CN117932231A - 基于传感器的高压电缆多源局放智能定位方法及系统 - Google Patents
基于传感器的高压电缆多源局放智能定位方法及系统 Download PDFInfo
- Publication number
- CN117932231A CN117932231A CN202410322905.4A CN202410322905A CN117932231A CN 117932231 A CN117932231 A CN 117932231A CN 202410322905 A CN202410322905 A CN 202410322905A CN 117932231 A CN117932231 A CN 117932231A
- Authority
- CN
- China
- Prior art keywords
- electromagnetic signal
- window
- signal
- original electromagnetic
- amplitude
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000000737 periodic effect Effects 0.000 claims abstract description 37
- 239000013598 vector Substances 0.000 claims abstract description 24
- 230000009466 transformation Effects 0.000 claims abstract description 9
- 230000003044 adaptive effect Effects 0.000 claims abstract description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 230000005355 Hall effect Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000001105 regulatory effect Effects 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 238000009413 insulation Methods 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
- 238000010606 normalization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Landscapes
- Testing Relating To Insulation (AREA)
Abstract
本发明涉及高压电缆多源局放定位技术领域,具体涉及一种基于传感器的高压电缆多源局放智能定位方法及系统,该方法包括:采集原始电磁信号;获取信号包络均值序列;计算噪声能量集中度;进而计算幅频极差噪声估计指数;获取各原始电磁信号的频率分量向量;计算信号衰减系数;进而计算各原始电磁信号的周期性窄带干扰指数;获取各电磁信号窗口序列的各窗口的幅频极差噪声干扰指数;根据幅频极差噪声干扰指数结合小波变换获取各原始电磁信号的电磁信号窗口序列的各窗口在各层的自适应噪声干扰指数阈值,获取高压电缆局放信号,进行高压电缆局放智能定位。从而使过滤的噪声更加精确,得到更准确的局放信号,以便于实现对局放源更精准的定位。
Description
技术领域
本发明涉及高压电缆多源局放定位技术领域,具体涉及一种基于传感器的高压电缆多源局放智能定位方法及系统。
背景技术
高压电缆是一种用于输送电能的电力设备,主要用于电力系统中输送电力以及配电系统与其他各种电力设备之间的连接。高压电缆的等级通常在110千伏及以上。高压电缆局部放电是一种非常常见的故障问题,局部放电不但会严重影响电场分布,导致电场畸变,而且会使绝缘材料腐蚀、老化,最终造成绝缘击穿,导致设备故障,进而引发更严重的后果。因此,对于高压电缆的状态进行监测和维护非常重要,以确保电力系统的可靠性和安全性。通常在对局部放电源进行监测和定位时,一般采用UHF超高频局放检测方法,基于多个传感器对高压电缆进行检测,通过分析传感器采集到的数据,实现对电缆局部放电位置进行智能定位,该技术可以有效地提高电力系统的可靠性和安全性,减少电力系统故障对电网的影响。
局部放电检测过程中噪声来源有很多,对局放信号的识别造成很大影响。最坏的情况的是噪声强度很大,局放信号完全湮没在噪声干扰中,这样将对定位局部放电源造成很大干扰。通常可以采用小波分解的技术对原始电磁信号进行去噪,但是由于噪声在信号中分布是不均匀的,在进行小波分解时的阈值处理时,小波阈值不能更贴切的根据当前时刻噪声的强度进行自适应的调整。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于传感器的高压电缆多源局放智能定位方法及系统,所采用的技术方案具体如下:
第一方面,本发明实施例提供了一种基于传感器的高压电缆多源局放智能定位方法,该方法包括以下步骤:
采集各霍尔效应磁场传感器的原始电磁信号;根据原始电磁信号的幅值获取各原始电磁信号的信号包络均值序列;根据原始电磁信号的幅值和信号包络均值序列获取各电磁信号窗口序列中各窗口的噪声能量集中度;根据噪声能量集中度和原始电磁信号的幅值获取各电磁信号窗口序列中各窗口的幅频极差噪声估计指数;使用傅里叶变化和峰值检测算法获取各原始电磁信号的频率分量向量;根据频率分量向量中的能量值获取各原始电磁信号的信号衰减系数;根据信号衰减系数、主要频率的能量和频率带宽获取各原始电磁信号的周期性窄带干扰指数;根据周期性窄带干扰指数和幅频极差噪声估计指数获取各电磁信号窗口序列的各窗口的幅频极差噪声干扰指数;
根据幅频极差噪声干扰指数结合小波变换获取各原始电磁信号的电磁信号窗口序列的各窗口在各层的自适应噪声干扰指数阈值,根据自适应噪声干扰指数阈值获取小波分解过滤后的高压电缆局放信号,结合时间差法对高压电缆局放信号进行高压电缆局放智能定位。
进一步,所述根据原始电磁信号的幅值获取各原始电磁信号的信号包络均值序列,包括:
对于各原始电磁信号,使用峰值检测算法获取原始电磁信号中所有极大值点和极小值点;
使用最小二乘法,对原始电磁信号中所有的极大值点进行曲线拟合获取原始电磁信号的上包络线,对原始电磁信号中所有的极小值点进行曲线拟合获取原始电磁信号的下包络线;
每间隔预设时长对上包络线和下包络线的值进行采样,计算各采样时刻上包络线和下包络线的均值,将所述均值按照时间顺序排列获取各原始电磁信号的信号包络均值序列。
进一步,所述根据原始电磁信号的幅值和信号包络均值序列获取各电磁信号窗口序列中各窗口的噪声能量集中度,包括:
对原始电磁信号按照预设窗口大小进行划分获取各原始电磁信号的各窗口,组成电磁信号窗口序列;对于电磁信号窗口序列中各窗口中的原始电磁信号幅值,每间隔预设时长对各电磁信号窗口序列中的原始电磁信号幅值进行采样,并将每间隔预设时长的时刻作为各窗口的各信号时刻;
对于各原始电磁信号中的各窗口,计算窗口中所有原始电磁信号的幅值的均值,计算窗口中各信号时刻的幅值与所述均值的差值绝对值作为第一差值绝对值;
对于电磁信号窗口序列中各窗口中的各信号时刻,计算信号时刻的原始电磁信号的幅值与前一相邻信号时刻的原始电磁信号的幅值的差值绝对值作为第二差值绝对值,计算所述第二差值绝对值与预设参数调控因子的和值,计算所述第一差值绝对值与所述和值的比值作为第一比值,计算窗口中所有所述第一比值的和值作为第一和值;
计算窗口中的原始电磁信号的幅值的最大值与最小值的差值,计算所述差值与预设参数调控因子的和值作为第二和值,将所述第一和值与所述第二和值的比值作为各原始电磁信号的各窗口的噪声能量集中度。
进一步,所述根据噪声能量集中度和原始电磁信号的幅值获取各电磁信号窗口序列中各窗口的幅频极差噪声估计指数,包括:
对于各电磁信号窗口序列的各窗口,计算窗口中所有原始电磁信号的幅值的信号近似熵,计算窗口的噪声能量集中度和所述信号近似熵的乘积;计算窗口中的原始电磁信号与后一相邻窗口的原始电磁信号的DTW距离,计算所述DTW距离与预设参数调控因子的和值作为第三和值,计算所述乘积与所述第三和值的比值作为各电磁窗口序列中各窗口的幅频极差噪声估计指数。
进一步,所述使用傅里叶变化和峰值检测算法获取各原始电磁信号的频率分量向量,包括:
使用傅里叶变换对原始电磁信号进行处理,获取原始电磁信号的频谱;
使用峰值检测算法获取原始电磁信的频谱的能量值的波峰,将所有波峰中的最大能量值的频率分量作为主要频率分量,获取所有能量值大于所述最大能量值的十分之一值的频率分量,记为主要频率,将原始电磁信号中所有所述主要频率按照其对应能量值从小到大的顺序进行排序获取各原始电磁信号的频率分量向量。
进一步,所述根据频率分量向量中的能量值获取各原始电磁信号的信号衰减系数,包括:
计算各原始电磁信号的频率分量向量中的各主要频率在所有霍尔效应磁场传感器中的最大值与最小值的差值绝对值,将原始电磁信号的所有所述差值绝对值的和值作为各原始电磁信号的信号衰减系数。
进一步所述根据信号衰减系数、主要频率的能量和频率带宽获取各原始电磁信号的周期性窄带干扰指数,包括:
对于各原始电磁信号的频率分量向量,计算频率分量向量中各主要频率的频率带宽与所述主要频率分量的频率带宽之间的差值绝对值,计算主要频率分量的能量、所述差值绝对值和原始电磁信号的信号衰减系数三者之间的乘积,计算各主要频率的能量与所述乘积的比值,将原始电磁信号中所有所述比值的和值作为各原始电磁信号的周期性窄带干扰指数。
进一步,所述根据周期性窄带干扰指数和幅频极差噪声估计指数获取各电磁信号窗口序列的各窗口的幅频极差噪声干扰指数,包括:
计算各原始电磁信号的电磁信号窗口序列的各窗口的幅频极差噪声估计指数与原始电磁信号的周期性窄带干扰指数的乘积作为各原始电磁信号的电磁信号窗口序列的各窗口的幅频极差噪声干扰指数。
进一步,所述根据幅频极差噪声干扰指数结合小波变换获取各原始电磁信号的电磁信号窗口序列的各窗口在各层的自适应噪声干扰指数阈值,包括:
对于各原始电磁信号的电磁信号窗口序列的各窗口,使用小波变化对各窗口的原始电磁信号进行处理,获取各窗口在各层的细节系数,计算各窗口在各层的细节系数与各窗口的幅频极差噪声干扰指数的乘积的归一化值作为各原始电磁信号的电磁信号窗口序列的各窗口在各层的自适应噪声干扰指数阈值。
