DE102006008482A1 - Input vector diagram method with neuronal network e.g. for preventing brake-own of HV equipment, requires obtaining phase-dependent and phase-independent summations for use as input vector of neuronal network - Google Patents

Input vector diagram method with neuronal network e.g. for preventing brake-own of HV equipment, requires obtaining phase-dependent and phase-independent summations for use as input vector of neuronal network Download PDF

Info

Publication number
DE102006008482A1
DE102006008482A1 DE102006008482A DE102006008482A DE102006008482A1 DE 102006008482 A1 DE102006008482 A1 DE 102006008482A1 DE 102006008482 A DE102006008482 A DE 102006008482A DE 102006008482 A DE102006008482 A DE 102006008482A DE 102006008482 A1 DE102006008482 A1 DE 102006008482A1
Authority
DE
Germany
Prior art keywords
phase
summation
dependent
discharge
neural network
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
Application number
DE102006008482A
Other languages
German (de)
Other versions
DE102006008482B4 (en
Inventor
Sun Geun Goo
Ki Jun Park
Jin Yul Yoon
Joo Sik Kwak
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Korea Electric Power Corp
Original Assignee
Korea Electric Power Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Korea Electric Power Corp filed Critical Korea Electric Power Corp
Publication of DE102006008482A1 publication Critical patent/DE102006008482A1/en
Application granted granted Critical
Publication of DE102006008482B4 publication Critical patent/DE102006008482B4/en
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Neurology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Testing Relating To Insulation (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

An input vector diagram method of a neuronal network involves forming a Phi n: Phi n-1; N-graph by using discharge signals measured by a partial discharge measuring device, followed by transformation with the Phi n: Phi n-1; N-graphs, obtaining the phase-dependent summation, and obtaining the phase independent summation, which can both be used as an input vector of the neuronal network device and inserting the two respective summations as an input vector into the neuronal network device.

Description

Die vorliegende Erfindung bezieht sich auf eine Elektrizitätstechnologie und spezieller auf ein Eingangsvektorbildungsverfahren bei neuronalen Netzwerken zur automatischen Identifikation einer teilweisen Entladungsquelle, welches in der Lage ist, die Zeit für die Meßvorbereitung zu verkürzen, da die teilweise Entladung an einem Ort in einem Zustand gemessen wird, bei dem es schwierig ist, die Phaseninformation von einem PT oder einem Spannungsteiler, etc. zu erhalten, da eine neuronale Netzwerkvorrichtung eine phasenunabhängige Summation anwendet ohne die Phaseninformation des Anlegens der Spannung für die Hochspannungsanlagen. Weiterhin ist das Verfahren in der Lage, die Meßkosten zu verringern, das Folgerungsergebnis mit einer verhältnismäßig hohen Zuverlässigkeit für Entladungsquellen zu erhalten, eine identische neuronale Netzwerkvorrichtung in verschiedenen Arten von Meßapparaturen für Teilentladungen zu verwenden, wobei die Verstärker- oder Signalabschwächereigenschaften von einem Meßgerät für Teilentladungen zu einem anderen unterschiedlich sind, da der Eingangs vektor einer neuronalen Netzwerkvorrichtung aus Entladungsarten extrahiert wird, die nicht die Größeninformation des Teilentladungssignals beinhalten. Weiterhin ist das Verfahren in der Lage, die abnormalen Zustände der elektrischen Anlagen einfach zu verwalten, da die Stromphase an einem Abschnitt, in dem die Teilentladung erzeugt wird, bei elektrischen Anlagen mit einer Mehrzahl von Phasen unter Verwendung der phasenunabhängigen Summation und der phasenabhängigen Summation erfaßt werden kann und die Teilentladungspositionen auf einfache Weise verfolgt werden können.The The present invention relates to an electricity technology and more particularly to an input vectoring technique in neural networks for automatic identification of a partial discharge source, which is able to shorten the time for the measurement preparation, since the partial discharge is measured at a location in a state where it is difficult to get the phase information from a PT or a voltage divider, etc. as a neural network device a phase independent Summation applies without the phase information of applying the voltage for the High voltage equipment. Furthermore, the method is capable of Measuring costs too reduce the inference result with a relatively high reliability for discharge sources to get an identical neural network device in different Types of measuring equipment for partial discharges to use, with the amplifier or signal attenuation characteristics from a meter for partial discharges to another are different, since the input vector one neural network device is extracted from discharge modes, not the size information of the partial discharge signal. Furthermore, the method capable of the abnormal states easy to manage the electrical installations, since the current phase at a portion in which the partial discharge is generated, in electrical Plants with a plurality of phases using the phase independent summation and the phase-dependent Summation detected can be and the Teilentladungspositionen easily can be tracked.

Eine UHF-, Ultraschall- oder andere Art von Teilentladung als ein Vorläufer eines Ausfalls kann in einer elektrischen Hochspannungsanlage, wie z.B. einer gasisolierten Schaltanlage (GIS), einem gasisolierten Wandler, einem Öl-Transformator, einer drehenden Maschinenanlage, einer gasisolierten Übertragungsleitung für elektrische Energie und in Starkstromkabeln erzeugt werden. Wenn solch eine Entladung auftritt, mißt eine Teilentladungs-Meßvorrichtung die Teilentladung, analysiert gemessene Signalart und -muster zur Bestimmung, ob sie die Teilentladung kennzeichnen und prüft die Alterungszustände der elektrischen Anlage, so daß sie einen Ausfall, der in der elektrischen Anlage auftritt, verhindern kann.A UHF, ultrasonic or other type of partial discharge as a precursor of a Failure may occur in a high voltage electrical system, such as one gas-insulated switchgear (GIS), a gas-insulated converter, an oil transformer, a rotating machinery, a gas-insulated transmission line for electrical Energy and in power cables. If such a Discharge occurs, measures a partial discharge measuring device the partial discharge, analyzes measured signal type and pattern for Determining if they mark the partial discharge and check the aging conditions of the electrical system, so they prevent a failure that occurs in the electrical system can.

Mit Bezug auf 1 und 2 wird im folgenden eine Teilentladungs-Meßvorrichtung im Detail beschrieben.Regarding 1 and 2 In the following, a partial discharge measuring apparatus will be described in detail.

Wie in 1 gezeigt, wird in einem Zustand, in dem die elektrische Anlage 100 einen abnormalen Zustand einnimmt, eine Teilentladung als ein Vorläufer eines Ausfalls in der elektrischen Anlage erzeugt, wenn die Leistung 110 der elektrischen Anlage 100 zugeführt wird. Hier beinhaltet die elek trische Anlage 100 eine GIS, einen Wandler, einen Motor und ein Stromkabel.As in 1 shown is in a state in which the electrical system 100 assumes an abnormal condition, generates a partial discharge as a precursor of a failure in the electrical equipment when the power 110 the electrical system 100 is supplied. This includes the electric system 100 a GIS, a converter, a motor and a power cable.

Hier erfaßt ein an der elektrischen Anlage installierter Teilentladungssensor 120 Teilentladungssignale und führt die Teilentladungssignale der Teilentladungs-Meßvorrichtung 130 zu, wodurch die Teilentladungssignale analysiert werden.Here detects a installed on the electrical system partial discharge sensor 120 Partial discharge signals and performs the partial discharge signals of the partial discharge measuring device 130 to, whereby the partial discharge signals are analyzed.

Da das Analyseverfahren des Standes der Technik die Phaseninformation der Leistung 110 benötigt, wird die Phaseninformation der zugeführten Spannung der Teilentladungs-Meßvorrichtung 130 unter Verwendung eines Leistungstransformators PT und eines Spannungsteilers 140 oder etc. zur Verfügung gestellt.Since the analysis method of the prior art, the phase information of the power 110 required, the phase information of the supplied voltage of the partial discharge measuring device 130 using a power transformer PT and a voltage divider 140 or etc. provided.

Die Teilentladungs-Meßvorrichtung 130 erhält die mit den Entladungssignalen verknüpfte grundlegende Information, wie z.B. die Zeit 220, zu der das Teilentladungssignal 210 erzeugt wird, die Größe 230 des Teilentladungssignals und die Phase 240 der angelegten Spannung 200 einer entsprechenden Anlage, wenn die Teilentladung auftritt, von den Teilentladungssignalen 210, wie in 2 gezeigt.The partial discharge measuring device 130 Receives the basic information associated with the discharge signals, such as time 220 to which the partial discharge signal 210 is generated, the size 230 of the partial discharge signal and the phase 240 the applied voltage 200 a corresponding system, when the partial discharge occurs, from the partial discharge signals 210 , as in 2 shown.

Eine Schaltung zum Erhalt von Signalen in der Teilentladungs-Meßvorrichtung 130 beinhaltet verschiedene Arten von Verstärkern, einen Signalabschwächer, einen Detektor und ein neuronales Netzwerk zum Klassifizieren der Signale, so daß die von dem Teilentladungssensor 120 zugeführten Teilentladungssignale 210 analysiert werden können.A circuit for obtaining signals in the partial discharge measuring device 130 includes various types of amplifiers, a signal attenuator, a detector and a neural network for classifying the signals so that those from the partial discharge sensor 120 supplied partial discharge signals 210 can be analyzed.

Aus der Analyse des Teilentladungssignals 210 können die Erzeugung der Teilentladung, die Ursache der Teilentladung und der Alterungszustand der elektrischen Hochspannungsanlage diagnostiziert werden.From the analysis of the partial discharge signal 210 For example, the generation of the partial discharge, the cause of the partial discharge and the aging state of the electrical high-voltage system can be diagnosed.

Das übliche neuronale Netzwerk der Teilentladungs-Meßvorrichtung 130 verwendet Teilentladungssignale als einen Eingangsvektor, die gemessen aber nicht verarbeitet werden, oder verschiedene Parameter, die als phasenaufgelöste Impulssequenz (PRPS) oder phasenaufgelöste Teilentladung (PRPD) extrahiert werden, welche aus den Teilentladungssignalen umgesetzt werden. Hier beinhalten die verschiedenen Parameter die Anzahlen der phasenaufgelösten Entladungsimpulse, die Größe der Entladungssignale oder statistische Parameter, wie z.B. die Schiefe oder die Kurtosis. Diese Art von Eingangsvektor wird erhalten durch direktes oder indirektes Verwenden der Phaseninformation der zugeführten Spannung und der Größe der Entladungssignale für die elektrischen Anlagen, die die Entladungssignale erzeugen.The standard neural network of the partial discharge measuring device 130 uses partial discharge signals as an input vector that are measured but not processed, or various parameters extracted as phase-resolved pulse sequence (PRPS) or phase-resolved partial discharge (PRPD), which are converted from the partial discharge signals. Here, the various parameters include the numbers of phase-resolved discharge pulses, the size of the discharge signals, or statistical parameters such as skewness or kurtosis. This type of input vector is obtained by directly or indirectly using the phase information of the applied voltage and the magnitude of the discharge current nale for the electrical systems that generate the discharge signals.

Wenn jedoch die Entladungssignale von der elektrischen Hochspannungs-Anlage 100 unter Verwendung eines tragbaren Typ der Teilentladungs-Meßvorrichtung gemessen werden, kann die der elektrischen Hochspannungs-Anlage 100 zugeführte Phaseninformation nicht auf einfache Weise bereitgestellt werden. Wenn nämlich die Phaseninformation einer zugeführten Spannung 200 oder die Phase des Stroms an einer Position, an der die Teilentladung auftritt, unbekannt sind, führt die Teilentladungs-Meßvorrichtung 130 eine Messung unter der Annahme durch, daß ihre Stromphase die gleiche ist wie die Phase einer der Starkstromanlage 100 zugeführten Spannung. Eine solche Messung verursacht aber das Problem, daß die neuronale Netzwerkvorrichtung des Standes der Technik die falsche Entladungsquelle ermitteln kann. Als Ergebnis dieses Fehlers kann der Nutzer nicht auf die richtige Weise solch ein Problem handhaben.However, if the discharge signals from the high-voltage electrical system 100 can be measured using a portable type of partial discharge measuring device, that of the high voltage electrical equipment 100 supplied phase information can not be provided in a simple manner. Namely, when the phase information of a supplied voltage 200 or the phase of the current at a position where the partial discharge occurs are unknown, the partial discharge measuring device performs 130 a measurement assuming that its current phase is the same as the phase of one of the power plant 100 supplied voltage. However, such a measurement causes the problem that the prior art neural network device can detect the wrong discharge source. As a result of this error, the user can not properly handle such a problem.

Weiterhin ist es sogar in dem Fall, in dem ein Teilentladungs-Meßsystem, welches On-Line installiert ist und in der Lage ist, auf normale Weise die Phaseninformation der zugeführten Spannung zu erhalten, im Hinblick auf die elektrische Hochspannungs-Anlage 100, die mehrere Phasen aufweist, wie z.B. eine Dreiphasenbündel-GIS oder ein Transformator, ein Drehstrommotor, etc., schwierig ein präzises Folgerungsergebnis zu erhalten, wenn das neuronale Netzwerk nicht mit ausgewählten Gruppen von Teilentladungsdaten entsprechend jeder der Anlage zugeführten Stromphase trainiert wird.Further, even in the case where a partial discharge measuring system which is installed on-line and capable of normally obtaining the phase information of the supplied voltage, with respect to the high-voltage electric equipment 100 having multiple phases, such as a three-phase GIS or a transformer, a three-phase motor, etc., difficult to obtain a precise inference result when the neural network is not trained with selected groups of partial discharge data corresponding to each current phase supplied to the plant.

Wenn zusätzlich die Größe der Entladungssignale als ein Eingangsvektor des neuronalen Netzwerks verwendet wird, könnten sogar in dem Falle gleicher Teilentladungssignale die Größen der erfaßten Teilentladungssignale unterschiedlich sein entsprechend der Sensitivität der Sensoren, des Abstandes einer Entladungsquelle, der Eigenschaften einer Signalerfassungsvorrichtung, und das neuronale Netzwerk muß unter Verwendung der verschiedenen Größen von Entladungssignalen trainiert werden. Wenn speziell die Verstärkungen der verschiedenen Verstärker in einer Entladungssignal-Erfassungsvorrichtung verändert werden, kann die für die identischen Entladungssignale gemessene Größe der Signale sich verändern. Deshalb muß das neuronale Netzwerk erneut trainiert werden.If additionally the size of the discharge signals is used as an input vector of the neural network, could even in the case of the same partial discharge signals, the sizes of detected Partial discharge signals be different according to the sensitivity of the sensors, the distance of a discharge source, the characteristics of a signal detection device, and the neural network must be under Using the different sizes of Discharge signals are trained. If specifically the reinforcements the different amplifiers be changed in a discharge signal detecting device, can the for the identical discharge signals change the measured size of the signals. Therefore that must be neural network to be re-trained.

Deshalb wurde die vorliegende Erfindung angesichts der obigen Probleme durchgeführt und es ist eine Aufgabe der vorliegenden Erfindung, ein Eingangsvektorbildungsverfahren des neuronalen Netzwerks zur Autoidentifikation der Teilentladungsquelle bereitzustellen, welches in der Lage ist, unter Verwendung einer neuronalen Netzwerkvorrichtung aus den gemessenen Teilentladungssignalen automatisch Entladungsquellen anzuzeigen zur Verhinderung eines Ausfalls der elektrischen Hochspannungs- Anlage, beispielsweise einer GIS, einem Transformator, einem Motor, einem Starkstromkabel.Therefore the present invention has been made in view of the above problems and It is an object of the present invention to provide an input vectoring method the neural network to provide auto-identification of the partial discharge source, which is capable of using a neural network device from the measured partial discharge signals automatically discharge sources to prevent a failure of the high voltage electrical system, for example a GIS, a transformer, a motor, a power cable.

Weiterhin soll ein Eingangsvektorbildungsverfahren des neuronalen Netzwerks zur Autoidentifikation der Teilentladungsquelle bereitgestellt werden, das in der Lage ist, auf die Teilentladungsquelle zu schließen in einem Zustand, in dem die Phaseninformation des der elektrischen Hochspannungs-Anlage zugeführten Stroms nicht erhalten werden kann, und eine Phase der einer Position, an der die Entladung auftritt, zugeführten Leistung, wenn die elektrische Hochspannungs-Anlage mehrere Leistungsphasen verwendet, zu analogisieren.Farther is an input vector forming method of the neural network be provided for auto-identification of the partial discharge source, which is able to close to the partial discharge source in one State in which the phase information of the high-voltage electrical system supplied Electricity can not be obtained, and a phase of a position at which the discharge occurs, supplied power when the electric High-voltage plant uses several power phases to analogize.

Weiterhin soll ein Eingangsvektorbildungsverfahren des neuronalen Netzwerkes zur Autoidentifikation einer Teilentladungsquelle bereitgestellt werden, das in der Lage ist, eine identische neuronale Netzwerkvorrichtung zum Analysieren von Signalen zu verwenden, die durch Teilentladungs-Meßvorrichtungen gemessen wurden, deren Datenerfassungsschaltungs-Verstärker oder Signalabschwächer-Eigenschaften von einer Teilentladungs-Meßvorrichtung zur anderen unterschiedlich sind, welche nicht die Größeninformation des Entladungssignals als einen Eingangsvektor der neuronalen Netzwerkevorrichtung verwendet.Farther is an input vector forming method of the neural network be provided for auto-identification of a partial discharge source, which is capable of an identical neural network device for analyzing signals generated by partial discharge measuring devices whose data acquisition circuit amplifier or Signal attenuator properties from a partial discharge measuring device different from others, which are not the size information of the discharge signal as an input vector of the neural network device used.

Die Aufgabe wird gelöst durch ein Eingangsvektorbildungsverfahren eines neuronalen Netzwerkes gemäß Anspruch 1.The Task is solved by an input vector forming method of a neural network according to claim 1.

Weiterbildungen der Erfindung werden in den Unteransprüchen beschrieben.further developments The invention will be described in the subclaims.

Gemäß der vorliegenden Erfindung können die obige Aufgabe und weitere Aufgaben gelöst werden durch die Bereitstellung eines Eingangsvektorbildungsverfahrens eines neuronalen Netzwerks zur automatischen Identifikation der Teilentladungsquelle, bei dem der Eingangsvektor in einem Mehrfachschicht-Perzeptron-Aufbau, einer selbstorganisierten Karte (self-organized map) oder anderen Arten von neuronalen Netzwerken verwendet wird, die automatisch auf eine Quelle von Teilentladungssignalen schließen, welche in einer Hochspannungs-Anlage, wie z.B. einer GIS, einem Transformator, einem Stromkabel, einer Elektrizitätsverteilungsvorrichtung, etc. erzeugt werden. Die vorliegende Erfindung weist die Schritte auf: Bilden eines Φn: Φn-1:N-Graphen unter Verwendung von Entladungssignalen, die von einer Teilentladungs-Meßvorrichtung gemessen wurden, Transformieren des Φn: Φn-1:N-Graphen von unten rechts des Φn: Φn-1:N-Graphen nach oben links des Φn: Φn-1:N-Graphen, Extrahieren der als Eingangsvektor der neuronalen Netzwerkvorrichtung zu verwendenden phasenabhängigen Summation, Extrahieren der als Eingangsvektor der neuronalen Netzwerkvorrichtung zu verwendenden phasenunabhängigen Summation und Zuführen der phasenabhängigen Summation und der phasenunabhängigen Summation an die neuronale Netzwerkvorrichtung als ein Eingangsvektor derselben.According to the present invention, the above object and other objects can be achieved by providing an input vector forming method of a neural network for automatic identification of the partial discharge source in which the input vector is in a multi-layer perceptron structure, a self-organized map or others Types of neural networks are used which automatically close to a source of partial discharge signals generated in a high voltage plant such as a GIS, a transformer, a power cable, an electricity distribution device, etc. The present invention comprises the steps of: forming a Φn: Φn-1: N graph using discharge signals measured by a partial discharge measuring device, transforming the Φn: Φn-1: N graph from the bottom right of the Φn: Φn-1: N-graphs upwards to the left of the Φn: Φn-1: N graph, extracting the phase-dependent summation to be used as the input vector to the neural network device, extracting the phase independent summation to be used as the input vector to the neural network device, and supplying the phase independent summation and the phase independent summation to the neural network device as Input vector of the same.

Vorzugsweise kann das Verfahren weiterhin den Schritt des Vergleichens der von den Entladungssignalen erhaltenen phasenabhängigen Summation und ihrer um 120° und 240° oder einen anderen wert phasenverschobenen Gestalt mit der Gestalt der Referenz-phasenunabhängigen Summation, die aus Trainingsdaten der Teilentladungsquelle in dem neuronalen Netzwerk erzeugt wurde und das anschließende Erhalten einer Phase des einem Punkt, in dem ein Entladungssignal erzeugt wird, zugeführten Stroms, aufweisen.Preferably The method may further include the step of comparing the the phase-dependent summation obtained from the discharge signals and their around 120 ° and 240 ° or another phase-shifted shape with the shape of the Reference phase-independent Summation, which consists of training data of the partial discharge source in the neural network was generated and the subsequent obtaining a phase of the one point where a discharge signal is generated is fed Electricity.

Vorzugsweise kann das Verfahren weiterhin aufweisen den Schritt des Multiplizierens der von den Entladungssignalen er haltenen phasenabhängigen Summation und ihrer um 120° und 240° oder einen anderen Wert phasenverschobenen Gestalt mit der Referenz-phasenunabhängigen Summation, die aus Trainingsdaten der Teilentladungsquelle in dem neuronalen Netzwerk erzeugt wurde, den Schritt des Integrierens des Multiplikationswertes und den Schritt des Auswählens einer phasenabhängigen Summation mit der größten Integralfläche als einer phasenunabhängigen Summation, die die exakte Stromphase des Punktes anzeigt, in dem ein Entladungssignal erzeugt wird.Preferably the method may further comprise the step of multiplying the phase-dependent summation held by the discharge signals and theirs around 120 ° and 240 ° or phase-shifted shape with the reference phase-independent summation, from training data of the partial discharge source in the neural Network, the step of integrating the multiplication value and the step of selecting a phase dependent Summation with the largest integral area as a phase independent Summation indicating the exact current phase of the point in which a discharge signal is generated.

Vorzugsweise kann das Verfahren weiterhin aufweisen den Schritt des Erhaltens einer Kreuzkorrelation zwischen der phasenabhängigen Summation, die von den Entladungssignalen erhalten wurde und ihre um 120° und 240° oder einen anderen Wert phasenverschobenen Gestalt mit der Gestalt der Referenz-phasenabhängigen Summation, die aus Trainingsdaten der Teilentladungsquelle in dem neuronalen Netzwerk erzeugt wurde, und das anschließende Erhalten einer Phase des einem Punkt, in dem ein Entladungssignal erzeugt wird, zugeführten Stroms, aufweisen.Preferably The method may further comprise the step of obtaining a cross - correlation between the phase - dependent summation, that of the Discharge signals was received and their by 120 ° and 240 ° or one phase-shifted shape having the shape of the reference phase-dependent summation, from training data of the partial discharge source in the neural Network was created, and the subsequent obtaining a phase the current supplied to a point in which a discharge signal is generated.

Weitere Merkmale und Zweckmäßigkeiten der vorliegenden Erfindung werden anhand der nachfolgenden Beschreibung von Ausführungsbeispielen unter Zuhilfenahme der Zeichnungen deutlich. von den Figuren zeigen:Further Features and Practices of The present invention will become apparent from the following description of exemplary embodiments clearly with the aid of the drawings. from the figures show:

1 ein Blockdiagramm einer Vorrichtung des Standes der Technik zum Messen einer Teilentladung, 1 a block diagram of a prior art device for measuring a partial discharge,

2 ein Diagramm der Teilentladungssignale, das die Information der Teilentladungssignale beschreibt, die durch eine Vorrichtung zum Messen der Teilentladung des Standes der Technik gemessen wurden, 2 a diagram of the partial discharge signals, which describes the information of the partial discharge signals, which were measured by a device for measuring the partial discharge of the prior art,

3 ein Diagramm eines initialisierten Φn: Φn-1:N, 3 a diagram of an initialized Φn: Φn-1: N,

4 eine Ansicht, die ein Entladungsmuster durch ein Φn: Φn-1:N-Visualisierungsverfahren veranschaulicht, wenn es zwei aufeinanderfolgende Teilentladungssignale gibt, 4 4 is a view illustrating a discharge pattern by a Φn: Φn-1: N visualization method when there are two successive partial discharge signals.

5 eine Ansicht, die ein Entladungsmuster durch ein Φn: Φn-1:N-Visualisierungsverfahren veranschaulicht, wenn es drei aufeinanderfolgende Teilentladungssignale gibt, 5 4 is a view illustrating a discharge pattern by a Φn: Φn-1: N visualization method when there are three successive partial discharge signals.

6 ein Diagramm von Teilentladungssignalen, veranschaulicht durch ein Φn: Φn-1:N-Visualisierungsverfahren zum Beschreiben eines Verfahrens der Eingangsvektorbildung zur Autoidentifikation einer Teilentladungsquelle unter Verwendung von neuronalen Netzwerken gemäß der vorliegenden Erfindung, 6 3 is a diagram of partial discharge signals illustrated by a Φn: Φn-1: N visualization method for describing a method of input vector formation for auto-identification of a partial discharge source using neural networks according to the present invention;

7 eine Ansicht zur Beschreibung eines Konzeptes eines Verfahrens zum Extrahieren einer phasenabhängigen Summation und einer phasenunabhängigen Summation, 7 a view for describing a concept of a method for extracting a phase-dependent summation and a phase-independent summation,

8 eine Ansicht zum Beschreiben eines Verfahrens zum Extrahieren einer phasenabhängigen Summation und einer phasenunabhängigen Summation, 8th a view for describing a method for extracting a phase-dependent summation and a phase-independent summation,

9 eine Ansicht zum Veranschaulichen einer mehrschichtigen neuronalen Netzwerkschaltung, und 9 a view illustrating a multilayer neural network circuit, and

10 eine Ansicht zum Veranschaulichen eines Verfahrens zum Unterscheiden der Phase der Leistung einer Entladungserzeugungsposition unter Verwendung der pha senabhängigen Summation gemäß der vorliegenden Erfindung. 10 4 is a view illustrating a method for discriminating the phase of the discharge generation position power using the phase dependent summation according to the present invention.

Im folgenden wird im Detail Bezug genommen auf die Ausführungsformen der vorliegenden Erfindung. Beispiele derselben sind in den beigefügten Zeichnungen veranschaulicht, in denen gleiche Bezugszeichen sich durchgängig auf die gleichen Elemente beziehen. Die Ausführungsformen werden im folgenden beschrieben zur Erläuterung der vorliegenden Erfindung unter Bezugnahme auf die Figuren.in the The following will be referred in detail to the embodiments of the present invention. Examples thereof are given in the accompanying drawings illustrates in which like reference numerals are consistent refer to the same elements. The embodiments will be described below described for explanation of the present invention with reference to the figures.

Ein Eingangsvektorbildungsverfahren eines neuronalen Netzwerks zur Autoidentifikation einer Teilentladungsquelle gemäß der vorliegenden Erfindung wird im folgenden im Detail beschrieben.An input vector forming method of a The neural network for auto-identification of a partial discharge source according to the present invention will be described below in detail.

Ein Eingangsvektor wird extrahiert, wobei der Eingangsvektor nicht die Größe der Entladungssignale der Teilentladungssignale und die Phaseninformation der angelegten Spannung beinhaltet. Durch eine neuronale Netzwerk-Vorrichtung kann unter Verwendung des Eingangsvektors in einem Zustand, in dem die Phaseninformation einer an eine Hochspannungs-Anlage angelegten Spannung nicht vorhanden ist, automatisch auf die Quelle der Teilentladung geschlossen werden. Da die beiden Eingangsvektoren nicht die Größeninformation der Entladungssignale verwenden, darf die neuronale Netzwerkschaltung nicht im Hinblick auf die Größe der Signale trainiert werden. Wenn verschiedene Phasen der Leistung der Hochspannungs-Anlage zugeführt werden, werden Eingangsvektoren einschließlich der gefolgerten Teilentladungsquellen und der Phaseninformation so erzeugt, daß eine Phase der zugeführten Leistung an dem Punkt, an dem die Teilentladung erzeugt wird, analysiert werden kann.One Input vector is extracted, where the input vector is not the Size of the discharge signals the partial discharge signals and the phase information of the applied Includes voltage. Through a neural network device can using the input vector in a state where the Phase information of an applied to a high voltage system Voltage is not present automatically to the source of the partial discharge getting closed. Since the two input vectors are not the size information The discharge signals may use the neural network circuit not in terms of the size of the signals be trained. When different phases of the power of the high-voltage plant be fed be input vectors including the inferred partial discharge sources and the phase information is generated so that a phase of the supplied power at the point where the partial discharge is generated can be.

Die vorliegende Erfindung ist bezogen auf die Erzeugung eines Eingangsvektors einer neuronalen Netzwerkschaltung zum Folgern der präzisen Entladungsquellen. Wie in 2 gezeigt, ist es schwierig, die Entladungszeit 220 der auf die grundlegenden Entladungssignale bezogenen Information zu normalisieren, da die Werte der Entladungszeit 220 von verhältnismäßig sehr klein bis verhältnismäßig sehr groß schwanken. Dies auch wegen des Problems, daß eine neuronale Netzwerkvorrichtung für die verschiedenen Größen 230 der Entladungssignale trainiert werden muß. So wird der Eingangsvektor der neuronalen Netzwerkschaltung unter Verwendung lediglich einer Phase 240 der angelegten Spannung 200 erzeugt.The present invention is related to the generation of an input vector of a neural network circuit for inferring the precise discharge sources. As in 2 shown, it is difficult to discharge time 220 to normalize the information related to the basic discharge signals, since the discharge time values 220 from relatively very small to relatively large. This is also because of the problem that a neural network device for the different sizes 230 the discharge signals must be trained. Thus, the input vector of the neural network circuit becomes one phase only 240 the applied voltage 200 generated.

Wie in 3 bis 6 gezeigt, wird zum Erzeugen des Eingangsvektors ein Muster der Entladung durch ein "Φn: Φn-1:N-Visualisierungsverfahren" unter Verwendung einer Phase (Φ) 240 der angelegten Spannung ausgebildet, wenn eine Teilentladung auftritt.As in 3 to 6 is shown, to generate the input vector, a pattern of the discharge by a "Φn: Φn-1: N visualization method" using a phase (Φ) 240 the applied voltage is formed when a partial discharge occurs.

Das Φn: Φn-1:N-Visualisierungsverfahren beschreibt die Beziehung zwischen den Phasen der an eine Hochspannungs-Leistungsvorrichtung angelegten Spannungen zu Zeitpunkten, wenn nacheinander Entladungen erzeugt werden.The Φn: Φn-1: N visualization method describes the relationship between the phases of a high-voltage power device applied voltages at times when successive discharges be generated.

Wenn nämlich in einer HochspannungsAnlage nacheinander Entladungssignale erzeugt werden, ist die Phase der Spannung in K Säulen zwischen 0° und 360° der Spannungsphase unterteilt, wie in 3 gezeigt. Danach wird die X-Achse definiert durch die Phase einer Spannung, die daran angelegt wird, wenn ein vorangehendes Entladungssignal auftritt, und die Y-Achse wird definiert durch die Phase einer Spannung, die daran angelegt wird, wenn ein nachfolgendes Entladungssignal auftritt. Wie in 2 gezeigt, nehme man beispielsweise an, daß es drei aufeinanderfolgende Entladungssignale gibt. Bei den ersten beiden Entladungssignalen wird, wenn die Phase Φn-1 der angelegten Spannung des vorangehenden Entladungssignals der i-ten (1≤i≤K) Phase entspricht und die Phase Φn der angelegten Spannung des nachfolgenden Entladungssignals der j-ten (1≤j≤K) Phase entspricht, Eins zu einem Wert von (i, j) in einem zweidimensionalen Diagramm, dessen Anfangswert auf Null gesetzt ist, Pij, hinzu addiert, wie in 4 gezeigt. Wie in 5 gezeigt, können deshalb Phasen der aufeinanderfolgenden Entladungssignale durch das Φn: Φn-1:N-Visualisierungsverfahren beschrieben werden.Namely, when discharge signals are successively generated in a high voltage plant, the phase of the voltage in K columns is divided between 0 ° and 360 ° of the voltage phase, as in FIG 3 shown. Thereafter, the X-axis is defined by the phase of a voltage applied thereto when a preceding discharge signal occurs, and the Y-axis is defined by the phase of a voltage applied thereto when a subsequent discharge signal occurs. As in 2 For example, suppose that there are three consecutive discharge signals. In the first two discharge signals, when the phase Φn-1 corresponds to the applied voltage of the preceding discharge signal of the ith (1≤i≤K) phase and the phase Φn of the applied voltage of the subsequent discharge signal to the jth (1≤j ≤K) phase, one to a value of (i, j) in a two-dimensional diagram whose initial value is set to zero, P ij , is added as in 4 shown. As in 5 Therefore, phases of the successive discharge signals can be described by the Φn: Φn-1: N visualization method.

Auf ähnliche Weise wird, wenn die Phase Φn der angelegten Spannung des vorangehenden Entladungssignals des zweiten aufeinanderfolgenden Entladungssignals der j-ten (1≤j≤K) Phase entspricht und die Phase Φn+1 der angelegten Spannung des folgenden Entladungssignals der j'-ten (1≤j'≤K) Phase entspricht, Eins zu einem Wert von (j, j') in einem zweidimensionalen Diagramm, dessen Anfangswert auf Null gesetzt wird, Pjj', bei den drei aufeinanderfolgenden Entladungssignalen 210 in 2 hinzu addiert. Wie in 5 gezeigt, können deshalb Phasen der aufeinanderfolgenden Entladungssignale durch das Φn: Φn-1:N-Visualisierungsverfahren beschrieben werden.Similarly, when the phase Φn of the applied voltage of the preceding discharge signal of the second successive discharge signal corresponds to the jth (1≤j≤K) phase and the phase Φn + 1 corresponds to the applied voltage of the subsequent discharge signal of the j'th ( 1≤j'≤K) phase, one of a value of (j, j ') in a two-dimensional diagram whose initial value is set to zero, P jj' , in the three successive discharge signals 210 in 2 added. As in 5 Therefore, phases of the successive discharge signals can be described by the Φn: Φn-1: N visualization method.

Die Φn: Φn-1:N-Muster der Entladungssignale, die durch das oben erwähnte Verfahren für eine gegebene Zeit (T) gemessen werden, können als 6 wiedergegeben werden. Jede Koordinate wird durch einen Farbwert 600 ausgedrückt, der die Anzahl der aufeinanderfolgend erzeugten Teilentladungssignale anzeigt in 6. Hier bezeichnen die X- und die Y-Achse Phasenachsen und sind innerhalb eines Bereichs von 0° bis 360° automatisch normalisiert.The Φn: Φn-1: N patterns of the discharge signals measured by the above-mentioned method for a given time (T) can be referred to as 6 be reproduced. Each coordinate is indicated by a color value 600 expressed in terms of the number of successively generated partial discharge signals in 6 , Here, the X and Y axes denote phase axes and are automatically normalized within a range of 0 ° to 360 °.

Hier kann die Anzahl 600 der Punkte in 6 durch die Dichte der Punkte, die für eine vorbestimmte Zeit wiedergegeben werden, wiedergegeben werden.Here can the number 600 the points in 6 are reproduced by the density of the dots reproduced for a predetermined time.

Da andererseits die Gestalten solch eines durch das Φn: Φn-1:N-Visualisierungsverfahrens erzeugten Entladungsmusters entsprechend den Arten von Entladungsquellen unterschiedlich ist, ist es hinreichend, Eingangsvektoren basierend auf den Entladungsquellen so zu erzeugen, daß die Eingangsvektoren entsprechend der Art der Teilentladungsquellen unterschieden werden können. Zum Erhalt eines Eingangsvektors ausschließlich der Phaseninformation ist 5 abgewandelt. Wenn nämlich der Bereich unten rechts 500 von 5 vertikal bewegt wird zum Anordnen an der Oberseite von Φn: Φn-1:N des Standes der Technik, wie in 7 gezeigt, kann ein neues Entladungsmuster 710 erhalten werden, welches als ein "abgewandeltes Φn: Φn-1:N-Visualisierungsverfahren" bezeichnet wird. Wenn nämlich in solch einem Diagramm des abgewandelten Φn: Φn-1:N die Entladungszahl der Y'-Achse bezüglich der X'-Achse aufsummiert wird, kann die Anzahl der in dem gegebenen Φn-1 erzeugten Entladungen erhalten werden. Da eine solche Summation die Phaseninformation beinhaltet, definiert die vorliegende Erfindung, daß die Summation eine phasenabhängige Summation (PDS) 720 genannt wird. Ein Term PDSi der i-ten PDS 720 kann durch die folgende Gleichung ausgedrückt werden:

Figure 00130001
On the other hand, since the shapes of such a discharge pattern generated by the Φn: Φn-1: N visualization method are different according to the types of discharge sources, it is sufficient to generate input vectors based on the discharge sources so as to discriminate the input vectors according to the kind of the partial discharge sources can. To obtain an input vector excluding the phase information 5 modified. If namely the area bottom right 500 from 5 is vertically moved to arrange at the top of Φn: Φn-1: N of the prior art, as in 7 can show a new discharge pattern 710 which is referred to as a "modified Φn: Φn-1: N visualization method". Namely, in such a diagram of the modified Φn: Φn-1: N, the discharge number of the Y'-axis with respect to the X'-axis is summed up, the number of discharges generated in the given Φn-1 can be obtained. Since such a summation includes the phase information, the present invention defines that the summation is a phase-dependent summation (PDS). 720 is called. A term PDS i of the ith PDS 720 can be expressed by the following equation:
Figure 00130001

Wenn in 7 die Summation bezüglich der X'-Achsenrichtung durchgeführt wird, während ein Punkt entlang der Y'-Achse bewegt wird, kann ein neuer Graph 730 ohne Phaseninformation er halten werden, der phasenunabhängige Summation (PIS) genannt wird, da jeder aufsummierte Punkt nicht eine Summation für spezielle Phasen auf der Φn-Achse und der Φn-1-Achse ist, sondern eine Summation für die Anzahl der Entladungen entsprechend den Phasen, die unterschiedlich zueinander sind. Ein Term PISj des j-ten PDS 730 kann durch die folgende Gleichung ausgedrückt werden:

Figure 00140001
When in 7 the summation with respect to the X'-axis direction is performed while moving a point along the Y'-axis, a new graph may be made 730 without phase information called phase independent summation (PIS), since each accumulated point is not a summation for specific phases on the Φn axis and the Φn-1 axis, but a summation for the number of discharges corresponding to the phases that are different from each other. A term PIS j of the jth PDS 730 can be expressed by the following equation:
Figure 00140001

8 ist eine Ansicht zum Beschreiben eines Verfahrens zum Extrahieren der phasenabhängigen Summation 810 und der phasenunabhängigen Summation 820, wobei das Φn: Φn-1:N-Muster für die wesentlichen Entladungssignale von 6 durch ein abgewandeltes Φn: Φn-1:N-Visualisierungsverfahren 800 wiedergegeben wird. 8th FIG. 14 is a view for describing a method of extracting the phase-dependent summation. FIG 810 and the phase independent summation 820 wherein the Φn: Φn-1: N pattern for the substantial discharge signals of 6 by a modified Φn: Φn-1: N visualization method 800 is reproduced.

Hier sind die phasenabhängige Summation 810 und die phasenunabhängige Summation 820 Parameter, die auf die Entladungsanzahl bezogen sind und immer positiv sind.Here are the phase dependent summation 810 and the phase independent summation 820 Parameters related to the number of discharges and always positive.

9 ist eine Ansicht, die eine mehrschichtige neuronale Netzwerkvorrichtung veranschaulicht. Wie in 9 gezeigt, beinhaltet die mehrschichtige neuronale Netzwerkvorrichtung eine erste Schicht 910, eine N-te Schicht 920 mit Perzeptrons entworfen, Neuronen (Operationen) 950 und Eingangsvektoren 900, die aus gemessenen Entladungssignalen extrahiert werden. Die Schaltung beinhaltet ebenfalls eine Ausgangsschicht 930 zum Einwirken auf die Ausgangsvektoren 940 der neuronalen Netzwerkschaltung, die die Teilentladungsquellen der elektri schen Anlage anzeigt, und Synapsen 950, die die entsprechenden Schichten verbinden. 9 Fig. 13 is a view illustrating a multilayer neural network device. As in 9 As shown, the multilayer neural network device includes a first layer 910 , an Nth layer 920 designed with perceptrons, neurons (operations) 950 and input vectors 900 which are extracted from measured discharge signals. The circuit also includes an output layer 930 for acting on the output vectors 940 the neural network circuit indicating the partial discharge sources of the electrical system, and synapses 950 that connect the corresponding layers.

Wenn die phasenunabhängige Summation 820 als ein Eingangsvektor der mehrschichtigen neuronalen Netzwerk-Schaltung verwendet wird, kann die Teilentladungssignal-Meßvorrichtung die Teilentladungsquellen ungeachtet der Beschaffung der Phaseninformation der angelegten Spannung relativ präzise ermitteln bzw. folgern, da die Phaseninformation einer angelegten Spannung nicht verwendet wird.When the phase independent summation 820 is used as an input vector of the multilayer neural network circuit, the partial discharge signal measuring device can relatively accurately detect the partial discharge sources regardless of the acquisition of the phase information of the applied voltage, because the phase information of an applied voltage is not used.

Wenn die phasenunabhängige Summation 820 und die phasenabhängige Summation 810 als Eingangsvektoren der neuronalen Netzwerkschaltung verwendet werden, kann ebenfalls eine neuronale Netzwerkvorrichtung, die durch ein Entladungssignal trainiert wird, das in einer speziellen Signalbeschaffungsvorrichtung gemessen wird, ohne erneutes Training in einer anderen Teilentladungssignal-Erfassungsvorrichtung, deren Signalverstärkungseigenschaften unterschiedlich zu der speziellen Signalerfassungsvorrichtung sind, verwendet werden, da die Information über eine Größe eines Entladungssignals nicht verwendet wird.When the phase independent summation 820 and the phase-dependent summation 810 may be used as input vectors of the neural network circuit, a neural network device trained by a discharge signal measured in a specific signal acquisition device may also be used without retraining in another partial discharge signal detection device whose signal amplification characteristics are different from the specific signal detection device because the information about a size of a discharge signal is not used.

Die neuronale Netzwerkschaltung, die die phasenabhängige Summation 810 und die phasenunabhängige Summation 820 verwendet, verwendet bedeutend mehr Entladungsinformation als jene einer neuronalen Netzwerkschaltung, die lediglich eine phasenunabhängige Summation 820 verwendet, wenn eine Phaseninformation erhalten werden kann. Deshalb kann die neuronale Netzwerkschaltung, die zwei Summationen verwendet, das Erkennungsverhältnis ein wenig erhöhen verglichen zu einer neuronalen Netzwerkschaltung, die lediglich die phasenunabhängige Summation 820 verwendet. In dem Fall jedoch, in dem von der Hochspannungs-Anlage die Phaseninformation erhalten werden kann, zeigt das neuronale Netzwerk mit lediglich der phasenunabhängigen Summation als Eingangsvektor eine gute Klassifizierungsfähigkeit, da die phasenunabhängige Summation nicht die Phaseninformation verwendet.The neural network circuit, which is the phase-dependent summation 810 and the phase independent summation 820 uses much more discharge information than that of a neural network circuit which only has a phase independent summation 820 used when phase information can be obtained. Therefore, the neural network circuit using two summations can increase the recognition ratio somewhat compared to a neural network circuit that only has the phase independent summation 820 used. However, in the case where the phase information can be obtained from the high voltage equipment, the neural network having only the phase independent summation as the input vector shows a good classifying ability because the phase independent summation does not use the phase information.

Wenn die phasenabhängige Summation 810 und die phasenunabhängige Summation 820 verwendet werden, kann die Phase einer an eine Position angelegten Spannung, an der eine Entladung auftritt, analog sein ohne die spezielle Information für die Phase einer Position, an der eine Entladung erzeugt wird, wobei die Entladung in einer Hochspannungs-Anlage auftritt, der die Leistung mit einer Mehrzahl von Phasen zugeführt wird.If the phase-dependent summation 810 and the phase independent summation 820 can be used, the phase of a voltage applied to a position at which a discharge occurs, can be analog without the specific information for the phase of a position at which a discharge is generated, the discharge occurs in a high voltage system, the Power is supplied with a plurality of phases.

Beispielsweise wird unten bei einer Drei-Phasenbündel-GIS, bei der die Phasen R, G und B gleichzeitig vorhanden sind, die Messung der Entladungssignale unter Verwendung einer Teilentladungs-Meßvorrichtung, die synchron zur Phase R ist, im Detail beschrieben, wobei die Teilentladung bei der Phase G auftritt.For example, in the case of a three-phase bundle GIS in which the phases R, G and B are present simultaneously, the measurement of the Discharge signals using a partial discharge measuring device, which is synchronous to the phase R, described in detail, wherein the partial discharge occurs at the phase G.

Wie in 10 gezeigt, werden zunächst, nachdem die phasenabhängige Summation 1000 und die phasenunabhängige Summation von den Entladungssignalen entsprechend extrahiert wurden, durch eine neuronale Netzwerkvorrichtung, die die phasenunabhängige Summation der Entladungssignale verwendet, die Entladungsquellen geschlußfolgert.As in 10 shown first, after the phase-dependent summation 1000 and the phase independent summation of the discharge signals have been respectively extracted by a neural network device using the phase independent summation of the discharge signals, the discharge sources are inferred.

Danach wird die Gestalt der phasenunabhängigen Referenzsummation 1030, die beim Training einer neuronalen Netzwerkschaltung zum Erschließen der Entladungsquellen verwendet wird, mit jener der phasenabhängigen Summation 1000 verglichen, die aus Entladungssignalen erhalten wird bzw. der phasenabhängigen Summationen 1010 und 1020, die als Phase der phasenabhängigen Summation 1000, um 120° bzw. 240° verschoben, erhalten werden.After that, the shape of the phase-independent reference summation becomes 1030 used in training a neural network circuit to open the discharge sources, with that of the phase-dependent summation 1000 which is obtained from discharge signals or the phase-dependent summations 1010 and 1020 , which is called phase of the phase-dependent summation 1000 to be shifted by 120 ° or 240 °, respectively.

Hier ist die Gestalt, die der phasenunabhängigen Referenzsummation 1030 am meisten entspricht, eine phasenabhängige Summation, deren Phase um 120° verschoben ist. Deshalb wird die Teilentladung bei der Phase G erzeugt, die um die Phase 120° führt, wobei der Phase G die Phase R nachfolgt, die synchron zu der Teilentladungs-Meßvorrichtung ist. Durch solch ein Verfahren kann eine Phase einer angelegten Spannung an einer Position, an der eine Teilentladung auftritt, erschlossen werden.Here is the shape of the phase independent reference summation 1030 most corresponds to a phase-dependent summation whose phase is shifted by 120 °. Therefore, the partial discharge is generated at the phase G, which leads around the phase 120 °, wherein the phase G follows the phase R, which is synchronous with the partial discharge measuring device. By such a method, a phase of an applied voltage at a position where a partial discharge occurs can be developed.

In diesem Fall gibt es verschiedene Methoden zum numerischen Ausdrücken der Analogie zwischen einer phasenunabhängigen Referenzsummation 1030 und einer phasenabhängigen Summation 1000 der Meßsignale oder ihrer phasenverschobenen phasenabhängigen Summationen 1010 bzw. 1020, die als um 120° bzw. 240° verschobene Phase der phasenabhängigen Summation 1000 erzeugt werden. Das einfachste der Verfahren ist die Multiplikation der beiden phasenabhängigen Summationen miteinander. Je mehr die Gestalten der beiden phasenabhängigen Summationen einander ähneln, desto größer ist entsprechend solch einem Verfahren der Wert der Integration des Multiplikationswertes (welcher einer Fläche für eine Kurve der Multiplikations-phasenabhängigen Summationen ist).In this case, there are several methods for numerically expressing the analogy between a phase-independent reference summation 1030 and a phase-dependent summation 1000 the measurement signals or their phase-shifted phase-dependent summations 1010 respectively. 1020 , as phase shifted by 120 ° or 240 ° phase of the phase-dependent summation 1000 be generated. The simplest of the methods is the multiplication of the two phase-dependent summations with each other. The more the shapes of the two phase-dependent summations are similar to one another, the greater the value of the integration of the multiplication value (which is an area for a curve of the multiplication-phase-dependent summations) according to such a method.

Wenn in dem obigen Beispiel die Multiplikation der phasenunabhängigen Summationen 1000, 1010 und 1020 und eine unabhängige Referenzsummation 1030 integriert werden zum Erzeugen von Integralflächen (1040, 1050, 1060), ist die phasenabhängige Summation 1050, deren Phase um 120° verschoben ist, was die Inte gralfläche am größten macht, jene, die der phasenunabhängigen Referenzsummation 1030 am besten entspricht.If, in the example above, the multiplication of the phase independent summations 1000 . 1010 and 1020 and an independent reference summation 1030 be integrated to create integral surfaces ( 1040 . 1050 . 1060 ), is the phase-dependent summation 1050 , whose phase is shifted by 120 °, which makes the Inte gralfläche the largest, those of the phase independent reference summation 1030 best matches.

Auch Verfahren wie z.B. eine Kreuzkorrelation, etc. können eine Phase ableiten.Also Methods such as a cross-correlation, etc. can derive a phase.

Wie oben erwähnt hat das Eingangsvektorbildungsverfahren eines neuronalen Netzwerks zur Autoidentifikation einer Teilentladungsquelle gemäß der vorliegenden Erfindung den Vorteil, daß Meßvorbereitungsaufwendungen und Kosten verringert werden können, da es nicht nötig ist, die Phaseninformation der elektrischen Anlage zu erhalten in einem Zustand, in dem ein Phasensignal nicht auf einfache Weise von einem PT oder einem Spannungsteiler, etc. zugeführt werden kann, wenn eine neuronale Netzwerkschaltung, die eine phasenunabhängige Summation anwendet, verwendet wird. Zusätzlich hat das Verfahren den Vorteil, daß ein Schlußfolgerungsergebnis von verhältnismäßig hoher Zuverlässigkeit der Auto-Klassifikation für die Entladungsquellen erhalten werden kann und eine identische neuronale Netzwerkschaltung in einer anderen Teilentladungs-Meßvorrichtung verwendet werden kann, in der Eigenschaften eines Verstärkers oder eines Signalabschwächers, die in der Teilentladungs-Meßvorrichtung sind, voneinander verschieden sind, da der Eingangsvektor einer neuronalen Netzwerkvorrichtung aus Entladungsarten extrahiert wird, die nicht die Größeninformation des Teilentladungssignals enthalten.As mentioned above has the input vector forming method of a neural network for auto-identification of a partial discharge source according to the present invention Invention the advantage that Meßvorbereitungsaufwendungen and costs can be reduced, because it is not necessary is to get the phase information of the electrical system in a state in which a phase signal is not easy be supplied from a PT or a voltage divider, etc. can, if a neural network circuit, which is a phase independent summation applies. Additionally has the method has the advantage that a Inference result of relatively high reliability the car classification for the discharge sources can be obtained and an identical neural Network switching in another partial discharge measuring device can be used in the properties of an amplifier or a signal attenuator, in the partial discharge measuring device are different from each other, since the input vector is a neural network device is extracted from discharge modes, not the size information of the partial discharge signal.

Weiterhin kann das Verfahren eine größere Gelegenheit zur Wiederherstellung bei abnormalen Zuständen einer elektrischen Anlage mit verschiedenen Leistungsphasen geben, da die Phase der angelegten Spannung an einem Abschnitt, an dem die Teilentladung erzeugt wird, unter Verwendung der phasenunabhängigen Summation und der phasenabhängigen Summation erfaßt werden kann und so Positionen, an denen Teilentladungen erzeugt werden, auf einfache Weise aufgespürt werden können.Farther The procedure can be a bigger opportunity for the restoration of abnormal conditions of an electrical system with different phases of performance, given the phase of the applied Voltage at a portion where the partial discharge is generated using the phase independent Summation and the phase-dependent Summation detected can be and so positions, where partial discharges generated be tracked down in a simple way.

Claims (4)

Eingangsvektorbildungsverfahren eines neuronalen Netzwerks zur Autoidentifikation einer Teilentladungsquelle, welches automatisch die Quelle von Teilentladungssignalen erschließt, die in einer Hochspannungs-Anlage, beispielsweise einer GIS, einem Transformator, einem Stromkabel, einer Elektrizitätsverteilungsvorrichtung, erzeugt werden, und das in verschiedenen neuronalen Netzwerkvorrichtungen, wie z.B. einem Mehrschicht-Perzeptron, einer Selbstorganisationskarte, etc. vorhanden sein kann, wobei das Verfahren die Schritte umfaßt: Bilden eines Φn: Φn-1:N-Graphen unter Verwendung der Entladungssignale, die von einer Teilentladungs-Meßvorrichtung gemessen wurden, Transformation bei dem Φn: Φn-1:N-Graphen von unten rechts nach oben links, Gewinnen der phasenabhängigen Summation, die als der Eingangsvektor der neuronalen Netzwerkvorrichtung verwendet wird, Gewinnen der phasenunabhängigen Summation, die als der Eingangsvektor der neuronalen Netzwerkvorrichtung verwendet wird, und Eingeben der phasenabhängigen Summation und der phasenunabhängigen Summation als Eingangsvektor in die neuronale Netzwerkvorrichtung.An input vector forming method of a neural network for auto-identification of a partial discharge source which automatically opens the source of partial discharge signals generated in a high voltage installation, such as a GIS, a transformer, a power cable, an electricity distribution apparatus, in various neural network devices, such as a Multi-layer perceptron, a self-organizing card, etc., the method comprising the steps of: forming a Φn: Φn-1: N graph using the discharge signals measured by a partial discharge measuring device, transformation at Φn: Φn-1: N-graphs of bottom right to top left, obtaining the phase dependent summation used as the input vector of the neural network device, obtaining the phase independent summation used as the input vector of the neural network device, and inputting the phase dependent summation and the phase independent summation as the input vector into the neural network network device. Verfahren nach Anspruch 1, das weiterhin den Schritt aufweist: Vergleichen der aus den Entladungssignalen erhaltenen phasenabhängigen Summation und der phasenabhängigen Summation, die erhalten wurde nachdem die phasenabhängige Summation um 120° und 240° oder andere Phasen verschoben wurde, mit der Gestalt der phasenunabhängigen Referenzsummation, die aus Trainingsdaten des neuronalen Netzwerks erzeugt wird, und nachfol gendes Erschließen der Phase der am ähnlichsten phasenverschobenen phasenabhängigen Summation mit der phasenabhängigen Referenzsummation als einer Phase der einem Punkt, an dem ein Entladungssignal erzeugt wird, zugeführten Leistung.The method of claim 1, further comprising the step having: Compare the results obtained from the discharge signals phase-dependent Summation and the phase-dependent Summation obtained after the phase-dependent summation around 120 ° and 240 ° or others Phase has been shifted, with the shape of the phase-independent reference summation, which is generated from training data of the neural network, and subsequent opening of the Phase most similar phase-shifted phase-dependent Summation with the phase-dependent Reference summation as a phase of a point at which a discharge signal is generated, supplied Power. Verfahren nach Anspruch 1, weiterhin mit dem Schritt: Multiplizieren der phasenabhängigen Summation, die aus den Entladungssignalen erhalten wurde, und der phasenabhängigen Summation, die erhalten wurde nachdem die phasenabhängige Summation um 120° und 240° oder andere Phasen verschoben wurde, mit der phasenunabhängigen Referenzsummation, die erzeugt wird aus Trainingsdaten des neuronalen Netzwerks; Integrieren des Multiplikationswertes und Auswählen einer phasenabhängigen Summation mit der größten Integralfläche als einer phasenunabhängigen Summation, die die ähnlichste zu der phasenunabhängigen Referenzsummation ist; Erschließen der Phase der am meisten ähnlichen phasenverschobenen phasenabhängigen Summation zu der phasenabhängigen Referenzsummation als einer Phase einer einem Punkt, an dem ein Entladungssignal erzeugt wird, zugeführten Leistung.The method of claim 1, further comprising the step: Multiply the phase-dependent Summation, which was obtained from the discharge signals, and the phase-dependent Summation obtained after the phase-dependent summation around 120 ° and 240 ° or other phases has been shifted, with the phase-independent reference summation, which is generated from training data of the neural network; Integrate of the multiplication value and selecting a phase-dependent summation with the largest integral area as a phase independent Summation, the most similar to the phase independent Reference summation is; tap the phase of the most similar phase-shifted phase-dependent Summation to the phase-dependent Reference summation as a phase of a point at which a Discharge signal is generated, supplied power. Verfahren nach Anspruch 1, weiterhin mit dem Schritt: Erhalten der Kreuzkorrelation zwischen der phasenabhängigen Summation, die aus Entladungssignalen erhalten wurde und der phasenabhängigen Summation, die erhalten wurde nach der Verschiebung der phasenabhängigen Summation um 120° und 240° oder andere Phasen, mit der Gestalt der phasenabhängigen Referenzsummation und phasenunabhängigen Referenzsummation und Erschließen der Phase, wobei die Größe der Kreuzkorrelation maximal ist bei einer Phase der einem Punkt, an dem ein Entladungssignal erzeugt wird, zugeführten Leistung.The method of claim 1, further comprising the step: Receive the cross-correlation between the phase-dependent summation obtained from discharge signals became and the phase dependent Summation obtained after the shift of the phase-dependent summation around 120 ° and 240 ° or other phases, with the shape of the phase-dependent reference summation and phase-independent Reference summation and development the phase, the size of the cross-correlation maximum is at a phase of a point at which a discharge signal is generated, supplied Power.
DE102006008482A 2005-10-27 2006-02-23 Input vectoring method in neural networks for auto-identification of a partial discharge source Expired - Fee Related DE102006008482B4 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020050101969A KR100729107B1 (en) 2005-10-27 2005-10-27 Methods of Input Vector formation for Auto-identification of partial discharge source using neural networks
KR10-2005-0101969 2005-10-27

Publications (2)

Publication Number Publication Date
DE102006008482A1 true DE102006008482A1 (en) 2007-05-03
DE102006008482B4 DE102006008482B4 (en) 2010-10-07

Family

ID=37912931

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102006008482A Expired - Fee Related DE102006008482B4 (en) 2005-10-27 2006-02-23 Input vectoring method in neural networks for auto-identification of a partial discharge source

Country Status (4)

Country Link
JP (1) JP4244353B2 (en)
KR (1) KR100729107B1 (en)
DE (1) DE102006008482B4 (en)
GB (1) GB2431726B (en)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100853725B1 (en) * 2007-06-20 2008-08-22 (주) 피에스디테크 Gis partial discharge diagnostic method and system thereof with prps algorithm
KR100919293B1 (en) * 2008-09-24 2009-10-01 주식회사 케이디파워 Detecting device series arcs in electrical systems ane methode for detecting the same
KR101051099B1 (en) * 2008-09-30 2011-07-21 한국전력공사 Microwave partial discharge and discharge position measuring device of high voltage power equipment
CN102221651B (en) * 2011-03-11 2015-05-27 太原理工大学 Fault on-line diagnosis and early warning method of flameproof dry-type transformer for mine
US20120330871A1 (en) * 2011-06-27 2012-12-27 Asiri Yahya Ahmed Using values of prpd envelope to classify single and multiple partial discharge (pd) defects in hv equipment
FR2981457B1 (en) * 2011-10-12 2015-04-03 Michel Gaeta METHOD AND DEVICE FOR DETECTING DYSFUNCTION IN AN ELECTRICAL NETWORK
CN104391184B (en) * 2014-11-12 2017-04-12 珠海市齐飞信息技术有限公司 Transformer phase loss detection and warning device and method
CN105334436B (en) * 2015-10-30 2018-08-10 山东电力研究院 Crosslinked cable Partial Discharge Pattern Recognition Method based on SOM-BP combination neural nets
CN105606976B (en) * 2016-03-09 2018-09-18 国家电网公司 A kind of anti-interference method for GIS partial discharge superfrequency on-line monitoring
JP6553303B2 (en) * 2016-09-01 2019-07-31 株式会社東芝 Partial discharge monitoring system
CN111183500B (en) 2017-10-16 2022-09-02 日立能源瑞士股份公司 Method and device for monitoring circuit breaker and Internet of things using device
KR102051670B1 (en) 2017-12-19 2019-12-04 한국전력공사 Apparatus, system and computer readable recording medium for detecting defective material of electric power equipment
CN108896857B (en) * 2018-07-06 2020-12-01 北京四方继保自动化股份有限公司 Deep learning-based complex working condition identification method for transformer
KR102183305B1 (en) 2018-08-03 2020-11-26 국민대학교산학협력단 Apparatus and method for determining neural network feature vector
KR102089187B1 (en) * 2018-12-11 2020-03-13 한국전력공사 Diagnostic system and method for power cable junction box
CN110096723B (en) * 2019-01-22 2023-05-16 国网山西省电力公司长治供电公司 High-voltage switch cabinet insulation state analysis method based on operation and maintenance detection big data
CN110286303A (en) * 2019-07-10 2019-09-27 国家电网有限公司 A kind of coaxial cable insulation cable ageing state appraisal procedure based on BP neural network
KR102289411B1 (en) 2019-08-27 2021-08-12 국민대학교산학협력단 Weighted feature vector generation device and method
KR102269652B1 (en) 2019-09-24 2021-06-25 국민대학교산학협력단 Machine learning-based learning vector generation device and method for analyzing security logs
KR102289401B1 (en) 2019-10-14 2021-08-12 국민대학교산학협력단 Apparatus and method for generating feature vector with label information
CN111707915B (en) * 2020-07-10 2022-10-14 中车唐山机车车辆有限公司 Online insulation evaluation method and device based on partial discharge of traction motor
KR102607227B1 (en) * 2020-09-15 2023-11-29 한국전력공사 System and Method for monitoring partial discharge using sensor data
KR20230165650A (en) 2022-05-27 2023-12-05 국민대학교산학협력단 Security event analysis and visualization apparatus and method based on graph random walk with restart
CN115453286B (en) * 2022-09-01 2023-05-05 珠海市伊特高科技有限公司 GIS partial discharge diagnosis method, model training method, device and system

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5260871A (en) * 1991-07-31 1993-11-09 Mayo Foundation For Medical Education And Research Method and apparatus for diagnosis of breast tumors
DE4333259C1 (en) * 1993-09-27 1995-05-24 Siemens Ag Method for generating a direction signal indicating the direction of a short-circuit current
JP3201959B2 (en) * 1996-09-03 2001-08-27 古河電気工業株式会社 Partial discharge measurement method
US6650779B2 (en) * 1999-03-26 2003-11-18 Georgia Tech Research Corp. Method and apparatus for analyzing an image to detect and identify patterns
GB0104763D0 (en) * 2001-02-27 2001-04-18 Smiths Group Plc Arc detection
KR200487036Y1 (en) * 2017-09-22 2018-08-28 동서위생 주식회사 Cotton

Also Published As

Publication number Publication date
KR100729107B1 (en) 2007-06-14
DE102006008482B4 (en) 2010-10-07
GB2431726B (en) 2010-04-21
GB2431726A (en) 2007-05-02
KR20070045558A (en) 2007-05-02
GB0600677D0 (en) 2006-02-22
JP2007124880A (en) 2007-05-17
JP4244353B2 (en) 2009-03-25

Similar Documents

Publication Publication Date Title
DE102006008482B4 (en) Input vectoring method in neural networks for auto-identification of a partial discharge source
DE69734992T2 (en) Automatic localization of faults in cabling systems
DE69818275T2 (en) QUALITY MEASUREMENT OF WELDING
DE4333257C2 (en) Method of obtaining an error flag signal
WO1997036185A1 (en) Process for producing fault classification signals
DE19808197C2 (en) System and method for diagnosing engine conditions
EP0782692B1 (en) Sensor arrangement and method of detecting measured values using said sensor arrangement
AT511577A2 (en) MACHINE IMPLEMENTED METHOD FOR OBTAINING DATA FROM A NON-LINEAR DYNAMIC ESTATE SYSTEM DURING A TEST RUN
EP0721685B1 (en) Method of generating a signal indicating the direction of a short-circuit
DE112018003079T5 (en) Lathe system diagnostic device, power conversion device, lathe system, and lathe system diagnostic method
WO2020188054A1 (en) Apparatus for analysing currents in an electrical load, and load having such an apparatus
EP2722949A1 (en) Conductor detection in a process for the removal of insulation from cables
EP0976189B1 (en) Method for determining the location of a partial discharge
DE19734947A1 (en) Process control method
DE102020210147A1 (en) Device and method for the local determination of characteristic values of a battery cell
DE4124501C2 (en) Neural network with automatic installation of intermediate neurons
EP3712624A1 (en) Method for operating a technical device
EP3921658A1 (en) Method and testing device
EP0707247A1 (en) Analyzer, in particular for waste water
DE102021119207B4 (en) Device and method for identifying an assignment of a phase connection of an electrical device to a phase conductor connected thereto
DE102018222484A1 (en) Method and device for determining an availability state of a parking space
DE102020122792B4 (en) Device, system and method for determining error signal windows in a measurement signal
DE19835137A1 (en) Arrangement for determining concentration of measurement liquid has neural network concealed layer between input and output layers with several neurons connected between inputs and outputs
EP3340413A1 (en) Method, control device and system for determining condition data of an electrical energy supply network
DE102006038549A1 (en) Method and device for controlling personal protective equipment, computer program and computer program product

Legal Events

Date Code Title Description
8110 Request for examination paragraph 44
8364 No opposition during term of opposition
R119 Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee