CN112834878A - 一种变压器局部放电的缺陷类型识别方法及*** - Google Patents
一种变压器局部放电的缺陷类型识别方法及*** Download PDFInfo
- Publication number
- CN112834878A CN112834878A CN202110006171.5A CN202110006171A CN112834878A CN 112834878 A CN112834878 A CN 112834878A CN 202110006171 A CN202110006171 A CN 202110006171A CN 112834878 A CN112834878 A CN 112834878A
- Authority
- CN
- China
- Prior art keywords
- transformer
- defect type
- partial discharge
- tested
- computer equipment
- 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.)
- Granted
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
- G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
- G01R29/02—Measuring characteristics of individual pulses, e.g. deviation from pulse flatness, rise time or duration
-
- 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
- G01R31/1209—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 acoustic measurements
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/62—Testing of transformers
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Acoustics & Sound (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种变压器局部放电的缺陷类型识别方法及***,用以解决现有的变压器局部放电类型识别方法,无法保证识别结果准确性的技术问题。本发明的方法包括:计算机设备接收来自测试传感器对待测变压器的局部放电进行测试而得到的局部放电波形;其中,局部放电波形基于计算机设备确定的测试电压及测试时间而得到;计算机设备对局部放电波形进行小波去噪处理,并对小波去噪处理后的局部放电波形进行小波包分解,以确定待测变压器对应的特征向量;计算机设备基于待测变压器对应的特征向量,通过预存的特征向量数据库,确定待测变压器局部放电对应的缺陷类型以及缺陷类型可信度。本发明提高了变压器局部放电的缺陷类型识别的准确率。
Description
技术领域
本发明涉及电力变压器技术领域,尤其涉及一种变压器局部放电的缺陷类型识别方法及***。
背景技术
电力变压器是电力***中的重要设备之一,承载着电能的输送分配、电压变换的任务。若变压器发生故障,将会引发大面积停电事故,造成巨大的经济损失。局部放电既是电力电压器绝缘劣化的原因,又是其重要的表现形式。变压器的局部放电初期检测及判断局部放电的严重程度,对于保障电力变压器的可靠运行具有重要的现实意义。
但现有的采用放电波形对变压器局部放电的缺陷类型进行识别的方法,在放电波形存在噪声干扰时,常常面临着无法保证识别结果的准确性的技术问题。
发明内容
本发明提供一种变压器局部放电的缺陷类型识别方法及***,用以解决现有的变压器局部放电的缺陷类型识别方法,无法保证缺陷类型识别结果准确性的技术问题。
一方面,本发明提供了一种变压器局部放电的缺陷类型识别方法,包括:计算机设备接收来自测试传感器对待测变压器的局部放电进行测试而得到的局部放电波形;其中,局部放电波形基于计算机设备所确定的待测变压器的测试电压及测试时间而得到;对来自测试传感器的局部放电波形进行小波去噪处理;对小波去噪处理后的局部放电波形进行小波包分解,以确定待测变压器的局部放电波形对应的特征向量;其中,特征向量至少包括以下任一项或者多项:放电相位特征向量、能量占比特征向量;基于待测变压器的局部放电波形对应的特征向量,通过预存的特征向量数据库,确定待测变压器局部放电对应的缺陷类型以及缺陷类型可信度。
本发明通过测试传感器测试得到待测变压器的局部放电波形之后,计算机设备首先对局部放电波形进行小波去噪预处理,以便于在后期通过局部放电波形对应的特征向量确定缺陷类型时,保证了确定出来的缺陷类型的准确率;另外,本发明还通过小波包分解处理得到待测变压器对应的局部放电波形的相位特征向量,在通过待测变压器对应的特征向量确定缺陷类型时,进一步提高了缺陷类型识别的准确率。
在本发明的一种实现方式中,测试传感器至少包括以下任一项或者多项:罗氏电流传感器、特高频传感器以及超声波传感器;局部放电波形至少包括以下任一项或者多项:脉冲电流波形、特高频波形以及超声波波形;计算机设备接收来自测试传感器对待测变压器的局部放电进行测试而得到的局部放电波形,具体包括:计算机设备接收来自罗氏电流传感器基于测试电压以及测试时间,对待测变压器的局部放电进行测试,而得到的脉冲电流波形;以及,计算机设备接收来自特高频传感器基于测试电压以及测试时间,对待测变压器的局部放电进行测试,而得到的特高频波形;以及,计算机设备接收来自超声波传感器基于测试电压以及测试时间,对待测变压器的局部放电进行测试,而得到的超声波波形。
在本发明的一种实现方式中,计算机设备对来自测试传感器的局部放电波形进行小波去噪处理,具体包括:计算机设备采用预设小波对局部放电波形进行n层小波分解,并确定分解得到的n层细节系数及近似系数;其中,n为大于等于2的正整数;计算机设备确定预设噪声波形,并采用预设小波对预设噪声波形进行n层小波分解,以确定分解得到的n层细节系数及近似系数;计算机设备基于预设噪声波形对应的n层细节系数的幅值,对局部放电波形对应的n层细节系数进行阈值处理;计算机设备对阈值处理后的局部放电波形对应的n层细节系数,以及局部放电波形对应的近似系数,进行离散小波逆变换,以得到小波去噪处理后的局部放电波形。
在本发明的一种实现方式中,计算机设备基于预设噪声波形对应的n层细节系数的幅值,对局部放电波形对应的n层细节系数进行阈值处理,具体包括:计算机设备确定预设噪声波形对应的n层细节系数的幅值分别为局部放电波形对应的n层细节系数的阈值;计算机设备在确定局部放电波形对应的任一层细节系数的幅值小于阈值时,确定局部放电波形对应的任一层细节系数的幅值为0。
在对待测变压器对应的局部放电波形进行小波去噪处理时,采用预设噪声波形小波分解出的各层细节系数的幅值,作为局部放电波形小波分解出的对应的各层细节系数的阈值,并在局部放电波形对应的细节系数的幅值小于其对应的阈值时,对该细节系数的幅值进行置0处理,以保证良好的去噪效果,进而保证了根据该去噪处理后的局部放电波形确定缺陷类型的准确性。
在本发明的一种实现方式中,计算机设备对小波去噪处理后的局部放电波形进行小波包分解,以确定待测变压器的局部放电波形对应的特征向量,具体包括:计算机设备采用预设小波对小波去噪处理后的局部放电波形进行m层小波包分解;其中,m为大于等于2的正整数;计算机设备确定小波包分解后的第m层的第一节点对应的能量与第二节点对应的能量之和,与第m层对应的总能量之间的比值,以确定待测变压器的局部放电波形对应的能量占比特征向量;计算机设备确定第m层的第一节点的放电相位特征以及第m层第二节点的放电相位特征,以确定待测变压器的局部放电波形对应的放电相位特征向量。
在本发明的一种实现方式中,在计算机设备基于待测变压器的局部放电波形对应的特征向量,通过预存的特征向量数据库,确定待测变压器局部放电对应的缺陷类型以及缺陷类型可信度之前,还包括:计算机设备确定缺陷变压器对应缺陷类型,以及确定缺陷变压器对应的不同测试电压及不同测试时间下的局部放电波形;其中,缺陷类型至少包括以下任一项或者多项:气隙缺陷、尖端缺陷、悬浮缺陷以及沿面缺陷;计算机设备对缺陷变压器对应的局部放电波形进行小波去噪处理以及小波包分解处理,以得到缺陷变压器的局部放电波形对应的特征向量;计算机设备基于缺陷变压器的局部放电波形对应的特征向量,构建特征向量数据库。
在本发明的一种实现方式中,计算机设备基于待测变压器的局部放电波形对应的特征向量,通过预存的特征向量数据库,确定待测变压器局部放电对应的缺陷类型以及缺陷类型可信度,具体包括:计算机设备基于待测变压器的局部放电波形对应的特征向量,遍历特征向量数据库,以确定待测变压器对应的第一缺陷类型及第一可信度概率、第二缺陷类型及第二可信度概率,以及第三缺陷类型及第三可信度概率;计算机设备根据第一缺陷类型、第二缺陷类型以及第三缺陷类型之间的关系,确定待测变压器对应的缺陷类型以及待测变压器对应的可信度概率;计算机设备基于待测变压器对应的可信度概率,通过所述第一缺陷类型、第二缺陷类型以及第三缺陷类型之间的关系,确定待测变压器对应的缺陷类型可信度。
在本发明的一种实现方式中,计算机设备根据第一缺陷类型、第二缺陷类型以及第三缺陷类型之间的关系,确定待测变压器对应的缺陷类型以及待测变压器对应的可信度概率,具体包括:计算机设备在确定第一缺陷类型、第二缺陷类型以及第三缺陷类型三者相同的情况下,确定待测变压器对应的缺陷类型为第一缺陷类型,以及确定待测变压器对应的可信度概率为1;计算机设备在确定第一缺陷类型、第二缺陷类型以及第三缺陷类型中的任意两个缺陷类型相同的情况下,确定待测变压器对应的缺陷类型为任意两个相同的缺陷类型,以及确定待测变压器对应的可信度概率为0.6;计算机设备在确定第一缺陷类型、第二缺陷类型以及第三缺陷类型各不相同的情况下,确定待测变压器对应的缺陷类型为未知缺陷,以及确定待测变压器对应的可信度概率为0。
在本发明的一种实现方式中,计算机设备基于待测变压器对应的可信度概率,通过第一缺陷类型、第二缺陷类型以及第三缺陷类型之间的关系,确定待测变压器对应的缺陷类型可信度,具体包括:计算机设备在确定第一缺陷类型、第二缺陷类型以及第三缺陷类型三者相同的情况下,确定待测变压器对应的缺陷类型可信度为:P=(p1+p2+p3)*C/3;其中,P为缺陷类型可信度;p1为第一可信度概率,p2为第二可信度概率,p3为第三可信度概率;C为可信度概率;计算机设备在确定第一缺陷类型、第二缺陷类型以及第三缺陷类型中的任意两个缺陷类型相同的情况下,确定待测变压器对应的缺陷类型可信度为:P=(pi+pj)*C/3;其中,i不等于j;计算机设备在确定第一缺陷类型、第二缺陷类型以及第三缺陷类型各不相同的情况下,确定待测变压器对应的缺陷类型可信度为0。
另一方面,本发明还提供了一种变压器局部放电的缺陷类型识别***,包括:计算机设备,用于确定测试电压以及测试时间;测试传感器,用于基于测试电压以及测试时间,对待测变压器的局部放电进行测试,并将测试得到的局部放电波形发送给计算机设备;计算机设备,还用于对来自测试传感器的局部放电波形进行小波去噪处理;计算机设备,还用于对小波去噪处理后的局部放电波形进行小波包分解,以确定待测变压器的局部放电波形对应的特征向量;其中,特征向量至少包括以下任一项或者多项:放电相位特征向量、能量占比特征向量;计算机设备,还用于基于待测变压器的局部放电波形对应的特征向量,通过预存的特征向量数据库,确定待测变压器局部放电对应的缺陷类型以及缺陷类型可信度。
本发明具有以下有益效果:
(1)采用小波去噪方法对局部放电波形进行处理,保证了良好的去噪效果,进而提高了根据去噪后的局部放电波形确定的缺陷类型的准确率。
(2)结合了小波包分解后的放电相位作为相位特征向量,确定变压器局部放电的缺陷类型,在保证识别结果准确率的前提下,同时保证了识别结果的稳定性。
(3)针对不同的局部放电波形,采用不同的分类器进行识别,并确定了识别出的缺陷类型的可信度,避免了局部放电的缺陷类型识别过程受周围环境影响,进而改善了缺陷类型识别结果的稳定性。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例提供的一种变压器局部放电的缺陷类型识别方法流程图;
图2为本发明实施例提供的一种确定变压器局部放电的缺陷类型及缺陷类型可信度的流程图;
图3为本发明实施例提供的一种变压器局部放电的缺陷类型识别***的结构示意图。
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,下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然,所描述的实施例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。
电力变压器电力***中的重要设备之一,承载着电能的输送分配、电压变换的任务。若变压器发生故障,将会引发大面积停电事故、造成巨大的经济损失,甚至会发生***、引发火灾等安全事故,危害到人身安全。局部放电既是电力变压器绝缘劣化的原因,又是其重要表现形式。在放电初期检测并判断放电的严重程度,对于保障电力变压器的可靠运行与指导其检修工作,都十分具有现实意义。
但现有的采用波形对局部放电进行缺陷类型识别时,放电波形叠加噪声干扰会对识别结果带来不利影响,无法保证了变压器局部放电的缺陷类型识别结果的准确性。
本发明实施例提供了一种变压器局部放电的缺陷类型识别方法及***,通过计算机设备对变压器局部放电的波形进行小波去噪处理以及小波包分解,确定局部放电的变压器的局部放电波形对应的特征向量,并通过预设的特征向量数据库确定变压器局部放电的缺陷类型,提高了变压器局部放电的缺陷类型的识别准确率。
下面通过附图对本发明实施例提出的技术方案进行详细的说明。
图1为本发明实施例提供的一种变压器局部放电的缺陷类型识别方法流程图。如图1所示,本发明实施例中提出的确定变压器局部放电的缺陷类型的过程,主要包括以下步骤:
步骤101、计算机设备确定待测变压器对应的局部放电波形。
本发明实施例提出的一种变压器局部放电的缺陷类型识别方法中,首先是计算机设备确定待测变压器的测试电压以及测试时间,并将该测试电压及测试时间发送给测试传感器,以便于测试传感器对待测变压器的局部放电进行测试以得到局部放电波形,然后将测试得到的局部放电波形发送给计算机设备。其中,测试传感器至少包括以下任一项或者多项:罗氏电流传感器、特高频传感器以及超声波传感器;局部放电波形至少包括以下任一项或者多项:脉冲电流波形、特高频波形以及超声波波形。
具体地,计算机设备接收来自罗氏电流传感器基于测试电压以及测试时间,对待测变压器局部放电进行测试,而得到的脉冲电流波形;以及,计算机设备接收来自特高频传感器基于测试电压以及测试时间,对待测变压器的局部放电进行测试,而得到的特高频波形;以及,计算机设备接收来自超声波传感器基于测试电压以及测试时间,对待测变压器的局部放电进行测试,而得到的超声波波形。
进一步地,计算机设备基于接收到的来自罗氏电流传感器的脉冲电流波形、来自特高频传感器的特高频波形以及来自超声波传感器的超声波波形,得到待测变压器在测试电压及测试时间下对应的局部放电波形。
步骤102、计算机设备对局部放电波形进行小波去噪出理。
计算机设备在确定待测变压器对应的局部放电波形之后,对局部放电波形进行小波去噪出理。本领域技术人员可以理解的是,小波变换是一种数据的变换分析方法,相比于传统的傅里叶变换以及加窗傅里叶变换,具有良好的时域局部化特性,适用于处理局部放电这类非平稳信号。因此,本发明实施例中对待测变压器的局部放电信号进行小波去噪出理,能够保证良好的去噪效果,进而保证确定的待测变压器的缺陷类型的准确性。
具体地,计算机设备采用预设小波对待测变压器的局部放电波形进行n层小波分解,以确定分解得到的n层细节系数及近似系数;其中,n为大于等于2的正整数。然后,计算机设备确定预设噪声波形,并采用同样的预设小波对预设噪声波形进行n层小波分解,确定预设噪声波形n层小波分解后的n层细节系数及近似系数。其次,以预设噪声波形的n层细节系数分别对应的幅值,分别作为局部放电波形对应的n层细节系数的阈值(例如,最小值),对局部放电波形对应的n层细节系数进行阈值处理。以在局部放电波形对应的n层细节系数中的任一层细节系数的幅值,小于等于其对应层的阈值(预设噪声波形对应层的细节系数的幅值)时,对该局部放电波形的n层细节系数中的任一层细节系数进行置0处理,以实现去噪效果。
进一步地,计算机设备通过阈值处理后的局部放电波形对应的n层细节系数,结合n层小波分解对应的近似系数,进行离散小波逆变换,以得到去噪处理后的局部放电波形。
例如,采用db8小波对采集到的待测变压器的局部放电波形进行4层分解,得到细节系数d1,k、d2,k、d3,k、d4,k与近似系数a4,k。提取环境白噪声信号作为预设噪声波形,用同样的db8小波对其进行4层小波分解,取环境白噪声信号各层细节系数的幅值作为对局部放电波形小波分解后对应层的细节系数的阈值,进行阈值处理。阈值化方法可采用软阈值法,即在局部放电波形对应的任一层细节系数小于其对应的阈值时,对该细节系数进行置0处理。阈值化后的细节系数为d’1,k、d’2,k、d’3,k与d’4,k。进一步地,用近似系数a4,k与阈值化后的细节系数d’1,k、d’2,k、d’3,k与d’4,k做离散小波逆变换,得到去噪后的局部放电波形。
至此,计算机设备完成对待测变压器对应的局部放电波形的小波去噪处理过程。
步骤103、计算机设备对小波去噪处理后的局部放电波形进行小波包分解处理,得到待测变压器的局部放电波形对应的特征向量。
在计算机设备完成局部放电波形的小波去噪处理之后,再对小波去噪处理后的局部放电波形进行小波包分解,以得到待测变压器的局部放电波形对应的特征向量。具体地,计算机设备采用预设小波对去噪处理后的局部放电波形进行m层小波包分解,其中,m为大于等于2的正整数。然后,计算机设备确定小波包分解后的第m层的前两个节点对应的能量占比以及放电相位,进而确定待测变压器的局部放电波形对应的特征向量。需要说明的是,第m层前两个节点对应的能量占比,为第m层前两个节点对应的能量之和,与第m层对应的总能量之间的比值。
在本发明的一个实施例中,特征向量至少包括以下任一项或者多项:能量占比特征向量、放电相位特征向量。需要说明的是,对于局部放电波形,现场环境的改变可能会对缺陷类型的识别效果产生较大的影响,引入放电相位作为特征会改善识别结果的稳定性,进而保证识别结果的准确性。
本发明实施例中,计算机设备对小波去噪处理后的局部放电波形,进行小波包分解,主要包括以下过程:首先,计算机设备采用db8小波对去噪处理后的脉冲电流波形进行9层小波包分解,并且确定第9层的前两个节点对应的能量占比以及放电相位特征,以确定待测变压器的脉冲电流波形对应的能量占比特征向量以及放电相位特征向量。其次,计算机设备采用db8小波对去噪处理后的特高频波形进行3小波包分解,并且确定第3层的前两个节点对应的能量占比以及放电相位特征,以确定待测变压器的特高频波形对应的能量占比特征向量以及放电相位特征向量。再次,计算机设备采用db8小波对去噪处理后的超声波波形进行3小波包分解,并且确定第3层的前两个节点对应的能量占比以及放电相位特征,以确定待测变压器的超声波波形对应的能量占比特征向量以及放电相位特征向量。
至此,计算机设备通过对待测变压器的局部放电波形进行小波包分解确定待测变压器的局部放电波形对应的特征向量。
本领域技术人员可以明确的是,本发明实施例中的待测变压器的局部放电波形有三种:脉冲电流波形、特高频波形以及超声波波形,因此,本发明实施例中计算机设备在对待测变压器的局部放电波形进行小波去噪处理时,实际是对上述三种波形分别进行小波去噪出理的过程。除此之外,本发明实施例中的计算机设备在对小波去噪处理后的局部放电波形进行小波包分解时,也是对上述三种波形分别进行小波包分解处理,并分别确定各波形对应的特征向量。也就是说,本发明实施例中待测变压器的局部放电波形对应的特征向量实际上是三种波形,即脉冲电流波形、特高频波形以及超声波波形分别对应的特征向量。
步骤104、计算机设备基于待测变压器的局部放电波形对应的特征向量,通过特征向量数据库,确定待测变压器局部放电的缺陷类型及缺陷类型可信度。
计算机设备在确定出待测变压器的局部放电波形对应的特征向量之后,遍历预存的特征向量数据库,以确定待测变压器局部放电对应的缺陷类型及缺陷类型可信度。
需要说明的是,本发明实施例中的特征向量数据库是通过以下方式构建的:首先,通过各种测试传感器(罗氏电流传感器、特高频传感器以及超声波传感器)对缺陷变压器在不同测试电压不同测试时间下的局部放电进行测试,并将测试得到的局部放电波形发送给计算机设备;然后,计算机设备对接收到的来自各个测试传感器的缺陷变压器对应的局部放电波形进行小波去噪处理以及小波包分解处理,以得到缺陷变压器的局部放电波形对应的特征向量。最后,计算机设备基于缺陷传感器的局部放电波形对应的特征向量构建特征向量数据库。
可以理解的是,本发明实施例中的特征向量数据库中包含各种不同缺陷的变压器在不同测试电压、不同测试时间下的局部放电波形对应的特征向量。即不仅包含不同缺陷类型的变压器在不同测试电压、不同测试时间下的脉冲电流波形对应的特征向量,以及不同缺陷类型的变压器在不同测试电压、不同测试时间下的特高频波形对应的特征向量,还包含不同缺陷类型的变压器在不同测试电压、不同测试时间下的超声波波形对应的特征向量。
在本发明的一个实施例中,缺陷传感器对应的缺陷类型至少包括以下任一项或者多项:气隙缺陷、尖端缺陷、悬浮缺陷以及沿面缺陷。
图2为本发明实施例提供的一种确定变压器局部放电的缺陷类型及缺陷类型可信度的流程图。如图2所示,本发明实施例中确定待测变压器对应的缺陷类型及缺陷类型可信度,具体包括以下过程:
首先,计算机设备基于待测变压器的局部放电波形对应的特征向量,遍历特征向量数据库,以确定待测变压器对应的第一缺陷类型d1及第一可信度概率p1、第二缺陷类型d2及第二可信度概率p2,以及第三缺陷类型d3及第三可信度概率p3。具体地,采用随机森林分类器对局部放电波形中的脉冲电流波形对应的特征向量进行识别,并确定第一缺陷类型d1及及第一可信度概率p1;通过支持向量机分类器对局部放电波形中的特高频波形对应的特征向量进行识别,并确定第二缺陷类型d2及第二可信度概率p2;以及通过支持向量机分类器对局部放电波形中的超声波波形对应的特征向量进行识别,并确定第三缺陷类型d3及第三可信度概率p3。
其次,计算机设备根据第一缺陷类型d1、第二缺陷类型d2以及第三缺陷类型d3之间的关系,确定待测变压器对应的缺陷类型D以及待测变压器对应的可信度概率C。具体地,计算机设备在确定第一缺陷类型d1、第二缺陷类型d2以及第三缺陷类型d3三者相同的情况下,确定待测变压器对应的缺陷类型D为第一缺陷类型d1,以及确定待测变压器对应的可信度概率C为1;以及,计算机设备在确定第一缺陷类型d1、第二缺陷类型d2以及第三缺陷类型d3中的任意两个缺陷类型相同(例如第一缺陷类型d1与第二缺陷类型d2相同)的情况下,确定待测变压器对应的缺陷类型D为任意两个相同的缺陷类型(例如第一缺陷类型d1),以及确定待测变压器对应的可信度概率C为0.6;以及,计算机设备在确定第一缺陷类型d1、第二缺陷类型d2以及第三缺陷类型d3各不相同的情况下,确定待测变压器对应的缺陷类型D为未知缺陷,以及确定待测变压器对应的缺陷类型的可信度概率C为0。上述过程具体通过以下公式实现:
其中,D为缺陷类型,C为缺陷类型的可信度概率;d1为第一缺陷类型,d2为第二缺陷类型,d3为第三缺陷类型。
至此,计算机设备确定出待测变压器局部放电的缺陷类型D以及缺陷类型的可信度概率C。
最后,计算机设备基于待测变压器对应的可信度概率C,通过第一缺陷类型d1、第二缺陷类型d2以及第三缺陷类型d3之间的关系,确定待测变压器对应的缺陷类型可信度D。具体地,计算机设备在确定第一缺陷类型d1、第二缺陷类型d2以及第三缺陷类型d3三者相同的情况下,确定待测变压器对应的缺陷类型可信度P=(p1+p2+p3)*C/3;以及,计算机设备在确定第一缺陷类型d1、第二缺陷类型d2以及第三缺陷类型d3中的任意两个缺陷类型相同(例如第一缺陷类型d1与第二缺陷类型d2相同)的情况下,确定待测变压器对应的缺陷类型可信度P=(pi+pj)*C/3;其中,i不等于j,且i,j为1、2、3中的任意两个;以及,计算机设备在确定第一缺陷类型d1、第二缺陷类型d2以及第三缺陷类型d3各不相同的情况下,确定待测变压器对应的缺陷类型可信度为0。上述过程具体通过以下公式实现:
其中,P为缺陷类型的可信度;p1为第一可信度概率,p2为第二可信度概率,p3为第三可信度概率。
至此,计算机设备确定待测变压器局部放电对应的缺陷类型D及缺陷类型可信度P,并将缺陷类型D及缺陷类型可信度P在页面上进行显示。
以上为本发明实施例中的方法实施例,基于同样的发明构思,本发明实施例还提供了一种变压器局部放电的缺陷类型识别***。
图3为本发明实施例提供的一种变压器局部放电的缺陷类型识别***内部结构示意图。如图3所示,***包括计算机设备301以及测试传感器302;
其中,计算机设备301,用于确定测试电压以及测试时间;测试传感器301,用于基于测试电压以及测试时间,对待测变压器对应的局部放电进行测试,并将测试得到的局部放电波形发送给计算机设备;计算机设备301,还用于对来自测试传感器302的局部放电波形进行小波去噪处理;计算机设备301,还用于对小波去噪处理后的局部放电波形进行小波包分解,以确定待测变压器的局部放电波形对应的特征向量;其中,特征向量至少包括以下任一项或者多项:放电相位特征向量、能量占比特征向量;计算机设备301,还用于基于待测变压器的局部放电波形对应的特征向量,通过预存的特征向量数据库,确定待测变压器局部放电对应的缺陷类型以及缺陷类型可信度。
本发明中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本发明的实施例而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (10)
1.一种变压器局部放电的缺陷类型识别方法,其特征在于,包括:
计算机设备接收来自测试传感器对待测变压器的局部放电进行测试而得到的局部放电波形;其中,所述局部放电波形基于所述计算机设备所确定的待测变压器的测试电压及测试时间而得到;
对来自所述测试传感器的局部放电波形进行小波去噪处理;
对小波去噪处理后的所述局部放电波形进行小波包分解,以确定所述待测变压器的局部放电波形对应的特征向量;其中,所述特征向量至少包括以下任一项或者多项:放电相位特征向量、能量占比特征向量;
基于所述待测变压器的局部放电波形对应的特征向量,通过预存的特征向量数据库,确定所述待测变压器局部放电对应的缺陷类型以及缺陷类型可信度。
2.根据权利要求1所述的一种变压器局部放电的缺陷类型识别方法,其特征在于,所述测试传感器至少包括以下任一项或者多项:罗氏电流传感器、特高频传感器以及超声波传感器;所述局部放电波形至少包括以下任一项或者多项:脉冲电流波形、特高频波形以及超声波波形;
所述计算机设备接收来自测试传感器对待测变压器的局部放电进行测试而得到的局部放电波形,具体包括:
所述计算机设备接收来自罗氏电流传感器基于所述测试电压以及测试时间,对待测变压器的局部放电进行测试,而得到的脉冲电流波形;以及,
所述计算机设备接收来自特高频传感器基于所述测试电压以及测试时间,对待测变压器的局部放电进行测试,而得到的特高频波形;以及,
所述计算机设备接收来自超声波传感器基于所述测试电压以及测试时间,对待测变压器的局部放电进行测试,而得到的超声波波形。
3.根据权利要求1所述的一种变压器局部放电的缺陷类型识别方法,其特征在于,所述对来自所述测试传感器的局部放电波形进行小波去噪处理,具体包括:
所述计算机设备采用预设小波对所述局部放电波形进行n层小波分解,并确定分解得到的n层细节系数及近似系数;其中,n为大于等于2的正整数;
所述计算机设备确定预设噪声波形,并采用所述预设小波对所述预设噪声波形进行n层小波分解,以确定分解得到的n层细节系数及近似系数;
所述计算机设备基于所述预设噪声波形对应的n层细节系数的幅值,对所述局部放电波形对应的n层细节系数进行阈值处理;
所述计算机设备对阈值处理后的所述局部放电波形对应的n层细节系数,以及所述局部放电波形对应的近似系数,进行离散小波逆变换,以得到小波去噪处理后的局部放电波形。
4.根据权利要求3所述的一种变压器局部放电的缺陷类型识别方法,其特征在于,所述计算机设备基于所述预设噪声波形对应的n层细节系数的幅值,对所述局部放电波形对应的n层细节系数进行阈值处理,具体包括:
所述计算机设备确定所述预设噪声波形对应的n层细节系数的幅值分别为所述局部放电波形对应的n层细节系数的阈值;
所述计算机设备在确定所述局部放电波形对应的任一层细节系数的幅值小于所述阈值时,确定所述局部放电波形对应的所述任一层细节系数的幅值为0。
5.根据权利要求1所述的一种变压器局部放电的缺陷类型识别方法,其特征在于,所述对小波去噪处理后的所述局部放电波形进行小波包分解,以确定所述待测变压器的局部放电波形对应的特征向量,具体包括:
所述计算机设备采用预设小波对小波去噪处理后的局部放电波形进行m层小波包分解;其中,m为大于等于2的正整数;
所述计算机设备确定所述小波包分解后的第m层的第一节点对应的能量与第二节点对应的能量之和,与所述第m层对应的总能量之间的比值,以确定所述待测变压器的局部放电波形对应的能量占比特征向量;
所述计算机设备确定所述第m层的第一节点的放电相位特征以及所述第m层第二节点的放电相位特征,以确定所述待测变压器的局部放电波形对应的放电相位特征向量。
6.根据权利要求1所述的一种变压器局部放电的缺陷类型识别方法,其特征在于,在基于所述待测变压器的局部放电波形对应的特征向量,通过预存的特征向量数据库,确定所述待测变压器局部放电对应的缺陷类型以及缺陷类型可信度之前,所述方法还包括:
所述计算机设备确定缺陷变压器对应缺陷类型,以及确定所述缺陷变压器对应的不同测试电压及不同测试时间下的局部放电波形;其中,所述缺陷类型至少包括以下任一项或者多项:气隙缺陷、尖端缺陷、悬浮缺陷以及沿面缺陷;
所述计算机设备对所述缺陷变压器对应的局部放电波形进行小波去噪处理以及小波包分解处理,以得到所述缺陷变压器的局部放电波形对应的特征向量;
所述计算机设备基于所述缺陷变压器的局部放电波形对应的特征向量,构建特征向量数据库。
7.根据权利要求1所述的一种变压器局部放电的缺陷类型识别方法,其特征在于,所述基于所述待测变压器的局部放电波形对应的特征向量,通过预存的特征向量数据库,确定所述待测变压器局部放电对应的缺陷类型以及缺陷类型可信度,具体包括:
所述计算机设备基于所述待测变压器的局部放电波形对应的特征向量,遍历所述特征向量数据库,以确定所述待测变压器对应的第一缺陷类型及第一可信度概率、第二缺陷类型及第二可信度概率,以及第三缺陷类型及第三可信度概率;
所述计算机设备根据所述第一缺陷类型、第二缺陷类型以及第三缺陷类型之间的关系,确定所述待测变压器对应的缺陷类型以及所述待测变压器对应的可信度概率;
所述计算机设备基于所述待测变压器对应的可信度概率,通过所述第一缺陷类型、第二缺陷类型以及第三缺陷类型之间的关系,确定所述待测变压器对应的缺陷类型可信度。
8.根据权利要求7所述的一种变压器局部放电的缺陷类型识别方法,其特征在于,所述计算机设备根据所述第一缺陷类型、第二缺陷类型以及第三缺陷类型之间的关系,确定所述待测变压器对应的缺陷类型以及所述待测变压器对应的可信度概率,具体包括:
所述计算机设备在确定所述第一缺陷类型、所述第二缺陷类型以及所述第三缺陷类型三者相同的情况下,确定所述待测变压器对应的缺陷类型为第一缺陷类型,以及确定所述待测变压器对应的可信度概率为1;
所述计算机设备在确定所述第一缺陷类型、所述第二缺陷类型以及所述第三缺陷类型中的任意两个缺陷类型相同的情况下,确定所述待测变压器对应的缺陷类型为任意两个相同的缺陷类型,以及确定所述待测变压器对应的可信度概率为0.6;
所述计算机设备在确定所述第一缺陷类型、所述第二缺陷类型以及所述第三缺陷类型各不相同的情况下,确定所述待测变压器对应的缺陷类型为未知缺陷,以及确定所述待测变压器对应的可信度概率为0。
9.根据权利要求8所述的一种变压器局部放电的缺陷类型识别方法,其特征在于,所述计算机设备基于所述待测变压器对应的可信度概率,通过所述第一缺陷类型、第二缺陷类型以及第三缺陷类型之间的关系,确定所述待测变压器对应的缺陷类型可信度,具体包括:
所述计算机设备在确定所述第一缺陷类型、所述第二缺陷类型以及所述第三缺陷类型三者相同的情况下,确定所述待测变压器对应的缺陷类型可信度为:
P=(p1+p2+p3)*C/3;
其中,P为缺陷类型可信度;p1为第一可信度概率,p2为第二可信度概率,p3为第三可信度概率;C为可信度概率;
所述计算机设备在确定所述第一缺陷类型、所述第二缺陷类型以及所述第三缺陷类型中的任意两个缺陷类型相同的情况下,确定所述待测变压器对应的缺陷类型可信度为:
P=(pi+pj)*C/3;
其中,i不等于j;
所述计算机设备在确定所述第一缺陷类型、所述第二缺陷类型以及所述第三缺陷类型各不相同的情况下,确定所述待测变压器对应的缺陷类型可信度为0。
10.一种变压器局部放电的缺陷类型识别***,其特征在于,所述***包括:
计算机设备,用于确定测试电压以及测试时间;
测试传感器,用于基于所述测试电压以及测试时间,对待测变压器的局部放电进行测试,并将得到的局部放电波形发送给所述计算机设备;
所述计算机设备,还用于对来自所述测试传感器的局部放电波形进行小波去噪处理;
所述计算机设备,还用于对小波去噪处理后的所述局部放电波形进行小波包分解,以确定所述待测变压器的局部放电波形对应的特征向量;其中,所述特征向量至少包括以下任一项或者多项:放电相位特征向量、能量占比特征向量;
所述计算机设备,还用于基于所述待测变压器的局部放电波形对应的特征向量,通过预存的特征向量数据库,确定所述待测变压器局部放电对应的缺陷类型以及缺陷类型可信度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110006171.5A CN112834878B (zh) | 2021-01-05 | 2021-01-05 | 一种变压器局部放电的缺陷类型识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110006171.5A CN112834878B (zh) | 2021-01-05 | 2021-01-05 | 一种变压器局部放电的缺陷类型识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112834878A true CN112834878A (zh) | 2021-05-25 |
CN112834878B CN112834878B (zh) | 2022-07-01 |
Family
ID=75927564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110006171.5A Active CN112834878B (zh) | 2021-01-05 | 2021-01-05 | 一种变压器局部放电的缺陷类型识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112834878B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113341283A (zh) * | 2021-06-04 | 2021-09-03 | 山东电工电气集团有限公司 | 一种变压器套管局部放电模式识别方法 |
CN113985318A (zh) * | 2021-10-26 | 2022-01-28 | 国网山东省电力公司检修公司 | 变压器运行状态的多类型局放信号实时提取方法 |
CN114113943A (zh) * | 2021-11-25 | 2022-03-01 | 广东电网有限责任公司广州供电局 | 基于电流和超声信号的变压器局放检测***、方法及设备 |
CN114113943B (zh) * | 2021-11-25 | 2024-07-30 | 广东电网有限责任公司广州供电局 | 基于电流和超声信号的变压器局放检测***、方法及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010151552A (ja) * | 2008-12-24 | 2010-07-08 | Toshiba Corp | 変圧器の部分放電診断装置 |
US20120027285A1 (en) * | 2010-07-27 | 2012-02-02 | Vladimir Shlain | Defect classification with optimized purity |
CN103323749A (zh) * | 2013-05-16 | 2013-09-25 | 上海交通大学 | 多分类器信息融合的局部放电诊断方法 |
CN103558524A (zh) * | 2013-11-12 | 2014-02-05 | 国网上海市电力公司 | 一种开关柜局部放电检测装置 |
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*** |
CN109116204A (zh) * | 2018-11-05 | 2019-01-01 | 国网四川省电力公司电力科学研究院 | 一种变压器局部放电信号分类装置及故障检测装置 |
CN109975665A (zh) * | 2019-03-22 | 2019-07-05 | 华南理工大学 | 一种电力设备局部放电信号放电类型识别方法 |
-
2021
- 2021-01-05 CN CN202110006171.5A patent/CN112834878B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010151552A (ja) * | 2008-12-24 | 2010-07-08 | Toshiba Corp | 変圧器の部分放電診断装置 |
US20120027285A1 (en) * | 2010-07-27 | 2012-02-02 | Vladimir Shlain | Defect classification with optimized purity |
CN103323749A (zh) * | 2013-05-16 | 2013-09-25 | 上海交通大学 | 多分类器信息融合的局部放电诊断方法 |
CN103558524A (zh) * | 2013-11-12 | 2014-02-05 | 国网上海市电力公司 | 一种开关柜局部放电检测装置 |
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*** |
CN109116204A (zh) * | 2018-11-05 | 2019-01-01 | 国网四川省电力公司电力科学研究院 | 一种变压器局部放电信号分类装置及故障检测装置 |
CN109975665A (zh) * | 2019-03-22 | 2019-07-05 | 华南理工大学 | 一种电力设备局部放电信号放电类型识别方法 |
Non-Patent Citations (1)
Title |
---|
李化 等: "基于小波分解尺度系数能量最大原则的GIS局部放电超高频信号自适应小波去噪", 《电工技术学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113341283A (zh) * | 2021-06-04 | 2021-09-03 | 山东电工电气集团有限公司 | 一种变压器套管局部放电模式识别方法 |
CN113985318A (zh) * | 2021-10-26 | 2022-01-28 | 国网山东省电力公司检修公司 | 变压器运行状态的多类型局放信号实时提取方法 |
CN114113943A (zh) * | 2021-11-25 | 2022-03-01 | 广东电网有限责任公司广州供电局 | 基于电流和超声信号的变压器局放检测***、方法及设备 |
CN114113943B (zh) * | 2021-11-25 | 2024-07-30 | 广东电网有限责任公司广州供电局 | 基于电流和超声信号的变压器局放检测***、方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112834878B (zh) | 2022-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112834878B (zh) | 一种变压器局部放电的缺陷类型识别方法及*** | |
CN112697887B (zh) | 基于神经网络的超声检测缺陷定性识别方法 | |
Seo et al. | Probabilistic wavelet transform for partial discharge measurement of transformer | |
Al-Masri et al. | Toward high-accuracy estimation of partial discharge location | |
CN105765392A (zh) | 用于对电的线缆中的局部放电进行定位的方法和装置 | |
Mota et al. | A comparison of cycle spinning versus stationary wavelet transform for the extraction of features of partial discharge signals | |
Abdel-Galil et al. | De-noising of partial discharge signal using eigen-decomposition technique | |
Hamidi et al. | A recursive method for traveling-wave arrival-time detection in power systems | |
CN106338662A (zh) | 基于数学形态学的变压器绕组变形诊断方法 | |
Kirubadevi et al. | Wavelet based transmission line fault identification and classification | |
Liu et al. | A novel wavelet selection scheme for partial discharge signal detection under low SNR condition | |
CN116879690A (zh) | 一种自适应光伏***直流故障电弧检测方法 | |
MOLLANEZHAD et al. | Accurate fault classification of transmission line using wavelet transform and probabilistic neural network | |
Anjum et al. | Classification of defects in ceramic insulators using partial discharge signatures extracted from radio frequency (RF) signals | |
Yalcin et al. | Feature vector extraction by using empirical mode decomposition for power quality disturbances | |
Zhou et al. | Signal recognition method of power cable oscillating wave partial discharge detection based on support vector machine | |
US20220381811A1 (en) | Detection of electric arcs in an electrical system | |
CN114137364B (zh) | 一种基于时域反射法的干扰波消除方法 | |
Lala et al. | Fault diagnosis in distribution power systems using stationary wavelet transform and artificial neural network | |
Mohammad et al. | Analysis on multiple acoustic and electrical emission of PD signal based on signal to noise ratio (SNR) on power cable | |
Choudhary et al. | Classification of faults in power system using signal processing approach | |
Xin et al. | De-noising of GIS UHF Partial Discharge monitoring based on wavelet method | |
Karami et al. | Limitations of partial discharge de-noising of power transformer using adaptive singular value decomposition | |
Li | Research on extraction of partial discharge signals based on wavelet analysis | |
Zhang et al. | Nondestructive incipient crack detection based on wavelet and Jensen-Shannon divergence in the NICA framework |
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 |