CN109444682A - 基于多信息融合的开关柜局部放电诊断***的构建方法 - Google Patents
基于多信息融合的开关柜局部放电诊断***的构建方法 Download PDFInfo
- Publication number
- CN109444682A CN109444682A CN201811302810.7A CN201811302810A CN109444682A CN 109444682 A CN109444682 A CN 109444682A CN 201811302810 A CN201811302810 A CN 201811302810A CN 109444682 A CN109444682 A CN 109444682A
- Authority
- CN
- China
- Prior art keywords
- information
- bpa
- defect
- fusion
- switchgear
- 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.)
- Pending
Links
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
- G01R31/1263—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 solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了基于多信息融合的开关柜局部放电诊断***的构建方法,主要包括S1、建立开关柜试验平台,使用人工缺陷仿真技术模拟开关柜的金属突出物、空气间隙、金属悬浮物、绝缘内部放电典型缺陷;S2、采用暂态地电压法、超声波法、特高频法对开关柜的典型缺陷进行综合检测,获取局部放电信号特征;S3、将特征信息进行特征提取处理后,传给DS融合块的基本概率分配BPA进行信息修整;S4、通过DS证据理论对修整后的信息进行融合,得到识别***。通过对多信息特征的提取、主成分选择以及缺陷识别对特征集进行优化,简化计算模型;通过证据理论,将多检测方法信息,多识别***信息融合,建立了多源信息综合识别***,提高测量精度。
Description
技术领域
本发明涉及一种诊断***,具体涉及基于多信息融合的开关柜局部放电诊断***的构建方法。
背景技术
为了能够准确识别和评估开关柜内部绝缘故障,是保障开关柜安全和经济运行的基本需要,也是实现开关柜状态检修和不停电检修的必要基础。多信息(地电波、超声波、特高频)融合监测是开关柜状态监测的发展趋势,采用多源信息融合的方式对开关柜内部绝缘故障进行准确的识别和正确的评估,具有重要的工程应用价值。因而,建立基于多信息融合的开关柜局部放电诊断***的构建方法成了一项重要的课题。
传统使用的局部放电单一检测技术,由于现场电磁环境的干扰,加之现场试验人员缺乏对放电放电机理及发展过程、放电物理现象的深刻认识,使得即使设备中存有绝缘缺陷,试验人员仍难以检测发现开关柜存在的缺陷,这样将导致开关柜缺陷进一步发展,最终,导致停电事故的发生。
目前针对开关柜的运维主要采用交流耐压试验、绝缘电阻、超声波局放检测、特高频局放检测等局放检测等手段来探测开关柜是否存在绝缘缺陷;由于采用单一的暂态地电压法、超声波法或者是特高频法查找缺陷,其精度有待提高,本设计的思路是将三种方法测量的结果融合在一起,目的是提高测量精度,由于现场试验人员缺乏对放电机理及发展过程、放电物理现象的深刻认识,使得即使设备中存有绝缘缺陷,仍难以检测发现,而判断其缺陷原因、缺陷状况及缺陷危害程度,是确定合理的检修措施的关键;同时,由于这种周期性检测间隔时间较长,难以满足监控和保障开关柜安全的实时需要。
发明内容
本发明所要解决的技术问题是:传统的开关柜局部放电检测,往往使用的技术单一,由于现场电磁环境的干扰,加之现场试验人员缺乏对放电放电机理及发展过程、放电物理现象的深刻认识,使得即使设备中存有绝缘缺陷,试验人员仍难以检测发现开关柜存在的缺陷,这样将导致开关柜缺陷进一步发展,最终,导致停电事故的发生,本发明提供了解决上述问题的基于多信息融合的开关柜局部放电诊断***的构建方法。
本发明通过下述技术方案实现:
基于多信息融合的开关柜局部放电诊断***的构建方法,主要包括以下步骤:
S1、建立开关柜试验平台,使用人工缺陷仿真技术模拟开关柜的金属突出物、空气间隙、金属悬浮物、绝缘内部放电典型缺陷;
S2、采用暂态地电压法、超声波法、特高频法对S1中模拟的开关柜的典型缺陷进行综合检测,获取局部放电信号特征;
S3、将S2中采用超声波法、特高频法采集到的特征信息进行特征提取处理后,传给DS融合块的基本概率分配BPA进行信息修整;将S2中采用暂态地电压法采集到的特征信息传给DS融合块的基本概率分配BPA进行信息修整;
S4、基本概率分配BPA将收到的信息进行转化修整后,通过DS证据理论对修整后的信息进行融合,得到识别***。
由于采用单一的暂态地电压法、超声波法或者是特高频法查找缺陷,三种方法都有各自的优势与缺陷,其精度有待提高,通过对多信息特征的提取、主成分选择以及缺陷识别对特征集进行优化,简化计算模型;通过证据理论,将多检测方法信息,多识别***信息融合,建立了多源信息综合识别***,将三种方法测量的结果融合在一起,作为新的识别***的基础模型,提高测量精度。
进一步的,在S3中将S2中采用超声波法采集到的信息进行特征提,得到特征集,再对特征集采用神经网络BPNN进行识别分类,将分类结果传给DS融合块的基本概率分配BPA进行信息修整。采用神经网络BPNN作为超声波检测的识别分类器,将超声波信号各类信号相关性作为识别分类器的输入,以缺陷类型编码作为分类器的输出,方便识别缺陷类型。
进一步的,在S3中将S2中采用特高频法采集到的信息先使用相位分析模式PRPD进行信号提取,得到PRPD图谱信息,再对PRPD图谱信息进行特征提取,得到PRPD图谱的特征集,通过主成分分析法PCA对PRPD图谱的特征集进行提取特征子集以及简化数据,得到最优特征子集,再对优特征子集采用神经网络BPNN进行识别分类,将分类结果传给DS融合块的基本概率分配BPA进行信息修整。采用相位分析模式PRPD信号提取能有效反映一定时间范围内的放电特征,只是在信号幅值和捕捉信号的时间上存在差异,这种方法所采集的数据为数据分析提供基础;通过主成分分析PCA算法,由于PRPD对应的数据数据格式为矩阵,数据量较大,输入数据存在一定量的冗余信息,如果直接以原始数据作为缺陷判定分类器的输入量会导致巨大的计算代价,因此需要对PRPD特征进行进一步简化,提取最有效的代表性信息。
进一步的,在S3中通过主成分分析法PCA对PRPD图谱的特征集进行提取特征子集以及简化数据,得到最优特征子集,主要包括以下步骤:
A、计算协方差矩阵R:
式中:X为输入向量,XT为输入向量的转置矩阵,n为特征值个数;
B、计算协方差矩阵R的特征值λ1>λ2>Λ>λm及其对应的正交向量P1,P2,…,Ph;
C、计算主成分Yh,
式中,pjh为ph的第j个成分;xnj为xn的第j个成分;
D、计算每个成分的贡献率和累积贡献率:
贡献率:
累积贡献率:
主成分选取累计贡献率大于85%的成分。
进一步的,采用DS证据理论对多信息进行融合识别,其主要包括识别框架Θ、基本概率分配BPA、合成规则、信任函数和似然函数,包括以下识别步骤:
①建立识别框架Θ
识别框架为A1:金属突出物;A2:金属悬浮物;A3:绝缘内部缺陷;A4:空气气隙放电缺陷;θ:不确定性;
Θ={A1,A2,A3,A4,θ};
②设置BPA
所述采用暂态地电压法、超声波法、特高频法所识别的信息作为证据信息来源,将信息转化为m(A),m(A)为矩阵A的基本概率;
且
由于各检测信息用于识别的可靠性不一,设置α∈[0,1]为可靠性系数,采用不同检测方法样本测试的识别率代替;由此,BPA计算方法如下:
mi(Aj)=αi*uij i=1,2,3;j=1,2,3,4
式中:uij为矩阵U的第i行,第j列数据;mi(Aj)为第i个证据对j类缺陷的基本概率;
mi(θ)=1-αi
式中:mi(θ)为m矩阵第i行的不确定性概率,αi为第i个证据源的可靠系数;
同时,根据分类器的输出计算BPA的值,文本BP神经网络输出,并通过以下公式计算BPA:
式中,Oj为第j个输出层神经元的输出值,mi(Aj)为第i个证据对j类缺陷的BPA;
③证据合成
DS证据理论的核心为融合公式Dempster合成规则,计算方法如下:
式中k为归一化常数,m1(Bj)为第1个证据的j类缺陷基本概率;m2(Cj)为第2个证据的j类缺陷基本概率;
④决策
通过三种检测信息的融合所得的BPA,为对四种缺陷的概率输出,因而须通过以下三个规则判定其绝缘属性。
规则I:m(Amax1)为输出BPA的最大值;规则I说明作为识别结论的输出具有最大的BPA;
规则II:m(Amax1)>m(θ),规则II说明其输出的BPA须超越不确定性θ;
规则III:m(Amax1)-m(Amax2)>ε,规则III说明最终的输出值只有足够突出,结果才能被接受,其中,m(Amax2)为BPA的次大值,ε是DS证据理论中证据可信度常数。
本发明具有如下的优点和有益效果:
1、本发明通过对多信息特征的提取、主成分选择以及缺陷识别对特征集进行优化,简化计算模型;通过证据理论,将多检测方法信息,多识别***信息融合,建立了多源信息综合识别***,将三种方法测量的结果融合在一起,作为新的识别***的基础模型,提高测量精度;
2、本发明采用神经网络BPNN作为超声波检测的识别分类器,将超声波信号各类信号相关性作为识别分类器的输入,以缺陷类型编码作为分类器的输出,方便识别缺陷类型;
3、本发明通过主成分分析PCA算法,对PRPD特征进行进一步简化,提取最有效的代表性信息,提高运算速度。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明的流程框图。
图2为本发明实施例超声波检测仪生成的特征图谱。
图3为本发明神经网络BPNN的拓扑结构图。
图4为本发明实施例特高频法获得的四种缺陷PRPD图谱。
图5为本发明实施例3820柜缺陷信号多周期图谱。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1
如图1所示,基于多信息融合的开关柜局部放电诊断***的构建方法,主要包括以下步骤:
S1、建立开关柜试验平台,使用人工缺陷仿真技术模拟开关柜的金属突出物、空气间隙、金属悬浮物、绝缘内部放电典型缺陷;
S2、采用暂态地电压法、超声波法、特高频法对S1中模拟的开关柜的典型缺陷进行综合检测,获取局部放电信号特征;
S3、将S2中采用超声波法、特高频法采集到的特征信息进行特征提取处理后,传给DS融合块的基本概率分配BPA进行信息修整;将S2中采用暂态地电压法采集到的特征信息传给DS融合块的基本概率分配BPA进行信息修整;
S4、基本概率分配BPA将收到的信息进行转化修整后,通过DS证据理论对修整后的信息进行融合,得到识别***。
建立开关柜试验平台,通过人工缺陷仿真技术设置模拟了金属突出物,模拟开关柜内某个部件有毛刺,存在尖端放电的现象;空气间隙,模拟相对地、相间距离不足的情况;金属悬浮物,模拟螺丝未紧固,有松动的现象;绝缘内部放电,模拟开关柜内支柱绝缘子有损坏的情况等典型缺陷;由于采用单一的暂态地电压法、超声波法或者是特高频法查找缺陷,其精度有待提高,将三种方法测量的结果融合在一起,以提高测量精度。
暂态地电压法:采用这种方法测量时,通过地电压对每一面柜体的前上、前中、前下、后上、后下进行检测并记录数据,通过观察信号最大值,来判定开关柜是否存在异常。受背景、环境等因素的影响,这个直接比较的方式很难直接判断为何种缺陷类型。通过大量的实验和现场测试表明,通过暂态地电压信号难以识别开关柜内部缺陷类型,地电压信号难以检测到绝缘内部缺陷,因此,采用暂态地电压法测量时,其缺陷隶属于三种金属突出物、金属悬浮物和空气气隙放电的可能性均为0.33。
超声波法:采用超声波传感器在开关柜柜体表面检测金属板的振动信号,可以准确的检测空隙间隙的局部放电信号。但对于固体绝缘内部,由于安全距离、不可接触等原因,无法进行检测,且空气间隙中仅能传输纵波,固体绝缘内部纵波信号经固体气体分界面时,会大幅衰减。因此,超声波局部放电检测可有效发现金属悬浮放电、金属突出物、空气气隙放电,而难以探测绝缘内部的缺陷,
如图2所示,在实际测量中,绝缘内部缺陷采用测量柜体振动信号。连续模式下,通过超声波检测仪生成特征图谱。
在S3中所述将S2中采用超声波法采集到的信息进行特征提,得到特征集,再对特征集采用神经网络BPNN进行识别分类,将分类结果传给DS融合块的基本概率分配BPA进行信息修整;在S3中所述将S2中采用特高频法采集到的信息先使用相位分析模式PRPD进行信号提取,得到PRPD图谱信息,再对PRPD图谱信息进行特征提取,得到PRPD图谱的特征集,通过主成分分析法PCA对PRPD图谱的特征集进行提取特征子集以及简化数据,得到最优特征子集,再对优特征子集采用神经网络BPNN进行识别分类,将分类结果传给DS融合块的基本概率分配BPA进行信息修整。采用神经网络BPNN作为超声波检测的识别分类器,本实施例将超声波信号的有效值、周期最大值、50Hz相关性和100Hz相关性作为识别分类器的输入,以缺陷类型编码作为分类器的输出,可以识别缺陷类型;
如图3所示,其中BPNN神经网络共包含三层,分别是输入层,隐含层和输出层,层与层之间通过神经元的连接权传递信息,同层内的神经元相互独立,输入层与超声波信号特征量一致,输出层与缺陷类型编码对应;
本实施例采集各类绝缘缺陷的超声波信号1827组,含异常振动444组,,随机选取其中的600组作为训练样本,其余作为测试样本。提取超声波信号的周期最大值、有效值、50Hz相关性、100Hz相关性数据,作为BP神经网络分类器的输入,如下表所示,超声波识别的结果。
表1声波TRPD特征的辨识结果
经统计,通过分类识别器处理后的平均识别率为93.18%。该结果将作为后续融合的基础数据。
特高频法:当开关柜内发生空气间隙放电时,放电通道内会向周围激发数百兆的电磁波,通过特高频天线可以准确捕捉这些信号,从而能有效判定和追踪放电源的位置,由于开关柜柜体为金属封闭,这种检测方法多对金属板缝隙处进行探测,且开关柜内部舱室及设备布置复杂,不同传感器频率响应差异也较大,因此,特高频信号的幅值,难以直接反应绝缘故障的严重性。
在相位分析模式下PRPD信号提取能有效反映一定时间范围内的放电特征,只是在信号幅值和捕捉信号的时间上存在差异,这种方法所采集的数据为后文的数据分析提供了基础。
如图4所示,为提取四种缺陷PRPD图谱。
通过主成分分析PCA算法,由于PRPD对应的数据数据格式为矩阵,数据量较大,输入数据存在一定量的冗余信息。如果直接以原始数据作为缺陷判定分类器的输入量会导致巨大的计算代价,因此需要对PRPD特征进行进一步简约,提取最有效的代表性信息。本实施例选取10个特征值偏斜度、陡峭度、正负半周放电次数和幅值比以及互相关系数进行主成分分析,通过主成分分析法PCA对PRPD图谱的特征集进行提取特征子集以及简化数据,得到最优特征子集,主要包括以下步骤:
A、计算协方差矩阵R:
式中:X为输入向量,XT为输入向量的转置矩阵,n为特征值个数;
B、计算协方差矩阵R的特征值λ1>λ2>Λ>λm及其对应的正交向量P1,P2,…,Ph;
C、计算主成分Yh,
式中,pjh为ph的第j个成分;xnj为xn的第j个成分;
D、计算每个成分的贡献率和累积贡献率:
贡献率:
累积贡献率:
主成分选取累计贡献率大于85%的成分。
由以上步骤所求取特征值向量,由以上步骤所求取得的特征值向量排序,其中前6个特征量的累积贡献率达到了89.8%,因此,采用前6个特征量作为BP神经网络分类器的输入,网络结构为BPNN,输出层节点仍为4个对应的四种缺陷类型。
本实施例采集各类绝缘缺陷的超声波信号1930组,随机选取其中的643组作为训练样本,其余作为测试样本,以主成分为输入的辨识结果如下表所示。
表2主成分为输入的辨识结果
经统计,通过分类识别器处理后的平均识别率为94.79%,该结果将作为后续融合的基础数据。
通过以上对多信息特征的提取、主成分选择以及缺陷识别对特征集进行了优化,简化了计算模型。
通过证据理论,将多检测方法信息,多识别***信息融合,建立了多源信息综合识别***。
采用DS证据理论对多信息进行融合识别,其主要包括识别框架Θ、基本概率分配BPA、合成规则、信任函数和似然函数,包括以下识别步骤:
①建立识别框架Θ
识别框架为A1:金属突出物;A2:金属悬浮物;A3:绝缘内部缺陷;A4:空气气隙放电缺陷;θ:不确定性;
Θ={A1,A2,A3,A4,θ};
②设置BPA
所述采用暂态地电压法、超声波法、特高频法所识别的信息作为证据信息来源,将信息转化为m(A),m(A)为矩阵A的基本概率;
且
由于各检测信息用于识别的可靠性不一,设置α∈[0,1]为可靠性系数,采用不同检测方法样本测试的识别率代替;由此,BPA计算方法如下:
mi(Aj)=αi*uij i=1,2,3;j=1,2,3,4
式中:uij为矩阵U的第i行,第j列数据;mi(Aj)为第i个证据对j类缺陷的基本概率;
mi(θ)=1-αi
式中:mi(θ)为m矩阵第i行的不确定性概率,αi为第i个证据源的可靠系数;
同时,根据分类器的输出计算BPA的值,文本BP神经网络输出,并通过以下公式计算BPA:
式中,Oj为第j个输出层神经元的输出值,mi(Aj)为第i个证据对j类缺陷的BPA;
③证据合成
DS证据理论的核心为融合公式Dempster合成规则,计算方法如下:
式中k为归一化常数,m1(Bj)为第1个证据的j类缺陷基本概率;m2(Cj)为第2个证据的j类缺陷基本概率;
④决策
通过三种检测信息的融合所得的BPA,为对四种缺陷的概率输出,因而须通过以下三个规则判定其绝缘属性。
规则I:m(Amax1)为输出BPA的最大值;规则I说明作为识别结论的输出具有最大的BPA;
规则II:m(Amax1)>m(θ),规则II说明其输出的BPA须超越不确定性θ;
规则III:m(Amax1)-m(Amax2)>ε,规则III说明最终的输出值只有足够突出,结果才能被接受,其中,m(Amax2)为BPA的次大值,ε是DS证据理论中证据可信度常数,本文取ε=0.50。
通过数据融合,建立多源信息综合识别***能准确判断开关柜的缺陷类型,并结合时差定位法准确找到缺陷位置。
结合实例,对开关柜进行局放诊断分析。将特高频传感器放置在3820开关柜后仓玻璃观察窗位置,对普测得到的异常信号进行分析。
如图5所示,图5为3820柜缺陷信号多周期图谱,该信号每工频周期多簇,每簇信号脉冲上下非均匀对称,信号幅值分部参差不齐。
诊断过程:地电压法检测数据存在异常,按照前文所述,设置其隶属于三种金属突出物、金属悬浮物和空气气隙放电的可能性为0.33。采用超声波BPNN识别模型,输入超声波法的幅值检测模式特征量[2 4.3 0.1 0.4],得到BPNN的输出为[0.0024 0.0062 0.01010.9913],对特高频的PRPD图谱进行提取,并输入BPNN模型,得到BPNN的输出为[0.00050.0022 0.0071 0.9902]。以输出的数据作为DS理论融合的BPA。合成过程如下:
m1(A1)=μ1(A1)*α1=0.333*0.333=0.111
m1(A2)=μ1(A2)*α1=0.333*0.333=0.111
m1(A3)=μ1(A3)*α1=0*0.333=0
m1(A4)=μ1(A4)*α1=0.333*0.333=0.111
m2(A1)=μ2(A1)*α2=0.0024*0.9318=0.0022
m2(A2)=μ2(A2)*α2=0.0062*0.9318=0.0059
m2(A3)=μ2(A3)*α2=0*0.9318=0
m2(A4)=μ2(A4)*α2=0.9913*0.9318=0.9237
m2(Θ)=1-α2=0.0682
同理可以算出:m3(A1)m3(A2)m3(A3)m3(A4)的值,然后进行数据融合:
将以上计算出的值分别代入上式中,我们可以计算出m1()、m2()、m3()、m4()
经证据合成后的结果见下表所示:
表3类信息的BPA计算结果
决策
规则I:
m(AIV)=max{Bel(Aj)}=0.9932 Bel(AIV)>ε
ε∈R ε=0.5
规则II:
由以上计算可得多信息融合诊断的结果为第四类缺陷,空气气隙放电。由以上融合结果可以看出,虽然暂态地电压信号不能识别绝缘缺陷类型,但其难以检测绝缘内部缺陷的信息,为最终决策提供了非常有效的信息。经DS证据理论融合后的输出为0.9932,增强了识别效果。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.基于多信息融合的开关柜局部放电诊断***的构建方法,其特征在于,主要包括以下步骤:
S1、建立开关柜试验平台,使用人工缺陷仿真技术模拟开关柜的金属突出物、空气间隙、金属悬浮物、绝缘内部放电典型缺陷;
S2、采用暂态地电压法、超声波法、特高频法对S1中模拟的开关柜的典型缺陷进行综合检测,获取局部放电信号特征;
S3、将S2中采用超声波法、特高频法采集到的特征信息进行特征提取处理后,传给DS融合块的基本概率分配BPA进行信息修整;将S2中采用暂态地电压法采集到的特征信息传给DS融合块的基本概率分配BPA进行信息修整;
S4、基本概率分配BPA将收到的信息进行转化修整后,通过DS证据理论对修整后的信息进行融合,得到识别***。
2.根据权利要求1所述的基于多信息融合的开关柜局部放电诊断***的构建方法,其特征在于,在S3中所述将S2中采用超声波法采集到的信息进行特征提,得到特征集,再对特征集采用神经网络BPNN进行识别分类,将分类结果传给DS融合块的基本概率分配BPA进行信息修整。
3.根据权利要求1所述的基于多信息融合的开关柜局部放电诊断***的构建方法,其特征在于,在S3中所述将S2中采用特高频法采集到的信息先使用相位分析模式PRPD进行信号提取,得到PRPD图谱信息,再对PRPD图谱信息进行特征提取,得到PRPD图谱的特征集,通过主成分分析法PCA对PRPD图谱的特征集进行提取特征子集以及简化数据,得到最优特征子集,再对优特征子集采用神经网络BPNN进行识别分类,将分类结果传给DS融合块的基本概率分配BPA进行信息修整。
4.根据权利要求3所述的基于多信息融合的开关柜局部放电诊断***的构建方法,其特征在于,在S3中所述通过主成分分析法PCA对PRPD图谱的特征集进行提取特征子集以及简化数据,得到最优特征子集,主要包括以下步骤:
A、计算协方差矩阵R:
式中:X为输入向量,XT为输入向量的转置矩阵,n为特征值个数;
B、计算协方差矩阵R的特征值λ1>λ2>Λ>λm及其对应的正交向量P1,P2,…,Ph;
C、计算主成分Yh,
式中,pjh为ph的第j个成分;xnj为xn的第j个成分;
D、计算每个成分的贡献率和累积贡献率:
贡献率:
累积贡献率:
主成分选取累计贡献率大于85%的成分。
5.根据权利要求1所述的基于多信息融合的开关柜局部放电诊断***的构建方法,其特征在于,所述DS证据理论对多信息进行融合识别,其主要包括识别框架Θ、基本概率分配BPA、合成规则、信任函数和似然函数,包括以下识别步骤:
①建立识别框架Θ
识别框架为A1:金属突出物;A2:金属悬浮物;A3:绝缘内部缺陷;A4:空气气隙放电缺陷;θ:不确定性;
Θ={A1,A2,A3,A4,θ};
②设置BPA
所述采用暂态地电压法、超声波法、特高频法所识别的信息作为证据信息来源,将信息转化为m(A),m(A)为矩阵A的基本概率;
且
由于各检测信息用于识别的可靠性不一,设置α∈[0,1]为可靠性系数,采用不同检测方法样本测试的识别率代替;由此,BPA计算方法如下:
mi(Aj)=αi*uij i=1,2,3;j=1,2,3,4;
式中:uij为矩阵U的第i行,第j列数据;mi(Aj)为第i个证据对j类缺陷的基本概率;
mi(θ)=1-αi;
式中:mi(θ)为m矩阵第i行的不确定性概率,αi为第i个证据源的可靠系数;
同时,根据分类器的输出计算BPA的值,文本BP神经网络输出,并通过以下公式计算BPA:
式中,Oj为第j个输出层神经元的输出值,mi(Aj)为第i个证据对j类缺陷的BPA;
③证据合成
DS证据理论的核心为融合公式Dempster合成规则,计算方法如下:
式中k为归一化常数,m1(Bj)为第1个证据的j类缺陷基本概率;m2(Cj)为第2个证据的j类缺陷基本概率;
④决策
通过三种检测信息的融合所得的BPA,为对四种缺陷的概率输出,因而须通过以下三个规则判定其绝缘属性;
规则I:m(Amax1)为输出BPA的最大值;规则I说明作为识别结论的输出具有最大的BPA;
规则II:m(Amax1)>m(θ),规则II说明其输出的BPA须超越不确定性θ;
规则III:m(Amax1)-m(Amax2)>ε,规则III说明最终的输出值只有足够突出,结果才能被接受,其中,m(Amax2)为BPA的次大值,ε是DS证据理论中证据可信度常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811302810.7A CN109444682A (zh) | 2018-11-02 | 2018-11-02 | 基于多信息融合的开关柜局部放电诊断***的构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811302810.7A CN109444682A (zh) | 2018-11-02 | 2018-11-02 | 基于多信息融合的开关柜局部放电诊断***的构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109444682A true CN109444682A (zh) | 2019-03-08 |
Family
ID=65550748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811302810.7A Pending CN109444682A (zh) | 2018-11-02 | 2018-11-02 | 基于多信息融合的开关柜局部放电诊断***的构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109444682A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109856517A (zh) * | 2019-03-29 | 2019-06-07 | 国家电网有限公司 | 一种特高压设备局部放电检测数据的判别方法 |
CN110161388A (zh) * | 2019-06-10 | 2019-08-23 | 上海交通大学 | 一种高压设备的故障类型识别方法及其*** |
CN110794329A (zh) * | 2019-11-08 | 2020-02-14 | 国网湖北省电力有限公司电力科学研究院 | 组合电器和开关柜局部放电带电检测仪缺陷识别能力检验方法 |
CN111239263A (zh) * | 2020-01-19 | 2020-06-05 | 国网宁夏电力有限公司电力科学研究院 | 一种gis设备内部的异物缺陷的检测方法及*** |
CN111666912A (zh) * | 2020-06-15 | 2020-09-15 | 国网山东省电力公司潍坊供电公司 | 计及电气特征量与图形特征的局部放电融合特征提取方法 |
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 |
JP2021015098A (ja) * | 2019-07-16 | 2021-02-12 | 株式会社東芝 | 部分放電診断装置、部分放電診断方法、学習装置、学習方法、部分放電診断システム及びコンピュータプログラム |
CN113064032A (zh) * | 2021-03-26 | 2021-07-02 | 云南电网有限责任公司电力科学研究院 | 一种基于图谱特征和信息融合的局部放电模式识别方法 |
CN113514743A (zh) * | 2021-08-03 | 2021-10-19 | 广东电网有限责任公司 | 一种基于多维特征的gis局部放电模式识别***构建方法 |
CN113568353A (zh) * | 2021-07-30 | 2021-10-29 | 国网四川省电力公司电力科学研究院 | 基于精简状态特征集的开关柜局部放电监测预警方法 |
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*** |
CN113866340A (zh) * | 2021-08-31 | 2021-12-31 | 国网上海市电力公司 | 一种开关柜冲击电压试验及诊断方法 |
CN114034338A (zh) * | 2021-10-29 | 2022-02-11 | 国网安徽省电力有限公司电力科学研究院 | 一种基于改进d-s证据理论的开关柜多源参量监测方法 |
CN114065814A (zh) * | 2021-11-16 | 2022-02-18 | 中国南方电网有限责任公司超高压输电公司广州局 | Gil局部放电的缺陷类型识别方法、装置 |
CN114374561A (zh) * | 2022-01-13 | 2022-04-19 | 潍坊学院 | 一种网络安全状态评估方法、装置及可存储介质 |
CN115013298A (zh) * | 2022-06-22 | 2022-09-06 | 浙江石水泵业科技有限公司 | 污水泵的实时性能在线监测***及其监测方法 |
CN115900816A (zh) * | 2022-10-24 | 2023-04-04 | 国网安徽省电力有限公司电力科学研究院 | 一种基于多源异构数据的高压开关柜缺陷预测方法 |
CN116736051A (zh) * | 2023-05-22 | 2023-09-12 | 内蒙古工业大学 | Gis绝缘缺陷智能诊断方法、装置、设备及存储介质 |
CN116930666A (zh) * | 2023-09-15 | 2023-10-24 | 深圳凯升联合科技有限公司 | 一种低压成套开关柜智能诊断***及其诊断方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103267932A (zh) * | 2013-04-25 | 2013-08-28 | 国家电网公司 | 一种gis局部放电检测***及方法 |
-
2018
- 2018-11-02 CN CN201811302810.7A patent/CN109444682A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103267932A (zh) * | 2013-04-25 | 2013-08-28 | 国家电网公司 | 一种gis局部放电检测***及方法 |
Non-Patent Citations (3)
Title |
---|
FEIZHULIU5..: "基于多源信息融合的气体绝缘开关设备局部放电识别", 《道客巴巴 HTTPS://WWW.DOC88.COM/P-1925679311243.HTML》 * |
范津莎等: "基于主成分分析和概率神经网络的变压器局部放电模式识别", 《电力自动化设备》 * |
高压电器: "基于多种检测技术的高压开关柜内部局部放电检测与分析", 《高压电器》 * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109856517B (zh) * | 2019-03-29 | 2021-02-23 | 国家电网有限公司 | 一种特高压设备局部放电检测数据的判别方法 |
CN109856517A (zh) * | 2019-03-29 | 2019-06-07 | 国家电网有限公司 | 一种特高压设备局部放电检测数据的判别方法 |
CN110161388A (zh) * | 2019-06-10 | 2019-08-23 | 上海交通大学 | 一种高压设备的故障类型识别方法及其*** |
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*** |
JP7297575B2 (ja) | 2019-07-16 | 2023-06-26 | 株式会社東芝 | 部分放電診断装置、部分放電診断方法、部分放電診断システム及びコンピュータプログラム |
JP2021015098A (ja) * | 2019-07-16 | 2021-02-12 | 株式会社東芝 | 部分放電診断装置、部分放電診断方法、学習装置、学習方法、部分放電診断システム及びコンピュータプログラム |
CN110794329A (zh) * | 2019-11-08 | 2020-02-14 | 国网湖北省电力有限公司电力科学研究院 | 组合电器和开关柜局部放电带电检测仪缺陷识别能力检验方法 |
CN110794329B (zh) * | 2019-11-08 | 2021-07-23 | 国网湖北省电力有限公司电力科学研究院 | 组合电器和开关柜局部放电带电检测仪缺陷识别能力检验方法 |
CN111239263A (zh) * | 2020-01-19 | 2020-06-05 | 国网宁夏电力有限公司电力科学研究院 | 一种gis设备内部的异物缺陷的检测方法及*** |
CN111239263B (zh) * | 2020-01-19 | 2022-10-28 | 国网宁夏电力有限公司电力科学研究院 | 一种gis设备内部的异物缺陷的检测方法及*** |
CN111666912A (zh) * | 2020-06-15 | 2020-09-15 | 国网山东省电力公司潍坊供电公司 | 计及电气特征量与图形特征的局部放电融合特征提取方法 |
CN111666912B (zh) * | 2020-06-15 | 2024-01-23 | 国网山东省电力公司潍坊供电公司 | 计及电气特征量与图形特征的局部放电融合特征提取方法 |
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 |
CN113064032A (zh) * | 2021-03-26 | 2021-07-02 | 云南电网有限责任公司电力科学研究院 | 一种基于图谱特征和信息融合的局部放电模式识别方法 |
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*** |
CN113568353A (zh) * | 2021-07-30 | 2021-10-29 | 国网四川省电力公司电力科学研究院 | 基于精简状态特征集的开关柜局部放电监测预警方法 |
CN113514743B (zh) * | 2021-08-03 | 2024-01-30 | 广东电网有限责任公司 | 一种基于多维特征的gis局部放电模式识别***构建方法 |
CN113514743A (zh) * | 2021-08-03 | 2021-10-19 | 广东电网有限责任公司 | 一种基于多维特征的gis局部放电模式识别***构建方法 |
CN113866340A (zh) * | 2021-08-31 | 2021-12-31 | 国网上海市电力公司 | 一种开关柜冲击电压试验及诊断方法 |
CN114034338A (zh) * | 2021-10-29 | 2022-02-11 | 国网安徽省电力有限公司电力科学研究院 | 一种基于改进d-s证据理论的开关柜多源参量监测方法 |
CN114034338B (zh) * | 2021-10-29 | 2023-08-11 | 国网安徽省电力有限公司电力科学研究院 | 一种基于改进d-s证据理论的开关柜多源参量监测方法 |
CN114065814A (zh) * | 2021-11-16 | 2022-02-18 | 中国南方电网有限责任公司超高压输电公司广州局 | Gil局部放电的缺陷类型识别方法、装置 |
CN114374561A (zh) * | 2022-01-13 | 2022-04-19 | 潍坊学院 | 一种网络安全状态评估方法、装置及可存储介质 |
CN114374561B (zh) * | 2022-01-13 | 2023-10-24 | 潍坊学院 | 一种网络安全状态评估方法、装置及可存储介质 |
CN115013298A (zh) * | 2022-06-22 | 2022-09-06 | 浙江石水泵业科技有限公司 | 污水泵的实时性能在线监测***及其监测方法 |
CN115900816A (zh) * | 2022-10-24 | 2023-04-04 | 国网安徽省电力有限公司电力科学研究院 | 一种基于多源异构数据的高压开关柜缺陷预测方法 |
CN115900816B (zh) * | 2022-10-24 | 2024-05-10 | 国网安徽省电力有限公司电力科学研究院 | 一种基于多源异构数据的高压开关柜缺陷预测方法 |
CN116736051A (zh) * | 2023-05-22 | 2023-09-12 | 内蒙古工业大学 | Gis绝缘缺陷智能诊断方法、装置、设备及存储介质 |
CN116930666A (zh) * | 2023-09-15 | 2023-10-24 | 深圳凯升联合科技有限公司 | 一种低压成套开关柜智能诊断***及其诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109444682A (zh) | 基于多信息融合的开关柜局部放电诊断***的构建方法 | |
CN105676085A (zh) | 基于多传感器信息融合的特高压gis局部放电检测方法 | |
Li et al. | Partial discharge recognition in gas insulated switchgear based on multi-information fusion | |
CN110162588B (zh) | 一种多维关联信息的轨迹融合方法 | |
CN109635928A (zh) | 一种基于深度学习模型融合的电压暂降原因识别方法 | |
Wenrong et al. | Digital detection, grouping and classification of partial discharge signals at DC voltage | |
CN106707099A (zh) | 基于异常用电检测模型的监测定位方法 | |
CN106353651A (zh) | 基于bp网络的gis局放声电联合检测故障定位方法 | |
CN108710756A (zh) | 基于谱聚类分析下多特征信息加权融合的故障诊断方法 | |
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. | Automatic recognition and classification of microseismic waveforms based on computer vision | |
CN106326918A (zh) | 一种变压器局部放电超高频信号多尺度能量特征线性识别方法 | |
CN109357747A (zh) | 一种基于光纤振动信号的在线列车识别及速度估计方法 | |
CN109443190A (zh) | 基于暂态行波的变压器绕组变形在线监测方法及装置 | |
Budiman et al. | Utilization of artificial neural network for the estimation of size and position of metallic particle adhering to spacer in GIS | |
Moradzadeh et al. | Location of disk space variations in transformer winding using convolutional neural networks | |
CN116776279A (zh) | 多模态数据协同的输电线路闪爆预警异常目标检测方法 | |
Ma et al. | Fractal‐based autonomous partial discharge pattern recognition method for MV motors | |
Wang et al. | Insulator contamination perception based on feature fusion of infrared image and meteorological parameters | |
Yang et al. | Evaluation on algorithm reliability and efficiency for an image flame detection technology | |
Wang et al. | Cumulative absolute velocity prediction for earthquake early warning with deep learning | |
US20230024104A1 (en) | Identification of false transformer humming using machine learning | |
CN107832264A (zh) | 一种电机设计的综合评价***及评价方法 | |
Liu et al. | Partial Discharge Detection Method for Distribution Network Based on Feature Engineering | |
Heidari | Combined diagnosis of pd based on the multidimensional parameters |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190308 |
|
RJ01 | Rejection of invention patent application after publication |