CN106646165B - 一种gis内部绝缘缺陷分类与定位方法及其*** - Google Patents
一种gis内部绝缘缺陷分类与定位方法及其*** Download PDFInfo
- Publication number
- CN106646165B CN106646165B CN201611213656.7A CN201611213656A CN106646165B CN 106646165 B CN106646165 B CN 106646165B CN 201611213656 A CN201611213656 A CN 201611213656A CN 106646165 B CN106646165 B CN 106646165B
- Authority
- CN
- China
- Prior art keywords
- uhf
- signal
- gis
- support vector
- vector machine
- 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
Images
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
- G01R31/1227—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 of components, parts or materials
- G01R31/1254—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 of components, parts or materials of gas-insulated power appliances or vacuum gaps
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Relating To Insulation (AREA)
Abstract
公开了一种GIS内部绝缘缺陷分类与定位方法及其***,包括在GIS腔体的每个气室的手孔盖板内侧平行于母线的位置设有内置式UHF传感器,各个UHF传感器发出的UHF信号经由放大滤波后通过模数转换后输入FPGA芯片,接收来自FPGA芯片的UHF信号的信号特征提取与识别装置通过时频分析得到时域特征以及通过小波分析得到小波系数;时域特征和小波系数组合的特征向量归一化处理后,采用支持向量机装置对特征向量进行训练,通过比较分类正确率获得最佳的惩罚因子(C)和gamma函数参数(g);构建支持向量机模型(SVM),所述支持向量机模型(SVM)对提取的UHF信号进行识别以判断绝缘缺陷的种类和位置。
Description
技术领域
本发明属于电气技术领域,涉及电力设备的带电检测技术,特别是涉及一种GIS内部绝缘缺陷分类与定位方法及其GIS内部绝缘缺陷分类与定位***。
背景技术
GIS(气体绝缘金属封闭组合电器)是电力***非常关键的设备,如果在运行的过程中发生了故障又得不到及时的处理,将有可能给电网的运行带来严重的危害。在GIS的加工制造与运行过程中,内部很难避免会产生绝缘缺陷。绝缘缺陷在高电压的作用下,会产生电场畸变,产生局部放电现象。一方面,局放现象是绝缘缺陷的表征与体现,另一方面,局放会导致GIS的绝缘特性进一步劣化,最严重的后果就是导致设备绝缘击穿,影响整个电力***的安全稳定运行。所以对GIS内部的局部放电进行检测十分必要。由于GIS是封闭式设备,不仅需要检测到局放,更进一步地,还需要对产生局放的绝缘缺陷进行类型识别与定位,方便工作***检修。
针对GIS局放检测,缺陷分类与定位,学者们已经进行了一些研究。已公开的发明专利《GIS特高频局部放电信号识别方法及***》对局放信号进行预处理,得到三维谱图,并将三维谱图投影后提取放电特征参数。已公开的发明专利《基于GK模糊聚类的GIS局部放电类型识别方法》提取GIS局部放电灰度图像的分形特征,通过GK模糊聚类算法隔离干扰信号,采用支持向量机分类算法识别GIS局放类型。已公开的发明专利《一种GIS绝缘缺陷局部放电图谱模式识别方法》根据局放图谱的相位、幅值特征建立数学模型,用大量放电数据进行训练,并通过神经网络算法识别局放类型。以上专利中所涉及的局放识别方法及***,都是基于相位分辨的局部放电(PRPD)图谱进行的,即将每一个带有相位标识的局部放电脉冲及其放电量按照工频相位显示出来,放电脉冲没有时间信息,属于一段时间内的局放脉冲的叠加,具有统计意义。
