CN115015691A - 基于多测点振动特征的gil故障定位方法及*** - Google Patents

基于多测点振动特征的gil故障定位方法及*** Download PDF

Info

Publication number
CN115015691A
CN115015691A CN202210610113.8A CN202210610113A CN115015691A CN 115015691 A CN115015691 A CN 115015691A CN 202210610113 A CN202210610113 A CN 202210610113A CN 115015691 A CN115015691 A CN 115015691A
Authority
CN
China
Prior art keywords
gil
shell
gil equipment
vibration characteristics
point
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.)
Pending
Application number
CN202210610113.8A
Other languages
English (en)
Inventor
朱超
沈明慷
王立宪
马宏忠
夏峰
陈轩
陈昊
王抗
徐刚
段大卫
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.)
Super High Voltage Branch Of State Grid Jiangsu Electric Power Co ltd
Hohai University HHU
Original Assignee
Super High Voltage Branch Of State Grid Jiangsu Electric Power Co ltd
Hohai University HHU
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 Super High Voltage Branch Of State Grid Jiangsu Electric Power Co ltd, Hohai University HHU filed Critical Super High Voltage Branch Of State Grid Jiangsu Electric Power Co ltd
Priority to CN202210610113.8A priority Critical patent/CN115015691A/zh
Publication of CN115015691A publication Critical patent/CN115015691A/zh
Pending legal-status Critical Current

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
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
    • 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
    • G01R31/12—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
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

基于多测点振动特征的GIL故障定位方法及***，方法包括，采集正常状态下GIL设备外壳某时刻多测点振动特征组成的训练样本，搭建回归函数模型；利用回归函数模型，计算振动特征回归模型预测值与振动特征实际测量值间的差值，得到GIL设备外壳多测点振动特征残差；实时采集GIL设备外壳多测点振动特征，计算GIL设备外壳故障预警指标和GIL设备外壳故障检测阈值；根据故障状态下测得的GIL设备外壳多测点振动特征残差数据，得到相应测点对应的箱形图，观察GIL设备外壳多振动测点残差的分布情况实现GIL设备故障的定位。

Description

基于多测点振动特征的GIL故障定位方法及***
技术领域
本发明属于特高压电气设备在线监测技术领域，具体涉及基于多测点振动特征的GIL故障定位方法及***。
背景技术
气体绝缘金属封闭输电线路(Gas Insulated Transmission Lines，GIL)设备具有不受自然环境影响、可靠性高、传输能量大、损耗低、抗电磁干扰能力强等优点，已在国际众多特高压输电工程中应用。但随着设备装机容量的增长以及运行条件的恶化，金属颗粒引起的GIL设备故障事件时有发生。一方面，密封运行的GIL设备内部发生故障，不易被发现；另一方面受限于现场条件，GIL设备发生故障后检修较为困难，严重影响客户的用电需求。因此，研究有效的GIL设备故障检测与故障定位方法对电力***具有积极的意义。目前，常利用超声波、超高频、脉冲电流及气体分解物来检测GIL设备的故障。但是，上述研究仅可实现在故障发生后的检测，不能够在故障产生初期感知故障，也无法准确实现故障的定位。同时，由于金属颗粒会在GIL设备内部放电时常伴有运动现象，所以故障发生位置具有随机性、复杂性，现有的GIL故障检测及故障定位技术实施难度大，且不具备联合多测点、多特征信息的故障监测与定位能力，定位成本高，所以亟需提出一种能够在事前对GIL设备故障进行诊断与定位的方法。
由于GIL设备内部结构复杂，同一设备不同振动采集点处采集的信号会因内部具体结构而异。但是，对某一具体GIL设备，例如隔离开关，不同采集点处的振动信号也必定存在一定的相关关系。为了解决单个传感器无法准确实现GIL设备故障检测与定位的问题，利用特征估计的方法来综合考虑设备外壳上多测点振动特征，即选用多输出支持向量回归方法来建立估计器以适应GIL设备多输入多输出的特性。
发明内容
为解决现有技术中存在的不足，本发明的目的在于，提供一种基于多测点振动特征的GIL故障定位方法和***。利用特征估计的方法来综合考虑设备外壳上多测点振动特征，即选用多输出支持向量回归方法来建立估计器以适应GIL设备多输入多输出的特性。
本发明采用如下的技术方案。基于多测点振动特征的GIL故障定位方法，包括以下步骤，
步骤1，采集正常状态下GIL设备外壳任一时刻多测点振动特征组成的训练样本，利用多模型在线支持向量回归算法，搭建多测点振动特征多输出量回归模型；
步骤2，计算多测点振动特征多输出量回归模型预测值与振动特征实际测量值间的差值，得到GIL设备外壳多测点振动特征残差；
步骤3，实时采集GIL设备外壳多测点振动特征，综合GIL设备外壳多测点振动特征残差计算GIL设备外壳故障预警指标和GIL设备外壳故障检测阈值，当GIL设备外壳故障预警指标大于GIL设备外壳故障检测阈值，则判定GIL设备出现故障，执行步骤4，当GIL设备外壳故障预警指标小于等于GIL设备外壳故障检测阈值，则判定GIL设备工作正常；
步骤4，若GIL设备出现故障，根据故障状态下测得的GIL设备外壳多测点振动特征残差数据，得到相应测点对应的箱形图，根据不同测点振动特征残差的分布情况得出特征残差异常值实现GIL设备故障的定位。
步骤1具体包括：
步骤1.1，利用采集的GIL设备外壳某时刻多测点振动特征组成的训练样本，构建的多输出回归函数表示如下，
f(x)＝ωTΦ(x)
式中，
x表示多测点振动特征，
f(x)表示多输出回归函数，
ω表示权重向量，
T表示转置计算，
Φ(x)表示核函数；
步骤1.2，利用多输出支持向量回归算法将损失函数定义为一个超球体，损失函数表示如下，
Figure BDA0003672922190000031
式中，
u表示估计误差模值，
ε表示不敏感参数；
步骤1.3，基于最小化结构风险原则，将回归问题转化为如下的最小化约束问题，
Figure BDA0003672922190000032
式中,
min表示取最小值，
j表示第j个维度，
Q表示输出向量y的最大维度，
ωj表示第j个权重向量，
i表示第i个时刻，
l表示样本长度，
C表示惩罚因子，
ui表示第i时刻样本的估计误差模值，
ei表示第i时刻样本的估计误差，
Figure BDA0003672922190000033
表示第i时刻振动特征的估计误差转置，
Figure BDA0003672922190000034
表示第i时刻振动特征的输出向量转置，
xi表示第i时刻多测点振动特征，
ΦT(xi)表示第i时刻振动特征的核函数转置。
步骤1.4，利用拉格朗日函数法将最小化约束问题化为无约束规划，拉格朗日函数表示如下，
Figure BDA0003672922190000041
式中，
L(ω)表示无约束函数，
α表示拉格朗日乘子，
αi表示第i时刻振动特征的拉格朗日乘子，
步骤1.5，对上述无约束函数计算偏导数，求函数的极值点，即规划后的振动特征输出的极值点：
Figure BDA0003672922190000042
式中，
N表示第N个振动特征样本，
αi表示第i时刻振动特征的拉格朗日乘子，
步骤1.6，利用迭代方法即可求得多输出的支持向量回归函数，回归方程替换为，
xi+1＝f(xi)＝ωTΦ(xi)
式中，
i表示某个时刻，
xi为i时刻多测点振动特征，
xi+1为i+1时刻多测点振动特征。
优选地，步骤2中，GIL设备外壳多测点振动特征残差计算公式如下：
ci|k＝f(xi)|k-mi|k
式中，
f(xi)|k表示i时刻模型输出的第k个测点振动特征，
mi|k表示i时刻实际测量的第k个测点振动特征，
ci|k表示i时刻测点k处振动特征的残差。
步骤3具体包括，
步骤3.1，综合多测点振动特征残差的相对值来计算GIL设备外壳故障预警指标，公式如下，
Figure BDA0003672922190000051
式中，
Bi表示i时刻设备的故障预警指标，
k表示第k个测点，
d表示测点的数量。
步骤3.2，利用指数移动加权平均值算法来设定随时间变化的GIL设备故障检测阈值，考虑历史数据的影响，指数移动加权平均值算法计算当前时刻故障预警指标的平均值统计量公式表示如下，
Ri＝λBi+(1-λ)Ri-1
式中，
λ表示历史故障预警指标对统计量的影响权值，
Ri-1表示i前一个时段的故障预警指标的平均值，
Ri表示到时段i为止故障预警指标的平均值。
步骤3.3，当前时刻故障预警指标的平均值统计量的期望以及方差计算式如下，
Figure BDA0003672922190000052
式中:
Figure BDA0003672922190000053
为GIL设备历史Bi的平均值，
Figure BDA0003672922190000054
为Bi的标准差，
ns为采样长度。
步骤3.4，随时间变化的GIL设备故障检测阈值计算式表示如下，
Figure BDA0003672922190000061
式中，
UL(i)表示i时刻GIL设备故障检测阈值，
m表示阈值参数，m取值为3。
优选地，步骤4中，箱型图的绘制方法如下，假设某测点处振动特征残差样本为c＝(c1,c2,…,ct,…,cn)。从小到大排序后残差样本变为G＝(G1,G2,…,Gt,…,Gn)，
1)，上、下四分位数取值方法为，当
Figure BDA0003672922190000062
为正整数时样本下四分位数Q1，上四分位数Q3表示如下，
Figure BDA0003672922190000063
当
Figure BDA0003672922190000064
不为正整数时，样本下四分位数Q1，上四分位数Q3表示如下
Figure BDA0003672922190000065
式中，
Figure BDA0003672922190000066
表示向下取整，
T1表示(n+1)/4和
Figure BDA0003672922190000067
的差值，
T3表示3(n+1)/4和
Figure BDA0003672922190000068
的差值，
Figure BDA0003672922190000069
和
Figure BDA00036729221900000610
表示排序后的残差数列G自左向右的第
Figure BDA00036729221900000611
和第
Figure BDA00036729221900000612
个元素，其他
Figure BDA00036729221900000613
与其含义类似；
2)，中位数Q2表示如下，
Figure BDA00036729221900000614
3)，上限Qmax表示随机数据非异常范围内的最大值，下限Qmin表示随机数据非异常范围内的最小值，表示如下，
Figure BDA0003672922190000071
基于多测点振动特征的GIL故障定位***，包括：模型搭建模块，残差计算模块，故障检测模块和故障定位模块，其中，
模型搭建模块用于采集正常状态下GIL设备外壳某时刻多测点振动特征组成的训练样本，搭建回归函数模型，从而构建GIL设备外壳多测点振动特征估计器；
残差计算模块用于利用回归函数模型，计算振动特征回归模型预测值与振动特征实际测量值间的差值，得到GIL设备外壳多测点振动特征残差；
故障检测模块用于实时采集GIL设备外壳多测点振动特征，综合GIL设备外壳多测点振动特征残差的相对值来计算GIL设备外壳故障预警指标和GIL设备外壳故障检测阈值，当GIL设备外壳故障预警指标大于GIL设备外壳故障检测阈值，则判定GIL设备出现故障，执行步骤4，当GIL设备外壳故障预警指标小于等于GIL设备外壳故障检测阈值，则判定GIL设备工作正常；
故障定位模块用于根据故障状态下测得的GIL设备外壳多测点振动特征残差数据，得到相应测点对应的箱形图，观察GIL设备外壳多振动测点残差的分布情况实现GIL设备故障的定位。
本发明的有益效果在于，与现有技术相比，
1)本发明经实验证实能够准确地检测出GIL内部金属颗粒缺陷，而且提供了基于MOSVR(Multi-model online support vector regression，多模型在线支持向量回归)模型与自适应阈值的GIL金属颗粒故障检测和基于箱形图分析的GIL金属颗粒故障定位方法，使得本发明可以综合比较分析，可靠性更高。
2)实现了GIL设备金属外壳多测点振动特征残差数据的可视化，可清晰明了的观察不同测点的异同，实现故障的定位。
3)箱形图可以根据统计特性有效检测振动特征残差样本中的误差数据，有效避免了误差数据对故障定位结果的影响。
4)利用多输出支持向量回归算法实现GIL设备金属外壳多测点振动特征的建模。
5)基于指数移动加权平均值算法设定随时间变化的GIL设备故障检测阈值可有效检测GIL内部金属颗粒异常放电引发的绝缘故障。
6)利用箱形图分析GIL设备金属外壳多测点振动特征残差可提高设备故障的定位准确性。
附图说明
图1是本发明中基于多测点振动特征的GIL故障定位方法流程图；
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
实施例1。
如图1所示，基于多测点振动特征的GIL故障诊断与定位方法，包括步骤1至4。
步骤1，采集GIL设备外壳任一时刻多测点振动特征组成的训练样本，利用多模型在线支持向量回归算法，搭建多测点振动特征多输出量回归模型，将任一时刻多测点振动特征作为输入得到下一时刻多测点振动特征的预测估计。
步骤1.1，采集正常状态下GIL设备任一时刻多测点振动特征组成的训练样本为(xi,yi)，xi表示第i时刻多测点振动特征，yi表示多测点振动特征经过回归函数计算的输出；样本总数为l，模型输入xi维度为d，相应的输出yi维度为Q要构建的多输出回归函数表示如下，
f(x)＝ωTΦ(x)
式中，
x表示多测点振动特征，
f(x)表示多输出回归函数，
ω表示权重向量，
T表示转置计算，
Φ(x)表示核函数。
步骤1.2，为了综合考虑多分量的拟合误差，同时减小噪声的影响，利用多输出支持向量回归算法将损失函数定义为一个超球体，损失函数表示如下，
Figure BDA0003672922190000091
式中，
u表示估计误差模值，
ε表示不敏感参数。
振动信号会受到白噪声等环境噪声干扰；损失函数是用来联系方法的学习准则与优化，通过最小化损失函数求解和评估模型。
步骤1.3，基于最小化结构风险原则，将回归问题转化为如下的最小化约束问题，
Figure BDA0003672922190000092
式中,
min表示取最小值，
j表示第j个维度，
Q表示输出向量y的最大维度，
ωj表示第j个权重向量，
i表示第i个时刻，
l表示样本长度，
C表示惩罚因子，
ui表示第i时刻样本的估计误差模值，
ei表示第i时刻样本的估计误差，
Figure BDA0003672922190000093
表示第i时刻振动特征的估计误差转置，
Figure BDA0003672922190000094
表示第i时刻振动特征的输出向量转置，
xi表示第i时刻多测点振动特征，
ΦT(xi)表示第i时刻振动特征的核函数转置。
此步骤是对问题的解集范围进行约束，保证特征输出在有效范围内。
步骤1.4：利用拉格朗日函数法将最小化约束问题化为无约束规划，拉格朗日函数表示如下，
Figure BDA0003672922190000101
式中，
L(ω)表示无约束函数；
α表示拉格朗日乘子；
αi表示第i时刻振动特征的拉格朗日乘子。
振动信号属于非线性函数，在有效解集范围内进行无约束规划，保证后续偏导和极值有解。
步骤1.5，对上述无约束函数计算偏导数，求函数的极值点，即规划后的振动特征输出的极值点：
Figure BDA0003672922190000102
式中，
N表示第N个振动特征样本，
αi表示第i时刻振动特征的拉格朗日乘子。
步骤1.6：利用迭代方法即可求得多输出的支持向量回归函数。则回归方程替换为，
xi+1＝f(xi)＝ωTΦ(xi)
式中，
i表示某个时刻，
xi为i时刻多测点振动特征，
xi+1为i+1时刻多测点振动特征。
多测点振动特征多输出量回归函数模型搭建完成后，只需将某一时刻的多采集点振动特征作为输入即可实现下一时刻多测点振动特征的预测估计。
步骤2，计算多测点振动特征多输出量回归模型预测值与振动特征实际测量值间的差值，得出GIL设备外壳多测点振动特征残差；
GIL设备多测点振动特征多输出量回归函数模型完成后，可实时估计正常状态下设备多测点振动特征。通过对大量现场数据的分析发现，正常状态下设备多测点振动特征的实际测量值与模型预估值间差异很小，而一旦出现故障，二者差异将会显著增大。故将多测点振动特征多输出量回归模型预测值与实际测量值间的差异定义为残差:
ci|k＝f(xi)|k-mi|k
式中，
f(xi)|k表示i时刻模型输出的第k个测点振动特征，
mi|k表示i时刻实际测量的第k个测点振动特征，
ci|k表示i时刻测点k处振动特征的残差。
步骤3，实时采集GIL设备外壳多测点振动特征，综合GIL设备外壳多测点振动特征残差计算GIL设备外壳故障预警指标和GIL设备外壳故障检测阈值，当GIL设备外壳故障预警指标大于GIL设备外壳故障检测阈值，则判定GIL设备出现故障，执行步骤4，当GIL设备外壳故障预警指标小于等于GIL设备外壳故障检测阈值，则判定GIL设备工作正常。
步骤3.1，为了避免多个测点处振动特征量级不同造成的误差，综合多测点振动特征残差的相对值来计算GIL设备外壳故障预警指标：
Figure BDA0003672922190000111
式中，
Bi表示i时刻设备的故障预警指标，
k表示第k个测点，
d表示测点的数量。
步骤3.2，由于GIL设备结构复杂，外界因素的变化极可能会引起金属外壳振动特征的波动，如果设定恒定阈值来检测设备故障很容易出现误报警现象，为此利用指数移动加权平均值算法来设定随时间变化的GIL设备故障检测阈值。考虑历史数据的影响，指数移动加权平均值算法计算当前时刻故障预警指标的平均值统计量公式表示如下：
Ri＝λBi+(1-λ)Ri-1
式中，
λ表示历史故障预警指标对统计量的影响权值，
Ri-1表示i前一个时段的故障预警指标的平均值，
Ri表示到时段i为止故障预警指标的平均值。
步骤3.3，当前时刻故障预警指标的平均值统计量的期望以及方差计算式为：
Figure BDA0003672922190000121
式中:
Figure BDA0003672922190000122
为GIL设备历史Bi的平均值，
Figure BDA0003672922190000123
为Bi的标准差，
ns为采样长度。
步骤3.4，随时间变化的GIL设备故障检测阈值计算式为
Figure BDA0003672922190000124
式中，
UL(i)表示i时刻GIL设备故障检测阈值，
m表示阈值参数，m取值为3。
基于指数移动加权平均值设定随时间变化的GIL设备故障检测阈值可有效检测GIL内部金属颗粒异常放电引发的绝缘故障。
步骤4：检出故障后，利用故障状态下测得的GIL设备金属外壳多测点振动特征残差数据，得到相应测点对应的箱型图，根据不同测点振动特征残差的分布情况得出特征残差异常值实现GIL设备故障的定位。
其中，箱型图的绘制方法如下，
假设某测点处振动特征残差样本为c＝(c1,c2,…,ct,…,cn)。从小到大排序后残差样本变为G＝(G1,G2,…,Gt,…,Gn)
1)上、下四分位数取值方法为。当
Figure BDA0003672922190000125
为正整数时样本下四分位数Q1，上四分位数Q3表示如下，
Figure BDA0003672922190000131
当
Figure BDA0003672922190000132
不为正整数时，样本下四分位数Q1，上四分位数Q3可以表示为
Figure BDA0003672922190000133
式中，
Figure BDA0003672922190000134
表示向下取整，
T1为(n+1)/4和
Figure BDA0003672922190000135
的差值，
T3为3(n+1)/4和
Figure BDA0003672922190000136
的差值，
Figure BDA0003672922190000137
和
Figure BDA0003672922190000138
表示排序后的残差数列G自左向右的第
Figure BDA0003672922190000139
和第
Figure BDA00036729221900001310
个元素，其他
Figure BDA00036729221900001311
与其含义类似。
2)中位数Q2表示如下，
Figure BDA00036729221900001312
3)上限Qmax是随机数据非异常范围内的最大值，下限Qmin是随机数据非异常范围内的最小值，如下式所示，
Figure BDA00036729221900001313
箱型图实现了GIL设备金属外壳多测点振动特征残差数据的可视化，可清晰明了的观察不同测点的异同，实现故障的定位。根据统计特性有效检测振动特征残差样本中的误差数据，有效避免了误差数据对故障定位结果的影响。
实施例2。
基于多测点振动特征的GIL故障定位***，包括：模型搭建模块，残差计算模块，故障检测模块和故障定位模块，其中，
模型搭建模块用于采集正常状态下GIL设备外壳某时刻多测点振动特征组成的训练样本，搭建回归函数模型；
残差计算模块用于计算振动特征回归模型预测值与振动特征实际测量值间的差值，得到GIL设备外壳多测点振动特征残差；
故障检测模块用于实时采集GIL设备外壳多测点振动特征，综合GIL设备外壳多测点振动特征残差计算GIL设备外壳故障预警指标和GIL设备外壳故障检测阈值，当GIL设备外壳故障预警指标大于GIL设备外壳故障检测阈值，则判定GIL设备出现故障，执行步骤4，当GIL设备外壳故障预警指标小于等于GIL设备外壳故障检测阈值，则判定GIL设备工作正常；
故障定位模块用于根据故障状态下测得的GIL设备外壳多测点振动特征残差数据，得到相应测点对应的箱形图，观察GIL设备外壳多测点振动特征残差的分布情况得出特征残差异常值实现GIL设备故障的定位。
本发明的有益效果在于，与现有技术相比，
1)本发明经实验证实能够准确地检测出GIL内部金属颗粒缺陷，而且提供了基于MOSVR(Multi-model online support vector regression，多模型在线支持向量回归)模型与自适应阈值的GIL金属颗粒故障检测和基于箱形图分析的GIL金属颗粒故障定位方法，使得本发明可以综合比较分析，可靠性更高。
2)实现了GIL设备金属外壳多测点振动特征残差数据的可视化，可清晰明了的观察不同测点的异同，实现故障的定位。
3)箱形图可以根据统计特性有效检测振动特征残差样本中的误差数据，有效避免了误差数据对故障定位结果的影响。
4)利用多输出支持向量回归算法实现GIL设备金属外壳多测点振动特征的建模。
5)基于指数移动加权平均自适应阈值方法可有效检测GIL内部金属颗粒异常放电引发的绝缘故障。
6)利用箱形图分析GIL设备金属外壳多测点振动特征残差可提高设备故障的定位准确性。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (10)

1.基于多测点振动特征的GIL故障定位方法，其特征在于，包括以下步骤，
步骤1，采集正常状态下GIL设备外壳任一时刻多测点振动特征组成的训练样本，利用多模型在线支持向量回归算法，搭建多测点振动特征多输出量回归模型；
步骤2，计算多测点振动特征多输出量回归模型预测值与振动特征实际测量值间的差值，得到GIL设备外壳多测点振动特征残差；
步骤3，实时采集GIL设备外壳多测点振动特征，综合GIL设备外壳多测点振动特征残差计算GIL设备外壳故障预警指标和GIL设备外壳故障检测阈值，当GIL设备外壳故障预警指标大于GIL设备外壳故障检测阈值，则判定GIL设备出现故障，执行步骤4，当GIL设备外壳故障预警指标小于等于GIL设备外壳故障检测阈值，则判定GIL设备工作正常；
步骤4，若GIL设备出现故障，根据故障状态下测得的GIL设备外壳多测点振动特征残差数据，得到相应测点对应的箱形图，根据不同测点振动特征残差的分布情况得出特征残差异常值实现GIL设备故障的定位。
2.根据权利要求1所述的基于多测点振动特征的GIL故障定位方法，其特征在于，
步骤1具体包括：
步骤1.1，利用采集的GIL设备外壳某时刻多测点振动特征组成的训练样本，构建的多输出回归函数表示如下，
f(x)＝ωTΦ(x)
式中，
x表示多测点振动特征，
f(x)表示多输出回归函数，
ω表示权重向量，
T表示转置计算，
Φ(x)表示核函数；
步骤1.2，利用多输出支持向量回归算法将损失函数定义为一个超球体，损失函数表示如下，
Figure FDA0003672922180000021
式中，
u表示估计误差模值，
ε表示不敏感参数；
步骤1.3，基于最小化结构风险原则，将回归问题转化为如下的最小化约束问题，
Figure FDA0003672922180000022
式中,
min表示取最小值，
j表示第j个维度，
Q表示输出向量y的最大维度，
ωj表示第j个权重向量，
i表示第i个时刻，
l表示样本长度，
C表示惩罚因子，
ui表示第i时刻样本的估计误差模值，
ei表示第i时刻样本的估计误差，
Figure FDA0003672922180000023
表示第i时刻振动特征的估计误差转置，
Figure FDA0003672922180000024
表示第i时刻振动特征的输出向量转置，
xi表示第i时刻多测点振动特征，
ΦT(xi)表示第i时刻振动特征的核函数转置。
3.根据权利要求2所述的基于多测点振动特征的GIL故障定位方法，其特征在于，
步骤1还包括：
步骤1.4，利用拉格朗日函数法将最小化约束问题化为无约束规划，拉格朗日函数表示如下，
Figure FDA0003672922180000031
式中，
L(ω)表示无约束函数，
α表示拉格朗日乘子，
αi表示第i时刻振动特征的拉格朗日乘子；
步骤1.5，对上述无约束函数计算偏导数，求函数的极值点，即规划后的振动特征输出的极值点：
Figure FDA0003672922180000032
式中，
N表示第N个振动特征样本，
αi表示第i时刻振动特征的拉格朗日乘子；
步骤1.6，利用迭代方法即可求得多输出的支持向量回归函数，回归方程替换为，
xi+1＝f(xi)＝ωTΦ(xi)
式中，
i表示某个时刻，
xi为i时刻多测点振动特征，
xi+1为i+1时刻多测点振动特征。
4.根据权利要求3所述的基于多测点振动特征的GIL故障定位方法，其特征在于，
步骤2中，GIL设备外壳多测点振动特征残差计算公式如下：
ci|k＝f(xi)|k-mi|k
式中，
f(xi)|k表示i时刻模型输出的第k个测点振动特征，
mi|k表示i时刻实际测量的第k个测点振动特征，
ci|k表示i时刻测点k处振动特征的残差。
5.根据权利要求4所述的基于多测点振动特征的GIL故障定位方法，其特征在于，
步骤3具体包括，
步骤3.1，综合多测点振动特征残差的相对值来计算GIL设备外壳故障预警指标，公式如下，
Figure FDA0003672922180000041
式中，
Bi表示i时刻设备的故障预警指标，
k表示第k个测点，
d表示测点的数量。
6.根据权利要求5所述的基于多测点振动特征的GIL故障定位方法，其特征在于，
步骤3还包括，
步骤3.2，利用指数移动加权平均值算法来设定随时间变化的GIL设备故障检测阈值，考虑历史数据的影响，指数移动加权平均值算法计算当前时刻故障预警指标的平均值统计量公式表示如下，
Ri＝λBi+(1-λ)Ri-1
式中，
λ表示历史故障预警指标对统计量的影响权值，
Ri-1表示i前一个时段的故障预警指标的平均值，
Ri表示到时段i为止故障预警指标的平均值。
7.根据权利要求6所述的基于多测点振动特征的GIL故障定位方法，其特征在于，
步骤3还包括，
步骤3.3，当前时刻故障预警指标的平均值统计量的期望以及方差计算式如下，
Figure FDA0003672922180000051
式中:
Figure FDA0003672922180000052
为GIL设备历史Bi的平均值，
Figure FDA0003672922180000053
为Bi的标准差，
ns为采样长度。
8.根据权利要求7所述的基于多测点振动特征的GIL故障定位方法，其特征在于，
步骤3还包括，
步骤3.4，随时间变化的GIL设备故障检测阈值计算式表示如下，
Figure FDA0003672922180000054
式中，
UL(i)表示i时刻GIL设备故障检测阈值，
m表示阈值参数，m取值为3。
9.根据权利要求8所述的基于多测点振动特征的GIL故障定位方法，其特征在于，
步骤4中，箱型图的绘制方法如下，假设某测点处振动特征残差样本为c＝(c1,c2,…,ct,…,cn)。从小到大排序后残差样本变为G＝(G1,G2,…,Gt,…,Gn)，
1)，上、下四分位数取值方法为，当
Figure FDA0003672922180000055
为正整数时样本下四分位数Q1，上四分位数Q3表示如下，
Figure FDA0003672922180000056
当
Figure FDA0003672922180000057
不为正整数时，样本下四分位数Q1，上四分位数Q3表示如下
Figure FDA0003672922180000058
式中，
Figure FDA0003672922180000061
表示向下取整，
T1表示(n+1)/4和
Figure FDA0003672922180000062
的差值，
T3表示3(n+1)/4和
Figure FDA0003672922180000063
的差值，
Figure FDA0003672922180000064
和
Figure FDA0003672922180000065
表示排序后的残差数列G自左向右的第
Figure FDA0003672922180000066
和第
Figure FDA0003672922180000067
个元素，其他
Figure FDA0003672922180000068
与其含义类似；
2)，中位数Q2表示如下，
Figure FDA0003672922180000069
3)，上限Qmax表示随机数据非异常范围内的最大值，下限Qmin表示随机数据非异常范围内的最小值，表示如下，
Figure FDA00036729221800000610
10.利用权利要求1至9任意一项所述的基于多测点振动特征的GIL故障定位方法而实现的基于多测点振动特征的GIL故障定位***，所述GIL故障定位***包括：模型搭建模块，残差计算模块，故障检测模块和故障定位模块，其特征在于，
模型搭建模块用于采集正常状态下GIL设备外壳某时刻多测点振动特征组成的训练样本，搭建回归函数模型，从而构建GIL设备外壳多测点振动特征估计器；
残差计算模块用于利用回归函数模型，计算振动特征回归模型预测值与振动特征实际测量值间的差值，得到GIL设备外壳多测点振动特征残差；
故障检测模块用于实时采集GIL设备外壳多测点振动特征，综合GIL设备外壳多测点振动特征残差的相对值来计算GIL设备外壳故障预警指标和GIL设备外壳故障检测阈值，当GIL设备外壳故障预警指标大于GIL设备外壳故障检测阈值，则判定GIL设备出现故障，执行步骤4，当GIL设备外壳故障预警指标小于等于GIL设备外壳故障检测阈值，则判定GIL设备工作正常；
故障定位模块用于根据故障状态下测得的GIL设备外壳多测点振动特征残差数据，得到相应测点对应的箱形图，观察GIL设备外壳多振动测点残差的分布情况得出特征残差异常值实现GIL设备故障的定位。
CN202210610113.8A 2022-05-31 2022-05-31 基于多测点振动特征的gil故障定位方法及*** Pending CN115015691A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210610113.8A CN115015691A (zh) 2022-05-31 2022-05-31 基于多测点振动特征的gil故障定位方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210610113.8A CN115015691A (zh) 2022-05-31 2022-05-31 基于多测点振动特征的gil故障定位方法及***

Publications (1)

Publication Number Publication Date
CN115015691A true CN115015691A (zh) 2022-09-06

Family

ID=83071943

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210610113.8A Pending CN115015691A (zh) 2022-05-31 2022-05-31 基于多测点振动特征的gil故障定位方法及***

Country Status (1)

Country Link
CN (1) CN115015691A (zh)

Similar Documents

Publication Publication Date Title
CN116879662B (zh) 基于数据分析的变压器故障检测方法
Coble et al. Applying the general path model to estimation of remaining useful life
CN112098915B (zh) 双母线分段接线下多台电压互感器继发性误差的评估方法
CN112083244B (zh) 综合化航空电子设备故障智能诊断***
KR100867938B1 (ko) 종속변수 유사도와 커널 회귀법을 이용한 발전소 계측기성능감시용 예측방법
CN112187528B (zh) 基于sarima的工业控制***通信流量在线监测方法
CN108051364A (zh) 一种epr核能电缆剩余寿命评估方法与预测epr核能电缆剩余使用寿命方法
CN106952029A (zh) 一种用于对变电设备状态监测装置进行评价的方法及***
CN104317778A (zh) 基于海量监测数据的变电设备故障诊断方法
CN114895163A (zh) 一种基于电缆绝缘性能的电缆巡检定位装置及方法
CN117630797A (zh) 基于工作电流的电表健康状态检测方法、***及存储介质
CN116796261B (zh) 一种基于人工智能的封闭开关设备机械特性预测方法
CN115015691A (zh) 基于多测点振动特征的gil故障定位方法及***
Berrettoni et al. Preliminary sensitivity analysis of combinatorial optimization (CO) for NILM applications: Effect of the meter accuracy
CN113672658B (zh) 基于复相关系数的电力设备在线监测错误数据识别方法
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
CN111913463B (zh) 一种核电厂化学容积控制***状态监测方法
CN112147409B (zh) 低压配电线路在线阻抗检测方法及装置
CN114091322A (zh) 一种基于数字模型的高压开关柜状态预测方法
CN111914941B (zh) 一种中压真空断路器状态的评估方法
CN116342110B (zh) 一种列车多温度测量回路智能故障诊断和容错测量方法
CN117406048B (zh) 一种变压器放电故障诊断方法及装置
CN103389448B (zh) Gis设备运行状态在线检测方法与***
Hu et al. A fault prediction method based on IAALO-SVM and similarity measure
CN117706452A (zh) 基于knn-gru模型的电压互感器的在线评估方法

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