CN105676085B - 基于多传感器信息融合的特高压gis局部放电检测方法 - Google Patents
基于多传感器信息融合的特高压gis局部放电检测方法 Download PDFInfo
- Publication number
- CN105676085B CN105676085B CN201610066399.2A CN201610066399A CN105676085B CN 105676085 B CN105676085 B CN 105676085B CN 201610066399 A CN201610066399 A CN 201610066399A CN 105676085 B CN105676085 B CN 105676085B
- Authority
- CN
- China
- Prior art keywords
- sensor
- fault
- detection method
- gas
- fusion
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 68
- 230000004927 fusion Effects 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims description 17
- 239000012212 insulator Substances 0.000 claims description 9
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 239000013307 optical fiber Substances 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 230000007547 defect Effects 0.000 description 28
- 229910018503 SF6 Inorganic materials 0.000 description 23
- SFZCNBIFKDRMGX-UHFFFAOYSA-N sulfur hexafluoride Chemical compound FS(F)(F)(F)(F)F SFZCNBIFKDRMGX-UHFFFAOYSA-N 0.000 description 23
- 230000000694 effects Effects 0.000 description 7
- 238000004088 simulation Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000009413 insulation Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 229910052717 sulfur Inorganic materials 0.000 description 3
- 239000011800 void material Substances 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 229910052752 metalloid Inorganic materials 0.000 description 2
- 150000002738 metalloids Chemical class 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 239000003463 adsorbent Substances 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- VMQPMGHYRISRHO-UHFFFAOYSA-N benzvalene Chemical group C1=CC2C3C1C32 VMQPMGHYRISRHO-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000004925 denaturation Methods 0.000 description 1
- 230000036425 denaturation Effects 0.000 description 1
- 239000002274 desiccant Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000010292 electrical insulation Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002923 metal particle Substances 0.000 description 1