但是局部放电电流上升沿极陡,一般在ns级,所以激发的超高频信号频率范围达到数GHz,持续时间约数十ns。对UHF信号直接识别有较大的难度,并且对硬件设备要求较高。但是,诸多文献中已经证实,UHF信号的原始波形无论在时域还是频域都有着丰富的信息,其特征能够反映绝缘缺陷的类型、位置。目前市场上的局放检测设备普遍进行检波、低频采样、获取统计特性的方法,与之有显著区别的是,本发明公开了一种基于高速采样的GIS绝缘缺陷检测***,并通过时频分析与小波分析方法提取UHF原始波形的时频域特征,建立支持向量机算法模型,通过大量放电信息的训练,从而实现实际检测工作中对绝缘缺陷种类和位置的分类识别。
发明内容
为了增强电力***运行可靠性,减少由于绝缘缺陷导致的GIS设备故障,本发明提供了一种GIS内部绝缘缺陷分类与定位方法及其GIS内部绝缘缺陷分类与定位***。本发明的目的包括:(1)检测GIS内部是否存在绝缘缺陷;(2)采集绝缘缺陷产生的局部放电UHF信号,并提取其时频域特征;(3)识别绝缘缺陷的类型;(4)实现绝缘缺陷的定位。
本发明的目的是通过以下技术方案予以实现:
本发明的一方面,一种GIS内部绝缘缺陷分类与定位方法包括如下步骤:
第一步骤中,在GIS腔体的每个气室的手孔盖板内侧平行于母线的位置设有内置式UHF传感器,多个内置式UHF传感器构成天线阵列以接收GIS腔体内各个所述位置的绝缘缺陷产生的信号。
第二步骤中,各个UHF传感器发出的UHF信号经由放大滤波后通过模数转换后输入FPGA芯片,所述FPGA芯片通过缓存的方式保存幅值大于预定阈值的UHF信号。
第三步骤中,接收来自所述FPGA芯片的UHF信号的信号特征提取与识别装置通过时频分析得到时域特征以及通过小波分析得到小波系数。
第四步骤中,时域特征和小波系数组合的特征向量归一化处理后,采用支持向量机装置对特征向量进行训练,采用RBF核函数,对损失函数的惩罚因子和gamma函数参数进行CV交叉验证,通过比较分类正确率获得最佳的惩罚因子和gamma函数参数。
第五步骤中,利用最佳的惩罚因子和gamma函数参数构建支持向量机模型,所述支持向量机模型对提取的UHF信号进行识别以判断绝缘缺陷的种类和位置。
优选地,第一步骤中,内置式UHF传感器采用平面等角螺旋天线,其检测的信号频率范围是300MHz-2GHz。
优选地,在第二步骤中,所述UHF信号采用三级放大,其中,第一级采用低噪声放大器放大,放大的所述UHF信号通过7阶带通滤波器滤波,所述FPGA芯片采用DDR-SDRAM的方式进行UHF信号的数据短暂存储,当存储数据量满时,新采集的数据自动覆盖最早的数据,实现循环保存。
优选地,第三步骤中,信号特征提取与识别装置通过短时傅里叶变换得到能量密度分布作为时域特征以及通过伸缩和平移运算对信号进行多尺度的细化分析得到小波系数。
优选地,第四步骤中,利用网格参数法和粒子群优化算法寻优得到最优的SVM损失函数的惩罚因子和gamma函数参数。
优选地,第五步骤中,所述支持向量机模型确定超平面使得各个特征向量到所述超平面的距离最大以确保分类准确。
根据本发明的另一方面,一种实施所述的GIS内部绝缘缺陷分类与定位方法的GIS内部绝缘缺陷分类与定位***包括用于采集GIS腔体的绝缘缺陷信号的多个内置式UHF传感器、用于采集多个内置式UHF传感器发出的UHF信号的UHF信号采样装置、用于处理所述UHF信号的信号特征提取与识别装置和用于判断绝缘缺陷的种类和位置的支持向量机装置,带有平面等角螺旋天线的所述内置式UHF传感器经由阻抗变换器连接所述UHF信号采样装置,所述UHF信号采样装置包括放大模块、滤波器、AD转换器、FPGA芯片和无线传输模块,无线连接所述UHF信号采样装置的信号特征提取与识别装置包括用于分析所述UHF信号的时域特征的时域分析模块和用于分析所述UHF信号小波系数的小波分析模块,所述支持向量机装置包括用于归一化处理的归一模块、用于优化的CV交叉验证模块和构建支持向量机模型的支持向量机计算模块。
优选地,所述时域分析模块为短时傅里叶变换计算模块,所述小波分析模块包括多尺度计算单元。
优选地,信号特征提取与识别装置和/或所述支持向量机装置包括通用处理器、数字信号处理器、专用集成电路ASIC或现场可编程门阵列FPGA。
优选地,信号特征提取与识别装置和/或所述支持向量机装置包括存储器,所述存储器包括一个或多个只读存储器ROM、随机存取存储器RAM、快闪存储器或电子可擦除可编程只读存储器EEPROM。
与现有技术相比,本发明具有以下有益的技术效果:
(1)在GIS腔体的不同气室内设置内置式UHF传感器,多个传感器构成一个天线阵列,对于GIS内各个位置的绝缘缺陷产生的信号都保证较好的接收效果。
(2)使用FPGA芯片对UHF传感器接收到的信号进行模数转换,转换前需要进行放大与滤波。
(3)采集到的UHF原始波形对数据传输速率要求较高,采用了“先缓存、再发送”的方式,采样装置先将数据存储在SDRAM中,再将多次的UHF波形通过无线传输技术发送至信号特征提取与识别装置进行处理。
(4)信号特征提取与识别装置与采样装置采取“一对多”的连接模式。由于采用无线传输,上位机的设置位置受物理条件的限制较小,一台上位机可以同时接收多个下位机上传的信号。
(5)信号特征提取与识别装置接收检测装置采集的UHF原始波形,并通过时频分析与小波分析相结合的算法,提取信号的时频域特征。这提供了识别缺陷的种类和位置的基础。
(6)建立支持向量机(SVM)模型,通过大量数据的训练,然后对提取到的信号时频域特征进行识别,判断绝缘缺陷的种类和位置,通过优化支持向量机(SVM)模型,可以得到准确的缺陷的种类和位置。
上述说明仅是本发明技术方案的概述,为了能够使得本发明的技术手段更加清楚明白,达到本领域技术人员可依照说明书的内容予以实施的程度,并且为了能够让本发明的上述和其它目的、特征和优点能够更明显易懂,下面以本发明的具体实施方式进行举例说明。
附图说明
通过阅读下文优选的具体实施方式中的详细描述,本发明各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。说明书附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。显而易见地,下面描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
在附图中:
图1为本发明一个实施例的GIS内部绝缘缺陷分类与定位方法的步骤示意图;
图2为本发明的一个实施例的GIS内部绝缘缺陷分类与定位方法的时频分析对UHF信号的处理结果示意图;
图3为本发明的一个实施例的GIS内部绝缘缺陷分类与定位方法的采用Sym3小波基对UHF信号进行5层分解,得到小波系数后的重建信号的示意图;
图4为本发明的一个实施例的GIS内部绝缘缺陷分类与定位方法的支持向量机的流程示意图;
图5为本发明一个实施例的实施GIS内部绝缘缺陷分类与定位方法的GIS内部绝缘缺陷分类与定位***的结构示意图。
以下结合附图和实施例对本发明作进一步的解释。
具体实施方式
下面将参照附图更详细地描述本发明的具体实施例。虽然附图中显示了本发明的具体实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
需要说明的是,在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解,技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异来作为区分组件的方式,而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语,故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式,然所述描述乃以说明书的一般原则为目的,并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个附图并不构成对本发明实施例的限定。
图1为本发明一个实施例的GIS内部绝缘缺陷分类与定位方法的步骤示意图,如图1所示,GIS内部绝缘缺陷分类与定位方法,其包括如下步骤:
第一步骤S1中,在GIS腔体的每个气室的手孔盖板内侧平行于母线的位置设有内置式UHF传感器1,多个内置式UHF传感器1构成天线阵列以接收GIS腔体内各个所述位置的绝缘缺陷产生的信号。
第二步骤S2中,各个UHF传感器1发出的UHF信号经由放大滤波后通过模数转换后输入FPGA芯片8,所述FPGA芯片8通过缓存的方式保存幅值大于预定阈值的UHF信号。
第三步骤S3中,接收来自所述FPGA芯片8的UHF信号的信号特征提取与识别装置3通过时频分析得到时域特征以及通过小波分析得到小波系数。
第四步骤S4中,时域特征和小波系数组合的特征向量归一化处理后,采用支持向量机装置4对特征向量进行训练,采用RBF核函数,对损失函数的惩罚因子C和gamma函数参数g进行CV交叉验证,通过比较分类正确率获得最佳的惩罚因子C和gamma函数参数g。
