CN112147470B - 一种gil局部放电源定位方法和*** - Google Patents
一种gil局部放电源定位方法和*** Download PDFInfo
- Publication number
- CN112147470B CN112147470B CN202011021369.2A CN202011021369A CN112147470B CN 112147470 B CN112147470 B CN 112147470B CN 202011021369 A CN202011021369 A CN 202011021369A CN 112147470 B CN112147470 B CN 112147470B
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- simulation
- gil
- fingerprint
- discharge source
- 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
- G01R31/1218—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 using optical methods; using charged particle, e.g. electron, beams or X-rays
-
- 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
- G01R31/1272—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 of cable, line or wire insulation, e.g. using partial discharge measurements
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开了一种GIL局部放电源定位方法,包括步骤:(1)建立与实际GIL尺寸相同的仿真模型,并进行光学信号仿真,构建局部放电仿真指纹库Ψ(2)拟合出GIL中所有位置局部放电指纹,以将Ψ扩展为Ψ’(3)构建有若干个基分类器的Bagging‑KELM模型,用Bagging算法对扩展后光学局部放电仿真指纹库Ψ’进行重新采样,获得随机选择的若干个子指纹库,各子指纹库与个基分类器对应,采用各子指纹库对各基分类器进行训练,以使每一个基分类器均输出局部放电源位置坐标,Bagging‑KELM模型的输出为各基分类器输出局部放电源位置坐标的平均值(4)将实际检测的GIL局部放电光学指纹输入到经过训练的Bagging‑KELM模型中,得到实际局部放电源位置。此外,本发明还公开了一种GIL局部放电源定位***。
Description
技术领域
本发明涉及一种定位方法和***,尤其涉及一种局部放电源定位方法和***。
背景技术
近年来,随着能源生产和工业化的迅速发展,对于长距离大容量高压输电的需求也急剧增加。
气体绝缘传输线具有十分优越的性能,其不仅具有较低的生命周期成本,还具有较高的安全性和较大的传输容量。因其优越的性能,气体绝缘传输线在全球范围内得到了广泛的应用。
在气体绝缘输电线路(gas insulated transmission line,GIL)的运行过程中,由于缺陷的存在(例如表面的异常粗糙度和GIL中的游离颗粒),而将发生局部放电。局部放电会导致绝缘介质变质甚至损坏,从而严重影响GIL的运行的安全性。因此,需要对GIL的局部放电源进行定位,以有效确定绝缘缺陷的位置,帮助评估绝缘状态,及时制定维护策略。
局部放电的发生伴随着电学、电磁学、声学和光学现象。因此,局部放电除了电流检测、特高频(UHF)检测、高频检测和超声检测法以外,光学检测由于其在高灵敏度、抗电磁干扰、抗震动干扰等方面的优势而成为一种新颖且有效的局部放电检测方法。
然而,现有技术中基于光学进行局部放电定位的研究较少。其中现有技术中已经公开了一种研究方法为使用光学阵列识别局部放电的位置,但该方法只能在较小的检测范围内使用,并不适用于长距离GIL。
另外,需要注意的是,目前一些机器学习算法也已经用于光学局部放电定位当中,例如高斯混合模型、支持向量机(SVM)、粗糙集理论和稀疏表示分类器。但是,这些机器学习算法的训练数据库需要通过大量实际实验来获取,而在实际设备中难以进行开展如此大规模的操作。并且这些方法只能定位进行了局部放电实验的位置上发生的局部放电,不能检测GIL罐体中其他位置发生的局部放电,具有一定的局限性,降低了定位精度。
基于此,针对现有技术中的缺陷,期望获得一种新的GIL局部放电源定位方法,其可以将三维局部放电光学仿真指纹引入到气体绝缘输电线路(GIL)局部放电源的定位当中,并通过Bagging-KELM智能识别算法进行指纹匹配,从而提高GIL中局部放电源定位的精度和效率。
发明内容
本发明的目的之一在于提供一种GIL局部放电源定位方法,该GIL局部放电源定位方法将三维局部放电光学仿真指纹引入到气体绝缘输电线路(gas insulatedtransmission line,GIL)局部放电源的定位当中,并通过智能识别算法进行指纹匹配,从而有效提高了GIL中局部放电源定位的精度和效率。
采用本发明的GIL局部放电源定位方法,可以准确有效的定位GIL中的局部放电源位置,有利于电力设备的运维检修,保障电网安全稳定运行。
根据上述发明目的,本发明提出一种GIL局部放电源定位方法,其包括步骤:
(1)建立与实际GIL尺寸完全相同的仿真模型,并对所述仿真模型的局部放电源进行光学信号仿真,以构建局部放电仿真指纹库Ψ;
(2)拟合出GIL中所有位置的局部放电指纹,以将所述光学局部放电仿真指纹库Ψ扩展为Ψ’;
(3)构建Bagging-KELM模型,所述Bagging-KELM模型具有若干个基分类器,采用Bagging算法对扩展后的光学局部放电仿真指纹库Ψ’进行重新采样,以获得随机选择的若干个子指纹库,所述若干个子指纹库与若干个基分类器对应,采用各子指纹库对各基分类器进行训练,以使得每一个基分类器均输出局部放电源的位置坐标,所述Bagging-KELM模型的输出为各基分类器输出的局部放电源的位置坐标的平均值;
(4)将实际检测到的GIL局部放电的光学指纹输入到经过训练的Bagging-KELM模型中,以输出得到实际局部放电源的位置。
在本发明所述的技术方案中,为提高光学局部放电定位的检测范围,准确性和实用性,本发明提出了一种GIL局部放电源定位方法,在该方法中,发明人创造性地将光学仿真数据引入到局部定位当中,从而有效解决了无法从现场设备上获取数据库的难题。
本发明所述的GIL局部放电源定位方法,通过建立与真实GIL罐体相同的仿真模型,并在TracePro软件的仿真中设置与实际光学传感器位置相同的光学模拟探针,在GIL仿真模型中仿真在每个位置发生局部放电时光学传感器接收到的光信号的辐照度。基于光学局部放电仿真,构建了包含局部放电光学坐标信息的仿真指纹库。
相应地,本发明所述的GIL局部放电源定位方法,还将Bagging集成学习算法与核极限学习机(Bagging-KELM)相结合,从而可以将检测到的局部放电指纹与上述仿真指纹库中的光学仿真指纹进行匹配。该方法可以实现对GIL中任意位置的局部放电检测,而不是仅仅是对一些特定的局部放电源进行定位。
进一步地,在本发明所述的GIL局部放电源定位方法中,在所述步骤(1)中:
(a)在所述仿真模型中选取N个点模拟局部放电源的位置;
(b)采用M个仿真探测点对各局部放电源的光辐照度进行采集;
(c)将各仿真探测点的局部放电信号互相相减,以得到两个仿真探测点之间的光辐照度差值δh',j:
(d)将同一个局部放电源的所有光辐照度差值进行归一化处理,得到归一化处理后的光伏照度值δh,j;
(f)将所有的局部放电仿真指纹列向量Ψj组合,构建光学局部放电仿真指纹库Ψ:
其中,P对应上述P个主成分,以表示仿真指纹的维度,并且P<D;N对应上文所述的N个点,以表示仿真局部放电源的数量。
在本发明所述的技术方案中,需要说明的是,在指纹匹配的过程中,光学局部放电指纹的维度随会着仿真探测点数量的增加而增加,这将使指纹的维度过高,从而导致维数灾难和过度拟合。因此,在步骤(e)中,本发明应用主成分分析法(PCA)减小光学局部放电仿真指纹的维度并提取其有效特征。其中,PCA是一种数学工具,它使用正交变换从潜在相关的特征中提取一组线性不相关的特征,这些特征具有减小数据维度的良好能力。
此外,为了突出仿真探测点之间局部放电信号的强度差异和分布规律,并避免由于不同局部放电源之间的光信号强度波动而造成的不利影响,通过对步骤(d)中归一化后的局部放电信号进行主成分分析法(PCA),以减小光学局部放电指纹的维度并提取其有效特征,从而得到最终的局部放电指纹。
另外,在本发明所述的GIL局部放电源定位方法中,在上述步骤(f)所构建的光学局部放电仿真指纹库Ψ中,每个局部放电指纹代表与一个局部放电源的位置有关的特征信息,通过本发明所述的匹配算法,可以将光学传感器获得的待定位的实际局部放电指纹与指纹库中的指纹进行匹配,以获得与待定位指纹最相似的最终指纹,将最终指纹相对应的位置作为定位结果。
进一步地,在本发明所述的GIL局部放电源定位方法,在所述步骤(2)中,采用双调和样条插值法拟合出GIL中所有位置的局部放电指纹。
进一步地,在本发明所述的GIL局部放电源定位方法,所述基分类器的数量为10个。
进一步地,在本发明所述的GIL局部放电源定位方法,在所述步骤(4)中,采用光学传感器获得GIL局部放电的光学指纹。
相应地,本发明的另一目的在于提供一种GIL局部放电源定位***,该GIL局部放电源定位***可以将三维局部放电光学仿真指纹引入到GIL的局部放电源的定位当中,并通过智能识别算法进行指纹匹配,从而提高GIL中局部放电源定位的精度和效率,有利于电力设备的运维检修,保障电网安全稳定运行。
根据上述的发明目的,本发明提出了一种GIL局部放电源定位***,其包括:
GIL仿真模型;
光学传感器,其采集GIL实际发生局部放电时发出的光信号;
处理模块,其执行下述步骤:
(1)基于对GIL仿真模型构建局部放电仿真指纹库Ψ;
(2)拟合出GIL中所有位置的局部放电指纹,以将所述光学局部放电仿真指纹库Ψ扩展为Ψ’;
(3)构建Bagging-KELM模型,所述Bagging-KELM模型具有若干个基分类器,采用Bagging算法对扩展后的光学局部放电仿真指纹库Ψ’进行重新采样,以获得随机选择的若干个子指纹库,所述若干个子指纹库与若干个基分类器对应,采用各子指纹库对各基分类器进行训练,以使得每一个基分类器均输出局部放电源的位置坐标,所述Bagging-KELM模型的输出为各基分类器均输出局部放电源的位置坐标的平均值;
(4)将实际检测到的GIL局部放电的光学指纹输入到经过训练的Bagging-KELM模型中,以输出得到实际局部放电源的位置。
进一步地,在本发明所述的GIL局部放电源定位***中,在所述步骤(1)中:
(a)在所述仿真模型中选取N个点模拟局部放电源的位置;
(b)采用M个仿真探测点对各局部放电源的光辐照度进行采集;
(c)将各仿真探测点的局部放电信号互相相减,以得到两个仿真探测点之间的光辐照度差δh',j:
(d)将同一个局部放电源的所有光辐照度差值进行归一化处理,得到归一化处理后的光伏照度值δh,j;
(f)将所有的局部放电仿真指纹列向量Ψj组合,构建光学局部放电仿真指纹库Ψ:
其中,P对应上述P个主成分,以表示仿真指纹的维度,并且P<D;N对应上文所述的N个点,以表示仿真局部放电源的数量。
进一步地,在本发明所述的GIL局部放电源定位***中,在所述步骤(2)中,采用双调和样条插值法拟合出GIL中所有位置的局部放电指纹。
进一步地,在本发明所述的GIL局部放电源定位***中,所述基分类器的数量为10个。
本发明所述的GIL局部放电源定位方法和***相较于现有技术具有如下所述的优点以及有益效果:
本发明所述的GIL局部放电源定位方法,将三维局部放电光学仿真指纹引入到气体绝缘输电线路(GIL)的局部放电源的定位当中,并通过智能识别算法进行指纹匹配,从而有效提高了GIL中局部放电源定位的精度和效率。
采用本发明的GIL局部放电源定位方法,可以准确有效的定位GIL中的局部放电源位置,有利于电力设备的运维检修,保障电网安全稳定运行。
此外,本发明所述的GIL局部放电源定位***也同样具有上述的优点以及有益效果。
附图说明
图1为本发明所述的GIL局部放电源定位方法在一种实施方式下的步骤流程示意图。
图2为本发明所述的GIL局部放电源定位***在一种实施方式下的上部仿真探测点的光学仿真指纹图。
图3为本发明所述的GIL局部放电源定位***在一种实施方式下的中部仿真探测点的光学仿真指纹图。
图4为本发明所述的GIL局部放电源定位***在一种实施方式下的下部仿真探测点的光学仿真指纹图。
图5为本发明所述的GIL局部放电源定位***在一种实施方式下的K1局部放电指纹在三种不同匹配算法(Bagging-KELM,KELM,BPNN)下的定位CDF图。
图6为本发明所述的GIL局部放电源定位***在一种实施方式下的K2局部放电指纹在三种不同匹配算法(Bagging-KELM,KELM,BPNN)下的定位CDF图。
图7为本发明所述的GIL局部放电源定位***在一种实施方式下的K3局部放电指纹在三种不同匹配算法(Bagging-KELM,KELM,BPNN)下的定位CDF图。
具体实施方式
下面将结合说明书附图和具体的实施例对本发明所述的GIL局部放电源定位方法和***做进一步的解释和说明,然而该解释和说明并不对本发明的技术方案构成不当限定。
图1为本发明所述的GIL局部放电源定位方法在一种实施方式下的步骤流程示意图。
如图1所示,在本实施方式中,本发明所述的GIL局部放电源定位方法,可以包括如下步骤:
(1)建立与实际GIL尺寸完全相同的仿真模型,并对所述仿真模型的局部放电源进行光学信号仿真,以构建局部放电仿真指纹库Ψ;
(2)拟合出GIL中所有位置的局部放电指纹,以将所述光学局部放电仿真指纹库Ψ扩展为Ψ’;
(3)构建Bagging-KELM模型,所述Bagging-KELM模型具有若干个基分类器,采用Bagging算法对扩展后的光学局部放电仿真指纹库Ψ’进行重新采样,以获得随机选择的若干个子指纹库,所述若干个子指纹库与若干个基分类器对应,采用各子指纹库对各基分类器进行训练,以使得每一个基分类器均输出局部放电源的位置坐标,所述Bagging-KELM模型的输出为各基分类器输出的局部放电源的位置坐标的平均值;
(4)将实际检测到的GIL局部放电的光学指纹输入到经过训练的Bagging-KELM模型中,以输出得到实际局部放电源的位置。
由此可见,本发明所述的GIL局部放电源定位方法,可以将三维局部放电光学仿真指纹引入到气体绝缘输电线路(GIL)局部放电源的定位当中,并通过Bagging-KELM算法将实际的光学局部放电指纹与基于三维局部放电光学仿真指纹数据库进行匹配,以获取GIL中局部放电源的空间坐标,从而提高GIL中局部放电源定位的精度和效率。
其中,在步骤(1)中,需要建立GIL仿真模型,并构建局部放电仿真指纹库Ψ,其可以包括下述步骤(a)-步骤(f):
(a)在所述仿真模型中选取N个点模拟局部放电源的位置;
(b)采用M个仿真探测点对各局部放电源的光辐照度进行采集;
(c)将各仿真探测点的局部放电信号互相相减,以得到两个仿真探测点之间的光辐照度差值δh',j:
(d)将同一个局部放电源的所有光辐照度差值进行归一化处理,得到归一化处理后的光伏照度值δh,j;
(f)将所有的局部放电仿真指纹列向量Ψj组合,构建光学局部放电仿真指纹库Ψ:
其中,P对应上述P个主成分,以表示仿真指纹的维度,并且P<D;N对应上文所述的N个点,以表示仿真局部放电源的数量。
需要说明的是,在指纹匹配的过程中,光学局部放电指纹的维度随会着仿真探测点数量的增加而增加,这将使指纹的维度过高,从而导致维数灾难和过度拟合。因此,在步骤(e)中,本发明应用主成分分析法(PCA)减小光学局部放电仿真指纹的维度并提取其有效特征。其中,PCA是一种数学工具,它使用正交变换从潜在相关的特征中提取一组线性不相关的特征,这些特征具有减小数据维度的良好能力。
此外,为了突出仿真探测点之间局部放电信号的强度差异和分布规律,并避免由于不同局部放电源之间的光信号强度波动而造成的不利影响,通过对步骤(d)中归一化后的局部放电信号进行主成分分析法(PCA),以减小光学局部放电指纹的维度并提取其有效特征,从而得到最终的局部放电指纹。
另外,在本发明所述的GIL局部放电源定位方法中,在上述构建的光学局部放电仿真指纹库Ψ中,每个局部放电指纹代表与一个局部放电源的位置有关的特征信息,通过本发明所述的匹配算法,可以将光学传感器获得的待定位的实际局部放电指纹与指纹库中的指纹进行匹配,以获得与待定位指纹最相似的最终指纹,将最终指纹相对应的位置作为定位结果。
继续参阅图1可知,在本发明所述的GIL局部放电源定位方法中,在步骤(3)中,需要使用到局部放电匹配算法:Bagging-KELM。
需要说明的是,KELM是一种机器学习算法,其比传统的神经网络算法和SVM算法具有更高的稳定性和计算效率。KELM是单隐藏层前馈神经网络(SLFN),其是极限学习机(Extreme Learning Machine,ELM)的改进。可以通过最小化输出权重范数和训练误差来训练KELM模型,而不是迭代地调整网络。KELM的随机隐藏层输出矩阵被核矩阵所替代,它显示出比ELM更好的泛化性能。KELM可以解决ELM中隐藏层参数和输入层参数随机分布的问题。而且,装袋框架是一种整体学习方法,可以提高机器学习算法的稳定性,泛化能力和准确性。因此,在Bagging-KELM算法中,将KELM分类器作为基本分类器嵌入到Bagging框架中,可以提高局部放电定位的精度
对于具有L个隐藏层节点的SLFN,假设训练样本数据集{xj,yj/xj∈Rm,yj∈Rn,j=1,2,…,N}的数量为l时,KELM模型输出的表达式如下公式(4)所示:
其中,xj=[xj1,xj2,…,xjm]T,yj=[yj1,yj2,…,yjn]T,每个样本包括m维指纹特征,hi(x)是第i个隐藏层节点的输出函数,bi是第i个隐藏层的偏差,wi是输入权重矢量,βi是第i个隐藏层节点和输出层节点之间的权重向量,gi表示第i个隐藏层节点的激活函数。
在KELM模型中,隐藏层节点被径向基函数(RBF)节点替换,其激活函数如下公式(5)所示:
gi(wi·x+bi)=exp(-bi||x-wi||2) (5)
当激励函数可以0误差地逼近任意l个样本时,即:
上式中,tj表示第j个样本的期望输出。
由此可得,ELM的数学模型可以推导如下:
上述公式(7)可以进一步地表示为:
Hβ=T (8)
其中,在上述公式(8)中,β表示输出层权重的向量,T表示类标签,H表示隐藏层输出矩阵。
上述隐藏层输出矩阵H的表达式如下公式(9)所示:
因为公式(8)是线性的,所以可以通过以下公式(10)获得β:
其中,在上式公式(11)中,C表示惩罚系数。
由此可得,KELM模型的输出函数可以如公式(12)所示:
上式中,h(xj)代表隐藏节点的输出函数,以及将数据从输入空间映射到隐藏层特征空间H的特征映射函数。
需要说明的是,当h(xj)未知时,核函数矩阵的计算如下:
上式中,K(xi,xj)表示RBF核函数,h(xi)表示隐藏节点的输出函数,
在本发明中,核函数K(xi,xj)可以选取为径向基(RBF)核函数,其表示如下公式(14)所示:
其中,xi表示第i个样本的输入,xj表示第j个样本的输入,σ表示核函数参数因子。
根据上式,可以得到KELM的输出函数:
在本发明中,将Bagging集成学习算法与核极限学习机(Bagging-KELM)相结合,从而将检测到的实际局部放电信号的指纹与指纹库中的光学仿真指纹进行匹配。
如图1所示,在本实施方式中,本发明所述的Bagging-KELM模型中有C个子指纹库,每个子指纹库对应设有基分类器(KELM)。
在步骤(3)中,需要采用Bagging算法对扩展后的光学局部放电仿真指纹库Ψ’进行重新采样,以获得随机选择的C个子指纹库,所述C个子指纹库与若干个基分类器(KELM)对应,采用各子指纹库对各基分类器(KELM)进行训练,有助于减少方差并避免过度拟合。每一个基分类器(KELM)均输出局部放电源的位置坐标,最终的局部放电源的位置可以由所有KELM的结果平均值计算得出。
图2为本发明所述的GIL局部放电源定位***在一种实施方式下的上部仿真探测点的光学仿真指纹图。
图3为本发明所述的GIL局部放电源定位***在一种实施方式下的中部仿真探测点的光学仿真指纹图。
图4为本发明所述的GIL局部放电源定位***在一种实施方式下的下部仿真探测点的光学仿真指纹图。
在本发明中,本发明所述的GIL局部放电源定位***可以用于执行本发明所述的GIL局部放电源定位方法。
需要说明的是,本发明所述的GIL局部放电源定位***可以包括:GIL仿真模型、光学传感器和处理模块。其中,光学传感器可以用于采集实际GIL发生局部放电时发出的光信号,而处理模块可以用于执行下述步骤:
(1)基于对GIL仿真模型构建局部放电仿真指纹库Ψ;
(2)拟合出GIL中所有位置的局部放电指纹,以将所述光学局部放电仿真指纹库Ψ扩展为Ψ’;
(3)构建Bagging-KELM模型,所述Bagging-KELM模型具有若干个基分类器,采用Bagging算法对扩展后的光学局部放电仿真指纹库Ψ’进行重新采样,以获得随机选择的若干个子指纹库,所述若干个子指纹库与若干个基分类器对应,采用各子指纹库对各基分类器进行训练,以使得每一个基分类器均输出局部放电源的位置坐标,所述Bagging-KELM模型的输出为各基分类器均输出局部放电源的位置坐标的平均值;
(4)将实际检测到的GIL局部放电的光学指纹输入到经过训练的Bagging-KELM模型中,以输出得到实际局部放电源的位置。
需要说明的是,在本实施方式中,本发明搭建了适用于实验室验证的罐体GIL仿真模型,并对应于在Tracepro中搭建完全相同的GIL仿真模型,GIL罐体内部高度为310mm,内半径为90mm,壁厚10mm,轴心内导体半径为25mm。轴心导体柱与一个可以360°转动且径向长度可调的针板缺陷模型相连,针板间距始终保持6mm,针尖的长度为25mm,针尖头部横截面的角度为30°,下方接地圆盘的半径为10mm。通过在仿真过程中改变针板缺陷模型的高度、距离轴心的径向距离、旋转的角度,即可仿真得到GIL罐体中各个位置发生局部放电时的光信号信息。
在GIL仿真模型上设置有光信号探测点,在仿真中该探测点为完全透射的。在实际GIL模型中,可以采用荧光光纤作为光学传感器进行探测。
在本实施方式中,本发明将局部放电光源设置为球形点光源,放置在针板缺陷的正下方。假设从空间上各个方向发出的光线均匀分布并垂直于局部放电源表面。在仿真中,设置局部放电源发出的射线总数为250000条,总的光辐射通量为100瓦。设置GIL中SF6的光折射率为1.000783,并且SF6的吸收光谱主要集中在中红外波段,对局部放电的光信号的传播影响极小,可忽略不计。另外,由于SF6中的局部放电光辐射波长主要集中在500nm左右,所以设置局部放电光源的辐射光可以为绿光(波长为546.1nm)。
为了表示光学传感器接收到的光信号强度,本发明中引入光辐照度Ee的概念:
Ee=dPe/dS (1)
上式中,Pe表示光学传感器接收到的光辐射通量,S表示光学传感器的接收面积。Ee表示为单位面积接收到的光辐射通量。
需要注意的是,因为仿真模型中设置的点光源与实际局部放电产生的光信号并不完全相同,所以上述Ee是一个相对值,Ee并不代表实际光信号辐照度。本发明所述的GIL局部放电源定位方法是基于不同传感器间的光学信号分布规律来实现的,相对辐照度即可充分表示光信号在各传感器间的分布差异。
此外,在本发明所述的GIL局部放电源定位方法中,在仿真软件中采用的表面材料漫反射模型为一种双向反射分布函数模型。需要说明的是,在本实施方式中,罐体GIL仿真模型的内部材料设置为抛光并氧化的中等光滑铝材,其α=30%,R=20%,T=50%。
其中,α表示吸收系数,R表示镜面反射系数,T表示漫反射系数。
在本实施方式中,采用本发明所述的GIL局部放电源定位***对GIL中的局部放电源进行定位包括两个阶段:三维局部放电光学仿真阶段和Bagging-KELM指纹匹配阶段。
1)三维局部放电光学仿真阶段
从理论上讲,在仿真过程中,应该在GIL仿真模型的所有位置进行局部放电仿真。但是,考虑到实际操作的可能性,我们选择了尽可能多的局部放电源,然后通过双调和样条插值拟合获得模型中其余位置的局部放电光学信息。
在本实施方式中,以上述罐体GIL仿真模型为基础,在罐体内部每隔10mm选取一个横截面,共计27个横截面。在每个横截面上用半径按照每30°进行划分,总共为12条半径。然后在每条半径上分别选取距圆心长度为0mm、24mm、44mm、64mm、84mm的点作为局部放电源的仿真位置,依次通过仿真探测点进行局部放电光学仿真实验,每个局部放电源由9个模拟探针进行探测,总共进行了1458次局部放电模拟实验。
使用1458个局部放电源的仿真数据作为插值点,拟合GIL罐体中剩余位置的局部放电仿真数据,以获得当局部放电发生在GIL模型中任何位置时每个探头收集的局部放电光信号。因此,建立了完整的光学仿真指纹库Ψ。在本实施方式中,以一列仿真探测点(包括上部、中部、下部三个探测点)为例,得出罐体中每个位置发生局部放电时,各仿真探测点采集到的相对光辐照度值,以此记为该仿真探测点的光学局部放电指纹图,如图3、图4和图5所示。通过绕轴旋转120°和240°,可以获得其余两列模拟探头的光学局部放电模拟指纹。
但是,需要注意的是,在实际投入计算机进行计算时,指纹库的维度不可能为无穷大。因此,在本实施方式中,本发明在保证匹配准确率的前提下,兼顾算法的运行效率,从拟合的指纹数据库中以均匀的间隔进行采样,采样了21033个局部放电指纹,并以此建立最终的光学指纹库Ψfinal,其维度为21033×9。Ψfinal的每一个列向量代表一个光学局部放电指纹,其中表示局部放电指纹的特征。
2)Bagging-KELM指纹匹配阶段
在本实施方式中,为了验证本发明提出的GIL局部放电源定位方法及***的有效性,搭建了用于具体试验的局部放电检测试验平台。其中,在实验平台中,无晕交流调压装置的电压范围为0~150kV;罐体上9个开口位置安装有9个相同的光学传感器,每个传感器均由长度、型号完全相同的荧光光纤构成;数字局部放电仪(哈弗莱DDX 9121b)用于检测局部放电是否发生;光子计数器为HAMAMATSU H11890-210,其光谱响应范围为230~700nm,每个计数门限为1000ms;GIL罐体为铝制实验罐体,密闭性能良好且无光线射入。
在进行实验过程中,可以通过调节GIL实验罐体中针板模型的高度、角度、横杆的径向长度,从而有效实现不同位置的局部放电。其中,针尖的位置可以记为局部放电源的实际位置。
在本实施方式中,本发明随机选取了16个不同位置的局部放电源进行实验,并采用光子计数器采集每个光学传感器采集到的光子数量。然后通过上述的指纹构建方法得到每个检测局部放电源的指纹特征 最后,根据本发明所述的指纹构建方法建立局部放电检测指纹从而为指纹Bagging-KELM定位阶段做准备。
为了对比不同局部放电指纹构造的定位效果,本发明采用了三种局部放电指纹构造方法进行实验对比(记为K1、K2、K3),分别为:
K1:直接采用9个传感器的光辐照度采集数值作为指纹特征。
K2:将9个传感器的采集数值分别依次相减,用个传感器直接的差值作为指纹特征。
K3:本发明提出的指纹构造方法,运用PCA算法对K2中的指纹进行特征提取并降维。
由此,将三种指纹构造方法分别使用Bagging-KELM进行指纹匹配。在本实施方式中,在Bagging框架中,设置基分类器(KELM)的数量C为10。对于每个测试指纹,Bagging-KELM模型将获得10个位置坐标,其中将x轴、y轴和z轴的坐标计算平均值,记为该局部放电源的空间位置。
为了验证本发明的有效性,我们还使用KELM模型和反向传播神经网络(BPNN)模型来进行局部放电指纹的匹配。根据本发明所述的GIL局部放电源定位方法,将本发明提出的,Bagging-KELM模型与普通的KELM算法和神经网络(BPNN)算法相对比,得到的定位结果如表1所示。
表1列出了针对三种指纹(K1,K2,K3)的不同分类器(Bagging-KELM,KELM,BPNN)的测试结果。
表1.
图5为本发明所述的GIL局部放电源定位***在一种实施方式下的K1局部放电指纹在三种不同匹配算法(Bagging-KELM,KELM,BPNN)下的定位CDF图。
图6为本发明所述的GIL局部放电源定位***在一种实施方式下的K2局部放电指纹在三种不同匹配算法(Bagging-KELM,KELM,BPNN)下的定位CDF图。
图7为本发明所述的GIL局部放电源定位***在一种实施方式下的K3局部放电指纹在三种不同匹配算法(Bagging-KELM,KELM,BPNN)下的定位CDF图。
结合参考图5、图6和图6,同时参阅表1可以看出,本发明提出的采用应用Bagging-KELM算法对K3结构的指纹进行定位的平均误差为0.93cm,是所有方法中最小的。通过将Bagging-KELM用于K3,小于1.5cm的定位误差所占百分比为93.75%,远高于其他方法。将Bagging-KELM应用于K3的均方根误差(RMSE)和误差方差分别为10.04和3.66,表明该方法具有最佳的定位效果。
因此,综合结果表明,使用Bagging-KELM模型对K3形式的指纹库进行定位具有最高的准确性和稳定性,可以很好地满足GIL中局部放电定位的要求。
继续参阅表1可知,对于Bagging-KELM、KELM和BPNN这三个匹配模型,可以看到Bagging-KELM模型对3种形式指纹库的平均RMSE为11.77,分别小于KELM和BPNN模型的14.35和57.03。KELM比BPNN更稳定,但比Bagging-KELM模型则更不准确。而BPNN的准确性和稳定性很都差。因此,这表明Bagging-KELM模型具有很强的适应性,同时具有很高的定位水平。
对于本实施方式中的K1、K2和K3这三种形式的指纹库,可以计算得到在上述Bagging-KELM、KELM和BPNN三个匹配算法下的平均RMSE。其中,K3形式的指纹库平均RMSE为25.65,小于K1和K2指纹库的28.55和28.96。这一结果表明,K3指纹库可以更好地表征光学局部放电指纹的特征,有利于GIL中局部放电源的定位。
综上所述可以看出,本发明所述的GIL局部放电源定位方法,将三维局部放电光学仿真指纹引入到气体绝缘输电线路(GIL)的局部放电源的定位当中,并通过智能识别算法进行指纹匹配,从而有效提高了GIL中局部放电源定位的精度和效率。
采用本发明的GIL局部放电源定位方法,可以准确有效的定位GIL中的局部放电源位置,有利于电力设备的运维检修,保障电网安全稳定运行。
此外,本发明所述的GIL局部放电源定位***也同样具有上述的优点以及有益效果。
需要说明的是,本发明的保护范围中现有技术部分并不局限于本申请文件所给出的实施例,所有不与本发明的方案相矛盾的现有技术,包括但不局限于在先专利文献、在先公开出版物,在先公开使用等等,都可纳入本发明的保护范围。
此外,本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式,本案记载的所有技术特征可以以任何方式进行自由组合或结合,除非相互之间产生矛盾。
还需要注意的是,以上所列举的实施例仅为本发明的具体实施例。显然本发明不局限于以上实施例,随之做出的类似变化或变形是本领域技术人员能从本发明公开的内容直接得出或者很容易便联想到的,均应属于本发明的保护范围。
Claims (7)
1.一种GIL局部放电源定位方法,其特征在于,包括步骤:
(1)建立与实际GIL尺寸完全相同的仿真模型,并对所述仿真模型的局部放电源进行光学信号仿真,以构建局部放电仿真指纹库Ψ;其中步骤(1)包括:
(a)在所述仿真模型中选取N个点模拟局部放电源的位置;
(b)采用M个仿真探测点对各局部放电源的光辐照度进行采集;
(c)将各仿真探测点的局部放电信号互相相减,以得到两个仿真探测点之间的光辐照度差值δ′h,j:
(d)将同一个局部放电源的所有光辐照度差值进行归一化处理,得到归一化处理后的光伏照度值δh,j;
(f)将所有的局部放电仿真指纹列向量Ψj组合,构建光学局部放电仿真指纹库Ψ:
其中,P对应上述P个主成分,以表示仿真指纹的维度,并且P<D;N对应上文所述的N个点,以表示仿真局部放电源的数量,j=1,2,……N;
(2)拟合出GIL中所有位置的局部放电指纹,以将所述光学局部放电仿真指纹库Ψ扩展为Ψ’;
(3)构建Bagging-KELM模型,所述Bagging-KELM模型具有若干个基分类器,采用Bagging算法对扩展后的光学局部放电仿真指纹库Ψ’进行重新采样,以获得随机选择的若干个子指纹库,所述若干个子指纹库与若干个基分类器对应,采用各子指纹库对各基分类器进行训练,以使得每一个基分类器均输出局部放电源的位置坐标,所述Bagging-KELM模型的输出为各基分类器输出的局部放电源的位置坐标的平均值;
(4)将实际检测到的GIL局部放电的光学指纹输入到经过训练的Bagging-KELM模型中,以输出得到实际局部放电源的位置。
2.如权利要求1所述的GIL局部放电源定位方法,其特征在于,在所述步骤(2)中,采用双调和样条插值法拟合出GIL中所有位置的局部放电指纹。
3.如权利要求1所述的GIL局部放电源定位方法,其特征在于,所述基分类器的数量为10个。
4.如权利要求1所述的GIL局部放电源定位方法,其特征在于,在所述步骤(4)中,采用光学传感器获得GIL局部放电的光学指纹。
5.一种GIL局部放电源定位***,其特征在于,其包括:
GIL仿真模型;
光学传感器,其采集GIL实际发生局部放电时发出的光信号;
处理模块,其执行下述步骤:
(1)基于对GIL仿真模型构建局部放电仿真指纹库Ψ;
(2)拟合出GIL中所有位置的局部放电指纹,以将所述光学局部放电仿真指纹库Ψ扩展为Ψ’;
(3)构建Bagging-KELM模型,所述Bagging-KELM模型具有若干个基分类器,采用Bagging算法对扩展后的光学局部放电仿真指纹库Ψ’进行重新采样,以获得随机选择的若干个子指纹库,所述若干个子指纹库与若干个基分类器对应,采用各子指纹库对各基分类器进行训练,以使得每一个基分类器均输出局部放电源的位置坐标,所述Bagging-KELM模型的输出为各基分类器均输出局部放电源的位置坐标的平均值;
(4)将实际检测到的GIL局部放电的光学指纹输入到经过训练的Bagging-KELM模型中,以输出得到实际局部放电源的位置;
其中在所述步骤(1)中:
(a)在所述仿真模型中选取N个点模拟局部放电源的位置;
(b)采用M个仿真探测点对各局部放电源的光辐照度进行采集;
(c)将各仿真探测点的局部放电信号互相相减,以得到两个仿真探测点之间的光辐照度差值δ′h,j:
(d)将同一个局部放电源的所有光辐照度差值进行归一化处理,得到归一化处理后的光伏照度值δh,j;
(f)将所有的局部放电仿真指纹列向量Ψj组合,构建光学局部放电仿真指纹库Ψ:
其中,P对应上述P个主成分,以表示仿真指纹的维度,并且P<D;N对应上文所述的N个点,以表示仿真局部放电源的数量,j=1,2,……N。
6.如权利要求5所述的GIL局部放电源定位***,其特征在于,在所述步骤(2)中,采用双调和样条插值法拟合出GIL中所有位置的局部放电指纹。
7.如权利要求5所述的GIL局部放电源定位***,其特征在于,所述基分类器的数量为10个。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2020109153135 | 2020-09-03 | ||
CN202010915313 | 2020-09-03 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112147470A CN112147470A (zh) | 2020-12-29 |
CN112147470B true CN112147470B (zh) | 2021-07-20 |
Family
ID=73896937
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011021369.2A Active CN112147470B (zh) | 2020-09-03 | 2020-09-25 | 一种gil局部放电源定位方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112147470B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113791318A (zh) * | 2021-09-01 | 2021-12-14 | 上海交通大学 | 基于多光谱检测阵列的局部放电故障识别方法及*** |
CN115598470A (zh) * | 2022-09-05 | 2023-01-13 | 国网江苏省电力有限公司无锡供电分公司(Cn) | 一种基于多光谱频带的电弧主动预警方法及*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101702002A (zh) * | 2009-12-07 | 2010-05-05 | 上海市电力公司 | 局部放电声电联合检测定位***及其定位方法 |
US7782063B2 (en) * | 2005-11-29 | 2010-08-24 | Kyushu Institute Of Technology | Partial discharge charge quantity measuring method and device |
JP5334685B2 (ja) * | 2009-05-27 | 2013-11-06 | 三菱電機株式会社 | 部分放電検出装置および部分放電検出方法 |
CN104270816A (zh) * | 2014-10-14 | 2015-01-07 | 西北工业大学 | Led可见光室内定位***的自适应动态指纹库构建方法 |
CN104980216A (zh) * | 2015-06-10 | 2015-10-14 | 清华大学 | 多输入多输出可见光mimo*** |
CN106291281A (zh) * | 2016-08-08 | 2017-01-04 | 国网上海市电力公司 | 一种变电站设备局部放电定位***及其方法 |
CN106443353A (zh) * | 2016-10-26 | 2017-02-22 | 中国电力科学研究院 | 一种基于行波的gil放电故障定位方法和装置 |
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 |
CN109596951A (zh) * | 2018-12-12 | 2019-04-09 | 全球能源互联网研究院有限公司 | 一种局部放电源定位方法及*** |
CN110596541A (zh) * | 2018-06-13 | 2019-12-20 | 全球能源互联网研究院有限公司 | 一种基于指纹图的局部放电定位方法与*** |
CN210442464U (zh) * | 2019-06-20 | 2020-05-01 | 上海格鲁布科技有限公司 | 一种基于光纤对时组网的gil局部放电定位装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105223546B (zh) * | 2015-09-30 | 2018-03-06 | 西安电子科技大学 | 基于接收信号强度和参考点位置双聚类的室内定位方法 |
CN107318159A (zh) * | 2016-04-26 | 2017-11-03 | 中国人民解放军理工大学 | 一种室内指纹定位方法 |
CN107884681B (zh) * | 2017-11-14 | 2021-02-23 | 南京工程学院 | Gil管道内部故障监测定位***及方法 |
CN110133592B (zh) * | 2019-05-09 | 2022-11-25 | 哈尔滨师范大学 | 一种基于可见光通信的室内两点定位方法 |
CN111461251A (zh) * | 2020-04-10 | 2020-07-28 | 桂林电子科技大学 | 基于随机森林与自编码器的WiFi指纹的室内定位方法 |
-
2020
- 2020-09-25 CN CN202011021369.2A patent/CN112147470B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7782063B2 (en) * | 2005-11-29 | 2010-08-24 | Kyushu Institute Of Technology | Partial discharge charge quantity measuring method and device |
JP5334685B2 (ja) * | 2009-05-27 | 2013-11-06 | 三菱電機株式会社 | 部分放電検出装置および部分放電検出方法 |
CN101702002A (zh) * | 2009-12-07 | 2010-05-05 | 上海市电力公司 | 局部放电声电联合检测定位***及其定位方法 |
CN104270816A (zh) * | 2014-10-14 | 2015-01-07 | 西北工业大学 | Led可见光室内定位***的自适应动态指纹库构建方法 |
CN104980216A (zh) * | 2015-06-10 | 2015-10-14 | 清华大学 | 多输入多输出可见光mimo*** |
CN106291281A (zh) * | 2016-08-08 | 2017-01-04 | 国网上海市电力公司 | 一种变电站设备局部放电定位***及其方法 |
CN106443353A (zh) * | 2016-10-26 | 2017-02-22 | 中国电力科学研究院 | 一种基于行波的gil放电故障定位方法和装置 |
CN110596541A (zh) * | 2018-06-13 | 2019-12-20 | 全球能源互联网研究院有限公司 | 一种基于指纹图的局部放电定位方法与*** |
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 |
CN109596951A (zh) * | 2018-12-12 | 2019-04-09 | 全球能源互联网研究院有限公司 | 一种局部放电源定位方法及*** |
CN210442464U (zh) * | 2019-06-20 | 2020-05-01 | 上海格鲁布科技有限公司 | 一种基于光纤对时组网的gil局部放电定位装置 |
Non-Patent Citations (4)
Title |
---|
An Optical Partial Discharge Localization Method Based on Simulation and Machine learning in GIL;yiming zang;《IEEE》;20201124;全文 * |
Optical partial discharge diagnostic in SF6 gas insulated system via multi-spectral detection;MingRen;《ISA Transactions》;20180430;全文 * |
基于三维光学指纹和NPSO_KELM的GIL局部放电定位方法;臧奕茗;《中国电机工程学报》;20201020;全文 * |
基于非下采样Contourlet_省略_融合方法在GIL局放检测中的应用;臧奕茗;《高电压技术》;20200302;说明书第1-10页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112147470A (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111929549B (zh) | 基于局部放电光学信号的gil局部放电源定位方法和*** | |
Wiseman | Relativistic stars in Randall-Sundrum gravity | |
CN112147470B (zh) | 一种gil局部放电源定位方法和*** | |
WO2022237708A1 (zh) | 一种变电站可听噪声预测的声波干涉修正方法及*** | |
CN106060008A (zh) | 一种网络入侵异常检测方法 | |
CN107562992B (zh) | 一种基于svm和粒子群算法的光伏列阵最大功率跟踪方法 | |
CN110348287A (zh) | 一种基于字典和样本相似图的无监督特征选择方法和装置 | |
CN109711435A (zh) | 一种基于遗传算法的支持向量机在线电压稳定性监测方法 | |
CN108520310A (zh) | 基于G-L混合噪声特性v-支持向量回归机的风速预报方法 | |
Zang et al. | Method of GIL partial discharge localization based on natural neighbour interpolation and ECOC‐MLP‐SVM using optical simulation technology | |
CN113095188A (zh) | 一种基于深度学习的拉曼光谱数据分析方法与装置 | |
CN114545292A (zh) | 基于深度学习的电缆故障类型识别方法 | |
Durrant et al. | 3D convolutional and recurrent neural networks for reactor perturbation unfolding and anomaly detection | |
CN116681962A (zh) | 基于改进YOLOv5的电力设备热图像检测方法及*** | |
CN109900789B (zh) | 一种树木纵截面内部缺陷成像方法 | |
Si et al. | A spatially progressive neural network for locally/globally prioritized TDLAS tomography | |
CN111222543B (zh) | 物质识别方法和设备及计算机可读存储介质 | |
CN112147471B (zh) | 一种gil局部放电源定位方法和*** | |
Zang et al. | A novel partial discharge localization method for GIL based on the 3D optical signal irradiance fingerprint and bagging‐KELM | |
Yu et al. | Thermal energy diagnosis of boiler plant by computer image processing and neural network technology | |
Zang et al. | An optical partial discharge localization method based on simulation and machine learning in GIL | |
CN114578197A (zh) | 基于平面uhf传感器的变压器套管局放三维定位方法及*** | |
Yan et al. | Transformer fault diagnosis research based on LIF technology and IAO optimization of LightGBM | |
Zhou et al. | Application of Distributed Estimation Algorithm in Wavelength Demodulation of Overlapping Spectra of Fiber Bragg Grating Sensor Networks | |
Liao et al. | Partial discharge signal classification utilizing time-frequency representation and two directional 2DPCA |
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 |