CN114996633A - 一种ai智能局部放电检测方法 - Google Patents

一种ai智能局部放电检测方法 Download PDF

Info

Publication number
CN114996633A
CN114996633A CN202210729831.7A CN202210729831A CN114996633A CN 114996633 A CN114996633 A CN 114996633A CN 202210729831 A CN202210729831 A CN 202210729831A CN 114996633 A CN114996633 A CN 114996633A
Authority
CN
China
Prior art keywords
partial discharge
output
electric
electronic device
equation
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
CN202210729831.7A
Other languages
English (en)
Other versions
CN114996633B (zh
Inventor
江大白
胡增
钟生
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.)
China Applied Technology Co Ltd
Original Assignee
China Applied Technology 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 China Applied Technology Co Ltd filed Critical China Applied Technology Co Ltd
Priority to CN202210729831.7A priority Critical patent/CN114996633B/zh
Publication of CN114996633A publication Critical patent/CN114996633A/zh
Application granted granted Critical
Publication of CN114996633B publication Critical patent/CN114996633B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明公开了一种AI智能局部放电检测方法,该方法包括对脉冲数据建立局部放电时脉冲形态变化模型；建立被控数据约束方程、数据增益方程、数据量化方程；对电气电子器件局部放电输出的稳定性进行解算，得到数据输出方程；建立电气电子器件局部放电输出的稳定数据特征量方程，以及局部放电输出的波动数据特征量方程；进行局部数据进行融合；建立局部放电数据约束方程、局部放电检测的输出可靠性特征量方程、局部放电检测的数据融合方程；对电气电子器件局部放电进行特征提取；利用特征检测函数对电气电子器件局部放电进行检测；该方法是基于现有的电学理论，能有效解决局部放电检测抗干扰能力差、识别难度大的问题。

Description

一种AI智能局部放电检测方法
技术领域
本发明涉及电气电子器件局部放电与算法的领域,尤其涉及一种AI智能局部放电检测方法。
背景技术
局部放电是造成绝缘劣化的主要原因之一，在电力***中需要对一些关键的部位进行局部放电检测，比如变压器、GIS站台、电缆和开关柜等。在产生局部放电时，电荷迁移直接表现是产生高频脉冲电流，伴随超声波、电磁辐射、光学或化学反应等因素引起的干扰信号。
局部放电检测是电力设备状态检测的重要环节。由于电力设备的绝缘缺陷在高电压的作用下容易产生局部放电,而局部放电的发展又会引起绝缘的进一步劣化,并最终导致绝缘闪络,故对设备的局部放电情况进行监控,有助于缺陷的及时发现和绝缘闪络故障的提前预警。
按照测量条件分,局部放电检测方法可以分为停电检测、带电检测和在线监测，在这三种方法当中,停电检测由于需要设备陪停,检测成本较高，一般只有在出厂试验、设备大修或更换时才使用。在线监测理论上可以实现对设备的实时监控,但实际运行过程中受到的干扰较大,测量结果可信度不高，已较少采用。带电检测不需要设备停运，且具备临时创造较为合适的实验条件以提高检测结果的可信度,是一种较为折中的局部放电检测方法，在实际应用中最为常见。
公开号为CN111562468A专利公开了一种GIS局部放电信号测量***和GIS局部放电故障诊断方法，该发明能够实现同步地分别获取GIS的金属屏蔽箱内部和外部的脉冲电流局部放电信号和特高频局部放电信号。基于上述GIS局部放电信号测量***，该发明提供了一种GIS局部放电故障诊断方法，根据获取的局部放电信号和预设的局部放电故障判据，确定GIS局部放电故障。该发明由于采用悬浮屏蔽测量，可有效抑制外部干扰，测量的脉冲电流局部放电信号和特高频局部放电信号更加准确；由于采用脉冲电流局放信号和特高频局放信号的特征值作为GIS是否存在局部放电缺陷的依据，具有现场可操作性强、判断准确、反应灵敏、可量化判断、易于实施等优点，可以广泛应用于GIS局部放电故障的诊断。
但现有的局部放电检测方法都只是对一种特定的电气电子器件进行局部放电检测，对局部放电检测抗干扰能力差、识别难度大，没有形成一套操作性强的检测方法。
发明内容
为了克服现有技术存在的缺点与不足,本发明提供一种AI智能局部放电检测方法。
本发明所采用的技术方案是，该方法步骤包括：
步骤S1：对电气电子器件进行数据采集，对脉冲数据建立局部放电时脉冲形态变化模型；
由于不同的电气电子器件放电产生的机理，放电时信号的传播以及衰减方式，不同设备放电的位置都不相同，所以无法采用统一的模型对所有的电气电子器件放电时的脉冲信号进行描述，因此建立四种局部放电时脉冲形态变化模型，分别为：单指数衰减、单指数振荡衰减、双指数衰减和双指数振荡衰减模型。
步骤S2：读采集后的数据建立被控数据约束方程、数据增益方程、数据量化方程；
步骤S3：利用电气电子器件局部放电输出的最优解，对电气电子器件局部放电输出的稳定性进行解算，得到数据输出方程；
步骤S4：利用特征分析法，建立电气电子器件局部放电输出的稳定数据特征量方程，以及局部放电输出的波动数据特征量方程；
步骤S5：对电气电子器件局部数据进行融合，得到局部放电控制输出方程和电气电子器件最大功率参数方程；
步骤S6：建立局部放电数据约束方程、局部放电检测的输出可靠性特征量方程、局部放电检测的数据融合方程；
步骤S7：对电气电子器件局部放电进行特征提取，提取过程包括：
步骤S7.1，建立局部放电的振荡特性约束条件；
步骤S7.2，建立局部放电的输出可靠性融合参数解析控制模型；
步骤S7.3，建立局部放电检测的对象模型；
步骤S7.4，建立不同频率检测输出误差模型；
步骤S7.5，建立局部放电输出约束特征函数；
步骤S7.6，建立特征提取的迭代函数；
步骤S8：利用特征检测函数对电气电子器件局部放电进行检测，特征检测函数包括局部放电检测输出函数和局部放电的基波分量检测输出函数。
进一步地，所述局部放电时脉冲形态变化模型，表达式为：
A1(b)＝B1e-b/β
其中，A1(b)表示单指数衰减函数，B1表示单指数衰减的信号幅值，b表示时间，e表示自然常数，β表示衰减系数；
A2(b)＝B2e-b/βsin(Ac×2πb)
其中，A2(b)表示单指数振荡衰减函数，B2表示单指数振荡衰减的信号幅值，Ac表示振荡频率；
Figure BDA0003712728380000041
其中，A3(b)表示双指数衰减函数，B3表示双指数衰减的信号幅值，f和g表示衰减常数，依据放电场景而决定；
Figure BDA0003712728380000042
其中，A4(b)表示双指数振荡衰减函数，B4表示双指数振荡衰减的信号幅值。
进一步地，所述数据约束方程，表达式为：
Figure BDA0003712728380000043
其中，D表示约束结果，e表示常量参数，n表示局部放电信号谐波参数，m表示局部放电的总次数，η表示电气电子器件的电容量，b表示局部放电的信号频率；
所述数据增益方程，表达式为：
E＝ηε+σD
其中，E表示增益方程，ε表示电气电子器件的输入电压，σ表示电气电子器件的电阻；
所述数据量化方程，表达式为：
Figure BDA0003712728380000051
其中，F表示量化函数，h1，h2，h3表示不同时刻电气电子器件的放电输出均衡常量，s表示电气电子器件局部放电的位置数。
进一步地，所述局部放电输出的最优解函数，表达式为：
Figure BDA0003712728380000052
其中，G表示输出的最优解，h1，h2，h3表示不同时刻电气电子器件的放电输出均衡常量，b表示时间，η表示电气电子器件的电容量，F表示量化函数，H表示局部放电的约束参数；
所述数据输出方程，表达式为：
I＝G+ξ(b+1)ω
其中，I表示电压输出的特征结果，ξ表示输出电压，b表示时间，ω表示电气电子器件局部放电输出的特征；
ω＝J+ξ2
其中，J电气电子器件局部放电输出相位差。
进一步地，所述稳定数据特征量方程，表达式为：
Figure BDA0003712728380000053
其中，K表示稳定数据特征量，ω表示电气电子器件局部放电输出的特征，I表示电压输出的特征结果，e表示常量参数，v表示确定的扰动噪声，J电气电子器件局部放电输出相位差；
所述波动数据特征量方程，表达式为：
Figure BDA0003712728380000061
其中，L表示波动数据特征量，η表示电气电子器件的电容量，ε表示电气电子器件的输入电压。
进一步地，所述控制输出方程，表达式为：
Figure BDA0003712728380000062
其中，M表示控制输出，b表示时间，L表示参数特征量，ω表示电气电子器件局部放电输出的特征，ψ表示控制输出系数；
所述最大功率参数方程，表达式为：
Figure BDA0003712728380000063
其中，N表示最大功率参数，M表示控制输出，ξ表示输出电压，G表示输出的最优解，b表示时间。
进一步地，所述数据约束方程，表达式为：
Figure BDA0003712728380000064
其中，η表示电气电子器件的电容量，D表示约束结果，ψ表示控制输出系数，h1，h2，h3表示不同时刻电气电子器件的放电输出均衡常量，τ表示可靠性特征分量，N表示最大功率参数；
所述输出可靠性特征量方程，表达式为：
Figure BDA0003712728380000065
其中，P表示输出可靠性特征量；
所述数据融合方程，表达式为：
Figure BDA0003712728380000071
其中，Q(i)表示参数融合的结果，r(i)表示电气电子器件局部放电输出的目标参数函数，i表示电气电子器件局部放电的目标参数，u(i)表示调节参数，w(i)表示参数的约束条件。
进一步地，所述振荡特性约束条件，表达式为：
xQ(i)≥η(ψ-Q(i))
其中，x表示局部放电的振荡幅值，Q(i)表示参数融合的结果，η表示电气电子器件的电容量，ψ表示控制输出系数；
所述输出可靠性融合参数解析控制模型，表达式为：
Figure BDA0003712728380000072
其中，R表示参数解析控制结果，i表示电气电子器件局部放电的目标参数，π表示圆周率，y表示电气电子器件局部放电的目标总数；
所述检测的对象模型，表达式为：
Figure BDA0003712728380000073
其中，U表示检测结果，minz1、maxz2表示不同控制约束条件的最小值和最大值；
所述不同频率检测输出误差模型，表达式为：
Figure BDA0003712728380000074
其中，V表示检测输出误差结果，Ta表示电气电子器件局部放电输出的检测统计特征量，A表示电气电子器件局部放电的多模参数特征。
所述输出约束特征函数，表达式为：
Figure BDA0003712728380000081
其中，W表示输出约束特征结果，V表示检测输出误差结果，minz1、maxz2表示不同控制约束条件的最小值和最大值，A表示电气电子器件局部放电的多模参数特征；
所述特征提取的迭代函数，表达式为：
Figure BDA0003712728380000082
其中，X表示特征提取的迭代结果，i表示电气电子器件局部放电的目标参数，Y表示电气电子器件局部放电输出的电流特征量，Z3表示输出电流与电压之间的扰动特征量。
进一步地，所述局部放电检测输出函数，表达式为：
Figure BDA0003712728380000083
其中，Atc表示局部放电检测输出结果，j表示放电层，r表示放电总层数，oj表示放电层中的量化特征，π表示圆周率，x表示局部放电的振荡幅值，z2控制约束条件；
所述局部放电的基波分量检测输出函数，表达式为：
Figure BDA0003712728380000084
其中，Bfg基波分量检测结果，r(i)表示电气电子器件局部放电输出的目标参数函数。
有益效果：
本发明通过提出一种AI智能局部放电检测方法，该方法包括多种数学模型，利用计算机对采集的数据进行分析、建立模型、得出结果，该方法不局限于某一种特定的电气电子器件，是基于现有的电学理论，能有效解决局部放电检测抗干扰能力差、识别难度大的问题，形成了一套操作性强的针对局部放电检测方法。
附图说明
图1为本发明总体步骤流程图；
图2为本发明的局部放电时脉冲形态变化模型；
图3为本发明的局部放电数据特征提取流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互结合,下面结合附图和有具体实施例对本申请作进一步详细说明。
如图1所示,一种AI智能局部放电检测方法，该方法步骤包括：
步骤S1：对电气电子器件进行数据采集，对脉冲数据建立局部放电时脉冲形态变化模型；
如图2所示，由于不同的电气电子器件放电产生的机理，放电时信号的传播以及衰减方式，不同设备放电的位置都不相同，所以无法采用统一的模型对所有的电气电子器件放电时的脉冲信号进行描述，因此建立四种局部放电时脉冲形态变化模型，分别为：单指数衰减、单指数振荡衰减、双指数衰减和双指数振荡衰减模型。
步骤S2：读采集后的数据建立被控数据约束方程、数据增益方程、数据量化方程；
在步骤S1中建立的四种局部放电时脉冲形态变化模型后，不用的衰减模型需要统一的约束、增益、数据量化方程，该步骤是对电气电子器件局部放电的预处理步骤，被控数据约束方程是一种对放电次数求和方程，该方程可以描述单位时间内所有放电次数所产生的电荷量，数据增益方程是对单位时间内放电次数增加的描述，因为有些电气电子器件局部放电并不呈现规律性，因此利用数据增益方程可以对电气电子器件局部放电的规律进行把控，数据量化方程通过结合数据增益方程对电气电子器件已经局部放电的数量进行量化，约束、增益、数据量化方程层层递进，相辅相成。
步骤S3：利用电气电子器件局部放电输出的最优解，对电气电子器件局部放电输出的稳定性进行解算，得到数据输出方程；
电气电子器件局部放电输出的最优解是基于数据量化方程得到的参数方程，与电气电子器件的放电输出均衡常量有关，输出的最优解是关于电荷量的最优解，数据输出方程输出的是电压的特征结果，由于电荷量发生变化，导致电气电子器件的输出电压随之变化。
步骤S4：利用特征分析法，建立电气电子器件局部放电输出的稳定数据特征量方程，以及局部放电输出的波动数据特征量方程；
电气电子器件内部所包含的元器件不同，由于输入电压的变化会出现不同的放电特征，因此建立电气电子器件局部放电输出的稳定数据特征量方程和波动数据特征量方程将有利于对不同元器件进行局部放电描述，稳定数据特征量方程是按照规定对一段时间内的电气电子器件局部放电输出进行采集，波动数据特征量方程是在稳定数据特征量方程的基础上对波动因素进行分析得到的方程。
步骤S5：对电气电子器件局部数据进行融合，得到局部放电控制输出方程和电气电子器件最大功率参数方程；
局部放电控制输出方程是对电气电子器件整体放电的描述，与步骤S4中对元器件进行局部放电描述不同，该方程是一个整体量，电气电子器件最大功率参数方程是对电气电子器件所消耗功率的描述，不同的电气电子器件所消耗的功率不同，电气电子器件最大功率参数方程的建立是为了可以掌握电气电子器件局部放电的极限。
步骤S6：建立局部放电数据约束方程、局部放电检测的输出可靠性特征量方程、局部放电检测的数据融合方程；
局部放电数据约束方程，该方程的左边是一个为0的等式约束方程，该方程用于约束局部放电时的控制输出参数，输出可靠性特征量方程是一个正弦函数方程，该方程是对输出可靠性特征量的评估，数据融合方程是对电气电子器件局部放电输出的目标参数函数与调节参数进行融合。
如图3所示，步骤S7：对电气电子器件局部放电进行特征提取，该提取过程一共包括6步，提取过程包括：
步骤S1-步骤S6是对局部放电特征提取的准备工作。
步骤S7.1，建立局部放电的振荡特性约束条件；
步骤S7.2，建立局部放电的输出可靠性融合参数解析控制模型；
步骤S7.3，建立局部放电检测的对象模型；
步骤S7.4，建立不同频率检测输出误差模型；
步骤S7.5，建立局部放电输出约束特征函数；
步骤S7.6，建立特征提取的迭代函数；
步骤S8：利用特征检测函数对电气电子器件局部放电进行检测，所述特征检测函数包括局部放电检测输出函数和局部放电的基波分量检测输出函数。
局部放电检测输出函数是对所有特征量进行检测的合集，局部放电的基波分量检测输出函数是对基波分量进行检测。
进一步地，所述局部放电时脉冲形态变化模型，表达式为：
A1(b)＝B1e-b/β
其中，A1(b)表示单指数衰减函数，B1表示单指数衰减的信号幅值，b表示时间，e表示自然常数，β表示衰减系数；
A2(b)＝B2e-b/βsin(Ac×2πb)
其中，A2(b)表示单指数振荡衰减函数，B2表示单指数振荡衰减的信号幅值，Ac表示振荡频率，b表示时间，e表示自然常数，β表示衰减系数；
Figure BDA0003712728380000121
其中，A3(b)表示双指数衰减函数，B3表示双指数衰减的信号幅值，f和g表示衰减常数，b表示时间，e表示自然常数，β表示衰减系数，依据放电场景而决定；
Figure BDA0003712728380000131
其中，A4(b)表示双指数振荡衰减函数，B4表示双指数振荡衰减的信号幅值，b表示时间，e表示自然常数，β表示衰减系数，Ac表示振荡频率。
进一步地，所述被控数据约束方程，表达式为：
Figure BDA0003712728380000132
其中，D表示约束结果，e表示常量参数，n表示局部放电信号谐波参数，m表示局部放电的总次数，η表示电气电子器件的电容量，b表示局部放电的信号频率；
所述数据增益方程，表达式为：
E＝ηε+σD
其中，E表示增益方程，ε表示电气电子器件的输入电压，σ表示电气电子器件的电阻，D表示约束结果；
所述数据量化方程，表达式为：
Figure BDA0003712728380000133
其中，F表示量化函数，h1，h2，h3表示不同时刻电气电子器件的放电输出均衡常量，s表示电气电子器件局部放电的位置数，e表示常量参数，n表示局部放电信号谐波参数，m表示局部放电的总次数，E表示增益方程。
进一步地，所述局部放电输出的最优解函数，表达式为：
Figure BDA0003712728380000141
其中，G表示输出的最优解，h1，h2，h3表示不同时刻电气电子器件的放电输出均衡常量，b表示时间，η表示电气电子器件的电容量，F表示量化函数，H表示局部放电的约束参数；
所述数据输出方程，表达式为：
I＝G+ξ(b+1)ω
其中，I表示电压输出的特征结果，G表示输出的最优解，ξ表示输出电压，b表示时间，ω表示电气电子器件局部放电输出的特征；
ω＝J+ξ2
其中，J电气电子器件局部放电输出相位差，ξ表示输出电压。
进一步地，所述稳定数据特征量方程，表达式为：
Figure BDA0003712728380000142
其中，K表示稳定数据特征量，ω表示电气电子器件局部放电输出的特征，I表示电压输出的特征结果，e表示常量参数，v表示确定的扰动噪声，J电气电子器件局部放电输出相位差；
所述波动数据特征量方程，表达式为：
Figure BDA0003712728380000143
其中，L表示波动数据特征量，K表示稳定数据特征量，η表示电气电子器件的电容量，ε表示电气电子器件的输入电压，H表示局部放电的约束参数，K表示稳定数据特征量。
进一步地，所述控制输出方程，表达式为：
Figure BDA0003712728380000151
其中，M表示控制输出，b表示时间，L表示参数特征量，ω表示电气电子器件局部放电输出的特征，ψ表示控制输出系数；
所述最大功率参数方程，表达式为：
Figure BDA0003712728380000152
其中，N表示最大功率参数，M表示控制输出，ξ表示输出电压，G表示输出的最优解，b表示时间。
进一步地，所述数据约束方程，表达式为：
Figure BDA0003712728380000153
其中，η表示电气电子器件的电容量，D表示约束结果，ψ表示控制输出系数，h1，h2，h3表示不同时刻电气电子器件的放电输出均衡常量，τ表示可靠性特征分量，N表示最大功率参数；
所述输出可靠性特征量方程，表达式为：
Figure BDA0003712728380000154
其中，P表示输出可靠性特征量，N表示最大功率参数，τ表示可靠性特征分量，η表示电气电子器件的电容量，b表示时间；
所述数据融合方程，表达式为：
Figure BDA0003712728380000155
其中，Q(i)表示参数融合的结果，r(i)表示电气电子器件局部放电输出的目标参数函数，i表示电气电子器件局部放电的目标参数，u(i)表示调节参数，w(i)表示参数的约束条件。
进一步地，所述振荡特性约束条件，表达式为：
xQ(i)≥η(ψ-Q(i))
其中，x表示局部放电的振荡幅值，Q(i)表示参数融合的结果，η表示电气电子器件的电容量，ψ表示控制输出系数；
所述输出可靠性融合参数解析控制模型，表达式为：
Figure BDA0003712728380000161
其中，R表示参数解析控制结果，i表示电气电子器件局部放电的目标参数，π表示圆周率，y表示电气电子器件局部放电的目标总数，Q(i)表示参数融合的结果，ψ表示控制输出系数，x表示局部放电的振荡幅值；
所述检测的对象模型，表达式为：
Figure BDA0003712728380000162
其中，U表示检测结果，minz1、maxz2表示不同控制约束条件的最小值和最大值，R表示参数解析控制结果，η表示电气电子器件的电容量；
所述不同频率检测输出误差模型，表达式为：
Figure BDA0003712728380000163
其中，V表示检测输出误差结果，U表示检测结果，Ta表示电气电子器件局部放电输出的检测统计特征量，A表示电气电子器件局部放电的多模参数特征。
所述输出约束特征函数，表达式为：
Figure BDA0003712728380000171
其中，W表示输出约束特征结果，V表示检测输出误差结果，minz1、maxz2表示不同控制约束条件的最小值和最大值，A表示电气电子器件局部放电的多模参数特征；
所述特征提取的迭代函数，表达式为：
Figure BDA0003712728380000172
其中，X表示特征提取的迭代结果，i表示电气电子器件局部放电的目标参数，Y表示电气电子器件局部放电输出的电流特征量，Z3表示输出电流与电压之间的扰动特征量，W表示输出约束特征结果。
进一步地，所述局部放电检测输出函数，表达式为：
Figure BDA0003712728380000173
其中，Atc表示局部放电检测输出结果，j表示放电层，r表示放电总层数，oj表示放电层中的量化特征，π表示圆周率，x表示局部放电的振荡幅值，z2控制约束条件；
所述局部放电的基波分量检测输出函数，表达式为：
Figure BDA0003712728380000174
其中，Bfg基波分量检测结果，r(i)表示电气电子器件局部放电输出的目标参数函数，W表示输出约束特征结果，Atc表示局部放电检测输出结果，X表示特征提取的迭代结果。
本发明通过提出一种AI智能局部放电检测方法，该方法包括多种数学模型，利用计算机对采集的数据进行分析、建立模型、得出结果，该方法不局限于某一种特定的电气电子器件，是基于现有的电学理论，能有效解决局部放电检测抗干扰能力差、识别难度大的问题，形成了一套操作性强的针对局部放电检测方法。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解的是,在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种等效的变化、修改、替换和变型,本发明的范围由所附权利要求及其等同范围限定。

Claims (9)

1.一种AI智能局部放电检测方法，其特征在于,该方法步骤包括：
步骤S1：对电气电子器件进行数据采集，对脉冲数据建立局部放电时脉冲形态变化模型；
步骤S2：读采集后的数据建立被控数据约束方程、数据增益方程、数据量化方程；
步骤S3：利用电气电子器件局部放电输出的最优解，对电气电子器件局部放电输出的稳定性进行解算，得到数据输出方程；
步骤S4：利用特征分析法，建立电气电子器件局部放电输出的稳定数据特征量方程，以及局部放电输出的波动数据特征量方程；
步骤S5：对电气电子器件局部数据进行融合，得到局部放电控制输出方程和电气电子器件最大功率参数方程；
步骤S6：建立局部放电数据约束方程、局部放电检测的输出可靠性特征量方程、局部放电检测的数据融合方程；
步骤S7：对电气电子器件局部放电进行特征提取，提取过程包括：
步骤S7.1，建立局部放电的振荡特性约束条件；
步骤S7.2，建立局部放电的输出可靠性融合参数解析控制模型；
步骤S7.3，建立局部放电检测的对象模型；
步骤S7.4，建立不同频率检测输出误差模型；
步骤S7.5，建立局部放电输出约束特征函数；
步骤S7.6，建立特征提取的迭代函数；
步骤S8：利用特征检测函数对电气电子器件局部放电进行检测，特征检测函数包括局部放电检测输出函数和局部放电的基波分量检测输出函数。
2.如权利要求1所述的一种AI智能局部放电检测方法，其特征在于，所述局部放电时脉冲形态变化模型，表达式为：
A1(b)＝B1e-b/β
其中，A1(b)表示单指数衰减函数，B1表示单指数衰减的信号幅值，b表示时间，e表示自然常数，β表示衰减系数；
A2(b)＝B2e-b/βsin(Ac×2πb)
其中，A2(b)表示单指数振荡衰减函数，B2表示单指数振荡衰减的信号幅值，Ac表示振荡频率；
Figure FDA0003712728370000021
其中，A3(b)表示双指数衰减函数，B3表示双指数衰减的信号幅值，f和g表示衰减常数，依据放电场景而决定；
Figure FDA0003712728370000022
其中，A4(b)表示双指数振荡衰减函数，B4表示双指数振荡衰减的信号幅值。
3.如权利要求1所述的一种AI智能局部放电检测方法，其特征在于，所述数据约束方程，表达式为：
Figure FDA0003712728370000023
其中，D表示约束结果，e表示常量参数，n表示局部放电信号谐波参数，m表示局部放电的总次数，η表示电气电子器件的电容量，b表示局部放电的信号频率；
所述数据增益方程，表达式为：
E＝ηε+σd
其中，E表示增益方程，ε表示电气电子器件的输入电压，σ表示电气电子器件的电阻；
所述数据量化方程，表达式为：
Figure FDA0003712728370000031
其中，F表示量化函数，h1，h2，h3表示不同时刻电气电子器件的放电输出均衡常量，s表示电气电子器件局部放电的位置数。
4.如权利要求1所述的一种AI智能局部放电检测方法，其特征在于，所述局部放电输出的最优解函数，表达式为：
Figure FDA0003712728370000032
其中，G表示输出的最优解，h1，h2，h3表示不同时刻电气电子器件的放电输出均衡常量，b表示时间，η表示电气电子器件的电容量，F表示量化函数，H表示局部放电的约束参数；
所述数据输出方程，表达式为：
I＝G+ξ(b+1)ω
其中，I表示电压输出的特征结果，ξ表示输出电压，b表示时间，ω表示电气电子器件局部放电输出的特征；
ω＝J+ξ2
其中，J电气电子器件局部放电输出相位差。
5.如权利要求1所述的一种AI智能局部放电检测方法，其特征在于，所述稳定数据特征量方程，表达式为：
Figure FDA0003712728370000041
其中，K表示稳定数据特征量，ω表示电气电子器件局部放电输出的特征，I表示电压输出的特征结果，e表示常量参数，v表示确定的扰动噪声，J电气电子器件局部放电输出相位差；
所述波动数据特征量方程，表达式为：
Figure FDA0003712728370000042
其中，L表示波动数据特征量，η表示电气电子器件的电容量，ε表示电气电子器件的输入电压。
6.如权利要求1所述的一种AI智能局部放电检测方法，其特征在于，所述控制输出方程，表达式为：
Figure FDA0003712728370000043
其中，M表示控制输出，b表示时间，L表示参数特征量，ω表示电气电子器件局部放电输出的特征，ψ表示控制输出系数；
所述最大功率参数方程，表达式为：
Figure FDA0003712728370000044
其中，N表示最大功率参数，M表示控制输出，ξ表示输出电压，G表示输出的最优解，b表示时间。
7.如权利要求1所述的一种AI智能局部放电检测方法，其特征在于，所述数据约束方程，表达式为：
Figure FDA0003712728370000051
其中，η表示电气电子器件的电容量，D表示约束结果，ψ表示控制输出系数，h1，h2，h3表示不同时刻电气电子器件的放电输出均衡常量，τ表示可靠性特征分量，N表示最大功率参数；
所述输出可靠性特征量方程，表达式为：
Figure FDA0003712728370000052
其中，P表示输出可靠性特征量；
所述数据融合方程，表达式为：
Figure FDA0003712728370000053
其中，Q(i)表示参数融合的结果，r(i)表示电气电子器件局部放电输出的目标参数函数，i表示电气电子器件局部放电的目标参数，u(i)表示调节参数，w(i)表示参数的约束条件。
8.如权利要求1所述的一种AI智能局部放电检测方法，其特征在于，所述振荡特性约束条件，表达式为：
xQ(i)≥η(ψ-Q(i))
其中，x表示局部放电的振荡幅值，Q(i)表示参数融合的结果，η表示电气电子器件的电容量，ψ表示控制输出系数；
所述输出可靠性融合参数解析控制模型，表达式为：
Figure FDA0003712728370000054
其中，R表示参数解析控制结果，i表示电气电子器件局部放电的目标参数，π表示圆周率，y表示电气电子器件局部放电的目标总数；
所述检测的对象模型，表达式为：
Figure FDA0003712728370000061
其中，U表示检测结果，minz1、maxz2表示不同控制约束条件的最小值和最大值；
所述不同频率检测输出误差模型，表达式为：
Figure FDA0003712728370000062
其中，V表示检测输出误差结果，Ta表示电气电子器件局部放电输出的检测统计特征量，A表示电气电子器件局部放电的多模参数特征；
所述输出约束特征函数，表达式为：
Figure FDA0003712728370000063
其中，W表示输出约束特征结果，V表示检测输出误差结果，minz1、maxz2表示不同控制约束条件的最小值和最大值，A表示电气电子器件局部放电的多模参数特征；
所述特征提取的迭代函数，表达式为：
Figure FDA0003712728370000064
其中，X表示特征提取的迭代结果，i表示电气电子器件局部放电的目标参数，Y表示电气电子器件局部放电输出的电流特征量，Z3表示输出电流与电压之间的扰动特征量。
9.如权利要求1所述的一种AI智能局部放电检测方法，其特征在于，所述局部放电检测输出函数，表达式为：
Figure FDA0003712728370000071
其中，Atc表示局部放电检测输出结果，j表示放电层，r表示放电总层数，oj表示放电层中的量化特征，π表示圆周率，x表示局部放电的振荡幅值，z2控制约束条件；
所述局部放电的基波分量检测输出函数，表达式为：
Figure FDA0003712728370000072
其中，Bfg基波分量检测结果，r(i)表示电气电子器件局部放电输出的目标参数函数。
CN202210729831.7A 2022-06-24 2022-06-24 一种ai智能局部放电检测方法 Active CN114996633B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210729831.7A CN114996633B (zh) 2022-06-24 2022-06-24 一种ai智能局部放电检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210729831.7A CN114996633B (zh) 2022-06-24 2022-06-24 一种ai智能局部放电检测方法

Publications (2)

Publication Number Publication Date
CN114996633A true CN114996633A (zh) 2022-09-02
CN114996633B CN114996633B (zh) 2024-05-14

Family

ID=83036172

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210729831.7A Active CN114996633B (zh) 2022-06-24 2022-06-24 一种ai智能局部放电检测方法

Country Status (1)

Country Link
CN (1) CN114996633B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116359683A (zh) * 2023-02-28 2023-06-30 四川大唐国际甘孜水电开发有限公司 一种基于信息交互的局部放电模式识别方法及***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080246507A1 (en) * 2003-07-25 2008-10-09 Power Measurement Ltd. Body Capacitance Electric Field Powered Device For High Voltage Lines
KR101553005B1 (ko) * 2015-04-20 2015-10-01 지투파워 (주) 전력설비의 부분방전 감시진단 시스템
CN109991520A (zh) * 2019-03-19 2019-07-09 中国电力科学研究院有限公司 一种电缆振荡波局放检测***用波速计算新方法
CN114299308A (zh) * 2021-12-20 2022-04-08 中用科技有限公司 一种损毁道路护栏智能检测***与方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080246507A1 (en) * 2003-07-25 2008-10-09 Power Measurement Ltd. Body Capacitance Electric Field Powered Device For High Voltage Lines
KR101553005B1 (ko) * 2015-04-20 2015-10-01 지투파워 (주) 전력설비의 부분방전 감시진단 시스템
CN109991520A (zh) * 2019-03-19 2019-07-09 中国电力科学研究院有限公司 一种电缆振荡波局放检测***用波速计算新方法
CN114299308A (zh) * 2021-12-20 2022-04-08 中用科技有限公司 一种损毁道路护栏智能检测***与方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张泓;董涛;张博;余光凯;胡泰山;: "电力电缆局放信号传播特性分析及仿真研究", 电线电缆, no. 04, 25 August 2016 (2016-08-25) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116359683A (zh) * 2023-02-28 2023-06-30 四川大唐国际甘孜水电开发有限公司 一种基于信息交互的局部放电模式识别方法及***
CN116359683B (zh) * 2023-02-28 2023-12-26 四川大唐国际甘孜水电开发有限公司 一种基于信息交互的局部放电模式识别方法及***

Also Published As

Publication number Publication date
CN114996633B (zh) 2024-05-14

Similar Documents

Publication Publication Date Title
Zhang et al. A Wiener process model with dynamic covariate for degradation modeling and remaining useful life prediction
CN107807860B (zh) 一种基于矩阵分解的电力故障分析方法及***
CN109284933B (zh) 一种基于数理统计的电子式互感器状态评估***及方法
Seri et al. Modelling of supply voltage frequency effect on partial discharge repetition rate and charge amplitude from AC to DC at room temperature
CN107103184A (zh) 一种高压电缆接头温度预测方法
CN112180204A (zh) 一种基于电气量信息的电网线路故障诊断方法
CN114996633A (zh) 一种ai智能局部放电检测方法
CN114091231A (zh) 一种基于数字孪生体与误差自适应优化的开关柜建模方法
Zhang et al. Research on estimating method for the smart electric energy meter’s error based on parameter degradation model
CN109613372B (zh) 一种基于多元电网数据库的电网故障诊断方法
CN113919198A (zh) 一种基于生成对抗网络的电气火灾监测预警方法
Yang et al. Intelligent fault diagnosis method of capacitor voltage transformer based on recurrent neural network
Xiao et al. Remaining useful life prediction of lithium-ion battery based on unscented Kalman filter and back propagation neural network
CN112464848B (zh) 一种基于密度空间聚类的信息流异常数据监测方法及装置
Gopinath et al. Insulation condition assessment of high‐voltage rotating machines using hybrid techniques
Poluyanovich et al. Evaluation of the Cable Line Resource From the Aaging Degree of Its Insulating Material
CN114091322A (zh) 一种基于数字模型的高压开关柜状态预测方法
Huang et al. The system of temperature rise monitoring and temperature prediction for power equipment
CN114487643A (zh) 一种特高压gil设备现场交接验收综合测试平台
Estrada et al. Magnetic Flux Entropy as a Tool to Predict Transformer's Failures
Wang et al. Insulation condition forewarning of form‐wound winding for electric aircraft propulsion based on partial discharge and deep learning neural network
Wang et al. Neural network modeling of distribution transformers with internal short circuit winding faults
Xu et al. Operating state evaluation of smart electricity meter based on data fusion method
Ponmani et al. Fuzzy based Pollution Severity Prediction in Polymer Insulator using Harmonic Analyzer
Souhe et al. Research Article A Novel Smart Method for State Estimation in a Smart Grid Using Smart Meter Data

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