CN117310412A - 一种基于声光电联合信号的局部放电定位方法及系统 - Google Patents
一种基于声光电联合信号的局部放电定位方法及系统 Download PDFInfo
- Publication number
- CN117310412A CN117310412A CN202311291704.4A CN202311291704A CN117310412A CN 117310412 A CN117310412 A CN 117310412A CN 202311291704 A CN202311291704 A CN 202311291704A CN 117310412 A CN117310412 A CN 117310412A
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- acousto
- optic
- signal
- positioning
- 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 59
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000009499 grossing Methods 0.000 claims abstract description 18
- 238000005315 distribution function Methods 0.000 claims abstract description 15
- 230000007547 defect Effects 0.000 claims abstract description 7
- 230000003287 optical effect Effects 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 230000004907 flux Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000009413 insulation Methods 0.000 abstract description 6
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000010354 integration Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 33
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G01R31/12—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
-
- 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
- G01R31/1218—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 optical methods; using charged particle, e.g. electron, beams or X-rays
-
- 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
-
- 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]
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种基于声光电联合信号的局部放电定位方法及系统,涉及电力设备绝缘缺陷故障诊断技术领域,包括对局部放电信号进行声光电信号联合采集;根据声光电信号构建局部放电声光电信号指纹库;对GRNN网络采用Parzen窗模拟概率分布函数以及采用Holdout方法优化GRNN网络的平滑因子得到局部放电定位模型;通过局部放电声光电信号指纹库对局部放电定位模型进行迭代训练,获得最优局部放电定位模型;将实时数据输入至最优局部放电定位模型中获取放电源坐标。本发明融合三种传感器的信息,实现更精确的局部放电定位,基于声光电多信号信息融合的局部放电定位技术,提高了定位的可靠性。
Description
技术领域
本发明涉及电力设备绝缘缺陷故障诊断技术领域,更具体的说是涉及一种基于声光电联合信号的局部放电定位方法及系统。
背景技术
随着经济的不断发展,电力系统的规模不断扩大对电力设备运行的安全性和可靠性要求也不断提高,气体绝缘设备在电力系统中发挥着重要作用它具有体积和面积小、可靠性高、配置灵活、维护方便等优点。气体绝缘设备的正常运行对整个电力系统的安全和稳定非常重要。