- 239000013528 metallic particle Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 229960000909 sulfur hexafluoride Drugs 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1209—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing using acoustic measurements
-
- 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
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开一种基于多传感器信息融合的特高压GIS局部放电检测方法,涉及基于超声波、超高频和SF6气体检测三种类型传感器的多传感器信息融合***,故障定位部分,***首先对超声波和超高频法采用到达时间差TDOA方法,利用BP神经网络进行一级数据融合,初步判别故障位置,然后利用只有故障气室产生SF6气体分解物这一特点,将TDOA与SF6气体分解物组份检测法识别故障位置结果,运用D‑S证据论进行决策融合,实现PD故精确定位,解决目前基于单一类型传感器在线监测***故障定位和故障类型识别准确率和正确率低的问题,可有效避免基于单一类型传感器在线检测装置存在的误报、漏报及不报现象。
Description
技术领域
本发明涉及一种特高压设备局部放电检测方法技术领域,尤其是涉及一种基于多传感器信息融合的特高压GIS局部放电检测方法。
背景技术
气体绝缘组合电器是将断路器、隔离开关、接地开关、母线等多种设备全部封闭在充满六氟化硫气体金属外壳中的组合式开关电器,气体绝缘组合电器是高压输变电工程中的关键设备,一旦出现故障,将可能造成电网重大事故发生。绝缘降低是气体绝缘组合电器设备故障的主要原因,对气体绝缘组合电器(GasInsulatedSwitchgear,GIS)进行在线局部放电(PartialDischarge,PD)检测可有效掌握GIS内部绝缘状况,预防GIS绝缘故障跳闸造成电网事故。
GIS局部放电会产生声波和电磁信号,跳动粒子和局部放电为两个声波发射源,在腔体外壁中传播的声波除纵波外还有横波,超声波检测法通过超声波探头检测PD产生的超声波及振动信号来检测PD信号,超高频法(UltraHighFrequency,UHF)通过天线接收PD产生的300~3000MHz频段UHF电磁波信号来检测PD信号。同时由于不同绝缘缺陷引起的PD所产生不同的分解化合气体,通过检测GIS气室中分解组份即可判断是否有PD发生,SF6分解物检测法通过对PD引起的GIS内部SF6气体分解生成的各种特征气体含量来检测PD信号。这三种方法是目前在GIS局部放电检测领域内较为有效的方法。
超声波法受到现场噪声干扰较大,超高频检测法不能够准确进行故障定位,SF6气体分解物组份检测法时效性差。同时两种信号在GIS内部传输至探头过程中衰减较快,增加了超声波或者超高频传感器放电信号采集及滤波分析等难度,故此两种单一方法精确定位故障位置效果并不理想。故障气室产生SF6气体分解物,可以进行故障定位。但是SF6分解物组分检测法一般是在PD发生15小时后,其时效性较差。且SF6气体分解物含量达到一定数量,才能够有效识别,如果故障放电量较小可能检测效果较差,短脉冲放电不一定产生足够的分解物。
在GIS内部模拟突出物A类缺陷、附着物B类缺陷、绝缘子气隙C类缺陷及自由微粒D类缺陷等4种绝缘缺陷,运用此三种方法进行故障检测,对检测图谱分析可知:超声波检测法对D类自由金属颗粒缺陷引起的PD检测效果最明显,对B类绝缘子附着污染物缺陷放电检测并不明显;超高频检测法中对A类金属突出物和C类绝缘子气隙缺陷引起的PD检测效果最为明显,对D类自由金属微粒缺陷放电检测效果最差;SF6分解物组分检测法一般是在PD发生15小时后,SF6气体分解物含量达到一定数量,才能够有效识别,其中A类金属突出物和B类绝缘子附着污染物缺陷产生的PD最稳定,且产气量大、分解速率高,识别效果最好,C类绝缘子气隙缺陷PD产气量相对较小,识别效果较差。同时气体中的吸附剂和干燥剂可会严重影响化学方法测的准确性。
申请号为201410049395.4的专利公开一种适用于特高压换流变压器绕组内部局部放电定位方法及装置,按数据流向连接顺序依次包括:DFB激光器、光纤起偏器集成模块、单相三柱并联结构传播电路、光纤检偏器集成模块、PIN光电探测器及处理模块、16通道局部放电同步检测***、特高压换流变压器绕组内部局部放电定位***;在单相三柱并联结构传播电路中内置16个光纤电流传感单元,获取局部放电信号比例关系,并分析与外接阀侧套管、网侧套管和铁心接地的局部放电信号的关联特征,实现换流变压器现场局部放电试验中干扰信号的辨识及多柱并联网侧及阀侧放电源的定位。可有效地判别设备绝缘状况,为专家综合评估特高压换流变性能提供依据。
申请号为201510106402.4的专利公开一种交流特高压主变调变联合局部放电试验***,包括变频电源、试验变压器、补偿电抗器、电容分压器、局部放电检测***、以及调压补偿变压器和交流特高压主体变压器,变频电源的输出端与试验变压器的低压侧连接,试验变压器的高压侧与调压补偿变压器的低压侧连接,调压补偿变压器的高压侧与交流特高压主体变压器的低压侧连接,在试验变压器和调压补偿变压器之间并联补偿电抗器和电容分压器,在交流特高压主体变压器和调压补偿变压器上均装有局部放电检测***。
