CN115389881A - 一种电缆中间接头的绝缘状态评估方法及装置 - Google Patents

一种电缆中间接头的绝缘状态评估方法及装置 Download PDF

Info

Publication number
CN115389881A
CN115389881A CN202211019668.1A CN202211019668A CN115389881A CN 115389881 A CN115389881 A CN 115389881A CN 202211019668 A CN202211019668 A CN 202211019668A CN 115389881 A CN115389881 A CN 115389881A
Authority
CN
China
Prior art keywords
basis function
function model
radial basis
partial discharge
data
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
CN202211019668.1A
Other languages
English (en)
Inventor
刘少辉
刘崧
梁年柏
欧晓妹
唐琪
李国伟
王云飞
李雷
刘益军
罗容波
陈嘉杨
邓柏熙
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.)
Foshan Power Supply Bureau of Guangdong Power Grid Corp
Original Assignee
Foshan Power Supply Bureau of Guangdong Power Grid Corp
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 Foshan Power Supply Bureau of Guangdong Power Grid Corp filed Critical Foshan Power Supply Bureau of Guangdong Power Grid Corp
Priority to CN202211019668.1A priority Critical patent/CN115389881A/zh
Publication of CN115389881A publication Critical patent/CN115389881A/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
    • G01R31/12—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明公开了一种电缆中间接头的绝缘状态评估方法及装置，其方法包括：获取电缆中间接头的局部放电特征量和关于放电重复率与局部放电特征量相结合的变化趋势指标，根据局部放电特征量和变化趋势指标，建立径向基函数模型，训练和验证训练后的径向基函数模型，得到目标径向基函数模型，将待测电缆中间接头的预处理待测数据输入目标径向基函数模型，得到各子网络的状态评估结果数据，运用D‑S证据理论，结合预设的决策规则，融合状态评估结果数据，得到绝缘状态结果数据。有利于解决现有的绝缘状态评估方法因在采集数据间隔期间难以评估电缆接头的状态变化趋势导致评估准确度较低的技术问题，提高了电缆中间接头的绝缘状态评估的时效性和准确性。

Description

一种电缆中间接头的绝缘状态评估方法及装置
技术领域
本发明涉及电缆中间接头的绝缘状态的技术领域，尤其涉及一种电缆中间接头的绝缘状态评估方法及装置。
背景技术
电缆中间接头主要用于电缆本体的连接，是保障电缆线路安全可靠运行的关键部件。随着大量电缆在城市输电线路中的广泛使用，相应的电缆接头的数量也愈发庞大。但电缆中间接头受制作水平、绝缘材料、外界环境等因素的影响，极易产生绝缘击穿故障，目前已成为电缆线路的最大薄弱环节。长期的运行经验表明，电缆中间接头绝缘逐步劣化直至击穿的过程中往往伴随着明显的局部放电现象。通过相关文献的分析可知，局部放电与接头的绝缘状况密切相关，局放量的变化预示着接头绝缘的劣化情况。因此，电缆中间接头的局部放电参数可作为电缆接头绝缘状态评估的重要判断依据之一。
目前，电缆中间接头绝缘状态评估主要基于放电量水平、绝缘电阻检测等项目，其数据采集间隔时间较长，难以评估间隔期间的电缆接头的状态变化趋势，因此无法完全反映设备的真实状态。近年来，在线监测技术的不断发展为状态变量的趋势分析提供了良好的数据来源。如何将在线监测数据的大小与变化趋势进行有机结合，并以此作为电缆中间接头绝缘状态评估的判断依据，这需要构建一种合理有效的多信息融合的电缆接头绝缘状态评估模型。
因此，为了提高电缆中间接头的绝缘状态评估的时效性和准确性，解决目前存在的现有的绝缘状态评估方法因在采集数据间隔期间难以评估电缆接头的状态变化趋势导致评估准确度较低的技术问题，亟需构建一种电缆中间接头的绝缘状态评估方法。
发明内容
本发明提供了一种电缆中间接头的绝缘状态评估方法及装置，解决了目前存在的现有的绝缘状态评估方法因在采集数据间隔期间难以评估电缆接头的状态变化趋势导致评估准确度较低的技术问题。
第一方面，本发明提供了一种电缆中间接头的绝缘状态评估方法，包括：
获取电缆中间接头的局部放电特征量和关于放电重复率与所述局部放电特征量相结合的变化趋势指标；
根据所述局部放电特征量和所述变化趋势指标，建立径向基函数模型；
基于所述局部放电特征量和所述变化趋势指标，训练和验证所述训练后的径向基函数模型，得到目标径向基函数模型；
获取待测电缆中间接头的预处理待测数据；
将所述预处理待测数据输入所述目标径向基函数模型，得到所述目标径向基函数模型各子网络的状态评估结果数据；
运用D-S证据理论，结合预设的决策规则，融合所述状态评估结果数据，得到所述待测电缆中间接头的绝缘状态结果数据。
可选地，获取电缆中间接头的局部放电特征量和关于放电重复率与所述局部放电特征量相结合的变化趋势指标，包括：
获取电缆中间接头的原始局部放电信号数据并对所述原始局部放电信号进行特征提取，得到原始局部放电特征量；
根据预设的相对劣化度数据，对所述原始局部放电特征量进行标准化处理，得到所述电缆中间接头的局部放电特征量；
根据预设的价量趋势参数和所述局部放电特征量，构建关于放电重复率与所述局部放电特征量相结合的变化趋势指标。
可选地，基于所述局部放电特征量和所述变化趋势指标，训练和验证所述训练后的径向基函数模型，得到目标径向基函数模型，包括：
划分所述局部放电特征量和所述变化趋势指标为训练数据和验证数据；
根据所述训练数据，训练所述径向基函数模型，得到训练后的径向基函数模型；
基于所述验证数据，验证所述训练后的径向基函数模型，得到所述目标径向基函数模型。
可选地，根据所述训练数据，训练所述径向基函数模型，得到训练后的径向基函数模型，包括：
将所述训练数据输入所述径向基函数模型，得到对应的绝缘状态预测结果数据；
根据所述训练数据对应的数据标签和所述绝缘状态预测结果数据，确定训练误差；
基于所述训练误差，对所述径向基函数模型进行调整，得到最优参数，并采用所述最优参数，优化所述径向基函数模型，得到所述训练后的径向基函数模型。
可选地，将所述训练数据输入所述径向基函数模型，得到对应的绝缘状态预测结果数据之前，还包括：
初始化所述径向基函数模型的参数。
第二方面，本发明提供了一种电缆中间接头的绝缘状态评估装置，包括：
获取模块，用于获取电缆中间接头的局部放电特征量和关于放电重复率与所述局部放电特征量相结合的变化趋势指标；
建立模块，用于根据所述局部放电特征量和所述变化趋势指标，建立径向基函数模型；
训练模块，用于基于所述局部放电特征量和所述变化趋势指标，训练和验证所述训练后的径向基函数模型，得到目标径向基函数模型；
待测模块，用于获取待测电缆中间接头的预处理待测数据；
评估模块，用于将所述预处理待测数据输入所述目标径向基函数模型，得到所述目标径向基函数模型各子网络的状态评估结果数据；
融合模块，用于运用D-S证据理论，结合预设的决策规则，融合所述状态评估结果数据，得到所述待测电缆中间接头的绝缘状态结果数据。
可选地，所述获取模块包括：
获取子模块，用于获取电缆中间接头的原始局部放电信号数据并对所述原始局部放电信号进行特征提取，得到原始局部放电特征量；
处理子模块，用于根据预设的相对劣化度数据，对所述原始局部放电特征量进行标准化处理，得到所述电缆中间接头的局部放电特征量；
构建子模块，用于根据预设的价量趋势参数和所述局部放电特征量，构建关于放电重复率与所述局部放电特征量相结合的变化趋势指标。
可选地，所述训练模块包括：
划分子模块，用于划分所述局部放电特征量和所述变化趋势指标为训练数据和验证数据；
训练子模块，用于根据所述训练数据，训练所述径向基函数模型，得到训练后的径向基函数模型；
验证子模块，用于基于所述验证数据，验证所述训练后的径向基函数模型，得到所述目标径向基函数模型。
可选地，所述训练子模块包括：
训练单元，用于将所述训练数据输入所述径向基函数模型，得到对应的绝缘状态预测结果数据；
确定单元，用于根据所述训练数据对应的数据标签和所述绝缘状态预测结果数据，确定训练误差；
优化单元，用于基于所述训练误差，对所述径向基函数模型进行调整，得到最优参数，并采用所述最优参数，优化所述径向基函数模型，得到所述训练后的径向基函数模型。
可选地，所述训练子模块还包括：
初始单元，用于初始化所述径向基函数模型的参数。
从以上技术方案可以看出，本发明具有以下优点：本发明提供了一种电缆中间接头的绝缘状态评估方法，通过获取电缆中间接头的局部放电特征量和关于放电重复率与所述局部放电特征量相结合的变化趋势指标，根据所述局部放电特征量和所述变化趋势指标，建立径向基函数模型，基于所述局部放电特征量和所述变化趋势指标，训练和验证所述训练后的径向基函数模型，得到目标径向基函数模型，获取待测电缆中间接头的预处理待测数据，将所述预处理待测数据输入所述目标径向基函数模型，得到所述目标径向基函数模型各子网络的状态评估结果数据，运用D-S证据理论，结合预设的决策规则，融合所述状态评估结果数据，得到所述待测电缆中间接头的绝缘状态结果数据，通过一种电缆中间接头的绝缘状态评估方法，解决了目前存在的现有的绝缘状态评估方法因在采集数据间隔期间难以评估电缆接头的状态变化趋势导致评估准确度较低的技术问题，提高了电缆中间接头的绝缘状态评估的时效性和准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明的一种电缆中间接头的绝缘状态评估方法实施例一的流程步骤图；
图2为本发明的一种电缆中间接头的绝缘状态评估方法实施例二的流程步骤图；
图3为本发明的一种关于关于放电重复率与局部放电特征量相结合的变化趋势指标示意图；
图4为本发明的一种关于关于放电重复率与局部放电特征量相结合的变化趋势指标示意图；
图5为本发明的一种电缆中间接头的绝缘状态评估装置实施例的结构框图。
具体实施方式
本发明实施例提供了一种电缆中间接头的绝缘状态评估方法及装置，用于解决目前存在的现有的绝缘状态评估方法因在采集数据间隔期间难以评估电缆接头的状态变化趋势导致评估准确度较低的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。
实施例一，请参阅图1，图1为本发明的一种电缆中间接头的绝缘状态评估方法实施例一的流程步骤图，包括：
步骤S101，获取电缆中间接头的局部放电特征量和关于放电重复率与所述局部放电特征量相结合的变化趋势指标；
在本发明实施例中，获取电缆中间接头的原始局部放电信号数据并对所述原始局部放电信号进行特征提取，得到原始局部放电特征量，根据预设的相对劣化度数据，对所述原始局部放电特征量进行标准化处理，得到所述电缆中间接头的局部放电特征量，根据预设的价量趋势参数和所述局部放电特征量，构建关于放电重复率与所述局部放电特征量相结合的变化趋势指标。
步骤S102，根据所述局部放电特征量和所述变化趋势指标，建立径向基函数模型；
步骤S103，基于所述局部放电特征量和所述变化趋势指标，训练和验证所述训练后的径向基函数模型，得到目标径向基函数模型；
在本发明实施例中，划分所述局部放电特征量和所述变化趋势指标为训练数据和验证数据，根据所述训练数据，训练所述径向基函数模型，得到训练后的径向基函数模型，基于所述验证数据，验证所述训练后的径向基函数模型，得到所述目标径向基函数模型。
步骤S104，待测电缆中间接头的待测数据；
步骤S105，将所述预处理待测数据输入所述目标径向基函数模型，得到所述目标径向基函数模型各子网络的状态评估结果数据；
步骤S106，运用D-S证据理论，结合预设的决策规则，融合所述状态评估结果数据，得到所述待测电缆中间接头的绝缘状态结果数据。
在本发明实施例所提供的一种电缆中间接头的绝缘状态评估方法，通过获取电缆中间接头的局部放电特征量和关于放电重复率与所述局部放电特征量相结合的变化趋势指标，根据所述局部放电特征量和所述变化趋势指标，建立径向基函数模型，基于所述局部放电特征量和所述变化趋势指标，训练和验证所述训练后的径向基函数模型，得到目标径向基函数模型，获取待测电缆中间接头的预处理待测数据，将所述预处理待测数据输入所述目标径向基函数模型，得到所述目标径向基函数模型各子网络的状态评估结果数据，运用D-S证据理论，结合预设的决策规则，融合所述状态评估结果数据，得到所述待测电缆中间接头的绝缘状态结果数据，通过一种电缆中间接头的绝缘状态评估方法，解决了目前存在的现有的绝缘状态评估方法因在采集数据间隔期间难以评估电缆接头的状态变化趋势导致评估准确度较低的技术问题，提高了电缆中间接头的绝缘状态评估的时效性和准确性。
实施例二，请参阅图2，图2为本发明的一种电缆中间接头的绝缘状态评估方法的流程步骤图，包括：
步骤S201，获取电缆中间接头的原始局部放电信号数据并对所述原始局部放电信号进行特征提取，得到原始局部放电特征量；
在本发明实施例中，获取电缆中间接头的原始局部放电信号数据并对所述原始局部放电信号进行特征提取，得到原始局部放电特征量，包括放电重复率n、最大放电量Qm、平均放电量Qav、局部放电能量最大值Wm、脉冲相位宽度
Figure BDA0003813650320000072
在具体实现中，利用高频电流传感器获取局部放电信号，并对局部放电信号进行滤波去噪、衰减放大、A/D转换，特征提取等步骤获取局部放电特征集，其中选取的特征量包括放电重复率n、最大放电量Qm、平均放电量Qav、局部放电能量最大值Wm、脉冲相位宽度
Figure BDA0003813650320000073
放电重复率n，指单位时间内的局部放电次数，随着中间接头绝缘的不断劣化，局部放电现象越剧烈，放电重复率也越高，计算公式具体为：
Figure BDA0003813650320000071
其中，M代表检测工频周期总数，Ns代表第s个检测工频周期放电次数。
最大放电量Qm指检测周期内单次最大放电量。在电缆中间接头绝缘劣化程度加剧或临近击穿的过程中，往往伴随着局部放电量大幅度增加的突变现象。因此，该值可直观反映出接头绝缘损坏的严重程度。
平均放电量Qav是检测周期内检测到的所有局部放电信号的局部放电量的算术平均值，计算公式具体如放电重复率计算公式所示。该值可以作为局部放电信号总体强度的参考。
脉冲相位宽度
Figure BDA0003813650320000074
指除去背景噪声后放电脉冲所在的相位区间宽度，其中一个工频周期内正负半周放电脉冲宽度分别称为
Figure BDA0003813650320000075
随着局部放电的持续进行，正负半周的脉冲相位宽度会相应增加，因此在一定程度上反映了局部放电的发展程度。
局部放电能量最大值Wm指检测周期内所有局放信号的局部放电能量值Wi的最大值，其中Wi是指检测周期内第i次放电脉冲的能量，计算公式如(2)所示。PD对绝缘的破坏必定伴随着能量的交换，因此放电能量与绝缘破坏有密切的联系，一般来说绝缘劣化越严重，放电能量越大。
另外，平均放电量由以下公式确定：
Figure BDA0003813650320000081
其中，n表示放电次数，Qi表示第i次放电所检测到的视在放电量，
Figure BDA0003813650320000082
其中，qi表示第i次放电所检测到的视在放电量，μi表示第i次放电的起始放电电压。
步骤S202，根据预设的相对劣化度数据，对所述原始局部放电特征量进行标准化处理，得到所述电缆中间接头的局部放电特征量；
在本发明实施例中，引入相对劣化度数据，对所述原始局部放电特征量进行标准化处理，得到所述电缆中间接头的局部放电特征量。
在具体实现中，引入相对劣化度对各特征量进行标准化处理。
劣化度指的是当前设备的实际运行状态和故障状态时相比的劣化程度，取值范围为[0，1]。不同的劣化度值表征设备处于不同的运行状态，中间接头劣化度取值范围与运行状态之间的映射关系如下表所示：
Figure BDA0003813650320000083
Figure BDA0003813650320000091
所选用的指标都是越小越优型指标，进行标准化处理，采用公式具体为：
Figure BDA0003813650320000092
其中，xmin、xmax分别是评估特征量的下阈值和上阈值，其值的确定往往根据预防性试验规程或者交接试验规程。其取值范围如下表所示(单周波，一个工频周期内)：
Figure BDA0003813650320000093
步骤S203，根据预设的价量趋势参数和所述局部放电特征量，构建关于放电重复率与所述局部放电特征量相结合的变化趋势指标；
在本发明实施例中，引入价量趋势参数，构建关于放电重复率与局部放电特征量相结合的变化趋势指标。
在具体实现中，电缆中间接头绝缘劣化并不是一个突发的过程，而是一个渐进发展的过程。在这过程中，局部放电各项特征量会随着时间的累积呈现出阶段式的变化趋势，并具有一定程度的波动性。因此，在线监测数据并不能完全反映电缆接头的绝缘状态。例如，在实际工程中某项指标虽然处于警戒值，但若始终维持平稳发展的趋势，则认定电缆接头仍能正常工作。
但是局部放电的不确定性导致各局部放电特征量的发展趋势难以量化。通过绘制不同的两个特征量之间的散点图，可以判断各局部放电特征量之间有较强的相关性。请参阅图3，图3为本发明的一种关于关于放电重复率与局部放电特征量相结合的变化趋势指标示意图，请参阅图4，图4为本发明的一种关于关于放电重复率与局部放电特征量相结合的变化趋势指标示意图，其中，X轴是放电重复率，Y轴是局部放电特征量。从数据点的分布情况可以发现，自变量x和因变量y有基本相同的变化趋势；然后运用皮尔逊相关系数分别得到两个参量的线性相关程度，当相关系数大于0.75时，则认为两个参量的相关性很高，否则，则被认为是冗余参量并将其剔除掉，计算公式具体为：
Figure BDA0003813650320000101
其中，r为相关综上分析，放电重复率与其他局部放电特征量的线性相关性较强。为了描述放电重复率与其余局部放电特征量的变化趋势，本发明将价量趋势(PVT)参数引入局部放电趋势分析中，得到局部放电特征量—放电重复率的趋势指标。价量趋势，即价格—交易量趋势，用于揭示单一交易价格和交易量难以描述的股票变化趋势。
对于任意局部放电特征量P有以下求取PVT参数SPVT的简化公式：
Figure BDA0003813650320000102
其中，n为放电重复率；t为时间；ΔSPVT为连续2个计算单位的PVT参数增量，ΔP的定义与ΔSPVT类似。
根据上式简式求取电缆接头局部放电特征量—放电重复率的PVT图。为量化各局部放电特征量的变化趋势，本发明首先将各局部放电特征量的趋势图按其数据总长度等分为6份，然后求取5个等分点处的1阶、2阶导数参数，作为相应统计参量1阶(2阶)导数量化取值依据，最后根据以下规则进行具体取值：当某局部放电特征量的趋势图5个等分点处1阶、2阶导数同为正(负)时，结果数值取“1”(“-2”)；既有正值(负值)又有0值时，结果数值取“2”(“-1”)；既有正值又有负值时，结果数值为不确定状态，取为“0”。
步骤S204，根据所述局部放电特征量和所述变化趋势指标，建立径向基函数模型；
在本发明实施例中，根据所述局部放电特征量和所述变化趋势指标，建立径向基函数模型。
在具体实现中，选取平均放电量、局部放电量、正负相位脉冲宽度、最大放电能量的在线监测数据作为参数子空间I1，并将I1空间中各参数的变化趋势作为一个独立的参数子空间I2。根据现有基于神经网络的绝缘状态评估方法，本发明采用具有最佳逼近性能的径向基函数(radial base function，简称RBF)神经网络作为第一层评估子***，其中所包含的人工神经网络分别对应参数子空间I1和I2，依次记为RBF1，RBF2。此外，由上述表格可知神经网络的输出应包含4个节点即状态子空间S＝{S1，S2，S3，S4}，S1～S4分别对应正常、注意、异常和严重4种状态。
步骤S205，划分所述局部放电特征量和所述变化趋势指标为训练数据和验证数据；
步骤S206，根据所述训练数据，训练所述径向基函数模型，得到训练后的径向基函数模型；
在一个可选实施例中，根据所述训练数据，训练所述径向基函数模型，得到训练后的径向基函数模型，包括：
初始化所述径向基函数模型的参数；
将所述训练数据输入所述径向基函数模型，得到对应的绝缘状态预测结果数据；
根据所述训练数据对应的数据标签和所述绝缘状态预测结果数据，确定训练误差；
基于所述训练误差，对所述径向基函数模型进行调整，得到最优参数，并采用所述最优参数，优化所述径向基函数模型，得到所述训练后的径向基函数模型。
在本发明实施例中，初始化所述径向基函数模型的参数，将所述训练数据输入所述径向基函数模型，得到对应的绝缘状态预测结果数据，根据所述训练数据对应的数据标签和所述绝缘状态预测结果数据，确定训练误差，基于所述训练误差，对所述径向基函数模型进行调整，得到最优参数，并采用所述最优参数，优化所述径向基函数模型，得到所述训练后的径向基函数模型。
在具体实现中，初步的径向基函数模型训练过程，搜集若干组在线监测数据作为训练样本来对所构建的RBF1、RBF2神经网络进行训练，其中2个子网络输入层节点数为该网络中状态量的个数，分别为6和5；输出层节点个数均为4，分别对应4种状态。由于神经网络输入数据的量值通常有较大的差别，如果将原始数据直接输入，网络将对较小的数值不敏感，一些重要的特征将难以被网络获取。故先采用相对劣化度预处理。RBF网络的具体训练过程如下：
1)初始化RBF网络参数，并给定η和α的取值及迭代终止精度ε。
确定输入向量X＝[x1,x2,...,xn]T，其中n为输入层的神经元个数。
确定输出向量Y＝[y1,y2,...,yq]T和期望输出O＝[o1,o2,...oq]T，其中q是输出的神经元个数。
初始化隐含层至输出层的连接权值Wk＝[wk1,wk2,...wkp]T，其中k＝(1,2,...,q)，
Figure BDA0003813650320000121
其中，p是隐含层神经元数；q是输出层神经元数kmin是训练集中第k个输出神经元中所有期望输出的最小值；kmax是训练集中；第k个输出神经元中所有期望输出的最大值。
初始化隐含层各神经元的中心参数；
隐含层各神经元的中心向量为Cj＝[cj1,cj2,...cjn]T；其中,中心参数具体为：
Figure BDA0003813650320000122
其中，cji为隐含层第j个神经元的第i个特征的中心向量的中心参数，p为隐含层神经元总个数，imin是训练集中第i个特征所有输入信息的最小值，imax为训练集中第i个特征有输入信息的最大值。
初始化宽度向量；
宽度向量为
Figure BDA0003813650320000123
其中，宽度调节系数具体为:
Figure BDA0003813650320000124
其中，df为宽度调节系数，取值小于1，作用是使每个隐含层神经元更容易实现对局部信息的感受能力，有利于提高RBF神经网络的局部响应能力。
2)计算隐含层第j个神经元的输出值，计算公式具体为：
Figure BDA0003813650320000131
其中，zj为隐含层第j个神经元的输出值，X为输入向量；Cj为隐含层第j个神经元的中心向量；Dj为第j个神经元的宽度向量；||.||为欧式范数。
3)计算输出层神经元的输出Y＝[y1,y2,...yk,...yq]T，其元素yk表示为
Figure BDA0003813650320000132
其中，wkj为输出层第k个神经元与隐含层第j个神经元之间的调节权重。
4)计算网络输出的损失函数具体为：
Figure BDA0003813650320000133
5)权重参数的迭代计算
若RMS≤ε或N等于最大神经元个数Nm时，则停止网络训练。否则使用梯度下降法重新训练RBF神经网络权重、中心、宽度等参数，迭代计算公式具体为：
Figure BDA0003813650320000134
Figure BDA0003813650320000135
Figure BDA0003813650320000136
其中，wkj(t)为第k个输出神经元与第j个隐含层神经元之间在第t次迭代计算时的调节权重；cji(t)第j个隐含层神经元对于第i个输入神经元在第t次迭代计算时的中心分量；dji(t)为与中心对应的宽度；η为学习率；E为RBF神经网络评价函数，具体为：
Figure BDA0003813650320000137
其中，olk为第k个输出神经元在第l个输入样本时的期望输出值；ylk为第k个输出神经元在第l个输入样本时的网络输出值。
步骤S207，基于所述验证数据，验证所述训练后的径向基函数模型，得到所述目标径向基函数模型；
步骤S208，获取待测电缆中间接头的预处理待测数据；
在本发明实施例中，获取待测电缆中间接头的预处理待测数据，所述预处理待测数据为预处理后的待测电缆中间接头的局部放电特征量和关于放电重复率与局部放电特征量相结合的变化趋势指标。
步骤S209，将所述预处理待测数据输入所述目标径向基函数模型，得到所述目标径向基函数模型各子网络的状态评估结果数据；
在本发明实施例中，将所述预处理待测数据输入所述目标径向基函数模型，计算得到目标径向基函数模型各子网络的状态评估结果数据。
步骤S210，运用D-S证据理论，结合预设的决策规则，融合所述状态评估结果数据，得到所述待测电缆中间接头的绝缘状态结果数据；
在本发明实施例中，根据D-S证据理论和预设的决策规则，融合所述状态评估结果数据，得到所述待测电缆中间接头的绝缘状态结果数据，以对待测电缆中间接头的绝缘状态进行评估。
在具体实现中，基于D-S证据理论的融合，评估待测电缆中间接头的绝缘状态。
1)构造识别框架：Θ＝{S1,S2,S3,S4}，分别对应正常、注意、异常、严重四种状态。
2)将每个子网络的状态评估结果数据作为一个独立的证据体和证据集。
3)确定各证据的基本概率分配函数：将各诊断子网络的输出值进行转换后作为识别框架上命题的基本概率分配，在实现基本概率分配赋值客观化的同时，又避免了建造基本概率分配函数的复杂性。由于每个诊断子网络的诊断能力和范围是不同的，因此每个网络存在一个可靠性系数即证据的折扣。根据各RBF子网络的训练结果构造如下的混淆矩阵，并通过公式计算得到准确率，即某一证据体的信任度，具体为：
Figure BDA0003813650320000141
设第i个子网络的第j个输出值为Oi(j)，则该网络对判断j的基本概率分配具体为：
Figure BDA0003813650320000142
mi(Θ)＝1-αi(i＝1,2,...,p)；
其中，mi(j)表示第i个证据对判断j的信任度分配；αi表示对第i个证据体的信任程度；mi(Θ)表示第i个证据体的不确定信任度分配；q表示第i个网络的输出值个数；p表示证据体数目。
4)利用确定的基本概率分配，计算各状态类型的信度函数和似真度函数。
5)D-S证据理论的证据组合规则：
Figure BDA0003813650320000151
其中，
Figure BDA0003813650320000152
其中，m1(X)和m2(Y)分别为X的基本可信度函数1(证据体1)和Y的基本可信度函数2(证据体2)。K的数值表示被组合证据相互冲突的程度。当K＝0时，表示2个证据完全一致(完全相容)；当K＝1时，表示2个证据完全冲突；当0<K<1时，表示2个证据部分相容。
6)评估决策，得到证据对识别框架中所有状态类型的信度区间[Belj,plj]和证据的不确定性mi(Θ)后，可由以下规则确定出电缆接头绝缘状态评价结果。
设存在S1,
Figure BDA0003813650320000155
满足：
Figure BDA0003813650320000153
Figure BDA0003813650320000154
其中，S1、S2为识别框架内的任意不同状态类型；m(S1)，m(S2)分别表示最大以及第二大信度函数值；m(Θ)为不确定信度函数值。
需要注意，阈值ε1的取值需要结合实际电缆接头绝缘情况以及能有效区分接头绝缘状态的要求，一般情况下取0.4～0.5之间较为合适；此外，阈值ε2必须大于各证据体的不确定信度函数值，因此可以通过各评估网络的可靠性系数的选取来确定ε2的取值。
若S1满足mi(ΘΘ＝1-αi，(i＝1,2,...,p)，则S1为评估结果。如果以上规则不能同时满足，则无法得到评估结果。出现这种情况可能有两个原因：(1)状态类型不在当前的识别框架内，因此必须重新确定识别框架；(2)证据选择不合理，故需重新选择或进一步选出更多的证据进行融合计算。
在本发明实施例所提供的一种电缆中间接头的绝缘状态评估方法，通过获取电缆中间接头的局部放电特征量和关于放电重复率与所述局部放电特征量相结合的变化趋势指标，根据所述局部放电特征量和所述变化趋势指标，建立径向基函数模型，基于所述局部放电特征量和所述变化趋势指标，训练和验证所述训练后的径向基函数模型，得到目标径向基函数模型，获取待测电缆中间接头的预处理待测数据，将所述预处理待测数据输入所述目标径向基函数模型，得到所述目标径向基函数模型各子网络的状态评估结果数据，运用D-S证据理论，结合预设的决策规则，融合所述状态评估结果数据，得到所述待测电缆中间接头的绝缘状态结果数据，通过一种电缆中间接头的绝缘状态评估方法，解决了目前存在的现有的绝缘状态评估方法因在采集数据间隔期间难以评估电缆接头的状态变化趋势导致评估准确度较低的技术问题，提高了电缆中间接头的绝缘状态评估的时效性和准确性。
请参阅图5，图5为本发明的一种电缆中间接头的绝缘状态评估装置实施例的结构框图，包括：
获取模块501，用于获取电缆中间接头的局部放电特征量和关于放电重复率与所述局部放电特征量相结合的变化趋势指标；
建立模块502，用于根据所述局部放电特征量和所述变化趋势指标，建立径向基函数模型；
训练模块503，用于基于所述局部放电特征量和所述变化趋势指标，训练和验证所述训练后的径向基函数模型，得到目标径向基函数模型；
待测模块504，用于获取待测电缆中间接头的预处理待测数据；
评估模块505，用于将所述预处理待测数据输入所述目标径向基函数模型，得到所述目标径向基函数模型各子网络的状态评估结果数据；
融合模块506，用于运用D-S证据理论，结合预设的决策规则，融合所述状态评估结果数据，得到所述待测电缆中间接头的绝缘状态结果数据。
可选地，所述获取模块501包括：
获取子模块，用于获取电缆中间接头的原始局部放电信号数据并对所述原始局部放电信号进行特征提取，得到原始局部放电特征量；
处理子模块，用于根据预设的相对劣化度数据，对所述原始局部放电特征量进行标准化处理，得到所述电缆中间接头的局部放电特征量；
构建子模块，用于根据预设的价量趋势参数和所述局部放电特征量，构建关于放电重复率与所述局部放电特征量相结合的变化趋势指标。
可选地，所述训练模块503包括：
划分子模块，用于划分所述局部放电特征量和所述变化趋势指标为训练数据和验证数据；
训练子模块，用于根据所述训练数据，训练所述径向基函数模型，得到训练后的径向基函数模型；
验证子模块，用于基于所述验证数据，验证所述训练后的径向基函数模型，得到所述目标径向基函数模型。
可选地，所述训练子模块包括：
训练单元，用于将所述训练数据输入所述径向基函数模型，得到对应的绝缘状态预测结果数据；
确定单元，用于根据所述训练数据对应的数据标签和所述绝缘状态预测结果数据，确定训练误差；
优化单元，用于基于所述训练误差，对所述径向基函数模型进行调整，得到最优参数，并采用所述最优参数，优化所述径向基函数模型，得到所述训练后的径向基函数模型。
可选地，所述训练子模块还包括：
初始单元，用于初始化所述径向基函数模型的参数。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，本发明所揭露的方法及装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取可读存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个可读存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的可读存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种电缆中间接头的绝缘状态评估方法，其特征在于，包括：
获取电缆中间接头的局部放电特征量和关于放电重复率与所述局部放电特征量相结合的变化趋势指标；
根据所述局部放电特征量和所述变化趋势指标，建立径向基函数模型；
基于所述局部放电特征量和所述变化趋势指标，训练和验证所述训练后的径向基函数模型，得到目标径向基函数模型；
获取待测电缆中间接头的预处理待测数据；
将所述预处理待测数据输入所述目标径向基函数模型，得到所述目标径向基函数模型各子网络的状态评估结果数据；
运用D-S证据理论，结合预设的决策规则，融合所述状态评估结果数据，得到所述待测电缆中间接头的绝缘状态结果数据。
2.根据权利要求1所述的电缆中间接头的绝缘状态评估方法，其特征在于，获取电缆中间接头的局部放电特征量和关于放电重复率与所述局部放电特征量相结合的变化趋势指标，包括：
获取电缆中间接头的原始局部放电信号数据并对所述原始局部放电信号进行特征提取，得到原始局部放电特征量；
根据预设的相对劣化度数据，对所述原始局部放电特征量进行标准化处理，得到所述电缆中间接头的局部放电特征量；
根据预设的价量趋势参数和所述局部放电特征量，构建关于放电重复率与所述局部放电特征量相结合的变化趋势指标。
3.根据权利要求1所述的电缆中间接头的绝缘状态评估方法，其特征在于，基于所述局部放电特征量和所述变化趋势指标，训练和验证所述训练后的径向基函数模型，得到目标径向基函数模型，包括：
划分所述局部放电特征量和所述变化趋势指标为训练数据和验证数据；
根据所述训练数据，训练所述径向基函数模型，得到训练后的径向基函数模型；
基于所述验证数据，验证所述训练后的径向基函数模型，得到所述目标径向基函数模型。
4.根据权利要求3所述的电缆中间接头的绝缘状态评估方法，其特征在于，根据所述训练数据，训练所述径向基函数模型，得到训练后的径向基函数模型，包括：
将所述训练数据输入所述径向基函数模型，得到对应的绝缘状态预测结果数据；
根据所述训练数据对应的数据标签和所述绝缘状态预测结果数据，确定训练误差；
基于所述训练误差，对所述径向基函数模型进行调整，得到最优参数，并采用所述最优参数，优化所述径向基函数模型，得到所述训练后的径向基函数模型。
5.根据权利要求4所述的电缆中间接头的绝缘状态评估方法，其特征在于，将所述训练数据输入所述径向基函数模型，得到对应的绝缘状态预测结果数据之前，还包括：
初始化所述径向基函数模型的参数。
6.一种电缆中间接头的绝缘状态评估装置，其特征在于，包括：
获取模块，用于获取电缆中间接头的局部放电特征量和关于放电重复率与所述局部放电特征量相结合的变化趋势指标；
建立模块，用于根据所述局部放电特征量和所述变化趋势指标，建立径向基函数模型；
训练模块，用于基于所述局部放电特征量和所述变化趋势指标，训练和验证所述训练后的径向基函数模型，得到目标径向基函数模型；
待测模块，用于获取待测电缆中间接头的预处理待测数据；
评估模块，用于将所述预处理待测数据输入所述目标径向基函数模型，得到所述目标径向基函数模型各子网络的状态评估结果数据；
融合模块，用于运用D-S证据理论，结合预设的决策规则，融合所述状态评估结果数据，得到所述待测电缆中间接头的绝缘状态结果数据。
7.根据权利要求6所述的电缆中间接头的绝缘状态评估装置，其特征在于，所述获取模块包括：
获取子模块，用于获取电缆中间接头的原始局部放电信号数据并对所述原始局部放电信号进行特征提取，得到原始局部放电特征量；
处理子模块，用于根据预设的相对劣化度数据，对所述原始局部放电特征量进行标准化处理，得到所述电缆中间接头的局部放电特征量；
构建子模块，用于根据预设的价量趋势参数和所述局部放电特征量，构建关于放电重复率与所述局部放电特征量相结合的变化趋势指标。
8.根据权利要求6所述的电缆中间接头的绝缘状态评估装置，其特征在于，所述训练模块包括：
划分子模块，用于划分所述局部放电特征量和所述变化趋势指标为训练数据和验证数据；
训练子模块，用于根据所述训练数据，训练所述径向基函数模型，得到训练后的径向基函数模型；
验证子模块，用于基于所述验证数据，验证所述训练后的径向基函数模型，得到所述目标径向基函数模型。
9.根据权利要求8所述的电缆中间接头的绝缘状态评估装置，其特征在于，所述训练子模块包括：
训练单元，用于将所述训练数据输入所述径向基函数模型，得到对应的绝缘状态预测结果数据；
确定单元，用于根据所述训练数据对应的数据标签和所述绝缘状态预测结果数据，确定训练误差；
优化单元，用于基于所述训练误差，对所述径向基函数模型进行调整，得到最优参数，并采用所述最优参数，优化所述径向基函数模型，得到所述训练后的径向基函数模型。
10.根据权利要求9所述的电缆中间接头的绝缘状态评估装置，其特征在于，所述训练子模块还包括：
初始单元，用于初始化所述径向基函数模型的参数。
CN202211019668.1A 2022-08-24 2022-08-24 一种电缆中间接头的绝缘状态评估方法及装置 Pending CN115389881A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211019668.1A CN115389881A (zh) 2022-08-24 2022-08-24 一种电缆中间接头的绝缘状态评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211019668.1A CN115389881A (zh) 2022-08-24 2022-08-24 一种电缆中间接头的绝缘状态评估方法及装置

Publications (1)

Publication Number Publication Date
CN115389881A true CN115389881A (zh) 2022-11-25

Family

ID=84122217

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211019668.1A Pending CN115389881A (zh) 2022-08-24 2022-08-24 一种电缆中间接头的绝缘状态评估方法及装置

Country Status (1)

Country Link
CN (1) CN115389881A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117849560A (zh) * 2024-03-07 2024-04-09 南京中鑫智电科技有限公司 结合末屏电压和局部放电的阀侧套管绝缘监测方法及***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117849560A (zh) * 2024-03-07 2024-04-09 南京中鑫智电科技有限公司 结合末屏电压和局部放电的阀侧套管绝缘监测方法及***
CN117849560B (zh) * 2024-03-07 2024-05-28 南京中鑫智电科技有限公司 结合末屏电压和局部放电的阀侧套管绝缘监测方法及***

Similar Documents

Publication Publication Date Title
CN113702895B (zh) 一种电压互感器误差状态在线定量评估方法
CN104035431B (zh) 用于非线性过程监控的核函数参数的获取方法和***
CN108038300A (zh) 基于改进的隶属度函数结合神经网络的光纤状态评估方法
CN113111591B (zh) 基于模块化配电终端内部故障自动诊断方法、装置及设备
CN112287556A (zh) 电缆绝缘状态的确定方法及装置
CN111967791B (zh) 一种考虑扰动与故障阈值的设备性能评估方法及***
CN115389881A (zh) 一种电缆中间接头的绝缘状态评估方法及装置
CN116610998A (zh) 一种基于多模态数据融合的开关柜故障诊断方法和***
Cheng et al. Predicting the remaining useful life of rolling element bearings using locally linear fusion regression
CN113657622A (zh) 电力设备多维状态数据融合方法、装置、终端及存储介质
CN114528721B (zh) 一种电缆中间接头绝缘状态评估方法及***
CN115600136A (zh) 一种基于多传感器的高压套管故障诊断方法、***及介质
CN117272102A (zh) 一种基于双注意力机制的变压器故障诊断方法
He et al. A systematic method of remaining useful life estimation based on physics-informed graph neural networks with multisensor data
Dang et al. seq2graph: Discovering dynamic non-linear dependencies from multivariate time series
CN117407675A (zh) 基于多变量重构联合动态权重的避雷器泄漏电流预测方法
CN112149791A (zh) 一种基于神经网络识别和模糊分析的低电压风险评估***
CN116627116A (zh) 一种流程工业故障定位方法、***及电子设备
Yu et al. Design for an SPRT control scheme based on linguistic data
CN115423370A (zh) 一种继电保护设备健康状态评估方法及装置
CN115130505A (zh) 基于改进残差收缩网络的focs故障诊断方法
CN112069621B (zh) 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法
Yu et al. Knowledge reasoning of transmission line component detection using CRITIC and TOPSIS approaches
CN116882333B (zh) 一种芯片极限频率的预测方法、装置、设备及介质
CN112114215A (zh) 基于误差反向传播算法的变压器老化评估的方法及***

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