第五步骤S5中,利用最佳的惩罚因子C和gamma函数参数g构建支持向量机模型SVM,所述支持向量机模型SVM对提取的UHF信号进行识别以判断绝缘缺陷的种类和位置。
在本发明的优选实施方式中,第一步骤S1中,内置式UHF传感器1采用平面等角螺旋天线,其检测的信号频率范围是300MHz-2GHz。
在本发明的优选实施方式中,在第二步骤S2中,所述UHF信号采用三级放大,其中,第一级采用低噪声放大器放大,放大的所述UHF信号通过7阶带通滤波器滤波,所述FPGA芯片8采用DDR-SDRAM的方式进行UHF信号的数据短暂存储,当存储数据量满时,新采集的数据自动覆盖最早的数据,实现循环保存。
在本发明的优选实施方式中,第三步骤S3中,信号特征提取与识别装置3通过短时傅里叶变换得到能量密度分布作为时域特征以及通过伸缩和平移运算对信号进行多尺度的细化分析得到小波系数。
在本发明的优选实施方式中,第四步骤S4中,利用网格参数法(GA)和粒子群优化算法(PSO)寻优得到最优的SVM损失函数的惩罚因子C和gamma函数参数g。
在本发明的优选实施方式中,第五步骤S5中,所述支持向量机模型SVM确定超平面使得各个特征向量到所述超平面的距离最大以确保分类准确。
为了进一步理解本发明的第三步骤S3,接收来自所述FPGA芯片8的UHF信号的信号特征提取与识别装置3通过时频分析得到时域特征以及通过小波分析得到小波系数。信号特征提取方法包括时频分析方法与小波分析方法。时频分析是一种数字信号处理方法,克服了传统傅里叶变换只能获得信号的不同频率分量,而无法得到信号频率分量随时间变化的规律的缺点,将信号的能量密度表示在时频平面上,表示的是三维信息。特别地,本发明采用短时傅里叶变换作为分析方法,图2为本发明的一个实施例的GIS内部绝缘缺陷分类与定位方法的时频分析对UHF信号的处理结果示意图,如图2所示,图中横轴表示时间,纵轴表示频率,颜色由冷到暖表示能量密度的大小,将时频平面上的分布作为一个图片进行抽样、压缩,提取能量密度的分布位置作为UHF信号的有效特征。小波分析是利用伸缩和平移等运算对信号进行多尺度的细化分析,将信号表示在“时间-尺度”域中,通过构建合适的小波基,对信号进行多层分解,可以得到小波系数,小波系数可以作为UHF信号的有效特征,而且具有维数低的优点,便于支持向量机算法进行学习与分类计算。根据分解与重建公式,从小波系数还可以还原成原来的UHF信号,图3为本发明的一个实施例的GIS内部绝缘缺陷分类与定位方法的采用Sym3小波基对UHF信号进行5层分解,得到小波系数后的重建信号的示意图。
众所周知的,不同的绝缘缺陷产生的UHF信号在时频域的分布特征是不同的,同时小波分解后的小波系数也有不同的规律。同一个绝缘缺陷产生的信号,由于电磁波的传播特性受到许多复杂因素的影响,在不同位置的传感器接收到的信号也有很大差别。所以时频域能量密度分布和小波系数可以作为绝缘缺陷分类与定位的特征。
所述的信号识别装置采用支持向量机SVM算法,SVM根据数据点的分布,确定一个超平面,将参与训练的各类的数据分隔开,并且使得各类数据到此平面的距离最大,来确保分类的准确度。本发明中采用交叉验证Cross Validation,CV方法进行损失函数的惩罚因子C和gamma函数参数g的优化,获取一定意义下的最优参数。本发明中的UHF信号特征识别算法的第一步需要将时频分析方法与小波分析方法提取的UHF信号特征组合成特征向量,紧接着对原始数据进行[0,1]归一化处理,选择合适的核函数,特别地,本发明中采用RBF作为核函数,对C和g进行CV交叉验证,比较分类正确率,选择最优参数,利用所获得的最佳C和g参数,构建模型,进行UHF信号的分类与定位。图4为本发明的一个实施例的GIS内部绝缘缺陷分类与定位方法的支持向量机的流程示意图,算法的具体流程如图4所示。
图5为本发明一个实施例的实施GIS内部绝缘缺陷分类与定位方法的GIS内部绝缘缺陷分类与定位***的结构示意图,一种实施权所述的GIS内部绝缘缺陷分类与定位方法的GIS内部绝缘缺陷分类与定位***包括用于采集GIS腔体的绝缘缺陷信号的多个内置式UHF传感器1、用于采集多个内置式UHF传感器1发出的UHF信号的UHF信号采样装置2、用于处理所述UHF信号的信号特征提取与识别装置3和用于判断绝缘缺陷的种类和位置的支持向量机装置4,带有平面等角螺旋天线的所述内置式UHF传感器1经由阻抗变换器连接所述UHF信号采样装置2,所述UHF信号采样装置2包括放大模块5、滤波器6、AD转换器7、FPGA芯片8和无线传输模块9,无线连接所述UHF信号采样装置2的信号特征提取与识别装置3包括用于分析所述UHF信号的时域特征的时域分析模块10和用于分析所述UHF信号小波系数的小波分析模块11,所述支持向量机装置4包括用于归一化处理的归一模块12、用于优化的CV交叉验证模块13和构建支持向量机模型的支持向量机计算模块14。