上述基于单一类型传感器的三种在线检测目前存在不同的问题,同时针对特高压的具体情况,会出现不同的局限性,所以本发明分析局部放电产生时的信号,结合当前电子信息、控制理论学科和电力检测技术,提出一种基于多传感器信息融合的1000kVGIS局部放电在线检测方法的整体方案和算法实现。
发明内容
有鉴于此,本发明的目的是针对现有技术的不足,提供一种基于多传感器信息融合的特高压GIS局部放电检测方法,可有效避免基于单一类型传感器在线检测装置存在的误报、漏报及不报现象,对1000kVGIS设备绝缘状态检测的研究有一定的参考价值。用以解决现有1000kV气体绝缘组合电器局部放电缺陷检测手段单一,精度低、准确率低等问题。
为达到上述目的,本发明采用以下技术方案:基于多传感器信息融合的特高压GIS局部放电检测方法,包括如下步骤:1)信号采集:由多类传感器组成集合单元,通过集合单元采集现场信息并转换为电信号;2)信息融合:经过数据采集与预处理将同质传感器的采集信息进行融合;3)故障定位:定位部分局部放电故障,包括进行初步判别故障位置的一级数据融合和运用D-S证据理论进行的决策融合,实现放电精确定位;4)故障类型判断:采用不同类别的传感器采集方法检测出故障类型后,运用D-S证据理论进行决策级融合,得出准确性较高的故障类型;5)决策输出:由故障分析软件实现检测结果的判定和输出;
所述故障定位包括局部放电故障定位部分,对超声波和超高频法采用TDOA法,首先利用BP神经网络进行一级数据融合,初步判别故障位置;再利用只有故障气室产生SF6气体分解物这一特点,将TDOA与SF6气体分解物组份检测法识别故障位置结果,运用D-S证据理论进行决策融合,实现放电精确定位。
进一步地,所述集合单元包括超声波传感器、超高频传感器和SF6气体检测传感器。
进一步地,所述超声波传感器和所述超高频传感器设置在同一气室GIS盆式绝缘子或者外壳上,所述SF6气体检测传感器设置在GIS气室气体密度表计出口处;
进一步地,所述信息融合是同时将超声波传感器、将超高频传感器、SF6气体检测传感器采集到的局放信号经由光纤,由数据采集卡和上位机进行数据采集,对数据行预处理。
进一步地,所述上位机包括安装有客户端软件的PC终端,所述客户端软件运用专家***进行数据分析处理。
进一步地,所述故障分析软件包括Labview软件,用来实现输出放电位置、类型识别结果。
进一步地,所述上位机连接逻辑控制模块、数字信号处理器和网络端口。
本发明的有益效果是:
本发明将多传感器信息对特高压GIS局部放电检测的方法进行融合,克服了单一类型传感器在线检测目前存在的不同问题:首先,克服了超高频检测法不能够准确进行故障定位以及SF6气体分解物组份检测法时效性差的问题;同时,通过三种单一检测方法的互补,克服了外界不同因素干扰的问题,很大程度上提高了检测结果的准确性和可靠性;因此,运用声波、高频、分解物组份相结合的在线检测方法,存在互补的协同作用,可以对1000kV GIS设备PD故障进行完全有效识别,满足《国家电网公司高压开关设备在线检测装置规范》的要求,通过设计多传感器信息融合在线检测***结构,有效避免基于单一类型传感器在线检测装置存在的误报、漏报及不报现象,对1000kVGIS设备绝缘状态检测的研究有很大的参考价值,并大大提升了故障检测的时效性和类型识别的准确性,值得广泛推广与使用。
附图说明
图1是本发明的GIS局部放电多信息融合方法流程图。
图2是本发明的声电检测故障定位***结构框图。
图3是本发明一级数据融合的网络拓扑结构图。
图4是本发明数据信息融合的算法流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步描述。
如图1至图4所示,图1为本发明提供的基于多传感器信息融合的GIS局部放电在线检测方法原理示意图。它包括:1)多类传感器的集合,由超声波、超高频、SF6气体检测传感器三种不同类型传感器构成,将现场采集到的信息转换为电信号;2)同质传感器采集信息融合部分,将采集到的局放信号经由光纤,由数据采集卡和上位机进行数据采集,先对数据行预处理,将处理后的同质数据进行信息融合;3)局部放电故障定位部分,对超声波和超高频法采用TDOA法,首先利用BP神经网络进行一级数据融合,初步判别故障位置,然后利用只有故障气室产生SF6气体分解物这一特点,将TDOA与SF6气体分解物组份检测法识别故障位置结果,运用D-S证据理论进行决策融合,实现放电精确定位;4)判断局部放电故障类型,采用3种单一方法检测出故障类型后,运用D-S证据理论进行决策级融合,得出准确性较高的故障类型;5)决策输出,由Labview软件实现输出放电位置、类型识别结果。
本发明的重点在于局部放电故障定位部分和类型部分的判断,下面以检测方法采用一个超高频传感器、六个超声波传感器以及多个SF6气体传感器联合检测的结构进行说明。
