考虑放电幅值和视在放电量对应关系的局放类型识别方法

1.本发明涉及一种局部放电类型识别方法，尤其是涉及一种考虑放电幅值和视在放电量对应关系的局放(局部放电)类型识别方法。


背景技术：

2.目前脉冲电流法广泛应用于局部放电检测，相应的iec60270标准相对成熟，可以指导绝对大多数的局放检测。鉴于此，目前行业中使用较多的也是该标准指导下的局放检测和局放信号类型识别方法。如图1所示，目前使用较多的局放信号类型识别方法流程为：
①
进行脉冲电流法局放数据的采集，形成视在放电量-时间序列；
②
基于视在放电量-时间序列得到各种二维局部放电谱图；
③
利用二维局部放电谱图提取出放电特征参数构成放电指纹；
④
利用各种缺陷模型进行实验室条件下的等效替代试验，形成放电指纹库
⑤
利用实际工程中采集到的已知放电类型的局部放电二维谱图进行特征参数提取，将此部分数据补充进入放电指纹库，与步骤
④
中的特征参数共同构成以视在放电量-时间序列为基础的局部放电指纹库，并以此作为训练样本；
⑥
使用bp神经网络(或其它人工智能算法)训练样本库生成局放类型识别函数；
⑦
利用特定的局放脉冲视在放电量-时间序列采集设备对运行或离线电气设备进行脉冲电流法局放检测，依照同样的流程进行处理得到放电指纹，进行放电类型识别给出结果。
3.该方法下最为明显的特征即为采集信号纵坐标为视在放电量，但是现场应用时，因为测试对象限制或者测量简便性，往往仅可以通过示波器进行脉冲波形-时间序列的采集，得到的数据为局部放电脉冲峰值-时间序列。采集到的峰值时间序列中的峰值单位为v，与视在放电量(pc)之间并不是完全等效的，不能直接利用基于视在放电量-时间序列形成的指纹库和判别函数进行放电类型识别，并且，仅针对脉冲峰值-时间序列的指纹库中缺乏大量的现场数据，依据其单独形成的局放类型判别函数准确度往往不能满足要求。因此，单纯地利用示波器采集得到的脉冲峰值-时间序列可能无法对电气设备的现场实测局部放电数据进行准确的类型识别。


技术实现要素：

4.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种考虑放电幅值和视在放电量对应关系的局放类型识别方法。
5.本发明的目的可以通过以下技术方案来实现：
6.根据本发明的一个方面，提供了一种考虑放电幅值和视在放电量对应关系的局放类型识别方法，包括以下步骤：
7.1)利用局部放电脉冲电流法，在实验室及现场条件下进行基于局部放电视在放电量-时间序列信息的训练样本库以及判别函数构建过程；
8.2)对与局部放电放电幅值-时间序列，进行考虑放电幅值和视在放电量对应关系的局部放电类型识别过程。
9.作为优选的技术方案，所述的进行基于局部放电视在放电量-时间序列信息的训练样本库以及判别函数构建过程具体为：
10.步骤11)在实验室条件下构建高压试验模型，用于等效各种放电类型；
11.步骤12)利用脉冲电流法进行局部放电视在放电量-时间序列的采集；
12.步骤13)在现场条件下，对已知放电类型的局部放电利用脉冲电流法进行局部放电视在放电量-时间序列的采集；
13.步骤14)针对采集得到的视在放电量-时间序列，进行一分钟内视在放电量为q的局部放电次数的统计，构成h
n-q
局放谱图；
14.步骤15)针对采集得到的视在放电量-时间序列，对一分钟内视在放电量大于等于q的局部放电次数进行统计，构成h
∑n-q
局放谱图；
15.步骤16)针对采集得到的视在放电量-时间序列，对一分钟内相邻两次局部放电间的时间间隔为
△
t的局部放电次数进行统计，构成h
n-δt
局放谱图；
16.步骤17)针对采集得到的视在放电量-时间序列，对一分钟内相邻两次局部放电间的时间间隔大于等于
△
t的局部放电次数进行统计，构成h
∑n-δt
局放谱图；
17.步骤18)对现场和实验室条件下得到的h
n-q
、h
∑n-q
、h
n-δt
和h
∑n-δt
局放谱图提取特征参数，共同构成局部放电指纹库，组成训练样本库；
18.步骤19)利用人工智能算法，结合训练样本库生成判别函数。
19.作为优选的技术方案，所述的步骤11)中的在实验室条件下构建高压试验模型包括电晕、沿面、气隙、悬浮放电模型。
20.作为优选的技术方案，所述的步骤13)中，在现场条件下，已知的放电类型为现场条件下的电晕、沿面、气隙和悬浮放电，其放电类型通过离线检查或者其他检测方式已经得到。
21.作为优选的技术方案，所述的步骤18)中的训练样本库由实验室条件下的电晕、沿面、气隙、悬浮放电指纹和现场条件下的电晕、沿面、气隙和悬浮放电指纹共同组成。
22.作为优选的技术方案，所述的步骤19)中的智能算法为bp神经网络。
23.作为优选的技术方案，所述的进行考虑放电幅值和视在放电量对应关系的局部放电类型识别过程具体为：
24.步骤21)运行的高压电气设备；
25.步骤22)利用数据耦合装置和示波器进行局部放电幅值-时间序列的采集；
26.步骤23)针对采集得到的幅值-时间序列进行放电幅值到视在放电量的转化，从而生成对应的视在放电量-时间序列；
27.步骤24)针对新的视在放电量-时间序列进行步骤14)、步骤15)、步骤16)和步骤17)，得到h
n-q
、h
∑n-q
、h
n-δt
和h
∑n-δt
局放谱图；
28.步骤25)对步骤24)中的h
n-q
、h
∑n-q
、h
n-δt
和h
∑n-δt
局放谱图进行特征参数提取，构成其放电指纹；
29.步骤26)采用步骤19)中生成的判别函数对步骤25)中的放电指纹进行局放类型判断识别；
30.步骤27)输出判别结果；
31.步骤28)按照局放幅值-视在放电量之间的不同对应关系，将对应的识别结果进行
累积加权，给出概率参数下的判别结果。
32.作为优选的技术方案，所述的步骤21)中的运行高压电气设备为需要进行脉冲电流法局部放电测量的一次电气设备，包括电力变压器。
33.作为优选的技术方案，所述的步骤22)中的耦合装置包括电流传感器、电压互感器和检测阻抗。
34.作为优选的技术方案，所述的步骤23)中的放电幅值到视在放电量的转化，具体步骤为：
35.为直观地表示局放幅值和视在放电量之间的关系，取一次函数关系式：
36.q＝au b
37.公式中的u表示步骤22)中采集得到的局部放电幅值；
38.局部放电幅值u转化得到的视在放电量用q表示；
39.式中的a和b是表征局放幅值和视在放电量之间数量关系的参数，根据被测对象、检测回路和耦合装置的不同，其取不同的数值；
40.考虑到局放检测中常出现的典型数量关系，a和b的取值如下表所示，采用九种典型的放电幅值与视在放电量相互转化关系；
[0041][0042]
因后续处理视在放电量采用归一化表示，故无需给出具体的a和b参数的取值，确定参数a与b的倍数关系之后即可确定放电幅值u与视在放电量q之间的定量关系。
[0043]
与现有技术相比，本发明具有以下优点：
[0044]
1、引入局部放电幅值和视在放电量转化关系，使测得的放电幅值-时间序列与基于视在放电量-时间序列的训练样本库融合到了一起，打破了不同类型采集仪器间的数据壁垒，可用于实验室或现场条件下的高压设备绝缘状况诊断与局放类型识别。
[0045]
2、按照不同的局部放电幅值和视在放电量转化关系，独立给出各转化关系下的判别结果，再进行综合评判得出判别结果与相应的概率，便于技术人员做二次评估，避免当前方法仅给出判别结果而没有概率数据。
附图说明
[0046]
图1为现有的局放脉冲信号类型识别方法流程图；
[0047]
图2为本发明的考虑放电幅值和视在放电量对应关系的局部放电类型识别方法流程图；
[0048]
图3为转化前根据放电幅值-时间序列绘制的h
n-u
、h
∑n-u
、h
n-δt
和h
∑n-δt
局放谱图；
[0049]
图4为考虑放电幅值与视在放电量的9种转化关系之后，根据视在放电量绘制的h
n-q
和h
∑n-q
局放谱图；
[0050]
图5为本发明的考虑放电幅值和视在放电量对应关系的局部放电类型识别分析示例图，其中b＝0，识别结果：气隙；b＝0.1a，识别结果：气隙；b＝a，识别结果：气隙；b＝10a，识别结果：气隙；b＝50a，识别结果：沿面；b＝100a，识别结果：电晕；b＝-0.1aa，识别结果：气隙；b＝-a，识别结果：气隙；b＝-10a，识别结果：气隙。
具体实施方式
[0051]
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，所描述的实施例是本发明的一部分实施例，而不是全部实施例。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
