CN111537853A - 基于多源异构数据分析的开关柜局部放电智能检测方法 - Google Patents

Abstract

本发明公开了一种基于多源异构数据分析的开关柜局部放电智能检测方法，获取多台已经投入运行的高压开关柜的历史运行数据，作为开关柜局部放电相关的多源异构数据；对历史运行数据提取特征向量并进行归一化处理，获得对应的高维数据集；利用深度学习对总特征向量进行降维处理，将原高维数据集降为低维数据集；利用低维数据集训练局部放电识别网络模型，对开关柜局部放电识别检测。本发明提供的基于多源异构数据分析的开关柜局部放电智能检测方法，通过分析开关柜的历史运行数据、电流、电压、温湿度、超声波、暂态对地电压数据，利用深度学习算法实现局部放电的智能识别，以及时发现开关柜故障隐患，提高开关柜的安全稳定性。

Description

基于多源异构数据分析的开关柜局部放电智能检测方法

技术领域

本发明涉及电力设备检测技术领域，特别是涉及一种基于多源异构数据分析的开关柜局部放电智能检测方法。

背景技术

开关柜是电力***中最重要也是最复杂的设备之一，在电力***的供配电***中，开关柜主要是用于关合及开断电力线路，从而输送及倒换电力负荷，以及从电力***中退出故障设备和线段，以保证***安全运行的重要设备。关于开关柜的局部放电检测方法，目前主要有特高频法、超声检测法、脉冲电流法、暂时对地电压法等。这些方法都是通过检测局部放电产生的不同信号，如高频电磁波、脉冲电流、超声波等，从而判断局部放电发生与否。但局部放电发生类型多样，发生位置也不固定，同时现场复杂的电磁环境，导致实际的检测受到各种干扰的影响，检测效果难以满足实际要求。随着智能电网的不断发展，大数据时代的到来，大量电气设备的各种方面的信息都将唾手可得，这些数据可以从不同侧面反映出设备运行状态信息，为局部放电的检测提供多方面的辨识特性。但是如此大量的数据无疑增加了数据处理难度，如果没有适合的算法分析处理就无法充分利用这一宝贵财富。

智能电网大数据具有多源异构性，影响局部放电的多方面因素中包括当地的大气温湿度即气象数据，也包括此时开关柜的母排电流大小即用电负荷量，同时更与此台开关柜设备绝缘老化程度即投入运行时长有关。而这些数据的存储部门、数据类型均不相同，因此具有多源异构性。如何处理好多源异构数据对提高开关柜局部放电检测效果将起到重要作用。

近年来，深度学习成为大数据处理的重要算法之一，它不仅可以自动提取数据的特征量，减轻人工提取的工作量，而且在识别分类方面准确率很高，可以充分利用大量多源异构数据的优势，提高开关柜局部放电检测效果。

发明内容

本发明的目的是提供一种基于多源异构数据分析的开关柜局部放电智能检测方法，通过分析开关柜的历史运行数据、电流、电压、温湿度、超声波、暂态对地电压数据，利用深度学习算法实现局部放电的智能识别，以及时发现开关柜故障隐患，提高开关柜的安全稳定性。

为实现上述目的，本发明提供了如下方案：

一种基于多源异构数据分析的开关柜局部放电智能检测方法，该方法包括以下步骤：

步骤一，获取多台已经投入运行的高压开关柜的历史运行数据，作为开关柜局部放电相关的多源异构数据，所述历史运行数据包括电流、电压、温湿度、超声波、暂态对地电压数据及局部放电发生情况；

步骤二，对历史运行数据提取特征向量并进行归一化处理，得到高维特征向量，获得对应的高维数据集；

步骤三，利用深度学习对总特征向量进行降维处理，将原高维数据集降为低维数据集；

步骤四，利用低维数据集训练局部放电识别网络模型，利用局部放电识别网络模型对开关柜局部放电识别检测。

可选的，所述步骤一中，所述电流、电压、温湿度、超声波、暂态对地电压数据分别由设置在开关柜中的电流互感器、电压互感器、温湿度传感器、超声传感器、暂态地电压传感器采集得到。

可选的，所述步骤三中，利用深度学习对总特征向量进行降维处理，将原高维数据集降为低维数据集，具体包括：

搭建编码网络模型和解码网络模型，利用高维数据集对编码网络模型和解码网络模型进行训练；

利用训练完成的编码网络模型将步骤二的高维数据集降维成低维数据集。

可选的，利用高维数据集对编码网络模型和解码网络模型训练至少50轮。

可选的，所述步骤四中，利用低维数据集训练局部放电识别网络模型，利用局部放电识别网络模型对开关柜局部放电识别检测，具体包括：

搭建一个局部放电识别网络模型，利用训练好的编码网络模型产生的低维数据集训练局部放电识别网络模型；

将待检测开关柜的实时运行数据输入到训练好的局部放电识别网络模型中，进行局部放电识别检测。

可选的，利用训练好的编码网络模型产生的低维数据集对局部放电识别网络模型训练至少20轮。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于多源异构数据分析的开关柜局部放电智能检测方法，获得开关柜局部放电相关多源异构数据，包括开关柜的历史运行数据电流、电压、温湿度、超声波、暂态对地电压数据及局部放电发生情况；对各种数据提取特征向量并进行归一化处理造成数据集；利用深度学***了道路，而且充分考虑了多种影响因素，使得局部放电识别更加准确，可更及时发现开关柜绝缘问题，提高电力***变电站运行稳定性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例基于多源异构数据分析的开关柜局部放电智能检测方法的流程图；

图2为本发明实施例编码网络模型和解码网络模型；

图3为本发明实施例局部放电识别网络模型。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种基于多源异构数据分析的开关柜局部放电智能检测方法，通过分析开关柜的历史运行数据、电流、电压、温湿度、超声波、暂态对地电压数据，利用深度学习算法实现局部放电的智能识别，以及时发现开关柜故障隐患，提高开关柜的安全稳定性。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明实施例基于多源异构数据分析的开关柜局部放电智能检测方法的流程图，如图1所示，本发明实施例提供的基于多源异构数据分析的开关柜局部放电智能检测方法，包括以下步骤：

步骤一，获取多台已经投入运行的高压开关柜的历史运行数据，作为开关柜局部放电相关的多源异构数据，所述历史运行数据包括电流、电压、温湿度、超声波、暂态对地电压数据及局部放电发生情况；

步骤二，对历史运行数据提取特征向量并进行归一化处理，得到高维特征向量，获得对应的高维数据集；

步骤三，利用深度学习对总特征向量进行降维处理，将原高维数据集降为低维数据集；

步骤四，利用低维数据集训练局部放电识别网络模型，利用局部放电识别网络模型对开关柜局部放电识别检测。

其中，所述步骤一中，所述电流、电压、温湿度、超声波、暂态对地电压数据分别由设置在开关柜中的电流互感器、电压互感器、温湿度传感器、超声传感器、暂态地电压传感器采集得到。

所述步骤二中，从开关柜内选出M件绝缘设备，并对每件设备的已投运时长数据进行归一化处理(投运时长除以设备统计平均寿命)；温湿度数据进行线性归一化处理，如式(1)所示；由电压互感器得到母线电压并除以开关柜额定电压值，由电流互感器得到电流值除以额定容量对应的额定电流值；由超声、暂态地电压传感器获得超声和放电波形，利用放电脉冲形状提取特征参数，分别由式1.2～1.5求取均值ν、标准差σ、陡峭度K_u、偏斜度S_k。综合以上各特征参数得到高维特征向量，并获得对应的数据集。高维特征向量包括M维设备运行时长、2维温湿度、2维运行电压电流、4维超声波形特征参数、4维暂态地电压波形特征参数，共计M+12维。

式(1)中，x为温湿度数据，min(x)和max(x)为其最小值和最大值，x’为处理后的温湿度。式(2)中，偏斜度S_K是用于描述局部放电脉冲形状的分布相对于正态分布形状的偏斜程度，式(5)中，陡峭度K_u用于描述局部放电脉冲形状的分布对比于正态分布形状的突出程度。其中ν、σ、p_j分别表示在相窗j内的波形幅值的均值、标准差、概率。均值和标准差分别为式(3)和式(4)，其中φ_j为相窗相位，m为相窗数，y_j为第j个相窗的幅值，Δy为相邻相窗幅值差。

所述步骤三中，利用深度学习对总特征向量进行降维处理，将原高维数据集降为低维数据集，具体包括：

搭建编码网络模型和解码网络模型，利用高维数据集对编码网络模型和解码网络模型进行训练；

利用训练完成的编码网络模型将步骤二的高维数据集降维成低维数据集。

其中，编码网络模型和解码网络模型，分别用于将原高维特征向量降维成低维特征向量和将低维恢复成原高维特征向量。

编码神经网络模型包括输入层、隐藏层和输出层。如图2所示，输入层为单层神经元，且包括M+12个输入神经元，指步骤二中的高维特征向量。隐藏层可以为若干层神经元构成，本方法设置为2层，第一隐藏层含20个神经元，第二隐藏层含10个神经元。输出层为单层神经元，包括5个输出神经元，表示低维特征向量。初始化各个神经元之间权重w＝0，隐藏层的激活函数为tanh，输出层则为线性激活函数。tanh函数如式(6)所示，学习率lr设置为0.01。

解码神经网络模型包括输入层、隐藏层和输出层。如图2所示，输入层为单层神经元，且包括5个输入神经元，指步骤三中的低维特征向量。隐藏层可以为若干层神经元构成，本方法设置为2层，第一隐藏层含10个神经元，第二隐藏层含20个神经元。输出层为单层神经元，包括M+12个输出神经元，表示高维特征向量。初始化各个神经元之间权重w＝0，隐藏层的激活函数为tanh，输出层则为sigmoid激活函数。tanh函数如式(6)所示，sigmoid函数如式(7)所示。学习率lr设置为0.01。

利用步骤二的高维特征向量数据集输入对步骤三的编码网络和解码网络进行训练，将训练数据集输入编码网络模型的输入层中，进行前向传播，即根据前层神经元输出值x_i、两层之间的权值w_ij加权计算出该层的输入值z_j，如式1.8所示，而该层的输出值y_j要该层输入值经激活函数f处理，如式(9)所示，依此类推最终计算出编码网络输出层的输出值，即为低维数据。接着将编码网络输出层的输出值输入解码网络的输入层，同样前向传播进行计算，直到解码网络的输出层，计算出的输出层输出值y_l会与高维训练数据集y_t存在误差，

即

求出网络中误差对各权值的偏导数，即

逐层向后传播，即将各层权值从w_ij修改为

直到编码网络的输入层为止。

z_j＝∑w_ijx_i (8)

y_j＝f(z_j) (9)

利用高维数据集对编码网络模型和解码网络模型训练至少50轮。

所述步骤四中，利用低维数据集训练局部放电识别网络模型，利用局部放电识别网络模型对开关柜局部放电识别检测，具体包括：

搭建一个局部放电识别网络模型，利用训练好的编码网络模型产生的低维数据集训练局部放电识别网络模型；

将待检测开关柜的实时运行数据输入到训练好的局部放电识别网络模型中，进行局部放电识别检测。

局部放电识别网络模型包括输入层、隐藏层和输出层。如图3所示，输入层为单层神经元，且包括5个输入神经元，指低维特征向量。隐藏层可以为若干层神经元构成，本方法设置为3层，每层均含10个神经元。输出层为单层神经元，包括1个输出神经元，表示发生局部放电的概率。初始化各个神经元之间权重w＝0，隐藏层的激活函数为relu，输出层则为sigmoid激活函数。relu函数如式(10)所示，sigmoid函数如式(7)所示。学习率lr设置为0.01。

将低维数据集作为训练数据集输入局部放电识别模型的输入层中，进行前向传播和误差反向传播。

其中，利用训练好的编码网络模型产生的低维数据集对局部放电识别网络模型训练至少20轮。

将步骤三、步骤四训练好的编码网络模型和局部放电识别网络模型部署于实际开关柜中，如步骤二所示提取开关柜实时运行数据的高维特征向量形成高维数据集，并输入编码网络模型中得到低维特征向量和数据集，再输入局部放电识别网络模型，最终得出识别结果。

本发明提供的基于多源异构数据分析的开关柜局部放电智能检测方法，首先获得多台已经投入运行的高压开关柜的历史运行数据，处理各种数据并综合特征参数得到高维特征向量，获得对应的数据集；搭建编码和解码网络模型，利用高维特征向量数据集对编码和解码网络进行训练；搭建一个局部放电识别网络模型，利用训练好的编码网络产生的低维数据集训练局部放电识别网络；将训练好的编码网络和局部放电识别网络部署于实际开关柜中，利用模型完成对开关柜实时数据的局部放电识别。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种基于多源异构数据分析的开关柜局部放电智能检测方法，其特征在于，包括以下步骤：

步骤一，获取多台已经投入运行的高压开关柜的历史运行数据，作为开关柜局部放电相关的多源异构数据，所述历史运行数据包括电流、电压、温湿度、超声波、暂态对地电压数据及局部放电发生情况；

步骤二，对历史运行数据提取特征向量并进行归一化处理，得到高维特征向量，获得对应的高维数据集；

步骤三，利用深度学习对总特征向量进行降维处理，将原高维数据集降为低维数据集；

步骤四，利用低维数据集训练局部放电识别网络模型，利用局部放电识别网络模型对开关柜局部放电识别检测。

2.根据权利要求1所述的基于多源异构数据分析的开关柜局部放电智能检测方法，其特征在于，所述步骤一中，所述电流、电压、温湿度、超声波、暂态对地电压数据分别由设置在开关柜中的电流互感器、电压互感器、温湿度传感器、超声传感器、暂态地电压传感器采集得到。

3.根据权利要求1所述的基于多源异构数据分析的开关柜局部放电智能检测方法，其特征在于，所述步骤三中，利用深度学习对总特征向量进行降维处理，将原高维数据集降为低维数据集，具体包括：

搭建编码网络模型和解码网络模型，利用高维数据集对编码网络模型和解码网络模型进行训练；

利用训练完成的编码网络模型将步骤二的高维数据集降维成低维数据集。

4.根据权利要求3所述的基于多源异构数据分析的开关柜局部放电智能检测方法，其特征在于，利用高维数据集对编码网络模型和解码网络模型训练至少50轮。

5.根据权利要求1所述的基于多源异构数据分析的开关柜局部放电智能检测方法，其特征在于，所述步骤四中，利用低维数据集训练局部放电识别网络模型，利用局部放电识别网络模型对开关柜局部放电识别检测，具体包括：

搭建一个局部放电识别网络模型，利用训练好的编码网络模型产生的低维数据集训练局部放电识别网络模型；

将待检测开关柜的实时运行数据输入到训练好的局部放电识别网络模型中，进行局部放电识别检测。

6.根据权利要求5所述的基于多源异构数据分析的开关柜局部放电智能检测方法，其特征在于，利用训练好的编码网络模型产生的低维数据集对局部放电识别网络模型训练至少20轮。

Images