CN110501620B - 一种基于信号源特征的站域局部放电定位方法 - Google Patents

一种基于信号源特征的站域局部放电定位方法 Download PDF

Info

Publication number
CN110501620B
CN110501620B CN201910879194.XA CN201910879194A CN110501620B CN 110501620 B CN110501620 B CN 110501620B CN 201910879194 A CN201910879194 A CN 201910879194A CN 110501620 B CN110501620 B CN 110501620B
Authority
CN
China
Prior art keywords
partial discharge
neural network
azimuth angle
convolutional neural
waveform
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
Application number
CN201910879194.XA
Other languages
English (en)
Other versions
CN110501620A (zh
Inventor
张飞
魏宾
梁博
王鸿
范智隆
黄明亮
王宝乐
常丁戈
陈予伦
张冠军
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.)
Xianyang Power Supply Co Of State Grid Shaanxi Electric Power Co ltd
Xian Jiaotong University
Original Assignee
Xianyang Power Supply Company State Grid Shaanxi Electric Power Co ltd
Xian Jiaotong University
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 Xianyang Power Supply Company State Grid Shaanxi Electric Power Co ltd, Xian Jiaotong University filed Critical Xianyang Power Supply Company State Grid Shaanxi Electric Power Co ltd
Priority to CN201910879194.XA priority Critical patent/CN110501620B/zh
Publication of CN110501620A publication Critical patent/CN110501620A/zh
Application granted granted Critical
Publication of CN110501620B publication Critical patent/CN110501620B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明提供了一种基于信号源特征的站域局部放电定位方法，其步骤包括：A、选择方向图在各个方向不一致的定向天线；B、建立局部放电信息库，其包含天线接收到的局部放电波形和相应的方位角；在实验室中利用选定的定向天线接收来自各个方向的局部放电信号；C、搭建用于局放定位的卷积神经网络；D、将局部放电信息库中的波形和相应方位角作为输入量，训练卷积神经网络；E、采集待定方位角的多次局部放电信号；F、将待定方位角的局部放电波形数据输入训练好的卷积神经网络，剔除异常值后取平均方位角作为最后的放电信号所在方位角。本发明方法避免了传统定位算法中复杂的计算过程，减少了天线数量，且易于实现。