[0052]
本发明考虑放电幅值和视在放电量对应关系的局部放电类型识别方法，包括以下步骤：
[0053]
1)利用局部放电脉冲电流法，在实验室及现场条件下进行基于局部放电视在放电量-时间序列信息的训练样本库以及判别函数构建过程；
[0054]
2)对与局部放电放电幅值-时间序列，进行考虑放电幅值和视在放电量对应关系的局部放电类型识别过程。
[0055]
所述的进行基于局部放电视在放电量-时间序列信息的训练样本库以及判别函数构建过程包括：
[0056]
11)在实验室条件下构建高压试验模型，等效各种放电类型；
[0057]
12)利用脉冲电流法进行局部放电视在放电量-时间序列的采集；
[0058]
13)在现场条件下，对已知放电类型的局部放电利用脉冲电流法进行局部放电视在放电量-时间序列的采集；
[0059]
14)针对采集得到的视在放电量-时间序列，进行一分钟内视在放电量为q的局部放电次数的统计，构成h
n-q
局放谱图；
[0060]
15)针对采集得到的视在放电量-时间序列，对一分钟内视在放电量大于等于q的局部放电次数进行统计，构成h
∑n-q
局放谱图；
[0061]
16)针对采集得到的视在放电量-时间序列，对一分钟内相邻两次局部放电间的时间间隔为
△
t的局部放电次数进行统计，构成h
n-δt
局放谱图；
[0062]
17)针对采集得到的视在放电量-时间序列，对一分钟内相邻两次局部放电间的时间间隔大于等于
△
t的局部放电次数进行统计，构成h
∑n-δt
局放谱图；
[0063]
18)对现场和实验室条件下得到的h
n-q
、h
∑n-q
、h
n-δt
和h
∑n-δt
局放谱图提取特征参数，共同构成局部放电指纹库，组成训练样本库。
[0064]
19)利用人工智能算法，结合训练样本库生成判别函数。
[0065]
进行考虑放电幅值和视在放电量对应关系的局部放电类型识别过程包括：
[0066]
21)运行的高压电气设备；
[0067]
22)利用数据耦合装置和示波器进行局部放电幅值-时间序列的采集；
[0068]
23)针对采集得到的幅值-时间序列进行放电幅值到视在放电量的转化，从而生成对应的视在放电量-时间序列；
[0069]
24)针对新的视在放电量-时间序列进行步骤14)、步骤15)、步骤16)和步骤17)，得到h
n-q
、h
∑n-q
、h
n-δt
和h
∑n-δt
局放谱图；
[0070]
25)对步骤24)中的h
n-q
、h
∑n-q
、h
n-δt
和h
∑n-δt
局放谱图进行特征参数提取，构成其放电指纹；
[0071]
26)采用步骤19)中生成的判别函数对步骤25)中的放电指纹进行局放类型判断识别；
[0072]
27)输出判别结果；
[0073]
28)按照局放幅值-视在放电量之间的不同对应关系，将对应的识别结果进行累积加权，给出概率参数下的判别结果。
[0074]
在实验室条件下构建高压试验模型包括电晕、沿面、气隙、悬浮放电模型。
[0075]
在现场条件下，已知的放电类型为现场条件下的电晕、沿面、气隙和悬浮放电，其放电类型通过离线检查或者其他检测方式已经得到。
[0076]
步骤18)中的训练样本库由实验室条件下的电晕、沿面、气隙、悬浮放电指纹和现场条件下的电晕、沿面、气隙和悬浮放电指纹共同组成。
[0077]
步骤19)中的智能算法可以为bp神经网络等人工智能算法。
[0078]
步骤21)中的运行高压电气设备为电力变压器等需要进行脉冲电流法局部放电测量的一次电气设备。
[0079]
步骤22)中的耦合装置包括电流传感器、电压互感器和检测阻抗。
[0080]
步骤23)中的放电幅值到视在放电量的转化，具体步骤为：
[0081]
为直观地表示局放幅值和视在放电量之间的关系，取一次函数关系式：
[0082]
q＝au b公式(1)
[0083]
公式中的u表示步骤22)中采集得到的局部放电幅值；
[0084]
局部放电幅值u转化得到的视在放电量用q表示；
[0085]
式中的a和b是表征局放幅值和视在放电量之间数量关系的参数，根据被测对象、检测回路和耦合装置的不同，其取不同的数值；
[0086]
考虑到局放检测中常出现的典型数量关系，a和b的取值如表1所示，采用九种典型的放电幅值与视在放电量相互转化关系；
[0087]
表1
[0088][0089]
因后续处理视在放电量采用归一化表示，故无需给出具体的a和b参数的取值，确定参数a与b的倍数关系之后即可确定放电幅值u与视在放电量q之间的定量关系。
[0090]
具体实施例
[0091]
考虑放电幅值和视在放电量对应关系的局部放电类型识别方法，如图2所示,包括实验室条件下缺陷模型、现场运行条件下的局部放电工况、脉冲电流法局放信息采集、视在放电量-时间序列、局部放电谱图、特征参数提取、局部放电指纹库、训练样本库、智能算法、判别函数，以及运行的高压电气设备、示波器采集的局放脉冲簇、放电幅值-视在放电量转化模块和综合评判模块。
[0092]
所述的实验室条件下缺陷模型、现场运行条件下的局部放电工况、脉冲电流法局放信息采集、视在放电量-时间序列、局部放电谱图、特征参数提取、局部放电指纹库、训练样本库、智能算法、判别函数，可以用来对实验室以及现场条件下的局部放电视在放电量-时间序列进行局部放电类型识别。
[0093]
所述的运行高压电气设备、示波器采集的局放脉冲簇、放电幅值-视在放电量转化、局部放电谱图、特征参数提取、局部放电指纹、判别函数和综合评判模块，组成了考虑放电幅值和视在放电量对应关系的局部放电类型识别方法，将视在放电量-时间序列指纹库和放电幅值-时间序列建立起联系，适用于实验室及现场条件下对所采集到的局部放电幅值-时间序列进行局部放电类型识别，用于实验室及现场条件下的局部放电检测系统。
[0094]
所述的实验室条件下缺陷模型包括电晕、沿面、气隙、悬浮放电模型。
[0095]
所述的现场运行条件下的局部放电工况为现场条件下的电晕、沿面、气隙和悬浮放电，其放电类型通过离线检查或者其他检测方式已经得到。
[0096]
所述的局部放电谱图包括h
n-q
、h
∑n-q
、h
n-δt
和h
∑n-δt
。
[0097]
所述的训练样本库由实验室条件下的电晕、沿面、气隙、悬浮放电指纹和现场条件下的电晕、沿面、气隙和悬浮放电指纹共同组成。
[0098]
所述的智能算法可以为bp神经网络等人工智能算法。
[0099]
所述的判别函数由智能算法对训练样本库进行训练生成。
[0100]
所述的运行高压电气设备主要为电力变压器等需要进行脉冲电流法局部放电测量的一次电气设备。
[0101]
所述的放电幅值-视在放电量转化模块即为将放电幅值-时间序列转化为视在放电量-时间序列，考虑到局部放电幅值和视在放电量之间存在的一次函数关系，将放电幅值-时间序列转化为视在放电量-时间序列，从而进行后续的局放谱图绘制、特征参数提取。根据局部放电幅值-时间序列绘制的h
n-u
、h
∑n-u
、h
n-δt
和h
∑n-δt
局放谱图如图3所示，针对此类谱图进行特征提取无法直接与判别函数进行匹配。
[0102]
放电幅值(u)与视在放电量(q)之间呈一次函数关系，用关系式q＝au b表示，因绘制局放谱图需要对视在放电量采用归一化处理，故确定参数a与b的倍数关系之后，放电幅值与视在放电量之间的定量关系也随之确定，如表1所示，采用九种典型的放电幅值与视在放电量相互转化关系。图4为考虑放电幅值与视在放电量转化关系之后，将放电幅值转化为了视在放电量，根据不同对应关系下得到的视在放电量分别绘制的h
n-q
和h
∑n-q
局放谱图。经过转化模块之后，仅h
n-q
和h
∑n-q
谱图相比于局放幅值-时间序列下的h
n-u
和h
∑n-u
谱图发生了变化，而转化前后h
n-δt
和h
∑n-δt
谱图没有发生变化。
[0103]
图5为本发明的考虑放电幅值和视在放电量对应关系的局部放电类型识别分析示例，在每种转化关系下，得到h
n-q
和h
∑n-q
局放谱图，如图4所示，以及没发生变化的h
n-δt
和h
∑n-δt
谱图，针对这四个局部放电谱图进行特征参数的提取，构成12维放电指纹。图5中每个图代表一种对应关系下的局部放电指纹及其局放类型识别结果，其中，气隙放电7次，沿面放电1次，电晕放电1次，累计投票结果为气隙放电，概率是77.78％。
[0104]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。