CN110672988A - 一种基于分层式诊断的局部放电模式识别方法 - Google Patents
一种基于分层式诊断的局部放电模式识别方法 Download PDFInfo
- Publication number
- CN110672988A CN110672988A CN201910805610.1A CN201910805610A CN110672988A CN 110672988 A CN110672988 A CN 110672988A CN 201910805610 A CN201910805610 A CN 201910805610A CN 110672988 A CN110672988 A CN 110672988A
- Authority
- CN
- China
- Prior art keywords
- discharge
- diagnosis
- partial discharge
- hierarchical
- characteristic parameters
- 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
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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种基于分层式诊断的局部放电模式识别方法,具体步骤如下:(1)提取不同局部放电信号的放电模式谱图的特征参数;(2)构建分层神经网络模型;(3)基于提取的局部放电信号的大量特征参数样本训练分层神经网络模型;(4)基于经训练的分层神经网络模型确定待识别的局部放电信号的模式,得到每层诊断的结果。本发明采用分层式放电类型诊断方法,降低每一层诊断用的网络规则的复杂性;充分利用不同类别间的差异性;一些层次的诊断只需进行简单的二分类,提高诊断准确的概率。
Description
技术领域
本发明涉及电力设备监控技术领域,尤其是涉及一种基于分层式诊断的局部放电模式识别方法。
背景技术
气体绝缘金属封闭开关设备(GIS)在电力***中得到大量的应用,其设备绝缘状态与电网安全息息相关。局部放电可以有效反映电力设备内部绝缘缺陷的特征,对GIS设备进行局部放电检测可以有效获取设备的绝缘状况,从而及时消除隐患,避免重大事故的发生。因此GIS局部放电检测技术得到了大力推广,针对GIS现场局部放电检测数据也呈海量增长的趋势。
现场GIS设备常见的局部放电类型有:高压导体上的金属尖刺、盆式绝缘子上金属颗粒、高压导体接触不良、接地体或屏蔽之间接触不良、绝缘子气隙等。不同的绝缘缺陷往往对应不同的局部放电信号模式,因此通常通过识别局部放电信号的模式来判断相应的设备绝缘缺陷。
由于GIS设备现场运行环境复杂多样,现场局部放电检测数据中不可避免的包含各种类型的干扰信号,与实验检测信号存在较大差异。因此,针对大数据情况下的局部放电模式识别,传统的分析方法已经难以满足需求。
对于局部放电的现场检测,局部放电检测***耦合到的信号可能为GIS内部缺陷产生的放电信号,也可能为外部环境各种干扰信号,所以可将检测信号分为干扰信号和局部放电信号两大类。而对于GIS内部的典型绝缘故障缺陷类型,绝缘子气隙放电与绝缘子沿面放电的特征具有一定相似性,放电发生的位置也都是位于绝缘子固体绝缘材料上,基于此可将GIS内部典型绝缘故障缺陷分为气体绝缘中的放电和固体绝缘中的放电两大类。其中,气体绝缘中的放电包括金属尖端放电、悬浮放电和自由金属颗粒放电等,固体绝缘中的放电则分为绝缘子沿面放电和固体绝缘气隙放电等。
发明内容
本发明的目的在于提供一种基于分层式诊断的局部放电模式识别方法,该方法能提高各种放电类型的诊断识别准确率。
本发明的目的是这样实现的:
一种基于分层式诊断的局部放电模式识别方法,特征是:具体步骤如下:
A、提取不同局部放电信号的放电模式谱图的特征参数;
B、构建分层神经网络模型;
C、基于步骤A提取的局部放电信号的大量特征参数样本训练分层神经网络模型;
D、基于经训练的分层神经网络模型确定待识别的局部放电信号的模式,得到每层诊断的结果。
进一步地,所述步骤A中,所述放电模式谱图的特征参数包括统计特征参数、分形特征参数和图像特征参数。
进一步地,所述步骤B中,第一层诊断为:对放电信号和干扰信号的识别区分;第二层诊断为:对放电信号,区分气体绝缘中的放电类型和固体绝缘中的放电类型;对干扰信号,诊断具体干扰信号类型;第三层诊断为:对气体绝缘中的放电或固体绝缘中的放电,识别具体的放电类型。
进一步地,所述步骤C中,提取金属尖端放电、悬浮放电、自由金属颗粒放电、固体绝缘气隙放电、绝缘子沿面放电这五种典型放电类型的局部放电信号作为训练样本。
进一步地,所述步骤C中,以统计特征参数、分形和图像特征参数、统计和分形特征参数、统计和图像特征参数以及所有特征参数这5种不同特征组合作为训练特征量。
本发明采用分层式放电类型诊断方法的优点有:
(1)降低每一层诊断用的网络规则的复杂性;
(2)充分利用不同类别间的差异性;
(3)一些层次的诊断只需进行简单的二分类,提高诊断准确的概率。
附图说明
图1是分层识别的流程示意图;
图2是BP神经网络的原理图。
具体实施方式
下面结合实施例并对照附图对本发明作进一步的说明。
一种基于分层式诊断的局部放电模式识别方法,具体步骤如下:
(1)、提取局部放电信号的放电模式谱图的特征参数,包括统计特征参数、分形特征参数和图像特征参数;
不同放电故障类型的放电特征可由放电模式谱图的特征参数来表示,为了分析不同放电故障类型的放电模式谱图之间的差异以及同一放电类型不同放电发展阶段放电模式谱图之间的差异,提取放电模式谱图的统计特征参数、分形特征参数、图像特征参数,包括统计参数、威布尔分布参数、放电幅值分布特征参数以及局部放电灰度图像的图像特征参数等30个特征参量,主要内容如下所示:
1.统计特征参数:
在特征量构造中选用的统计量有均值、标准差、信息熵以及威布尔参数,基于这几种统计量提取了24个特征参数,如表1所示。
表1
2.分形特征参数:
分形维数是描述分形集合复杂性的一个重要的特征数,根据不同的定义和计算方法,目前常用的分形维数有盒维数、信息盒维数、豪斯多夫维数、相似维数和关联维数等。本发明根据构造的Δt灰度图像提取盒维数DB、信息盒维数DI两个分析特征量,如表2所示。
表2
3.图像特征参数:
图像特征是图像模式识别中应用最为广泛的表征图像分布形态的特征参数,能相当有效的描述灰度图像中像素点的整体分布状况。本发明针对Δt灰度图像,提取小梯度优势、灰度分布不均匀性和灰度平均三个图像纹理特征参数,如表3所示。
表3
(2)、构建分层神经网络模型:
为了提高各种放电类型的诊断识别准确率,本发明采用分层式诊断识别策略,如图1所示,流程图中的测试数据为待诊断的局部放电数据;特征量提取为提取不同局部放电信号的放电模式谱图的特征参数过程;之后经过第一层诊断,第一层诊断首先实现对放电信号和干扰信号的识别区分;然后在进行第二层诊断,第二层诊断中对放电信号来说,要区分放电信号为气体绝缘中的放电类型还是固体绝缘中的放电类型,确定干扰放电类型和局部放电类型,而对于干扰信号来说则是直接诊断具体的信号类型,如通讯干扰、雷达干扰、马达干扰、日光灯干扰等;最后进行第三层诊断,第三层诊断则是完成对气体绝缘(SF6)中的放电或固体绝缘中的放电进行具体的放电类型的区分及识别,确定是气体中放电类型还是固体中放电类型,气体中放电类型分为金属尖端放电、悬浮放电和自由金属颗粒放电,固体中放电类型分为固体绝缘气隙放电、绝缘子沿面放电。
采用分层式放电类型诊断策略的优点主要有:(1)降低每一层诊断用的网络规则的复杂性;(2)充分利用不同类别间的差异性;(3)一些层次的诊断只需进行简单的二分类,提高诊断准确的概率。
(3)、基于步骤1提取的局部放电信号的大数据特征样本训练分层神经网络模型:
基于分层式诊断的BP神经网络,在每一种特征量计算方式下,分别以统计特征参数、分形和图像特征参数、统计和分形特征参数、统计和图像特征参数以及所有特征参数等5种不同特征组合作为训练特征量。BP神经网络如图2所示,输入层用于计算局部放电样本,样本用X表示,样本个数为n;隐含层用于计算局部放电样本的特征参数,特征参数采用H表示,特征参数个数用k表示;输出层用于计算诊断的分类结果,分类结果用Y表示,分类结果的个数用m表示。输入层的局部放电样本计算得到的结果作为隐含层的输入量,隐含层计算得到的结果作为输出层的输入量。
提取金属尖端放电、悬浮放电、自由金属颗粒放电、固体绝缘气隙放电、绝缘子沿面放电等5种典型放电类型的各5000个训练样本数的特征参数,并采用5种不同特征组合作为训练特征量。
(4)、基于经训练的分层神经网络模型确定待识别的局部放电信号的模式:
本发明在每一种特征量计算方式下,将统计特征参数、分形和图像特征参数、统计和分形特征参数、统计和图像特征参数以及所有特征参数共5种特征参数组合分别作为BP神经网络的输入向量进行识别,察看其诊断识别准确率,比较不同特征参数及其组合的分类识别能力的优劣。
为了便于比较,将同一种特征量计算方式下不同特征输入量的分类识别率列于同一个表格之中,其中,正确分类识别率定义为:
表4给出了基于神经网络的分层模式识别的结果。统计特征参数与统计和分形特征参数组合在整体上具有较好的分类识别能力,其中,在统计特征参数下,金属尖端放电的识别率达到100%,各类放电的识别率也都在95%以上。
表4
Claims (5)
1.一种基于分层式诊断的局部放电模式识别方法,其特征在于:具体步骤如下:
A、提取不同局部放电信号的放电模式谱图的特征参数;
B、构建分层神经网络模型;
C、基于步骤A提取的局部放电信号的大量特征参数样本训练分层神经网络模型;
D、基于经训练的分层神经网络模型确定待识别的局部放电信号的模式,得到每层诊断的结果。
2.根据权利要求1所述的基于分层式诊断的局部放电模式识别方法,其特征在于:所述步骤A中,所述放电模式谱图的特征参数包括统计特征参数、分形特征参数和图像特征参数。
3.根据权利要求2所述的基于分层式诊断的局部放电模式识别方法,其特征在于,所述步骤B中,第一层诊断为:对放电信号和干扰信号的识别区分;第二层诊断为:对放电信号,区分气体绝缘中的放电类型和固体绝缘中的放电类型;对干扰信号,诊断具体干扰信号类型;第三层诊断为:对气体绝缘中的放电或固体绝缘中的放电,识别具体的放电类型。
4.根据权利要求3所述的基于分层式诊断的局部放电模式识别方法,其特征在于:所述步骤C中,提取金属尖端放电、悬浮放电、自由金属颗粒放电、固体绝缘气隙放电、绝缘子沿面放电这五种典型放电类型的局部放电信号作为训练样本。
5.根据权利要求4所述的基于分层式诊断的局部放电模式识别方法,其特征在于:所述步骤C中,以统计特征参数、分形和图像特征参数、统计和分形特征参数、统计和图像特征参数以及所有特征参数这五种不同特征组合作为训练特征量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910805610.1A CN110672988A (zh) | 2019-08-29 | 2019-08-29 | 一种基于分层式诊断的局部放电模式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910805610.1A CN110672988A (zh) | 2019-08-29 | 2019-08-29 | 一种基于分层式诊断的局部放电模式识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110672988A true CN110672988A (zh) | 2020-01-10 |
Family
ID=69076390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910805610.1A Pending CN110672988A (zh) | 2019-08-29 | 2019-08-29 | 一种基于分层式诊断的局部放电模式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110672988A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112034310A (zh) * | 2020-07-31 | 2020-12-04 | 国网山东省电力公司东营供电公司 | 一种组合电器局部放电缺陷诊断方法及*** |
CN112417950A (zh) * | 2020-09-29 | 2021-02-26 | 华北电力大学 | 一种gis特高频法局部放电类型诊断方法 |
CN112595944A (zh) * | 2020-12-31 | 2021-04-02 | 广东电网有限责任公司电力科学研究院 | 一种局部放电模式识别方法和*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108693448A (zh) * | 2018-03-28 | 2018-10-23 | 西安博源电气有限公司 | 一种应用于电力设备局部放电模式识别*** |
CN108776285A (zh) * | 2018-05-03 | 2018-11-09 | 北京华电中试电力工程有限责任公司 | 一种gis在线检测方法 |
CN109100627A (zh) * | 2018-10-31 | 2018-12-28 | 红相股份有限公司 | 一种基于端到端模式的电力设备局部放电故障诊断方法 |
CN109116193A (zh) * | 2018-06-14 | 2019-01-01 | 国网浙江省电力有限公司检修分公司 | 基于局放信号综合熵值的电气设备危险性放电判别方法 |
CN109116203A (zh) * | 2018-10-31 | 2019-01-01 | 红相股份有限公司 | 基于卷积神经网络的电力设备局部放电故障诊断方法 |
CN109239516A (zh) * | 2018-09-05 | 2019-01-18 | 国网山西省电力公司检修分公司 | 融合多种智能诊断模型的变压器故障分层诊断方法 |
CN109765333A (zh) * | 2018-12-05 | 2019-05-17 | 国网辽宁省电力有限公司信息通信分公司 | 一种基于GoogleNet模型的变压器故障诊断方法 |
-
2019
- 2019-08-29 CN CN201910805610.1A patent/CN110672988A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108693448A (zh) * | 2018-03-28 | 2018-10-23 | 西安博源电气有限公司 | 一种应用于电力设备局部放电模式识别*** |
CN108776285A (zh) * | 2018-05-03 | 2018-11-09 | 北京华电中试电力工程有限责任公司 | 一种gis在线检测方法 |
CN109116193A (zh) * | 2018-06-14 | 2019-01-01 | 国网浙江省电力有限公司检修分公司 | 基于局放信号综合熵值的电气设备危险性放电判别方法 |
CN109239516A (zh) * | 2018-09-05 | 2019-01-18 | 国网山西省电力公司检修分公司 | 融合多种智能诊断模型的变压器故障分层诊断方法 |
CN109100627A (zh) * | 2018-10-31 | 2018-12-28 | 红相股份有限公司 | 一种基于端到端模式的电力设备局部放电故障诊断方法 |
CN109116203A (zh) * | 2018-10-31 | 2019-01-01 | 红相股份有限公司 | 基于卷积神经网络的电力设备局部放电故障诊断方法 |
CN109765333A (zh) * | 2018-12-05 | 2019-05-17 | 国网辽宁省电力有限公司信息通信分公司 | 一种基于GoogleNet模型的变压器故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
刘昌标: "GIS特高频局部放电特征量优选及类型识别研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112034310A (zh) * | 2020-07-31 | 2020-12-04 | 国网山东省电力公司东营供电公司 | 一种组合电器局部放电缺陷诊断方法及*** |
CN112417950A (zh) * | 2020-09-29 | 2021-02-26 | 华北电力大学 | 一种gis特高频法局部放电类型诊断方法 |
CN112595944A (zh) * | 2020-12-31 | 2021-04-02 | 广东电网有限责任公司电力科学研究院 | 一种局部放电模式识别方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765373B (zh) | 一种基于集成分类器在线学习的绝缘子异常自动检测方法 | |
CN108573225B (zh) | 一种局部放电信号模式识别方法及*** | |
CN110672988A (zh) | 一种基于分层式诊断的局部放电模式识别方法 | |
WO2023213332A1 (zh) | 一种多源混合型特高频局部放电图谱的分离识别方法 | |
CN103076547B (zh) | 基于支持向量机的gis局部放电故障类型模式识别方法 | |
CN112180221B (zh) | 基于双测度监督规则的gis未知类别局部放电识别方法 | |
CN112069930A (zh) | 提升gis设备故障诊断准确率的振动信号处理方法及装置 | |
CN110927535A (zh) | 基于极限学习机的电力设备局部放电严重程度评估方法 | |
Chang et al. | Application of pulse sequence partial discharge based convolutional neural network in pattern recognition for underground cable joints | |
Wang et al. | A new image-oriented feature extraction method for partial discharges | |
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 | |
CN112528774B (zh) | 一种复杂电磁环境下未知雷达信号智能分选***及方法 | |
CN112763871A (zh) | 一种局部放电分类识别方法 | |
CN110147739A (zh) | 一种基于多重分形谱算法的电抗器故障识别方法 | |
CN114417926A (zh) | 一种基于深度卷积生成对抗网络的电力设备局部放电模式识别方法及*** | |
CN113065484A (zh) | 一种基于紫外图谱的绝缘子污秽状态评估方法 | |
CN113655348A (zh) | 一种基于深度孪生网络的电力设备局部放电故障诊断方法、***终端及可读存储介质 | |
CN111025100A (zh) | 变压器特高频局部放电信号模式识别方法与装置 | |
CN109635428A (zh) | 一种基于机械状态信号分析的gis机械故障诊断方法 | |
Chang et al. | Assessment of the insulation status aging in power cable joints using support vector machine | |
CN113128584A (zh) | 一种多功能雷达脉冲序列的模式级无监督分选方法 | |
CN114487742B (zh) | 基于多模态纹理分析的高压壳体放电绝缘性能检测*** | |
CN115659252A (zh) | 一种基于prpd多特征信息融合的gis局部放电模式识别方法 | |
CN113238128B (zh) | 一种循环渐进式局部放电判别方法 | |
CN114970601A (zh) | 一种电力设备局部放电类型识别方法、设备及存储介质 |
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: 20200110 |
|
RJ01 | Rejection of invention patent application after publication |