Description

一种基于信号源特征的站域局部放电定位方法
技术领域
本发明属于电力设备监控领域，特别涉及一种基于信号源特征的站域局部放电定位方法。
背景技术
在高压变压器日益小型化的情况下，其内部绝缘空间愈发紧凑，绝缘材料往往承受着很高的工作场强。而变压器从原材料选择、生产装配，到运输安装等各环节都有可能出现意料之外的问题，从而使内部产生一些隐式的缺陷，比如毛刺尖端、绝缘沿面的损伤，内装部件的松动甚至掉落。另外在变压器的运行过程中，在电、热、机械以及其它环境的综合作用下其油纸绝缘和固体绝缘会逐渐老化劣化，使得绝缘***的机械强度和绝缘性能逐渐下降。当运行时间不断增加，变压器的绝缘缺陷会发展严重，在大电流过电压等诱因下就会引发绝缘的闪络或者击穿。
局部放电是变压器绝缘产生贯穿性局部放电故障前所产生的局部放电现象，是变压器绝缘故障早期的主要表现形式，是表征绝缘状况的重要特征量。其特点是只产生局部的缺陷局部放电，不会造成整体绝缘的破坏，但长时间作用下，其热、电、光、机械作用会扩大局部缺陷、造成整体绝缘恶化甚至击穿。因此局部放电检测是判断电力设备绝缘状况的有效且重要的手段，高效快捷地检测定位出电力设备局部放电已成为相关科研工作者十分关注的问题。
目前对局部放电的定位主要使用特高频传感器固定地贴在变压器等电力设备的表面，定位方式不灵活，检测成本高，效率低。
发明内容
本发明的目的在于提供一种基于信号源特征的站域局部放电定位方法，以解决上述问题。
为实现上述目的，本发明采用以下技术方案：
一种基于信号源特征的站域局部放电定位方法，包括以下步骤：
步骤1，选择方向图在各个方向不一致的定向天线；
步骤2，建立局部放电信息库，其包含天线接收到的局部放电波形和相应的方位角；
步骤3，搭建用于局放定位的卷积神经网络；
步骤4，将局部放电信息库中的波形和相应方位角作为输入量，训练卷积神经网络；
步骤5，采集待定方位角的多次局部放电信号；
步骤6，将待定方位角的局部放电波形数据输入训练好的卷积神经网络，剔除异常值后取平均方位角作为最后的放电信号所在方位角。
进一步的，局部放电信号的特征为天线采集到的波形信号。
进一步的，定向天线的方向图包括E平面方向图和H平面方向图，覆盖频率包括了局放的主要频率段。
进一步的，卷积神经网络包含两个卷积层，两个池化层，两个全连接层。
进一步的，卷积神经网络使用ReLU函数作为激活函数；卷积神经网络使用随机节点抛弃防止过拟合。
进一步的，将局部放电信息库中的局部放电信号波形和对应方位角作为卷积神经网络的训练集，对卷积神经网络进行训练。
进一步的，步骤6具体包括：
1)将接收到的待定方位角的局部放电信号的波形输入卷积神经网络进行运算；
2)在各次的运算得到的方位角中，剔除异常值，取其余方位角的平均值作为最终的局部放电方位角。
与现有技术相比，本发明有以下技术效果：
本发明所述的基于信号源特征的站域局部放电定位方法，利用了定向天线的方向图在各个方位的不均匀性，通过深度学习的方法习得天线在接受到来自不同方位信号的区别，从而判定局部放电源的方位角。避免了传统定位算法中通过几何关系求解，减少了天线数量，且易于实现。从而可以高效快捷地检测定位出产生局部放电的电力设备，检测成本低，效率高。
附图说明
图1为本发明所述基于信号源特征的站域局部放电定位方法的流程图。
图2为本发明所述的卷积神经网络在一种实施方式下的示意图。
具体实施方式
以下结合附图对本发明进一步说明：
请参阅图1和图2，一种基于信号源特征的站域局部放电定位方法。
A、选择方向图在各个方向不一致的定向天线；B、建立局部放电信息库，其包含天线接收到的局部放电波形和相应的方位角；在实验室中利用选定的定向天线接收来自各个方向的局部放电信号；C、搭建用于局放定位的卷积神经网络；D、将局部放电信息库中的波形和相应方位角作为输入量，训练卷积神经网络；E、采集待定方位角的多次局部放电信号；F、将待定方位角的局部放电波形数据输入训练好的卷积神经网络，剔除异常值后取平均方位角作为最后的放电信号所在方位角。本发明方法避免了传统定位算法中复杂的计算过程，减少了天线数量，且易于实现。
所述基于信号源特征的站域局部放电定位方法中，所述局部放电信号的特征为天线采集到的波形信号。
本发明所述基于信号源特征的站域局部放电定位方法中，所述定向天线的方向图包括E平面方向图和H平面方向图，覆盖频率包括了局放的主要频率段。
所述基于信号源特征的站域局部放电定位方法中，所述局部放电信息库包括天线接收到的局部放电波形和相应的方位角。
本发明所述局部放电信息库，在实验室中利用选定的定向天线接收来自各个方向的局部放电信号来建立；
所述基于信号源特征的站域局部放电定位方法中，所述卷积神经网络包含两个卷积层，两个池化层，两个全连接层。
所述基于信号源特征的站域局部放电定位方法中，所述卷积神经网络使用ReLU函数作为激活函数。
所述基于信号源特征的站域局部放电定位方法中，所述卷积神经网络使用随机节点抛弃防止过拟合。
本发明所述基于信号源特征的站域局部放电定位方法中，卷积神经网络的人工神经单元可以响应一部分覆盖范围内的周边单元，并采用类似于生物神经网络的权值共享网络结构降低网络模型的复杂度，减少权值参数的数量，从而可以使原始数据直接输入神经网络，避免了传统定位算法中复杂的特征提取和数据重建过程。
所述基于信号源特征的站域局部放电定位方法中，将局部放电信息库中的局部放电信号波形和对应方位角作为卷积神经网络的训练集，对卷积神经网络进行训练。
所述基于信号源特征的站域局部放电定位方法中，所述步骤F具体包括如下步骤：
F1、将接收到的待定方位角的局部放电信号的波形输入卷积神经网络进行运算；
F2、在各次的运算得到的方位角中，剔除异常值，取其余方位角的平均值作为最终的局部放电方位角；
实施例1：
一种基于信号源特征的站域局部放电定位方法，包括如下步骤
A、选择方向图在各个方向不一致的定向天线；
上述步骤A举例来说，使用对数周期天线，对数周期天线的H面方向图和E面方向图均是非均匀方向图。
B、建立局部放电信息库，其包含天线接收到的局部放电波形和相应的方位角；在实验室中利用选定的定向天线接收来自各个方向的局部放电信号；
上述步骤B举例来说，使用模拟局部放电源模拟电力设备缺陷局部放电。使用天线接收不同方位角的的局部放电信号，在360度全方位角每隔10度进行一次局部放电信号采集，每次采集收集100条局部放电波形信号，可建立天线接收到的局部放电波形和对应方位角的局部放电信息库。
C、搭建用于局部放电定位的卷积神经网络；
上述步骤C，搭建含有两个卷积层、两个池化层和两个全连接层的卷积神经网络。卷积神经网络使用ReLU函数激活，并使用随机节点抛弃防止过拟合。最终输出局部放电信号的判定方位角。
D、将局部放电信息库中的波形和相应方位角作为输入量，训练卷积神经网络；
在本实施例中，将局部放电信息库中共3600条局部放电波形信号及其对应方位角输入卷积神经网络。训练卷积神经网络，直到训练集局部放电信息库的定位误差小于3度为止。
E、采集待定方位角的多次局部放电信号；
在本实施例中，按照上述步骤A中对已知方位角的局部放电信号的采集方式，使用定向天线采集100条待定方位角的局部放电特高频波形信号。
F、将待定方位角的局部放电波形数据输入训练好的卷积神经网络，剔除异常值后取平均方位角作为最后的放电信号所在方位角。
在本实施例中，将100条待定方位角的局部放电信号波形数据送入训练好的卷积神经网络进行定位，剔除异常值11条，取其余89条求取平均值为26度，所以最终确定该局部放电方位角为26度，与真实值30度相比，误差为4度。
在局部放电定位领域利用卷积神经网络，可以最大程度地提取局部放电与天线方位角相关的的信号特征，考虑了环境条件，其比单纯采用几何关系所得结果要更精确，思路更简洁明了。
本发明基于信号源特征的站域局部放电定位方法，可以采用可少的天线做出准确定位，同时降低了定位设备的采集压力。
上述实施例为本发明较佳的实施例，但本发明的实施方式并不受上述实施例的限制，其它的任何未背离本发明的说明书内容与原理下所作的等效变化和修饰，都包含在本发明的涵盖范围之内。

Claims (4)

1.一种基于信号源特征的站域局部放电定位方法，其特征在于，包括以下步骤：
步骤1，选择方向图在各个方向不一致的定向天线；
步骤2，建立局部放电信息库，其包含天线接收到的局部放电波形和相应的方位角；
步骤3，搭建用于局放定位的卷积神经网络；
步骤4，将局部放电信息库中的波形和相应方位角作为输入量，训练卷积神经网络；
步骤5，采集待定方位角的多次局部放电信号；
步骤6，将待定方位角的局部放电波形数据输入训练好的卷积神经网络，剔除异常值后取平均方位角作为最后的放电信号所在方位角；
定向天线的方向图包括E平面方向图和H平面方向图，覆盖频率包括了局放的主要频率段；
步骤4具体包括：将局部放电信息库中的局部放电信号波形和对应方位角作为卷积神经网络的训练集，对卷积神经网络进行训练；
步骤6具体包括：
1）将接收到的待定方位角的局部放电信号的波形输入卷积神经网络进行运算；
2）在各次的运算得到的方位角中，剔除异常值，取其余方位角的平均值作为最终的局部放电方位角。
2.根据权利要求1所述的一种基于信号源特征的站域局部放电定位方法，其特征在于，局部放电信号的特征为天线采集到的波形信号。
3.根据权利要求1所述的一种基于信号源特征的站域局部放电定位方法，其特征在于，卷积神经网络包含两个卷积层，两个池化层，两个全连接层。
4.根据权利要求1所述的一种基于信号源特征的站域局部放电定位方法，其特征在于，卷积神经网络使用ReLU函数作为激活函数；卷积神经网络使用随机节点抛弃防止过拟合。
CN201910879194.XA 2019-09-18 2019-09-18 一种基于信号源特征的站域局部放电定位方法 Active CN110501620B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910879194.XA CN110501620B (zh) 2019-09-18 2019-09-18 一种基于信号源特征的站域局部放电定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910879194.XA CN110501620B (zh) 2019-09-18 2019-09-18 一种基于信号源特征的站域局部放电定位方法

Publications (2)

Publication Number Publication Date
CN110501620A CN110501620A (zh) 2019-11-26
CN110501620B true CN110501620B (zh) 2022-05-17

Family

ID=68592091

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910879194.XA Active CN110501620B (zh) 2019-09-18 2019-09-18 一种基于信号源特征的站域局部放电定位方法

Country Status (1)

Country Link
CN (1) CN110501620B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106019098A (zh) * 2016-06-15 2016-10-12 国网北京市电力公司 局部放电定位方法、装置及***
CN107179491A (zh) * 2017-06-21 2017-09-19 国家电网公司 一种基于模式识别的局部放电定位方法和***
CN107703418A (zh) * 2017-08-30 2018-02-16 上海交通大学 基于多径向基神经网络的局部放电定位误差补偿方法
CN107907799A (zh) * 2017-11-10 2018-04-13 国网浙江省电力公司电力科学研究院 基于卷积神经网络的局部放电缺陷类型的识别方法及***
CN109212392A (zh) * 2018-09-25 2019-01-15 上海交通大学 直流电缆局部放电缺陷故障的识别方法、***及Caffe卷积神经网络
CN109932627A (zh) * 2019-04-30 2019-06-25 国网山东省电力公司烟台供电公司 一种gis耐压试验局部放电的定位方法及***
CN109991519A (zh) * 2019-03-08 2019-07-09 上海交通大学 基于神经网络和无线传感阵列的局部放电测向方法及***

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103713242A (zh) * 2013-12-27 2014-04-09 上海交通大学 新型局部放电源空间定位用特高频传感器及其阵列
CN103777121A (zh) * 2014-01-22 2014-05-07 上海交通大学 变电站局部放电检测及定位用多频段特高频窄带传感器
CN105914452A (zh) * 2016-02-23 2016-08-31 国家电网公司 变电站局部放电全站检测用特高频非对称双锥天线
CN205609743U (zh) * 2016-02-23 2016-09-28 国家电网公司 变电站局部放电全站检测用特高频非对称双锥天线

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106019098A (zh) * 2016-06-15 2016-10-12 国网北京市电力公司 局部放电定位方法、装置及***
CN107179491A (zh) * 2017-06-21 2017-09-19 国家电网公司 一种基于模式识别的局部放电定位方法和***
CN107703418A (zh) * 2017-08-30 2018-02-16 上海交通大学 基于多径向基神经网络的局部放电定位误差补偿方法
CN107907799A (zh) * 2017-11-10 2018-04-13 国网浙江省电力公司电力科学研究院 基于卷积神经网络的局部放电缺陷类型的识别方法及***
CN109212392A (zh) * 2018-09-25 2019-01-15 上海交通大学 直流电缆局部放电缺陷故障的识别方法、***及Caffe卷积神经网络
CN109991519A (zh) * 2019-03-08 2019-07-09 上海交通大学 基于神经网络和无线传感阵列的局部放电测向方法及***
CN109932627A (zh) * 2019-04-30 2019-06-25 国网山东省电力公司烟台供电公司 一种gis耐压试验局部放电的定位方法及***

Also Published As

Publication number Publication date
CN110501620A (zh) 2019-11-26

Similar Documents

Publication Publication Date Title
CN107907799B (zh) 基于卷积神经网络的局部放电缺陷类型的识别方法及***
CN105807190A (zh) 一种gis局部放电超高频带电检测方法
CN107192929B (zh) 用于特高频监测***校验的gis局放信号源***及使用方法
CN103048593B (zh) 一种气体绝缘开关设备绝缘缺陷种类的识别方法
CN106990303A (zh) 一种变压器故障诊断方法
EP3596850B1 (en) Locating passive intermodulation fault sources
CN106338674B (zh) 基于改进ecoc分类器的直流电缆接头绝缘故障诊断方法及***
CN111025097A (zh) 一种测评老化后xlpe电缆泄漏电流差异因子的智能方法
CN107356843A (zh) 基于分层阈值同步挤压小波的变压器局部放电故障诊断方法
CN110146268A (zh) 一种基于均值分解算法的oltc故障诊断方法
CN110554284B (zh) 基于gis设备的局放检测方式的相关性分析方法及***
Darabad et al. An efficient PD data mining method for power transformer defect models using SOM technique
CN103454526A (zh) 一种基于电力变压器绕组故障类型判定方法
El-Hag Application of machine learning in outdoor insulators condition monitoring and diagnostics
CN107276691B (zh) 一种天线方向角的确定方法及装置
CN110501620B (zh) 一种基于信号源特征的站域局部放电定位方法
CN110543730A (zh) 一种变压器绕组变形故障判定方法
CN110087206A (zh) 采用广义回归神经网络评估链路质量的方法
CN109635428A (zh) 一种基于机械状态信号分析的gis机械故障诊断方法
de Souza Neto et al. Partial discharge location using unsynchronized radiometer network for condition monitoring in HV substations-a proposed approach
Anjum A Study of the Detection of Defects in Ceramic Insulators Based on Radio Frequency Signatures.
Ardila‐Rey et al. A new technique for separation of partial discharge sources and electromagnetic noise in radiofrequency measurements using energy ratios of different antennas
Adami et al. New approach to improve high-voltage transmission line reliability
Setiabudy et al. Comparison of statistical breakdown voltages in jatropha curcas methyl ester oil and mineral oil under AC voltage
Sameh et al. An intelligent classifier of electrical discharges in oil immersed power transformers

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
TR01 Transfer of patent right

Effective date of registration: 20221011

Address after: 712000 Xilan Road, Qindu District, Xianyang City, Shaanxi Province

Patentee after: Xianyang power supply company of State Grid Shaanxi Electric Power Co.,Ltd.

Patentee after: XI'AN JIAOTONG University

Address before: No. 30, Xilan Road, Qindu District, Xianyang City, Shaanxi Province

Patentee before: XIANYANG POWER SUPPLY COMPANY, STATE GRID SHAANXI ELECTRIC POWER Co.,Ltd.

Patentee before: XI'AN JIAOTONG University

TR01 Transfer of patent right