CN118198921B - 智能化空气绝缘开关柜 - Google Patents
智能化空气绝缘开关柜 Download PDFInfo
- Publication number
- CN118198921B CN118198921B CN202410609752.1A CN202410609752A CN118198921B CN 118198921 B CN118198921 B CN 118198921B CN 202410609752 A CN202410609752 A CN 202410609752A CN 118198921 B CN118198921 B CN 118198921B
- Authority
- CN
- China
- Prior art keywords
- model
- switch cabinet
- partial discharge
- state
- parameters
- 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.)
- Active
Links
- 238000009413 insulation Methods 0.000 title claims abstract description 58
- 230000007547 defect Effects 0.000 claims abstract description 151
- 238000000034 method Methods 0.000 claims abstract description 99
- 230000008569 process Effects 0.000 claims abstract description 68
- 230000007704 transition Effects 0.000 claims abstract description 31
- 239000002245 particle Substances 0.000 claims description 91
- 238000009826 distribution Methods 0.000 claims description 37
- 238000009434 installation Methods 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 30
- 230000008859 change Effects 0.000 claims description 26
- 238000001914 filtration Methods 0.000 claims description 22
- 238000010438 heat treatment Methods 0.000 claims description 16
- 238000012952 Resampling Methods 0.000 claims description 15
- 230000005672 electromagnetic field Effects 0.000 claims description 15
- 230000005855 radiation Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 230000005684 electric field Effects 0.000 claims description 12
- 239000003822 epoxy resin Substances 0.000 claims description 12
- 229920000647 polyepoxide Polymers 0.000 claims description 12
- 239000002131 composite material Substances 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 11
- 238000003745 diagnosis Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- MXRIRQGCELJRSN-UHFFFAOYSA-N O.O.O.[Al] Chemical compound O.O.O.[Al] MXRIRQGCELJRSN-UHFFFAOYSA-N 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 7
- 239000011247 coating layer Substances 0.000 claims description 7
- 239000000463 material Substances 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 239000000843 powder Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 239000006229 carbon black Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 229910052782 aluminium Inorganic materials 0.000 claims description 4
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 4
- 238000009529 body temperature measurement Methods 0.000 claims description 4
- 239000003795 chemical substances by application Substances 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 239000011248 coating agent Substances 0.000 claims description 3
- 238000000576 coating method Methods 0.000 claims description 3
- 239000000945 filler Substances 0.000 claims description 3
- 239000004973 liquid crystal related substance Substances 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 3
- 102000002274 Matrix Metalloproteinases Human genes 0.000 claims description 2
- 108010000684 Matrix Metalloproteinases Proteins 0.000 claims description 2
- 239000004065 semiconductor Substances 0.000 claims 1
- 208000028659 discharge Diseases 0.000 description 172
- 238000001514 detection method Methods 0.000 description 16
- 230000002159 abnormal effect Effects 0.000 description 9
- 239000004020 conductor Substances 0.000 description 9
- 238000013461 design Methods 0.000 description 9
- 239000011810 insulating material Substances 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000007774 longterm Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000005243 fluidization Methods 0.000 description 5
- 229910052751 metal Inorganic materials 0.000 description 5
- 239000002184 metal Substances 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000012806 monitoring device Methods 0.000 description 4
- 208000007101 Muscle Cramp Diseases 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000005670 electromagnetic radiation Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 239000000725 suspension Substances 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000010410 layer Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000002923 metal particle Substances 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 229920002379 silicone rubber Polymers 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003075 superhydrophobic effect Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000003466 welding Methods 0.000 description 2
