CN116910470A - 一种gis组合电器局部放电故障模式识别方法 - Google Patents
一种gis组合电器局部放电故障模式识别方法 Download PDFInfo
- Publication number
- CN116910470A CN116910470A CN202310776883.4A CN202310776883A CN116910470A CN 116910470 A CN116910470 A CN 116910470A CN 202310776883 A CN202310776883 A CN 202310776883A CN 116910470 A CN116910470 A CN 116910470A
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- gis
- sample
- discharge
- prpd
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000007547 defect Effects 0.000 claims abstract description 36
- 239000013598 vector Substances 0.000 claims abstract description 36
- 238000009413 insulation Methods 0.000 claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 238000001228 spectrum Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 239000012212 insulator Substances 0.000 claims description 7
- 238000003909 pattern recognition Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 5
- 229910052751 metal Inorganic materials 0.000 claims description 5
- 239000002184 metal Substances 0.000 claims description 5
- 239000002923 metal particle Substances 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000015556 catabolic process Effects 0.000 abstract description 2
- 238000006731 degradation reaction Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000012706 support-vector machine Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 6
- 229910052782 aluminium Inorganic materials 0.000 description 3
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 239000003822 epoxy resin Substances 0.000 description 3
- 229920000647 polyepoxide Polymers 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012567 pattern recognition method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 102100025142 Beta-microseminoprotein Human genes 0.000 description 1
- 101000576812 Homo sapiens Beta-microseminoprotein Proteins 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G01R31/12—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明涉及电力设备带电检测技术领域,尤其涉及一种GIS组合电器局部放电故障模式识别方法,其特征在于,包括搭建试验平台、局放检测试验、建立图谱库、提取图谱特征量、构建样本空间、计算特征向量、识别结果。本发明的优点是:1)通过提取GIS局部放电信号的PRPD模式图谱的统计特征参数,构建GIS局放信号PRPD图谱的特征向量,计算待识别局部放电样本的特征向量与典型局放模式识别样本特征向量的马氏距离,利用距离分类法识别出局部放电缺陷类型。2)在不拆卸设备的前提下,能够及时有效地发现GIS设备的潜在缺陷,将GIS设备绝缘劣化隐患消除在萌芽状态,减少非计划停电事故的发生,缩减GIS设备事故损失成本,具有良好的经济效益和社会效益。
Description
技术领域
本发明涉及电力设备带电检测技术领域,尤其涉及一种GIS组合电器局部放电故障模式识别方法。
背景技术
气体绝缘全封闭组合电器(Gas Insulated Switchgear,简称GIS)是现代电力系统中广泛应用的关键设备。GIS将变电站中的电流互感器、电压互感器、隔离开关、断路器、接地开关、母线、套管等设备全部封闭在金属接地的筒状壳体中,在筒体中充入具有高绝缘性能的SF6气体。GIS因结构紧凑、占地面积小、防灰尘、维护工作量小等优点在电力系统中得到了广泛应用。
随着GIS设备的广泛应用,运行过程中出现的问题也随之而来,由于GIS设备为纯密封性结构,难以像传统敞开式设备一样开展各项预防性试验及时发现潜在缺陷。GIS设备结构复杂,工作场强很高,内部一旦出现绝缘缺陷,极易造成设备故障,引起大面积停电,造成巨大的经济损失。
绝缘故障一直对GIS设备工作可靠性有着重要影响。局部放电作为GIS设备内部绝缘故障的早期表现形式,对GIS的正常运行是一种潜在威胁。在设备运行中如果能尽早发现和排除局放故障,就能降低设备损失,提高供电的可靠性。
目前,国内外广泛开展了局部放电检测与分析的研究,将局部放电检测和诊断作为评估GIS设备绝缘状况和保障设备安全的一种有效方法。特高频检测法因具有灵敏度高、抗干扰性强等优点,逐渐成为局放检测领域的主流方法。不同类型缺陷的局部放电产生的特高频信号具有不同的图谱特征,主要体现在相位分布、放电幅值、放电间隔等特征上,可以通过提取局部放电特高频信号的三维图谱、统计特征参数、分形参数、图像矩特征参数等,再利用模式识别算法对局部放电故障类型进行识别。
通过查新,检索到一些相关的文献及专利,如公告号为CN103076547A的中国发明专利公开了一种基于支持向量机的GIS局部放电故障类型模式识别方法,该发明提取若干个周期的M种局部放电故障类型对应的局部放电信号构建M个样本数据,作为原始数据。分别构建各样本数据的特征图谱,提取各样本数据的统计特征参数,采用一对一算法在任意两个样本数据之间构建支持向量机分类器,得到M×(M-1)/2个支持向量机分类器。采用提取出的统计特征参数训练支持向量机分类器,得到持向量机分类器模型。采用支持向量机分类器模型对待识别的局部放电信号进行局部放电故障类型模式识别。该发明支持向量机分类器是一种典型的二分类机器学习方法,GIS局部放电故障类型较多,需要建立多个支持向量机分类器进行多次分类才能得到最终识别结果。
公告号为CN113514743A的中国发明专利公开了一种基于多维特征的GIS局部放电模式识别系统构建方法,该发明获取GIS局部放电信号数据并生成局部放电信号PRPD图谱,根据局部放电信号PRPD图谱获取特征矢量。特征矢量包括PRPD图谱中的幅值与相位获取的第一特征、相位与脉冲数获取的第二特征、幅值与脉冲获取的第三特征以及频率获取的第四特征。采用PCA对特征矢量进行降维,将降维后的特征矢量输入BP神经网络进行训练,构建GIS局部放电模式识别系统。该发明提出的BP神经网络模式识别方法存在对初始权值阈值敏感、过学习、欠学习等问题,导致收敛慢、训练时间长、计算量大。
公告号为CN113780308A的中国发明专利公开了一种基于核主元分析与神经网络的GIS局部放电模式识别方法,该发明采用特高频传感器采集GIS设备内部的典型绝缘缺陷的局部放电信号,对局部放电信号三维PRPS图谱进行Gabor变换,提取变换子图的纹理特征向量和形状特征向量,构成原始特征向量。采用核主元分析法对原始特征向量进行降维处理,获得特征向量训练集。构建多层BP神经网络,采用训练好的多层BP神经网络对特高频采集实际检测到的GIS局部放电信号进行识别。该发明需要选择合理的神经网络结构,网络结构过小容易造成不收敛,神经网络的拓扑结构复杂会导致网络过度训练,识别误差增加。
综上所述,在GIS局部放电模式识别分类算法中,神经网络机器学习方法应用最为广泛,但神经网络识别方法存在对初始权值阈值敏感、收敛速度慢、训练时间长、易陷入局部极小值等问题。因此,探寻更加有效的GIS局部放电故障模式识别方法,实现GIS设备局部放电缺陷类型的准确划分,提高GIS局部放电特高频检测的准确性和可靠性是非常必要的。
发明内容
本发明的目的是提供一种GIS组合电器局部放电故障模式识别方法,克服现有技术的不足,对GIS组合电器设备局部放电绝缘缺陷类型进行诊断识别,提高GIS设备局部放电故障诊断的效率和准确性,从而能够有效预防GIS组合电器设备绝缘故障的发生,保证GIS设备安全可靠运行。
为实现上述目的,本发明通过以下技术方案实现:
一种GIS组合电器局部放电故障模式识别方法,其特征在于,包括搭建试验平台、局放检测试验、建立图谱库、提取图谱特征量、构建样本空间、计算特征向量、识别结果,具体步骤如下:
1)搭建GIS局部放电试验平台,构建典型的局部放电模型;
2)局放检测试验,利用特高频法对典型的局部放电模型进行局部放电检测试验,获取大量典型绝缘缺陷的特高频局部放电图谱样本;
3)建立图谱库,基于步骤2)中数据样本建立GIS局部放电故障模式样本图谱库;
4)提取图谱特征量,采用定量参数来表征局部放电信号的相位分布特征,对典型绝缘缺陷局放信号的PRPD模式图谱样本进行特征提取,经过图像处理,提取PRPD图谱中放电量q和放电次数n在第i个相位发生的概率Pi,产生放电量相位的均值μ和标准差σ。计算表征典型局部放电模型PRPD图谱形状差异的偏斜度Sk,陡峭度Ku,局部峰点数Pe统计特征量,以及表征典型局部放电模型PRPD图谱正负半周轮廓差异的放电因数Q、互相关系数Cc统计特征量;
5)构建样本空间,将局部放电信号工频周期分为正半周期和负半周期,依据5个统计特征量构造典型缺陷局放信号图谱特征向量(Sk+,Sk-,Ku+,Ku-,Pe+,Pe-,Q,Cc),“+”、“-”对应PRPD图谱的正负半周,经过上述的特征提取,对特征量求取均值后,构建局部放电模式识别样本空间;
6)计算特征向量,将特高频传感器贴附在待检测GIS设备的盆式绝缘子上,传感器将局部放电辐射出的电磁波信号转换成电信号,利用滤波器对采集到的局放信号进行消噪处理,传给检测仪主机完成信号的A/D转换、采集及数据处理工作,形成局部放电相位分布图谱PRPD,经过图像处理,计算出待识别的GIS局部放电样本的特征向量;
7)识别结果,分别计算待识别PRPD图谱样本与典型绝缘缺陷局部放电模式识别样本的马氏距离“X”代表待识别局放信号PRPD图谱样本的特征向量,“S”代表典型绝缘缺陷局部放电模式样本的特征向量,“Σ”代表典型绝缘缺陷局部放电模式识别样本的方差协方差矩阵,利用马氏距离来衡量模式匹配的程度,通过计算待检测样本到各局部放电模式识别样本的马氏距离,比较各距离大小,判断出待识别局部放电样本的故障类型。
与现有技术相比,本发明的有益效果是:
1)本发明通过提取GIS局部放电信号的PRPD模式图谱的统计特征参数,构建GIS局放信号PRPD图谱的特征向量,计算待识别局部放电样本的特征向量与典型局放模式识别样本特征向量的马氏距离,利用距离分类法识别出局部放电缺陷类型。
2)该方法在不拆卸设备的前提下,能够及时有效地发现GIS设备的潜在缺陷,将GIS设备绝缘劣化隐患消除在萌芽状态,减少非计划停电事故的发生,缩减GIS设备事故损失成本,具有良好的经济效益和社会效益。
附图说明
图1是本发明实施例工艺流程示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
通常在此处附图中描述和显示出的本发明实施例的组件可以以无数种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。
见图1,是本发明一种GIS组合电器局部放电故障模式识别方法实施例工艺流程示意图,包括搭建试验平台、局放检测试验、建立图谱库、提取图像特征量、构建样本空间、计算特征向量、识别结果,具体步骤如下:
1)搭建试验平台,设计GIS内部金属尖端放电、悬浮电位放电、自由金属颗粒放电、绝缘子气隙放电四种典型的绝缘缺陷类型。在内导体表面径向安装一根高度为5-15mm的铝质针来模拟尖端放电类型;在两块厚度为10mm的环氧树脂板的中间放置一块长100mm、宽100mm、高100mm的金属块,并置于两平板电极之间,模拟GIS中悬浮放电类型。在GIS壳体内表面放置一定数量的薄铝片,铝片尺寸约为0.6×1mm,模拟GIS自由金属颗粒放电类型。在厚度为30mm的环氧树脂板中密封一直径约为2mm的气隙,并将环氧树脂板置于两个平板电极中间,模拟GIS中绝缘子气隙放电类型。
2)局放检测试验,将典型绝缘缺陷模型放置于GIS腔体内,检查气密性后,充入0.4MPaSF6气体,利用特高频局部放电检测仪分别对四种典型绝缘缺陷进行局部放电检测试验。采用逐步升压法和恒压法相结合的方式对试验模型施加电压,观察局部放电检测仪检测的信号,一旦出现放电信号,记录此时所加电压,为此绝缘缺陷模型的起始放电电压。从起始放电电压开始,逐级升压,在每个电压等级下持续一段时间,待局放信号较强并稳定后,记录图谱数据。
3)建立图谱库,对GIS内部金属尖端放电、悬浮电位放电、自由金属颗粒放电、绝缘子气隙放电四种典型绝缘缺陷模型的局部放电PRPD图谱数据进行保存及记录,建立GIS设备局部放电模式样本图谱库。
4)提取图像特征量,在大量实验数据基础上,提取表征典型局部放电模型PRPD图谱形状差异和正负半周轮廓差异的统计特征量,构造图谱识别的样本空间。分别计算出PRPD图谱中放电量q在正负两半周期内第i个相位发生的概率Pi,产生放电量相位/>的均值μ和标准差σ。
计算表征四种典型局部放电模型PRPD图谱形状差异的Sk(偏斜度),Ku(陡峭度),Pe(局部峰点数)统计特征量。
①偏斜度(Sk)
偏斜度Sk反映PRPD图谱形状相对于正态分布的左右偏斜情况:Sk=0说明该图谱形状左右对称;Sk>0说明该图谱相对于正态分布形状向左偏;Sk<0说明该图谱相对于正态分布形状向右偏。
②陡峭度(Ku)
陡峭度Ku描述PRPD谱图形状相对于正态分布形状的突起程度。正态分布形状图的陡峭度Ku等于0,Ku>0,说明该图谱轮廓比正态分布轮廓尖锐陡峭;Ku<0,说明该图谱轮廓比正态分布轮廓平坦。
③局部峰点数(Pe)
局部峰点数描述谱图轮廓上局部峰的个数。在轮廓点处是否有局部峰,可用下式判定:
(qi-qi-1)>0且(qi-qi+1)>0。
计算表征四种典型局部放电模型PRPD图谱正负半周轮廓差异的Q(放电因数),Cc(互相关系数)统计特征量。
④互相关系数(Cc)
互相关系数Cc描述PRPD图谱正负半周期内的放电强弱和相位分布的相关性。相关系数Cc接近1时,表示PRPD图谱正半周部分和负半周部分形状相似程度较高,正负半周基本对称。Cc接近于0则说明PRPD图谱轮廓差异很大。
上式中,分别表示PRPD图谱正负半周相位i上的放电量。
⑤放电因数(Q)
上式中,是相位i的放电重复率(即单位时间内的放电次数),上标“+”、“–”对应于PRPD图谱的正负半周。放电量因数Q反映了PRPD图谱正负半周内放电量的差异。
5)构建样本空间,按照上述各个统计特征量的计算,进行C++程序设计,计算每一个局部放电样本PRPD图谱的统计算子特征参数。经过上述的特征提取、对特征参数求取均值后,构建四种典型绝缘缺陷局部放电模式识别样本的特征向量(Sk+,Sk-,Ku+,Ku-,Pe+,Pe-,Q,Cc),“+”、“-”对应PRPD图谱的正负半周。
6)计算特征向量,通过外置式特高频传感器对待检测GIS组合电器设备中的局部放电信号进行检测,现场检测使用的局部放电检测装置由特高频传感器,滤波器,信号放大器、检测仪主机组成。特高频传感器接收局部放电辐射出的电磁波信号,将其转变为电压信号,经过信号处理与放大,传给检测仪主机完成信号的A/D转换、采集及数据处理工作,形成局部放电相位分布图谱(PRPD)实时显示。PRPD图谱经图像处理,程序计算,得出待检测局放样本的特征向量(Sk+,Sk-,Ku+,Ku-,Pe+,Pe-,Q,Cc)。
7)识别结果,令每种典型绝缘缺陷训练样本集为{S1,S2…S50},每个样本用8个特征值表示为S={s1,s2,…s8}T,每个样本为8维空间,si表示从PRPD图谱上获得的局放信号特征量(Sk+,Sk-,Ku+,Ku-,Pe+,Pe-,Q,Cc)。分别求取四种典型绝缘缺陷局放模式样本协方差矩阵σi表示局放模式样本第i个特征量si的标准差。
分别计算待识别GIS局部放电样本与四种典型绝缘缺陷局部放电模式样本的马氏距离d(X,S),“X”代表待识别局放信号PRPD图谱样本的特征向量,“S”代表典型绝缘缺陷局部放电模式识别样本的特征向量,“∑-1”代表典型绝缘缺陷局部放电模式识别样本的协方差矩阵的逆矩阵。将协方差矩阵纳入距离度量计算,可以去除特征参数之间相关性问题,同时可以对特征参数进行尺度变换,将其转化为无量纲的纯数值,便于不同量级特征参数的比较和加权。
比较待识别样本与各典型绝缘缺陷局部放电模式样本的马氏距离,当待识别样本与已知局部放电模式样本距离最小,说明匹配度较高,将待识别样本归入到与其距离最小的局部放电类型,从而实现GIS局部放电类型的识别。
本发明对GIS组合电器设备局部放电绝缘缺陷类型进行诊断识别,提高了GIS设备局部放电故障诊断的效率和准确性,从而能够有效地预防GIS组合电器设备绝缘故障的发生,保证GIS设备安全可靠运行。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种GIS组合电器局部放电故障模式识别方法,其特征在于,包括搭建试验平台、局放检测试验、建立图谱库、提取图谱特征量、构建样本空间、计算特征向量、识别结果,具体步骤如下:
1)搭建GIS局部放电试验平台,构建典型的局部放电模型;
2)局放检测试验,利用特高频法对典型的局部放电模型进行局部放电检测试验,获取大量典型绝缘缺陷的特高频局部放电图谱样本;
3)建立图谱库,基于步骤2)中数据样本建立GIS局部放电故障模式样本图谱库;
4)提取图谱特征量,采用定量参数来表征局部放电信号的相位分布特征,对典型绝缘缺陷局放信号的PRPD模式图谱样本进行特征提取,经过图像处理,提取PRPD图谱中放电量q和放电次数n在第i个相位发生的概率Pi,产生放电量相位的均值μ和标准差σ。计算表征典型局部放电模型PRPD图谱形状差异的偏斜度Sk,陡峭度Ku,局部峰点数Pe统计特征量,以及表征典型局部放电模型PRPD图谱正负半周轮廓差异的放电因数Q、互相关系数Cc统计特征量;
5)构建样本空间,将局部放电信号工频周期分为正半周期和负半周期,依据5个统计特征量构造典型缺陷局放信号图谱特征向量(Sk+,Sk-,Ku+,Ku-,Pe+,Pe-,Q,Cc),“+”、“-”对应PRPD图谱的正负半周,经过上述的特征提取,对特征量求取均值后,构建局部放电模式识别样本空间;
6)计算特征向量,将特高频传感器贴附在待检测GIS设备的盆式绝缘子上,传感器将局部放电辐射出的电磁波信号转换成电信号,利用滤波器对采集到的局放信号进行消噪处理,传给检测仪主机完成信号的A/D转换、采集及数据处理工作,形成局部放电相位分布图谱PRPD,经过图像处理,计算出待识别的GIS局部放电样本的特征向量;
7)识别结果,分别计算待识别PRPD图谱样本与典型绝缘缺陷局部放电模式识别样本的马氏距离“X”代表待识别局放信号PRPD图谱样本的特征向量,“S”代表典型绝缘缺陷局部放电模式样本的特征向量,“Σ”代表典型绝缘缺陷局部放电模式识别样本的方差协方差矩阵,利用马氏距离来衡量模式匹配的程度,通过计算待检测样本到各局部放电模式识别样本的马氏距离,比较各距离大小,判断出待识别局部放电样本的故障类型。
2.根据权利要求1所述的一种GIS组合电器局部放电故障模式识别方法,其特征在于,所述典型的局部放电模型为金属尖端放电、悬浮电位放电、自由金属颗粒放电、绝缘子气隙放电中的任一种或任两种以上组合。
3.根据权利要求1所述的一种GIS组合电器局部放电故障模式识别方法,其特征在于,所述5个统计特征量为Sk、Ku、Pe、Q、Cc。
4.根据权利要求1所述的一种GIS组合电器局部放电故障模式识别方法,其特征在于,所述特高频传感器的频率为500MHz~1500MHz。
5.根据权利要求1所述的一种GIS组合电器局部放电故障模式识别方法,其特征在于,所述盆式绝缘子可由其他电磁波可泄露的部位替换。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310776883.4A CN116910470A (zh) | 2023-06-28 | 2023-06-28 | 一种gis组合电器局部放电故障模式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310776883.4A CN116910470A (zh) | 2023-06-28 | 2023-06-28 | 一种gis组合电器局部放电故障模式识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116910470A true CN116910470A (zh) | 2023-10-20 |
Family
ID=88361983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310776883.4A Pending CN116910470A (zh) | 2023-06-28 | 2023-06-28 | 一种gis组合电器局部放电故障模式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116910470A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117786521A (zh) * | 2024-02-23 | 2024-03-29 | 兰州交通大学 | 基于智能频谱感知的信号分类方法 |
-
2023
- 2023-06-28 CN CN202310776883.4A patent/CN116910470A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117786521A (zh) * | 2024-02-23 | 2024-03-29 | 兰州交通大学 | 基于智能频谱感知的信号分类方法 |
CN117786521B (zh) * | 2024-02-23 | 2024-04-19 | 兰州交通大学 | 基于智能频谱感知的信号分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gao et al. | Research on the typical partial discharge using the UHF detection method for GIS | |
CN106443316A (zh) | 一种电力变压器绕组形变状态多信息检测方法及装置 | |
CN109029959B (zh) | 一种变压器绕组的机械状态检测方法 | |
CN110703078A (zh) | 基于频谱能量分析与自组织竞争算法的gis故障诊断方法 | |
CN112180221B (zh) | 基于双测度监督规则的gis未知类别局部放电识别方法 | |
CN112816838B (zh) | 基于fft、vmd和ls-svm的gis设备缺陷诊断装置及方法 | |
CN116910470A (zh) | 一种gis组合电器局部放电故障模式识别方法 | |
Wang et al. | Measurement and analysis of partial discharge using an ultra-high frequency sensor for gas insulated structures | |
CN103558532A (zh) | 高压交联聚乙烯电力电缆局部放电在线检测系统 | |
Xue et al. | Application of feature extraction method based on 2D—LPEWT in cable partial discharge analysis | |
Firuzi et al. | A hybrid transformer PD monitoring method using simultaneous IEC60270 and RF data | |
CN113745049B (zh) | 一种真空灭弧室内真空度监测方法及系统 | |
Chen et al. | Recognition of high-voltage cable partial discharge signal based on adaptive fuzzy C-means clustering | |
Li et al. | Partial discharge monitoring system for PD characteristics of typical defects in GIS using UHF method | |
Chang et al. | Partial discharge pattern recognition for underground cable joints using convolutional neural network | |
CN109917245B (zh) | 考虑相位差的超声检测局部放电信号模式识别方法 | |
Lei et al. | Research on data diagnosis method of acoustic array sensor device based on spectrogram | |
Bhukya et al. | Wavelet Aided Deep Neural Network for Classification of Partial Discharge Sources in Air Insulated Substations | |
Cai et al. | Reviews of research on mechanical fault diagnosis in GIS | |
Yongxiang et al. | Gas-Insulated Switchgear (GIS) Equipment Mechanical Fault Detection Based on Feature Learning of Vibration Signal Images | |
Ding et al. | Detection and Analysis of GIS Discharge Defects Based on Deep Learninng Method | |
Abu-Rub et al. | Multi-level defects classification of partial discharge activity in electric power cables using machine learning | |
Tang et al. | Research on Comprehensive Identification and Classification Technology for Latent Faults in High-Voltage Switchgear Based on Machine Learning | |
Das et al. | Time-frequency representation aided deep transfer learning approach for localization and identification of single and multiple partial discharge events | |
Wang et al. | Simultaneous Partial Discharge Diagnosis and Localization in Gas-Insulated Switchgear via a Dual-Task Learning Network |
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 |