第一步,对超声波和超高频传感器进行声电联合检测,采用到达时间差TDOA法结合BP神经网络数据融合,判别出故障位置,进行一级融合,如图2所示,由一个超高频传感器和六个超声波传感器排列组合知识可得20个TDOA定位子***,即20个定位目标。所以,可以通过TDOA定位原理来找到放电源目标坐标:假定共有n个传感器,局放源的空间坐标为(x,y,z),传感器的空间坐标为(xi,yi,zi),其中i=0,1,…,n-1。电磁信号传播速度远大于声波,假定UHF传感器接收到局放电磁波信号时刻t0,其坐标为(x0,y0,z0)。
以1个基准点为(0,0,0)的UHF传感器和6个超声传感器为例进行联合定位方法研究,则根据空间距离方程得到20个定位坐标,利用合适的数据融合技术,将这些定位坐标值进行融合从而得到局放源确切的坐标。
接着,需要采用BP动量-自适应学习率调整算法对数据进行融合分析,步骤如下:
1)选择符合***需求的神经网路模型,如图3所示:
网络拓扑结构:12×20×3。
输入层:包含12个节点,分别对应每个样本三个超声波传感器位置坐标,以及三个超声波传感器与超高频传感器接收到局放信号的时间差。
隐含层:包含20个节点,选择双极性S型函数作为神经元函数。
输出层:3个节点,为最终定位目标的空间坐标。
另外,学习速率为0.05;动态向量为0.9;最大循环次数为1000;学习误差为0.001。
2)训练模型,图4为数据信息融合的算法流程图,主要来确定各层之间的连接权值,可以利用MATLAB6.5中的神经网络工具箱进行定位仿真,包括训练函数的选择,为了提高训练速度,采用动量-自适应学习率调整算法,并进行融合误差分析,对20组样本数据进行训练,每组数据单独仿真5次,得到的误差曲线,使最终目标达到0.001。
为了检验融合分析的成果,可以对结果进行仿真验证
设定5个故障点进行仿真验证的结果,如表1所示,将超声波和超高频法定位结果的算术平均值和本发明设计的BP神经网络比较可知,BP网络融合法误差减小,融合精度大大提高。
序号 | 故障位置坐标 | 超声波与超高频结果平均值 | 误差 | BP融合结果 | 误差 |
1 | (0,1,40) | (-1.85,1.13,48.12) | 8.33 | (0.45,1.39,42.25) | 2.32 |
2 | (2,10,54) | (4.43,13.12,57.85) | 5.52 | (2.22,11.21,54.41) | 1.30 |
3 | (56,67,88) | (44.56,55.11,62.37) | 30.48 | (51.02,62.21,80.78) | 9.99 |
4 | (83,110,67) | (70.12,96.04,55.11) | 22.41 | (75.22,101.5,62.21) | 12.48 |
5 | (70,65,40) | (59.16,54.72,32.37) | 14.27 | (65.95,61.01,36.99) | 6.433 |
表1
第二步:由于仅故障气室产生SF6气体分解物组份,将声电联合检测结果与SF6气体分解物组份检测法故障位置识别结果,利用D-S证据理论决策级融合进行二级融合,实现PD故障精确定位实现过程:通过一个具体模拟试验例子进行说明。
根据试验模型,在有4个气室的1000kVGIS模型中设置1个金属突出物故障,故障气室设置在第2个气室。构建PD故障气室位置识别框架,由A1、A2、A3、A4分别代表气室1、2、3、4。用S代表超声波法,P代表超高频法,Q代表SF6气体分解物组份检测法,S&P表示BP神经网络融合后的TDOA定位数据结果,(S&P)&Q表示D-S证据理论数据融合决策结果。3种方法对故障气室位置检测结果及信息融合后的可信度分配,如表2所示。
检测方法 | m(A1) | m(A2) | m(A3) | m(A4) | 不确定m(-) |
1超声波S | 0.021 | 0.587 | 0.021 | 0.032 | 0.339 |
2超高频法P | 0.163 | 0.447 | 0.003 | 0.118 | 0.269 |
3分解物组份Q | 0.031 | 0.673 | 0.007 | 0.012 | 0.277 |
4BP融合(S&P) | 0.0817 | 0.727 | 0.0085 | 0.066 | 0.115 |
5D-S融合(S&P)&Q | 0.0337 | 0.9006 | 0.0037 | 0.0241 | 0.0376 |
表2
由上表可知,超高频和超声波检测方法通过BP神经网络融合后,故障的可信度大大提高了,并且经过融合后,不确定度值比3种检测方法单一定位结果的不确定度低了许多。运用D-S证据理论,根据两个信度函数的合成算法,将BP融合(S&P)可信度值与分解物组份Q判定的可信度结果进行决策级融合。计算得出融合后的可信度分配诊断结果:证据体5(S&P)&Q融合后的m(θ)=0.0376,m(A2)=0.9006,其中m(θ)明显减小,即诊断结果的不确定性降低,故障A2的可信度大幅提高,对应故障诊断的可靠性也大幅提高。3种辨识信息的输出结论基本一致,即都认为气室2出现故障的概率较大。m(A1)=0.9006>m(θ),m(A2)=0.0337,m(A1)-m(A2)=0.9006-0.0337=0.8669>ε,本文预设ε门槛值取0.25,融合的结果满足,符合基本概率赋值决策输出判决规则,且判定为气室2故障,与最初设置的故障气室相同。
