伏性故障电流波形；
步骤2：对电缆潜伏性故障电流波形进行小波变换提取特征量构造过流检测判据；
步骤3：基于过流检测判断与预设的极限学习机模型误差函数进行结合构造知识函数，基于知识函数对极限学习机模型进行引导学习训练，得到训练好的故障识别模型；
步骤4：将待识别的中压配电电缆电流数据输入至故障识别模型，输出识别结果。
在本实施例的步骤1中具体包括：
通过PSCAD/EMTDC中基于Kizilcay电弧模型建立中压配电仿真模型；
设置采样频率为3.2kHz，每周期设64个采样点；
基于每种故障类型参数的不同在所述建立的中压配电仿真模型中进行模拟，得到不同故障电流波形数据；
基于所得到的不同故障电流波形数据确定过流检测判据中的阈值。
具体的，利用Kizilcay电弧模型对电缆潜伏性故障进行模拟，同时考虑水树通道、电树通道中未发生电弧放电的部分将其等效为恒定电阻，建立电缆潜伏性故障模型，Kizilcay电弧模型其表达式为：
Figure BDA0003967517470000051
其中，τ为时间常数，if(n)为电弧电流，u0为电弧特征电压，r0为电弧特征电阻，g(n)为电弧电导。
如图8所示，基于电缆潜伏性故障模型，以在PSCAD/EMTDC中利用Bergeron电缆模型搭建10kV中压电缆配电系统仿真拓扑结构为例进行说明。
在仿真拓扑结构中通过改变每种故障类型的参数，如不同容量及接入位置的电容器切换、负荷投切或功率变化、接地阻抗大小不同等对不同周期的电缆潜伏性故障及正常运行状况进行模拟，如图1所示，得到子周期、一周期及多周期电缆潜伏性故障电流波形，共198组电流波形数据，波形示例如图8-图10所示。
如图3所示，在本实施例步骤2中，采用Db4小波变换对电流信号做三层小波分解得到高频细节系数dj,n和低频近似系数aj,n可表示为：
Figure BDA0003967517470000052
式中：g(n)和h(n)为高通和低通滤波器,i为窗口采样点序号，j为小波系数层数，n为小波函数的离散化程度。
电缆电流信号分解到不同频段上的小波特征量，可作为检测电流暂态过程的依据。
其中，第j层细节系数在其频段范围内的能量Ed,j为：
Figure BDA0003967517470000061
第j层近似系数的均方根值Rc,j为：
Figure BDA0003967517470000062
小波变换模极大值点表明信号发生突变，因此可根据模极大值检测电缆过电流现象，小波变换模极大值为：
Md,j＝max(dj,n) (5)
如图7所示，电缆暂态过流过程的三个复合判据如下，满足其中一个判据则表明电缆暂态过流发生突变：
判据1：若相邻两个窗口高频细节系数能量值之和满足下式，则电缆暂态过流突变发生。
Figure BDA0003967517470000063
式中：l表示当前采样窗口序号，Ed(l)为窗口各层细节系数能量值之和；MEAN(Ed(1～l-1))和STD(Ed(1～l-1))分别为第1～l-1个历史窗口的各层细节系数能量值之和的均值和标准差。Eth为判据1的阈值。
判据2：若最末层低频近似系数均方根值满足下式，则电缆暂态过流突变发生。
Figure BDA0003967517470000071
式中：Rc(l)和Rc(l-64)分别为当前窗口的最末层近似系数均方根值与上一周波对应窗口的均方根值。Rth为判据2的阈值。
判据3：若模极大值满足下式,则电缆暂态过流突变发生。
Figure BDA0003967517470000072
式中：Md(l)为当前窗口各层模极大值的最大值，MEAN(Md(1～l-1))和STD(Md(1～l-1))分别为第1～l-1个历史窗口的各层模极大值最大值的均值和标准差。Mth为判据3的阈值。
图3为以子周期及多周期电缆潜伏性故障电流为例，对其进行小波分解得到三个判据在次循环电缆潜在故障时的规则图。
图4是以子周期及多周期电缆潜伏性故障电流为例，对其进行小波分解得到三个判据在多循环电缆潜在故障时的规则图。
在本实施例中，经过步骤1所得到的故障电流数据进行大量实验验证所确定的Eth＝2.5，Rth＝2，Mth＝1.8。
如图6所示，在本实施例步骤3中，给定训练集{xi,ti|xi∈RD,ti∈Rm,i＝1,2,…,N}，其中xi为故障电流样本数据，ti为样本标签，极限学习机的隐藏层节点数为L。其隐藏层输出H(x)＝[h1(x),…,hL(x)]，其中hi(x)是第i个隐藏层节点的输出，通常表示为:
hi(x)＝g(wi,bi,x)＝g(wix+bi),wi∈RD,bi∈R (9)
其中，g(wi,bi,x)是激活函数，是一个满足ELM通用逼近能力定理的非线性分段连续函数，常用的有Sigmoid函数、Gaussian函数等。
经过隐藏层后进入输出层，其输出为：
Figure BDA0003967517470000081
其中，β＝[β1,…,βL]T是隐藏层与输出层之间的输出权重。
对于极限学习机，利用Sigmoid函数将其输出结果映射到(0,1)的区间，实现有无过电流的分类,利用交叉熵作为损失函数,其计算公式为：
Figure BDA0003967517470000082
其中，i是输出向量的维数，p(i)、q(i)分别是期望输出向量和实际输出向量中第i个元素的值。
在本实施例中，利用极限学习机的输出与真实标签间的误差函数，以及极限学习机的输出与经验知识(过流检测判据)间的矛盾函数建立知识函数。
其中，如图8所示，利用过流检测判据对电流输入数据进行过流检测，矛盾函数的计算规则如下：
Rule 1:if((M>Mth||R>Rth||M>Mth)&&(S＝0))then conflict function+1
Rule 2:if((M≤Mth&&R≤Rth&&M≤Mth)&&(S＝1))then conflict function+1 (12)
其中，S为ELM模型输出的有无过电流检测结果,s＝0表示未检测到过电流，s＝1则表示检测到过电流。
假定有N个标记样本(xi,ti)(i),其中xi为电流波形数据样本数据，ti为样本标签，则知识函数表示为：
Figure BDA0003967517470000083
式中，hθ(xi)为ELM模型的输出；H[hθ(xi,ti)]表示ELM模型输出与真实标签之间的交叉熵函数；R(xi)为由经验知识得出的判果；βi为信任度，反映ELM模型对经验知识的接纳程度；Qi[(xi),hθ(i)]表示ELM模型输出与经验知识间的矛盾函数即惩罚项，其值可表示为：
Figure BDA0003967517470000091
利用所构建的知识函数对极限学习模型进行训练，目标即为使知识函数最小化。
此外，利用PSO优化算法对ELM的初始权重和阈值进行优化，以提高模型的检测正确率。
对改进故障检测模型的验证，随机选择数据组成十组训练集和测试集，对过电流检测的准确性进行分析，以测试集中的一周期电缆潜伏性故障过流检测为例，其小波判据如图11所示。
表1为通过对PSO优化的ELM模型和ELM模型结合知识函数并优化的过流检测进行比较时具体的每种故障扰动的样本数。
表1
Figure BDA0003967517470000092
表2为PSO优化的ELM模型和ELM模型结合知识函数并优化的过流检测两种模型的平均准确率。
表2
Figure BDA0003967517470000093
Figure BDA0003967517470000101
表3-表4为PSO优化的ELM模型和ELM模型结合知识函数并优化的过流检测两种模型对训练集和测试集中的每种具体故障类型的检测准确率。
表3
Figure BDA0003967517470000102
表4
Figure BDA0003967517470000103
实施例二
本实施例的目的是提供一种中压配电电缆潜伏性故障检测系统，包括：
故障模型构建模块：搭建电缆潜伏性故障模型，得到电缆潜伏性故障电流波形；
过流检测判据模块：对电缆潜伏性故障电流波形进行小波变换提取特征量构造过流检测判据；
训练模块：基于过流检测判断与预设的极限学习机模型误差函数进行结合构造知识函数，基于知识函数对极限学习机模型进行引导学习训练，得到训练好的故障识别模型；
输出识别模块：将待识别的中压配电电缆电流数据输入至故障识别模型，输出识别结果。
实施例三
本实施例的目的是提供一种计算装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。
实施例四
本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行上述方法的步骤。
以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种中压配电电缆潜伏性故障检测方法，其特征在于，包括以下步骤：
步骤1：搭建电缆潜伏性故障模型，得到电缆潜伏性故障电流波形；
步骤2：对电缆潜伏性故障电流波形进行小波变换提取特征量构造过流检测判据；
步骤3：基于过流检测判断与预设的极限学习机模型误差函数进行结合构造知识函数，基于知识函数对极限学习机模型进行引导学习训练，得到训练好的故障识别模型；