- 238000012614 Monte-Carlo sampling Methods 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- WNROFYMDJYEPJX-UHFFFAOYSA-K aluminium hydroxide Chemical compound [OH-].[OH-].[OH-].[Al+3] WNROFYMDJYEPJX-UHFFFAOYSA-K 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010292 electrical insulation Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000005290 field theory Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 239000002654 heat shrinkable material Substances 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000009421 internal insulation Methods 0.000 description 1
- 230000016507 interphase Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000005476 soldering Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02B—BOARDS, SUBSTATIONS OR SWITCHING ARRANGEMENTS FOR THE SUPPLY OR DISTRIBUTION OF ELECTRIC POWER
- H02B11/00—Switchgear having carriage withdrawable for isolation
- H02B11/02—Details
- H02B11/10—Indicating electrical condition of gear; Arrangement of test sockets
-
- 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
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02B—BOARDS, SUBSTATIONS OR SWITCHING ARRANGEMENTS FOR THE SUPPLY OR DISTRIBUTION OF ELECTRIC POWER
- H02B1/00—Frameworks, boards, panels, desks, casings; Details of substations or switching arrangements
- H02B1/20—Bus-bar or other wiring layouts, e.g. in cubicles, in switchyards
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02B—BOARDS, SUBSTATIONS OR SWITCHING ARRANGEMENTS FOR THE SUPPLY OR DISTRIBUTION OF ELECTRIC POWER
- H02B1/00—Frameworks, boards, panels, desks, casings; Details of substations or switching arrangements
- H02B1/24—Circuit arrangements for boards or switchyards
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02B—BOARDS, SUBSTATIONS OR SWITCHING ARRANGEMENTS FOR THE SUPPLY OR DISTRIBUTION OF ELECTRIC POWER
- H02B1/00—Frameworks, boards, panels, desks, casings; Details of substations or switching arrangements
- H02B1/26—Casings; Parts thereof or accessories therefor
- H02B1/30—Cabinet-type casings; Parts thereof or accessories therefor
- H02B1/32—Mounting of devices therein
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02B—BOARDS, SUBSTATIONS OR SWITCHING ARRANGEMENTS FOR THE SUPPLY OR DISTRIBUTION OF ELECTRIC POWER
- H02B11/00—Switchgear having carriage withdrawable for isolation
- H02B11/02—Details
- H02B11/04—Isolating-contacts, e.g. mountings or shieldings
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02B—BOARDS, SUBSTATIONS OR SWITCHING ARRANGEMENTS FOR THE SUPPLY OR DISTRIBUTION OF ELECTRIC POWER
- H02B11/00—Switchgear having carriage withdrawable for isolation
- H02B11/12—Switchgear having carriage withdrawable for isolation with isolation by horizontal withdrawal
- H02B11/167—Switchgear having carriage withdrawable for isolation with isolation by horizontal withdrawal truck type
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Mathematics (AREA)
- Computational Linguistics (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开一种智能化空气绝缘开关柜,包括手车室、母线室、电缆室和断路器室,母线室内布置有各相主母排与分支母排,主母排与分支母排搭接处安装绝缘罩盒,绝缘罩盒内部开设有与母排等电位的屏蔽罩,主母排和分支母排固定于屏蔽罩;通过在绝缘罩盒内部增设屏蔽罩,解决了现有绝缘罩盒易松脱的难题,同时有效解决了母排紧固螺栓与绝缘罩盒之间的气隙局部放电问题,实现了高压开关柜绝缘性能及机械性能的提升;另外通过隐半马尔可夫模型建模开关柜缺陷预测模型,对持续时间较长的状态更加健壮,可以高效学习高压开关柜状态转移过程;且模型可在线无监督学习,无需对传感器数据事先标注,节省成本。
Description
技术领域
本发明涉及高压开关设备电气绝缘结构设计与优化设计技术领域,具体涉及一种智能化空气绝缘开关柜。
背景技术
开关类设备的安全稳定运行直接关系到电网的设备安全和供电可靠性,高压开关柜是输变电工程的关键设备,是电力系统中应用最广泛、数量最多的一种开关设备。受柜内结构设计不良、材质性能欠佳、空气间隙过小、局部场强集中、绝缘裕度偏低、运行环境复杂以及检测手段单一等因素的影响,现场高压开关柜绝缘失效、过热等引发的各类故障或异常频发,其中以绝缘故障尤为突出。
高压开关柜内部母线室含有各相主母排与分支母排,主母排与分支母排搭接处采用螺栓紧固,螺栓端部电场畸变严重。目前多采用热缩材料或硅橡胶制的绝缘罩盒对母排搭接处进行包封,其安装方式主要有锥形扣钉固定或塑料扎带捆绑固定。在长期运行条件下,热缩护套盒或硅橡胶制的绝缘罩盒易引发母排承载电流大、发热严重而进一步收缩,使得绝缘罩盒破损,固定用扣钉脱落,缩短高压对地的空气距离和干闪距离,母排搭接处紧固螺栓端部电场畸变暴露,导致局部放电,最终引发柜内绝缘故障。
在高压开关柜内部电缆室,接地开关静触头区域为裸露电极,存在较多尖端,在雷电压下引发放电的风险较高,开关柜内多采用绝缘隔板来提高该区域的绝缘强度,但却违背了相关技术中禁止使用绝缘隔板的要求。
在高压开关柜内部断路器室,触头盒大部分采用单屏蔽结构设计,相邻触头盒因采用搭接式安装而在相间形成缝隙,存留污秽、凝露,引起绝缘老化加速或相间放电,母排出口处易出现局部放电。目前,有部分厂家开始采用双屏蔽结构设计,比如公告号为CN213905826U的实用新型专利所公开的贯通型触头盒。相比单屏蔽结构设计,双屏蔽结构设计可将触头盒内部高场强区引至绝缘材料内部,由于触头盒内部空气间隙的绝缘强度要明显低于固体绝缘材料的绝缘强度,因而可有效降低触头盒内表面因积污等特殊环境条件引发的内表面放电风险,解决原单屏蔽结构触头盒广泛存在的相间间隙问题。但是,双屏蔽结构设计在触头盒内部引入了大量导体与固体绝缘介质界面,由于金属导体与绝缘介质的热膨胀系数存在差异,易使得触头盒内部在长期运行条件下,受电、热、力多物理场作用,而出现气隙、微裂等潜伏性缺陷,引起高压屏蔽极板与绝缘介质界面处的局部放电,危害触头盒的长期稳定运行。
因此,还需对高压开关柜柜内绝缘性能进行优化提升,以提高高压开关柜的运行可靠性。
另外,高压开关柜使用量大、影响面广,其可靠性对电网安全运行至关重要,想要提高系统的稳定性,不仅需要优化高压开关柜结构,提升绝缘性能,还需要尽量全面地掌握开关柜的健康状态,尽早发现和切除故障隐患。
随着电力传感器技术的发展,各类传感器被设计用于感知开关柜组成部件运行状态的细微变化,而且在大数据背景的支撑下,多元异构的传感器数据的收集、存储和分析成为可能,如温度数据、局放数据、机械故障数据等。缺陷预测则是根据传感器数据对各组成部件的运行状态进行实时评估,根据数据分布变化和异常值的出现及时预测可能导致开关柜故障的传感器缺陷,这对于预防开关柜因缺陷恶化导致故障停电而造成巨大经济损失具有十分重要的意义。
但传统的开关柜带电检测技术对很多潜伏性缺陷难以有效判别(如局部放电和触头等缺陷),且检测效果易受到传感器布置位置的影响,故障感知能力薄弱。比如申请公布号为CN113405597A的中国发明专利申请文献公开的一种开关柜内传感器布局结构及布局结构的评价方法,该方案采用评价函数对传感器布置方案的灵敏度进行定量描述,但相关评价过程较为繁琐,而且仅通过仿真计算进行了分析,可靠性需要得到进一步验证。因此有必要合理优化智能化开关柜传感器布置位置,提高传感器对高压开关柜状态信息采集的灵敏度和检测有效性,以帮助提升高压开关柜的智能化诊断水平。
而在缺陷预测过程中,针对高压开关柜中各类传感器可能出现的缺陷,目前普遍使用人工检测或者机器人辅助手段实现,但这些方法具有背景干扰大、监测准确度低等问题,难以满足电网快速发展对设备可靠性的需求。针对此问题,当前的主流解决方案是基于数据驱动算法的智能缺陷预测技术,比如在公布号为CN115900816A的专利申请文献中提出的一种基于多源异构数据的高压开关柜缺陷预测方法中,通过温度传感器、局放传感器、机械故障特性传感器获取多源异构数据,并结合神经网络模型实现对高压开关柜缺陷的预测。
但高压开关柜缺陷预测仍面临困难如下:(1)状态转移过程难建模:高压开关柜运行过程中,往往长时间保持在同一状态下,传统的机器学习模型,难以建模高压开关柜的状态转移过程。(2)专家人工标注成本高:为保证高压开关柜缺陷预测的精度,需要收集大量传感器数据用于模型训练,传统的机器学习模型为有监督训练方式,需要人工标注缺陷状态,成本过高,有监督训练方式并不适合实际使用需求。
因此如何建模高压开关柜状态转移过程与传感器观测数据变化过程之间的关联关系,精准感知数据缺陷,开展智能高压开关柜缺陷状态的高效精准感知与可信评估分析是当下亟待解决的问题。
发明内容
本发明所要解决的技术问题在于如何提供一种智能化空气绝缘开关柜,实现开关柜的绝缘性能提升和智能化诊断。
本发明通过以下技术手段解决上述技术问题的:
本发明提出了一种智能化空气绝缘开关柜,所述开关柜包括手车室、母线室、电缆室和断路器室,母线室内布置有各相主母排与分支母排,主母排与分支母排搭接处安装绝缘罩盒,所述绝缘罩盒内部开设有与母排等电位的屏蔽罩,主母排和分支母排固定于所述屏蔽罩;所述开关柜上安装传感器,所述传感器的输出连接智能诊断设备,所述智能诊断设备包括:
数据采集模块,用于实时采集开关柜上安装的各类所述传感器当前时刻的观测数据;
缺陷预测模块,用于基于所述观测数据,采用粒子滤波算法在线估计开关柜缺陷预测模型,计算粒子状态期望作为当前时刻的开关柜状态,其中,所述开关柜缺陷预测模型为使用隐半马尔可夫模型建模高压开关柜状态转移过程及状态保持过程所得到的缺陷预测模型。
进一步地,所述绝缘罩盒底部设置凹槽,所述凹槽的长度方向沿所述主母排方向布置,主母排与分支母排搭接处安装于所述凹槽内。
进一步地,所述屏蔽罩采用铝制且形状为球形的一部分。
进一步地,所述屏蔽罩底部布置有若干用于固定所述主母排和所述分支母的螺栓孔径。
进一步地,所述断路器室内设置有触头盒,所述触头盒的高压屏蔽网采用半导电材料制备。
进一步地,所述半导电材料为在环氧树脂复合材料中混入炭黑填料,二次固化而成,炭黑占环氧树脂复合材料质量的10%-15%。
进一步地,所述手车室内壁安装有第一温度传感器,所述开关柜内安装有若干局放传感器,所述断路器室内安装有机械特性传感器。
进一步地,所述第一温度传感器的安装位置为温度变化率取值最大时的安装位置,所述第一温度传感器在不同安装位置时对应的温度变化率取值为利用所述第一温度传感器测量的温度值与触头发热缺陷模型两次通电电流值计算得到;
所述触头发热缺陷模型安装在开关柜上。
进一步地,所述温度变化率的计算公式为:
式中:T 1、T 2分别为两种不同通电电流值对应的温度测量值,I 1和I 2分别为两种不同通电电流值,T R为温度变化率。
进一步地,所述动触头和触臂分别安装有第二温度传感器和第三温度传感器,所述第二温度传感器和所述第三温度传感器的测量精度小于所述第一温度传感器。
进一步地,若干所述局放传感器的安装位置为开关柜内局部放电信号总量最大时各局放传感器对应的安装位置,所述局部放电信号总量为对开关柜内的绝缘缺陷模型施加电压以使所述绝缘缺陷模型进行局部放电,并利用各所述局放传感器采集局部放电信号计算得到;
所述绝缘缺陷模型分别放置于所述手车室、所述母线室和所述电缆室。
进一步地,所述局放传感器为三合一局部放电传感器,包括UHF天线、超声波传感器和TEV天线;
UHF天线和超声波传感器面向柜内空间布置,TEV天线紧贴柜体布置。
进一步地,所述三合一局部放电传感器的安装位置为根据局部放电源产生的空间电磁场,优化三合一局部放电传感器的布点位置确定。
进一步地,所述三合一局部放电传感器的布点位置优化过程为:
将局部放电源作为偶极子,根据所述局部放电源产生的空间电磁场,评估各待安装位置处的空间辐射幅值;
选取空间辐射幅值较大的若干待安装位置作为待优化位置用于布置所述三合一局部放电传感器,并对所述三合一局部放电传感器的各通道信号幅值进行归一化处理,得到每一个所述三合一局部放电传感器各通道的归一化测量值;
基于各所述三合一局部放电传感器不同通道的归一化测量值,计算每一所述三合一局部放电传感器的平均归一化测量值,选取平均归一化测量值较大的若干位置作为优化后的布点位置。
进一步地,所述局部放电源产生的空间电磁场的公示表示为:
式中:为所述局部放电电源产生的空间电场;为所述局部放电电源产生的空间磁场;为辐射角;为待安装位置与局部放电源的距离;为虚数单位;为角频率;为电流;为偶极子间距;为相位因子。
进一步地,所述主母排和所述分支母排上均流化涂覆绝缘粉末形成涂覆层,所述涂覆层的厚度为3mm~4mm。
进一步地,所述绝缘粉末组成及重量份数为环氧树脂30~50份,固化剂2~6份,氢氧化铝粉末2~3份,所述氢氧化铝粉末的直径在0.5μm至0.8μm之间。
进一步地,所述使用隐半马尔可夫模型建模高压开关柜状态转移过程及状态保持过程包括:对于时刻,设高压开关柜状态为,状态预期持续时间为,传感器的观测数据为,为高压开关柜状态集合,为正整数集合;
建模高压开关柜状态转移过程表示为:
式中,为指示函数,;表示当时,所述缺陷预测模型在时刻转移至状态的概率分布,由一个状态转移概率矩阵描述;
建模高压开关柜状态保持过程表示为:
式中,为指示函数,;表示所述缺陷预测模型在状态下的预期持续时间,服从泊松分布,的参数表示各个状态的预期持续时间;
观测数据由当前时刻的状态决定:,表示参数为的混合高斯模型;表示当前时刻的高压开关柜状态;表示前个时刻的观测数据;表示给定和条件下的当前时刻观测数据;为服从概率分布。
进一步地,所述开关柜缺陷预测模型的预训练过程包括:
获取高压开关柜上安装的各类传感器的观测数据,并基于所述观测数据构建数据集;
基于所述数据集,在线无监督学习所述缺陷预测模型的状态序列,并根据状态序列拟合效果优化所述缺陷预测模型的参数,得到训练好的开关柜缺陷预测模型。
进一步地,所述基于所述数据集,在线无监督学习所述缺陷预测模型的状态序列,并根据状态序列拟合效果优化所述缺陷预测模型的参数,得到训练好的开关柜缺陷预测模型,包括:
基于所述数据集,采用粒子滤波算法估计开关柜的状态序列及模型参数的概率;
基于模型参数的概率对模型参数进行重采样,得到模型新的参数;
使用基于Metropolis Hastings核的马尔可夫链蒙特卡洛方法调整模型的新参数,得到训练好的开关柜缺陷预测模型。
进一步地,所述基于所述数据集,采用粒子滤波算法估计开关柜的状态序列及模型参数的概率,包括:
1)随机初始化组所述缺陷预测模型的参数,,为初始状态分布,为混合高斯模型的参数,为泊松分布的参数,为状态转移概率矩阵;
2)以归一化粒子权重为概率重采样个粒子,对于每个重新采样的粒子,从提议分布中采样时刻的状态,得到新粒子的状态;
3)计算各新粒子的非归一化权重,并将各新粒子的非归一化权中进行权重归一化处理,得到每个粒子的归一化粒子权重;
4)基于模型参数的初始对数可能性,更新模型参数的对数可能性;
重复执行步骤2)~步骤4),直至重采样1个粒子时,将该粒子的状态作为高压开关柜的状态序列的估计结果,并根据此时模型参数的对数可能性计算模型参数的概率。
进一步地,所述基于模型参数的概率对模型参数进行重采样,得到模型的新参数,包括:
基于模型参数的概率,计算模型参数的归一化概率;
根据模型参数的归一化概率对模型的参数和状态序列进行重采样,得到模型新的参数。
进一步地,所述使用基于Metropolis Hastings核的马尔可夫链蒙特卡洛方法调整模型的新参数,得到训练好的开关柜缺陷预测模型,包括:
对于所述缺陷预测模型的马尔可夫链的每次状态转移,Metropolis Hastings核根据提议分布从模型的新参数中随机采样候选参数;
循环遍历所述数据集,采用粒子滤波算法估计高压开关柜的状态序列及模型的新参数的概率;
以模型的新参数的概率中的最小概率接收所述候选参数,并采样得到每个所述候选参数的估计状态序列;
在遍历完所述数据集中每段观测数据时,计算此时模型参数的期望值作为训练好的开关柜缺陷预测模型的参数。
本发明的优点在于:
(1)本发明通过在绝缘罩盒内部增设屏蔽罩,并利用屏蔽罩固定主母排和分支母排,实现将主母排、分支母排以及绝缘罩盒紧固连接,解决了现有绝缘罩盒易松脱的难题,同时通过设置与母排等电位的屏蔽罩,使得绝缘罩盒内腔与母排等电位分布,有效解决了母排紧固螺栓与绝缘罩盒之间的气隙局部放电问题,实现了高压开关柜绝缘性能及机械性能的提升;另外通过隐半马尔可夫模型建模开关柜缺陷预测模型,使用期望持续时间随机变量模拟状态保持过程,并使用状态随机变量模拟状态转移过程,将状态预期持续时间引入状态变量中,相比传统的隐马尔可夫模型,对持续时间较长的状态更加健壮,因而可以高效学习高压开关柜状态转移过程;而且开关柜缺陷预测模型可在线无监督学习,无需对传感器数据事先标注,节省成本。
(2)触头盒的高压屏蔽网采用半导电材料制备,使得高压屏蔽网与绝缘材料间的粘接性明显优于导体与绝缘材料间的粘接性,并且两者的热膨胀系数差异小,在长期运行条件下不易出现气隙、微裂等潜伏性缺陷,降低局放水平。
(3)在母排上涂覆绝缘粉末形成涂覆层,使得流化母排具有良好的阻燃性,并且流化母排表面可形成超疏水层,在潮湿污秽等特殊环境下仍具有良好的绝缘性能。
(4)合理布置温度传感器的安装位置和局放传感器的安装位置,能够提高局放传感器和温度传感器的灵敏度和检测有效性,从而有效提高高压开关柜状态感知水平,解决高压开关柜的智能化诊断薄弱的问题。
(5)根据局部放电源产生的空间电磁场,优化三合一局部放电传感器的布点位置,可以更加准确地检测和定位开关柜内的局部放电源,提高监测效果和精度,对于保障电力设备的安全运行和延长设备寿命具有重要意义。
(6)通过使用SMC2算法学习开关柜缺陷预测模型的状态序列,以在线方式精准拟合模型参数,保证模型参数准确性仅受蒙特卡洛误差影响,其中SMC2算法为二次序贯蒙特卡洛(Squared Sequential Monte Carlo),是基于序列蒙特卡罗(Sequential MonteCarlo,SMC)的改进。
(7)由于隐半马尔可夫模型将状态的期望持续时间引入状态变量,因此计算复杂度激增,通过在训练数据序列早期应用粒子滤波算法估计高压开关柜状态序列及模型参数概率,可以将时间复杂度降低,大幅提升隐半马尔可夫模型的推理效率。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
图1是本发明一实施例一种智能化空气绝缘开关柜中绝缘罩盒的结构示意图;
图2是本发明一实施例中绝缘罩盒与母排装配示意图;
图3是本发明一实施例中电偶极子的空间辐射方向图;
图4是本发明一实施例中三合一局放传感器时域波形测量配置结构图;
图5是本发明一实施例中尖端放电位置示意图,(a)为尖端放电位置1,(b)为尖端放电位置2,(c)为尖端放电位置3;
图6是本发明一实施例中尖端放电位置1处时域波形;
图7是本发明一实施例中尖端放电位置2处时域波形;
图8是本发明一实施例中尖端放电位置3处时域波形;
图9是本发明一实施例中使用隐半马尔可夫模型建模的缺陷预测模型的结构图;
图10是本发明一实施例中缺陷预测模型的训练原理框图。
图中:
1-绝缘罩盒,2-屏蔽罩,3-凹槽,4-螺栓孔径,5-主母排,6-分支母排。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例,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作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。
实施例1
如图1至图2所示,本发明一实施例公开了一种智能化空气绝缘开关柜,所述开关柜包括手车室、母线室、电缆室和断路器室,母线室内布置有各相主母排与分支母排,主母排与分支母排搭接处安装绝缘罩盒,所述绝缘罩盒内部开设有与母排等电位的屏蔽罩,主母排和分支母排固定于所述屏蔽罩;所述开关柜上安装传感器,所述传感器的输出连接智能诊断设备,所述智能诊断设备包括:
数据采集模块,用于实时采集高压开关柜上安装的各类所述传感器当前时刻的观测数据;
缺陷预测模块,用于基于所述观测数据,采用粒子滤波算法在线估计高压开关柜缺陷预测模型,计算粒子状态期望作为当前时刻的高压开关柜状态,其中,所述高压开关柜缺陷预测模型为使用隐半马尔可夫模型建模高压开关柜状态转移过程及状态保持过程所得到的缺陷预测模型。
本实施例不采用绝缘罩盒对母排搭接处进行包封这种方式,而是在绝缘罩盒内部增设屏蔽罩,并利用屏蔽罩固定主母排和分支母排,实现将主母排、分支母排以及绝缘罩盒紧固连接,避免了绝缘罩盒松脱,导致母排搭接处紧固螺栓端部电场畸变暴露,发生局部放电,最终引发柜内绝缘故障;同时通过设置与母排等电位的屏蔽罩,使得绝缘罩盒内腔与母排等电位分布,屏蔽母排紧固螺栓端部的电场畸变,使得高电位导体的端部,由原先存在较多尖角的母排紧固螺栓,变为圆形大弧度的屏蔽罩,起到均匀电场的作用,有效解决了母排紧固螺栓与绝缘罩盒之间的气隙局部放电问题,实现了高压开关柜绝缘性能及机械性能的提升。
此外,通过隐半马尔可夫模型建模高压开关柜缺陷预测模型,使用期望持续时间随机变量模拟状态保持过程,并使用状态随机变量模拟状态转移过程,将状态预期持续时间引入状态变量中,相比传统的隐马尔可夫模型,对持续时间较长的状态更加健壮,因而可以高效学习高压开关柜状态转移过程;模型可在线无监督学习,无需对传感器数据事先标注,节省成本。
在一实施例中,所述绝缘罩盒底部设置凹槽,所述凹槽的长度方向沿所述主母排方向布置,主母排与分支母排搭接处安装于所述凹槽内。
进一步地,所述绝缘罩盒为长方体结构,罩盒底部设置的凹槽为长方形,绝缘罩盒的凹槽设计与主母排、分支母排的尺寸吻合,凹槽的长度方向与沿主母排方向布置,才能使绝缘罩盒更好的贴合母排,便于安装。
进一步地,长方形凹槽的宽度为110mm,可适配不同尺寸母排。
在一实施例中,所述屏蔽罩采用铝制且形状为球形的一部分。
本实施例中屏蔽罩为铝制,形状为球形的一部分,可以使得曲率较小,曲率半径较大,能够起到均匀电场的作用。
在一实施例中,所述屏蔽罩底部布置有若干用于固定所述主母排和所述分支母的螺栓孔径。
具体地,所述绝缘罩盒采用环氧树脂复合材料制备,在屏蔽罩底部布置有4个呈矩形分布的螺栓孔径,安装时通过4个螺栓将主母排、分支母排以及绝缘罩盒紧固连接,避免绝缘罩盒破损,固定用扣钉脱落,缩短高压对地的空气距离和干闪距离,母排搭接处紧固螺栓端部电场畸变暴露,导致局部放电,最终引发柜内绝缘故障,且主母排与分支母排之间通过螺栓固定,在安装时,通过螺栓可紧固连接主母排、分支母排与屏蔽罩,主母排、分支母排与屏蔽罩之间可形成等电位。
进一步地,本实施例也可借用原母排紧固螺栓与屏蔽罩进行紧固,并且形成等电位屏蔽,无需增加额外零部件。
在一实施例中,所述断路器室内设置有触头盒,所述触头盒的高压屏蔽网采用半导电材料制备。
在一实施例中,所述半导电材料为在环氧树脂复合材料中混入炭黑填料,二次固化而成,炭黑占环氧树脂复合材料质量的10%-15%。
由于触头盒高压屏蔽网采用半导电材料,使得高压屏蔽网与绝缘材料间的粘接性明显优于导体与绝缘材料间的粘接性,并且两者的热膨胀系数差异小,在长期运行条件下不易出现气隙、微裂等潜伏性缺陷,降低局放水平。
本实施例通过对高压开关柜柜内结构进行优化,优化提升绝缘性能,以提高高压开关柜的运行可靠性。
实施例2
进一步地,开关柜上还需安装各路传感器,以从机械动作、测点温度、局部放电量等各个方面检测开关柜的工作和故障状态,各路传感器所采集的数据是对开关柜设备进行状态评估的宝库,通过对各路传感器所采集的数据可以度开关柜设备的状态进行智能化评估。
因此,本实施例在所述手车室内壁安装有第一温度传感器,所述开关柜内安装有若干局放传感器,所述断路器室内安装有机械特性传感器。
其中,温度传感器用于利用声表面波无线无源技术,对开关柜内断路器触头、母排搭接处的温度进行定量测温,有助于对可能发生的最高温度点进行监测。
局部放电传感器用于测量局部放电量,有助于监测局放量发展状况,尽早发现绝缘件缺陷。
机械特性传感器用于监测断路器分合时间、电流、速度、开距、超程等,有助于随时掌握断路器运行过程中的机械状态,并对异常或存在隐患进行预警,及时分析诊断和处理机械故障。
所述开光柜上还安装有视频监测器,所述视频监测器采用高清摄像头,用于监测断路器手车位置和接地刀分合位置。
进一步地,所述第一温度传感器的安装位置为温度变化率取值最大时的安装位置,所述第一温度传感器在不同安装位置时对应的温度变化率取值为利用所述第一温度传感器测量的温度值与触头发热缺陷模型两次通电电流值计算得到;
所述触头发热缺陷模型安装在开关柜上。
本实施例中温度传感器在开关柜内的安装位置是经过预先优化确定的,可提高高压开关柜布置的温度传感器的检测有效性,温度传感器的安装位置优化过程包括:
(1)在所述开关柜上安装触头发热缺陷模型,以及在所述开关柜的手车室内壁上安装第一温度传感器,所述触头发热缺陷模型的动触头和触臂分别安装有第二温度传感器和第三温度传感器;
需要说明的是,将第二温度传感器和第三温度传感器分别采用螺丝固定在动触头上和直接绑在触臂上,用于在触头发热缺陷模型通电时,采集触头的温度变化和触臂的温度变化,第一温度传感器用于测量开关柜壁面温度变化。第二温度传感器和第三温度传感器能够更准确的反映触头温度,但维护难度较大;第一温度传感器安装更加方便,但是在触头温度发生快速变化时的感知能力较为有限,本实施例通过多温度传感器布置用于提高温度测量可靠性。
由于第二温度传感器和第三温度传感器与触头距离非常接近,而第一温度传感器距离触头较远。当触头温度发生变化时,第二温度传感器的变化量≥第三温度传感器的变化量>第一温度传感器的变化量。因此第一温度传感器的精度需要比第二和第三传感器更高才能可靠的测量到温度变化。将第二温度传感器和第三温度传感器分别用螺丝固定在动触头上和直接绑在触臂上,所述第一温度传感器为高精度温度传感器,第二温度传感器和第三温度传感器均为普通温度传感器。
(2)采用大电流发生器产生两种不同通电电流值对所述触头发热缺陷模型通电,并利用所述第一温度传感器测量两次通电电流值对应的温度值;
(3)调整所述第一温度传感器的安装位置,并基于不同安装位置时所测量的温度值与两次通电电流值计算不同安装位置对应的温度变化率;
(4)在所述温度变化率取值最大时对应的所述第一温度传感器的安装位置作为最佳安装位置。
需要说明的是,高压开关柜在长期运行过程中,其内部接点、触点会发生老化、污垢,梅花触头可能发生磨损、软化,严重时还可能发生熔焊等,因此需要采用适当方法模拟触头发热缺陷。触头发热缺陷模型的制作方法较多,本实施例中的采用电烙铁熔焊和调整梅花触头松紧度等方法制作所述触头发热缺陷模型,用于模拟触头发热缺陷。
在一实施例中,所述温度变化率的计算公式为:
式中:T 1、T 2分别为两种不同通电电流值对应的温度测量值,I 1和I 2分别为两种不同通电电流值,T R为温度变化率。
具体地,本实施例采用大电流发生器向装有发热缺陷模型触头的高压开关柜通电,通电电流分别为0.5I N和I N(其中I N=1250A)。待温升稳定后,计算温度变化率T R,其中T 1、T 2分别为第一次和第二次的温度测量值,即电流分别为0.5I N和I N时的温度;I 1和I 2分别为第一次和第二次电流采集值,即0.5I N和I N,计算温度变化率T R;然后调整第一温度传感器在手车室内壁位置,重新向开关柜通电并测量温度值,当温度变化率T R最大时,第一温度传感器所安装位置即为高精度温度传感器最优位置。
进一步地,若干所述局放传感器的安装位置为开关柜内局部放电信号总量最大时各局放传感器对应的安装位置,所述局部放电信号总量为对开关柜内的绝缘缺陷模型施加电压以使所述绝缘缺陷模型进行局部放电,并利用各所述局放传感器采集局部放电信号计算得到;
所述绝缘缺陷模型分别放置于所述手车室、所述母线室和所述电缆室。
本实施例中局放传感器在开关柜内的安装位置是经过预先优化确定的,可提高高压开关柜布置的局放传感器的检测有效性,局放传感器的安装位置优化过程包括:
(1)在开关柜内放置绝缘缺陷模型和局放传感器;
具体为在所述手车室、所述母线室和所述电缆室中分别放置所述绝缘缺陷模型;在所述开关柜的不同位置分别放置所述局放传感器,局部放电传感器具体指特高频传感器、地电波传感器或超声传感器等。
(2)对所述绝缘缺陷模型施加电压以使所述绝缘缺陷模型进行局部放电,并利用所述局放传感器采集所述开关柜内的局部放电信号;
(3)调整所述局放传感器的安装位置,并在所述开关柜内局部放电信号总量最大时,所述开关柜内局放传感器的安装位置作为局部放电传感器的最佳布置位置。
具体地,通过向安装在手车室中的绝缘缺陷模型施加电压,记录安装在高压开关柜顶部、侧壁和正面的局部放电传感器采集的局部放电量pc1、pc2和pc3,则安装在当前位置的局放传感器所采集的手车室中发生的局部放电的总传感量p1=pc1+pc2+pc3。
采用相同方法分别向安装在母线室和电缆室的绝缘缺陷模型施加电压,计算安装在当前位置的局部放电传感器对母线室和电缆室中发生的局部放电的总传感量p2和p3。则安装在当前位置的局部放电传感器对该开关柜不同位置发生的局部放电的总传感量p=p1+p2+p3。
调整局部放电传感器在高压开关柜顶部、侧壁和正面的安装位置,记录局部放电传感器对该开关柜不同位置发生的局部放电的总传感量p,当总传感量p最大时,选择此时的安装位置作为局部放电传感器的最佳布置位置。
本实施例通过制作绝缘缺陷模型并放置在开光柜内,对绝缘缺陷模型施加电压使其放电,利用开关柜内布置的局放传感器采集开关柜内的局部放电信号,并调整局放传感器在开关柜内的安装位置,在开关柜内局部放电信号总量最大时,将局放传感器在开关柜内的安装位置作为局部放电传感器的最佳布置位置,从而能够提高传感器灵敏度和检测有效性,从而有效提高高压开关柜状态感知水平,本方案通过枚举尝试的思路避免了复杂的公式计算,传感器最佳布置方案易于推广,对于同型号高压开关柜的传感器布置有较高的参考价值,有望在实际工程现场得到更为广泛的应用。
在一实施例中,考虑开关柜实际工况中发生局部放电的主要原因是开关柜内存在的各种不均匀电场如毛刺、尖锐金属,以及柜内绝缘设备在制造运输过程中不可避免出现的介质内部气泡或杂质等,本实施例制备的绝缘缺陷模型包括但不限于尖端金属放电模型、金属微粒放电模型、悬浮放电模型及气隙放电模型等。
具体地,在手车室、母线室和电缆室中分别设置尖端放电、金属微粒放电和悬浮放电等典型的高压开关柜内部绝缘缺陷模型;在开关柜外壳的内壁的不同位置如顶部、侧部和正面等安装局放传感器。
具体地,通过实验设备输出电压施加在所述绝缘缺陷模型上以使所述绝缘缺陷模型进行局部放电,实验设备包括调压器、工频实验变压器和保护电阻;所述调压器与所述工频实验变压器连接,所述工频实验变压器的输出电压经所述保护电阻施加到所述绝缘缺陷模型。
所述局放类缺陷检测实验设备还包括电容分压器、脉冲电流检测线圈和示波器;所述电容分压器的一端经所述保护电阻接入所述工频实验变压器输出线圈的一端,所述电容分压器的另一端接入所述工频实验变压器输出线圈的另一端;所述电容分压器的电压输出点接入所述示波器,所述开关柜外壳接地线接入所述脉冲电流检测线圈,所述脉冲电流检测线圈的电流输出点接入所述示波器。
需要说明的是,工频试验变压器的输出电压经保护电阻加到绝缘缺陷模型上,使其出现局部放电,为验证局部放电的产生,将开关柜外壳接地线经过脉冲电流检测线圈,线圈产生的信号传输到示波器中,通过观察电流脉冲信号确认局部放电的出现。实验过程中,手动使用调压器可以控制工频试验变压器的输出电压,利用电容分压器进行变压器输出电压的测量并进行记录。
在一实施例中,所述局放传感器还可以采用三合一局部放电传感器,三合一局部放电传感器包括UHF天线、超声波传感器和TEV天线;其中,UHF天线和超声波传感器面向柜内空间布置,TEV天线紧贴柜体布置。
所述三合一局部放电传感器的安装位置为根据局部放电源产生的空间电磁场,优化三合一局部放电传感器的布点位置确定,可提高三合一局部放电传感器的检测有效性,三合一局部放电传感器的布点位置优化过程为:
(1)针对每一局部放电源,确定局部放电传感器在开关柜上的待安装位置;
(2)将所述局部放电源作为偶极子,根据所述局部放电源产生的空间电磁场,评估各待安装位置处的空间辐射幅值;
需要说明的是,本实施例将局部放电源产生的局放信号视为瞬态电磁过程来建立脉冲放电模型,基于电磁场理论和传播特性建立空间中的电磁辐射场,评估各传感器待安装位置处的测量信号,通过设置不同的激励源位置,仿真分析传感器的灵敏度和覆盖范围。
(3)选取空间辐射幅值较大的若干待安装位置作为待优化位置并布置局部放电传感器,并对局部放电传感器的各通道信号幅值进行归一化处理,得到每一局部放电传感器各通道的归一化测量值;
需要说明的是,可以将各待安装位置处的空间辐射幅值从大到小进行排序,根据排序结果选取前若干个空间辐射幅值对应的待安装位置作为待优化位置,并在待优化位置处布置局部放电传感器。
具体地,本实施例选取前7个空间辐射幅值对应的待安装位置,本领域技术人员可根据实际情况选取具体数量的待安装位置,本实施例不作具体限定。
需要说明的是,由于局部放电传感器各通道信号具有不同的量纲,因此需要采用归一化方法对信号进行处理,使物理系统数值的绝对值变成某种相对值关系,消除指标之间的量纲影响以实现数据标准化处理,从而解决数据指标之间的可比性问题。
(4)基于各局部放电传感器不同通道的归一化测量值,计算每一局部放电传感器的平均归一化测量值,选取平均归一化测量值较大的若干位置作为优化后的布点位置,其中各所述局部放电传感器布置于各个所述局部放电源对应的各待优化位置处。
需要说明的是,本实施例将局部放电源视作偶极子,根据局部放电源产生的空间电磁场,优化局部放电传感器的布点位置,可以更加准确地检测和定位开关柜内的局部放电源,提高监测效果和精度,对于保障电力设备的安全运行和延长设备寿命具有重要意义。
在一实施例中,所述局部放电源产生的空间电磁场的公式表示为:
式中:为所述局部放电电源产生的空间电场;为所述局部放电电源产生的空间磁场;为辐射角;为待安装位置与局部放电源的距离;为虚数单位;为角频率;为电流;为偶极子间距;为相位因子。
具体地,通过将局部放电源视作偶极子,基于偶极子的辐射场公式推导局部放电点源产生的空间电磁场,球坐标系下的电流元的电磁场远场计算公式为:
式中:为空间波阻抗;为观测点与电流源的距离;为电流元长度;为所述局部放电电源产生的空间磁场。
角和距离都是随着位置变化而变化,在远场区可以做近似处理,即:
式中,、为参考距离和参考角度
取消相位因子,于是有:
式中,为电流。
在球坐标系中,用分量形式表示为:
在远场区,涉及和的高次项可以忽略,故上式可以简化为局部放电空间电磁辐射,如下所示:
。
在一实施例中,所述局部放电源包括尖端放电源、金属放电源和悬浮放电源;
所述局部放电源的布置位置包括母线室、电缆室和手车室。
本实施例通过在实验室开关柜母线室、电缆室、手车室中模拟尖端放电、金属放电和悬浮放电,记录各传感器信号幅值;本领域技术人员也可根据实际情况在开关柜的其他位置安装不同类型的局部放电源,本实施例不作具体限定。
具体地,本实施例利用局部放电空间电磁辐射公式,计算局部放电源产生的电磁场在空间中的分布如图3所示,根据仿真结果,在开关柜中空间辐射幅值最大的七个位置布置UHF、TEV和超声波监测三合一传感器,其中三合一传感器的连接方式如图4所示。
在实验室开关柜母线室、电缆室、手车室中模拟尖端放电,记录各传感器信号幅值,比较各通道信号强度,处理测试数据。尖端放电布置位置如图5所示,当尖端放电分别发生在位置1、位置2和位置3时,信号时域波形如图6、图7和图8所示,其中A通道测量TEV信号,B通道测量特高频信号,C通道测量超声波信号,D通道测量脉冲电流信号。由于三合一传感器采集数据包括UHF、TEV和超声波监测三个通道,同时各通道信号具有不同的量纲,需要采用归一化方法对信号进行处理,归一化结果如表1所示。
表1
计算不同放电位置同一传感器不同通道归一化值的的平均值,找到2~3个平均归一化值较大的位置,具体为找到3个位置的最大归一化平均值,分别为位置2:0.6536、位置6:0.6633、位置7:0.5805,从而筛选出传感器放置的最佳位置为位置2、位置6和位置7。
实施例3
本实施例在上述实施例1公开的内容的基础上,对主母排和分支母排涂覆绝缘粉末形成涂覆层,所述涂覆层的厚度为3mm~4mm。
进一步地,所述绝缘粉末组成及重量份数为环氧树脂30~50份,固化剂2~6份,氢氧化铝粉末2~3份,所述氢氧化铝粉末的直径在0.5μm至0.8μm之间。
本实施例中流化母排的流化涂覆绝缘粉末主要由环氧树脂、固化剂、氢氧化铝等组成,氢氧化铝粉末的直径在0.5μm至0.8μm之间,氢氧化铝粉末与环氧树脂复合材料的质量比在2.5%至5%之间。此时,流化母排具有良好的阻燃性,并且流化母排表面可形成超疏水层,在潮湿污秽等特殊环境下仍具有良好的绝缘性能。
实施例4
本实施例在上述实施例1公开的内容的基础上,所述智能诊断设备设置在高压开关柜内部或外部,用于通过采集高压开关柜上安装的各类传感器当前时刻的观测数据,应用粒子滤波算法,根据实时采集的传感器数据可实现高效精准的在线缺陷状态预测,通过使用粒子滤波算法估计隐半马尔可夫模型状态,大幅降低隐半马尔可夫模型的推理时延,提高了系统实时性。
在一实施例中,定义如图9所示的隐半马尔可夫模型建模,包括定义高压开关柜状态的类别数量及状态转移矩阵,定义各状态持续时间的概率质量函数,并以当前时刻高压开关柜状态以及以往时刻传感器数据为输入,定义传感器数据观测概率分布,其中所定义的高压开关柜状态包括正常状态和各种缺陷状态。即使用隐半马尔可夫模型建模高压开关柜状态转移过程及状态保持过程包括:
对于时刻,设高压开关柜状态为,状态预期持续时间为,传感器的观测数据为,为高压开关柜状态集合,为正整数集合;
定义指示函数如下:
建模高压开关柜状态转移过程表示为:
式中,为指示函数,;表示当时,所述缺陷预测模型在时刻转移至状态的概率分布,由一个状态转移概率矩阵描述,表示实数集合;
建模高压开关柜状态保持过程表示为:
式中,为指示函数,;表示所述缺陷预测模型在状态下的预期持续时间,服从泊松分布,的参数表示各个状态的预期持续时间;
观测数据由当前时刻的状态决定:,表示参数为的混合高斯模型;表示当前时刻的高压开关柜状态;表示前个时刻的观测数据;表示给定和条件下的当前时刻观测数据;为服从概率分布。
那么所构建的缺陷预测模型的初始状态分布记为,全部参数记为,为初始状态分布。
而后随机初始化个隐半马尔可夫模型,具体过程如下:
(1)随机初始化组参数构建隐半马尔可夫模型:对于每个隐半马尔可夫模型随机初始化个粒子,初始状态分布记为,初始持续时间记为。
(2)选择适当的提议分布,计算各粒子的非归一化权重:
将粒子权重归一化:
式中,为初始时刻第个粒子的非归一化权重;为给定条件下,初始时刻观测数据为的概率;为初始时刻状态为的概率;为提议分布概率;为初始时刻第个粒子的归一化权重;为初始时刻第个粒子的非归一化权重;为时刻状态;为时刻状态;为时刻观测数据;
(3)计算参数的初始对数可能性:
式中,为模型参数的初始对数可能性,为对数函数。
在一实施例中,所述高压开关柜缺陷预测模型的预训练过程包括:
获取高压开关柜上安装的各类传感器的观测数据,并基于所述观测数据构建数据集;
基于所述数据集,在线无监督学习所述缺陷预测模型的状态序列,并根据状态序列拟合效果优化所述缺陷预测模型的参数,得到训练好的开关柜缺陷预测模型。
本实施例使用隐半马尔可夫模型建模状态预期持续时间,相比传统的隐马尔可夫模型,对持续时间较长的状态更加健壮,因而可以高效学习高压开关柜状态转移过程;使用期望持续时间随机变量模拟状态保持过程,并使用状态随机变量模拟状态转移过程,将状态期望持续时间和状态随机变量分离,以提高模型灵活性;且模型可在线无监督学习,无需对传感器数据事先标注,无需依赖密集的有标签数据,极大的降低了训练成本,便于实际应用。
具体地,开关柜上安装的各类传感器包括温度传感器、局放传感器、机械特性传感器、气体传感器以及分合闸线圈电流监测装置;
所述传感器的缺陷类型包括绝缘类缺陷、机构缺陷、异常发热缺陷、二次设备异常缺陷和包含至少两种缺陷类别的复合缺陷。
具体地,本实施例预先构建包括多个子数据库的传感器数据库,然后采集传感器的观测数据,并对采集的数据进行校准测试,将传感器返回的观测数据根据传感器类型不同存入多个子数据库。通过根据传感器类型的不同,对数据进行分析,解决数据缺失和数据样本采集不准确等问题,且方便更新各个子数据库中的数据。
进一步地,所述传感器的缺陷类型具体为:
(1)绝缘类缺陷:柜内空气净距离不满足要求,柜内受潮、凝露,穿墙套管、触头盒未装设屏蔽线,导体尖端导致局部电场过大,电缆终端接头制作不良等。
(2)机构缺陷:机构卡涩,零部件松动、变形,分合闸线圈烧毁等。
(3)异常发热缺陷:隔离开关刀口接触不良,断路器触头接触不良,手车推入深度不足,导流部位螺栓未紧固等。
(4)二次设备异常缺陷:辅助开关接触不良,微动开关松动未正常切换,分合闸线圈动作电压不满足要求,整流模块击穿等。
应当理解的是,复合缺陷为包含至少两种不同类型的缺陷的复合缺陷,该不同类型的缺陷但不限于绝缘类缺陷、机构缺陷、异常发热缺陷、二次设备异常缺陷等。
在一实施例中,所述温度传感器布置于手车室内壁、动触头及触臂;
所述局放传感器包括超声波局放传感器、TEV暂态地电波局放传感器以及UHF特高频局放传感器;
所述分合闸线圈电流监测装置和所述机械特性传感器分别安装在仪表室二次线路和断路器操作轴上。
具体地,传感器缺陷通常是一个过程,因此本实施例设计传感器数据表征时通过采集近十次的传感器数据作为特征向量来考虑数据变化过程。各时刻的传感器结构数据表征如下:
(1)温度传感器:将高灵敏度温度传感器固定在手车室内壁的三个布点()上,此外还由螺丝固定在动触头()与触臂()上用以间接测量触头温升情况。
(2)局放传感器:采用超声波局放传感器()、TEV暂态地电波局放传感器()以及UHF特高频局放传感器()测量开关柜内的局部放电信号。
(3)机械特性传感器:分合闸线圈电流监测装置和开关机械特性传感器安装在仪表室二次线路和断路器操作轴上,从分合闸线圈电流监测装置采集分合闸线圈电流(),从开关机械特性传感器采集分合闸速度()、分合闸行程()。
(4)气体传感器:高压开关柜内绝缘件因局部放电和异常发热引发绝缘损伤的同时绝缘材料会因高温而发生劣化分解,采用气体传感器单元对气体含量()进行实时检测。
利用上述传感器所采集的观测数据包括:机械特性传感器实时监测智能高压开关柜中的开关器件状态,从分合闸电流检测装置,抓取分合闸有效波形,计算分合闸时间,从开关机械特性传感器采集分合闸速度与行程。最终记录传感器数据状态存入相应的机械特性传感器数据库中,包括测量开关特性时间、测算分合闸速度、测量分/合闸行程、刚分/刚合速度等字段。
在一实施例中,如图10所示,所述基于所述数据集,在线无监督学习所述缺陷预测模型的状态序列,并根据状态序列拟合效果优化所述缺陷预测模型的参数,得到训练好的开关柜缺陷预测模型,包括:
基于所述数据集,采用粒子滤波算法估计高压开关柜的状态序列及模型参数的概率;
基于模型参数的概率对模型参数进行重采样,得到模型新的参数;
使用基于Metropolis Hastings核的马尔可夫链蒙特卡洛方法调整模型的新参数,得到训练好的开关柜缺陷预测模型。
需要说明的是,本实施例通过使用SMC2算法学习隐半马尔可夫模型状态序列,无需依赖密集的有标签数据,以在线方式精准拟合模型参数,保证模型参数准确性仅受蒙特卡洛误差影响。
由于隐半马尔可夫模型将状态的期望持续时间引入状态变量,因此计算复杂度激增,通过在训练数据序列早期应用粒子滤波算法估计高压开关柜状态序列及模型参数概率,可以将时间复杂度降低,大幅提升隐半马尔可夫模型的推理效率。比如传统马尔可夫模型的计算复杂度为,其中表示状态数量,表示传感器数据序列长度。但由于隐半马尔可夫模型将状态的期望持续时间引入状态变量,因此计算复杂度激增至,其中表示状态最长持续时间。实际应用中,远大于,甚至可能为正无穷。而使用粒子滤波算法可以将时间复杂度降低至,其中表示粒子数量,一般取即可。
在一实施例中,所述步骤S31:基于所述数据集,采用粒子滤波算法估计高压开关柜的状态序列及模型参数的概率,具体包括以下细分步骤:
1)随机初始化组所述缺陷预测模型的参数,,为初始状态分布,为混合高斯模型的参数,为泊松分布的参数,为状态转移概率矩阵;
2)以归一化粒子权重为概率重采样个粒子,对于每个重新采样的粒子,从提议分布中采样时刻的状态,得到新粒子的状态;
需要说明的是,为第个粒子的归一化权重,为所有粒子的权重,是一个数组。
具体地,以归一化粒子权重为概率重采样个粒子,将其状态记为:
对于每个重新采样得到的粒子,从提议分布中采样时刻的状态:
则新粒子状态表示为:
式中,为前时刻第个粒子的状态序列;为前时刻第个粒子的状态序列;为第时刻第个粒子的状态;为前时刻的观测数据序列。
3)计算各新粒子的非归一化权重,并将各新粒子的非归一化权中进行权重归一化处理,得到每个粒子的归一化粒子权重;
具体地,计算各新粒子的非归一化权重为:
将各粒子的非归一化权重进行归一化处理:
式中,为第时刻第个粒子的非归一化权重;为给定条件下,第时刻观测数据为的概率;为到的状态转移概率;为提议分布概率。
4)基于模型参数的初始对数可能性,更新模型参数的对数可能性;
具体地,更新后的模型参数的对数可能性为:
式中,为更新后的模型参数的对数可能性;为参数的初始对数可能性;为第时刻第个粒子的非归一化权重。
5)重复执行步骤2)~步骤4),直至重采样1个粒子时,将该粒子的状态作为高压开关柜的状态序列的估计结果,并根据此时模型参数的对数可能性计算模型参数的概率。
本实施例在重复执行次时,以归一化粒子权重为概率采样1个粒子,将该粒子的状态作为粒子滤波算法对缺陷预测模型预测状态的估计结果。同时,根据参数的对数可能性计算参数概率,以用于后续步骤评价参数质量,参数概率公式表示为:
式中,表示参数概率;表示参数的对数可能性;表示以为底的指数函数。
需要说明的是,本实施例通过粒子滤波算法重采样粒子状态并估计新粒子权重,从而使粒子状态分布收敛于真实分布,实现基于观测数据的隐半马尔可夫模型状态估计。此外,本步骤更新参数对数可能性,为隐半马尔可夫模型的训练调优提供便利。
在一实施例中,所述基于模型参数的概率对模型参数进行重采样,得到模型的新参数,包括以下步骤:
S321、基于模型参数的概率,计算模型参数的归一化概率;
S322、根据模型参数的归一化概率对模型的参数和状态序列进行重采样,得到模型新的参数。
具体地,本实施例计算参数的归一化概率:
以归一化参数概率为概率重采样组参数,记为:
式中,为第时刻第个粒子的归一化权重;为的参数概率;为的参数概率。
本实施例根据参数的归一化概率对参数和状态序列进行重采样,而后使用Metropolis Hastings采样得到新参数,循环遍历训练数据集,具体地所述步骤S33:使用基于Metropolis Hastings核的马尔可夫链蒙特卡洛方法调整模型的新参数,得到训练好的开关柜缺陷预测模型,包括以下步骤:
S331、对于所述缺陷预测模型的马尔可夫链的每次状态转移,MetropolisHastings核根据提议分布从模型的新参数中随机采样候选参数;
具体地,使用基于Metropolis Hastings核的马尔可夫链蒙特卡洛方法采样新参数。对于马尔可夫链的每次状态转移,Metropolis Hastings核首先根据提议分布随机采样候选参数。
S332、循环遍历所述数据集,采用粒子滤波算法估计高压开关柜的状态序列及模型的新参数的概率;
S333、以模型的新参数的概率中的最小概率接收所述候选参数,并采样得到每个所述候选参数的估计状态序列;
具体地,以上述粒子滤波算法估计,以概率接受,否则保持原参数不变,其中:
式中,为的参数概率;为的参数概率;为提议分布。
S334、在遍历完所述数据集中每段观测数据时,计算此时模型参数的期望值作为训练好的开关柜缺陷预测模型的参数。
具体地,采用上述粒子滤波算法,为马尔可夫链蒙特卡洛采样得到的每个新参数估计状态序列:
式中,为前时刻第个粒子的状态序列。
重复上述步骤S332~步骤S334,直至观测序列被完整遍历,计算此时模型参数的期望值作为训练好的开关柜缺陷预测模型的参数。
进一步地,将构建的数据集按照比例划分为训练数据集和测试数据集,对于训练数据集中的每段观测序列使用S332~步骤S334所述方法,得到若干组参数,将所有参数记为:
将其对应的概率记为:
计算参数的归一化概率:
根据归一化概率计算参数期望:
。
在一实施例中,在得到训练好的开关柜缺陷预测模型之后,所述方法还包括以下步骤:
使用模型参数的期望值初始化所述缺陷预测模型;
基于测试数据集,采用粒子滤波算法在线估计所述缺陷预测模型,并将粒子状态期望作为估计状态。
需要说明的是,在训练模型之后还需对模型进行测试,使用参数期望作为参数初始化隐半马尔可夫模型,使用粒子滤波算法在线估计隐半马尔可夫模型状态,将粒子状态期望作为估计状态:
式中,为第个粒子的归一化概率;为第个粒子的状态分布。
本实施例使用隐半马尔可夫模型对高压开关柜的状态保持和转移过程进行建模,可在无需专家标注的情况下实现高效精准的模型参数学习。同时,模型预测过程中使用的粒子滤波算法保证了预测结果的实时性和准确性。相比传统的高压开关柜缺陷预测方法,准确率提升5.3%。
本实施例基于训练后的缺陷预测模型,应用粒子滤波算法,根据实时采集的传感器数据可实现高效精准的在线缺陷状态预测,通过使用粒子滤波算法估计隐半马尔可夫模型状态,大幅降低隐半马尔可夫模型的推理时延,提高了系统实时性。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (20)
1.一种智能化空气绝缘开关柜,所述开关柜包括手车室、母线室、电缆室和断路器室,母线室内布置有各相主母排与分支母排,其特征在于,主母排与分支母排搭接处安装绝缘罩盒,所述绝缘罩盒内部开设有与母排等电位的屏蔽罩,主母排和分支母排固定于所述屏蔽罩;所述开关柜上安装传感器,所述传感器的输出连接智能诊断设备,所述智能诊断设备包括:
数据采集模块,用于实时采集开关柜上安装的各类所述传感器当前时刻的观测数据;
缺陷预测模块,用于基于所述观测数据,采用粒子滤波算法在线估计开关柜缺陷预测模型,计算粒子状态期望作为当前时刻的开关柜状态,其中,所述开关柜缺陷预测模型为使用隐半马尔可夫模型建模高压开关柜状态转移过程及状态保持过程所得到的缺陷预测模型,建模高压开关柜状态转移过程表示为:
式中,高压开关柜状态为,状态预期持续时间为,为高压开关柜状态集合,为正整数集合;为指示函数,;表示当时,所述缺陷预测模型在时刻转移至状态的概率分布,由一个状态转移概率矩阵描述,为服从概率分布;
建模高压开关柜状态保持过程表示为:
式中,;表示所述缺陷预测模型在状态下的预期持续时间,服从泊松分布,的参数表示各个状态的预期持续时间。
2.如权利要求1所述的智能化空气绝缘开关柜,其特征在于,所述绝缘罩盒底部设置凹槽,所述凹槽的长度方向沿所述主母排方向布置,主母排与分支母排搭接处安装于所述凹槽内。
3.如权利要求1所述的智能化空气绝缘开关柜,其特征在于,所述屏蔽罩采用铝制且形状为球形的一部分。
4.如权利要求1所述的智能化空气绝缘开关柜,其特征在于,所述屏蔽罩底部布置有若干用于固定所述主母排和所述分支母的螺栓孔径。
5.如权利要求1所述的智能化空气绝缘开关柜,其特征在于,所述断路器室内设置有触头盒,所述触头盒的高压屏蔽网采用半导电材料制备。
6.如权利要求5所述的智能化空气绝缘开关柜,其特征在于,所述半导电材料为在环氧树脂复合材料中混入炭黑填料,二次固化而成,炭黑占环氧树脂复合材料质量的10%-15%。
7.如权利要求1所述的智能化空气绝缘开关柜,其特征在于,所述手车室内壁安装有第一温度传感器,所述开关柜内安装有若干局放传感器,所述断路器室内安装有机械特性传感器;
所述第一温度传感器的安装位置为温度变化率取值最大时的安装位置,所述第一温度传感器在不同安装位置时对应的温度变化率取值为利用所述第一温度传感器测量的温度值与触头发热缺陷模型两次通电电流值计算得到;
所述触头发热缺陷模型安装在开关柜上。
8.如权利要求7所述的智能化空气绝缘开关柜,其特征在于,所述温度变化率的计算公式为:
式中:T 1、T 2分别为两种不同通电电流值对应的温度测量值,I 1和I 2分别为两种不同通电电流值,T R为温度变化率。
9.如权利要求7所述的智能化空气绝缘开关柜,其特征在于,若干所述局放传感器的安装位置为开关柜内局部放电信号总量最大时各局放传感器对应的安装位置,所述局部放电信号总量为对开关柜内的绝缘缺陷模型施加电压以使所述绝缘缺陷模型进行局部放电,并利用各所述局放传感器采集局部放电信号计算得到;
所述绝缘缺陷模型分别放置于所述手车室、所述母线室和所述电缆室。
10.如权利要求9所述的智能化空气绝缘开关柜,其特征在于,在所述局放传感器为三合一局部放电传感器时,所述三合一局部放电传感器的安装位置为根据局部放电源产生的空间电磁场,优化三合一局部放电传感器的布点位置确定。
11.如权利要求10所述的智能化空气绝缘开关柜,其特征在于,所述三合一局部放电传感器的布点位置优化过程为:
将局部放电源作为偶极子,根据所述局部放电源产生的空间电磁场,评估各待安装位置处的空间辐射幅值;
选取空间辐射幅值较大的若干待安装位置作为待优化位置用于布置所述三合一局部放电传感器,并对所述三合一局部放电传感器的各通道信号幅值进行归一化处理,得到每一个所述三合一局部放电传感器各通道的归一化测量值;
基于各所述三合一局部放电传感器不同通道的归一化测量值,计算每一所述三合一局部放电传感器的平均归一化测量值,选取平均归一化测量值较大的若干位置作为优化后的布点位置。
12.如权利要求11所述的智能化空气绝缘开关柜,其特征在于,所述局部放电源产生的空间电磁场的公示表示为:
式中:为所述局部放电电源产生的空间电场;为所述局部放电电源产生的空间磁场;为辐射角;为待安装位置与局部放电源的距离;为虚数单位;为角频率;为电流;为偶极子间距;为相位因子。
13.如权利要求1所述的智能化空气绝缘开关柜,其特征在于,所述主母排和所述分支母排上均有涂覆绝缘粉末形成的涂覆层,所述涂覆层的厚度为3mm~4mm。
14.如权利要求13所述的智能化空气绝缘开关柜,其特征在于,所述绝缘粉末组成及重量份数为环氧树脂30~50份,固化剂2~6份,氢氧化铝粉末2~3份,所述氢氧化铝粉末的直径在0.5μm至0.8μm之间。
15.如权利要求1所述的智能化空气绝缘开关柜,其特征在于,所述传感器的观测数据为,观测数据由当前时刻的状态决定:,表示参数为的混合高斯模型;表示当前时刻的高压开关柜状态;表示前个时刻的观测数据;表示给定和条件下的当前时刻观测数据。
16.如权利要求1所述的智能化空气绝缘开关柜,其特征在于,所述开关柜缺陷预测模型的预训练过程包括:
获取高压开关柜上安装的各类传感器的观测数据,并基于所述观测数据构建数据集;
基于所述数据集,在线无监督学习所述缺陷预测模型的状态序列,并根据状态序列拟合效果优化所述缺陷预测模型的参数,得到训练好的开关柜缺陷预测模型。
17.如权利要求16所述的智能化空气绝缘开关柜,其特征在于,所述基于所述数据集,在线无监督学习所述缺陷预测模型的状态序列,并根据状态序列拟合效果优化所述缺陷预测模型的参数,得到训练好的开关柜缺陷预测模型,包括:
基于所述数据集,采用粒子滤波算法估计开关柜的状态序列及模型参数的概率;
基于模型参数的概率对模型参数进行重采样,得到模型新的参数;
使用基于Metropolis Hastings核的马尔可夫链蒙特卡洛方法调整模型的新参数,得到训练好的开关柜缺陷预测模型。
18.如权利要求17所述的智能化空气绝缘开关柜,其特征在于,所述基于所述数据集,采用粒子滤波算法估计开关柜的状态序列及模型参数的概率,包括:
1)随机初始化组所述缺陷预测模型的参数,,为初始状态分布,为混合高斯模型的参数,为泊松分布的参数,为状态转移概率矩阵;
2)以归一化粒子权重为概率重采样个粒子,对于每个重新采样的粒子,从提议分布中采样时刻的状态,得到新粒子的状态;
3)计算各新粒子的非归一化权重,并将各新粒子的非归一化权中进行权重归一化处理,得到每个粒子的归一化粒子权重;
4)基于模型参数的初始对数可能性,更新模型参数的对数可能性;
重复执行步骤2)~步骤4),直至重采样1个粒子时,将该粒子的状态作为高压开关柜的状态序列的估计结果,并根据此时模型参数的对数可能性计算模型参数的概率。
19.如权利要求18所述的智能化空气绝缘开关柜,其特征在于,所述基于模型参数的概率对模型参数进行重采样,得到模型的新参数,包括:
基于模型参数的概率,计算模型参数的归一化概率;
根据模型参数的归一化概率对模型的参数和状态序列进行重采样,得到模型新的参数。
20.如权利要求17所述的智能化空气绝缘开关柜,其特征在于,所述使用基于Metropolis Hastings核的马尔可夫链蒙特卡洛方法调整模型的新参数,得到训练好的开关柜缺陷预测模型,包括:
对于所述缺陷预测模型的马尔可夫链的每次状态转移,Metropolis Hastings核根据提议分布从模型的新参数中随机采样候选参数;
循环遍历所述数据集,采用粒子滤波算法估计高压开关柜的状态序列及模型的新参数的概率;
以模型的新参数的概率中的最小概率接收所述候选参数,并采样得到每个所述候选参数的估计状态序列;
在遍历完所述数据集中每段观测数据时,计算此时模型参数的期望值作为训练好的开关柜缺陷预测模型的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410609752.1A CN118198921B (zh) | 2024-05-16 | 2024-05-16 | 智能化空气绝缘开关柜 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410609752.1A CN118198921B (zh) | 2024-05-16 | 2024-05-16 | 智能化空气绝缘开关柜 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118198921A CN118198921A (zh) | 2024-06-14 |
CN118198921B true CN118198921B (zh) | 2024-08-06 |
Family
ID=91404451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410609752.1A Active CN118198921B (zh) | 2024-05-16 | 2024-05-16 | 智能化空气绝缘开关柜 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118198921B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202797742U (zh) * | 2012-09-14 | 2013-03-13 | Abb技术有限公司 | 空气绝缘开关设备上的金属屏蔽罩 |
CN108763654A (zh) * | 2018-05-03 | 2018-11-06 | 国网江西省电力有限公司信息通信分公司 | 一种基于威布尔分布和隐半马尔科夫模型的电力设备故障预测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9460478B2 (en) * | 2012-12-17 | 2016-10-04 | Arizona Board Of Regents On Behalf Of Arizona State University | System and method for wind generation forecasting |
CN106777633B (zh) * | 2016-12-07 | 2020-04-28 | 广东工业大学 | 一种固体绝缘开关柜开关触点温度计算方法及装置 |
CN110321585A (zh) * | 2019-04-09 | 2019-10-11 | 国网山西省电力公司电力科学研究院 | 基于ga-bp神经网络开关柜绝缘缺陷检测方法及系统 |
CN117007916A (zh) * | 2022-04-25 | 2023-11-07 | 国网辽宁省电力有限公司锦州供电公司 | 高压开关柜缺陷类型判断方法 |
CN115456196A (zh) * | 2022-09-06 | 2022-12-09 | 广西电网有限责任公司电力科学研究院 | 一种故障诊断模型建立方法、诊断方法、装置及存储介质 |
CN116244279A (zh) * | 2022-12-19 | 2023-06-09 | 国网安徽省电力有限公司电力科学研究院 | 基于因果图注意力机制的高压开关柜缺陷预测方法和系统 |
CN117094705B (zh) * | 2023-10-19 | 2024-01-02 | 国网安徽省电力有限公司电力科学研究院 | 一种应用于高压开关柜缺陷预测的方法、系统及设备 |
-
2024
- 2024-05-16 CN CN202410609752.1A patent/CN118198921B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202797742U (zh) * | 2012-09-14 | 2013-03-13 | Abb技术有限公司 | 空气绝缘开关设备上的金属屏蔽罩 |
CN108763654A (zh) * | 2018-05-03 | 2018-11-06 | 国网江西省电力有限公司信息通信分公司 | 一种基于威布尔分布和隐半马尔科夫模型的电力设备故障预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN118198921A (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Condition monitoring and diagnosis of power equipment: review and prospective | |
Khan et al. | Partial discharge detection and diagnosis in gas insulated switchgear: State of the art | |
KR101574615B1 (ko) | 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템 | |
Jiang et al. | Partial discharge detection and diagnosis of transformer bushing based on UHF method | |
Judd et al. | Partial discharge monitoring of power transformers using UHF sensors. Part I: sensors and signal interpretation | |
CN103336259B (zh) | 气体绝缘组合电器局部放电检测传感器的检测系统及方法 | |
CN106771929A (zh) | 一种gis设备取消例行停电试验的状态试验方法 | |
WO2007063647A1 (ja) | 部分放電電荷量測定方法および装置 | |
CN103091609A (zh) | 一种gis局部放电在线监测装置性能检测系统及其方法 | |
CN204064509U (zh) | 一种高压开关柜温度在线监测系统 | |
CN104597425A (zh) | 一种适用于gis电子式互感器带电考核平台 | |
CN203350430U (zh) | 气体绝缘组合电器局部放电检测传感器的检测系统 | |
CN204359925U (zh) | 一种适用于gis电子式互感器带电考核平台 | |
Martinez et al. | On-line health condition monitoring of power connectors focused on predictive maintenance | |
CN117936949B (zh) | 一种新能源汽车电池组快速智能检测养护系统 | |
Shahid et al. | Novel health diagnostics schemes analyzing corona discharge of operational aerial bundled cables in coastal regions | |
CN118198921B (zh) | 智能化空气绝缘开关柜 | |
Phung | Computer-based partial discharge detection and characterisation | |
Cavallini et al. | A deterministic/stochastic framework for power system harmonics modeling | |
Shihab et al. | On-line pollution leakage current monitoring system | |
CN111239665A (zh) | 一种gis局部放电的校验装置及方法 | |
CN114996633A (zh) | 一种ai智能局部放电检测方法 | |
CN118465456A (zh) | 开关柜传感器布置优化方法及系统 | |
Dmitriev et al. | Partial Discharges in Hydroelectric Generators | |
Volkhov et al. | Diagnostics of Overhead Line Insulator State based on Leakage Current Regression Analysis |
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 |