CN115542099A - 一种在线gis局部放电检测方法和装置 - Google Patents

Abstract

本发明公开了一种在线GIS局部放电检测方法和装置，属于带电检测技术领域，通过超高频测试模块得到超高频采集信号；通过超声测试模块得到超声采集信号；对采集到的超高频采集信号进行特征信号提取得到所述波形特征信号和所述幅值特征信号；局放分析模块将分析得到的超声采集信号、波形特征信号送入到已训练完成的基于PSO‑SVM的组合型预测模型中，输出相应的故障级别；当故障级别为严重状态或者紧急状态时，将故障级别、超声采集信号、幅值特征信号、波形特征信号送入到基于SVM算法的分类模型之中，得到相应的局放故障类型，并根据故障级别和局放故障类型输出相应的故障处理策略，从而大大提高了GIS检测的准确性。

Description

一种在线GIS局部放电检测方法和装置

技术领域

本发明涉及GIS检测技术领域，尤其涉及一种在线GIS局部放电检测方法和装置。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

石化厂属高危险性行业，正常、安全、不间断供电对它来说十分重要。为保证石油化工厂正常供电，可靠供电，在变电站的具体供电设备中，110kVGIS电气设备是所有设备中的核心设备，只有其安全可靠运行，才能提供一套完整、可靠的供电***为石化厂建成后生产提供动力支持。而为了实现对GIS的在线检测，GIS局部放电检测是一个非常常见的检测措施。由于 GIS 的同轴结构，电磁波不仅可以在 GIS 内部传播，而且可以透过盆式绝缘等非金属部件泄漏到 GIS 外，使用 UHF 天线可以检测到 GIS 局部放电产生的电磁波。该方法的主要优点是灵敏度高、抗干扰能力强，并能够根据电磁波从放电源到不同传感器的时间差对放电源进行定位，目前已经成功应用到 GIS 生产和运行检测中。 GIS 内部产生局部放电信号时会产生冲击的振动及声音，因此可以用腔体外壁上安装的超声波传感器来测量局部放电信号。超声波法是目前使用的除 UHF 方法之外较为成熟的局部放电监测方法。

当前的 GIS 局放测试装置主要有超声测试模块和超高频测试模块，超声测试模块虽然使用简单但测试效率低，易漏判；超高频测试模块灵敏度高，但存在现场电磁干扰复杂、而且需要有经验的专家才能操作等问题，同时由于超高频测试模块得到的采集信号具有明显的时序特征，因此缺乏采用处理时序特征数据的具有较大优势的SVM算法将超声测试模块和超高频测试模块的数据结合起来对GIS的局放信号进行解析，提升局放检测的效率和精度，且同时缺乏将超声波得到的特征信号进行综合计算得到波形特征信号和幅值特征信号，导致输入数据量较大，导致计算效率较低。

因此考虑上述因素，建立一种在线GIS局部放电检测方法和装置十分的必要。

发明内容

为了解决上述背景技术中存在的技术问题，本发明提供一种在线GIS局部放电检测方法，大大提高了GIS检测的准确性，减少了检测人员的工作强度。

通过超高频测试模块对运行中的GIS周边环境进行测量，获取其背景信号，得到超高频采集信号。

通过超声测试模块对对运行中的GIS周边环境进行测量，获取其背景信号，得到超声采集信号。

将采集到的超高频采集信号和超声采集信号输入到局放分析模块，将采集到的超高频采集信号进行特征信号提取，获得波形特征信号和幅值特征信号。

所述波形特征信号基于超高频采集信号的上升时间、超高频采集信号的下降沿时间、超高频采集信号的主峰时间获得，所述波形特征信号的计算公式为：

其中t ₁、t ₂、t ₃分别为超高频采集信号的上升时间、超高频采集信号的下降沿时间、超高频采集信号的主峰时间，K ₁、K ₂、K ₃、K ₄ 为常数，取值范围为0到1。

所述幅值特征信号基于超高频采集信号的幅值的均值、幅值的标准差、幅值的熵值构建得到，所述幅值特征信号的计算公式为：

其中K ₅、K ₆、K ₇、K ₈、K ₉为常数，取值范围在0到1之间，J ₁、J ₂、S分别为超高频采集信号的幅值的均值、幅值的标准差、幅值的熵值。

局放分析模块将分析得到的超声采集信号、波形特征信号构成初步输入集，并将初步输入集送入到已训练完成的基于PSO-SVM的组合型预测模型中，输出相应的故障级别。

当故障级别为严重状态或者紧急状态时，将故障级别、超声采集信号、幅值特征信号、波形特征信号为输入集，并将输入集送入到基于SVM算法的分类模型之中，得到相应的局放故障类型，并根据故障级别和局放故障类型输出相应的故障处理策略。

优选的，所述PSO-SVM算法的训练的具体步骤为：

S1将波形特征信号、幅值特征信号、超声采集信号作为输入数据，并将其划分为训练集和测试集，具有与上述信号所对应的故障级别的局放故障或者正常的数据作为输出数据。

S2 建立SVM模型，确定需要寻优的参数，神经元数量L1，学习率ε和训练迭代次数k，并确定各自寻优的范围。

S3 初始化PSO参数，包括粒子的初始速度和位置，学习权重，训练次数和规模。

S4确定粒子的适应度函数，将预测模型的改进型误差函数作为粒子的适应度函数，寻找最优模型参数。

S5 比较粒子的适应度值，得到个体最优位置和全局最优位置，更新最优的适应度值。

S6 判断是否达到最大迭代次数，如果达到最大迭代次数，将得到的最优参数传到SVM模型，并进行训练和预测，若未达到要求，则返回步骤S5。

优选的，所述故障级别包括：轻微状态，严重状态，紧急状态；轻微状态时，故障处于轻微状态，需加强观测；严重状态时，故障比较严重，但尚未影响GIS正常运行，需要定期对其进行复测；紧急状态时，故障十分严重，需要立刻联系停机。

优选的，所述改进型误差函数具体公式为：

其中，

为第t个神经网络的输出值，

为所有N个神经元的输出平均值，

为神经元的期望输出值，K ₁₀为常数。

优选的，所述局放故障类型具体包括内部杂质、表面毛刺、接触不良、悬浮电位和固体绝缘表面脏污。

一种在线GIS局部放电检测装置，具体包括：超声测试模块、超高频测试模块、局放分析模块三个模块；

超声测试模块，用于运行中的GIS进行测量，得到超高频采集信号；

超声测试模块，用于对运行中的GIS进行测量，得到超声采集信号；

局放分析模块，用于将分析得到的超高频采集信号和超声采集信号进行分析，输出相应的带有故障级别的局放故障类型。

本发明的优点在于：通过采用超声测试模块和超高频测试模块，可以实现对GIS局放信号的采集，通过设置局放分析模块，实现对局放信号的分析，并通过采用PSO-SVM的组合型预测模型，使得对局放类型的识别更加快速，对于局放类型的识别更加准确，从而避免原先超声测试模块测试效率低，易漏判，超高频测试模块定位需要用高级示波器和有经验的专家才能操作等问题，减少了检测人员的工作强度。

通过首先基于PSO-SVM的组合型预测模型预测得到故障级别，然后再根据故障级别的等级，再对故障类型进行判断，从而进一步提升了判断的精准度，也避免了不必要的计算，提升了效率。

输出带有故障级别的局放故障类型，从而将局放的类型以及故障级别输出给检测者，对检测者的经验要求和使用要求进一步降低，从而使得模块的操作变得更加简单，对模块的判定变得更加的准确。

输出相对应的故障处理策略，从而可以使得检测者能够按照建议和规程要求对模块进行处理，使得模块变得更加人性化，也使得检测结果变得更加的有指导意义。

附图说明

图1是本发明实施例1的流程图。

图2是本发明实施例1中的PSO-SVM算法的流程图。

图3是本发明实施例2的原理框图。

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清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本申请及其应用或使用的任何限制。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本申请，但是本申请还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施例的限制。

实施例1：

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清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本申请及其应用或使用的任何限制。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本申请，但是本申请还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施例的限制。

当前的 GIS 局放测试装置主要有超声测试模块和超高频测试模块，超声测试模块虽然使用简单但测试效率低，易漏判；超高频测试模块灵敏度高，但存在现场电磁干扰复杂、定位需要用高级示波器和有经验的专家才能操作等问题。

实施例1：

如图1所示，本发明公开了一种在线GIS局部放电检测方法：

为了解决背景技术中存在的技术问题，本发明提供一种在线GIS局部放电检测方法。

通过超高频（Ultra High Frequency-UHF）测试模块对运行中的GIS进行测量，得到超高频采集信号。

通过超声测试模块对对运行中的GIS进行测量，得到超声采集信号。

将采集到的超高频采集信号和超声采集信号输入到局放分析模块，对采集到的超高频采集信号进行特征信号提取，并根据特征信号得到波形特征信号和幅值特征信号，其中波形特征信号是基于超高频采集信号的上升时间、超高频采集信号的下降沿时间、超高频采集信号的主峰时间得到，幅值特征信号基于超高频采集信号的幅值的均值、幅值的标准差、幅值的熵值构建得到。

局放分析模块将分析得到的超声采集信号、波形特征信号构成初步输入集，并将所述初步输入集送入到已训练完成的基于PSO-SVM的组合型预测模型中，输出相应的故障级别。

当所述故障级别为严重状态或者紧急状态时，将所述故障级别、超声采集信号、幅值特征信号、波形特征信号为输入集，并将所述输入集送入到基于SVM算法的分类模型之中，得到相应的局放故障类型，并根据故障级别和局放故障类型输出相应的故障处理策略。

具体的举个例子，通过基于PSO-SVM算法的组合型预测模型得到的故障级别为紧急时，此时将紧急级别信号、50mV的超声采集信号，幅值特征信号、波形特征信号传输至基于SVM算法的分类模型中，得到的局放故障类型为内部杂质。

通过采用超声测试模块和超高频测试模块，可以实现对GIS局放信号的采集，通过设置局放分析模块，实现对局放信号的分析，并通过采用PSO-SVM的组合型预测模型，使得对局放类型的识别更加快速，对于局放类型的识别更加准确，从而避免原先超声测试模块测试效率低，易漏判，超高频测试模块定位需要用高级示波器和有经验的专家才能操作等问题，减少了检测人员的工作强度。

通过波形特征信号和幅值特征信号的构建，从而使得输入数据的数量进一步降低，进一步提升了模型处理的效率。

通过首先基于PSO-SVM的组合型预测模型预测得到故障级别，然后再根据故障级别的等级，再对故障类型进行判断，从而进一步提升了判断的精准度，也避免了不必要的计算，提升了效率。

输出带有故障级别的局放故障类型，从而将局放的类型以及故障级别输出给检测者，对检测者的经验要求和使用要求进一步降低，从而使得模块的操作变得更加简单，对模块的判定变得更加的准确。

输出相对应的故障处理策略，从而可以使得检测者能够按照建议和规程要求对模块进行处理，使得模块变得更加人性化，也使得检测结果变得更加的有指导意义。

在可能的另外一种实施例中，超高频（Ultra High Frequency-UHF）测试模块对GIS周边环境进行测量，获取背景信号。

通过背景信号的获取，可以进一步提升检测的精度，排除周边的干扰因素。

在可能的另外一种实施例中，超声测试模块对GIS周边环境进行测量，获取背景信号。

通过背景信号的获取，可以进一步提升检测的精度，排除周边的干扰因素。

在可能的另外一种实施例中，所述波形特征信号的计算公式为：

其中t ₁、t ₂、t ₃分别为所述超高频采集信号的上升时间、所述超高频采集信号的下降沿时间、所述超高频采集信号的主峰时间，K ₁、K ₂、K ₃、K ₄为常数，取值范围在0到1之间，具体的根据基于上升时间、下降沿时间、主峰时间对预测结果的影响程度确定。

在可能的另外一种实施例中，所述幅值特征信号的计算公式为：

其中K ₅、K ₆、K ₇、K ₈、K ₉为常数，取值范围在0到1之间，具体的根据幅值的均值、幅值的标准差、所述幅值的熵值对预测结果的影响程度确定，J ₁、J ₂、S分别为超高频采集信号的幅值的均值、幅值的标准差、所述幅值的熵值。

在可能的另外一种实施例中，所述PSO-SVM算法的训练的具体步骤为：

S1将波形特征信号、幅值特征信号、超声采集信号作为输入数据，具有与上述信号数据所对应的故障级别的局放故障或者正常的数据作为输出数据，并基于上述输入数据和输出数据构建数据集，并将其划分为训练集和测试集。

S2 建立SVM模型，确定需要寻优的参数，神经元数量L1，学习率ε和训练迭代次数k，并确定它们各自寻优的范围。

S3 初始化PSO参数。包括粒子的初始速度和位置，学习权重，训练次数和规模。

S4确定粒子的适应度函数。本文将预测模型的改进型误差函数作为粒子的适应度函数，寻找最优模型参数。

S5 比较粒子的适应度值。寻找个体最优位置和全局最优位置，更新最优的适应度值。

S6 判断是否达到最大迭代次数。如果达到最大迭代次数，将得到的最优参数传给SVM模型，并进行训练和预测。若未达到要求，则返回步骤S5。

采用PSO-SVM算法，可以进一步提升故障的检测速度，使得现场在故障检测的几秒钟之内就能得到结果，由于对于每一个故障检测点只有几分钟的时间，如果速度较慢，不能实时输出，使得最终的检测结果产生错乱，进而使得检测装置不能正常反应GIS的状态，训练完成后相关算法可以很快识别故障，从而避免由于速度过慢导致的故障问题检测不到的风险。

在可能的另外一种实施例中，所述故障级别包括：轻微状态，严重状态，紧急状态。

在可能的另外一种实施例中，所述轻微状态时，此时故障处于轻微状态，只需加强观测即可；所述严重状态时，此时故障比较严重，但尚未影响GIS正常运行，需要定期对其进行复测；所述紧急状态时，此时故障十分严重，需要立刻联系停机。

在可能的另外一种实施例中，所述局放故障类型：具体包括内部杂质、表面毛刺、接触不良、悬浮电位和固体绝缘表面脏污。

在可能的另外一种实施例中，所述改进型误差函数具体公式为：

其中，

为第t个神经网络的输出值，

为所有N个神经元的输出平均值，

为神经元的期望输出值，K ₁₀为常数。

采用改进型的误差函数，使得最终的预测结果变得更加准确，从而能够更好的对故障状态进行确定。

在可能的另外一种实施例中，所述故障处理策略，具体包括：加强检测；定期复测；停机处理。

输出相对应的故障处理策略，从而可以使得检测者能够按照建议和规程要求对模块进行处理，使得模块变得更加人性化，也使得检测结果变得更加的有指导意义。

实施例2

如图3所示，本发明公开了一种在线GIS局部放电检测装置：

一种在线GIS局部放电检测装置，采用上述的局部放电检测方法，具体包括超声测试模块、超高频测试模块、局放分析模块共三个模块。

超声测试模块，用于运行中的GIS进行测量，得到超高频采集信号。

超声测试模块，用于对运行中的GIS进行测量，得到超声采集信号。

局放分析模块，用于将分析得到的超高频采集信号和超声采集信号进行分析，输出相应的带有故障级别的局放故障类型。

在本发明实施例中，术语“多个”则指两个或两个以上，除非另有明确的限定。术语“安装”、“连接”、“固定”等术语均应做广义理解，例如，“连接”可以是固定连接，也可以是可折卸连接，或一体地连接。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明实施例中的具体含义。

本发明实施例的描述中，需要理解的是，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作，因此，不能理解为对本发明实施例的限制。

在本说明书的描述中，术语“一个实施例”、“一个优选实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上仅为本发明实施例的优选实施例而已，并不用于限制本发明实施例，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。

Claims (6)

1.一种在线GIS局部放电检测方法，其特征在于，具体包括：

通过超高频测试模块对运行中的GIS周边环境进行测量，获取其背景信号，得到超高频采集信号；

通过超声测试模块对对运行中的GIS周边环境进行测量，获取其背景信号，得到超声采集信号；

将采集到的超高频采集信号和超声采集信号输入到局放分析模块，将采集到的超高频采集信号进行特征信号提取，获得波形特征信号和幅值特征信号；

所述波形特征信号基于超高频采集信号的上升时间、超高频采集信号的下降沿时间、超高频采集信号的主峰时间获得，所述波形特征信号的计算公式为：

其中t ₁、t ₂、t ₃分别为超高频采集信号的上升时间、超高频采集信号的下降沿时间、超高频采集信号的主峰时间，K ₁、K ₂、K ₃、K ₄ 为常数，取值范围为0到1；

所述幅值特征信号基于超高频采集信号的幅值的均值、幅值的标准差、幅值的熵值构建得到，所述幅值特征信号的计算公式为：

其中K ₅、K ₆、K ₇、K ₈、K ₉为常数，取值范围在0到1之间，J ₁、J ₂、S分别为超高频采集信号的幅值的均值、幅值的标准差、幅值的熵值；

局放分析模块将超声采集信号、波形特征信号构建为初步输入集，并将初步输入集输入已训练完成的基于PSO-SVM的组合型预测模型，通过预测模型输出故障级别；

当故障级别为严重状态或者紧急状态时，将故障级别、超声采集信号、幅值特征信号、波形特征信号作为输入集，输入基于SVM算法的分类模型，得到局放故障类型，并根据故障级别和局放故障类型输出故障处理策略。

2.如权利要求1所述的在线GIS局部放电检测方法，其特征在于，所述PSO-SVM算法的训练的具体步骤为：

S1将波形特征信号、幅值特征信号、超声采集信号作为输入数据，并将其划分为训练集和测试集，具有与上述信号所对应的故障级别的局放故障或者正常数据作为输出数据；

S2 建立SVM模型，确定需要寻优的参数，神经元数量L1，学习率ε和训练迭代次数k，并确定各自寻优的范围；

S3 初始化PSO参数，包括粒子的初始速度和位置，学习权重，训练次数和规模；

S4确定粒子的适应度函数，将预测模型的改进型误差函数作为粒子的适应度函数，寻找最优模型参数；

S5 比较粒子的适应度值，得到个体最优位置和全局最优位置，更新最优的适应度值；

S6 判断是否达到最大迭代次数，如果达到最大迭代次数，将得到的最优参数传到SVM模型，并进行训练和预测，若未达到要求，则返回步骤S5。

3.如权利要求1所述的在线GIS局部放电检测方法，其特征在于，所述故障级别包括：轻微状态，严重状态，紧急状态；轻微状态时，故障处于轻微状态，需加强观测；严重状态时，故障比较严重，但尚未影响GIS正常运行，需要定期对其进行复测；紧急状态时，故障十分严重，需要立刻联系停机。

4.如权利要求2所述的在线GIS局部放电检测方法，其特征在于，所述改进型误差函数具体公式为：

其中，

为第t个神经网络的输出值，

为所有N个神经元的输出平均值，

为神经元的期望输出值，K ₁₀为常数。

5.如权利要求1所述的在线GIS局部放电检测方法，其特征在于，所述局放故障类型具体包括内部杂质、表面毛刺、接触不良、悬浮电位和固体绝缘表面脏污。

6.一种在线GIS局部放电检测装置，采用权利要求1-5任意一项所述的在线GIS局部放电检测方法，其特征在于，具体包括：超声测试模块、超高频测试模块、局放分析模块三个模块；

超声测试模块，用于运行中的GIS进行测量，得到超高频采集信号；

超声测试模块，用于对运行中的GIS进行测量，得到超声采集信号；

局放分析模块，用于将分析得到的超高频采集信号和超声采集信号进行分析，输出相应的带有故障级别的局放故障类型。

Images