基于红外光谱与机器学习的GIS设备绝缘故障诊断方法与流程
本技术涉及电力设备状态监测,更具体地,涉及一种基于机器学习与机器学习的gis设备绝缘故障诊断方法及装置。
背景技术:
1、气体绝缘组合电器(gis)具有结构紧凑、可靠性高及安全性好等优点,在电力系统中得到了广泛应用。局部放电是gis设备早期绝缘缺陷的重要表征,在局部放电或局部过热的作用下,gis内部的绝缘介质sf6气体会发生分解,生成so2、h2s、sof2、so2f2、cf4等多种特征分解组分。这些组分的种类、含量及生成速率与gis内部的故障类型及严重程度紧密相关,因此,通过检测sf6特征分解产物来评估gis的运行状态,已成为发现设备潜在故障、预防严重绝缘事故的关键手段。
2、目前,国内外针对sf6分解组分的检测方法主要包括气相色谱法、电化学传感器法及红外光谱吸收法。
3、气相色谱法虽然检测精度高,但通常需要现场采样后送往实验室分析,检测周期长,且操作复杂,难以实现在线连续监测;电化学传感器法虽然体积小、响应快,但存在不同组分间的交叉干扰问题,且传感器极易发生“中毒”现象,导致灵敏度随重复使用大幅下降,寿命较短;红外光谱吸收法具有非接触、响应快、选择性好等优点,是目前的研究热点,但现有的红外光谱检测装置在工程应用中仍面临诸多技术挑战:
4、(1)环境适应性差:传统的傅里叶变换红外光谱仪(ftir)等分光型设备体积庞大,对变电站现场的强电磁干扰和机械振动极为敏感,难以在恶劣工况下稳定运行。
5、(2)多组分交叉干扰:sf6分解产生的多种特征气体在红外波段的吸收光谱往往存在严重的重叠现象。传统的非分光红外技术(ndir)难以在不对混合气体进行物理分离的情况下实现多组分的精确解耦,导致测量误差较大,进而影响故障诊断的准确性。
6、(3)在线监测时效性低:现有的高灵敏度检测技术往往依赖于长光程气室,而传统气室结构复杂、气体交换速率慢,难以满足实时原位监测的需求。
7、综上所述,研制一种微型化、抗干扰能力强,且能有效通过算法手段消除多组分光谱交叉干扰的gis绝缘故障在线诊断方法,是电力工程领域亟待解决的瓶颈问题。
技术实现思路
1、针对现有技术的至少一个缺陷或改进需求,本发明提供了一种基于红外光谱与机器学习的gis设备绝缘故障诊断方法及装置,通过微型化光纤干涉探测技术与机器学习算法的结合,实现变电站复杂环境下被测气体的高精度在线解耦监测,并据此实现gis绝缘故障的早期精准预警,克服现有gis绝缘故障检测技术中气相色谱法实时性差、电化学传感器易中毒且存在交叉干扰以及传统红外光谱仪体积大且难以应对多组分光谱重叠问题等缺陷。
2、为实现上述目的,按照本发明的第一个方面,提供了一种基于红外光谱与机器学习的gis设备绝缘故障诊断方法,该方法包括:
3、采集gis设备内部被测气体的包含红外吸收特征的干涉时域信号;
4、基于所述干涉时域信号生成红外吸收光谱,从所述红外吸收光谱中提取各个吸收峰特征并生成光谱特征向量;所述吸收峰特征包括吸光度、峰高、峰面积、谱带比值;
5、将所述光谱特征向量输入训练好的多组分解耦模型中,生成被测气体中各目标特征组分的浓度预测值;
6、根据各所述目标特征组分的浓度预测值、浓度变化规律以及不同目标特征组分之间的浓度比值以及预先建立的映射模型确定gis设备的故障类型,所述映射模型用以表征各目标特征组分浓度及其浓度变化规律与绝缘故障类型之间的对应关系;
7、其中,所述多组分解耦模型的训练过程包括:
8、获取带有浓度标签的多个第一训练样本,所述第一训练样本包括具有不同浓度的单个目标特征组分的单组份标准气体样本和由多个目标特征组分混合而成的多组分标准气体样本;
9、采集每个所述第一训练样本的原始干涉时域信号并生成对应的原始红外吸收光谱,从所述原始红外吸收光谱中提取原始光谱特征向量;
10、基于所述原始光谱特征向量对多组分解耦模型进行训练。
11、进一步地,上述gis设备绝缘故障诊断方法,其映射模型为决策树分类模型;
12、将根据各目标特征组分的浓度预测值、浓度变化规律以及不同目标特征组分之间的浓度比值生成的故障诊断特征向量输入训练好的所述决策树分类模型,得到绝缘故障类型及对应的分类置信度。
13、进一步地,上述gis设备绝缘故障诊断方法,其决策树分类模型的训练过程包括:
14、获取带有不同绝缘故障类型标签的多个第二训练样本;
15、获取每个所述第二训练样本对应的各目标特征组分的浓度预测值、浓度变化规律以及不同目标特征组分之间的浓度比值,生成原始故障诊断特征向量;
16、基于所述原始故障诊断特征向量对决策树分类模型进行训练。
17、进一步地,上述gis设备绝缘故障诊断方法,所述采集gis设备内部被测气体的包含红外吸收特征的干涉时域信号包括:
18、将反谐振空芯光纤探针接入gis设备气室,待气室内部气体在所述反谐振空芯光纤探针的纤芯内扩散均匀后,以红外激光照射纤芯内的气体;
19、通过微型干涉仪采集气体分子吸收所述红外激光后产生的干涉时域信号。
20、进一步地,上述gis设备绝缘故障诊断方法,其反谐振空芯光纤探针包括单模光纤、反谐振空芯光纤和端面反射镜:
21、所述反谐振空芯光纤中包含多个嵌套毛细管的空芯光纤。
22、进一步地,上述gis设备绝缘故障诊断方法,其基于干涉时域信号生成红外吸收光谱包括:
23、提取所述干涉时域信号的上包络线、下包络线,根据所述上包络线、下包络线的中心线进行基线漂移校正;
24、采用动态滑动窗口对校正后的信号进行均值滤波处理;
25、利用插值方法将滤波后的信号重建为等间隔采样的光强-光程序列,对所述光强-光程序列进行傅里叶变换,反演得到红外吸收光谱。
26、进一步地,上述gis设备绝缘故障诊断方法还包括:
27、结合温度补偿系数对所述红外吸收光谱中各组分吸收峰强度进行自校准,所述自校准的温度补偿公式为:
28、ccompensated=craw×(1+α×(t - tref))
29、其中,ccompensated表示校准后的吸收峰强度;craw表示原始吸收峰强度;α表示温度系数;t表示实测环境温度;tref表示参考温度。
30、按照本发明的第二个方面,本身申请还提供了一种基于红外光谱与机器学习的gis设备绝缘故障诊断装置,其包括:
31、信号采集模块,其被配置为采集gis设备内部被测气体的包含红外吸收特征的干涉时域信号;
32、特征提取模块,其被配置为基于所述干涉时域信号生成红外吸收光谱,从所述红外吸收光谱中提取各个吸收峰特征并生成光谱特征向量;所述吸收峰特征包括吸光度、峰高、峰面积、谱带比值;
33、浓度解耦模块,其被配置为将所述光谱特征向量输入预设的多组分解耦模型中,生成被测气体中各目标特征组分的浓度预测值;
34、故障诊断模块,其被配置为根据各所述目标特征组分的浓度预测值、浓度变化规律以及不同目标特征组分之间的浓度比值以及预先建立的映射模型确定gis设备的故障类型,所述映射模型用以表征各目标特征组分浓度及其浓度变化规律与绝缘故障类型之间的对应关系;
35、其中,所述预设的多组分解耦模型为gis设备绝缘故障诊断方法中任意一项所述的多组分解耦模型。
36、进一步地,上述gis设备绝缘故障诊断装置,其映射模型为决策树分类模型;
37、将根据各目标特征组分的浓度预测值、浓度变化规律以及不同目标特征组分之间的浓度比值生成的故障诊断特征向量输入训练好的所述决策树分类模型,得到绝缘故障类型及对应的分类置信度。
38、进一步地,上述gis设备绝缘故障诊断装置,其信号采集模块包括反谐振空芯光纤探针和微型干涉仪;
39、所述反谐振空芯光纤探针接入gis设备气室,待气室内部气体在所述反谐振空芯光纤探针的纤芯内扩散均匀后,以红外激光照射纤芯内的气体;
40、所述微型干涉仪用于采集气体分子吸收所述红外激光后产生的干涉时域信号。
41、进一步地,上述gis设备绝缘故障诊断装置,其所述反谐振空芯光纤探针包括包含陶瓷套管、输入/输出复用的单模光纤、反谐振空芯光纤以及设置于反谐振空芯光纤远端的全反射镜;所述单模光纤靠近反谐振空芯光纤的一端熔接有渐变折射率光纤透镜,所述渐变折射率光纤透镜的出射端面镀有部分反射膜;
42、该单模光纤和渐变折射率光纤透镜构成的入射组件与反谐振空芯光纤采用所述陶瓷套管留隙耦合;
43、渐变折射率光纤透镜与反谐振空芯光纤在对接位置预留有孔隙,使外部待测气体能够经所述孔隙进入反谐振空芯光纤的中心空气纤芯。
44、按照本发明的第三个方面,本技术还提供了一种电子设备,其包括至少一个处理单元、以及至少一个存储单元,其中,所述存储单元存储有计算机程序,当所述计算机程序被所述处理单元执行时,使得所述处理单元执行上述任一项所述gis设备绝缘故障诊断方法的步骤。
45、按照本发明的第四个方面,本技术还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器进行加载,以执行第一方面任一项所述的gis设备绝缘故障诊断方法中的步骤。
46、总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
47、(1)多组分光谱解耦能力强:利用支持向量回归(svr)在高维特征空间中对重叠的吸收光谱进行非线性回归,有效解决多组分气体在中红外波段光谱严重重叠导致的测量误差问题,并且实现多种特征分解气体的同步浓度反演,在不进行物理分离的条件下一次采样同时输出多种组分浓度。
48、(2)微型化与高环境适应性:采用反谐振空芯光纤探针与微型fizeau干涉仪构成一体化传感探头,将气体吸收池与光谱探测腔体融合于光纤之中,探头体积可控制在厘米量级。光纤本身不受电磁干扰影响,机械抗振能力强,充分适应变电站现场的恶劣电磁环境和机械扰动。
49、(3)在线监测时效性高:采用光纤直连的气体采样方式,无需离线采样和色谱分离,空芯光纤中气体扩散速率快、交换体积小,从采样到诊断结果输出的全过程可在数分钟内完成。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com