一种基于复合传感器的GIS在线监测系统的制作方法

一种基于复合传感器的gis在线监测系统
技术领域
1.本发明涉及一种基于复合传感器的gis在线监测系统，属于电力设备绝缘状态监测技术领域。


背景技术：

2.电力设备的绝缘在强电场作用下局部范围内发生的放电称为局部放电。绝缘中的某些薄弱部位在高电场作用下发生局部放电是普遍存在的问题，在一定条件下会导致绝缘劣化甚至击穿。全封闭气体绝缘组合电器(gas insulated substation，简称gis)，其占地空间小、可靠性高等优点已在现代电力系统中获得了越来越多的应用。虽然gis具有许多优点，但无论是在厂内的生产过程中，出厂之后的仓储物流过程、在运行现场的安装过程中，进入运行状态后设备状态的自然衰退中，gis设备都不可避免的要面对绝缘缺陷出现且影响其长期可靠性的问题。由于gis是全封闭组合电力设备，一旦gis设备内部出现事故，由于设备密封性以及充气的特点，造成的后果比分离式敞开设备严重得多，其故障修复又尤为复杂，且停电范围大，常涉及非故障元件。
3.gis在线监测可以很好的对设备进行长期、实时的监测，及时发现设备故障，保证设备的正常运行。单传感器的诊断会由于数据特征单一，造成故障诊断的不全面，同时由于特高频采样率高数据量大，会给存储空间和通讯带来很大的压力。