步骤4：将待识别的中压配电电缆电流数据输入至故障识别模型，输出识别结果。
2.如权利要求1所述的一种中压配电电缆潜伏性故障检测方法，其特征在于，在所述步骤1中具体包括：
通过PSCAD/EMTDC中基于Kizilcay电弧模型建立中压配电仿真模型；
设置采样频率为3.2kHz，每周期设64个采样点；
基于每种故障类型参数的不同在所述建立的中压配电仿真模型中进行模拟，得到不同故障电流波形数据；
基于所得到的不同故障电流波形数据确定过流检测判据中的阈值。
3.如权利要求2所述的一种中压配电电缆潜伏性故障检测方法，其特征在于，每种故障类型不同的参数包括：不同容量及接入位置的电容器投切，负荷投切或功率变化、接地阻抗大小不同。
4.如权利要求1所述的一种中压配电电缆潜伏性故障检测方法，其特征在于，在所述步骤2中，具体包括：
采用Db4小波对电缆潜伏性故障电流波形分解为高频细节系数和低频近似系数；
基于高频细节系数得到对应频段范围内的高频细节系数能量值，基于低频近似系数得到低频近似系数均方根；
基于高频细节系数能量值、低频近似系数均方根和小波变换模极大值构造过流检测判据。
5.如权利要求4所述的一种中压配电电缆潜伏性故障检测方法，其特征在于，所述过流检测判据为满足以下三个判据之一，则表明电缆发生过流过程；
判据1：相邻两个窗口高频细节系数能量值之和满足：当前窗口各层细节系数能量值之和与第一历史窗口至当前窗口的上一个历史窗口的各层细节系数能量值之和的均值，两者的差值与第一历史窗口至当前窗口的上一个历史窗口的各层细节系数能量值之和的标准差的比值大于判据1预设阈值；
判据2：最末层低频近似系数均方根满足：当前窗口的最末层近似系数均方根值和上一周波对应窗口的最末层近似系数均方根值之差，与上一周波对应窗口的最末层近似系数均方根值之比大于判据2预设阈值；
判据3：小波模极大值满足:当前窗口各层模极大值的最大值与第一历史窗口至当前窗口的上一个历史窗口的各层模极大值的最大值的均值，两者的差值与第一历史窗口至当前窗口的上一个历史窗口的各层模极大值的最大值的标准差的比值大于判据3预设阈值。
6.如权利要求1所述的一种中压配电电缆潜伏性故障检测方法，其特征在于，在所述步骤3中，知识函数为：
Figure FDA0003967517460000031
其中，hθ(xi)为极限学习机的输出；H[hθ(xi,ti)]表示极限学习机的输出与真实标签之间的交叉熵函数；R(xi)为由过流检测判据得出的判断结果；βi为信任度，反映极限学习机对过流检测判据的接纳程度；Qi[R(xi),hθ(xi)]表示极限学习机的输出与过流检测判据间的矛盾函数。
7.如权利要求6所述的一种中压配电电缆潜伏性故障检测方法，其特征在于，所述矛盾函数为：
Figure FDA0003967517460000032
其中，R(xi)为由经验知识得出的判果，hθ(xi)为极限学习机模型的输出。
8.一种中压配电电缆潜伏性故障检测系统，其特征在于，包括：
故障模型构建模块：搭建电缆潜伏性故障模型，得到电缆潜伏性故障电流波形；
过流检测判据模块：对电缆潜伏性故障电流波形进行小波变换提取特征量构造过流检测判据；
训练模块：基于过流检测判断与预设的极限学习机模型误差函数进行结合构造知识函数，基于知识函数对极限学习机模型进行引导学习训练，得到训练好的故障识别模型；
输出识别模块：将待识别的中压配电电缆电流数据输入至故障识别模型，输出识别结果。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时实现如权利要求1-7中任一项所述的一种中压配电电缆潜伏性故障检测方法中的步骤。
10.一种处理装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的一种中压配电电缆潜伏性故障检测方法中的步骤。
CN202211500807.2A 2022-11-28 2022-11-28 一种中压配电电缆潜伏性故障检测方法及系统 Active CN116256592B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211500807.2A CN116256592B (zh) 2022-11-28 2022-11-28 一种中压配电电缆潜伏性故障检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211500807.2A CN116256592B (zh) 2022-11-28 2022-11-28 一种中压配电电缆潜伏性故障检测方法及系统

Publications (2)

Publication Number Publication Date
CN116256592A true CN116256592A (zh) 2023-06-13
CN116256592B CN116256592B (zh) 2023-09-26

Family

ID=86681564

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211500807.2A Active CN116256592B (zh) 2022-11-28 2022-11-28 一种中压配电电缆潜伏性故障检测方法及系统

Country Status (1)

Country Link
CN (1) CN116256592B (zh)

Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5581173A (en) * 1991-01-03 1996-12-03 Beckwith Electric Co., Inc. Microcontroller-based tap changer controller employing half-wave digitization of A.C. signals
CN103713245A (zh) * 2014-01-02 2014-04-09 国家电网公司 一种xlpe电缆局部放电在线监测系统
CN103941156A (zh) * 2014-04-16 2014-07-23 华北电力大学 基于极限学习机的多信息融合区段定位方法
CN104462762A (zh) * 2014-11-04 2015-03-25 西南交通大学 一种输电线路的模糊故障分类方法
US20150133778A1 (en) * 2013-11-04 2015-05-14 Medlumics S.L. Diagnostic Device for Dermatology with Merged OCT and Epiluminescence Dermoscopy
WO2016101182A1 (zh) * 2014-12-23 2016-06-30 清华大学 基于贝叶斯网络和极限学习机的区间型指标预报方法
CN106203382A (zh) * 2016-07-20 2016-12-07 河海大学 一种基于核函数极限学习机的励磁涌流和故障电流识别方法
WO2018120077A1 (zh) * 2016-12-26 2018-07-05 江南大学 一种基于经验模态分解和决策树rvm的三电平逆变器故障诊断方法
CN110073301A (zh) * 2017-08-02 2019-07-30 强力物联网投资组合2016有限公司 工业物联网中具有大数据集的数据收集环境下的检测方法和系统
CN110398669A (zh) * 2019-06-11 2019-11-01 深圳供电局有限公司 电弧故障检测方法
CN110488149A (zh) * 2019-08-05 2019-11-22 三峡大学 基于小波求和极限学习机sw-elm的输电线路短路故障分类与定位方法
CN110543921A (zh) * 2019-10-14 2019-12-06 四川大学 一种基于波形学习的电缆早期故障识别方法
CN112611982A (zh) * 2020-11-30 2021-04-06 西华大学 模块化多电平换流器的深度小波孪生网络故障诊断方法
CN112766372A (zh) * 2021-01-19 2021-05-07 中国电力科学研究院有限公司 基于微气象感知的电力设备状态监测预警方法与系统
CN113884805A (zh) * 2021-09-17 2022-01-04 国网山东省电力公司德州供电公司 基于d-s证据理论的单相接地故障绝缘劣化识别方法及系统
CN113971416A (zh) * 2021-09-23 2022-01-25 国网江苏省电力有限公司宿迁供电分公司 一种电缆早期故障辨识方法
CN114036973A (zh) * 2021-10-12 2022-02-11 浙江工业大学 基于动态在线序列的极限学习机的串联电弧故障识别方法
CN114330773A (zh) * 2021-12-29 2022-04-12 国网能源研究院有限公司 一种电力电缆时变故障概率的评估方法和系统
CN114647921A (zh) * 2021-11-26 2022-06-21 国网山东省电力公司德州供电公司 一种模拟中压配电电缆潜伏性故障的方法
CN114997217A (zh) * 2022-05-18 2022-09-02 合肥工业大学 一种基于rfid传感标签及igwo-elm的变压器故障诊断方法

Patent Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5581173A (en) * 1991-01-03 1996-12-03 Beckwith Electric Co., Inc. Microcontroller-based tap changer controller employing half-wave digitization of A.C. signals
US20150133778A1 (en) * 2013-11-04 2015-05-14 Medlumics S.L. Diagnostic Device for Dermatology with Merged OCT and Epiluminescence Dermoscopy
CN103713245A (zh) * 2014-01-02 2014-04-09 国家电网公司 一种xlpe电缆局部放电在线监测系统
CN103941156A (zh) * 2014-04-16 2014-07-23 华北电力大学 基于极限学习机的多信息融合区段定位方法
CN104462762A (zh) * 2014-11-04 2015-03-25 西南交通大学 一种输电线路的模糊故障分类方法
WO2016101182A1 (zh) * 2014-12-23 2016-06-30 清华大学 基于贝叶斯网络和极限学习机的区间型指标预报方法
CN106203382A (zh) * 2016-07-20 2016-12-07 河海大学 一种基于核函数极限学习机的励磁涌流和故障电流识别方法
WO2018120077A1 (zh) * 2016-12-26 2018-07-05 江南大学 一种基于经验模态分解和决策树rvm的三电平逆变器故障诊断方法
CN110073301A (zh) * 2017-08-02 2019-07-30 强力物联网投资组合2016有限公司 工业物联网中具有大数据集的数据收集环境下的检测方法和系统
CN110398669A (zh) * 2019-06-11 2019-11-01 深圳供电局有限公司 电弧故障检测方法
CN110488149A (zh) * 2019-08-05 2019-11-22 三峡大学 基于小波求和极限学习机sw-elm的输电线路短路故障分类与定位方法
CN110543921A (zh) * 2019-10-14 2019-12-06 四川大学 一种基于波形学习的电缆早期故障识别方法
CN112611982A (zh) * 2020-11-30 2021-04-06 西华大学 模块化多电平换流器的深度小波孪生网络故障诊断方法
CN112766372A (zh) * 2021-01-19 2021-05-07 中国电力科学研究院有限公司 基于微气象感知的电力设备状态监测预警方法与系统
CN113884805A (zh) * 2021-09-17 2022-01-04 国网山东省电力公司德州供电公司 基于d-s证据理论的单相接地故障绝缘劣化识别方法及系统
CN113971416A (zh) * 2021-09-23 2022-01-25 国网江苏省电力有限公司宿迁供电分公司 一种电缆早期故障辨识方法
CN114036973A (zh) * 2021-10-12 2022-02-11 浙江工业大学 基于动态在线序列的极限学习机的串联电弧故障识别方法
CN114647921A (zh) * 2021-11-26 2022-06-21 国网山东省电力公司德州供电公司 一种模拟中压配电电缆潜伏性故障的方法
CN114330773A (zh) * 2021-12-29 2022-04-12 国网能源研究院有限公司 一种电力电缆时变故障概率的评估方法和系统
CN114997217A (zh) * 2022-05-18 2022-09-02 合肥工业大学 一种基于rfid传感标签及igwo-elm的变压器故障诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
姚海燕;张静;留毅;潘姝;徐贝;李题印;周念成;: "基于多尺度小波判据和时频特征关联的电缆早期故障检测和识别方法", 电力系统保护与控制, no. 09 *
张丽萍;缪希仁;石敦义;: "基于EMD和ELM的低压电弧故障识别方法的研究", 电机与控制学报, no. 09 *
张菊清;张亮;: "基于Helmert方差分量估计的拟合推估法及其在地图数字化误差纠正中的应用", 测绘通报, no. 02 *

Also Published As

Publication number Publication date
CN116256592B (zh) 2023-09-26

Similar Documents

Publication Publication Date Title
Ferreira et al. A survey on intelligent system application to fault diagnosis in electric power system transmission lines
Chen et al. Intelligent transient overvoltages location in distribution systems using wavelet packet decomposition and general regression neural networks
CN113792495B (zh) 一种基于在线监测数据的避雷器运行状态识别方法、装置
Jiang et al. Stochastic subspace identification‐based approach for tracking inter‐area oscillatory modes in bulk power system utilising synchrophasor measurements
Hong et al. Detection and correction of distorted current transformer current using wavelet transform and artificial intelligence
Decanini et al. Robust fault diagnosis in power distribution systems based on fuzzy ARTMAP neural network-aided evidence theory
CN105354643A (zh) 一种风电接入电网的风险预测评估方法
CN110543921A (zh) 一种基于波形学习的电缆早期故障识别方法
CN111537853A (zh) 基于多源异构数据分析的开关柜局部放电智能检测方法
CN116316637A (zh) 一种配电网动态拓扑辨识方法、系统、设备及存储介质
Pan et al. Learning approach based DC arc fault location classification in DC microgrids
CN113610119B (zh) 基于卷积神经网络识别输电线路发展性故障的方法
Mehinović et al. Application of artificial intelligence methods for determination of transients in the power system
CN113758652A (zh) 换流变压器漏油检测方法、装置、计算机设备和存储介质
Vahidi et al. Determining arresters best positions in power system for lightning shielding failure protection using simulation optimization approach
CN116256592B (zh) 一种中压配电电缆潜伏性故障检测方法及系统
CN117407675A (zh) 基于多变量重构联合动态权重的避雷器泄漏电流预测方法
Shariatinasab et al. Development of an adaptive neural‐fuzzy inference system based meta‐model for estimating lightning related failures in polluted environments
Chi et al. A fault diagnosis method of double-layer LSTM for 10 kV single-core cable based on multiple observable electrical quantities
CN116031828A (zh) 基于小波变换与随机森林算法的10kV电缆早期故障辨识方法
Althi et al. Protection of six‐phase transmission line using recursive estimation of non‐linear autoregression model coefficients and decision tree
Lu et al. Low voltage series arc fault identification method based on VMD and RVFL neural network
Murali et al. Forecasting and classification of power quality disturbance in smart grid using hybrid networks
Haolan et al. Incipient fault detection of power distribution system based on statistical characteristics and transformer network
Li et al. Fault diagnosis of power cables based on wavelet transform and CNN-informer

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