第三步:多传感器信息融合***的故障类型识别算法:对于局部放电故障类型的判别,运用D-S证据理论对超声波、超高频法和SF6气体分解物组份检测法3种识别结果进行决策级融合。通过具体模拟试验说明:
多传感器信息融合检测***运用D-S证据理论对3种传感器识别的故障类型结果进行决策级融合,得出PD类型具有较高的准确性。对金属突出物缺陷和表面附着物缺陷2种故障类型运用D-S证据理论进行决策级识别。构建故障识别框架,F1为自由导电微粒缺陷;F2为表面附着物缺陷;F3为金属突出物缺陷;F4为绝缘子气隙缺陷。
对金属突出物缺陷进行模拟测试,测试结果如表3所示。通过计算超声波S、超高频P和分解物组份Q等3种信息的BPA及通过D-S合成规则融合结果。首先通过S、P两种检测方法进行可信度数据融合,然后将融合后的结果与分解物组份Q的可信度结果再次进行融合,最终结果如表3中D-S融合(S&P&Q)所示。
表3
由上表可知,D-S融合(S&P&Q)后的m(θ)=0.0010,m(F3)=0.9926,其中m(θ)明显减小,即对诊断结果的不确定性降低,故障F3的可信度大幅提高,对应故障诊断的可靠性也相应大幅提高。3种辨识信息的输出结论基本一致,即都认为金属突出物缺陷的概率较大。融合的结果满足,符合基本概率赋值决策输出判决规则,判定为金属突出物缺陷,与最初设置的故障类型一致。
表4所示为对表面附着物缺陷的模拟测试结果,3种单一检测方法的辨识结果不完全一致,超高频P检测法辨识为F3金属突出物缺陷和F2表面附着物缺陷的概率较大,超声波S和分解物组份Q检测法均认为F2绝缘子表面附着物缺陷的概率较大,但超声波S同时还判别存在F1自由导电微粒缺陷。通过D-S证据理论中S、P和Q检测结果进行计算,得出D-S融合(S&P&Q)决策输出结果,判定为F2绝缘子表面附着物缺陷的概率大大提高,不确定性m(θ)减小为0.0040,其结果满足,符合概率赋值决策输出判决规则,与实际模型设置故障相一致。
检测方法 | m(F1) | m(F2) | m(F3) | m(F4) | 不确定m(-) |
1超声波S | 0.3326 | 0.4153 | 0.1039 | 0.0732 | 0.0750 |
2超高频P | 0.1054 | 0.3357 | 0.3451 | 0.0432 | 0.1706 |
3分解物组份Q | 0.0383 | 0.6101 | 0.2158 | 0.0698 | 0.0660 |
4D-S融合(S&P&Q) | 0.1009 | 0.7997 | 0.0626 | 0.0166 | 0.0040 |
表4
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换,只要不脱离本发明技术方案的精神和范围,均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.基于多传感器信息融合的特高压GIS局部放电检测方法,其特征在于,包括如下步骤:1)信号采集:由多类传感器组成集合单元,通过集合单元采集现场信息并转换为电信号;2)信息融合:经过数据采集与预处理将同质传感器的采集信息进行融合;3)故障定位:定位部分局部放电故障,包括进行初步判别故障位置的一级数据融合和运用D-S证据理论进行的决策融合,实现放电精确定位;4)故障类型判断:采用不同类别的传感器采集方法检测出故障类型后,运用D-S证据理论进行决策级融合,得出准确性较高的故障类型;5)决策输出:由故障分析软件实现检测结果的判定和输出;
所述故障定位包括局部放电故障定位部分,对超声波和超高频法采用TDOA法,首先利用BP神经网络进行一级数据融合,初步判别故障位置;再利用只有故障气室产生SF6气体分解物这一特点,将TDOA与SF6气体分解物组份检测法识别故障位置结果,运用D-S证据理论进行决策融合,实现放电精确定位。
2.按照权利要求1所述的基于多传感器信息融合的特高压GIS局部放电检测方法,其特征在于:所述集合单元包括超声波传感器、超高频传感器和SF6气体检测传感器。
3.按照权利要求2所述的基于多传感器信息融合的特高压GIS局部放电检测方法,其特征在于:所述超声波传感器和所述超高频传感器设置在同一气室GIS盆式绝缘子或者外壳上,所述SF6气体检测传感器设置在GIS气室气体密度表计出口处。
4.按照权利要求3所述的基于多传感器信息融合的特高压GIS局部放电检测方法,其特征在于:所述信息融合是同时将超声波传感器、将超高频传感器、SF6气体检测传感器采集到的局放信号经由光纤,由数据采集卡和上位机进行数据采集,对数据行预处理。
5.按照权利要求4所述的基于多传感器信息融合的特高压GIS局部放电检测方法,其特征在于:所述上位机包括安装有客户端软件的PC终端,所述客户端软件运用专家*** 进行数据分析处理。
6.按照权利要求1所述的基于多传感器信息融合的特高压GIS局部放电检测方法,其特征在于:所述故障分析软件包括Labview软件,用来实现输出放电位置、类型识别结果。
7.按照权利要求5所述的基于多传感器信息融合的特高压GIS局部放电检测方法,其特征在于:所述上位机连接逻辑控制模块、数字信号处理器和网络端口。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610066399.2A CN105676085B (zh) | 2016-01-31 | 2016-01-31 | 基于多传感器信息融合的特高压gis局部放电检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610066399.2A CN105676085B (zh) | 2016-01-31 | 2016-01-31 | 基于多传感器信息融合的特高压gis局部放电检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105676085A CN105676085A (zh) | 2016-06-15 |
CN105676085B true CN105676085B (zh) | 2018-12-04 |
Family
ID=56302859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610066399.2A Active CN105676085B (zh) | 2016-01-31 | 2016-01-31 | 基于多传感器信息融合的特高压gis局部放电检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105676085B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021152377A1 (en) * | 2020-01-29 | 2021-08-05 | Ecole Polytechnique Federale De Lausanne (Epfl) | Partial discharge localization using time reversal: application to power transformers and gas-insulated substations |
Families Citing this family (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107271867A (zh) * | 2017-06-27 | 2017-10-20 | 国网河南省电力公司检修公司 | 基于d‑s证据理论的gis局部放电故障类型识别方法 |
CN107423384A (zh) * | 2017-07-17 | 2017-12-01 | 国网河南省电力公司检修公司 | 基于信息整合技术的带电检测作业分析管理方法 |
CN107390097A (zh) * | 2017-07-17 | 2017-11-24 | 天津科技大学 | 一种gis声电联合局部放电仿真检测***及其检测方法 |
CN107728014B (zh) * | 2017-08-23 | 2019-09-10 | 国网山东省电力公司检修公司 | 基于多传感器信号特征识别设备绝缘缺陷的方法及*** |
CN108362510B (zh) * | 2017-11-30 | 2020-12-29 | 中国航空综合技术研究所 | 一种基于证据神经网络模型的机械产品故障模式识别方法 |
CN108333480A (zh) * | 2018-01-04 | 2018-07-27 | 国家电网公司华中分部 | 一种变电站局部放电定位***的定位方法 |
CN108919067A (zh) * | 2018-05-28 | 2018-11-30 | 黔南民族师范学院 | 一种用于gis局部放电模式的识别方法 |
CN108427067A (zh) * | 2018-06-12 | 2018-08-21 | 国网江苏省电力有限公司宜兴市供电分公司 | 一种开关柜局部放电故障检测方法、装置及*** |
CN109490728B (zh) * | 2018-11-30 | 2020-12-01 | 合肥工业大学 | 一种基于正则化的变电站局部放电定位方法 |
CN109799432B (zh) * | 2019-02-01 | 2021-06-22 | 国网上海市电力公司 | 一种电气设备放电故障定位装置 |
CN110007366B (zh) * | 2019-03-04 | 2020-08-25 | 中国科学院深圳先进技术研究院 | 一种基于多传感器融合的生命搜寻方法以及*** |
CN110161388B (zh) * | 2019-06-10 | 2021-04-06 | 上海交通大学 | 一种高压设备的故障类型识别方法及其*** |
CN110942221A (zh) * | 2019-08-02 | 2020-03-31 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于物联网的变电站故障快速修复方法 |
CN110850244B (zh) * | 2019-11-11 | 2022-03-11 | 国网湖南省电力有限公司 | 基于深度学习的局放缺陷时域图谱诊断方法、***及介质 |
CN111090024B (zh) * | 2019-11-14 | 2021-11-12 | 国网上海市电力公司 | 基于外部热、声特征信息的gis状态评估方法及装置 |
CN110907769A (zh) * | 2019-11-28 | 2020-03-24 | 深圳供电局有限公司 | 基于神经网络的封闭式气体绝缘组合电器的缺陷检测方法 |
CN111579727A (zh) * | 2020-06-05 | 2020-08-25 | 广东电网有限责任公司广州供电局 | 一种用于配电房的多气体传感检测装置及方法 |
CN112014691A (zh) * | 2020-07-10 | 2020-12-01 | 国网安徽省电力有限公司电力科学研究院 | 电力物联网下多信息融合的局部放电检测终端及方法 |
CN111679166A (zh) * | 2020-07-23 | 2020-09-18 | 国家电网有限公司 | 基于无线传输技术的开关柜局部放电故障多源信息融合检测预警***及方法 |
CN112255282A (zh) * | 2020-10-12 | 2021-01-22 | 哈尔滨理工大学 | 一种基于信息融合技术的二元混合气体浓度检测仪 |
CN112748331A (zh) * | 2020-12-24 | 2021-05-04 | 国网江苏省电力有限公司电力科学研究院 | 一种基于ds证据融合的断路器机械故障识别方法及装置 |
CN113030666B (zh) * | 2021-03-22 | 2024-06-11 | 三门核电有限公司 | 大型变压器放电故障诊断方法及装置 |
CN113378783A (zh) * | 2021-07-02 | 2021-09-10 | 江西北斗变电科技协同创新有限公司 | 基于轻量级卷积神经网络的电力物联网*** |
CN113640629A (zh) * | 2021-07-26 | 2021-11-12 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种gis局部放电状态评估方法、记录媒体及*** |
CN113640633B (zh) * | 2021-08-12 | 2024-04-09 | 贵州大学 | 一种气体绝缘组合电器设备故障定位方法 |
CN114295946B (zh) * | 2021-12-30 | 2023-07-04 | 国网河南省电力公司电力科学研究院 | 一种多特高频传感器组多样本信号逐次逼近求解方法 |
CN114636882A (zh) * | 2022-03-24 | 2022-06-17 | 国网江西省电力有限公司电力科学研究院 | 一种基于数字孪生的变压器偏磁检测***及方法 |
CN115453286B (zh) * | 2022-09-01 | 2023-05-05 | 珠海市伊特高科技有限公司 | Gis局部放电诊断方法、模型训练方法、装置及*** |
CN117347796B (zh) * | 2023-09-28 | 2024-06-18 | 国网四川省电力公司电力科学研究院 | 一种基于智能网关的开关设备局部放电诊断***及方法 |
CN117723917B (zh) * | 2024-02-07 | 2024-05-03 | 国网山西省电力公司太原供电公司 | 基于光纤非本征法珀型超声波传感器的监测应用方法 |
CN117871096B (zh) * | 2024-03-11 | 2024-06-18 | 昆明理工大学 | 一种滚动轴承故障模拟实验装置及故障在线诊断方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101614775B (zh) * | 2009-07-15 | 2011-04-27 | 河北科技大学 | 基于多源信息融合的变压器状态评估***及其评估方法 |
CN101650407B (zh) * | 2009-09-02 | 2011-04-13 | 江苏省电力公司常州供电公司 | 六氟化硫气体绝缘全封闭组合电气局部放电检测、定位*** |
CN103197215B (zh) * | 2013-04-09 | 2015-11-18 | 国家电网公司 | Gis交流耐压试验放电故障定位***及方法 |
CN103267932B (zh) * | 2013-04-25 | 2015-11-18 | 国家电网公司 | 一种gis局部放电检测***及方法 |
CN103454564A (zh) * | 2013-08-22 | 2013-12-18 | 江苏科技大学 | 高压开关柜局部放电检测***及方法 |
CN103558520A (zh) * | 2013-11-02 | 2014-02-05 | 国家电网公司 | 气体绝缘组合电器局部放电带电检测***及定位方法 |
CN103777123A (zh) * | 2014-01-27 | 2014-05-07 | 国家电网公司 | 用于gis设备的局部放电故障综合诊断方法 |
CN104749506B (zh) * | 2015-04-03 | 2017-05-24 | 国家电网公司 | Sf6分解产物含量推算运行电气设备局部放电量的方法 |
-
2016
- 2016-01-31 CN CN201610066399.2A patent/CN105676085B/zh active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021152377A1 (en) * | 2020-01-29 | 2021-08-05 | Ecole Polytechnique Federale De Lausanne (Epfl) | Partial discharge localization using time reversal: application to power transformers and gas-insulated substations |
Also Published As
Publication number | Publication date |
---|---|
CN105676085A (zh) | 2016-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105676085B (zh) | 基于多传感器信息融合的特高压gis局部放电检测方法 | |
Peng et al. | A convolutional neural network-based deep learning methodology for recognition of partial discharge patterns from high-voltage cables | |
Dai et al. | Feature extraction of GIS partial discharge signal based on S‐transform and singular value decomposition | |
CN109444682A (zh) | 基于多信息融合的开关柜局部放电诊断***的构建方法 | |
CN103913679B (zh) | 高压开关柜局部放电在线监测*** | |
CN103558528B (zh) | 一种局部放电超高频检测***及方法 | |
CN108646149A (zh) | 基于电流特征提取的故障电弧识别方法 | |
CN106353651A (zh) | 基于bp网络的gis局放声电联合检测故障定位方法 | |
CN104155536B (zh) | 对飞行器中的电网进行完整性测试的***和方法 | |
CN107390097A (zh) | 一种gis声电联合局部放电仿真检测***及其检测方法 | |
CN108508320A (zh) | 基于谐波能量和波形畸变特征的弧光接地故障辨识方法 | |
CN106093722A (zh) | 一种电缆局部放电的定位和识别方法 | |
CN107271867A (zh) | 基于d‑s证据理论的gis局部放电故障类型识别方法 | |
Wang et al. | Measurement and analysis of partial discharge using an ultra-high frequency sensor for gas insulated structures | |
CN108490325A (zh) | 一种两段式变电站局部放电信号定位方法及*** | |
CN104237750A (zh) | 一种gis绝缘缺陷局部放电故障图谱绘制方法 | |
Budiman et al. | Utilization of artificial neural network for the estimation of size and position of metallic particle adhering to spacer in GIS | |
Wu et al. | Improved method for acoustic identification of free conductive particle defects in GIL | |
CN107247222A (zh) | 一种变电站接地网故障诊断方法 | |
Reid et al. | Identification of simultaneously active partial discharge sources using combined radio frequency and IEC60270 measurement | |
CN117148076B (zh) | 一种多特征融合的高压开关柜局部放电识别方法及*** | |
Li et al. | Acoustic method for multiple free metallic particle recognition in GIS/GIL | |
CN109307816A (zh) | 基于变电站混合电磁干扰模拟的电力设备测试方法 | |
CN108548997A (zh) | 一种变电站空间局部放电定位方法及*** | |
CN110276094A (zh) | 基于贝叶斯弹性网正则化方法的电流元三维反演方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |