CN117434391A - 一种gis状态综合分析方法 - Google Patents
一种gis状态综合分析方法 Download PDFInfo
- Publication number
- CN117434391A CN117434391A CN202310810839.0A CN202310810839A CN117434391A CN 117434391 A CN117434391 A CN 117434391A CN 202310810839 A CN202310810839 A CN 202310810839A CN 117434391 A CN117434391 A CN 117434391A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- data
- discharge
- evaluation parameter
- partial discharge
- 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
Links
- 238000004458 analytical method Methods 0.000 title claims description 24
- 238000011156 evaluation Methods 0.000 claims abstract description 109
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000007547 defect Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000003909 pattern recognition Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- 238000001308 synthesis method Methods 0.000 claims 3
- 238000013507 mapping Methods 0.000 claims 1
- 230000002194 synthesizing effect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 description 10
- 238000012423 maintenance Methods 0.000 description 6
- 230000036760 body temperature Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G01R31/1254—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 gas-insulated power appliances or vacuum gaps
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种GIS状态综合分析方法,请参照图1,因局部放电数据的数据量及采样频率与其他数据差异较大,因此,先对局部放电数据进行智能算法处理,对气体特性及断路器机械特性数据进行阈值判断及边缘处理,然后进行改进型多级模糊综合评估,得到隶属度函数,给出评估结果。相比于单一智能算法,本发明具有评价维度全面、准确度高的优点。
Description
技术领域
本发明涉及电力设备状态在线监测领域,具体涉及一种GIS状态综合分析方法。
背景技术
由于GIS能够集成变电站中断路器、隔离开关、接地开关、电压互感器、电流互感器、避雷器、母线等多种设备的特性,已被广泛应用与世界各地的电器领域,具备占地面积小、结构紧凑、安装方便等优点。但正是因为GIS设备的全密封结构,导致其检修困难且检修工作复杂,因此需要专门的监控***对各类数据进行监测与分析,为GIS设备的运维检修提供可靠依据。
目前,GIS状态综合分析工作中主要存在以下问题:设备状态数据类型差异大,不利于整合,需优化数据通信结构,实现不同类型数据的实时监测和匹配;优化分类决策方法是准确故障识别、减少误判发生的关键,目前常用的智能算法有神经网络、支持向量机、聚类分析等方法,但只采用一种算法进行判别,漏判、误判的概率较大。
发明内容
本发明目的是提供一种GIS状态综合分析方法,可以综合不同类型的数据,进行准确度更高的多源数据综合评估。
本发明为实现上述目的,通过以下技术方案实现:
一种GIS状态综合分析方法,包括步骤:
(1)获取各传感单元数据,并对传感单元数据进行边缘计算,所述传感器单元数据包括局部放电数据、SF6气体特性数据、断路器机械特性数据;
(2)将边缘计算后的传感单元数据输入综合评估算法模型,采用改进型多级模糊综合评估算法给出评估结果和检修建议;
(3)将边缘计算后的传感单元数据输入通信模型,解析为云平台可用格式数据;
(4)将评估结果、检修建议和解析后的数据上传至***云平台进行展示;
其中,步骤(2)所述改进性多级模糊综合评估算法包括步骤:
建立评价参量集和评价状态集;
根据评价参量集和评价状态集建立评价矩阵;
确定评价参量的权重,将评价参量的权重和评价矩阵进行模糊合成运算,按加权平均模型,得到评价参量对各等级评价状态的隶属度向量;
根据隶属度向量进行综合结果分析。
评价参量集包括一级评价参量和二级评价参量,所述一级评价参量和二级评价参量的确定方法为:
建立n个评价参量构成的一级评价参量集:
U={u1,u2,…,un}
将U分为k组,即令,U={U1,U2,…,Uk},使得得到二级评价参量Ui:
其中,
一级评价参量和二级评价参量的权重计算方法为:
对一级评价参量U进行综合评价,得到一级评价参量的权重向量A=(a1,a2,…,ak);
对二级评价参量Ui按照主因素突出模型进行单因素加权,建立评价矩阵:
其中rnij (i)表示第i二级评价参量对第j个评价状态的隶属度,m表示;
确定二级评价参量Ui的权重向量为:
隶属度向量的计算方法为:
对二级评价参量的权重向量Ai和评价矩阵Ri进行模糊合成运算,按加权平均模型,得到评价参量对各等级评价状态的隶属度向量:
结合一级评价参量的权重向量A'=(a1,a2,…,ak),R'=(B1 B2 … Bk)T,得到总体综合评价结果为
局部放电数据的边缘计算包括步骤:数据预处理,采集单元将模拟量的传感单元数据进行滤波处理、模数转换、特征提取和统计分析;数据时域分析,将局部放电数据进行定量分类统计,判断结果为非放电区、强放电区或弱放电区,对于非放电信号进行清零处理,对于强、弱放电区的数据进行初步放电类型判断,判断结果为干扰信号或放电信号;数据频域分析,先建立训练程序,再采用矩阵化局部放电相位分布谱图进行模式识别,对矩阵化后的局部放电相位分布谱图有无局部放电进行标识;对横坐标进行相窗化处理,将全周期平均划分为多个相窗,把原来位于某个相窗内的点的横坐标更改为相应相窗的序号,纵坐标归一化;局部放电放电类型识别。
数据时域分析的局部放电时域信息包括特定区域的放电幅值和次数、放电相位的平均次数、放电相位的占空比。
局部放电类型识别包括步骤:训练程序输出参数矩阵,识别程序调用训练参数矩阵来对未知样本进行识别。
训练程序采用无偏置BP神经网络算法进行训练,BP神经网络有多个分类器分别对不同缺陷类型进行是非判断,输出越接近1越趋向于是,越接近-1越趋向于非,每次迭代的每个样本在计算时,都会根据该样本代入时分类器输出值1或-1的差距以及学习率,调整该分类器的参数;分类器的输出为:
其中,wi表示第i个权重,xi表示第i个特征值;
参数的更新量为:
Δwi=(y-y')ηxi
其中,η为学习率。
特定区域的局部放电时域信息是采集每隔10ms、20ms、30ms、4.63ms区域的放电幅值和次数,放电相位的平均次数,放电相位占空比,其中,采样间隔4.63ms为工程经验值。
进一步的,断路器机械特性数据的边缘计算为:应用小波变换对电流、行程信号进行预处理,去除信号噪声;对断路器分合闸电流曲线进行特征提取,分别确定分合闸信号启动时间、电流快速增长时间、铁心运动到位时间、辅助触头转化时间、触头行程、触头行程平均速度,进行分合闸电流曲线特征拟合;然后采用机器学习算法对数据进行训练和分类,实现断路器机械状态识别。
进一步的,SF6气体特性数据的边缘计算方法为:对采样间隔内的SF6气体压力、温度、密度和微水数据归一化处理,构建数据样本;运用BP神经网络算法对数据进行分类处理,实现设备气体状态识别。
本发明提供了一种GIS状态综合分析算法,采用边缘计算和多源数据综合评估,实现GIS状态的评价,为GIS设备运行监控和运维检修提供依据。本发明考虑局部放电、气体状态、机械特性状态各类数据的差异性,先采用边缘计算对数据进行预处理,对气体特性及断路器机械特性数据进行阈值判断,然后进行改进型多级模糊综合评估,得到隶属度函数,给出评估结果,相比于单一智能算法,具有评价维度全面、准确度高的优点。
附图说明
图1为本发明GIS状态综合分析算法流程图;
图2为局部放电数据边缘计算流程图;
具体实施方式
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。
本实施例公开了一种GIS状态综合分析方法,请参照图1,因局部放电数据的数据量及采样频率与其他数据差异较大,因此,先对局部放电数据进行智能算法处理,对气体特性及断路器机械特性数据进行阈值判断,然后进行改进型多级模糊综合评估,得到隶属度函数,给出评估结果。具体步骤如下:
步骤一、获取各传感单元数据,并对传感单元数据进行边缘计算,传感器单元数据包括局部放电数据、SF6气体特性数据、断路器机械特性数据。
局部放电的边缘计算的过程请参照图2,具体实现如下:
(1)数据预处理:传感器以模拟量数据上传,采集单元进行数据滤波处理、模数转换、特征提取和统计分析。
(2)数据时域分析:***部放电时域信息(TRPD),采集每隔10ms、20ms、30ms、4.63ms区域附近的放电幅值和次数,放电相位的平均次数,放电相位占空比。进行定量分类统计,设置判别模型的阈值条件,判断结果为非放电区、强放电区域和弱放电区域,对于非放电信号进行清零处理,对于强、弱放电区的数据进行初步放电类型判断,判断结果为干扰信号或放电信号。
(3)数据频域分析:采用无偏置BP神经网络算法进行训练,采用矩阵化局部放电相位分布谱图(PRPD谱图)进行模式识别。矩阵化的PRPD谱图为120*100的0-1矩阵,对于每个单元格,0表示在该单元格内无局部放电,1表示在该单元格内有局部放电。
(4)对横坐标进行相窗化处理:将全周期平均划分为120个相窗,每个相窗占3°,把原来位于某个相窗内的点的横坐标更改为相应相窗的序号。纵坐标归一化,把每个点原来纵坐标改为0~100之间的整数。
(5)局部放电放电类型识别:训练程序输出5*240的参数矩阵,识别程序调用训练矩阵来对未知样本进行识别。训练程序通过读取不同缺陷类型若干个数据样本,完成自身参数更新,所有样本都完成一次读取,称为一次迭代。本实施例训练用的的BP神经网络有5个分类器,分别进行尖刺、颗粒、气隙、悬浮和沿面五种缺陷类型的是非判断。以分类器1为例,如果该分类器认为样本是尖刺缺陷类型,它的输出越大(越接近1),如果不是尖刺缺陷类型,它的输出越小(越接近-1)。每次迭代的每个样本在计算时,都会根据该样本代入时分类器输出值与1或-1的差距以及学习率,调整该分类器的参数。分类器的输出如式1-1所示:
参数的更新量表达式如式1-2所示:
Δwi=(y-y')ηxi (1-2)
其中,wi表示第i个权重,xi表示第i个特征值,η为学习率,如果设置过高会导致梯度***,即损失函数越来越大,离目标值越来越远,设置过低则训练缓慢,该参数可根据工程经验调节。
断路器机械特性数据的边缘计算为:应用小波变换对电流、行程信号进行预处理,去除信号噪声;对断路器分合闸电流曲线进行特征提取,分别确定分合闸信号启动时间、电流快速增长时间、铁心运动到位时间、辅助触头转化时间、触头行程、触头行程平均速度,进行分合闸电流曲线特征拟合;然后采用机器学习算法对数据进行训练和分类,实现断路器机械状态识别。
SF6气体特性数据的边缘计算方法为:对采样间隔内的SF6气体压力、温度、密度和微水数据归一化处理,构建数据样本;运用BP神经网络算法对数据进行分类处理,实现设备气体状态识别。
步骤二、将边缘计算后的传感单元数据输入综合评估算法模型,采用改进型多级模糊综合评估算法给出评估结果和检修建议。
改进型多级模糊综合评估算法具体实现如下:
(1)建立评价参量集U={u1,u2,…,un},评价参量共有n个。将U分为k组,U={U1,U2,…,Uk},U为一级评价参量,Ui(i=1,2,…,k)为二级评价参量,且Ui={u1 (i),u2 (i),…,uni (i)},i=1,2,…,k,其中,
在本实施例中,评价参量包括:
设备基础状态数据:运行年限、检修次数、缺陷次数、缺陷类型、本体温度、本体负荷;
局部放电数据:放电幅值、放电次数、放电最大值、放电平均值、放电类型、放电能量密度;
SF6气体特性数据:温度、压力、密度、微水、露点、相对湿度;
断路器机械特性数据:分合闸电流、电机电流、触头行程、平均速度、分闸时间、合闸时间;
上述一共24个评价参量,按设备基础状态、绝缘状态、气体状态、机械状态分为4组,二级评价参量为U1={运行年限、检修次数、缺陷次数、缺陷类型、本体温度、本体负荷};U2={放电幅值、放电次数、放电最大值、放电平均值、放电类型、放电能量密度};U3={温度、压力、密度、微水、露点、相对湿度},U4={线圈电流、电机电流、触头行程、平均速度、分闸时间、合闸时间}。设备基础状态数据来源于设备试验或台账数据,其余数据来自实时监测。
(2)建立评价状态集V={v1,v2,v3,v4},评价状态共有4个:
v1为正常,设备各状态监测数据稳定且不超限值;
v2为注意,设备状态参量有上升或波动趋势;
v3为异常,至少一种设备状态监测量偶尔超限值,需提高监测频率;
v4为危险,两种及以上设备状态监测量连续超限值,需安排设备停电检修。
(3)根据110kV GIS现场运行经验设计评价矩阵,实际应用中可根据设备电压等级、运维检修经验等进行评价矩阵设置。二级评价参量应用主因素突出模型进行矩阵运算,评价参量的量化标准从轻到重划分为四个等级,分别为1级、2级、3级、4级,其对应的影响因子分别为1、2、3和4。按因素占比进行综合判断。
(4)使用一级评价参量进行加权平均模型进行矩阵运算。得出最终综合评价指标。
步骤三、将边缘计算后的传感单元数据输入通信模型,解析为云平台可用的JSON格式数据;
步骤四、将评估结果、检修建议和解析后的数据上传至***云平台进行展示;
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (11)
1.一种GIS状态综合分析方法,其特征在于,包括步骤:
(1)获取各传感单元数据,并对传感单元数据进行边缘计算,所述传感器单元数据包括局部放电数据、SF6气体特性数据、断路器机械特性数据;
(2)将边缘计算后的传感单元数据输入综合评估算法模型,采用改进型多级模糊综合评估算法给出评估结果和检修建议;
(3)将边缘计算后的传感单元数据输入通信模型,解析为云平台可用格式数据;
(4)将评估结果、检修建议和解析后的数据上传至***云平台进行展示;
其中,步骤(2)所述改进性多级模糊综合评估算法包括步骤:
建立评价参量集和评价状态集;
根据评价参量集和评价状态集建立评价矩阵;
确定评价参量的权重,将评价参量的权重和评价矩阵进行模糊合成运算,按主因素突出加权和平均加权模型,得到评价参量对各等级评价状态的隶属度向量;
根据隶属度向量进行综合结果分析。
2.根据权利要求1所述的GIS状态综合分析方法,其特征在于,所述评价参量集包括一级评价参量和二级评价参量,所述一级评价参量和二级评价参量的确定方法为:
建立n个评价参量构成的一级评价参量集:
U={u1,u2,…,un}
将U分为k组,即令,U={U1,U2,…,Uk},使得得到二级评价参量集Ui:
其中,Ui包含ni个评价参量。
式中,
3.根据权利要求1所述的GIS状态综合分析方法,其特征在于,所述评价状态集为Vi={v1,v2,…,vm},包括m个评价状态。
4.根据权利要求2所述的GIS状态综合分析方法,其特征在于,所述一级评价参量和二级评价参量的权重计算方法为:
对第二级评价参量Ui={u1 (i),u2 (i),…,uni (i)},i=1,2,…,k,建立映射关系:
按照主因素突出模型进行单因素加权,建立评价矩阵:
即:其中/>表示第i个二级评价参量对第j个评价状态的隶属度,m表示评价状态个数;
确定二级评价参量的权重向量为/>二级评价参量的权重向量Ai和评价矩阵Ri进行模糊合成运算,得到评价参量对各等级评价状态的隶属度向量,/>
对一级评价参量U={U1,U2,…,Uk}进行综合评价,设一级评价参量的权重向量A'=(a1,a2,…,ak),得到总评价矩阵为:
R'=(B1 B2 … Bk)T;
按加权平均型合成运算,得综合评判为:
5.根据权利要求1所述的GIS状态综合分析方法,其特征在于,所述局部放电数据的边缘计算包括步骤:数据预处理,采集单元将模拟量的传感单元数据进行滤波处理、模数转换、特征提取和统计分析;数据时域分析,将局部放电数据进行定量分类统计,判断结果为非放电区、强放电区或弱放电区,对于非放电信号进行清零处理,对于强、弱放电区的数据进行初步放电类型判断,判断结果为干扰信号或放电信号;数据频域分析,先建立训练程序,再采用矩阵化局部放电相位分布谱图进行模式识别,对矩阵化后的局部放电相位分布谱图有无局部放电进行标识;对横坐标进行相窗化处理,将全周期平均划分为多个相窗,把原来位于某个相窗内的点的横坐标更改为相应相窗的序号,纵坐标归一化;局部放电放电类型识别。
6.根据权利要求5所述的GIS状态综合分析方法,其特征在于,所述数据时域分析的局部放电时域信息包括特定区域的放电幅值和次数、放电相位的平均次数、放电相位的占空比。
7.根据权利要求5所述的GIS状态综合分析方法,其特征在于,所述局部放电类型识别包括步骤:训练程序输出参数矩阵,识别程序调用训练参数矩阵来对未知样本进行识别。
8.根据权利要求7所述的GIS状态综合分析方法,其特征在于,所述训练程序采用无偏置BP神经网络算法进行训练,BP神经网络有多个分类器分别对不同缺陷类型进行是非判断,输出越接近1越趋向于是,越接近-1越趋向于非,每次迭代的每个样本在计算时,都会根据该样本代入时分类器输出值1或-1的差距以及学习率,调整该分类器的参数;分类器的输出为:
其中,wi表示第i个权重,xi表示第i个特征值;
参数的更新量为:
Δwi=(y-y')ηxi
其中,η为学习率。
9.根据权利要求6所述的GIS状态综合分析方法,其特征在于,所述特定区域的局部放电时域信息是采集每隔10ms、20ms、30ms、4.63ms区域附近的放电幅值和次数,放电相位的平均次数,放电相位占空比。
10.根据权利要求1所述的GIS状态综合分析方法,其特征在于,所述断路器机械特性数据的边缘计算为:应用小波变换对电流、行程信号进行预处理,去除信号噪声;对断路器分合闸电流曲线进行特征提取,分别确定分合闸信号启动时间、电流快速增长时间、铁心运动到位时间、辅助触头转化时间、触头行程、触头行程平均速度,进行分合闸电流曲线特征拟合;然后采用机器学习算法对数据进行训练和分类,实现断路器机械状态识别。
11.根据权利要求1所述的GIS状态综合分析方法,其特征在于,所述SF6气体特性数据的边缘计算方法为:对采样间隔内的SF6气体压力、温度、密度和微水数据归一化处理,构建数据样本;运用BP神经网络算法对数据进行分类处理,实现设备气体状态识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310810839.0A CN117434391A (zh) | 2023-07-04 | 2023-07-04 | 一种gis状态综合分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310810839.0A CN117434391A (zh) | 2023-07-04 | 2023-07-04 | 一种gis状态综合分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117434391A true CN117434391A (zh) | 2024-01-23 |
Family
ID=89552286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310810839.0A Pending CN117434391A (zh) | 2023-07-04 | 2023-07-04 | 一种gis状态综合分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117434391A (zh) |
-
2023
- 2023-07-04 CN CN202310810839.0A patent/CN117434391A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112014047B (zh) | 一种有载分接开关机械故障诊断方法 | |
CN109061426B (zh) | 变压器局部放电故障诊断方法及在线监测装置 | |
CN110082082B (zh) | 一种基于振动信号主成分分析法的gis状态识别方法 | |
CN109975665A (zh) | 一种电力设备局部放电信号放电类型识别方法 | |
CN104155585A (zh) | 基于gk模糊聚类的gis局部放电类型识别方法 | |
CN115600088A (zh) | 一种基于振动信号的配电变压器故障诊断方法 | |
CN110702966B (zh) | 一种基于概率神经网络的故障电弧检测方法、装置及*** | |
CN111103517A (zh) | 一种真空度局部放电脉冲群分类识别方法 | |
CN114325256A (zh) | 一种电力设备局部放电识别方法、***、设备及存储介质 | |
CN112147444A (zh) | 一种电力变压器工作状态监测方法及*** | |
CN112016470A (zh) | 基于声音信号和振动信号的有载分接开关故障识别方法 | |
CN116796271A (zh) | 一种居民用能异常识别方法 | |
CN115877205A (zh) | 一种伺服电机的故障智能诊断***及其诊断方法 | |
CN112200000A (zh) | 一种焊接稳定性识别模型训练方法、焊接稳定性识别方法 | |
CN111079647A (zh) | 一种断路器缺陷识别方法 | |
CN112636328B (zh) | 一种中压配电网设备负荷状态辨识方法 | |
CN112949497B (zh) | 一种基于改进广义回归神经网络的gis局放模式识别方法 | |
CN114397569A (zh) | 基于vmd参数优化、样本熵的断路器故障电弧检测方法 | |
CN111933186B (zh) | 用于对有载分接开关进行故障识别的方法、装置及*** | |
CN117434391A (zh) | 一种gis状态综合分析方法 | |
CN116990633A (zh) | 一种基于多特征量的故障研判方法 | |
CN116975389A (zh) | 一种变电站故障分析方法及装置 | |
CN116520092A (zh) | 一种电力机车供电***接地故障定位识别方法 | |
CN109917245B (zh) | 考虑相位差的超声检测局部放电信号模式识别方法 | |
CN115728628A (zh) | 一种断路器控制回路故障在线监测预警方法及装置 |
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 |