CN116559643A - 一种基于特征相似性的gis局部放电故障判别方法 - Google Patents
一种基于特征相似性的gis局部放电故障判别方法 Download PDFInfo
- Publication number
- CN116559643A CN116559643A CN202310465833.4A CN202310465833A CN116559643A CN 116559643 A CN116559643 A CN 116559643A CN 202310465833 A CN202310465833 A CN 202310465833A CN 116559643 A CN116559643 A CN 116559643A
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- data
- ultrahigh frequency
- gis
- frequency sensor
- 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
- 238000012850 discrimination method Methods 0.000 title claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 18
- 230000003595 spectral effect Effects 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims abstract description 12
- 238000001228 spectrum Methods 0.000 claims abstract description 8
- 238000012544 monitoring process Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000001131 transforming effect Effects 0.000 claims description 6
- 238000002203 pretreatment Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 3
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000003745 diagnosis Methods 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000009413 insulation Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
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
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
- G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
- G01R31/3275—Fault detection or status indication
-
- 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
- G01R31/1254—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 of gas-insulated power appliances or vacuum gaps
-
- 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
Abstract
一种基于特征相似性的GIS局部放电故障判别方法,采用VMD算法对信号预处理,相对于小波分析具有更强的自适应能能力,无需人为确定小波基函数,减少对信号特征的影响,同时VMD算法作为改进的EMD算法,其抗混叠能力更强,充分考虑窄带性质,分解得到的分量信噪比更高,同时各解析信号更具备物理意义。同时采用VMD分解后的能量信息及原始信号功率谱密度信息判断是否存在故障,确定故障后再进行诊断,相对于直接进行故障识别可简化计算,提高系统效率。将传统放电频次、均值、幅值、相位等信号特征与功率谱密度、解析信号能量结合构建特征量,可更准确的识别放电故障类型,同时根据本系统识别流程可初步估计局部放电发生位置信息。
Description
技术领域
本发明涉及电气设备在线监测故障识别技术领域,具体涉及一种基于特征相似性的GIS局部放电故障判别方法。
背景技术
GIS以其结构紧凑、性能优越、抗干扰强等优点,已被广泛地应用于国内外电力系统。尽管GIS稳定性非常高,故障率远低于传统的电气设备,但随应用数量及运行时间的增加,同样面临各种故障风险,而影响GIS正常运行的主要因素为绝缘缺陷。当GIS内部存在绝缘缺陷时,可能会引起局部放电,持续的局部放电会进一步降低GIS绝缘性能,最终将导致绝缘击穿,严重的将引发安全事故,因此对GIS局部放电的监测可保障其安全稳定运行。
传统GIS局部放电故障识别首先需要对原始信号进行降噪处理,然后根据特征量通过深度学习算法对传感器采集的原始信号进行故障识别。但由于局部放电信号为非平稳信号,通常需要加窗进行短时傅里叶变换在频域进行去噪,如小波去噪等方法,但由于放电频次、放电量的未知性,异常信号与噪声信号频率特征存在重叠,无法确保有效信号特征完全保留。同时采用针对原始信号实时运行故障识别算法必然导致大量计算,对系统要求高,无法做到嵌入式集成,因此对原始信号进行预处理简化计算的同时,确保故障诊断识别的准确度具有重要意义。
发明内容
本发明为了克服以上技术的不足,提供了一种确保故障诊断识别的准确性的GIS局部放电故障判别方法。
本发明克服其技术问题所采用的技术方案是:
一种基于特征相似性的GIS局部放电故障判别方法,包括如下步骤:
a)在GIS局部放电在线监测系统中布置N个局部放电特高频传感器;
b)GIS局部放电在线监测系统第一次运行时,获取第i个局部放电特高频传感器的初始数据i∈{1,2,...,N},对初始数据/>进行预处理,得到分解后的若干具备本征模态函数/>
c)获取第i个局部放电特高频传感器的实时采集的原始数据Ai(t),对原始数据Ai(t)进行预处理,得到分解后的若干具备本征模态函数IMFai,n(t);
d)计算具备本征模态函数的能量/>计算具备本征模态函数IMFai,n(t)的能量Ei,n;
e)计算初始数据的功率谱密度/>计算原始数据Ai(t)的功率谱密度Pi,f;
f)计算能量特征相似度ρi,E及功率谱密度相似度ρi,P;
g)当ρi,E≥O且ρi,P≥O时,则第i个局部放电特高频传感器当前采集的数据为正常数据,当ρi,E<O或ρi,P<O时,则第i个局部放电特高频传感器当前采集的数据为异常数据;
h)计算异常数据对应的局部放电特高频传感器的局部放电信号脉冲强度均值将各个局部放电特高频传感器的局部放电信号脉冲强度均值/>从大到小进行排列,局部放电特高频传感器所在间隔为局部放电发生位置。
进一步的,步骤a)中各个局部放电特高频传感器通过同轴电缆与GIS局部放电在线监测系统中的信号处理单元相连。
进一步的,步骤b)中对原始数据进行预处理的方法为:采用变分模态分解算法VMD将第i个局部放电特高频传感器的原始数据/>进行分解,其中,/>为变分模态分解算法VMD分解层数。
进一步的,步骤c)中对原始数据Ai(t)进行预处理的方法为:采用变分模态分解算法VMD将第i个局部放电特高频传感器的原始数据Ai(t)进行分解,其中,NE为变分模态分解算法VMD分解层数。
进一步的,步骤d)包括如下步骤:
d-1)通过公式计算得到能量/>式中T*为获取的初始数据/>的数据长度,得到各层能量信息/>d-2)通过公式计算得到能量Ei,n,式中T为获取的原始数据Ai(t)的数据长度,得到各层能量信息/>进一步的,步骤e)包括如下步骤:
e-1)将初始数据进行傅里叶变换得到频域信息/>通过公式计算得到功率谱密度/>的单位为rad2/Hz;
e-2)将原始数据Ai(t)进行傅里叶变换得到频域信息Fi(ω),通过公式计算得到功率谱密度Pi,f,Pi,f的单位为rad2/Hz。进一步的,步骤f)包括如下步骤:
f-1)通过公式
计算得到能量特征相似度ρi,E;
f-2)通过公式
计算得到功率谱密度相似度ρi,P。
优选的,步骤g)中O取值为0.7。
进一步的,步骤h)中通过公式计算得到第i个局部放电特高频传感器的局部放电信号脉冲强度均值,NAi为第i个局部放电特高频传感器采集的数据中脉冲个数,Ai,k为第k个脉冲的幅值。
本发明的有益效果是:无需人为确定小波基函数,减少对信号特征的影响,同时VMD算法作为改进的EMD算法,其抗混叠能力更强,充分考虑窄带性质,分解得到的分量信噪比更高,确定故障后再进行诊断,相对于直接进行故障识别可简化计算,提高系统效率。将传统放电频次、均值、幅值、相位等信号特征与功率谱密度、解析信号能量结合构建特征量,可更准确的识别放电故障类型,同时根据本系统识别流程可初步估计局部放电发生位置信息。
附图说明
图1为本发明的故障诊断识别方法流程图;
图2为本发明的信号预处理过程流程图;
图3为本发明的异常信息判别及故障诊断识别过程流程图。
具体实施方式
下面结合附图1至附图3对本发明做进一步说明。
一种基于特征相似性的GIS局部放电故障判别方法,包括如下步骤:
a)在GIS局部放电在线监测系统中布置N个局部放电特高频传感器。
b)GIS局部放电在线监测系统第一次运行时,获取第i个局部放电特高频传感器的初始数据i∈{1,2,...,N},对初始数据/>进行预处理,得到分解后的若干具备本征模态函数/>
c)获取第i个局部放电特高频传感器的实时采集的原始数据Ai(t),对原始数据Ai(t)进行预处理,得到分解后的若干具备本征模态函数IMFai,n(t)。
d)计算具备本征模态函数的能量/>计算具备本征模态函数IMFai,n(t)的能量Ei,n。
e)计算初始数据的功率谱密度/>计算原始数据Ai(t)的功率谱密度Pi,f。
f)计算能量特征相似度ρi,E及功率谱密度相似度ρi,P。
g)当ρi,E≥O且ρi,P≥O时,则第i个局部放电特高频传感器当前采集的数据为正常数据,当ρi,E<O或ρi,P<O时,则第i个局部放电特高频传感器当前采集的数据为异常数据。
h)计算异常数据对应的局部放电特高频传感器的局部放电信号脉冲强度均值将各个局部放电特高频传感器的局部放电信号脉冲强度均值/>从大到小进行排列,局部放电特高频传感器所在间隔为局部放电发生位置。
在本发明的一个实施例中,步骤a)中各个局部放电特高频传感器通过同轴电缆与GIS局部放电在线监测系统中的信号处理单元相连。
采用VMD算法对信号预处理,相对于小波分析具有更强的自适应能能力,无需人为确定小波基函数,减少对信号特征的影响,同时VMD算法作为改进的EMD算法,其抗混叠能力更强,充分考虑窄带性质,分解得到的分量信噪比更高,同时各解析信号更具备物理意义。同时采用VMD分解后的能量信息及原始信号功率谱密度信息判断是否存在故障,确定故障后再进行诊断,相对于直接进行故障识别可简化计算,提高系统效率。将传统放电频次、均值、幅值、相位等信号特征与功率谱密度、解析信号能量结合构建特征量,可更准确的识别放电故障类型,同时根据本系统识别流程可初步估计局部放电发生位置信息。
在本发明的一个实施例中,步骤b)中对原始数据进行预处理的方法为:采用变分模态分解算法VMD将第i个局部放电特高频传感器的原始数据/>进行分解,其中,/>为变分模态分解算法VMD分解层数。
在本发明的一个实施例中,步骤c)中对原始数据Ai(t)进行预处理的方法为:采用变分模态分解算法VMD将第i个局部放电特高频传感器的原始数据Ai(t)进行分解,其中,NE为变分模态分解算法VMD分解层数。
在本发明的一个实施例中,步骤d)包括如下步骤:
d-1)通过公式计算得到能量/>式中T*为获取的初始数据/>的数据长度,得到各层能量信息/>
d-2)通过公式计算得到能量Ei,n,式中T为获取的原始数据Ai(t)的数据长度,得到各层能量信息/>在本发明的一个实施例中,步骤e)包括如下步骤:
e-1)将初始数据进行傅里叶变换得到频域信息/>通过公式计算得到功率谱密度/>的单位为rad2/Hz。
e-2)将原始数据Ai(t)进行傅里叶变换得到频域信息Fi(ω),通过公式计算得到功率谱密度Pi,f,Pi,f的单位为rad2/Hz。在本发明的一个实施例中,采用Pearson算法计算第i个传感器采集信号与无局部放电正常信号数据特征相似度,正常无局部放电信号以GIS启用初始传感器所采集信号为准,具体的步骤f)包括如下步骤:
f-1)通过公式
计算得到能量特征相似度ρi,E。
f-2)通过公式
计算得到功率谱密度相似度ρi,P。
在本发明的一个实施例中,优选的,步骤g)中O取值为0.7。
在本发明的一个实施例中,步骤h)中通过公式计算得到第i个局部放电特高频传感器的局部放电信号脉冲强度均值,NAi为第i个局部放电特高频传感器采集的数据中脉冲个数,Ai,k为第k个脉冲的幅值。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于特征相似性的GIS局部放电故障判别方法,其特征在于,包括如下步骤:
a)在GIS局部放电在线监测系统中布置N个局部放电特高频传感器;
b)GIS局部放电在线监测系统第一次运行时,获取第i个局部放电特高频传感器的初始数据对初始数据/>进行预处理,得到分解后的若干具备本征模态函数/>
c)获取第i个局部放电特高频传感器的实时采集的原始数据Ai(t),对原始数据Ai(t)进行预处理,得到分解后的若干具备本征模态函数IMFai,n(t);
d)计算具备本征模态函数的能量/>计算具备本征模态函数IMF ai,n(t)的能量Ei,n;
e)计算初始数据的功率谱密度/>计算原始数据Ai(t)的功率谱密度Pi,f;
f)计算能量特征相似度ρi,E及功率谱密度相似度ρi,P;
g)当ρi,E≥O且ρi,P≥O时,则第i个局部放电特高频传感器当前采集的数据为正常数据,当ρi,E<O或ρi,P<O时,则第i个局部放电特高频传感器当前采集的数据为异常数据;
h)计算异常数据对应的局部放电特高频传感器的局部放电信号脉冲强度均值将各个局部放电特高频传感器的局部放电信号脉冲强度均值/>从大到小进行排列,局部放电特高频传感器所在间隔为局部放电发生位置。
2.根据权利要求1所述的基于特征相似性的GIS局部放电故障判别方法,其特征在于:步骤a)中各个局部放电特高频传感器通过同轴电缆与GIS局部放电在线监测系统中的信号处理单元相连。
3.根据权利要求1所述的基于特征相似性的GIS局部放电故障判别方法,其特征在于,步骤b)中对原始数据进行预处理的方法为:采用变分模态分解算法VMD将第i个局部放电特高频传感器的原始数据/>进行分解,/>其中,/>为变分模态分解算法VMD分解层数。
4.根据权利要求3所述的基于特征相似性的GIS局部放电故障判别方法,其特征在于,步骤c)中对原始数据Ai(t)进行预处理的方法为:采用变分模态分解算法VMD将第i个局部放电特高频传感器的原始数据Ai(t)进行分解,其中,NE为变分模态分解算法VMD分解层数。
5.根据权利要求4所述的基于特征相似性的GIS局部放电故障判别方法,其特征在于,步骤d)包括如下步骤:
d-1)通过公式计算得到能量/>式中T*为获取的初始数据的数据长度,得到各层能量信息/>
d-2)通过公式计算得到能量Ei,n,式中T为获取的原始数据Ai(t)的数据长度,得到各层能量信息/>
6.根据权利要求5所述的基于特征相似性的GIS局部放电故障判别方法,其特征在于,步骤e)包括如下步骤:
e-1)将初始数据进行傅里叶变换得到频域信息Fi *(ω),通过公式计算得到功率谱密度/> 的单位为rad2/Hz;
e-2)将原始数据Ai(t)进行傅里叶变换得到频域信息Fi(ω),通过公式计算得到功率谱密度Pi,f,Pi,f的单位为rad2/Hz。
7.根据权利要求6所述的基于特征相似性的GIS局部放电故障判别方法,其特征在于,步骤f)包括如下步骤:
f-1)通过公式
计算得到能量特征相似度ρi,E;
f-2)通过公式
计算得到功率谱密度相似度ρi,P。
8.根据权利要求1所述的基于特征相似性的GIS局部放电故障判别方法,其特征在于:步骤g)中O取值为0.7。
9.根据权利要求1所述的基于特征相似性的GIS局部放电故障判别方法,其特征在于:步骤h)中通过公式计算得到第i个局部放电特高频传感器的局部放电信号脉冲强度均值,NAi为第i个局部放电特高频传感器采集的数据中脉冲个数,Ai,k为第k个脉冲的幅值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310465833.4A CN116559643A (zh) | 2023-04-27 | 2023-04-27 | 一种基于特征相似性的gis局部放电故障判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310465833.4A CN116559643A (zh) | 2023-04-27 | 2023-04-27 | 一种基于特征相似性的gis局部放电故障判别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116559643A true CN116559643A (zh) | 2023-08-08 |
Family
ID=87495781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310465833.4A Pending CN116559643A (zh) | 2023-04-27 | 2023-04-27 | 一种基于特征相似性的gis局部放电故障判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116559643A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117269701A (zh) * | 2023-11-21 | 2023-12-22 | 川力电气有限公司 | 基于人工智能的高压开关柜局部放电定位方法 |
-
2023
- 2023-04-27 CN CN202310465833.4A patent/CN116559643A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117269701A (zh) * | 2023-11-21 | 2023-12-22 | 川力电气有限公司 | 基于人工智能的高压开关柜局部放电定位方法 |
CN117269701B (zh) * | 2023-11-21 | 2024-02-02 | 川力电气有限公司 | 基于人工智能的高压开关柜局部放电定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109029959B (zh) | 一种变压器绕组的机械状态检测方法 | |
Li et al. | Bearing fault feature selection method based on weighted multidimensional feature fusion | |
US10790779B2 (en) | Systems and methods for determining arc events using wavelet decomposition and support vector machines | |
CN116559643A (zh) | 一种基于特征相似性的gis局部放电故障判别方法 | |
CN111077386A (zh) | 一种电气设备早期故障信号降噪方法 | |
Meng et al. | Health indicator of bearing constructed by rms-CUMSUM and GRRMD-CUMSUM with multifeatures of envelope spectrum | |
CN106533361A (zh) | 一种基于小波分析的光伏组件故障诊断方法 | |
CN116776075A (zh) | 风机叶片健康监测系统及其监测方法 | |
Qian et al. | A new health indicator for rolling bearings based on impulsiveness and periodicity of signals | |
Mahela et al. | A hybrid signal processing technique for recognition of complex power quality disturbances | |
Lv et al. | A new feature extraction technique for early degeneration detection of rolling bearings | |
CN111983365B (zh) | 一种基于振荡波多级分解的变压器绕组变形检测方法 | |
CN109635430A (zh) | 电网输电线路暂态信号监测方法和系统 | |
CN116189711B (zh) | 基于声波信号监测的变压器故障识别方法及装置 | |
CN108594156B (zh) | 一种改进的电流互感器饱和特性识别方法 | |
CN111860241A (zh) | 一种基于小波包分析的电力设备放电故障识别方法 | |
CN116593829A (zh) | 基于数据分析的输电线路隐患在线监测系统 | |
CN112729531B (zh) | 配电变压器设备故障研判方法及系统 | |
CN115825602A (zh) | 一种综合多元信息相似性分析的负荷辨识方法及系统 | |
CN111624445B (zh) | 一种基于红外测温传感器的局放检测方法和系统 | |
CN114091593A (zh) | 一种基于多尺度特征融合的网络级电弧故障诊断方法 | |
CN112466322A (zh) | 一种机电设备噪声信号特征提取方法 | |
CN113433456B (zh) | 一种基于电流波形相似度的发电机故障诊断系统及方法 | |
CN112001326B (zh) | 基于振动指纹的高压开关装备故障诊断与预测方法和系统 | |
CN113311227B (zh) | 一种用于故障电弧诊断技术的电流信号降噪方法 |
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 |