第二方面,本发明实施例还提供了基于传感器的高压电缆多源局放智能定位系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
本发明至少具有如下有益效果:
本发明通过分析高压电缆中局放信号的强度对原始电磁信号进行小波分解去噪,最终实现对高压电缆的局放现象进行智能定位,具体如下:首先通过分析原始电磁信号中信号分布强度以及一下幅频特征对噪声进行估计,得到幅频极差噪声估计指数,然后考虑到周期性窄带噪声对信号的干扰程度,得到周期性窄带干扰指数,从而结合周期性窄带干扰指数和幅频极差噪声估计指数,进一步得到幅频极差噪声干扰指数,并结合小波分解的层级对原始电磁信号进行小波分解去噪。最后通过去噪后的信号高压电缆的局放源进行智能定位。这样可以有效结合原始电磁信号的特征,在进行小波分解去噪过程中自适应的调节小波阈值,使过滤的噪声更加精确,得到更准确的局放信号,以便于实现对局放源更精准的定位。
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和优点,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的介绍,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附图。
图1为本发明一个实施例提供的一种基于传感器的高压电缆多源局放智能定位方法的步骤流程图;
图2为幅频极差噪声干扰指数获取流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于传感器的高压电缆多源局放智能定位方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于传感器的高压电缆多源局放智能定位方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于传感器的高压电缆多源局放智能定位方法的步骤流程图,该方法包括以下步骤:
步骤S001,采集高压电缆产生的电磁信号,并对信号进行初步处理。
为了获取高压电缆因局部放电产生的电磁信号,本实施例在高压电缆布置多个霍尔效应磁场传感器,用于获取由局部放电产生的磁场信号。为了避免信号衰弱对局部放电源的定位产生影响,这里在局部放电待定位范围内,每隔100米设置一个霍尔效应磁场传感器。每间隔时刻t采集一次电磁信号,本实施例中t的取值为1s,将获取到的初始电磁信号通过数据采集设备传输到数据存储系统中进行保存。
但是,由于环境中不同种类因素的影响,这些获取到的初始电磁信号中包含着许多噪声,因此,在根据电磁信号进行局部放电定位之前,需要对信号进行过滤。由于高压电缆局部放电产生的电磁信号频率较高,可以先通过陷波滤波器去除信号中的工频基波干扰,工频基波通常是60Hz的交流电源频率,通过陷波滤波器可以选择性的减弱排除工频信号带来的影响。
最后,将经过滤波的初始信号作为原始电磁信号。
步骤S002,通过分析信号中噪声对信号的影响程度,自适应调节小波分解中的小波阈值,最后通过小波分解对原始电磁信号进行去噪,得到高压电缆质量更高的局放信号。
放电产生的原始电磁信号往往受到一定的噪声干扰。根据经验可以知道,局部放电的噪声类型一般分为白噪声、周期性窄带干扰以及周期性脉冲干扰。其中比较常见的干扰类型为周期性窄带干扰,这种干扰是由多种频率的正弦信号叠加而成,通常由周围设备引起的电磁辐射、无线电通信、高频保护等产生。在信号处理中采用小波分解将信号分解为不同尺度和频率的小波系数,然后对小波系数进行阈值处理,滤除噪声部分,最终将信号进行重构。
但是,由于不同时间段不同位置获取的信号包含的噪声强度是不一样的,因此采用同样的阈值进行过滤,不能充分考虑信号之间的变化关系。因此,本实施例通过分析原始电磁信号中信号变化强度,以及可能造成影响的噪声特点,构建符合当前时间段的自适应噪声干扰指数阈值,具体构建步骤如下:
以第A个原始电磁信号为例,由于不同时间段信号包含的噪声有所不同,为了便于分析,将原始电磁信号A划分为窗口大小为1秒的电磁信号窗口序列,其中,为序列长度。对于电磁信号窗口序列中各窗口中的原始电磁信号幅值,每间隔1ms对各电磁信号窗口序列中的原始电磁信号幅值进行采样,并将每间隔1ms的时刻作为各电磁信号窗口序列的各信号时刻。
进一步的,通过分析原始电磁信号的信号分布特征,得到信号中噪声分布的强弱。
首先使用峰值检测算法(PDA)获取原始电磁信号A中的所有极大值和极小值点,使用最小二乘法,对原始电磁信号A中所有的极大值点进行曲线拟合获取原始电磁信号A的上包络线,对原始电磁信号A中所有的极小值点进行曲线拟合获取原始电磁信号A的下包络线。其中峰值检测算法和最小二乘法为公知技术,此处不再赘述。
每间隔1ms对上包络线和下包络线的值进行采样,计算各采样时刻上包络线和下包络线的值的均值,将所述均值按照时间顺序排列获取各原始电磁信号的信号包络均值序列。
进一步的,结合信号包络均值序列计算信号的稳定性,从而计算出原始电磁信号A的电磁信号窗口序列中每个窗口的幅频极差噪声估计指数,具体计算如下:
;
;
其中,表示原始电磁信号A的电磁信号窗口序列中第i个窗口的幅频极差噪声估计指数;/>表示原始电磁信号A的电磁信号窗口序列中第i个窗口的噪声能量集中度;/>表示原始电磁信号A的电磁信号窗口序列中第i个窗口的信号近似熵,其是通过将窗口内信号序列作为近似熵(ApEn)算法的输入得到的结果,近似熵算法为公知技术,此处不再赘述;表示将原始电磁信号A的电磁信号窗口序列中第i个和第i+1个窗口的信号作为动态时间规整(DTW)的输入得到的DTW距离,表示两个信号的相似程度;/>表示原始电磁信号A中每个窗口内的信号采样总数量;/>表示信号包络均值序列Q在原始电磁信号A的电磁信号窗口序列中第i个窗口中第j个信号时刻的数据;/>表示原始电磁信号A的电磁信号窗口序列中第i个窗口的信号包络均值序列Q的均值;/>和/>分别表示原始电磁信号A的电磁信号窗口序列中第i个窗口的第j+1个和第j个信号时刻的数据;/>表示原始电磁信号A的电磁信号窗口序列中第i个窗口的最大幅值;/>表示原始电磁信号A中第i个窗口的最小幅值;/>是参数调控因子,为了防止分母为0的情况,这里根据经验取值为0.01。
当信号中第i个窗口的包络均值序列与均值差异之和越小时,表明该窗口内信号越稳定,噪声能量集中度越大,表明当前时刻窗口中的数据包含噪声能量越多,即该窗口内信号的幅频极差噪声估计指数也越大,反之,表明当前时刻窗口中的数据包含噪声能量越少,即该窗口内信号的幅频极差噪声估计指数也越小;同样的,当信号中第i个窗口的信号近似熵越大时,表明该窗口中的信号复杂度越高,噪声越多,即该窗口内信号的幅频极差噪声估计指数也越大,反之,表明该窗口中的信号复杂度越低,噪声越少,即该窗口内信号的幅频极差噪声估计指数也越小;由于高压电缆产生的局放信号通常是随机的,同时在两个窗口中出现的概率较小,而当信号中第i个窗口的信号与相邻窗口信号的DTW距离越小时,表明二者越相似,因此该时刻窗口内的信号包含噪声越大,即该窗口内信号的幅频极差噪声估计指数也越大,反之,表明二者越不相似,因此该时刻窗口内的信号包含噪声越小,即该窗口内信号的幅频极差噪声估计指数也越小。
考虑到在众多噪声对高压电缆局放信号的干扰中,以周期性窄带干扰占主要成分,而高压电缆的局放信号往往是随机产生的具有较大能量的信号。因此,可以根据周期性信号的干扰强度计算周期性窄带干扰指数。具体步骤如下:
首先,通过傅里叶变换,将原始电磁信号A从时域转换到频域。在进行傅立叶变换时,输入是一个时域信号,输出是该时域信号在频域中的表示。具体来说,输入信号通常是一维的时间序列数据,表示信号随时间的变化。而输出则是该信号在频域中的频谱表示,包括了信号中不同频率成分的振幅和相位信息。傅里叶变换为公知技术,此处不再赘述。
由于在频域中,信号的周期性通常表现为频谱中存在明显的谐波成分或者频率分量的重复出现。因此,接下来,通过采用峰值检测算法(PDA)获取原始电磁信号A在频域中的能量波峰,最大峰值对应的频率分量为主要频率分量,记为,通常是局放信号所产生的频率分量。由于信号中存在高斯白噪声,因此理论上波峰是无限多的,这里只分析能量大于最大能量十分之一的频率分量,将原始电磁信号A中所有所述频率分量按照频率分量的能量值从小到大的顺序进行排序,组成原始电磁信号A的频率分量向量/>,/>为频率分量向量中频率分量的个数,这些通常是由周期性干扰信号存在引起的,并以此计算周期性窄带干扰指数,具体计算如下:
;
;
其中,表示原始电磁信号A中周期性窄带干扰指数;/>为频率分量向量中频率分量的个数;/>表示原始电磁信号A的频率分量向量中第k个频率分量对应的能量;/>表示原始电磁信号A的信号衰减系数;/>表示原始电磁信号A中主要频率分量对应的能量;/>表示原始电磁信号A的频率分量向量第k个频率分量与主要频率分量之间的频率带宽;表示原始电磁信号A的频率分量向量中第k个频率分量在所有霍尔效应磁场传感器中的最大能量值;/>表示原始电磁信号A的频率分量向量中第k个频率分量在所有霍尔效应磁场传感器中的最小能量值。
当其余频率分量的总能量与主要频率分量的能量比值越大时,表明造成频率分量的周期性干扰信号越明显,即周期性窄带干扰指数越大,反之,表明造成频率分量的周期性干扰信号越不明显,即周期性窄带干扰指数越小;当频率分量与主要频率之间的频率带宽越大时,则引起该频率分量的噪声信号越容易区分,对主要频率分量对应的信号干扰越小,即周期性窄带干扰指数小,反之,则引起该频率分量的噪声信号越不容易区分,对主要频率分量对应的信号干扰越大,即周期性窄带干扰指数大;由于局放信号在被不同位置的传感器接收到时,信号受传播距离的影响会有所衰减,而噪声信号通常均匀分布在各个位置,因此不会产生明显的衰减,故当表示原始电磁信号A中所有频率分量在多个传感器中的最大能量值与最小能量值之差越大时,表明信号中的噪声信号占比越低,即原始电磁信号A的信号衰减系数越大,则其周期性窄带干扰指数越小,反之,当原始电磁信号A的信号衰减系数越小,则其周期性窄带干扰指数越大。
当幅频极差噪声估计指数大时,并不意味着所需高压电缆局放信号难以区分,即信号中包含的噪声有可能是周期性窄带干扰指数较小的噪声,是易于区分的噪声。因此,这里通过周期性窄带干扰指数对幅频极差噪声估计指数/>进行修正,得到幅频极差噪声干扰指数/>,如下:
;
其中,表示原始电磁信号A的电磁信号窗口序列的第i个窗口的幅频极差噪声干扰指数;/>表示原始电磁信号A的电磁信号窗口序列的第i个窗口的幅频极差噪声估计指数;表示原始电磁信号A中周期性窄带干扰指数;幅频极差噪声干扰指数获取流程图如图2所示。
当原始电磁信号A中第i个窗口的幅频极差噪声估计指数越大时,表明该窗口内的信号存在较大能量的噪声,则相应的幅频极差噪声干扰指数也会越大,反之,表明该窗口内的信号存在较小能量的噪声,则相应的幅频极差噪声干扰指数也会越小;同时,当表示原始电磁信号A中周期性窄带干扰指数越大时,会进一步加强该窗口内的噪声对原始电磁信号的干扰程度,使幅频极差噪声干扰指数增大,反之,则会削弱该窗口内的噪声对原始电磁信号的干扰程度,使幅频极差噪声干扰指数减小。
至此,本实施例可以得到原始电磁信号幅频极差噪声干扰指数γ。
在通过小波分解去除原始电磁信号中的噪声时,需要先将原始电磁信号A,通过特定的小波基进行小波变换,得到不同尺度和频率的小波系数,这里采用Daubechies小波作为小波基函数。然后,选择一个小波阈值将小波中的噪声部分进行抑制,这里采用硬阈值进行处理,即将小于阈值的系数置零,其余系数保留,最后将经过阈值处理的小波系数进行逆小波变换得到去噪后的信号。
小波分解的过程基本步骤如下:
A)将原始电磁信号通过一个低通滤波器和一个高通滤波器进行滤波,得到两组滤波后的信号:一个是低频信号,即近似系数,一个是高频信号,即细节系数。
B)将低频信号进一步用同样的方法进行分解,得到更低频的信号和更高频的信号。
C)重复以上步骤,直到达到设定的分解层级,这里层级根据经验分解为7层。
考虑到高压电缆对应的局放信号一般是超高频信号,因此对于不同层级的小波系数应该使用不同的小波阈值,且噪声在整个信号中分布强弱是不同的,因此本实施例通过上述步骤将原始电磁信号划分为一系列窗口,然后分析每个窗口中噪声分布以及对原始电磁信号的影响长度,最终得到自适应噪声干扰指数阈值,具体如下:
;
其中,表示原始电磁信号中第i个窗口第p层小波系数的自适应噪声干扰指数阈值,用于小波变换中的小波阈值;Norm()表示归一化函数;/>表示原始电磁信号A中第i个窗口的幅频极差噪声干扰指数;/>表示原始电磁信号中第i个窗口的第p层的细节系数。
当原始电磁信号中第i个窗口的幅频极差噪声干扰指数越大时,表明该窗口内噪声信号对原始电磁信号影响较为明显,应该采用更大的小波阈值去更多的抑制噪声,反之,表明该窗口内噪声信号对原始电磁信号影响较弱,应该采用更小的小波阈值去抑制更少的噪声;同样由于本实施例所需的局放信号为高频信号,因此应该抑制更多的低频信息,即小波分解的层级越大,应该采取越大的小波阈值对噪声进行抑制,反之,小波分解的层级越小,应该采取越小的小波阈值对噪声进行抑制。
至此,本实施例可以通过传感器以及上述步骤获取得到经过小波分解过滤后的高压电缆局放信号。
S003,根据传感器获取的经过小波分解过滤后的高压电缆局放信号进行高压电缆局放智能定位。
当高压电缆中发生局部放电时,会产生电磁信号,这些信号可以通过特高频检测系统进行接收和处理,根据电磁传感器位置以及接收到的信号之间的时间差,使用时间差法对局放位置进行定位。时间差法为公知技术,在此不做赘述。
基于与上述方法相同的发明构思,本发明实施例还提供了一种基于传感器的高压电缆多源局放智能定位系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种基于传感器的高压电缆多源局放智能定位方法中任意一项所述方法的步骤。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,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 (10)
1.一种基于传感器的高压电缆多源局放智能定位方法,其特征在于,该方法包括以下步骤:
采集各霍尔效应磁场传感器的原始电磁信号;根据原始电磁信号的幅值获取各原始电磁信号的信号包络均值序列;根据原始电磁信号的幅值和信号包络均值序列获取各电磁信号窗口序列中各窗口的噪声能量集中度;根据噪声能量集中度和原始电磁信号的幅值获取各电磁信号窗口序列中各窗口的幅频极差噪声估计指数;使用傅里叶变化和峰值检测算法获取各原始电磁信号的频率分量向量;根据频率分量向量中的能量值获取各原始电磁信号的信号衰减系数;根据信号衰减系数、主要频率的能量和频率带宽获取各原始电磁信号的周期性窄带干扰指数;根据周期性窄带干扰指数和幅频极差噪声估计指数获取各电磁信号窗口序列的各窗口的幅频极差噪声干扰指数;
根据幅频极差噪声干扰指数结合小波变换获取各原始电磁信号的电磁信号窗口序列的各窗口在各层的自适应噪声干扰指数阈值,根据自适应噪声干扰指数阈值获取小波分解过滤后的高压电缆局放信号,结合时间差法对高压电缆局放信号进行高压电缆局放智能定位。
2.如权利要求1所述的一种基于传感器的高压电缆多源局放智能定位方法,其特征在于,所述根据原始电磁信号的幅值获取各原始电磁信号的信号包络均值序列,包括:
对于各原始电磁信号,使用峰值检测算法获取原始电磁信号中所有极大值点和极小值点;
使用最小二乘法,对原始电磁信号中所有的极大值点进行曲线拟合获取原始电磁信号的上包络线,对原始电磁信号中所有的极小值点进行曲线拟合获取原始电磁信号的下包络线;
每间隔预设时长对上包络线和下包络线的值进行采样,计算各采样时刻上包络线和下包络线的均值,将所述均值按照时间顺序排列获取各原始电磁信号的信号包络均值序列。
3.如权利要求1所述的一种基于传感器的高压电缆多源局放智能定位方法,其特征在于,所述根据原始电磁信号的幅值和信号包络均值序列获取各电磁信号窗口序列中各窗口的噪声能量集中度,包括:
对原始电磁信号按照预设窗口大小进行划分获取各原始电磁信号的各窗口,组成电磁信号窗口序列;对于电磁信号窗口序列中各窗口中的原始电磁信号幅值,每间隔预设时长对各电磁信号窗口序列中的原始电磁信号幅值进行采样,并将每间隔预设时长的时刻作为各窗口的各信号时刻;
对于各原始电磁信号中的各窗口,计算窗口中所有原始电磁信号的幅值的均值,计算窗口中各信号时刻的幅值与所述均值的差值绝对值作为第一差值绝对值;
对于电磁信号窗口序列中各窗口中的各信号时刻,计算信号时刻的原始电磁信号的幅值与前一相邻信号时刻的原始电磁信号的幅值的差值绝对值作为第二差值绝对值,计算所述第二差值绝对值与预设参数调控因子的和值,计算所述第一差值绝对值与所述和值的比值作为第一比值,计算窗口中所有所述第一比值的和值作为第一和值;
计算窗口中的原始电磁信号的幅值的最大值与最小值的差值,计算所述差值与预设参数调控因子的和值作为第二和值,将所述第一和值与所述第二和值的比值作为各原始电磁信号的各窗口的噪声能量集中度。
4.如权利要求3所述的一种基于传感器的高压电缆多源局放智能定位方法,其特征在于,所述根据噪声能量集中度和原始电磁信号的幅值获取各电磁信号窗口序列中各窗口的幅频极差噪声估计指数,包括:
对于各电磁信号窗口序列的各窗口,计算窗口中所有原始电磁信号的幅值的信号近似熵,计算窗口的噪声能量集中度和所述信号近似熵的乘积;计算窗口中的原始电磁信号与后一相邻窗口的原始电磁信号的DTW距离,计算所述DTW距离与预设参数调控因子的和值作为第三和值,计算所述乘积与所述第三和值的比值作为各电磁窗口序列中各窗口的幅频极差噪声估计指数。
5.如权利要求1所述的一种基于传感器的高压电缆多源局放智能定位方法,其特征在于,所述使用傅里叶变化和峰值检测算法获取各原始电磁信号的频率分量向量,包括:
使用傅里叶变换对原始电磁信号进行处理,获取原始电磁信号的频谱;
使用峰值检测算法获取原始电磁信的频谱的能量值的波峰,将所有波峰中的最大能量值的频率分量作为主要频率分量,获取所有能量值大于所述最大能量值的十分之一值的频率分量,记为主要频率,将原始电磁信号中所有所述主要频率按照其对应能量值从小到大的顺序进行排序获取各原始电磁信号的频率分量向量。
6.如权利要求1所述的一种基于传感器的高压电缆多源局放智能定位方法,其特征在于,所述根据频率分量向量中的能量值获取各原始电磁信号的信号衰减系数,包括:
计算各原始电磁信号的频率分量向量中的各主要频率在所有霍尔效应磁场传感器中的最大值与最小值的差值绝对值,将原始电磁信号的所有所述差值绝对值的和值作为各原始电磁信号的信号衰减系数。
7.如权利要求5所述的一种基于传感器的高压电缆多源局放智能定位方法,其特征在于,所述根据信号衰减系数、主要频率的能量和频率带宽获取各原始电磁信号的周期性窄带干扰指数,包括:
对于各原始电磁信号的频率分量向量,计算频率分量向量中各主要频率的频率带宽与所述主要频率分量的频率带宽之间的差值绝对值,计算主要频率分量的能量、所述差值绝对值和原始电磁信号的信号衰减系数三者之间的乘积,计算各主要频率的能量与所述乘积的比值,将原始电磁信号中所有所述比值的和值作为各原始电磁信号的周期性窄带干扰指数。
8.如权利要求1所述的一种基于传感器的高压电缆多源局放智能定位方法,其特征在于,所述根据周期性窄带干扰指数和幅频极差噪声估计指数获取各电磁信号窗口序列的各窗口的幅频极差噪声干扰指数,包括:
计算各原始电磁信号的电磁信号窗口序列的各窗口的幅频极差噪声估计指数与原始电磁信号的周期性窄带干扰指数的乘积作为各原始电磁信号的电磁信号窗口序列的各窗口的幅频极差噪声干扰指数。
9.如权利要求1所述的一种基于传感器的高压电缆多源局放智能定位方法,其特征在于,所述根据幅频极差噪声干扰指数结合小波变换获取各原始电磁信号的电磁信号窗口序列的各窗口在各层的自适应噪声干扰指数阈值,包括:
对于各原始电磁信号的电磁信号窗口序列的各窗口,使用小波变化对各窗口的原始电磁信号进行处理,获取各窗口在各层的细节系数,计算各窗口在各层的细节系数与各窗口的幅频极差噪声干扰指数的乘积的归一化值作为各原始电磁信号的电磁信号窗口序列的各窗口在各层的自适应噪声干扰指数阈值。
10.一种基于传感器的高压电缆多源局放智能定位系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410322905.4A CN117932231B (zh) | 2024-03-21 | 2024-03-21 | 基于传感器的高压电缆多源局放智能定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410322905.4A CN117932231B (zh) | 2024-03-21 | 2024-03-21 | 基于传感器的高压电缆多源局放智能定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117932231A true CN117932231A (zh) | 2024-04-26 |
CN117932231B CN117932231B (zh) | 2024-05-31 |
Family
ID=90752403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410322905.4A Active CN117932231B (zh) | 2024-03-21 | 2024-03-21 | 基于传感器的高压电缆多源局放智能定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117932231B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7110944B2 (en) * | 2001-10-02 | 2006-09-19 | Siemens Corporate Research, Inc. | Method and apparatus for noise filtering |
CN106842164A (zh) * | 2017-03-14 | 2017-06-13 | 中国人民解放军国防科学技术大学 | 基于小波去噪的非合作脉冲压缩雷达微弱目标检测方法 |
JP2018036113A (ja) * | 2016-08-30 | 2018-03-08 | 学校法人 芝浦工業大学 | 信号処理装置および電力機器の異常診断装置および異常診断方法 |
CN109085481A (zh) * | 2018-10-23 | 2018-12-25 | 国网江苏省电力有限公司徐州供电分公司 | 一种基于ewt的电缆局部放电定位方法 |
CN111308285A (zh) * | 2020-03-03 | 2020-06-19 | 西南交通大学 | 一种窄带干扰降噪方法 |
CN114609515A (zh) * | 2022-03-10 | 2022-06-10 | 国家电网有限公司 | 一种基于顺序分层式信号处理的gis特高频局放检测干扰抑制方法 |
CN116148612A (zh) * | 2023-03-30 | 2023-05-23 | 成都宝屯沧网络科技有限公司 | 配电柜故障检测方法、系统、电子设备以及存储介质 |
CN116280628A (zh) * | 2023-01-16 | 2023-06-23 | 浙江图盛输变电工程有限公司 | 一种高压电力设备耐压试验的局部放电测试方法 |
CN116304581A (zh) * | 2023-05-10 | 2023-06-23 | 佛山市钒音科技有限公司 | 一种空调用智能电控系统 |
CN116788076A (zh) * | 2023-06-30 | 2023-09-22 | 济南英华自动化技术有限公司 | 一种具有漏电防爆保护功能的充电装置 |
-
2024
- 2024-03-21 CN CN202410322905.4A patent/CN117932231B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7110944B2 (en) * | 2001-10-02 | 2006-09-19 | Siemens Corporate Research, Inc. | Method and apparatus for noise filtering |
JP2018036113A (ja) * | 2016-08-30 | 2018-03-08 | 学校法人 芝浦工業大学 | 信号処理装置および電力機器の異常診断装置および異常診断方法 |
CN106842164A (zh) * | 2017-03-14 | 2017-06-13 | 中国人民解放军国防科学技术大学 | 基于小波去噪的非合作脉冲压缩雷达微弱目标检测方法 |
CN109085481A (zh) * | 2018-10-23 | 2018-12-25 | 国网江苏省电力有限公司徐州供电分公司 | 一种基于ewt的电缆局部放电定位方法 |
CN111308285A (zh) * | 2020-03-03 | 2020-06-19 | 西南交通大学 | 一种窄带干扰降噪方法 |
CN114609515A (zh) * | 2022-03-10 | 2022-06-10 | 国家电网有限公司 | 一种基于顺序分层式信号处理的gis特高频局放检测干扰抑制方法 |
CN116280628A (zh) * | 2023-01-16 | 2023-06-23 | 浙江图盛输变电工程有限公司 | 一种高压电力设备耐压试验的局部放电测试方法 |
CN116148612A (zh) * | 2023-03-30 | 2023-05-23 | 成都宝屯沧网络科技有限公司 | 配电柜故障检测方法、系统、电子设备以及存储介质 |
CN116304581A (zh) * | 2023-05-10 | 2023-06-23 | 佛山市钒音科技有限公司 | 一种空调用智能电控系统 |
CN116788076A (zh) * | 2023-06-30 | 2023-09-22 | 济南英华自动化技术有限公司 | 一种具有漏电防爆保护功能的充电装置 |
Non-Patent Citations (2)
Title |
---|
延红艳等: "基于小波及数学形态学的局部放电信号滤波技术", 水科学与工程技术, 31 January 2023 (2023-01-31), pages 24 - 27 * |
郑祥;付大赓;: "局部放电应答器中白噪声干扰抑制的滤波器设计", 电子测量技术, no. 05, 8 March 2020 (2020-03-08) * |
Also Published As
Publication number | Publication date |
---|---|
CN117932231B (zh) | 2024-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhong et al. | Partial discharge signal denoising based on singular value decomposition and empirical wavelet transform | |
de Oliveira Mota et al. | Partial discharge signal denoising with spatially adaptive wavelet thresholding and support vector machines | |
Carvalho et al. | Identification of partial discharges immersed in noise in large hydro-generators based on improved wavelet selection methods | |
CN112395992A (zh) | 一种基于改进小波阈值的电力谐波信号去噪方法 | |
Wang et al. | Noise suppression of corona current measurement from HVdc transmission lines | |
CN112380934B (zh) | 基于小波熵与稀疏度的电缆局放信号自适应小波去噪方法 | |
CN113269082A (zh) | 一种基于改进变分模态分解的局部放电阈值去噪方法 | |
CN110515063A (zh) | 基于迭代平稳离散小波变换的水声信号处理方法和装置 | |
CN115017940B (zh) | 一种基于经验模态分解与1(1/2)谱分析的目标检测方法 | |
Mortazavi et al. | Comparing denoising performance of DWT, WPT, SWT and DT-CWT for partial discharge signals | |
CN111553308A (zh) | 一种电力变压器局部放电信号的重构方法 | |
CN112084845A (zh) | 基于多尺度小波系数自相关的低频1/f噪声消除方法 | |
CN112180315A (zh) | 光纤电流互感器故障特征提取方法、装置及系统 | |
Tseng et al. | Entropic interpretation of empirical mode decomposition and its applications in signal processing | |
CN110609088A (zh) | 一种支柱绝缘子故障识别方法及装置 | |
CN117932231B (zh) | 基于传感器的高压电缆多源局放智能定位方法及系统 | |
Rauscher et al. | Pareto optimization of wavelet filter design for partial discharge detection in electrical machines | |
CN114077852A (zh) | 一种强噪声光谱信号的智能去噪方法 | |
CN115293219B (zh) | 一种融合小波和峭度的脉冲信号去噪方法 | |
CN115146683A (zh) | 一种局部放电原始信号的噪声抑制方法及系统 | |
Nicolae et al. | Comparative study of wavelet based techniques for electromagnetic noise evaluation and removal | |
CN114239642A (zh) | 一种基于变分模态分解与模糊熵的海杂波去噪方法 | |
Soltani et al. | Self-adaptive morphological filter for noise reduction of partial discharge signals | |
CN114970647B (zh) | 基于概率神经网络的电磁数据识别方法及系统 | |
CN118094110B (zh) | 一种电缆护层环流监测数据智能处理方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |