CN100427961C - 基于虚拟仪器技术的气体绝缘组合电器在线监测方法 - Google Patents

Abstract

一种基于虚拟仪器技术的气体绝缘组合电器在线监测方法，属于电气设备绝缘监测技术领域。本发明利用计算机及本申请人申请的申请号为200610054229.9的“气体绝缘组合电器局部放电在线检测定位装置及定位方法”中的定位装置，通过基于虚拟仪器技术的、包含参数设置、在线监测、数据分析、历史查询四个单元模块的计算机程序，全天候对GIS的局部放电进行在线监测，具有多种数据分析，预警、故障诊断、定位和多种查询功能。本发明具有运行稳定，界面友好，操作方便，功能齐备的特点，可广泛应用于发电厂升压站和电网的GIS变电站的局部放电在线监测中。

Description

基于虚拟仪器技术的气体绝缘组合电器在线监测方法

技术领域

本发明属于电气设备绝缘监测技术领域，涉及气体绝缘组合电器局部放电超高频在线监测方法，特别涉及基于虚拟仪器技术的气体绝缘组合电器局部放电超高频在线监测方法。

背景技术

电气设备中的气体绝缘组合电器(GIS)在运行中，由于GIS内部的各种缺陷的存在，导致GIS引发各种形式的局部放电，如电晕、杂质放电等。GIS内部局部放电持续一段时间会发展成为绝缘击穿故障，造成停电事故，影响电力***的安全运行，给国民经济造成巨大损失。GIS早期绝缘故障的局部放电，具有超高频的特性，其等效频率很高，可达1GHz。由于GIS是良好的波导结构，由此局部放电产生的超高频信号能在其中传播，并通过其绝缘子于法兰盘连接处泄漏，所以在GIS内部检测局部放电信号或在其外部检测泄漏的局部放电信号，均可及时发现GIS的内部缺陷，采取相应的措施，能避免电气设备故障的发生，保证电力***的安全运行。

如中国专利申请号为200310118942.1公开的“气体绝缘变电站高频宽带局部放电在线监测方法”，其局部放电检测装置为一底面开有缝隙的封装盒，盒内封装有频带范围为10～3000MHz的一宽频带检测天线，天线两端有用于馈电的SMA高频同轴连接器；其一端连接有50欧姆的匹配阻抗。但由于空气中电晕放电的频率通常在100-200MHz，该传感器低频段过低，不能克服检测现场强烈的电晕干扰，容易受到干扰影响。其诊断单元应用小波包和分形维数来定量分析局部放电信号的局部特征，实现对局部放电信号波形特征的量化分析，但由于在在线监测现场总是存在各种噪声，噪声的存在对分形维数有着极大的影响，导致计算不准确。

又如本申请人申请的申请号为200610054229.9公开的“气体绝缘组合电器局部放电在线检测定位装置及定位方法”的定位方法，虽能对局部放电源进行准确定位，但其不能对局部放电的故障类型做出准确判断，也不能对局部放电的发展趋势做出评估，难以给维护人员更多参考。

发明内容

本发明的目的在于针对现有GIS局部放电检测的不足之处，提供一种基于虚拟仪器技术的气体组合电器在线监测方法，具有高效、使用灵活、功能强大等特点，实现了“软件就是仪器”的虚拟仪器，结合现代信号分析处理和数据库等数字处理技术，帮助GIS变电站工作人员进行GIS放电故障类型判断、检修维护决策，便于一般技术人员轻松使用。

本发明利用本申请人申请的申请号为200610054229.9的“气体绝缘组合电器局部放电在线检测定位装置及定位方法”公开的装置，基于虚拟仪器技术，通过LabVIEW软件平台和高速数字采集器，采用适合的总线模式，利用虚拟控件来控制底层硬件，由功能强大的软件来完成信号的采集、分析处理和结果显示，实现了在线监测、数据分析、数据实时保存、历史查询、故障报警、显示等功能。并且使用专用编程软件节省了很多人力和物力的投入，缩短产品开发周期，开发出性能优越的产品。

本发明的目的是这样实现的：一种基于虚拟仪器技术的气体组合电器在线监测方法，利用计算机及本申请人申请的申请号为200610054229.9的“气体绝缘组合电器局部放电在线检测定位装置及定位方法”中定位装置的微带贴片天线组成的传感器阵列、多路智能选择开关、放大滤波器、高速数字采集器及控制模块，通过基于虚拟仪器技术的GIS在线监测计算机程序进行局部放电在线监测，该程序包含参数设置、在线监测、数据分析、历史查询四个单元模块。其具体的方法步骤如下：

(1)参数设置

首先进入参数设置：主要进行采样频率、采样长度、定时长度等采样参数设置，触发阈值设置，报警阈值设置，监测方式(包含手动和自动)设置，滤波参数设置等软件初始设置。

(2)***功能选择

在第(1)步参数设置完成后，进入功能选择单元，并自动选择功能1，进入在线监测模块；当数据采集完毕时，自动选择功能2，进入数据分析模块；当操作人员巡检时，选择功能3，进入历史查询模块；需要停止监测时，操作人员选择功能4，***退出，程序结束。

1)当选择功能1时，进入在线监测模块，进行在线监测。在线监测单元首先根据参数设置单元中的采样参数设置，对高速数字采集器进行初始化。然后进行监测方式判断，当监测方式为自动方式时，自动对全站被测盆式绝缘子处的传感器采集的局部放电信号进行循环监测。当监测方式为手动方式时，选择某一个被测盆式绝缘子处的传感器信号进行集中监测，手动方式用于出现局部放电信号超过预警值时需要重点观察的GIS间隔。当监测方式为自动方式时：根据采样定时设置间隔启动定时器，当间隔时间到时，计算机首先通过总线控制多路智能开关，轮流选通传感器阵列中微带贴片天线，同时启动高速数字采集器，依次将各个微带贴片天线的信号转换为数字信号，再通过总线传送至计算机内进行数据处理，并对数据进行显示和存储处理，巡检结束时返回等待下一次定时到来。当监测方式为手动方式时：计算机首先通过总线控制多路智能开关选通传感器阵列中某个微带贴片天线，同时启动高速数字采集器，依次将该微带贴片天线的信号转换为数字信号，再通过总线传送至计算机内进行数据处理，并对数据进行显示和存储处理。存储模块实现了对于测量的局部放电的实时的原始数据自动保存，数据库采用通用的关系型数据库，存储内容包括局部放电信号波形和设备号，采集时间以及最大放电量等。当在线监测完成后，进行退出判断，当退出时，返回第(2)步进行功能选择；当不退出时，自动选择功能2，进入数据分析模块。

2)当选择功能2时，进入数据分析模块，进行数据分析。数据分析单元用于对局部放电数据的复小波去噪和频谱分析，并对故障类型进行模式识别和局部放电源定位。

①复小波去噪：利用本发明人发明的申请号为200510057243.x的“气体绝缘组合电器局部放电在线检测装置及去噪方法”中的复小波去噪方法，采用复小波技术对采集的传感器信号进行去噪处理，去处检测现场存在的白噪、窄带等干扰信号。根据复小波去噪后信号幅值，当大于报警阈值时，则进行声光报警。

②频谱分析：联合时频分析能够细致刻画放电信号在时频平面上所发生的变化过程，对局部放电信号进行频谱分析，能反映出局部放电信号的时频特性，供以后进一步分析。

③模式识别：模式识别对GIS局部放电进行故障诊断，以便准确掌握GIS内部的缺陷性质和指导维修。模式识别的首先要进行特征提取，然后将提取的特征通过神经网络进行模式识别。其特征提取的具体步骤如下：

1>PD信号预处理：对局部放电信号样本进行复小波去噪处理，并将去噪后的信号归一化；

2>处理后信号的复小波分解：对预处理后的信号进行复小波变换，复小波分解层数n为3-5层，得到各个尺度的复小波系数；

3>各尺度系数模糊聚类：对各尺度系数(复小波系数的实部R、虚部I和复合信息R|I|)进行模糊C均值聚类，聚类数c为2-4。

C＝{c_i，1，c_i，2，...，c_i，n}为待分类第i尺度小波系数；V＝{v₁，v₂，...，v_c}为c个聚类中心，v_p∈R^p；隶属矩阵U＝[u_p，k]_nxc，且满足u_p，k∈[0，1]、 $\underset{p=1}{\overset{c}{\mathrm{\Σ}}}{u}_{p,k}=1,$ 给定初始分类矩阵U_cxn ^(l)，其中l为迭代次数。

则初始分类的聚类中心向量：

$V_p^{\left(l\right)}=\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\left[{\left(u_{p,k}^{\left(l\right)}\right)}^m{C}_k\right]}{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left(u_{p.k}^{\left(l\right)}\right)}^m}---\left(1\right)$

更新隶属矩阵：

$u_{p,k}^{(l+1)}=\frac{1}{\underset{j=1}{\overset{c}{\mathrm{\Σ}}}{\left(\frac{\left|\right|C_k-V_p^{\left(l\right)}\left|\right|}{\left|\right|C_k-V_j^{\left(l\right)}\left|\right|}\right)}^{\frac{2}{m-1}}}---\left(2\right)$

目标函数J_b定义为：

$J_b(U,V)=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\underset{p=1}{\overset{c}{\mathrm{\Σ}}}{u}_{\mathrm{pk}}{\left|\right|c_{i,k}-v_p\left|\right|}^2---\left(3\right)$

用式(1)-(3)反复计算聚类中心、分类矩阵(即隶属度矩阵)，直到目标函数J_b达到最小。

4>形成各尺度特征量：将各个尺度下的每个聚类的小波系数的能量作为特征量，每个局部放电样本生成n×c个特征量。

$f_{i,k}=\sqrt{d_{i,1}^2+...+d_{i,m}^2},k=\mathrm{1,2},...,n---\left(4\right)$

其中f_i，k为第i尺度下第k个聚类的特征量，d_i，l，...d_i，m为第i尺度下第k个聚类中的所有的小波系数。

进行模式识别时，首先对不同类型的局部放电波形训练样本按上述特征提取步骤形成特征量库，并训练神经网络；然后将在线监测现场采集的局部放电需要分类的波形样本按上述特征提取步骤形成特征量，并输入神经网络进行局部放电源缺陷类型识别，识别结果供技术人员参考。

④局部放电源定位：利用本发明人发明的申请号为200610054229.9的“气体绝缘组合电器局部放电在线检测定位装置及定位方法”中的局部放电源定位方法进行局部放电源定位。

在第(2)-2)步功能2数据分析完成后，进行退出判断，当退出时，返回第(2)步进行功能选择；当不退出时，自动选择功能1，进入在线监测模块。

3)当选择功能3时，进入历史查询模块，进行历史查询。为方便变电站工作人员及上级管理人员长期观察站内电力设备的运行状况，监测***提供查询功能。首先针对历史局部放电数据进行查询，生成历史数据报表和历史放电信号幅值变化趋势图，并且制定设备年、月和日趋势曲线查询。由于超高频传感器测量的信号幅值和传播路径密切相关，所以用放电量PC来标定有很大的困难。本发明人采用通过在线连续测量UHF局部放电信号波形的信号幅值，观察信号幅值的历史变化趋势，来判断局部放电的严重程度，当信号幅值变化显著时，表示内部绝缘劣化趋势显著，以声光向监测人员报警，技术人员应及时处理。在历史查询完成后，进行退出判断，当退出时，返回第(2)步进行功能选择；当不退出时，继续进行历史查询。

4)当选择功能4时，***退出，程序结束。

本发明采用上述技术方案，基于图形化编程语言LabView和数据库***，实现了一种基于虚拟仪器技术GIS在线监测计算机程序，能够全天候自动监测GIS变电站多点局部放电信号的变化，进行多种数据分析，并具有预警、故障诊断和定位功能，多种查询功能。经试运行表明，该软件具有运行稳定，界面友好，操作方便，功能齐备的特点。本发明可广泛应用于发电厂、变电站的GIS局部放电在线监测中。

附图说明

图1为本发明利用的硬件装置的原理框图；

图2为本发明方法的程序流程框图；

图3为本实施例的在线监测的程序流程图；

图4为本实施例的局部放电波形特征提取的程序流程图；

图5为本实施例的历史查询的程序流程图。

具体实施方式

下面结合具体实施方式，进一步说明本发明。

如图1～5所示，一种基于虚拟仪器技术的气体绝缘组合电器在线监测方法，利用计算机及本申请人申请的申请号为200610054229.9的“气体绝缘组合电器局部放电在线检测定位装置及定位方法”的装置，通过程序进行GIS局部放电的在线监测，具体的方法步骤如下：

(1)参数设置

首先进入参数设置：主要进行采样频率、采样长度、定时长度等采样参数设置，触发阈值设置，报警阈值设置，监测方式(包含手动和自动)设置，滤波参数设置等软件初始设置。

(2)***功能选择

在第(1)步参数设置完成后，进入功能选择单元，并自动选择功能1，进入在线监测模块；当数据采集完毕时，自动选择功能2，进入数据分析模块；当操作人员巡检时，选择功能3，进入历史查询模块；需要停止监测时，操作人员选择功能4，***退出，程序结束。

1)当选择功能1时，进入在线监测模块，按照图3所示的程序流程进行在线监测。在线监测单元首先根据参数设置单元中的采样参数设置，对高速数字采集器进行初始化。然后进行监测方式判断，当监测方式为自动方式时：根据采样定时设置间隔启动定时器，当间隔时间到时，计算机首先通过总线控制多路智能开关，选通传感器阵列中第一个微带贴片天线，同时启动高速数字采集器，依次将各个微带贴片天线的信号转换为数字信号，再通过总线传送至计算机内进行数据处理，并对数据进行显示和存储处理，本次处理完毕后判断一次巡检是否结束，当巡检未结束时，选通传感器阵列中下一个微带贴片天线，进行信号采集、波形显示和数据存储处理；当巡检结束时，返回等待下一次定时间隔到来。当监测方式为手动方式时：计算机首先通过总线控制多路智能开关选通传感器阵列中某个微带贴片天线，同时启动高速数字采集器，依次将该微带贴片天线的信号转换为数字信号，再通过总线传送至计算机内进行数据处理，并对数据进行显示和存储处理。存储模块实现了对于测量的局部放电的实时的原始数据自动保存，数据库采用通用的关系型数据库，存储内容包括局部放电信号波形和设备号，采集时间以及最大放电量等。当在线监测完成后，进行退出判断，当退出时，返回第(2)步进行功能选择；当不退出时，自动选择功能2，进入数据分析模块。

2)当选择功能2时，进入数据分析模块，进行数据分析。数据分析单元用于对局部放电数据的复小波去噪和频谱分析，并对故障类型进行模式识别和局部放电源定位。

①复小波去噪：利用本发明人发明的申请号为200510057243.x的“气体绝缘组合电器局部放电在线检测装置及去噪方法”中的复小波去噪方法，采用复小波技术对采集的传感器信号进行去噪处理，去处检测现场可能存在的白噪、窄带等干扰信号。根据复小波去噪后信号幅值，当大于报警阈值时，则进行声光报警。

②频谱分析：联合时频分析能够细致刻画放电信号在时频平面上所发生的变化过程，对局部放电信号进行频谱分析，能反映出局部放电信号的时频特性，供以后进一步分析。

③模式识别：模式识别的首先要进行特征提取，然后将提取的特征通过神经网络进行模式识别。其中特征提取的具体步骤如下：

1>PD信号预处理：对局部放电信号样本进行复小波去噪处理，并将去噪后的信号归一化；

2>处理后信号的复小波分解：对预处理后的信号进行复小波变换，复小波分解层数n为5层，得到各个尺度的复小波系数；

3>各尺度系数模糊聚类：对各尺度系数(复小波系数的实部R、虚部I和复合信息R|I|)进行模糊C均值聚类，聚类数c为3。

C＝{c_i，1，c_i，2，...，c_i，n}为待分类第i尺度小波系数；V＝{v₁，v₂，...，v_c}为c个聚类中心，v_p∈R^p；隶属矩阵U＝[u_p，k]_nxc，且满足u_p，k∈[0，1]、 $\underset{p=1}{\overset{c}{\mathrm{\Σ}}}{u}_{p,k}=1,$ 给定初始分类矩阵U_cxn ^(l)，其中l为迭代次数。

则初始分类的聚类中心向量：

$V_p^{\left(l\right)}=\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\left[{\left(u_{p,k}^{\left(l\right)}\right)}^m{C}_k\right]}{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left(u_{p.k}^{\left(l\right)}\right)}^m}---\left(1\right)$

更新隶属矩阵：

$u_{p,k}^{(l+1)}=\frac{1}{\underset{j=1}{\overset{c}{\mathrm{\Σ}}}{\left(\frac{\left|\right|C_k-V_p^{\left(l\right)}\left|\right|}{\left|\right|C_k-V_j^{\left(l\right)}\left|\right|}\right)}^{\frac{2}{m-1}}}---\left(2\right)$

目标函数J_b定义为：

$J_b(U,V)=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\underset{p=1}{\overset{c}{\mathrm{\Σ}}}{u}_{\mathrm{pk}}{\left|\right|c_{i,k}-v_p\left|\right|}^2---\left(3\right)$

用式(1-3)反复计算聚类中心、分类矩阵(即隶属度矩阵)，直到目标函数J_b达到最小。

4>形成各尺度特征量：将各个尺度下的每个聚类的小波系数的能量作为特征量，每个局部放电样本生成15个特征量。

$f_{i,k}=\sqrt{d_{i,1}^2+...+d_{i,m}^2},k=\mathrm{1,2},3---\left(4\right)$

其中f_i，k为第i尺度下第k个聚类的特征量，d_i，l，...，d_i，m为第i尺度下第k个聚类中的所有的小波系数。

进行模式识别时，首先对不同类型的局部放电波形训练样本按上述特征提取步骤形成特征量库，并训练神经网络；然后将在线监测现场采集的局部放电需要分类的波形样本按上述特征提取步骤形成特征量，并输入神经网络进行局部放电源缺陷类型识别，识别结果供技术人员参考。

④局部放电源定位：利用本发明人发明的申请号为200610054229.9的“气体绝缘组合电器局部放电在线检测定位装置及定位方法”中的局部放电源定位方法进行局部放电源定位。

在第(2)-2)步功能2数据分析完成后，进行退出判断，当退出时，返回第(2)步进行功能选择；当不退出时，自动选择功能1，进入在线监测模块。

3)当选择功能3时，进入历史查询模块，按照图5所示的程序流程进行历史查询，其具体步骤如下：

首先选择历史查询的年、月和日，并选择需要查询的传感器阵列中的传感器对应的设备号，然后进行是否查询的判断，当查询时，进行该设备的历史局部放电数据查询处理并显示；当不查询时，返回重新输入查询日期选择。显示内容包括历史局部放电数据，历史数据报表和历史放电信号幅值变化趋势图。操作人员通过观察放电幅值的历史变化趋势，来判断局部放电的严重程度，当放电幅值变化显著时，表示内部绝缘劣化趋势显著，以声光向监测人员报警，技术人员应及时处理。在历史查询完成后，进行退出判断，当退出时，返回第(2)步进行功能选择；当不退出时，继续进行历史查询。

4)当选择功能4时，***退出，程序结束。

Claims (2)

1、一种基于虚拟仪器技术的气体组合电器在线监测方法，利用计算机，通过基于虚拟仪器技术的GIS在线监测计算机程序进行局部放电在线监测，其具体的方法步骤如下：

(1)参数设置

首先进入参数设置：主要进行采样频率、采样长度、定时长度采样参数设置，触发阈值设置，报警阈值设置，监测方式即手动和自动方式设置，滤波参数设置；

(2)***功能选择

在第(1)步参数设置完成后，进入功能选择单元，并自动选择功能1，进入在线监测模块；当数据采集完毕时，自动选择功能2，进入数据分析模块；当操作人员巡检时，选择功能3，进入历史查询模块；需要停止监测时，操作人员选择功能4，***退出，程序结束；

1)当选择功能1时，进入在线监测模块，进行在线监测，在线监测单元首先根据参数设置单元中的采样参数设置，对高速数字采集器进行初始化，然后进行监测方式判断，当监测方式为自动方式时，自动对全站被测盆式绝缘子处的传感器采集的局部放电信号进行循环监测，当监测方式为手动方式时，选择某一个被测盆式绝缘子处的传感器信号进行集中监测，手动方式用于出现局部放电信号超过预警值时需要重点观察的GIS间隔，当监测方式为自动方式时：根据采样定时设置间隔启动定时器，当间隔时间到时，计算机首先通过总线控制多路智能开关，轮流选通传感器阵列中微带贴片天线，同时启动高速数字采集器，依次将各个微带贴片天线的信号转换为数字信号，再通过总线传送至计算机内进行数据处理，并对数据进行显示和存储处理，巡检结束时返回等待下一次定时到来，当监测方式为手动方式时：计算机首先通过总线控制多路智能开关选通传感器阵列中某个微带贴片天线，同时启动高速数字采集器，依次将该微带贴片天线的信号转换为数字信号，再通过总线传送至计算机内进行数据处理，并对数据进行显示和存储处理，存储模块实现了对于测量的局部放电的实时的原始数据自动保存，数据库采用通用的关系型数据库，存储内容包括局部放电信号波形和设备号，采集时间以及最大放电量，当在线监测完成后，进行退出判断，当退出时，返回第(2)步进行功能选择；当不退出时，自动选择功能2，进入数据分析模块；

2)当选择功能2时，进入数据分析模块，进行数据分析，数据分析单元用于对局部放电数据的复小波去噪和频谱分析，并对故障类型进行模式识别和局部放电源定位；

①复小波去噪：采用复小波技术对采集的传感器信号进行去噪处理，去除检测现场存在的白噪、窄带干扰信号，根据复小波去噪后信号幅值，当大于报警阈值时，则进行声光报警；

②频谱分析：联合时频分析能够细致刻画放电信号在时频平面上所发生的变化过程，对局部放电信号进行频谱分析，能反映出局部放电信号的时频特性，供以后进一步分析；

③模式识别：模式识别对GIS局部放电进行故障诊断，以便准确掌握GIS内部的缺陷性质和指导维修，模式识别的首先要进行特征提取，然后将提取的特征通过神经网络进行模式识别，其特征提取的具体步骤如下：

1＞PD信号预处理：对局部放电信号样本进行复小波去噪处理，并将去噪后的信号归一化；

2＞处理后信号的复小波分解：对预处理后的信号进行复小波变换，复小波分解层数n为3-5层，得到各个尺度的复小波系数；

3＞各尺度系数模糊聚类：对各尺度系数即复小波系数的实部R、虚部I和复合信息R|I|，进行模糊C均值聚类，聚类数c为2-4；

C＝{c_i，1，c_i，2，…，c_i，n}为待分类第i尺度小波系数；V＝{v₁，v₂，…，v_c}为c个聚类中心，v_p∈R^P：隶属矩阵U＝[u_p，k]_nxc，且满足u_p，k∈[0，1]、 $\underset{p=1}{\overset{c}{\mathrm{\Σ}}}{u}_{p,k}=1,$ 给定初始分类矩阵U_cxn ^(l)，其中l为迭代次数；

则初始分类的聚类中心向量：

$V_p^{\left(l\right)}=\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\left[{\left(u_{p,k}^{\left(l\right)}\right)}^m{C}_k\right]}{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left(u_{p,k}^{\left(l\right)}\right)}^m}---\left(1\right)$

更新隶属矩阵：

$u_{p,k}^{(l+1)}=\frac{1}{\underset{j=1}{\overset{c}{\mathrm{\Σ}}}{\left(\frac{\left|\right|C_k-V_p^{\left(l\right)}\left|\right|}{\left|\right|C_k-V_j^{\left(l\right)}\left|\right|}\right)}^{\frac{2}{m-1}}}---\left(2\right)$

目标函数J_b定义为：

$J_b(U,V)=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\underset{p=1}{\overset{c}{\mathrm{\Σ}}}{u}_{\mathrm{pk}}{\left|\right|c_{i,k}-v_p\left|\right|}^2---\left(3\right)$

用式(1)-(3)反复计算聚类中心、分类矩阵即隶属度矩阵，直到目标函数J_b达到最小；

4＞形成各尺度特征量：将各个尺度下的每个聚类的小波系数的能量作为特征量，每个局部放电样本生成n×c个特征量；

$f_{i,k}=\sqrt{d_{i,j}^2+\·\·\·+d_{i,m}^2},k=\mathrm{1,2},\·\·\·,n---\left(4\right)$

其中f_i，k为第i尺度下第k个聚类的特征量，d_i，j，…，d_i，m为第i尺度下第k个聚类中的所有的小波系数；

进行模式识别时，首先对不同类型的局部放电波形训练样本按上述特征提取步骤形成特征量库，并训练神经网络；然后将在线监测现场采集的局部放电需要分类的波形样本按上述特征提取步骤形成特征量，并输入神经网络进行局部放电源缺陷类型识别，识别结果供技术人员参考：

④局部放电源定位；

在第(2)-2)步功能2数据分析完成后，进行退出判断，当退出时，返回第(2)步进行功能选择；当不退出时，自动选择功能1，进入在线监测模块；

3)当选择功能3时，进入历史查询模块，进行历史查询，为方便变电站工作人员及上级管理人员长期观察站内电力设备的运行状况，监测***提供查询功能，首先针对历史局部放电数据进行查询，生成历史数据报表和历史放电信号幅值变化趋势图，并且制定设备年、月和日趋势曲线查询，由于超高频传感器测量的信号幅值和传播路径密切相关，所以用放电量PC来标定有很大的困难，本发明人采用通过在线连续测量UHF局部放电信号波形的信号幅值，观察信号幅值的历史变化趋势，来判断局部放电的严重程度，当信号幅值变化显著时，表示内部绝缘劣化趋势显著，以声光向监测人员报警，技术人员应及时处理，在历史查询完成后，进行退出判断，当退出时，返回第(2)步进行功能选择；当不退出时，继续进行历史查询；

4)当选择功能4时，***退出，程序结束。

2、按照权利要求1所述的基于虚拟仪器技术的气体绝缘组合电器在线监测方法，其特征在于，具体的方法步骤如下：

(1)参数设置

首先进入参数设置：主要进行采样频率、采样长度、定时长度采样参数设置，触发阈值设置，报警阈值设置，监测方式即手动和自动方式设置，滤波参数设置；

(2)***功能选择

在第(1)步参数设置完成后，进入功能选择单元，并自动选择功能1，进入在线监测模块；当数据采集完毕时，自动选择功能2，进入数据分析模块；当操作人员巡检时，选择功能3，进入历史查询模块；需要停止监测时，操作人员选择功能4，***退出，程序结束；

1)当选择功能1时，进入在线监测模块，在线监测单元首先根据参数设置单元中的采样参数设置，对高速数字采集器进行初始化，然后进行监测方式判断，当监测方式为自动方式时：根据采样定时设置间隔启动定时器，当间隔时间到时，计算机首先通过总线控制多路智能开关，选通传感器阵列中第一个微带贴片天线，同时启动高速数字采集器，依次将各个微带贴片天线的信号转换为数字信号，再通过总线传送至计算机内进行数据处理，并对数据进行显示和存储处理，本次处理完毕后判断一次巡检是否结束，当巡检未结束时，选通传感器阵列中下一个微带贴片天线，进行信号采集、波形显示和数据存储处理；当巡检结束时，返回等待下一次定时间隔到来，当监测方式为手动方式时：计算机首先通过总线控制多路智能开关选通传感器阵列中某个微带贴片天线，同时启动高速数字采集器，依次将该微带贴片天线的信号转换为数字信号，再通过总线传送至计算机内进行数据处理，并对数据进行显示和存储处理，存储模块实现了对于测量的局部放电的实时的原始数据自动保存，数据库采用通用的关系型数据库，存储内容包括局部放电信号波形和设备号，采集时间以及最大放电量，当在线监测完成后，进行退出判断，当退出时，返回第(2)步进行功能选择：当不退出时，自动选择功能2，进入数据分析模块；

2)当选择功能2时，进入数据分析模块，进行数据分析，数据分析单元用于对局部放电数据的复小波去噪和频谱分析，并对故障类型进行模式识别和局部放电源定位；

①复小波去噪：采用复小波技术对采集的传感器信号进行去噪处理，去除检测现场存在的白噪、窄带干扰信号，根据复小波去噪后信号幅值，当大于报警阈值时，则进行声光报警；

②频谱分析：联合时频分析能够细致刻画放电信号在时频平面上所发生的变化过程，对局部放电信号进行频谱分析，能反映出局部放电信号的时频特性，供以后进一步分析；

③模式识别：模式识别的首先要进行特征提取，然后将提取的特征通过神经网络进行模式识别，其中特征提取的具体步骤如下：

1＞PD信号预处理：对局部放电信号样本进行复小波去噪处理，并将去噪后的信号归一化；

2＞处理后信号的复小波分解：对预处理后的信号进行复小波变换，复小波分解层数n为5层，得到各个尺度的复小波系数；

3＞各尺度系数模糊聚类：对各尺度系数即复小波系数的实部R、虚部I和复合信息R|I|，进行模糊C均值聚类，聚类数c为3；

C＝{c_i，1，c_i，2，…，c_i，n}为待分类第i尺度小波系数；V＝{v₁，v₂，…，v_c}为c个聚类中心，v_p∈R^P；隶属矩阵U＝[u_p，k]_nxc，且满足u_p，k∈[0，1]、 $\underset{p=1}{\overset{c}{\mathrm{\Σ}}}{u}_{p,k}=1,$ 给定初始分类矩阵U_cxn ^(l)，其中l为迭代次数；

则初始分类的聚类中心向量：

$V_p^{\left(l\right)}=\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\left[{\left(u_{p,k}^{\left(l\right)}\right)}^m{C}_k\right]}{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left(u_{p,k}^{\left(l\right)}\right)}^m}---\left(1\right)$

更新隶属矩阵：

$u_{p,k}^{(l+1)}=\frac{1}{\underset{j=1}{\overset{c}{\mathrm{\Σ}}}{\left(\frac{\left|\right|C_k-V_p^{\left(l\right)}\left|\right|}{\left|\right|C_k-V_j^{\left(l\right)}\left|\right|}\right)}^{\frac{2}{m-1}}}---\left(2\right)$

目标函数J_b定义为：

$J_b(U,V)=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\underset{p=1}{\overset{c}{\mathrm{\Σ}}}{u}_{\mathrm{pk}}{\left|\right|c_{i,k}-v_p\left|\right|}^2---\left(3\right)$

用式(1)-(3)反复计算聚类中心、分类矩阵即隶属度矩阵，直到目标函数J_b达到最小，

4＞形成各尺度特征量：将各个尺度下的每个聚类的小波系数的能量作为特征量，每个局部放电样本生成15个特征量；

$f_{i,k}=\sqrt{d_{i,j}^2+\·\·\·+d_{i,m}^2},k=\mathrm{1,2,3}---\left(4\right)$

其中f_i，k为第i尺度下第k个聚类的特征量，d_i，j，…，d_i，m为第i尺度下第k个聚类中的所有的小波系数；

进行模式识别时，首先对不同类型的局部放电波形训练样本按上述特征提取步骤形成特征量库，并训练神经网络；然后将在线监测现场采集的局部放电需要分类的波形样本按上述特征提取步骤形成特征量，并输入神经网络进行局部放电源缺陷类型识别，识别结果供技术人员参考；

④局部放电源定位；

在第(2)-2)步功能2数据分析完成后，进行退出判断，当退出时，返回第(2)步进行功能选择；当不退出时，自动选择功能1，进入在线监测模块；

3)当选择功能3时，进入历史查询模块，其具体步骤如下：

首先选择历史查询的年、月和日，并选择需要查询的传感器阵列中的传感器对应的设备号，然后进行是否查询的判断，当查询时，进行该设备的历史局部放电数据查询处理并显示；当不查询时，返回重新输入查询日期选择，显示内容包括历史局部放电数据，历史数据报表和历史放电信号幅值变化趋势图，操作人员通过观察放电幅值的历史变化趋势，来判断局部放电的严重程度，当放电幅值变化显著时，表示内部绝缘劣化趋势显著，以声光向监测人员报警，技术人员应及时处理，在历史查询完成后，进行退出判断，当退出时，返回第(2)步进行功能选择；当不退出时，继续进行历史查询；

4)当选择功能4时，***退出，程序结束。

Images