CN114814501A - 一种电容式电压互感器电容击穿故障在线诊断方法 - Google Patents

一种电容式电压互感器电容击穿故障在线诊断方法 Download PDF

Info

Publication number
CN114814501A
CN114814501A CN202210758583.9A CN202210758583A CN114814501A CN 114814501 A CN114814501 A CN 114814501A CN 202210758583 A CN202210758583 A CN 202210758583A CN 114814501 A CN114814501 A CN 114814501A
Authority
CN
China
Prior art keywords
capacitor
cvt
breakdown
samples
voltage
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
Application number
CN202210758583.9A
Other languages
English (en)
Other versions
CN114814501B (zh
Inventor
魏伟
叶利
方毅
彭涛
明东岳
汪应春
王雅兰
杨丽华
谢玮
李云峰
徐子雅
周卓鹏
刘义
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.)
Metering Center of State Grid Hubei Electric Power Co Ltd
Original Assignee
Metering Center of State Grid Hubei Electric Power Co Ltd
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 Metering Center of State Grid Hubei Electric Power Co Ltd filed Critical Metering Center of State Grid Hubei Electric Power Co Ltd
Priority to CN202210758583.9A priority Critical patent/CN114814501B/zh
Publication of CN114814501A publication Critical patent/CN114814501A/zh
Application granted granted Critical
Publication of CN114814501B publication Critical patent/CN114814501B/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
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
    • G01R35/02—Testing or calibrating of apparatus covered by the other groups of this subclass of auxiliary devices, e.g. of instrument transformers according to prescribed transformation ratio, phase angle, or wattage rating
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Power Engineering (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)

Abstract

本申请涉及一种电容式电压互感器电容击穿故障在线诊断方法，包括以下具体步骤：S1.CVT在线监测***收集同母线上同相同一型号CVT的二次电压幅值数据，构建数据集并贴上相应标签；S2.利用组间幅值比参量构造特征向量集，对经过预处理后的数据集进行特征提取；S3.采用KNN机器学习的方式，训练KNN模型，调整相应超参数，输出最优KNN模型；S4.将CVT在线监测***中的二次电压幅值数据输入最优KNN模型，对待测CVT的电容击穿状态进行实时诊断。本发明对CVT电容击穿故障进行在线诊断，实时反馈CVT中电容所处状态，进而保证电网运行的稳定性及安全性能。

Description

一种电容式电压互感器电容击穿故障在线诊断方法
技术领域
本申请涉及电容击穿故障在线诊断领域，具体涉及一种电容式电压互感器电容击穿故障在线诊断方法。
背景技术
电容式电压互感器（CVT）相较于传统电磁式互感器具有抗铁磁谐振能力强，制造成本低，体积小，重量轻等特点。然而因为CVT内部结构复杂，运行状态易受环境因素影响，在长期运行过程中容易出现误差超差及绝缘性能劣化等异常状态，从而影响电能计量的准确性及电力***的安全性。其中，作为影响CVT状态的一个主要因素，绝缘性能的状态主要由CVT内绝缘结构中的电容和绝缘介质状态决定。相较于存在许多成熟的表征状态方法的绝缘介质，目前没有一个准确的方法能够在线表征电容状态。 而对电容状态进行实时在线监测，能够对CVT的状态做出及时的判断，方便相关运行维护人员进行检修维护工作。如果不能及时发现电容状态异常，将导致互感器状态异常，从而影响电网运行，甚至引起***造成人员安全问题。为避免二次信息***信息源的不准确，并减少电能计量的损失和保证测控保护装置的正常运行，如何准确进行CVT电容击穿故障在线诊断是一项技术难题。
发明内容
本申请实施例的目的在于提供一种电容式电压互感器电容击穿故障在线诊断方法，对CVT电容击穿故障进行在线诊断，实时反馈CVT中电容所处状态，进而保证电网运行的稳定性及安全性能。
为实现上述目的，本申请提供如下技术方案：
本申请实施例提供一种电容式电压互感器电容击穿故障在线诊断方法，包括以下具体步骤：
S1.CVT在线监测***收集同母线上同相同一型号CVT的二次电压幅值数据，构建数据集并贴上相应标签；
S2.利用组间幅值比参量构造特征向量集，对经过预处理后的数据集进行特征提取；
S3.采用KNN机器学习的方式，训练KNN模型，调整相应超参数，输出最优KNN模型；
S4.将CVT在线监测***中的二次电压幅值数据输入最优KNN模型，对待测CVT的电容击穿状态进行实时诊断。
所述构建数据集的具体方法为，从在线监测***中筛选一条母线上的所有采用同种接线方式的同种型号且同相的CVT的二次电压幅值和计量误差的历史数据，根据电容击穿和CVT变比的关系可将各时刻样本数据进行人工分类，电容击穿状态类别为
Figure 193357DEST_PATH_IMAGE001
，其中
Figure 214009DEST_PATH_IMAGE002
表示电容未击穿，
Figure 208510DEST_PATH_IMAGE003
表示单个高压电容击穿，
Figure 959428DEST_PATH_IMAGE004
表示两个高压电容击穿，
Figure 722985DEST_PATH_IMAGE005
表示单个中压电容击穿，
Figure 416003DEST_PATH_IMAGE006
表示两个中压电容击穿，将其中一个CVT作为电容击穿故障诊断的待测CVT，从选取的数据集合中选取只有待测CVT发生电容异常状态或者所有CVT都处于正常状态的样本作为后续电容击穿在线诊断的数据集D。
所述利用组间幅值比参量构造特征向量集，对经过预处理后的数据集进行特征提取具体为，
将数据集D拆分为训练集和测试集；
对训练集中的样本进行归一化处理；
根据组间幅值比参量构建CVT电容击穿在线诊断的特征向量用以消除一次电压对电容击穿在线诊断结果产生的影响。
将数据集D拆分为训练集和测试集具体方法是，设置训练集和测试集的样本比例为7：3，若数据集D的样本数量为
Figure 632221DEST_PATH_IMAGE007
，则训练集的样本数量为
Figure 921251DEST_PATH_IMAGE008
，测试集的样本数量为
Figure 804893DEST_PATH_IMAGE009
，从数据集D中随机无放回的抽取样本至训练样本集
Figure 904698DEST_PATH_IMAGE010
中，一共抽取
Figure 873792DEST_PATH_IMAGE011
次，数据集D中剩余样本构成测试集
Figure 700933DEST_PATH_IMAGE012
。
所述对训练集中的样本进行归一化处理具体为，
采用z-score归一化进行训练集
Figure 704661DEST_PATH_IMAGE010
的归一化，z-score归一化的公式为
Figure 473903DEST_PATH_IMAGE013
其中
Figure 930292DEST_PATH_IMAGE014
为该维特征的均值，
Figure 561125DEST_PATH_IMAGE015
为该维特征的标准差，记录对应
Figure 419359DEST_PATH_IMAGE014
，
Figure 338598DEST_PATH_IMAGE015
将其应用于测试集
Figure 547862DEST_PATH_IMAGE012
的归一化处理。
组间幅值比参量
Figure 716807DEST_PATH_IMAGE016
是指位于同一条母线上的不同组的表征同相的同一型号的两个CVT的二次电压幅值之比，
Figure 429548DEST_PATH_IMAGE017
其中
Figure 540592DEST_PATH_IMAGE018
分别表示两个不同CVT的二次电压幅值，根据CVT的计量误差比差公式
Figure 705994DEST_PATH_IMAGE019
其中
Figure 678629DEST_PATH_IMAGE020
是额定变比，
Figure 511456DEST_PATH_IMAGE021
是二次电压，
Figure 294867DEST_PATH_IMAGE022
是一次电压，进行形式转换得：
Figure 947565DEST_PATH_IMAGE023
将形式转换后的比差公式代入组间幅值比参量
Figure 723891DEST_PATH_IMAGE024
由于两个CVT接入同一母线上，且为同一型号，表征同一相，可以认为其一次电压和额定变比相同，即上式可以简化为
Figure 411224DEST_PATH_IMAGE025
即近似认为两个组间CVT的二次电压值与两个CVT的比差相关，从而消除一次电压值的影响，在同一条母线中，假设存在n组同一型号的CVT，
Figure 864071DEST_PATH_IMAGE026
，则对于n组CVT中位于同相的CVT而言，选择其中一个CVT进行电容击穿在线诊断，将该CVT记为G，则同母线下的各组同相CVT的集合可记为
Figure 4066DEST_PATH_IMAGE027
，据此设置的单个样本的组间幅值比参量的特征向量集为
Figure 318503DEST_PATH_IMAGE028
将该特征向量集合，作为电容击穿在线诊断的特征向量集，对完成归一化操作后的训练集进行特征向量集提取后，则训练集的样本为
Figure 125922DEST_PATH_IMAGE029
，对应的类别为
Figure 248206DEST_PATH_IMAGE030
，测试集的样本使用归一化处理的训练集对应的
Figure 282021DEST_PATH_IMAGE014
和
Figure 524783DEST_PATH_IMAGE015
进行对应归一化得到训练集
Figure 45763DEST_PATH_IMAGE031
和对应类别
Figure 715779DEST_PATH_IMAGE032
。
所述采用KNN机器学习的方式，训练KNN模型，调整相应超参数，输出最优KNN模型具体为，
S31.通过本领域知识和经验选择KNN中的超参数
Figure 705732DEST_PATH_IMAGE033
，
Figure 486606DEST_PATH_IMAGE034
为正整数；
S32.从测试集中选取一个样本，计算其与所有训练样本的距离，其中使用的距离度量是闵式距离
Figure 363558DEST_PATH_IMAGE035
其中
Figure 204475DEST_PATH_IMAGE036
，
Figure 540778DEST_PATH_IMAGE037
分别表示两个
Figure 709DEST_PATH_IMAGE038
维样本，
Figure 371648DEST_PATH_IMAGE039
表示的是该样本的第
Figure 242521DEST_PATH_IMAGE040
维特征，s为常数；
S33.选择上一步计算得到的所有距离中最近的
Figure 331699DEST_PATH_IMAGE034
个距离所对应的训练样本
Figure 188797DEST_PATH_IMAGE041
；
S34.选出的训练样本对应的类分别为
Figure 289608DEST_PATH_IMAGE042
，对W按照L进行数量统计，即计算L中的各类在W中出现的数量
Figure 737907DEST_PATH_IMAGE043
，选出数量最多的类
Figure 406392DEST_PATH_IMAGE044
对应的类作为该测试样本的类别；
S35.重复步骤S32至步骤S34，将测试集合中的所有样本都进行归类，得到对应类别集合
Figure 332760DEST_PATH_IMAGE045
，将归类结果
Figure 412712DEST_PATH_IMAGE046
与实际结果
Figure 641699DEST_PATH_IMAGE047
进行比较，得出该方案的精确度；
Figure 174311DEST_PATH_IMAGE048
S36.根据步骤S31选取的
Figure 29004DEST_PATH_IMAGE034
值，选择
Figure 963462DEST_PATH_IMAGE049
左右的多个数据重复步骤S31至步骤S35输出多个不同的精确度，从中选择精度最高的作为KNN的最佳参数。
所述步骤S4具体为，采集当前时刻的CVT在线监测***中的幅值，经过数据预处理后，输入具有含有最佳超参数
Figure 487984DEST_PATH_IMAGE049
的KNN模型中，输出待测CVT当前时刻的电容击穿在线诊断结果。
与现有技术相比，本发明的有益效果是：
提出了一种基于KNN的电容式电压互感器电容击穿故障在线诊断的方案。根据组间幅值比参量构造特征向量，利用KNN构造电容式电压互感器电容击穿在线诊断模型。将CVT在线监测***实时数据输入训练好的KNN模型，对当前CVT电容击穿故障状态进行实时诊断。对CVT电容击穿故障进行在线诊断，实时反馈CVT中电容所处状态，进而保证电网运行的稳定性及安全性能。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本申请实施例方法流程示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
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、物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、物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、物品或者设备中还存在另外的相同要素。
本发明第一方面提供了一种电容式电压互感器电容击穿故障在线诊断方法，如图1所示，
Step1：数据集的采集
通过CVT在线监测***采集二次电压幅值信息。具体方式是从在线监测***中筛选一条母线上的所有采用同种接线方式的同种型号且同相的CVT的二次电压幅值和计量误差的历史数据，根据电容击穿和CVT变比的关系可将各时刻样本数据进行人工分类，电容击穿状态类别为
Figure 648838DEST_PATH_IMAGE050
，其中
Figure 651429DEST_PATH_IMAGE051
表示电容未击穿，
Figure 440393DEST_PATH_IMAGE052
表示单个高压电容击穿，
Figure 27495DEST_PATH_IMAGE053
表示两个高压电容击穿，
Figure 800279DEST_PATH_IMAGE054
表示单个中压电容击穿，
Figure 216348DEST_PATH_IMAGE055
表示两个中压电容击穿，将其中一个CVT作为电容击穿故障诊断的待测CVT，从选取的数据集合中选取只有待测CVT发生电容异常状态或者所有CVT都处于正常状态的样本作为后续电容击穿在线诊断的数据集D。
Step2:数据预处理
Step2.1 数据集拆分
将step1收集的CVT历史数据集合
Figure 390977DEST_PATH_IMAGE056
拆分为训练集和测试集。具体方法是，设置训练集和测试集的样本比例为7：3，若数据集D的样本数量为
Figure 381936DEST_PATH_IMAGE057
，则训练集的样本数量为
Figure 642016DEST_PATH_IMAGE058
，测试集的样本数量为
Figure 127355DEST_PATH_IMAGE059
，从数据集D中随机无放回的抽取样本至训练样本集
Figure 890912DEST_PATH_IMAGE060
中，一共抽取
Figure 193717DEST_PATH_IMAGE061
次，数据集D中剩余样本构成测试集
Figure 298683DEST_PATH_IMAGE062
。
Step2.2 归一化处理
对训练集
Figure 712347DEST_PATH_IMAGE060
中的样本进行归一化处理。采用z-score归一化进行训练集
Figure 205776DEST_PATH_IMAGE060
的归一化，z-score归一化的公式为
Figure 679483DEST_PATH_IMAGE063
其中
Figure 773209DEST_PATH_IMAGE064
为该维特征的均值，
Figure 724985DEST_PATH_IMAGE065
为该维特征的标准差，记录对应
Figure 463134DEST_PATH_IMAGE064
，
Figure 983108DEST_PATH_IMAGE065
将其应用于测试集
Figure 439497DEST_PATH_IMAGE062
的归一化处理。
Step2.3 特征向量的构建
根据组间幅值比参量构建CVT电容击穿在线诊断的特征向量用以消除一次电压对电容击穿在线诊断结果产生的影响。组间幅值比参量
Figure 821062DEST_PATH_IMAGE066
是指位于同一条母线上的不同组的表征同相的同一型号的两个CVT的二次电压幅值之比，
Figure 413717DEST_PATH_IMAGE067
其中
Figure 839014DEST_PATH_IMAGE068
分别表示两个不同CVT的二次电压幅值，根据CVT的计量误差比差公式
Figure 782699DEST_PATH_IMAGE069
其中
Figure 466490DEST_PATH_IMAGE070
是额定变比，
Figure 913652DEST_PATH_IMAGE071
是二次电压，
Figure 634483DEST_PATH_IMAGE072
是一次电压，进行形式转换得：
Figure 940831DEST_PATH_IMAGE073
将形式转换后的比差公式代入组间幅值比参量
Figure 38100DEST_PATH_IMAGE074
由于两个CVT接入同一母线上，且为同一型号，表征同一相，可以认为其一次电压和额定变比相同，即上式可以简化为
Figure 505814DEST_PATH_IMAGE075
即近似认为两个组间CVT的二次电压值与两个CVT的比差相关，从而消除一次电压值的影响，在同一条母线中，假设存在n组同一型号的CVT，
Figure 397547DEST_PATH_IMAGE076
，则对于n组CVT中位于同相的CVT而言，选择其中一个CVT进行电容击穿在线诊断，将该CVT记为G，则同母线下的各组同相CVT的集合可记为
Figure 191191DEST_PATH_IMAGE077
，据此设置的单个样本的组间幅值比参量的特征向量集为
Figure 92150DEST_PATH_IMAGE078
将该特征向量集合，作为电容击穿在线诊断的特征向量集，对完成归一化操作后的训练集进行特征向量集提取后，则训练集的样本为
Figure 638538DEST_PATH_IMAGE079
，对应的类别为
Figure 966751DEST_PATH_IMAGE080
，测试集的样本使用归一化处理的训练集对应的
Figure 247691DEST_PATH_IMAGE064
和
Figure 686763DEST_PATH_IMAGE065
进行对应归一化得到训练集
Figure 854701DEST_PATH_IMAGE081
和对应类别
Figure 353816DEST_PATH_IMAGE082
。
Step3:采用KNN对CVT进行电容击穿在线诊断的分类
Step3.1 通过领域知识和经验选择KNN中的超参数
Figure 856472DEST_PATH_IMAGE083
（
Figure 99235DEST_PATH_IMAGE083
为正整数）。
Step3.2 从测试集中选取一个样本，计算其与所有训练样本的距离。其中使用的距离度量是闵式距离
Figure 620215DEST_PATH_IMAGE084
其中
Figure 290231DEST_PATH_IMAGE085
，
Figure 14604DEST_PATH_IMAGE086
分别表示两个
Figure 795478DEST_PATH_IMAGE087
维样本，
Figure 935079DEST_PATH_IMAGE088
表示的是该样本的第
Figure 448100DEST_PATH_IMAGE089
维特征，s为常数；
Step3.3选择step3.2计算得到的所有距离中最近的
Figure 49983DEST_PATH_IMAGE083
个距离所对应的训练样本
Figure 493603DEST_PATH_IMAGE090
。
Step3.4选出的训练样本对应的类分别为
Figure 864541DEST_PATH_IMAGE091
，对W按照L进行数量统计，即计算L中的各类在W中出现的数量
Figure 610780DEST_PATH_IMAGE092
，选出数量最多的类
Figure 309746DEST_PATH_IMAGE093
对应的类作为该测试样本的类别；
Step3.5重复step3.2-step3.4，将测试集合中的所有样本都进行归类，得到对应类别集合
Figure 698002DEST_PATH_IMAGE094
，将归类结果
Figure 283966DEST_PATH_IMAGE095
与实际结果
Figure 466686DEST_PATH_IMAGE096
进行比较，得出该方案的精确度；
Figure 918527DEST_PATH_IMAGE097
Step3.6根据step3.1选取的
Figure 579315DEST_PATH_IMAGE083
值，选择
Figure 659267DEST_PATH_IMAGE083
左右的多个数据重复Step3.1-Step3.5步骤输出多个不同的精确度，从中选择精度最高的作为KNN的最佳参数。
Step4: 采用KNN对CVT进行电容击穿在线诊断的分类
采集当前时刻的CVT在线监测***中的幅值，经过数据预处理后，输入具有含有最佳超参数
Figure 403101DEST_PATH_IMAGE083
的KNN模型中，输出待测CVT当前时刻的电容击穿在线诊断结果。
本申请的具体应用实例：
一、构建仿真电路实验平台，在110kV的母线上连接6组三相四线的同一类型的CVT，选取A相，按秒记录各组A相CVT的二次电压幅值，共15000个样本。
对每个样本按如下规律进行了标记：
标签1：电容未击穿时对应的比差变化约0
标签2：当单个高压电容击穿时对应的比差变化约为0.4%:；
标签3：两个高压电容击穿时对应的比差变化约为0.8%；
标签4：单个中压电容击穿时对应的比差变化约为-0.4%；
标签5：两个中压电容击穿时对应的比差变化约为-0.8%。
即每个采集样本包含六个CVT的二次电压幅值及对应标签。采集数据集合分析如下表所示
Figure 935713DEST_PATH_IMAGE098
采集样本数据集中包括600个正常样本，2400个仅1号CVT发生故障的样本（四个异常状态的样本各600个），2400个仅2号CVT发生故障的样本（四个异常状态的样本各600个），2400个仅3号CVT发生故障的样本（四个异常状态的样本各600个），2400个仅4号CVT发生故障的样本（四个异常状态的样本各600个），2400个仅5号CVT发生故障的样本（四个异常状态的样本各600个），2400个仅6号CVT发生故障的样本（四个异常状态的样本各600个）。
二、对故障CVT进行在线监测的分析，即构造六个数据集，
Figure 541138DEST_PATH_IMAGE099
数据集
Figure 475596DEST_PATH_IMAGE100
包含正常样本和1号CVT故障的样本，共3000个。数据集
Figure 888867DEST_PATH_IMAGE101
包含正常样本和2号CVT故障的样本，共3000个。数据集
Figure 908775DEST_PATH_IMAGE102
包含正常样本和3号CVT故障的样本，共3000个。数据集
Figure 176945DEST_PATH_IMAGE103
包含正常样本和4号CVT故障的样本，共3000个。数据集
Figure 841276DEST_PATH_IMAGE104
包含正常样本和5号CVT故障的样本，共3000个。数据集
Figure 802279DEST_PATH_IMAGE105
包含正常样本和6号CVT故障的样本，共3000个。将各个数据集按照7：3的比例分为训练集，测试集。对各个数据集进行归一化操作，再提取基于组间电压比差量的数据特征集合。
三、基于经验，将
Figure 434117DEST_PATH_IMAGE083
最邻近数设为5，经过试验后设置不同
Figure 240399DEST_PATH_IMAGE083
值对应的方法精度如下所示
Figure 415029DEST_PATH_IMAGE106
如表所示，精度最高的方案在5，10，15时取得，由于基于经验设置的
Figure 891141DEST_PATH_IMAGE083
值对应的KNN模型的精度最高，因而选用
Figure 151221DEST_PATH_IMAGE083
=5时的KNN方法作为该方法的最优方法。
本申请实施例提出了一种基于KNN的电容式电压互感器电容击穿故障在线诊断的方案。根据组间幅值比参量构造特征向量，利用KNN构造电容式电压互感器电容击穿在线诊断模型。将CVT在线监测***实时数据输入训练好的KNN模型，对当前CVT电容击穿故障状态进行实时诊断。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (8)

1.一种电容式电压互感器电容击穿故障在线诊断方法，其特征在于，包括以下具体步骤：
S1.CVT在线监测***收集同母线上同相同一型号CVT的二次电压幅值数据，构建数据集并贴上相应标签；
S2.利用组间幅值比参量构造特征向量集，对经过预处理后的数据集进行特征提取；
S3.采用KNN机器学习的方式，训练KNN模型，调整相应超参数，输出最优KNN模型；
S4.将CVT在线监测***中的二次电压幅值数据输入最优KNN模型，对待测CVT的电容击穿状态进行实时诊断。
2.根据权利要求1所述的一种电容式电压互感器电容击穿故障在线诊断方法，其特征在于，所述构建数据集的具体方法为，从在线监测***中筛选一条母线上的所有采用同种接线方式的同种型号且同相的CVT的二次电压幅值和计量误差的历史数据，根据电容击穿和CVT变比的关系将各时刻样本数据进行人工分类，电容击穿状态类别为
Figure 149963DEST_PATH_IMAGE001
，其中
Figure 298048DEST_PATH_IMAGE002
表示电容未击穿，
Figure 181690DEST_PATH_IMAGE003
表示单个高压电容击穿，
Figure 248872DEST_PATH_IMAGE004
表示两个高压电容击穿，
Figure 217965DEST_PATH_IMAGE005
表示单个中压电容击穿，
Figure 310686DEST_PATH_IMAGE006
表示两个中压电容击穿，将其中一个CVT作为电容击穿故障诊断的待测CVT，从选取的数据集合中选取只有待测CVT发生电容异常状态或者所有CVT都处于正常状态的样本作为后续电容击穿在线诊断的数据集D。
3.根据权利要求2所述的一种电容式电压互感器电容击穿故障在线诊断方法，其特征在于，所述利用组间幅值比参量构造特征向量集，对经过预处理后的数据集进行特征提取具体为，
将数据集D拆分为训练集和测试集；
对训练集中的样本进行归一化处理；
根据组间幅值比参量构建CVT电容击穿在线诊断的特征向量用以消除一次电压对电容击穿在线诊断结果产生的影响。
4.根据权利要求3所述的一种电容式电压互感器电容击穿故障在线诊断方法，其特征在于，将数据集D拆分为训练集和测试集具体方法是，设置训练集和测试集的样本比例为7：3，若数据集D的样本数量为
Figure 48835DEST_PATH_IMAGE007
，则训练集的样本数量为
Figure 319541DEST_PATH_IMAGE008
，测试集的样本数量为
Figure 510351DEST_PATH_IMAGE009
，从数据集D中随机无放回的抽取样本至训练样本集
Figure 328135DEST_PATH_IMAGE010
中，一共抽取
Figure 809538DEST_PATH_IMAGE011
次，数据集D中剩余样本构成测试集
Figure 765993DEST_PATH_IMAGE012
。
5.根据权利要求4所述的一种电容式电压互感器电容击穿故障在线诊断方法，其特征在于，所述对训练集中的样本进行归一化处理具体为，
采用z-score归一化进行训练集
Figure 444099DEST_PATH_IMAGE010
的归一化，z-score归一化的公式为
Figure 127890DEST_PATH_IMAGE013
其中
Figure 840631DEST_PATH_IMAGE014
为该维特征的均值，
Figure 702408DEST_PATH_IMAGE015
为该维特征的标准差，记录对应
Figure 133389DEST_PATH_IMAGE014
，
Figure 856757DEST_PATH_IMAGE015
将其应用于测试集
Figure 424004DEST_PATH_IMAGE012
的归一化处理。
6.根据权利要求5所述的一种电容式电压互感器电容击穿故障在线诊断方法，其特征在于，组间幅值比参量
Figure 456682DEST_PATH_IMAGE016
是指位于同一条母线上的不同组的表征同相的同一型号的两个CVT的二次电压幅值之比，
Figure 109381DEST_PATH_IMAGE017
其中
Figure 134974DEST_PATH_IMAGE018
分别表示两个不同CVT的二次电压幅值，根据CVT的计量误差比差公式
Figure 822308DEST_PATH_IMAGE019
其中
Figure 884941DEST_PATH_IMAGE020
是额定变比，
Figure 165881DEST_PATH_IMAGE021
是二次电压，
Figure 339374DEST_PATH_IMAGE022
是一次电压，进行形式转换得：
Figure 516101DEST_PATH_IMAGE023
将形式转换后的比差公式代入组间幅值比参量
Figure 15216DEST_PATH_IMAGE024
由于两个CVT接入同一母线上，且为同一型号，表征同一相，可以认为其一次电压和额定变比相同，即上式可以简化为
Figure 517872DEST_PATH_IMAGE025
即近似认为两个组间CVT的二次电压值与两个CVT的比差相关，从而消除一次电压值的影响，在同一条母线中，假设存在n组同一型号的CVT，
Figure 150848DEST_PATH_IMAGE026
，则对于n组CVT中位于同相的CVT而言，选择其中一个CVT进行电容击穿在线诊断，将该CVT记为G，则同母线下的各组同相CVT的集合可记为
Figure 812773DEST_PATH_IMAGE027
，据此设置的单个样本的组间幅值比参量的特征向量集为
Figure 358155DEST_PATH_IMAGE028
将该特征向量集合，作为电容击穿在线诊断的特征向量集，对完成归一化操作后的训练集进行特征向量集提取后，则训练集的样本为
Figure 207162DEST_PATH_IMAGE029
，对应的类别为
Figure 879714DEST_PATH_IMAGE030
，测试集的样本使用归一化处理的训练集对应的
Figure 661726DEST_PATH_IMAGE014
和
Figure 378009DEST_PATH_IMAGE015
进行对应归一化得到训练集
Figure 714312DEST_PATH_IMAGE031
和对应类别
Figure 689090DEST_PATH_IMAGE032
。
7.根据权利要求5所述的一种电容式电压互感器电容击穿故障在线诊断方法，其特征在于，所述采用KNN机器学习的方式，训练KNN模型，调整相应超参数，输出最优KNN模型具体为，
S31.通过本领域知识和经验选择KNN中的超参数
Figure 200974DEST_PATH_IMAGE033
，
Figure 212793DEST_PATH_IMAGE034
为正整数；
S32.从测试集中选取一个样本，计算其与所有训练样本的距离，其中使用的距离度量是闵式距离
Figure 190720DEST_PATH_IMAGE035
其中
Figure 47817DEST_PATH_IMAGE036
，
Figure 414208DEST_PATH_IMAGE037
分别表示两个
Figure 596927DEST_PATH_IMAGE038
维样本，
Figure 32457DEST_PATH_IMAGE039
表示的是该样本的第
Figure 958824DEST_PATH_IMAGE040
维特征，s为常数；
S33.选择上一步计算得到的所有距离中最近的
Figure 179721DEST_PATH_IMAGE034
个距离所对应的训练样本
Figure 267763DEST_PATH_IMAGE041
；
S34.选出的训练样本对应的类分别为
Figure 957633DEST_PATH_IMAGE042
，对W按照L进行数量统计，即计算L中的各类在W中出现的数量
Figure 422112DEST_PATH_IMAGE043
，选出数量最多的类
Figure 497515DEST_PATH_IMAGE044
对应的类作为该测试样本的类别；
S35.重复步骤S32至步骤S34，将测试集合中的所有样本都进行归类，得到对应类别集合
Figure 22038DEST_PATH_IMAGE045
，将归类结果
Figure 432159DEST_PATH_IMAGE046
与实际结果
Figure 589078DEST_PATH_IMAGE047
进行比较，得出该方案的精确度；
Figure 518988DEST_PATH_IMAGE048
S36.根据步骤S31选取的
Figure 214411DEST_PATH_IMAGE034
值，选择
Figure 377408DEST_PATH_IMAGE049
左右的多个数据重复步骤S31至步骤S35输出多个不同的精确度，从中选择精度最高的作为KNN的最佳参数。
8.根据权利要求7所述的一种电容式电压互感器电容击穿故障在线诊断方法，其特征在于，所述步骤S4具体为，采集当前时刻的CVT在线监测***中的幅值，经过数据预处理后，输入具有含有最佳超参数
Figure 449269DEST_PATH_IMAGE049
的KNN模型中，输出待测CVT当前时刻的电容击穿在线诊断结果。
CN202210758583.9A 2022-06-30 2022-06-30 一种电容式电压互感器电容击穿故障在线诊断方法 Active CN114814501B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210758583.9A CN114814501B (zh) 2022-06-30 2022-06-30 一种电容式电压互感器电容击穿故障在线诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210758583.9A CN114814501B (zh) 2022-06-30 2022-06-30 一种电容式电压互感器电容击穿故障在线诊断方法

Publications (2)

Publication Number Publication Date
CN114814501A true CN114814501A (zh) 2022-07-29
CN114814501B CN114814501B (zh) 2022-09-16

Family

ID=82523552

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210758583.9A Active CN114814501B (zh) 2022-06-30 2022-06-30 一种电容式电压互感器电容击穿故障在线诊断方法

Country Status (1)

Country Link
CN (1) CN114814501B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115267641A (zh) * 2022-09-22 2022-11-01 武汉格蓝若智能技术有限公司 同塔双回输电线路中电流互感器误差异常识别方法、***
CN117169669A (zh) * 2023-11-02 2023-12-05 国网江西省电力有限公司供电服务管理中心 击穿电容监测方法、装置、电子设备及可读存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096076A (zh) * 2016-05-26 2016-11-09 国网江苏省电力公司检修分公司 基于pscad的电容式电压互感器运行故障模拟方法
US20200309829A1 (en) * 2019-04-01 2020-10-01 Dake He On-line monitoring system for the performance of the measurement equipment in the entire power grid based on wide-area synchronous measurement
CN113447783A (zh) * 2021-08-30 2021-09-28 武汉格蓝若智能技术有限公司 一种电压互感器绝缘故障辨识模型构建方法及装置
CN114492675A (zh) * 2022-04-01 2022-05-13 武汉格蓝若智能技术有限公司 一种电容式电压互感器故障原因智能诊断方法
CN114548188A (zh) * 2022-04-21 2022-05-27 武汉格蓝若智能技术有限公司 一种变电站内电容式电压互感器运行模式识别方法
CN114757305A (zh) * 2022-06-13 2022-07-15 华中科技大学 一种基于集成学习的电压互感器绝缘故障辨识方法及***
CN114779029A (zh) * 2022-06-16 2022-07-22 武汉格蓝若智能技术有限公司 融合群体冗余关联和结构参数的cvt内绝缘在线评估方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096076A (zh) * 2016-05-26 2016-11-09 国网江苏省电力公司检修分公司 基于pscad的电容式电压互感器运行故障模拟方法
US20200309829A1 (en) * 2019-04-01 2020-10-01 Dake He On-line monitoring system for the performance of the measurement equipment in the entire power grid based on wide-area synchronous measurement
CN113447783A (zh) * 2021-08-30 2021-09-28 武汉格蓝若智能技术有限公司 一种电压互感器绝缘故障辨识模型构建方法及装置
CN114492675A (zh) * 2022-04-01 2022-05-13 武汉格蓝若智能技术有限公司 一种电容式电压互感器故障原因智能诊断方法
CN114548188A (zh) * 2022-04-21 2022-05-27 武汉格蓝若智能技术有限公司 一种变电站内电容式电压互感器运行模式识别方法
CN114757305A (zh) * 2022-06-13 2022-07-15 华中科技大学 一种基于集成学习的电压互感器绝缘故障辨识方法及***
CN114779029A (zh) * 2022-06-16 2022-07-22 武汉格蓝若智能技术有限公司 融合群体冗余关联和结构参数的cvt内绝缘在线评估方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
席佳伟 等: "330KV电容式电压互感器分压电容击穿故障原因分析及预控措施", 《变压器》 *
邹林等: "基于相对比较法的容性设备绝缘监测方法", 《电力与电工》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115267641A (zh) * 2022-09-22 2022-11-01 武汉格蓝若智能技术有限公司 同塔双回输电线路中电流互感器误差异常识别方法、***
CN115267641B (zh) * 2022-09-22 2023-01-17 武汉格蓝若智能技术有限公司 同塔双回输电线路中电流互感器误差异常识别方法、***
CN117169669A (zh) * 2023-11-02 2023-12-05 国网江西省电力有限公司供电服务管理中心 击穿电容监测方法、装置、电子设备及可读存储介质
CN117169669B (zh) * 2023-11-02 2024-03-12 国网江西省电力有限公司供电服务管理中心 击穿电容监测方法、装置、电子设备及可读存储介质

Also Published As

Publication number Publication date
CN114814501B (zh) 2022-09-16

Similar Documents

Publication Publication Date Title
CN114814501B (zh) 一种电容式电压互感器电容击穿故障在线诊断方法
CN109164343B (zh) 基于特征信息量化与加权knn的变压器故障诊断方法
Zhang et al. Feature selection for high-dimensional machinery fault diagnosis data using multiple models and radial basis function networks
CN113435652B (zh) 一种一次设备缺陷诊断与预测方法
CN109460618A (zh) 一种滚动轴承剩余寿命在线预测方法及***
CN107505133A (zh) 基于自适应mrvm的滚动轴承故障概率性智能诊断方法
CN111722145A (zh) 一种同步电机励磁绕组匝间短路轻度故障诊断方法
CN109670242B (zh) 基于椭圆包络线的变压器绕组变形无监督在线监测方法
Li et al. Condition assessment of power transformers using a synthetic analysis method based on association rule and variable weight coefficients
CN109298225B (zh) 一种电压量测数据异常状态自动识别模型***及方法
CN109375010A (zh) 基于振动分布特征模型的电力变压器绕组故障诊断方法
CN109657720B (zh) 一种电力变压器匝间短路故障的在线诊断方法
CN110197222A (zh) 一种基于多分类支持向量机变压器故障诊断的方法
CN109376626A (zh) 一种基于辐射电场特征参数支持向量机的gis开关缺陷诊断方法
CN114966295A (zh) 一种基于大数据的超级电容运行电力调频检测***
CN113987294A (zh) 一种基于遗传优化gru神经网络的cvt在线故障诊断方法
Pandarakone et al. Frequency spectrum investigation and analytical diagnosis method for turn-to-turn short-circuit insulation failure in stator winding of low voltage induction motor
Mao et al. Winding type recognition through supervised machine learning using frequency response analysis (FRA) data
CN115511387A (zh) 基于多源信息融合的油浸变压器状态评估方法及***
CN117131786B (zh) 一种电压互感器绝缘故障在线辨识方法
CN112801135B (zh) 一种基于特征量相关性的发电厂厂用电***故障选线方法及设备
CN116520068B (zh) 一种电力数据的诊断方法、装置、设备及存储介质
CN109784777B (zh) 基于时序信息片段云相似度度量的电网设备状态评估方法
Nandi et al. Diagnosis of induction motor faults using frequency occurrence image plots—a deep learning approach
CN115759761A (zh) 一种用于电能计量装置的运行数据智能管理***

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