CN117723876A - 一种架空输电线路隐患检测方法及系统 - Google Patents
一种架空输电线路隐患检测方法及系统 Download PDFInfo
- Publication number
- CN117723876A CN117723876A CN202311432130.8A CN202311432130A CN117723876A CN 117723876 A CN117723876 A CN 117723876A CN 202311432130 A CN202311432130 A CN 202311432130A CN 117723876 A CN117723876 A CN 117723876A
- Authority
- CN
- China
- Prior art keywords
- hidden danger
- transmission line
- hidden
- discharge
- power transmission
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 120
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 238000012544 monitoring process Methods 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000009826 distribution Methods 0.000 claims description 46
- 150000002500 ions Chemical class 0.000 claims description 37
- 238000013528 artificial neural network Methods 0.000 claims description 31
- 239000002245 particle Substances 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000007935 neutral effect Effects 0.000 claims description 14
- 230000004907 flux Effects 0.000 claims description 13
- 238000001228 spectrum Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 8
- 230000035945 sensitivity Effects 0.000 claims description 6
- 238000003909 pattern recognition Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 239000004020 conductor Substances 0.000 claims description 3
- 230000005684 electric field Effects 0.000 claims description 3
- 230000006698 induction Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 20
- 238000009413 insulation Methods 0.000 abstract description 13
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000007619 statistical method Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000012212 insulator Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 229910000859 α-Fe Inorganic materials 0.000 description 1
Landscapes
- Testing Relating To Insulation (AREA)
Abstract
本发明涉及输电线路的技术领域，具体为一种架空输电线路隐患检测方法及系统，其中检测方法包括，对输电线路隐患处进行电晕放电检测；利用频域特征提取技术进行隐患处的放电类型检测；利用行波定位模型对输电线路隐患进行隐患定位；利用高频电流传感器进行隐患的在线监测；本发明通过各时域及频域参数综合分析对输电线路缺陷放电类型进行辨识，基于单放电脉冲信号波形特征做大量的统计学分析对线路隐患进行模式识别，通过行波定位确定隐患点的精确位置，并通过研究输电线路绝缘缺陷预放电监测与预警技术，提前发现线路运行中出现的缺陷隐患，及时将绝缘缺陷隐患予以消除，提高输电线路的主动防护水平。
Description
技术领域
本发明涉及输电线路的技术领域，具体为一种架空输电线路隐患检测方法及系统。
背景技术
输电线路遍布在城市、农村、森林等各种野外的恶劣环境中，并且随着运行年限的增加及周围环境影响，线路绝缘子劣化(积污和覆冰)、导线断股(异物附着)、金具锈蚀变形、交跨距离不足等绝缘缺陷隐患都是客观存在的，如不及时发现并予以消除，将可能造成线路跳闸、导线断线等事故，给电力系统造成较大的安全影响和经济损失。每一次跳闸事故，除给系统带来冲击外，都会给绝缘子、导线等设施带来损坏，给系统运行留下安全隐患。因此，及时准确地找到绝缘缺陷预放电点，并对线路进行修复是系统运行维护的一项重要工作。
目前线路绝缘缺陷隐患通常是人工巡视来发现，由于受地形条件限制及巡视人员经验影响，有可能无法及时发现输电线路上的绝缘缺陷隐患，从而无法及时消除隐患而发生事故，因此急需一种高效、高准确率的智能化绝缘缺陷预放电监测和预警技术来提高电网的隐患管理水平。通过研究输电线路绝缘缺陷预放电监测与预警技术，可提前发现线路运行中出现的缺陷隐患，及时将绝缘缺陷隐患予以消除，大大提高输电线路的主动防护水平，对保证电网的安全运行具有重要意义。
发明内容
鉴于上述存在的问题，提出了本发明。
因此，本发明提供了一种架空输电线路隐患检测方法，通过各时域及频域参数综合分析对输电线路缺陷放电类型进行辨识，基于单放电脉冲信号波形特征做大量的统计学分析，然后基于神经网络学习算法通过上升沿时间、放电持续时间等时域特征参数以及频率重心、频谱范围等频域特征参数对线路隐患进行模式识别。
为解决上述技术问题，本发明提供如下技术方案：一种架空输电线路隐患检测方法，包括以下步骤，
对输电线路隐患处进行电晕放电检测；
利用频域特征提取技术进行隐患处的放电类型检测；
利用行波定位模型对输电线路隐患进行隐患定位；
利用高频电流传感器进行隐患的在线监测。
作为本发明所述一种架空输电线路隐患检测方法的一种优选方案，其中：所述对输电线路隐患处进行电晕放电检测是以棒-板电极为基础，并通过数学建模进行检测的，所述电晕放电是根据导线面的电场强度引起空气电离而发生的放电现象，所述以棒-板电极为基础进行数学建模的具体实现如下：
当棒电极a-e的施加电压为Vd，板电极d-c的电势为0时，则开放边界a-b-c的边界条件为：
电子通量在阴极和阳极的边界条件为：
离子通量在阴极和阳极的边界条件为：
中性粒子在阴极和阳极的边界条件为：
所有粒子在开放条件的密度通量为：
平均电子温度的边界条件为：
其中，n是边界法向量，Γe、Γi和Γn分别是电子、离子和中心离子的密度通量，vth,e、vth,i和vth,n分别是电子、离子和中性粒子的热速率，me、mi、mn、mp和mg分别是电子、离子、中性粒子、正离子和气体分子质量，nλ为电子碰撞电极而未被弹回放电区域的垫子密度，γe为二次电子发射系数，γp为重离子碰撞电极表面产生的二次电子的发射系数，qi代表离子的带电量，μi是离子迁移率，ni是离子数密度，Tse为从阴极射出的二次电子的温度。
作为本发明所述一种架空输电线路隐患检测方法的一种优选方案，其中：所述利用频域特征提取技术进行隐患处的放电类型检测是通过对线路放电信号进行特征参量的提取，并利用反向传播神经网络分类器将特征量带入分类器中进行模式识别，所述特征参量包括，偏斜度，突出度相关度以及不对称度；
所述偏斜度是用来表示随机特征的变量分布的偏斜方向以及偏斜程度的统计参量，具体计算公式如下：
其中，Sk为输电线路隐患放电谱图的偏斜度，n为半个周期内的相位窗数，xi为输电线路隐患放电某一分布参量，pi为输电线路隐患放电分布参量xi出现的概率，μ为输电线路隐患放电分布参量xi的均值，σ为输电线路隐患放电分布参量xi的方差；
所述偏斜度在输电线路隐患处表示输电线路隐患放电的偏斜程度满足以下判断规则：
当偏斜度满足公式Sk＞0时，表示放电谱图分布相对于正态分布而言向左偏；
当偏斜度满足公式Sk＜0时，表示放电谱图分布相对于正态分布而言向右偏；
当偏斜度满足公式Sk＝0时，表示放电谱图分布符合正态分布。
作为本发明所述一种架空输电线路隐患检测方法的一种优选方案，其中：所述利用反向传播神经网络分类器是通过神经网络学习对输入信号的分类，所述神经网络学习包括，输入信号的正向传播以及误差的反向传播，所述输入信号的正向传播是根据输入变量，输入层与隐藏层的连接权值以及隐藏层阈值对隐藏层输出的计算，具体计算公式如下：
z'j＝f(tj-bj)
其中，xi表示随机输入向量，wih表示输入节点与隐藏层节点的连接权值，whj表示隐藏层节点与输出节点之间连接权值，a表示初始化隐藏层阈值，b表示输出层阈值，yi表示隐藏层的输出，tj表示第j个神经元的输入，z′j表示输出层神经元的预测输出。
作为本发明所述一种架空输电线路隐患检测方法的一种优选方案，其中：所述误差的反向传播是通过计算输出层与期望值之间的误差来对神经网络参数进行调整，进而使得误差变小，所述计算输出层与期望值之间的误差的具体计算公式如下：
其中，e表示神经网络的预测误差，zj表示神经网络的期望输出，z′j表示神经网络的预测输出，whj表示隐藏层节点与输出节点之间连接权值；
当第h个隐藏层神经元的输出满足公式：时，则有：
f'(tj-bj)＝f(tj-bj)·(1-f(tj-bj))＝z'j·(1-z'j)
其中，e表示神经网络的预测误差，zj表示神经网络的期望输出，z′j表示神经网络的预测输出，η表示神经网络的学习效率，whj表示隐藏层节点与输出节点之间连接权值，b表示输出层阈值。
作为本发明所述一种架空输电线路隐患检测方法的一种优选方案，其中：所述对输电线路隐患进行隐患定位是通过建立行波定位模型实现对输电线路隐患进行隐患定位，所述行波定位模型是基于两个监测点进行建立的，具体如下：
当隐患点发生在两个监测点之间的A点，且两个监测点的区间长度为L，隐患点A距监测点1的距离为L1，隐患点A距监测点2的距离为L2，从隐患点A发生到监测点1和监测点2的行波电流时间分别为t1、t2，则有：
其中，L为两个监测点之间的距离，V为行波在输电线路中的传播速度，t1、t2分别表示隐患点到监测点1和监测点2的行波电流时间。
作为本发明所述一种架空输电线路隐患检测方法的一种优选方案，其中：所述利用高频电流传感器进行隐患的在线监测是通过计算高频电流传感器的灵敏度实现对隐患的在线监测的，具体计算公式如下：
其中，i1、i2分别为原边检测电流和传感器线圈中感应电流，M为线圈与置于线圈中间的载流导体之间的互感，LS、RS、CS分别为线圈的自感、内阻和杂散电容，RL为积分电阻，u为高频传感器线圈中的感应电动势。
本发明的另外一个目的是提供一种架空输电线路隐患检测系统，其能通过行波定位确定隐患点的精确位置，并通过研究输电线路绝缘缺陷预放电监测与预警技术，提前发现线路运行中出现的缺陷隐患，及时将绝缘缺陷隐患予以消除，提高输电线路的主动防护水平。
作为本发明所述一种架空输电线路隐患检测系统的一种优选方案，其中：包括，电晕放电检测模块，放电类型检测模块，隐患定位模块以及隐患在线监测模块；所述电晕放电检测模块，用于对输电线路隐患处进行电晕放电检测；所述放电类型检测模块，利用频域特征提取技术进行放电类型的检测；所述隐患定位模块，用于对输电线路的隐患进行隐患定位；所述隐患在线监测模块，用于对输电线路的隐患进行在线监测。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现架空输电线路隐患检测方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现架空输电线路隐患检测方法的步骤。
本发明的有益效果：本发明通过各时域及频域参数综合分析对输电线路缺陷放电类型进行辨识，基于单放电脉冲信号波形特征做大量的统计学分析，基于神经网络学习算法通过上升沿时间、放电持续时间等时域特征参数以及频率重心、频谱范围等频域特征参数对线路隐患进行模式识别，通过行波定位确定隐患点的精确位置，并通过研究输电线路绝缘缺陷预放电监测与预警技术，提前发现线路运行中出现的缺陷隐患，及时将绝缘缺陷隐患予以消除，提高输电线路的主动防护水平。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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一些实施例，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，还可以根据这些附图获得其它的附图。其中：
图1为本发明一种架空输电线路隐患检测方法的整体方法步骤结构示意图。
图2为本发明一种架空输电线路隐患检测方法的棒-板电极放电示意图。
图3为本发明一种架空输电线路隐患检测方法的简单双端行波定位模型示意图。
图4为本发明一种架空输电线路隐患检测方法的带误差的行波定位模型原理示意图。
图5为本发明一种架空输电线路隐患检测方法的高频电流传感器等效电路示意图。
图6为本发明一种架空输电线路隐患检测系统的整体组成结构示意图
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1～图5，为本发明的第一个实施例，提供了一种架空输电线路隐患检测方法，包括以下步骤，
S1：对输电线路隐患处进行电晕放电检测。
具体的，所述对输电线路隐患处进行电晕放电检测是以棒-板电极为基础，并通过数学建模进行检测的，所述电晕放电是根据导线面的电场强度引起空气电离而发生的放电现象，所述以棒-板电极为基础进行数学建模的具体实现如下：
当棒电极a-e的施加电压为Vd，板电极d-c的电势为0时，则开放边界a-b-c的边界条件为：
电子通量在阴极和阳极的边界条件为：
离子通量在阴极和阳极的边界条件为：
中性粒子在阴极和阳极的边界条件为：
所有粒子在开放条件的密度通量为：
平均电子温度的边界条件为：
其中，n是边界法向量，Γe、Γi和Γn分别是电子、离子和中心离子的密度通量，vth,e、vth,i和vth,n分别是电子、离子和中性粒子的热速率，me、mi、mn、mp和mg分别是电子、离子、中性粒子、正离子和气体分子质量，nλ为电子碰撞电极而未被弹回放电区域的垫子密度，γe为二次电子发射系数，γp为重离子碰撞电极表面产生的二次电子的发射系数，qi代表离子的带电量，μi是离子迁移率，ni是离子数密度，Tse为从阴极射出的二次电子的温度；
当气体放电，且离子和中性粒子在电极表面都衰变成稳定的中性粒子时，则有：
其中，Γk为正负离子和中性粒子通量，γk代表正负离子和中性粒子在电极表面处衰变成中性粒子的反应系数，mk为第k类粒子的质量，Tk为第k类离子的温度，并满足：
其中，T为背景气体温度，μk是第k类离子的迁移率，mg为气体分子质量，mk为第k类粒子的质量；
当棒尖端的电子和正离子分布满足高斯分布时，则有：
Nmax＝1016m-3
z0＝25μm
其中，和ne(r,z)分别为正离子和电子的密度分布函数，z0为棒尖的位置。
S2：利用频域特征提取技术进行隐患处的放电类型检测。
具体的，所述利用频域特征提取技术进行隐患处的放电类型检测是通过对线路放电信号进行特征参量的提取，并利用反向传播神经网络分类器将特征量带入分类器中进行模式识别，所述特征参量包括，偏斜度，突出度相关度以及不对称度。
进一步的，所述偏斜度是用来表示随机特征的变量分布的偏斜方向以及偏斜程度的统计参量，具体计算公式如下：
其中，Sk为输电线路隐患放电谱图的偏斜度，n为半个周期内的相位窗数，xi为输电线路隐患放电某一分布参量，pi为输电线路隐患放电分布参量xi出现的概率，μ为输电线路隐患放电分布参量xi的均值，σ为输电线路隐患放电分布参量xi的方差；
所述偏斜度在输电线路隐患处表示输电线路隐患放电的偏斜程度满足以下判断规则：
当偏斜度满足公式Sk＞0时，表示放电谱图分布相对于正态分布而言向左偏；
当偏斜度满足公式Sk＜0时，表示放电谱图分布相对于正态分布而言向右偏；
当偏斜度满足公式Sk＝0时，表示放电谱图分布符合正态分布。
更进一步的，所述突出度是表示随机变量的概率分布特性的数值统计参量，具体计算公式如下：
其中，Ku为输电线路隐患放电谱图的突出度，n为半个周期内的相位窗数，xi为输电线路隐患放电某一分布参量，pi为输电线路隐患放电分布参量xi出现的概率，μ为输电线路隐患放电分布参量xi的均值，σ为输电线路隐患放电分布参量xi的方差；
所述突出度在输电线路隐患处表示随机变量变化的陡度满足以下判断规则：
当偏斜度满足公式Ku＞0时，表示放电谱图形状相对于正态分布来说尖锐陡峭；
当偏斜度满足公式Ku＜0时，表示放电谱图形状与正态分布相比较而言坡度平缓；
当偏斜度满足公式Ku＝0时，表示放电谱图的形状为正态分布。
进一步的，所述相关度用来表示随机特征的两种分布的相关程度，具体计算公式如下：
其中，Cc表示输电线路隐患放电谱图的相关度，n表示半个周期内的相位窗数，xi表示正半周期内的输电线路隐患放电量，yi则表示负半周期内的输电线路隐患放电量，
所述相关度在表示随机特征的两种分布的相关程度时满足以下判断规则：
当相关度满足公式Cc→1时，表示两部分之间的相似程度高；
当相关度满足公式Cc→0时，表示两部分之间的相似程度低。
更进一步的，所述不对称度是用来表示一个周期内正负半轴随机特征参量分布的对称性，具体计算公式如下：
其中，Asy表示输电线路隐患放电谱图的不对称度，w表示一个周期内相角度数即360°，xi表示正半周期内的输电线路隐患放电量，yi则表示负半周期内的输电线路隐患放电量；
所述不对称度在表示两部分之间的不对称度时满足以下判断规则：
当不对称度满足公式Asy→1∨Asy→1时，表示两部分之间的不对称度高；
当不对称度满足公式Asy→0时，表示两部分之间的不对称度低。
具体的，所述利用反向传播神经网络分类器是通过神经网络学习对输入信号的分类，所述神经网络学习包括，输入信号的正向传播以及误差的反向传播，所述输入信号的正向传播是根据输入变量，输入层与隐藏层的连接权值以及隐藏层阈值对隐藏层输出的计算，具体计算公式如下：
z'j＝f(tj-bj)
其中，xi表示随机输入向量，wih表示输入节点与隐藏层节点的连接权值，whj表示隐藏层节点与输出节点之间连接权值，a表示初始化隐藏层阈值，b表示输出层阈值，yi表示隐藏层的输出，tj表示第j个神经元的输入，z′j表示输出层神经元的预测输出。
进一步的，所述误差的反向传播是通过计算输出层与期望值之间的误差来对神经网络参数进行调整，进而使得误差变小，所述计算输出层与期望值之间的误差的具体计算公式如下：
其中，e表示神经网络的预测误差，zj表示神经网络的期望输出，z′j表示神经网络的预测输出，whj表示隐藏层节点与输出节点之间连接权值；
当第h个隐藏层神经元的输出满足公式：时，则有：
f'(tj-bj)＝f(tj-bj)·(1-f(tj-bj))＝z'j·(1-z'j)
其中，e表示神经网络的预测误差，zj表示神经网络的期望输出，z′j表示神经网络的预测输出，η表示神经网络的学习效率，whj表示隐藏层节点与输出节点之间连接权值，b表示输出层阈值。
S3：利用行波定位模型对输电线路隐患进行隐患定位。
具体的，所述对输电线路隐患进行隐患定位是通过建立行波定位模型实现对输电线路隐患进行隐患定位，所述行波定位模型是基于两个监测点进行建立的，具体如下：
当隐患点发生在两个监测点之间的A点，且两个监测点的区间长度为L，隐患点A距监测点1的距离为L1，隐患点A距监测点2的距离为L2，从隐患点A发生到监测点1和监测点2的行波电流时间分别为t1、t2，则有：
其中，L为两个监测点之间的距离，V为行波在输电线路中的传播速度，t1、t2分别表示隐患点到监测点1和监测点2的行波电流时间。
进一步的，为了使对输电线路隐患点的隐患定位更加准确，通过引入误差参数对行波模型进行修正，具体实现如下：
当隐患点发生在两个监测点1和2之间的A点，距左监测点的距离为x，输电线路的给定长度为L，实际长度为αL，则有以下计算公式：
t1′-t′2＝t1-t2+Δt
其中，V0表示行波在输电线路中的实际传播速度，L表示输电线路的给定长度，αL表示输电线路的实际长度，t1、t2分别表示从隐患点发生，到监测点1和监测点2接收到行波电流的时间，Δt表示引入的误差参数，Δx表示定位误差。
S4：利用高频电流传感器进行隐患的在线监测。
具体的，所述利用高频电流传感器进行隐患的在线监测是通过计算高频电流传感器的灵敏度实现对隐患的在线监测的，具体计算公式如下：
其中，i1、i2分别为原边检测电流和传感器线圈中感应电流，M为线圈与置于线圈中间的载流导体之间的互感，LS、RS、CS分别为线圈的自感、内阻和杂散电容，RL为积分电阻，u为高频传感器线圈中的感应电动势；
当线圈的自感电容满足公式Ls≥RL·RS·CS时，则有：
其中，S为磁芯截面积，l0、l1分别为气隙和磁芯的等效磁路长度，μ0、μ1分别为气隙和磁芯相对磁导率，N表示副边的匝数，fi、fh分别表示高频传感器的下限频率和上限频率，Rm0表示气隙磁阻，Rm1表示铁氧体磁阻，K表示高频传感器的灵敏度。
更进一步的，通过上述计算公式不难得出，传感器的灵敏度由线圈匝数以及积分电阻RL决定，当提高自感，减小积分电阻时，会导致传感器的灵敏度降低，当气隙的磁阻增大，常感器自感以及互感降低时，会导致传感器的下限频率上升。
实施例2
参照图6，为本发明的第二个实施例，提供了一种架空输电线路隐患检测系统，包括，电晕放电检测模块，放电类型检测模块，隐患定位模块以及隐患在线监测模块；
具体的，所述电晕放电检测模块，用于对输电线路隐患处进行电晕放电检测；所述放电类型检测模块，利用频域特征提取技术进行放电类型的检测；所述隐患定位模块，用于对输电线路的隐患进行隐患定位；所述隐患在线监测模块，用于对输电线路的隐患进行在线监测。
进一步的，所述电晕放电检测模块，是用于对输电线路隐患处进行电晕放电检测，并通过在输电线路隐患处设置电晕放电传感器，实时监测电晕放电现象，当电晕放电发生时，将采集到的数据传递给放电类型检测模块，电晕放电检测模块提供了最初的异常信号，为后续的放电类型检测提供了基础数据；所述放电类型检测模块，是利用频域特征提取技术进行放电类型的检测，接收来自电晕放电检测模块的数据，并使用信号处理技术提取频域特征，基于这些特征，系统可以识别不同类型的放电，放电类型检测模块利用了电晕放电检测模块提供的数据，帮助系统区分放电类型，为后续的隐患定位提供关键信息；所述隐患定位模块，是对输电线路的隐患进行隐患定位，通过接收来自放电类型检测模块的数据，并结合线路拓扑和信号传播速度等因素，使用定位算法来确定故障发生的位置，隐患定位模块赖于放电类型检测模块提供的放电特征，结合其他信息进行隐患定位，确保定位的准确性和可靠性；所述隐患在线监测模块，是对输电线路的隐患进行在线监测，提供实时状态信息，通过不断接收来自隐患定位模块的隐患位置信息，并将其与地理信息系统以及线路图进行对比，以确保隐患位置的准确性，同时，隐患在线监测模块还可以进行持续监测，以便在故障发生后及时通知维修人员，并依赖于隐患定位模块提供的准确隐患位置信息，确保监测结果的及时性和准确性，使维修人员能够快速响应并采取必要的措施。
更进一步的，所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
此外，为了提供示例性实施方案的简练描述，可以不描述实际实施方案的所有特征(即，与当前考虑的执行本发明的最佳模式不相关的那些特征，或于实现本发明不相关的那些特征)。
应理解的是，在任何实际实施方式的开发过程中，如在任何工程或设计项目中，可做出大量的具体实施方式决定。这样的开发努力可能是复杂的且耗时的，但对于那些得益于此公开内容的普通技术人员来说，不需要过多实验，所述开发努力将是一个设计、制造和生产的常规工作。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种架空输电线路隐患检测方法，其特征在于：包括以下步骤，
对输电线路隐患处进行电晕放电检测；
利用频域特征提取技术进行隐患处的放电类型检测；
利用行波定位模型对输电线路隐患进行隐患定位；
利用高频电流传感器进行隐患的在线监测。
2.如权利要求1所述的一种架空输电线路隐患检测方法，其特征在于：所述对输电线路隐患处进行电晕放电检测是以棒-板电极为基础，并通过数学建模进行检测的，所述电晕放电是根据导线面的电场强度引起空气电离而发生的放电现象，所述以棒-板电极为基础进行数学建模的具体实现如下：
当棒电极a-e的施加电压为Vd，板电极d-c的电势为0时，则开放边界a-b-c的边界条件为：
电子通量在阴极和阳极的边界条件为：
离子通量在阴极和阳极的边界条件为：
中性粒子在阴极和阳极的边界条件为：
所有粒子在开放条件的密度通量为：
平均电子温度的边界条件为：
其中，n是边界法向量，Γe、Γi和Γn分别是电子、离子和中心离子的密度通量，vth,e、vth,i和vth,n分别是电子、离子和中性粒子的热速率，me、mi、mn、mp和mg分别是电子、离子、中性粒子、正离子和气体分子质量，nλ为电子碰撞电极而未被弹回放电区域的垫子密度，γe为二次电子发射系数，γp为重离子碰撞电极表面产生的二次电子的发射系数，qi代表离子的带电量，μi是离子迁移率，ni是离子数密度，Tse为从阴极射出的二次电子的温度。
3.如权利要求2所述的一种架空输电线路隐患检测方法，其特征在于：所述利用频域特征提取技术进行隐患处的放电类型检测是通过对线路放电信号进行特征参量的提取，并利用反向传播神经网络分类器将特征量带入分类器中进行模式识别，所述特征参量包括，偏斜度，突出度相关度以及不对称度；
所述偏斜度是用来表示随机特征的变量分布的偏斜方向以及偏斜程度的统计参量，具体计算公式如下：
其中，Sk为输电线路隐患放电谱图的偏斜度，n为半个周期内的相位窗数，xi为输电线路隐患放电某一分布参量，pi为输电线路隐患放电分布参量xi出现的概率，μ为输电线路隐患放电分布参量xi的均值，σ为输电线路隐患放电分布参量xi的方差；
所述偏斜度在输电线路隐患处表示输电线路隐患放电的偏斜程度满足以下判断规则：
当偏斜度满足公式Sk＞0时，表示放电谱图分布相对于正态分布而言向左偏；
当偏斜度满足公式Sk＜0时，表示放电谱图分布相对于正态分布而言向右偏；
当偏斜度满足公式Sk＝0时，表示放电谱图分布符合正态分布。
4.如权利要求3所述的一种架空输电线路隐患检测方法，其特征在于：所述利用反向传播神经网络分类器是通过神经网络学习对输入信号的分类，所述神经网络学习包括，输入信号的正向传播以及误差的反向传播，所述输入信号的正向传播是根据输入变量，输入层与隐藏层的连接权值以及隐藏层阈值对隐藏层输出的计算，具体计算公式如下：
z'j＝f(tj-bj)
其中，xi表示随机输入向量，wih表示输入节点与隐藏层节点的连接权值，whj表示隐藏层节点与输出节点之间连接权值，a表示初始化隐藏层阈值，b表示输出层阈值，yi表示隐藏层的输出，tj表示第j个神经元的输入，z′j表示输出层神经元的预测输出。
5.如权利要求4所述的一种架空输电线路隐患检测方法，其特征在于：所述误差的反向传播是通过计算输出层与期望值之间的误差来对神经网络参数进行调整，进而使得误差变小，所述计算输出层与期望值之间的误差的具体计算公式如下：
其中，e表示神经网络的预测误差，zj表示神经网络的期望输出，z′j表示神经网络的预测输出，whj表示隐藏层节点与输出节点之间连接权值；
当第h个隐藏层神经元的输出满足公式：时，则有：
f'(tj-bj)＝f(tj-bj)·(1-f(tj-bj))＝z'j·(1-z'j)
其中，e表示神经网络的预测误差，zj表示神经网络的期望输出，z′j表示神经网络的预测输出，η表示神经网络的学习效率，whj表示隐藏层节点与输出节点之间连接权值，b表示输出层阈值。
6.如权利要求5所述的一种架空输电线路隐患检测方法，其特征在于：所述对输电线路隐患进行隐患定位是通过建立行波定位模型实现对输电线路隐患进行隐患定位，所述行波定位模型是基于两个监测点进行建立的，具体如下：
当隐患点发生在两个监测点之间的A点，且两个监测点的区间长度为L，隐患点A距监测点1的距离为L1，隐患点A距监测点2的距离为L2，从隐患点A发生到监测点1和监测点2的行波电流时间分别为t1、t2，则有：
其中，L为两个监测点之间的距离，V为行波在输电线路中的传播速度，t1、t2分别表示隐患点到监测点1和监测点2的行波电流时间。
7.如权利要求6所述的一种架空输电线路隐患检测方法，其特征在于：所述利用高频电流传感器进行隐患的在线监测是通过计算高频电流传感器的灵敏度实现对隐患的在线监测的，具体计算公式如下：
其中，i1、i2分别为原边检测电流和传感器线圈中感应电流，M为线圈与置于线圈中间的载流导体之间的互感，LS、RS、CS分别为线圈的自感、内阻和杂散电容，RL为积分电阻，u为高频传感器线圈中的感应电动势。
8.一种采用如权利要求1～7任一所述的架空输电线路隐患检测方法的系统，其特征在于，包括，电晕放电检测模块，放电类型检测模块，隐患定位模块以及隐患在线监测模块；
所述电晕放电检测模块，用于对输电线路隐患处进行电晕放电检测；
所述放电类型检测模块，利用频域特征提取技术进行放电类型的检测；
所述隐患定位模块，用于对输电线路的隐患进行隐患定位；
所述隐患在线监测模块，用于对输电线路的隐患进行在线监测。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311432130.8A CN117723876A (zh) | 2023-10-31 | 2023-10-31 | 一种架空输电线路隐患检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311432130.8A CN117723876A (zh) | 2023-10-31 | 2023-10-31 | 一种架空输电线路隐患检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117723876A true CN117723876A (zh) | 2024-03-19 |
Family
ID=90198639
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311432130.8A Pending CN117723876A (zh) | 2023-10-31 | 2023-10-31 | 一种架空输电线路隐患检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117723876A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118011152A (zh) * | 2024-04-08 | 2024-05-10 | 陕西公众电气股份有限公司 | 一种配电线路隐患识别系统、方法及电子设备 |
-
2023
- 2023-10-31 CN CN202311432130.8A patent/CN117723876A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118011152A (zh) * | 2024-04-08 | 2024-05-10 | 陕西公众电气股份有限公司 | 一种配电线路隐患识别系统、方法及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110082640B (zh) | 一种基于长短时记忆网络的配网单相接地故障辨识方法 | |
| CN102809718B (zh) | 一种gis超高频局部放电信号识别方法 | |
| CN117723876A (zh) | 一种架空输电线路隐患检测方法及系统 | |
| CN112415300B (zh) | 一种轨道交通与变压器直流偏磁关联性分析方法 | |
| US20080033602A1 (en) | Method and Device for Detecting Electric Arc Phenomenon on at Least One Electric Cable | |
| CN106556758A (zh) | 一种开关柜运行监测评估系统 | |
| CN103795144A (zh) | 基于故障录波数据的电力系统扰动发生时刻的辨识方法 | |
| CN110705900B (zh) | 一种输电线路树障风险等级评估方法 | |
| CN103558532A (zh) | 高压交联聚乙烯电力电缆局部放电在线检测系统 | |
| CN110297161A (zh) | 防范电网设备带接地点送电的方法及调度系统 | |
| CN110261746A (zh) | 基于振荡波电压周期衰减特性的电缆缺陷检测方法 | |
| CN105162094A (zh) | 一种利用极线故障电流曲线簇主成分分析的特高压直流线路的纵联保护方法 | |
| CN110705038A (zh) | 一种高压断路器生命周期评估及故障预警方法 | |
| CN115343579B (zh) | 一种电网故障分析方法、装置及电子设备 | |
| CN116010892A (zh) | 电缆绝缘劣化等效参数模型的样本数据库识别诊断方法 | |
| CN110543610A (zh) | 一种实时雷击输电线路风险评估方法 | |
| Sukma et al. | Determination of type of partial discharge in cubicle-type gas insulated switchgear (C-GIS) using artificial neural network | |
| Cui et al. | High impedance fault detection method based on Data divergence in the distribution network | |
| CN112115586B (zh) | 高速铁路轨道电路系统雷击风险的评估方法 | |
| Mishra et al. | Diagnostics analysis of partial discharge events of the power cables at various voltage levels using ramping behavior analysis method | |
| CN113608066A (zh) | 一种基于磁场检测的配网架空线路单相接地故障定位方法 | |
| Shingare et al. | Efficient Fault Detection and Location in Extra High Voltage Networks: An Artificial Neural Network (ANN)-Based Approach | |
| Li et al. | Application of joint electro-chemical detection for gas insulated switchgear fault diagnosis | |
| Heidari | Combined diagnosis of pd based on the multidimensional parameters | |
| Burek et al. | Evolutionary algorithm for detection and localization of faults in HVDC systems |
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 |