本发明的一个优选实施方式中,所述时域分析模块10为短时傅里叶变换计算模块,所述小波分析模块11包括多尺度计算单元。
本发明的一个优选实施方式中,信号特征提取与识别装置3和/或所述支持向量机装置4包括通用处理器、数字信号处理器、专用集成电路ASIC或现场可编程门阵列FPGA。
本发明的一个优选实施方式中,信号特征提取与识别装置3和/或所述支持向量机装置4包括存储器,所述存储器包括一个或多个只读存储器ROM、随机存取存储器RAM、快闪存储器或电子可擦除可编程只读存储器EEPROM。
为了进一步理解本发明的GIS内部绝缘缺陷分类与定位***,在一个实施例中,所述内置式UHF传感器1采用平面等角螺旋天线,安装位置在GIS腔体手孔盖板内侧与母线平行的位置,不影响腔体内部电场分布,并且能够有效接收内部UHF信号。本发明检测的信号频率范围是300MHz-2GHz,天线末端连接阻抗变换器,阻抗变换器通过BNC接头连接同轴电缆,同轴电缆的另一端连接信号采样装置。GIS每一个气室内至少安装一个内置式传感器,通过不同位置接收到的UHF信号对局放源进行准确判断。所述UHF信号采样装置2,如下位机,由放大电路、滤波电路、高速AD采样电路、FPGA芯片和无线传输模块组成,对局部放电进行检测时,超高频传感器采集的信号很微弱,一般在毫伏级,为了使电压满足AD转换器的输入电压范围,需要对其幅值进行放大。超高频信号在传输过程中有一定程度的衰减,要求放大器具有较高的增益,较宽的带宽,低噪声放大的功能。本发明采用三级放大,特别地,由于级联中各级噪声系数对***的影响是不同的,处于前级的放大器噪声系数对***的影响权重更大,因此第一级采用低噪声放大器,本发明采用增强型高速电子迁移率半导体晶体管。滤波电路的作用是滤除检测频带以外的干扰信号,本发明中采用Chebyshev I型函数作为逼近函数,得到7阶带通滤波器来作为超高频信号的滤波电路。
由于本发明中采集的UHF信号的频段的上限截止频率在2GHz左右,本发明采用LM97600实现单路5GSa/s采样,输入带宽2GHz,由奈奎斯特采样定理和工程实际要求可知,满足检测要求。本发明中的FPGA芯片使用Virtex-5系列,高速串行收发器GTX的最高速度可以达到6.5Gb/s。当GIS内存在绝缘缺陷时,UHF信号的幅值会增加,本发明中设置阈值,超过阈值的UHF信号才会被保存。UHF信号经过ADC采集输出的数据速率很高,不能实现实时处理,需要进行缓存,本发明采用“先缓存、再发送”的方式,为FPGA芯片增加外设,采用DDR-SDRAM的方式进行数据的短暂存储,当存储数据量满时,新采集的数据自动覆盖最早的数据,实现循环保存。当与上位机通讯建立后,数据传输到上位机数据库进行保存,下位机自动清除已发送的数据,释放内存空间。无线传输模块选用了TI公司的CC3200芯片,该芯片集成了高性能ARM Cortex-M4内核,并提供了单芯片WiFi通信解决方案。在电路板上搭载一个微型板载天线用于实现下位机与上位机的通信,其阻抗为50Ω,WiFi通信的工作频段为2.4GHz,所以本发明中还使用了DEA202450BT型2.4GHz滤波器。
所述信号特征提取与识别装置,如上位机,运行在便携式笔记本电脑PC上,使用PC自带wifi通信模块与下位机连接,上位机与下位机采取“一对多”的连接模式,一台上位机可以同时与多个下位机通信,节省硬件资源。
尽管以上结合附图对本发明的实施方案进行了描述,但本发明并不局限于上述的具体实施方案和应用领域,上述的具体实施方案仅仅是示意性的、指导性的,而不是限制性的。本领域的普通技术人员在本说明书的启示下和在不脱离本发明权利要求所保护的范围的情况下,还可以做出很多种的形式,这些均属于本发明保护之列。
Claims (7)
1.一种GIS内部绝缘缺陷分类与定位方法,其包括如下步骤:
第一步骤(S1)中,在GIS腔体的每个气室的手孔盖板内侧平行于母线的位置设有内置式UHF传感器(1),多个内置式UHF传感器(1)构成天线阵列以接收GIS腔体内各个所述位置的绝缘缺陷产生的信号,内置式UHF传感器(1)采用平面等角螺旋天线,内置式UHF传感器(1)检测的信号频率范围是300MHz-2GHz;
第二步骤(S2)中,各个UHF传感器(1)发出的UHF信号经由放大滤波后通过模数转换后输入FPGA芯片(8),所述UHF信号采用三级放大,其中,第一级为增强型高速电子迁移率半导体晶体管,所述FPGA芯片(8)通过缓存的方式保存幅值大于预定阈值的UHF信号,当存储数据量满时,新采集的数据自动覆盖最早的数据,实现循环保存;
第三步骤(S3)中,接收来自所述FPGA芯片(8)的UHF信号的信号特征提取与识别装置(3)通过时频分析得到时域特征以及通过小波分析得到小波系数;
第四步骤(S4)中,时域特征和小波系数组合的特征向量归一化处理后,采用支持向量机装置(4)对特征向量进行训练,采用RBF核函数,对损失函数的惩罚因子C和gamma函数参数g进行CV交叉验证,通过比较分类正确率获得最佳的惩罚因子C和gamma函数参数g,其中,利用网格参数法(GA)和粒子群优化算法(PSO)寻优得到最优的SVM损失函数的惩罚因子C和gamma函数参数g;
第五步骤(S5)中,利用最佳的惩罚因子C和gamma函数参数g构建支持向量机模型(SVM),所述支持向量机模型(SVM)对提取的UHF信号进行识别以判断绝缘缺陷的种类和位置,所述支持向量机模型(SVM)确定超平面使得各个特征向量到所述超平面的距离最大以确保分类准确。
2.根据权利要求1所述的一种GIS内部绝缘缺陷分类与定位方法,其特征在于:在第二步骤(S2)中,第一级采用低噪声放大器放大,放大的所述UHF信号通过7阶带通滤波器滤波,所述FPGA芯片(8)采用DDR-SDRAM的方式进行UHF信号的数据短暂存储。
3.根据权利要求1所述的一种GIS内部绝缘缺陷分类与定位方法,其特征在于:第三步骤(S3)中,信号特征提取与识别装置(3)通过短时傅里叶变换得到能量密度分布作为时域特征以及通过伸缩和平移运算对信号进行多尺度的细化分析得到小波系数。
4.一种实施权利要求1-3中任一项所述的GIS内部绝缘缺陷分类与定位方法的GIS内部绝缘缺陷分类与定位***,其包括用于采集GIS腔体的绝缘缺陷信号的多个内置式UHF传感器(1)、用于采集多个内置式UHF传感器(1)发出的UHF信号的UHF信号采样装置(2)、用于处理所述UHF信号的信号特征提取与识别装置(3)和用于判断绝缘缺陷的种类和位置的支持向量机装置(4),其特征在于:
带有平面等角螺旋天线的所述内置式UHF传感器(1)经由阻抗变换器连接所述UHF信号骤采样装置(2),所述UHF信号采样装置(2)包括放大模块(5)、滤波器(6)、AD转换器(7)、FPGA芯片(8)和无线传输模块(9),无线连接所述UHF信号采样装置(2)的信号特征提取与识别装置(3)包括用于分析所述UHF信号的时域特征的时域分析模块(10)和用于分析所述UHF信号小波系数的小波分析模块(11),所述支持向量机装置(4)包括用于归一化处理的归一模块(12)、用于优化的CV交叉验证模块(13)和构建支持向量机模型的支持向量机计算模块(14)。
5.根据权利要求4所述的GIS内部绝缘缺陷分类与定位***,其特征在于:所述时域分析模块(10)为短时傅里叶变换计算模块,所述小波分析模块(11)包括多尺度计算单元。
6.根据权利要求4所述的GIS内部绝缘缺陷分类与定位***,其特征在于:信号特征提取与识别装置(3)和/或所述支持向量机装置(4)包括通用处理器、数字信号处理器、专用集成电路ASIC或现场可编程门阵列FPGA。
7.根据权利要求4所述的GIS内部绝缘缺陷分类与定位***,其特征在于:信号特征提取与识别装置(3)和/或所述支持向量机装置(4)包括存储器,所述存储器包括一个或多个只读存储器ROM、随机存取存储器RAM、快闪存储器或电子可擦除可编程只读存储器EEPROM。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611213656.7A CN106646165B (zh) | 2016-12-23 | 2016-12-23 | 一种gis内部绝缘缺陷分类与定位方法及其*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611213656.7A CN106646165B (zh) | 2016-12-23 | 2016-12-23 | 一种gis内部绝缘缺陷分类与定位方法及其*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106646165A CN106646165A (zh) | 2017-05-10 |
CN106646165B true CN106646165B (zh) | 2020-06-09 |
Family
ID=58827737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611213656.7A Active CN106646165B (zh) | 2016-12-23 | 2016-12-23 | 一种gis内部绝缘缺陷分类与定位方法及其*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106646165B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024086498A1 (en) * | 2022-10-17 | 2024-04-25 | Qualitrol Company Llc | Detection and location of partial discharge and arc faults |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107907807A (zh) * | 2017-12-25 | 2018-04-13 | 国网湖北省电力公司信息通信公司 | 一种气体绝缘组合电器局部放电模式识别方法 |
CN108535618A (zh) * | 2018-07-11 | 2018-09-14 | 云南电网有限责任公司电力科学研究院 | 一种gis绝缘缺陷检测方法 |
CN109061453A (zh) * | 2018-08-02 | 2018-12-21 | 国网福建省电力有限公司 | 计及相关系数的变电站刀闸二次回路故障预测方法 |
CN109086537B (zh) * | 2018-08-13 | 2023-05-05 | 吉林大学 | 基于fpga的粒子群算法加速方法 |
CN111078912B (zh) * | 2019-12-18 | 2024-02-20 | 国网上海市电力公司 | 电力设备图像数据仓库及电力设备缺陷检测方法 |
CN111273137B (zh) * | 2020-02-21 | 2022-08-05 | 国网河北省电力有限公司电力科学研究院 | 一种倒立式电流互感器及局部放电检测装置 |
CN112152731B (zh) * | 2020-09-08 | 2023-01-20 | 重庆邮电大学 | 一种基于分形维数的无人机探测与识别方法 |
CN112669322B (zh) * | 2021-03-22 | 2021-06-01 | 常州微亿智造科技有限公司 | 一种基于svm分类的工业部件表面轻微缺陷检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1924595A (zh) * | 2006-09-20 | 2007-03-07 | 重庆大学 | 基于虚拟仪器技术的气体绝缘组合电器在线监测方法 |
CN103336226A (zh) * | 2013-05-08 | 2013-10-02 | 清华大学 | 一种气体绝缘变电站中多种局部放电源类型的辨识方法 |
CN104462846A (zh) * | 2014-12-22 | 2015-03-25 | 山东鲁能软件技术有限公司 | 一种基于支持向量机的设备故障智能诊断方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1230684C (zh) * | 2003-12-18 | 2005-12-07 | 西安交通大学 | 气体绝缘变电站高频宽带局部放电在线监测方法 |
CN100363748C (zh) * | 2006-04-19 | 2008-01-23 | 重庆大学 | 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 |
CN102445640B (zh) * | 2011-09-30 | 2014-07-02 | 云南电力试验研究院(集团)有限公司 | 基于向量机和人工鱼群优化的gis设备智能识别方法 |
CN103076547B (zh) * | 2013-01-24 | 2015-01-21 | 安徽省电力公司亳州供电公司 | 基于支持向量机的gis局部放电故障类型模式识别方法 |
CN104155585A (zh) * | 2014-08-12 | 2014-11-19 | 国家电网公司 | 基于gk模糊聚类的gis局部放电类型识别方法 |
CN105137310A (zh) * | 2015-10-10 | 2015-12-09 | 沈阳工业大学 | Gis局部放电在线检测***及方法 |
-
2016
- 2016-12-23 CN CN201611213656.7A patent/CN106646165B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1924595A (zh) * | 2006-09-20 | 2007-03-07 | 重庆大学 | 基于虚拟仪器技术的气体绝缘组合电器在线监测方法 |
CN103336226A (zh) * | 2013-05-08 | 2013-10-02 | 清华大学 | 一种气体绝缘变电站中多种局部放电源类型的辨识方法 |
CN104462846A (zh) * | 2014-12-22 | 2015-03-25 | 山东鲁能软件技术有限公司 | 一种基于支持向量机的设备故障智能诊断方法 |
Non-Patent Citations (1)
Title |
---|
基于改进EEMD和Cohen类的局部放电信号联合时频分析;杨丰源 等;《高电压技术》;20160731(第7期);2345-2352 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024086498A1 (en) * | 2022-10-17 | 2024-04-25 | Qualitrol Company Llc | Detection and location of partial discharge and arc faults |
Also Published As
Publication number | Publication date |
---|---|
CN106646165A (zh) | 2017-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106646165B (zh) | 一种gis内部绝缘缺陷分类与定位方法及其*** | |
CN105548832B (zh) | 高压电力电缆故障识别方法 | |
CN103197218B (zh) | 一种高压电缆绝缘缺陷局放带电检测诊断方法 | |
CN102841297B (zh) | 采样频率自适应的局放监测方法与装置 | |
CN105807190B (zh) | 一种gis局部放电超高频带电检测方法 | |
CN1230684C (zh) | 气体绝缘变电站高频宽带局部放电在线监测方法 | |
CN112307969B (zh) | 一种脉冲信号的分类辨识方法、装置及计算机设备 | |
CN203069731U (zh) | 一种应用于局部放电检测的uhf传感器 | |
CN203490332U (zh) | 多功能手持式智能局放检测装置 | |
CN204832421U (zh) | 一种基于脉冲宽频超高频局放带电检测装置 | |
CN109799434A (zh) | 局部放电模式识别***及方法 | |
CN109100627A (zh) | 一种基于端到端模式的电力设备局部放电故障诊断方法 | |
CN102736000A (zh) | 电力电容器在线检测方法及装置 | |
CN104155585A (zh) | 基于gk模糊聚类的gis局部放电类型识别方法 | |
CN104535905A (zh) | 基于朴素贝叶斯分类的局部放电诊断方法 | |
CN108693448B (zh) | 一种应用于电力设备局部放电模式识别*** | |
CN111443268A (zh) | 一种基于超高频电磁波的电力***污闪检测电路 | |
CN105044566A (zh) | 一种基于特征超高频信号的gis局部放电故障检测方法 | |
CN104142499A (zh) | 基于多普勒效应的隐蔽昆虫探测*** | |
CN110703078A (zh) | 基于频谱能量分析与自组织竞争算法的gis故障诊断方法 | |
CN112198400A (zh) | 基于频谱感知特性的高压开关柜局部放电在线检测方法 | |
CN114113943B (zh) | 基于电流和超声信号的变压器局放检测***、方法及设备 | |
CN204330901U (zh) | 一种新型噪声传感器 | |
CN1932539A (zh) | 变压器局部放电超高频检测装置 | |
CN204256113U (zh) | 局部放电脉冲检测*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |