CN117590174A - 一种局部放电检测去噪方法、装置及可读存储介质 - Google Patents

一种局部放电检测去噪方法、装置及可读存储介质 Download PDF

Info

Publication number
CN117590174A
CN117590174A CN202311690349.8A CN202311690349A CN117590174A CN 117590174 A CN117590174 A CN 117590174A CN 202311690349 A CN202311690349 A CN 202311690349A CN 117590174 A CN117590174 A CN 117590174A
Authority
CN
China
Prior art keywords
pulse
partial discharge
signal
thyristor
converter transformer
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
CN202311690349.8A
Other languages
English (en)
Inventor
季宇豪
于兵
林浩凡
金凌峰
赵琳
梁苏宁
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.)
Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Electric Power Research Institute of State Grid Zhejiang Electric Power 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 Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd filed Critical Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd
Priority to CN202311690349.8A priority Critical patent/CN117590174A/zh
Publication of CN117590174A publication Critical patent/CN117590174A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明属于换流变压器局部放电检测技术领域，具体涉及一种换流变压器局部放电检测去噪方法，针对换流变压器局部放电检测方法难以可靠去除晶闸管12脉动噪声的不足，本发明采用如下技术方案：一种换流变压器局部放电检测去噪方法，包括：采集含噪信号，计算含噪信号的累积能量函数；对含噪信号进行平滑滤波处理，确定脉冲起始时间；计算对比高阶累积量和高阶累积量变化量，确定脉冲截止时间；生成覆盖局部放电脉冲信号和晶闸管12脉动干扰信号的窗口，分别计算每个窗口内部信号的特征值；利用聚类算法对特征参数进行聚类，识别局部放电脉冲信号与晶闸管12脉动干扰信号。本发明的局部放电检测去噪方法的有益效果是：可靠滤除12脉动干扰信号。

Description

一种局部放电检测去噪方法、装置及可读存储介质
技术领域
本发明属于换流变压器局部放电检测技术领域，具体涉及一种换流变压器局部放电检测去噪方法、换流变压器局部放电检测去噪装置及计算机可读存储介质。
背景技术
在高压直流输电***中，由换流变压器和换流阀组成的换流装置是换流站的核心，换流变压器是输电工程中的关键性核心设备，在交直流输电中都起到了重要的作用，换流变压器能否正常运行直接影响电网的可靠性水平。局部放电是导致绝缘材料老化和劣化的重要原因，局部放电检测能有效反映换流变的绝缘状况，能有效发现换流变压器内的初期故障，是预防换流变压器绝缘事故的有效手段。
在换流变压器运行的过程中，当换流阀工作于持续导通或持续关断状态时，其两端电压不变，内部电磁状态稳定，不会产生脉动噪声。当换流阀处于开通或关断的短暂过程中，其两端电压迅速升高或降低，换流阀内部杂散电容及缓冲电容充放电，产生高频电流，通过与阀侧绕组的直接连接，流向换流变压器。换流阀的导通与关断产生的晶闸管12脉动噪声信号会耦合至网侧绕组并沿绕组传播至两端，严重影响局部放电检测的准确性。
针对晶闸管12脉动噪声信号，目前其在换流变压器绕组中的传播过程并不明晰，去噪方法多采用直接高通滤波法。直接高通滤波法在去除晶闸管12脉动噪声的过程中会同时滤除局部放电信号的低频部分，严重影响了局部放电脉冲电流信号采集的准确性。
为提升准确性，部分学者提出了极性耦合消干扰方法，通过同时采集局部放电信号和晶闸管12脉动干扰信号，将晶闸管12脉动干扰信号处理为相位相同、幅值相同、极性相反的信号与局部放电信号相加，实现极性耦合消除干扰。但是，由于单独采集到的晶闸管12脉动干扰和局部放电信号中叠加的晶闸管12脉动干扰存在差异，因此极性耦合消干扰法不能完全滤除12脉动噪声干扰的影响。
发明内容
本发明针对换流变压器局部放电检测方法难以可靠去除晶闸管12脉动噪声的不足，提供一种换流变压器局部放电检测去噪方法，有效地将局部放电信号与晶闸管12脉动干扰信号分离，从而抑制或消除晶闸管12脉动噪声的干扰。
为实现上述目的，本发明采用如下技术方案：一种换流变压器局部放电检测去噪方法，所述换流变压器局部放电检测去噪方法包括：
步骤S1、采集混合了局部放电脉冲信号和晶闸管12脉动干扰信号的含噪信号，计算含噪信号的累积能量函数；
步骤S2、对累积能量函数进行平滑滤波处理，确定局部放电脉冲信号和晶闸管12脉动干扰信号的脉冲起始时间；
步骤S3、计算对比累积能量函数的高阶累积量和高阶累积量变化量，确定局部放电脉冲信号和晶闸管12脉动干扰信号的脉冲截止时间；
步骤S4、根据得到的局部放电脉冲信号和晶闸管12脉动干扰信号的起始和截止时间，进行加窗处理，分别计算每个窗口内的信号的特征值，提取特征参数；
步骤S5、利用聚类算法对特征参数进行聚类，分离局部放电脉冲信号与晶闸管12脉动干扰信号，从而去除晶闸管12脉动干扰信号的干扰。
作为改进，步骤S1中，信号的累积能量函数E(i)表示为：
式中，k为信号的采样点数，Em为信号平均能量，x为信号序列，N为信号长度。
作为改进，步骤S2中，通过计算累积能量函数的极小值来确定局部放电脉冲信号和晶闸管12脉动干扰信号的位置，将累积能量函数平滑滤波处理后的极值点作为局部放电脉冲信号和12脉动信号的脉冲起始时间。
作为改进，步骤S3包括：
步骤S31、以每段脉冲起始时间为起点，通过正向搜索计算每段时域信号的一阶到四阶的原点矩，表示为：
原始信号为离散信号x，m1、m2、m3、m4即E(x)、E(x2)、E(x3)、E(x4)分别为序列阵列的一阶到四阶原点矩；
步骤S32、正向搜索计算每段时间序列的高阶累积量ci，表示为：
步骤S33、计算Δci，判断ci＝Δci，ci>C0这两个条件，确定局部放电脉冲信号和晶闸管12脉动干扰信号的脉冲截止时间，Δci为高阶累积量变化量，Δci＝ci-ci-1，C0为四阶累积量的阈值。
作为改进，步骤S3还包括：
步骤S34、基于时域四阶累积量本身具有与时域四阶累积量变化量相同的这一特征，确定局部放电脉冲信号和晶闸管12脉动干扰信号的脉冲截止时间，根据这一方法计算脉冲起始时间，验证通过累积能量函数计算所得的脉冲起始时间。
作为改进，步骤S4包括：
步骤S41、以信号的采样范围作为粒子的活动空间，生成若干位置和速度不同的粒子，每个粒子Pi对应信号序列上的一个窗口，粒子的位置和速度/> 均为二维向量，粒子位置坐标的两个分量分别对应窗口的左右两个边界，将脉冲信号的起始和截止段包含在内，因此有0<pi1<p<pi2<N，即保证局部放电脉冲信号和晶闸管12脉动干扰信号的位置p位于粒子对应的窗口内；
步骤S42、将两个脉冲信号在脉冲上升时间、脉冲持续时长、峰值放电强度三个方面的差异作为波形特征参数，对特征参数进行归一化处理，使特征参数处于同一数量级。
作为改进，归一化的过程为：对计算得到的特征参数x(N)＝{x1,x2,...,xN}，计算其最大值xmax和最小值xmin，对序列里的每一个点xi进行归一，计算公式如下：
归一化后信号的最大值为1，最小值为0，信号序列中的点都依次线性变化至区间[0，1]。
作为改进，步骤S5中，采用模糊C均值聚类算法，具体过程为：在Matlab实验平台下，设置聚类数C＝2，模糊因子m＝2，最大迭代次数LOOP＝100，误差ε＝10-6；两类脉冲信号按类别紧密分布在聚类中心周围，不同类别之间的区别明显，根据特征参数，滤除晶闸管12脉动干扰信号并，得到只包含局部放电信号的原始信号。
一种换流变压器局部放电检测去噪装置，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现前述的一种换流变压器局部放电检测去噪方法。
一种计算机可读存储介质，存储有计算机程序，其特征在于：所需计算机程序被执行时实现前述的一种换流变压器局部放电检测去噪方法。
本发明的局部放电检测去噪方法的有益效果是：去除12脉动干扰信号的同时，最大程度地保留了局部放电脉冲信号的低频信号，使得局部放电信号失真的信号少，极大地提高了局部放电检测的准确性；通过计算含噪信号的累积能量函数，并进行平滑滤波处理，在优化处理后的累积能量函数波形上通过极值点来确定局放脉冲和脉动干扰信号的脉冲起始时间；以每段脉冲起始时间为起点，通过正向搜索计算信号的高阶累积量和高阶累积量变化量，与所设阈值进行比较来确定局部放电脉冲信号和晶闸管12脉动干扰信号的脉冲截止时间；脉冲起止时间的获取更加精确、更加快捷。
附图说明
图1是本发明实施例一的局部放电检测去噪方法的流程图。
图2是原始信号图(横坐标为时间t，单位为×105ps，纵坐标为幅值u，单位为mv)。
图3是采用本发明实施例一的局部放电检测去噪方法平滑滤波前的累积能量函数图(横坐标为时间t，单位为×105ps，纵坐标为幅值u，单位为×109mv)。
图4是采用本发明实施例一的局部放电检测去噪方法平滑滤波后得到的累积能量函数图(横坐标为时间t，单位为×105ps，纵坐标为幅值u，单位为×109mv)。
具体实施方式
下面对本发明创造实施例的技术方案进行解释和说明，但下述实施例仅为本发明创造的优选实施例，并非全部。基于实施方式中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的其他实施例，都属于本发明创造的保护范围。
参见图1至图4，本发明实施例一的一种换流变压器局部放电检测去噪方法，所述换流变压器局部放电检测去噪方法包括：
步骤S1、采集混合了局部放电脉冲信号和晶闸管12脉动干扰信号的含噪信号，计算含噪信号的累积能量函数；
步骤S2、对累积能量函数进行平滑滤波处理，确定局部放电脉冲信号和晶闸管12脉动干扰信号的脉冲起始时间；
步骤S3、计算对比累积能量函数的高阶累积量和高阶累积量变化量，确定局部放电脉冲信号和晶闸管12脉动干扰信号的脉冲截止时间；
步骤S4、根据得到的局部放电脉冲信号和晶闸管12脉动干扰信号的起始和截止时间，进行加窗处理，分别计算每个窗口内的信号的特征值，提取特征参数；
步骤S5、利用聚类算法对特征参数进行聚类，分离局部放电脉冲信号与晶闸管12脉动干扰信号，从而去除晶闸管12脉动干扰信号的干扰。
参见图1，本发明实施例一的一种换流变压器局部放电检测去噪方法的主要流程包括：
首先，计算局部放电脉冲信号和晶闸管12脉动干扰信号的累积能量函数；
然后，对累积能量函数曲线进行平滑滤波优化处理，得到曲线的数个极小值点，累积能量函数的极小值所在位置与局放脉冲和脉动干扰信号开始出现的位置相同，从而可以确定局部放电脉冲和晶闸管脉动干扰信号的位置即起始时间；
其次，确定局部放电信号和12脉动干扰的脉冲截止时间，以每段脉冲起始时间为起点，通过正向搜索计算每段时域信号的一阶到四阶的原点矩，计算计算每段时间序列的高阶累积量与高阶累积量的变化量，判断高阶累积量的变化量是否大于所设阈值；
再次，根据计算所得的脉冲起始时间和脉冲截止时间生成一系列覆盖局放脉冲和脉动干扰信号的窗口；计算局部放电信号和12脉动干扰信号的波形特征参数；
之后，选择局放脉冲和12脉动干扰信号的脉冲持续时长、脉冲上升时间、峰值放电强度作为特征参数，对特征参数进行归一化处理并组成特征相量。
最后，利用模糊c均值聚类算法对特征参数进行聚类识别局部放电信号与12脉动干扰信号，并将12脉动干扰信号进行识别与滤除，最后输出只包含局部放电信号的原始信号。
本实施例中，步骤S1中，信号的累积能量函数E(i)表示为：
式中，k为信号的采样点数，Em为信号平均能量，x为信号序列，N为信号长度。
本实施例中，步骤S2中，通过计算累积能量函数的极小值来确定局部放电脉冲信号和晶闸管12脉动干扰信号的位置，将累积能量函数平滑滤波处理后的极值点作为局部放电脉冲信号和12脉动信号的脉冲起始时间。
含噪信号的原始波形图如图2所示。计算含噪信号的累积能量函数，得到的累积能量函数如图3所示。从图3可以看出累积能量函数非平滑，有很多极值点，不易判断多个脉冲信号，因此再对计算得到的累积能量函数波形进行平滑滤波处理，平滑滤波处理后的累积能量函数如图4所示。累积能量函数的几个极小值所在位置与局放脉冲和12脉动干扰信号开始出现的位置相同，因此可以通过计算累积能量函数的极小值来确定局放脉冲和12脉动干扰信号的位置。将累积能量函数平滑滤波处理后的极值点作为局部放电脉冲信号和12脉动信号的脉冲起始时间。图4中，左边的两竖直虚线分别为局部放电信号的起止时间，右边的两竖直虚线分别为12脉动信号的起止时间。
本实施例中，步骤S3包括：
步骤S31、以每段脉冲起始时间为起点，通过正向搜索计算每段时域信号的一阶到四阶的原点矩，表示为：
原始信号为离散信号x，m1、m2、m3、m4即E(x)、E(x2)、E(x3)、E(x4)分别为序列阵列的一阶到四阶原点矩；
步骤S32、正向搜索计算每段时间序列的高阶累积量ci，表示为：
步骤S33、计算Δci，判断ci＝Δci，ci>C0这两个条件，确定局部放电脉冲信号和晶闸管12脉动干扰信号的脉冲截止时间，Δci为高阶累积量变化量，Δci＝ci-ci-1，C0为四阶累积量的阈值。
正向搜索的意思是沿着波形信号的x轴由左向右正向搜素计算。
本实施例中，步骤S3还包括：
步骤S34、基于时域四阶累积量本身具有与时域四阶累积量变化量相同的这一特征，确定局部放电脉冲信号和晶闸管12脉动干扰信号的脉冲截止时间，根据这一方法计算脉冲起始时间，验证通过累积能量函数计算所得的脉冲起始时间。
当时间序列为背景白噪声即高斯信号时，其均值E(x)＝0，中心矩为原点矩，D(x)＝1，此时序列的各阶累积量始终为0。当时间序列为局部放电信号和12脉动干扰信号的混合信号时，即不服从标准正态分布N(0,1)时，四阶累积量不为0，且通过计算发现四阶累积量等于四阶累积量的变化量。根据信号的衰减特性，包括脉冲截止时间的分段，其累积模量值小于设定的阈值。此外，信号从截止时间到下一个脉冲的上升沿是平坦的，且该区间的累计模值也小于设定的阈值。因此，将首先满足阈值条件的信号段作为脉冲截止时间。基于时域四阶累积量本身具有与时域四阶累积量变化量相同的这一显著特征，可确定局部放电信号和12脉动干扰的脉冲截止时间。并可以根据这一方法计算脉冲起始时间，验证上文通过累积能量函数计算所得的脉冲起始时间是否一致。
本实施例中，步骤S4包括：
步骤S41、以信号的采样范围作为粒子的活动空间，生成若干位置和速度不同的粒子，每个粒子Pi对应信号序列上的一个窗口，粒子的位置和速度/> 均为二维向量，粒子位置坐标的两个分量分别对应窗口的左右两个边界，将脉冲信号的起始和截止段包含在内，因此有0<pi1<p<pi2<N，即保证局部放电脉冲信号和晶闸管12脉动干扰信号的位置p位于粒子对应的窗口内；
步骤S42、将两个脉冲信号在脉冲上升时间、脉冲持续时长、峰值放电强度三个方面的差异作为波形特征参数，对特征参数进行归一化处理，使特征参数处于同一数量级。
本实施例中，归一化的过程为：对计算得到的特征参数x(N)＝{x1,x2,...,xN}，计算其最大值xmax和最小值xmin，对序列里的每一个点xi进行归一，计算公式如下：
归一化后信号的最大值为1，最小值为0，信号序列中的点都依次线性变化至区间[0，1]。
通过对比分析局部放电信号和12脉动干扰信号对应的脉冲波形特征，可以看出，12脉动干扰信号单次波形的持续时间即时域宽度约为200μs，局部放电波形信号单次的持续时间约为20μs，12脉动波形的幅值更高，脉冲上升时间更长，持续时间更长，说明12脉动脉冲的时域能量更大。由于二者在脉冲持续时长、脉冲上升时间、峰值放电强度上有着显著差别，因此将两个脉冲信号在脉冲上升时间、脉冲持续时长、峰值放电强度三个方面的差异作为波形特征值参数。
本实施例中，步骤S5中，采用模糊C均值聚类算法，具体过程为：在Matlab实验平台下，设置聚类数C＝2，模糊因子m＝2，最大迭代次数LOOP＝100，误差ε＝10-6；两类脉冲信号按类别紧密分布在聚类中心周围，不同类别之间的区别明显，根据特征参数，滤除晶闸管12脉动干扰信号并，得到只包含局部放电信号的原始信号。
本发明的局部放电检测去噪方法的有益效果是：去除12脉动干扰信号的同时，最大程度地保留了局部放电脉冲信号的低频信号，使得局部放电信号失真的信号少，极大地提高了局部放电检测的准确性；通过计算含噪信号的累积能量函数，并进行平滑滤波处理，在优化处理后的累积能量函数波形上通过极值点来确定局放脉冲和脉动干扰信号的脉冲起始时间；以每段脉冲起始时间为起点，通过正向搜索计算信号的高阶累积量和高阶累积量变化量，与所设阈值进行比较来确定局部放电脉冲信号和晶闸管12脉动干扰信号的脉冲截止时间；脉冲起止时间的获取更加精确、更加快捷，也利于后续加窗处理提取特征值；根据局部放电信号和12脉动干扰信号的时频域特征的区别，将脉冲持续时长、脉冲上升时间、峰值放电强度这三个波形特征参数作为特征参数，并且对特征参数进行归一化处理，可以更好地进行综合比较评价。
本发明实施例同时提供一种换流变压器局部放电检测去噪装置，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现前述的一种换流变压器局部放电检测去噪方法。
本发明实施例同时提供一种计算机可读存储介质，存储有计算机程序，所需计算机程序被执行时实现前述的一种换流变压器局部放电检测去噪方法。
以上所述，仅为本发明创造的具体实施方式，但本发明创造的保护范围并不局限于此，熟悉该本领域的技术人员应该明白本发明创造包括但不限于上面具体实施方式中描述的内容。任何不偏离本发明创造的功能和结构原理的修改都将包括在权利要求书的范围中。

Claims (10)

1.一种换流变压器局部放电检测去噪方法，其特征在于：所述换流变压器局部放电检测去噪方法包括：
步骤S1、采集混合了局部放电脉冲信号和晶闸管12脉动干扰信号的含噪信号，计算含噪信号的累积能量函数；
步骤S2、对累积能量函数进行平滑滤波处理，确定局部放电脉冲信号和晶闸管12脉动干扰信号的脉冲起始时间；
步骤S3、计算对比累积能量函数的高阶累积量和高阶累积量变化量，确定局部放电脉冲信号和晶闸管12脉动干扰信号的脉冲截止时间；
步骤S4、根据得到的局部放电脉冲信号和晶闸管12脉动干扰信号的起始和截止时间，进行加窗处理，分别计算每个窗口内的信号的特征值，提取特征参数；
步骤S5、利用聚类算法对特征参数进行聚类，分离局部放电脉冲信号与晶闸管12脉动干扰信号。
2.根据权利要求1所述的一种换流变压器局部放电检测去噪方法，其特征在于：步骤S1中，信号的累积能量函数E(i)表示为：
式中，k为信号的采样点数，Em为信号平均能量，x为信号序列，N为信号长度。
3.根据权利要求2所述的一种换流变压器局部放电检测去噪方法，其特征在于：步骤S2中，通过计算累积能量函数的极小值来确定局部放电脉冲信号和晶闸管12脉动干扰信号的位置，将累积能量函数平滑滤波处理后的极值点作为局部放电脉冲信号和12脉动信号的脉冲起始时间。
4.根据权利要求3所述的一种换流变压器局部放电检测去噪方法，其特征在于：步骤S3包括：
步骤S31、以每段脉冲起始时间为起点，通过正向搜索计算每段时域信号的一阶到四阶的原点矩，表示为：
原始信号为离散信号x，m1、m2、m3、m4即E(x)、E(x2)、E(x3)、E(x4)分别为序列阵列的一阶到四阶原点矩；
步骤S32、正向搜索计算每段时间序列的高阶累积量ci，表示为：
步骤S33、计算Δci，判断ci＝Δci，ci>C0这两个条件，确定局部放电脉冲信号和晶闸管12脉动干扰信号的脉冲截止时间，Δci为高阶累积量变化量，Δci＝ci-ci-1，C0为四阶累积量的阈值。
5.根据权利要求4所述的一种换流变压器局部放电检测去噪方法，其特征在于：步骤S3还包括：
步骤S34、基于时域四阶累积量本身具有与时域四阶累积量变化量相同的这一特征，确定局部放电脉冲信号和晶闸管12脉动干扰信号的脉冲截止时间，根据这一方法计算脉冲起始时间，验证通过累积能量函数计算所得的脉冲起始时间。
6.根据权利要求1所述的一种换流变压器局部放电检测去噪方法，其特征在于：步骤S4包括：
步骤S41、以信号的采样范围作为粒子的活动空间，生成若干位置和速度不同的粒子，每个粒子Pi对应信号序列上的一个窗口，粒子的位置和速度/>均为二维向量，粒子位置坐标的两个分量分别对应窗口的左右两个边界，将脉冲信号的起始和截止段包含在内，因此有0<pi1<p<pi2<N，即保证局部放电脉冲信号和晶闸管12脉动干扰信号的位置p位于粒子对应的窗口内；
步骤S42、将两个脉冲信号在脉冲上升时间、脉冲持续时长、峰值放电强度三个方面的差异作为波形特征参数，对特征参数进行归一化处理，使特征参数处于同一数量级。
7.根据权利要求6所述的一种换流变压器局部放电检测去噪方法，其特征在于：归一化的过程为：对计算得到的特征参数x(N)＝{x1,x2,...,xN}，计算其最大值xmax和最小值xmin，对序列里的每一个点xi进行归一，计算公式如下：
归一化后信号的最大值为1，最小值为0，信号序列中的点都依次线性变化至区间[0，1]。
8.根据权利要求1所述的一种换流变压器局部放电检测去噪方法，其特征在于：步骤S5中，采用模糊C均值聚类算法，具体过程为：在Matlab实验平台下，设置聚类数C＝2，模糊因子m＝2，最大迭代次数LOOP＝100，误差ε＝10-6；两类脉冲信号按类别紧密分布在聚类中心周围，不同类别之间的区别明显，根据特征参数，滤除晶闸管12脉动干扰信号并，得到只包含局部放电信号的原始信号。
9.一种换流变压器局部放电检测去噪装置，包括存储器和处理器，其特征在于：所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现根据权利要求1至8任一所述的一种换流变压器局部放电检测去噪方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于：所需计算机程序被执行时实现如权利要求1至8任一所述的一种换流变压器局部放电检测去噪方法。
CN202311690349.8A 2023-12-08 2023-12-08 一种局部放电检测去噪方法、装置及可读存储介质 Pending CN117590174A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311690349.8A CN117590174A (zh) 2023-12-08 2023-12-08 一种局部放电检测去噪方法、装置及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311690349.8A CN117590174A (zh) 2023-12-08 2023-12-08 一种局部放电检测去噪方法、装置及可读存储介质

Publications (1)

Publication Number Publication Date
CN117590174A true CN117590174A (zh) 2024-02-23

Family

ID=89915146

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311690349.8A Pending CN117590174A (zh) 2023-12-08 2023-12-08 一种局部放电检测去噪方法、装置及可读存储介质

Country Status (1)

Country Link
CN (1) CN117590174A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117892067A (zh) * 2024-03-15 2024-04-16 国网上海市电力公司 一种低频电流局放监测抗干扰方法、装置、设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117892067A (zh) * 2024-03-15 2024-04-16 国网上海市电力公司 一种低频电流局放监测抗干扰方法、装置、设备及介质
CN117892067B (zh) * 2024-03-15 2024-05-28 国网上海市电力公司 一种低频电流局放监测抗干扰方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN105738764B (zh) 基于暂态信息全频带的配电网故障区段定位方法
CN117590174A (zh) 一种局部放电检测去噪方法、装置及可读存储介质
CN110007198B (zh) 一种单相接地故障启动方法
CN113378661A (zh) 一种基于改进小波阈值和相关检测的直流电能信号去噪方法
CN105044566B (zh) 一种基于特征超高频信号的gis局部放电故障检测方法
CN108169583B (zh) 中性点经电容接地的自耦变压器直流偏磁判别方法及***
CN106504760B (zh) 宽频带背景噪声与语音分离检测***及方法
CN114217164B (zh) 一种基于放电波形智能识别的电缆故障测距方法及***
CN113567794B (zh) 基于动态时间规整的电动自行车户内充电辨识方法及***
CN105893976B (zh) 一种行波信号的参数化识别方法
CN105181120A (zh) 一种高灵敏度的变压器绕组松动判定方法
CN111239565B (zh) 基于分层式去噪模型的充油套管局部放电脉冲信号处理方法及***
CN108594156B (zh) 一种改进的电流互感器饱和特性识别方法
CN111157853A (zh) 一种输电线路的放电状态识别方法及***
CN114038470A (zh) 一种变压器信号声纹特征提取方法、装置、设备及介质
CN110988606B (zh) 基于锐化处理的小电流接地故障选线方法
CN104820165B (zh) 一种基于单极信息的同塔双回直流输电线路故障选线方法
CN116256599A (zh) 配电电缆故障燃弧初始时间点的计算方法及装置
CN115343585A (zh) 一种变压器局部放电检测中的抗干扰方法、设备及介质
CN113933563A (zh) 基于自适应迭代运算数学形态法的采样异常大值滤除方法、装置及***
Caujolle et al. Impact of Waveform Segmentation Accuracy on Disturbance Recognition Reliability
CN114019321B (zh) 一种基于归一化标准差和小波熵的直流串联电弧故障检测方法及装置
CN117786466B (zh) 基于智能频谱感知的信号盲识别方法
Shuai et al. Pattern recognition of partial discharge ultrahigh frequency signal based on similar matrix BSS and deep learning CNN
CN111781439B (zh) 一种电力电缆局部放电信号检测方法及装置

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