但由于气体绝缘设备全封闭的特点,对其内部的故障进行定位和维修比较困难,因此需要花费大量的人力和物力进行维护。因此,为了保证电网的安全可靠运行,做好气体绝缘设备的状态评估和维护工作,及时发现其中潜在或存在的故障,及时进行故障预防或处理非常重要。
在气体绝缘设备制造、安装和运输过程中,可能会产生气泡浮动导电物质和尖端毛刺等缺陷。这些缺陷在一定的电场下会导致局部放电。局部放电不仅是绝缘劣化的原因,也是气体绝缘设备绝缘劣化的主要表现形式。
局部放电的监测主要基于局部放电发生过程中出现的相关物理效应。超声波法、脉冲电流法、超高频检测法和光学检测法是常见的局部放电检测方法。当检测到对电力设备有害的局部放电时,可以通过采取有针对性的措施来防止事故的发生。局部放电特高频法是利用特高频传感器监测局部放电发生时激发的电磁波信号。单纯的特高频法检测灵敏度高,覆盖范围宽,适宜于各种局放检测的场合,但容易受到环境中的电磁干扰。
因此,提出一种基于声光电联合信号的局部放电定位方法及系统,通过提取局部放电超声信号、光学信号及特高频信号,构建局部放电声光电信号指纹库,避免环境中的电磁干扰,利用广义回归神经网络算法构建离线阶段训练模型,得到局部放电定位结果是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种基于声光电联合信号的局部放电定位方法及系统,实现局部放电的快速准确定位,为了实现上述目的,本发明采用如下技术方案:
一种基于声光电联合信号的局部放电定位方法,包括:
对局部放电信号进行声光电信号联合采集;
根据声光电信号构建局部放电声光电信号指纹库;
构建GRNN网络,对GRNN网络采用Parzen窗模拟概率分布函数以及采用Holdout方法优化GRNN网络的平滑因子得到局部放电定位模型;
通过局部放电声光电信号指纹库对局部放电定位模型进行迭代训练,获得最优局部放电定位模型;
将实时数据输入至最优局部放电定位模型中获取放电源坐标。
可选的,所述对局部放电信号进行声光电信号联合采集包括:搭建局部放电实验系统所需的高压实验电源及局部放电缺陷模型,利用数字式局部放电检测仪进行局部放电信号的采集,构建局部放电指纹库采集系统,所述局部放电指纹库采集系统包括光学传感器、超声传感器和特高频电磁波传感器。
可选的,所述局部放电指纹库采集系统信号采集步骤为:将局部放电看作特高频和超声波的发射源,以特高频接收到的信号为时间基准,再根据超声波阵列扫描获得局部放电源角度,定位出局部放电源的几何信息;基于局部放电源距离不同,传感器光通量不同的原理,结合多个光学感知单元的光辐射量数据与仿真结果比对,获取局部放电源的距离信息,融合三种传感器的信息进行局部放电定位。
可选的,所述根据声光电信号构建局部放电声光电信号指纹库包括:利用光信号、超声信号和特高频信号形成的声光电联合信号PD位置电压大小和放电强弱,采集不同位置的局部放电信号发生时相应传感器的强度大小,假设被测点Pi处发生局部放电,通过传感器Aj测量到的被测点的电磁波信号强度表示为:
{φij(t),t=1,…,k(k≥1)};
其中,φij(t)表示第t次测量的局部放电信号强度,k表示测量次数,i表示第i个被测点,j表示第j个传感器,通过j个传感器得到i个被测点的电磁波信号强度,构建局部放电声光电信号指纹库ψ,
其中,m为传感器数量,n为局部放电源放电信号组数,ψ的第i个行向量ψi=[φi1,φi2,...,φim]即为m个传感器测到的关于被测点Pi的指纹特征值,通过不同类型的传感器对不同的物理量进行测量,形成多维的特征量维度,当被测点Pi点发生局部放电时各个传感器测到信息即为声光电联合信号的强度。
可选的,所述GRNN网络由输入层、模式层、求和层和输出层构成;
输入层的神经元数量即为输入向量的维数D;
模式层的激活函数输出为pi=exp(-Dn 2/2σ2),是训练数据和预测点之间的马氏距离的平方,σ为平滑度参数;
求和层存在两种神经元,第一种神经元的激活函数为第二种神经元的激活函数为/>其中,pi为模式层的激活函数输出,yij为模式层到求和层的权值参数,n为模式层节点个数,分别将求和层两种神经元的输出作为分母和分子;
输出层的激活函数输出为yj=sNj/sD。
可选的,所述对GRNN网络采用Parzen窗模拟概率分布函数包括:
构建GRNN网络,定义Xn为局部放电声光电信号指纹库;通过测量值X={Xn}对因变量Y={Yn}的值进行预测;
定义随机变量向量X和随机变量标量Y的概率分布函数为f(X,Y),输出预测结果Y对给定测量值X的条件期望E[Y|X];
利用Parzen窗的非参数估计方法模拟概率分布函数f(X,Y),输出Parzen窗概率密度函数;
使用高斯核函数对Parzen窗密度函数进行优化,通过优化后的Parzen窗密度函数反算条件期望E[Y|X]得到优化后的GRNN网络。
可选的,所述优化后的GRNN网络为g(x):
其中,x为用于测试的新测量值,为训练数据和预测点之间的马氏距离的平方,n为求和计算序号,σ为平滑度参数,N为样本个数。
可选的,所述采用Holdout方法优化GRNN网络的平滑因子得到局部放电定位模型包括:初始化平滑因子后,在每次迭代过程中选定一组样本并将其从训练集中移除,用来作为测试集,利用平均平方误差MSE计算输出和原标签的差,并选择最小的平滑因子:
其中,N为样本数量,yi和分别为验证样本值和GRNN输出值。
可选的,所述获得最优局部放电定位模型的步骤为:将局部放电声光电信号指纹库作为局部放电定位模型的训练集,将产生相关信号对应的放电源坐标作为目标输出,将局部放电的多种信号量作为局部放电定位模型的特征值,基于位置变化产生信号强度的变化,通过GRNN网络对信号强度与局放源坐标的关系进行映射。
可选的,一种基于声光电联合信号的局部放电定位系统,包括:
采集模块:用于对局部放电信号进行声光电信号联合采集;
数据库构建模块:用于根据声光电信号构建局部放电声光电信号指纹库;
模型构建模块:用于构建GRNN网络,对GRNN网络采用Parzen窗模拟概率分布函数以及采用Holdout方法优化GRNN网络的平滑因子得到局部放电定位模型;
训练模块:用于通过局部放电声光电信号指纹库对局部放电定位模型进行迭代训练,获得最优局部放电定位模型;
定位模块:用于将实时数据输入至最优局部放电定位模型中获取放电源坐标。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于声光电联合信号的局部放电定位方法及系统,具有如下有益效果:
本发明提出基于声光电融合信号强度指示及广义回归神经网络的局部放电定位算法,搭建模拟实验室放电试验平台和相应的仿真实验模型,针对不同位置和角度的局放源,研究分析各传感器采集到的光通量的规律,建立局部放电声光电信号指纹库。将局部放电看作特高频和超声波的发射源,以特高频接收到的信号为时间基准,再根据超声波阵列扫描获得局部放电源角度,定位出局部放电源的几何信息。同时,基于局放源距离不同,传感器光通量不同的原理,结合多个光学感知单元的光辐射量数据与仿真结果比对,获取局放源的距离信息,融合三种传感器的信息,实现更精确的局部放电定位。基于声光电多信号信息融合的局部放电定位技术,提高了定位的可靠性。
本发明通过提取局部放电超声信号、光学信号及特高频信号,构建局部放电声光电信号指纹库。利用广义回归神经网络算法构建离线阶段训练模型,得到局部放电定位结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明提供的一种基于声光电联合信号的局部放电定位方法流程示意图。
图2为本发明提供的一种基于声光电联合信号的局部放电定位系统框架示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明实施例公开了一种基于声光电联合信号的局部放电定位方法,包括:
对局部放电信号进行声光电信号联合采集;
根据声光电信号构建局部放电声光电信号指纹库;
构建GRNN网络,对GRNN网络采用Parzen窗模拟概率分布函数以及采用Holdout方法优化GRNN网络的平滑因子得到局部放电定位模型;
通过局部放电声光电信号指纹库对局部放电定位模型进行迭代训练,获得最优局部放电定位模型;
将实时数据输入至最优局部放电定位模型中获取放电源坐标。
在具体实施方式中,一种基于声光电联合信号的局部放电定位方法,包括:
步骤(1)提取局部放电超声信号、光学信号及特高频信号,构建局部放电声光电信号指纹库。
步骤(2)利用广义回归神经网络算法构建离线阶段训练模型,得到局部放电定位结果。
其中,步骤(1)的内容包括:
搭建局部放电实验系统所需的高压实验电源及典型的局部放电缺陷模型,利用数字式局部放电检测仪进行局部放电信号的采集。局部放电指纹库采集系统包括光学传感器、超声传感器和特高频电磁波传感器。
从局部放电源发出的光信号辐射强度和超声信号强度取决于放电的强度。局部放电形成的脉冲能量与放电时的能量近乎呈线性关系,同样地,局部放电特高频电磁波信号幅值大小也会随局部放电源位置而有所变化。利用光信号、超声信号和特高频信号形成的声光电联合信号可以较好地表征PD位置电压大小和放电强弱。
离线采集不同位置的局部放电信号发生时相应传感器的强度大小。在离线阶段,假设被测点Pi处发生局部放电,通过传感器Aj测量到的被测点Pi的电磁波信号强度表示为:
{φij(t),t=1,…,k(k≥1)};
其中,φij(t)表示第t次测量的局部放电信号强度,k表示测量次数,i表示第i个被测点,j表示第j个传感器,通过j个传感器得到i个被测点的电磁波信号强度,构成局部放电声光电信号指纹库ψ。
其中,m为传感器数量,n为局部放电源放电信号组数,ψ的第i个行向量ψi=[φi1,φi2,...,φim]就是m个传感器测到的关于被测点Pi的指纹特征值。利用三种类型的传感器对不同的物理量进行测量,即形成三维的特征量维度,当Pi点发生局部放电时各个传感器测到信息即为声光电联合信号的强度。
步骤(2)的内容包括:
利用广义神经网络GRNN对局部放电传感器采集到的信号进行局部放电定位。GRNN是径向基网络的一个特例,它使用径向基函数作为标准统计核回归。它是一种概率神经网络,能够通过从有限的训练集中归纳收敛到测量的基本函数。与前馈神经网络相比,GRNN网络结构更简单,学习速度快,能快速收敛到最优回归曲面。它对具有稀疏噪声的输入和输出的任意函数都表现出极好的逼近性。
在GRNN网络中,因变量Y={Yn}的值是根据给定的独立测量值X={Xn}预测的,在本发明中,Xn即为局部放电声光电信号指纹库。GRNN学习了从包含X的输入域到包含Y的输出域的映射,其中任一域都可以是多维的。使用有限的测量值训练GRNN,它可以估计线性或非线性回归曲面,以预测任何新的X测量值对应的Y值。定义已知随机变量向量X和随机变量标量Y的联合概率分布函数为f(X,Y),则预测结果Y对给定值X的条件期望E[Y|X]表示为:
利用Parzen窗的非参数估计方法模拟概率分布函数f(X,Y)。Parzen窗是一种非参数估计方法,不需要假设函数的分布规律,只需根据样本归纳学习出概率密度函数。
Parzen窗可估计任何独立且同分布的样本X的公共概率密度函数p(x)。密度函数p(x)完全依赖于样本数据,并且其精度随着观测值数量的增加会趋向于真实值。测量值x属于区域R的概率可表示为:
P=∫Rp(x)dx;
在本发明中,区域R即为n个局部放电测量区域。因为R集中在若干个区域,则每个R内的概率密度p(x)可以被认为是常数。
如果N个样本X1,X2,…,XN是从D维空间的一个分部中抽取的,其中每个样本由向量Xn=[xn,1,xn,2,…,xn,D]表示,则概率密度函数p(x)表示N个样本中有K个落在R区域内:
则概率密度近似为:
如果把R区域看作是以Xn为中心的超立方体,边长为σ,那么它的容量就是V=σD。落在R区域的样本数K可以通过以下的条件函数k(x)来计算:
其中,x=[x1,x2,…,xD]。因此,K可表示为
由此计算出任意采样点x的概率密度的新表达式为:
其中,k(x)是统计核函数,常用的核函数有矩形核函数和高斯核函数。本发明使用光滑的多元高斯核来获得更光滑的概率密度模型。此外,在径向对称高斯核的特殊形式中,函数可以仅通过使用方差参数来完全指定。因此,使用高斯核函数的Parzen窗密度函数可以写成:
其中,σ为平滑度参数。D为输入参数的位数。
最终密度函数是通过对从总测量值中提取的代表性样本的核求和获得的。函数的平滑度随着σ值的增加而增加,并逐渐开始丢失信息。
因此,Y对给定X的条件期望表达式可以代入Parzen窗的密度函数,则GRNN函数的基本方程g(x)可以写成:
其中,x是用于测试的新测量值,即新的局部放声光电联合数据,是训练数据和预测点之间的马氏距离的平方,n为求和计算序号,σ为平滑度参数。指数项作为加权参数,反映了每个已知Yn对输出g(x)的贡献,N为样本个数。指数项变大,最靠近预测点的训练点X将优先起作用。
进一步的,GRNN网络由输入层、模式层、求和层和输出层构成。输入层的神经元数量即为输入向量的维数D。模式层的激活函数输出为pi=exp(-Dn 2/2σ2),是训练数据和预测点之间的马氏距离的平方,σ为平滑度参数。求和层存在两种神经元,第一种神经元的激活函数为/>第二种神经元的激活函数为/>其中,pi为模式层的激活函数输出,yij为模式层到求和层的权值参数,n为模式层节点个数。分别将求和层两种神经元的输出作为分母和分子,输出层的激活函数输出为yj=sNj/sD。
进一步的,在训练过程中,不仅要对GRNN的权值参数进行调整,同时也要对平滑度参数进行选择,因为GRNN函数的光滑性取决于平滑度参数σ。当σ较大时,概率密度函数变得更平滑。它忽略了训练样本的一些特征,但也衰减了训练集中的附加噪声。当σ→∞时,预测值变为样本观察值的均值,即:
如果σ值太小,模型将过度拟合训练样本,试图跟踪训练集的每个特征,这会导致模型对稀疏噪声数据敏感,并导致其泛化能力的减弱。当σ→0时,预测值变为与输入变量X之间欧几里得距离最近的样本观测值:
其中,为训练数据和预测点之间的马氏距离的平方,i为输入特征量的序号,j为样本观测值的序号,N为样本个数,Yi表示第i个输入特征对应的样本观测值,Yj表示与输入变量欧几里得距离最近的样本观测值。
因此,平滑因子的选择至关重要,需要选择一个既能捕捉样本特征,又有较好泛化能力的平滑因子值。本发明采用Holdout方法估计GRNN网络的平滑因子。初始化平滑因子后,在每次迭代过程中选定一组样本并将其从训练集中移除,用来作为测试集,利用平均平方误差MSE计算输出和原标签的差,并选择最小的平滑因子。MSE由以下公式求取:
其中,N为样本数量,yi和分别为验证样本值和GRNN输出值。
设定训练集之外的放电源,利用训练后的GRNN局部放电定位算法进行定位,试验局放源的定位结果如表1所示,局放实验误差统计结果如表2所示:
表1
表2
在本发明中,将步骤(1)中构建的三维局部放电声光电信号指纹库作为局部放电定位算法的训练集,将产生相关信号对应的放电源坐标作为目标输出,由此将局部放电的多种信号量作为定位算法的特征值,充分挖掘位置变化而导致的信号强度变化,通过GRNN实现信号强度与局放源坐标的映射关系,可以较好地克服环境及不确定性干扰对定位结果的影响。
在具体实施方式中,一种基于声光电联合信号的局部放电定位系统,如图2所示,包括:
采集模块:用于对局部放电信号进行声光电信号联合采集;
数据库构建模块:用于根据声光电信号构建局部放电声光电信号指纹库;
模型构建模块:用于构建GRNN网络,对GRNN网络采用Parzen窗模拟概率分布函数以及采用Holdout方法优化GRNN网络的平滑因子得到局部放电定位模型;
训练模块:用于通过局部放电声光电信号指纹库对局部放电定位模型进行迭代训练,获得最优局部放电定位模型;
定位模块:用于将实时数据输入至最优局部放电定位模型中获取放电源坐标。
在具体实施方式中,一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为执行所述指令,以实现一种基于声光电联合信号的局部放电定位方法。
在具体实施方式中,一种可读存储介质,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行一种基于声光电联合信号的局部放电定位方法。例如包括指令的存储器,上述指令可由电子设备的处理器执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于声光电联合信号的局部放电定位方法,其特征在于,包括:
对局部放电信号进行声光电信号联合采集;
根据声光电信号构建局部放电声光电信号指纹库;
构建GRNN网络,对GRNN网络采用Parzen窗模拟概率分布函数以及采用Holdout方法优化GRNN网络的平滑因子得到局部放电定位模型;
通过局部放电声光电信号指纹库对局部放电定位模型进行迭代训练,获得最优局部放电定位模型;
将实时数据输入至最优局部放电定位模型中获取放电源坐标。
2.根据权利要求1所述的一种基于声光电联合信号的局部放电定位方法,其特征在于,所述对局部放电信号进行声光电信号联合采集包括:搭建局部放电实验系统所需的高压实验电源及局部放电缺陷模型,利用数字式局部放电检测仪进行局部放电信号的采集,构建局部放电指纹库采集系统,所述局部放电指纹库采集系统包括光学传感器、超声传感器和特高频电磁波传感器。
3.根据权利要求2所述的一种基于声光电联合信号的局部放电定位方法,其特征在于,所述局部放电指纹库采集系统的信号采集步骤为:将局部放电看作特高频和超声波的发射源,以特高频接收到的信号为时间基准,再根据超声波阵列扫描获得局部放电源角度,定位出局部放电源的几何信息;基于局部放电源距离不同,传感器光通量不同的原理,结合多个光学感知单元的光辐射量数据与仿真结果比对,获取局部放电源的距离信息,融合三种传感器的信息进行局部放电定位。
4.根据权利要求1所述的一种基于声光电联合信号的局部放电定位方法,其特征在于,所述根据声光电信号构建局部放电声光电信号指纹库包括:
利用光信号、超声信号和特高频信号形成的声光电联合信号PD位置电压大小和放电强弱,采集不同位置的局部放电信号发生时相应传感器的强度大小,假设被测点Pi处发生局部放电,通过传感器Aj测量到的被测点Pi的电磁波信号强度表示为:
{φij(t),t=1,…,k(k≥1)};
其中,φij(t)表示第t次测量的局部放电信号强度,k表示测量次数,i表示第i个被测点,j表示第j个传感器,通过j个传感器得到i个被测点的电磁波信号强度,构建局部放电声光电信号指纹库ψ,
其中,m为传感器数量,n为局部放电源放电信号组数,ψ的第i个行向量ψi=[φi1,φi2,...,φim]即为m个传感器测到的关于被测点Pi的指纹特征值,通过不同类型的传感器对不同的物理量进行测量,形成多维的特征量维度,当被测点Pi点发生局部放电时各个传感器测到信息即为声光电联合信号的强度。
5.根据权利要求1所述的一种基于声光电联合信号的局部放电定位方法,其特征在于,所述GRNN网络由输入层、模式层、求和层和输出层构成;
输入层的神经元数量即为输入向量的维数D;
模式层的激活函数输出为pi=exp(-Dn 2/2σ2),是训练数据和预测点之间的马氏距离的平方,σ为平滑度参数;
求和层存在两种神经元,第一种神经元的激活函数为第二种神经元的激活函数为/>其中,pi为模式层的激活函数输出,yij为模式层到求和层的权值参数,n为模式层节点个数,分别将求和层两种神经元的输出作为分母和分子;
输出层的激活函数输出为yj=sNj/sD。
6.根据权利要求1所述的一种基于声光电联合信号的局部放电定位方法,其特征在于,所述对GRNN网络采用Parzen窗模拟概率分布函数包括:
构建GRNN网络,定义Xn为局部放电声光电信号指纹库;通过测量值X={Xn}对因变量Y={Yn}的值进行预测;
定义随机变量向量X和随机变量标量Y的概率分布函数为f(X,Y),输出预测结果Y对给定测量值X的条件期望E[Y|X];
利用Parzen窗的非参数估计方法模拟概率分布函数f(X,Y),输出Parzen窗概率密度函数;
使用高斯核函数对Parzen窗密度函数进行优化,通过优化后的Parzen窗密度函数反算条件期望E[Y|X]得到优化后的GRNN网络。
7.根据权利要求6所述的一种基于声光电联合信号的局部放电定位方法,其特征在于,所述优化后的GRNN网络为g(x):
其中,x为用于测试的新测量值,为训练数据和预测点之间的马氏距离的平方,n为求和计算序号,σ为平滑度参数,N为样本个数。
8.根据权利要求1所述的一种基于声光电联合信号的局部放电定位方法,其特征在于,所述采用Holdout方法优化GRNN网络的平滑因子得到局部放电定位模型包括:初始化平滑因子后,在每次迭代过程中选定一组样本并将其从训练集中移除,用来作为测试集,利用平均平方误差MSE计算输出和原标签的差,并选择最小的平滑因子:
其中,N为样本数量,yi和分别为验证样本值和GRNN输出值。
9.根据权利要求1所述的一种基于声光电联合信号的局部放电定位方法,其特征在于,所述获得最优局部放电定位模型的步骤为:将局部放电声光电信号指纹库作为局部放电定位模型的训练集,将产生相关信号对应的放电源坐标作为目标输出,将局部放电的多种信号量作为局部放电定位模型的特征值,基于位置变化产生信号强度的变化,通过GRNN网络对信号强度与局放源坐标的关系进行映射。
10.一种基于声光电联合信号的局部放电定位系统,其特征在于,包括:
采集模块:用于对局部放电信号进行声光电信号联合采集;
数据库构建模块:用于根据声光电信号构建局部放电声光电信号指纹库;
模型构建模块:用于构建GRNN网络,对GRNN网络采用Parzen窗模拟概率分布函数以及采用Holdout方法优化GRNN网络的平滑因子得到局部放电定位模型;
训练模块:用于通过局部放电声光电信号指纹库对局部放电定位模型进行迭代训练,获得最优局部放电定位模型;
定位模块:用于将实时数据输入至最优局部放电定位模型中获取放电源坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311291704.4A CN117310412A (zh) | 2023-10-08 | 2023-10-08 | 一种基于声光电联合信号的局部放电定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311291704.4A CN117310412A (zh) | 2023-10-08 | 2023-10-08 | 一种基于声光电联合信号的局部放电定位方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117310412A true CN117310412A (zh) | 2023-12-29 |
Family
ID=89284489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311291704.4A Pending CN117310412A (zh) | 2023-10-08 | 2023-10-08 | 一种基于声光电联合信号的局部放电定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117310412A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102707208A (zh) * | 2012-06-08 | 2012-10-03 | 华北电力大学(保定) | 变压器局部放电定位系统及其定位方法 |
CN107728030A (zh) * | 2017-11-14 | 2018-02-23 | 国网上海市电力公司 | 局部放电特高频、超声波、光脉冲联合检测系统及方法 |
CN109541413A (zh) * | 2018-12-20 | 2019-03-29 | 国网上海市电力公司 | Gis用局放特高频、超声波、光脉冲联合检测系统及方法 |
CN111929549A (zh) * | 2020-08-19 | 2020-11-13 | 上海交通大学 | 基于局部放电光学信号的gil局部放电源定位方法和系统 |
CN114414950A (zh) * | 2021-11-25 | 2022-04-29 | 国网浙江省电力有限公司金华供电公司 | 局部放电源光学智能定位方法及装置 |
CN115453294A (zh) * | 2022-09-30 | 2022-12-09 | 国网安徽省电力有限公司电力科学研究院 | 一种开关柜局部放电声光联合定位系统及方法 |
CN116338399A (zh) * | 2023-05-04 | 2023-06-27 | 华北电力大学 | 一种基于多参量联合的gis局部放电检测系统 |
CN116699304A (zh) * | 2023-05-04 | 2023-09-05 | 华北电力大学 | 一种基于多参量联合检测的gis局部放电定位算法 |
-
2023
- 2023-10-08 CN CN202311291704.4A patent/CN117310412A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102707208A (zh) * | 2012-06-08 | 2012-10-03 | 华北电力大学(保定) | 变压器局部放电定位系统及其定位方法 |
CN107728030A (zh) * | 2017-11-14 | 2018-02-23 | 国网上海市电力公司 | 局部放电特高频、超声波、光脉冲联合检测系统及方法 |
CN109541413A (zh) * | 2018-12-20 | 2019-03-29 | 国网上海市电力公司 | Gis用局放特高频、超声波、光脉冲联合检测系统及方法 |
CN111929549A (zh) * | 2020-08-19 | 2020-11-13 | 上海交通大学 | 基于局部放电光学信号的gil局部放电源定位方法和系统 |
CN114414950A (zh) * | 2021-11-25 | 2022-04-29 | 国网浙江省电力有限公司金华供电公司 | 局部放电源光学智能定位方法及装置 |
CN115453294A (zh) * | 2022-09-30 | 2022-12-09 | 国网安徽省电力有限公司电力科学研究院 | 一种开关柜局部放电声光联合定位系统及方法 |
CN116338399A (zh) * | 2023-05-04 | 2023-06-27 | 华北电力大学 | 一种基于多参量联合的gis局部放电检测系统 |
CN116699304A (zh) * | 2023-05-04 | 2023-09-05 | 华北电力大学 | 一种基于多参量联合检测的gis局部放电定位算法 |
Non-Patent Citations (3)
Title |
---|
宋文: "基于RSSI 指纹库的变压器局部放电定位", 科技创新与应用, no. 9, 31 December 2022 (2022-12-31), pages 23 - 25 * |
胡楚叶: "基于人工神经网络的电力变压器健康状态评价与预测方法研究", 硕士学位电子期刊 工程科技Ⅱ辑, no. 1, 15 January 2023 (2023-01-15), pages 38 - 41 * |
郁琦琛 等: "基于广义回归神经网络的特高频局部放电定位法", 中国电力, vol. 54, no. 2, 28 February 2021 (2021-02-28), pages 11 - 17 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Okafor et al. | Missing data imputation on IoT sensor networks: Implications for on-site sensor calibration | |
CN116448419A (zh) | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 | |
CN111291481B (zh) | 一种基于贝叶斯模型的结构预警分析方法 | |
Lee et al. | Detecting anomalies in meteorological data using support vector regression | |
Scarpetta et al. | Analysis of TDR signals with convolutional neural networks | |
Khongorzul et al. | OrdinalEncoder based DNN for natural gas leak prediction | |
Edun et al. | Anomaly detection of disconnects using SSTDR and variational autoencoders | |
Yeo et al. | Identification of partial discharge through cable-specific adaption and neural network ensemble | |
CN116307269B (zh) | 一种基于人工智能的光伏发电功率预测方法及装置 | |
Naeini et al. | A novel hybrid machine learning model for rapid assessment of wave and storm surge responses over an extended coastal region | |
CN117310412A (zh) | 一种基于声光电联合信号的局部放电定位方法及系统 | |
JP7492567B2 (ja) | ツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化方法及び装置 | |
Raymond et al. | Novel data augmentation for improved insulation fault diagnosis under nonideal condition | |
CN116306258A (zh) | 一种电气设备在强电磁脉冲作用下的易损性评估方法及系统 | |
Chen et al. | Pipeline leak AE signal denoising based on improved SSA-K-α index-VMD-MD | |
Watzenig et al. | Accelerated Markov chain Monte Carlo sampling in electrical capacitance tomography | |
Gundersen et al. | Ensuring efficient and robust offshore storage-use of models and machine learning techniques to design leak detection monitoring | |
Bi et al. | A fault diagnosis algorithm for wind turbine blades based on bp neural network | |
Zhou et al. | A Model-Free Kullback–Leibler Divergence Filter for Anomaly Detection in Noisy Data Series | |
Omwenga et al. | ScanCloud: Holistic GPR Data Analysis for Adaptive Subsurface Object Detection | |
Sadek et al. | Uncertainty in Artificial Neural Network Models: Monte-Carlo Simulations Beyond the GUM Boundaries | |
Li | Uncertainty Quantification Framework With Interdependent Dynamics of Data, Modeling, and Learning in Nondestructive Evaluation | |
CN116124902B (zh) | 一种对超声导波损伤定位精度的诊断方法 | |
CN116304846B (zh) | 一种基于自监督学习的cvt内部绝缘异常在线评估方法 | |
KR102667862B1 (ko) | 정보 시각화를 이용한 중전기기 모니터링 시스템 및 그 방법 |
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 |