技术实现要素：

4.为了克服上述问题，本发明提供一种基于复合传感器的gis在线监测系统，该方法采用复合传感器联合诊断可提高故障特征准确度，同时针对不同的传感器采取不同的数据处理方法，可适用于不同环境下的gis的线监测。
5.本发明的技术方案如下：
6.一种基于复合传感器的gis在线监测系统，包括传感器监测单元、信息融合单元和故障诊断单元；所述传感器监测单元包括智能特高频监测单元和智能超声监测单元；
7.所述智能特高频检测单元包括特高频传感器、第一数据处理器和第一无线通讯模块；所述特高频传感器用于采集用于采集gis局部放电产生的电磁波信号；所述智能超声监测单元包括超声波传感器、第二数据处理器和第二无线通讯模块；所述超声波传感器用于采集gis局部放电产生的振动信号；
8.所述第一数据处理模块和所述第二数据处理模块分别对所述电磁波信号和所述振动信号进行分解处理，得到有效数据；
9.所述有效数据通过所述第一无线通讯模块或第二通讯模块传输给所述信息融合单元；
10.所述信息融合单元对各传感器采集的所述有效数据进行关联度分析，得到故障诊断数据，并传输给所述故障综合诊断单元；
11.所述故障综合诊断单元通过故障诊断模型对所述故障诊断数据进行诊断，得到
gis故障类型。
12.进一步的，所述第一数据处理模块对所述电磁波信号进行分解处理，具体为：
13.采集时间t内的gis局部放电数据u1；
14.根据deslauriers-dubuc(4,2)小波对所述数据u1进行插值小波运算，得到第i层的小波系数w(i)(i＝1,2,...,n)；其中，n为插值小波运算的层数；
15.判断各层所述小波系数是否存在奇异点；若是，则对每层小波系数w(i)(i＝1,2,...,n)进行白噪声检测，并将非白噪声层的所述小波系数通过所述第一无线通讯模块传输给所述信息融合单元；若否，则对所述数据u1进行抽样处理，并通过所述第一无线通讯模块传输给所述信息融合单元。
16.进一步的，所述插值小波运算的层数为3层。
17.进一步的，所述判断各层所述小波系数是否存在奇异点，具体为通过小波膜极大值法检测各层所述小波系数是否存在奇异点。
18.进一步的，所述第二数据模块对所述振动信号进行分解处理，具体为：
19.采集时间t内的gis振动数据u2；
20.基于时域计算所述数据u2的熵，对所述振动数据u2进行傅里叶变换得到频域数据，基于频域数据得到50hz和100hz频率点所对应的幅值，若50hz或100hz幅值大于频域平均值，则认为存在50hz或100hz信息；
21.设定阈值k，若所述数据u2的熵小于阈值k，且存在50hz或100hz的信息，则对所述频谱数据进行间隔抽样处理，通过所述第二无线通讯模块传输给所述信息融合单元；否则，对所述数据u2进行抽样处理，并通过所述第二无线网络通讯模块传输给所述信息融合单元。
22.进一步的，所述阈值k＝1.6。
23.进一步的，所述信息融合单元对所述智能特高频检测单元、所述智能超声波检测单元上传的数据进行综合处理，具体为：
24.判断由所述智能特高频检测单元和所述智能超声波检测单元传输给所述信息融合单元的数据是否为抽样后数据；若是，则将该数据设置为故障诊断数据；若否，则执行以下步骤：
25.计算所述小波系数w(i)的熵，得到小波特征t1，根据deslauriers-dubuc(4,2)小波对所述小波系数进行差值逆变换，得到信号u3，计算所述信号u3的分型参数t2和统计特征参数t3；得到特征向量t_uhf＝{t1,t2,t3}；
26.计算所述频谱数据的频谱能量特征e1；对所述频谱数据进行逆变换，得到时域信号，计算所述时域信号的统计特征参数e2；得到特征向量t_ae＝{e1，e2}；
27.融合所述特征向量t_uhf和所述特征向量t_ae得到特征向量t_tem＝{t_uhf，t_ae}，基于主成分分析法对所述特征向量t_tem进行降维，得到特征t；
28.将所述特征t设置为故障诊断数据。
29.进一步的，所述故障综合诊断单元通过深度学习模型对所述故障诊断数据进行诊断，得到gis故障类型，具体为：
30.判断所述故障诊断数据是否为抽样数据；若是，则判断gis工作状态为正常；若否，则将所述特征t输入故障诊断模型，通过故障诊断模型得到gis故障类型。
31.本发明具有如下有益效果：
32.1.该方法联合复合传感器同时对gis进行在线监测，并在传感器采集端进行数据预处理，将处理后的有效数据传输给信息融合单元，节省了内存空间及减少了通讯所需资源，提高了数据传输的稳定性，降低了成本。
33.2.该方法采用多传感器对gis进行诊断，避免了故障诊断的不全面。
附图说明
34.图1为本发明的实施例的系统模块示意图。
35.图2为本发明实施例的智能特高频监测单元数据处理流程。
36.图3为本发明实施例的智能超声监测单元数据处理流程。
具体实施方式
37.下面结合附图和具体实施例来对本发明进行详细的说明。
38.实施例一
39.参考图1，一种基于复合传感器的gis在线监测系统，包括传感器监测单元、信息融合单元和故障诊断单元；所述传感器监测单元包括智能特高频监测单元和智能超声监测单元；
40.所述智能特高频检测单元包括特高频传感器、第一数据处理器和第一无线通讯模块；所述特高频传感器用于采集用于采集gis局部放电产生的电磁波信号；所述智能超声监测单元包括超声波传感器、第二数据处理器和第二无线通讯模块；所述超声波传感器用于采集gis局部放电产生的振动信号；
41.所述第一数据处理模块和所述第二数据处理模块分别对所述电磁波信号和所述振动信号进行分解处理，得到有效数据；
42.所述有效数据通过所述第一无线通讯模块或第二通讯模块传输给所述信息融合单元；
43.所述信息融合单元对各传感器采集的所述有效数据进行关联度分析，得到故障诊断数据，并传输给所述故障综合诊断单元；
44.所述故障综合诊断单元通过故障诊断模型对所述故障诊断数据进行诊断，得到gis故障类型。
45.实施例二
46.参考图2，一种基于复合传感器的gis在线监测系统，在实施例一的基础上，所述第一数据处理模块对所述电磁波信号进行分解处理，具体为：
47.采集时间t内的gis局部放电数据u1；
48.根据deslauriers-dubuc(4,2)小波对所述数据u1进行插值小波运算，得到第i层的小波系数w(i)(i＝1,2,...,n)；其中，n为插值小波运算的层数；
49.判断各层所述小波系数是否存在奇异点；若是，则对每层小波系数w(i)(i＝1,2,...,n)进行白噪声检测，并将非白噪声层的所述小波系数通过所述第一无线通讯模块传输给所述信息融合单元；若否，则对所述数据u1进行抽样处理，并通过所述第一无线通讯模块传输给所述信息融合单元。
50.在本发明的一种实施方式中，所述插值小波运算的层数为3层。
51.在本发明的一种实施方式中，所述判断各层所述小波系数是否存在奇异点，具体为通过小波膜极大值法检测各层所述小波系数是否存在奇异点。
52.实施例三
53.参考图3，一种基于复合传感器的gis在线监测系统，在实施例二的基础上，所述第二数据模块对所述振动信号进行分解处理，具体为：
54.采集时间t内的gis振动数据u2；
55.基于时域计算所述数据u2的熵，对所述振动数据u2进行傅里叶变换得到频域数据，基于频域数据得到50hz和100hz频率点所对应的幅值，若50hz或100hz幅值大于频域平均值，则认为存在50hz或100hz信息；
56.设定阈值k，若所述数据u2的熵小于阈值k，且存在50hz或100hz的信息，则对所述频谱数据进行间隔抽样处理，通过所述第二无线通讯模块传输给所述信息融合单元；否则，对所述数据u2进行抽样处理，并通过所述第二无线网络通讯模块传输给所述信息融合单元。
57.在本发明的一种实施方式中，所述阈值k＝1.6。
58.实施例四
59.一种基于复合传感器的gis在线监测系统，在实施例三的基础上，所述信息融合单元对所述智能特高频检测单元、所述智能超声波检测单元上传的数据进行综合处理，具体为：
60.判断由所述智能特高频检测单元和所述智能超声波检测单元传输给所述信息融合单元的数据是否为抽样后数据；若是，则将该数据设置为故障诊断数据；若否，则执行以下步骤：
61.计算所述小波系数w(i)的熵，得到小波特征t1，根据deslauriers-dubuc(4,2)小波对所述小波系数进行差值逆变换，得到信号u3，计算所述信号u3的分型参数t2和统计特征参数t3；得到特征向量t_uhf＝{t1,t2,t3}；
62.计算所述频谱数据的频谱能量特征e1；对所述频谱数据进行逆变换，得到时域信号，计算所述时域信号的统计特征参数e2；得到特征向量t_ae＝{e1，e2}；
63.融合所述特征向量t_uhf和所述特征向量t_ae得到特征向量t_tem＝{t_uhf，t_ae}，基于主成分分析法对所述特征向量t_tem进行降维，得到特征t；
64.将所述特征t设置为故障诊断数据。
65.在本发明的一种实施方式中，所述故障综合诊断单元通过深度学习模型对所述故障诊断数据进行诊断，得到gis故障类型，具体为：
66.判断所述故障诊断数据是否为抽样数据；若是，则判断gis工作状态为正常；若否，则将所述特征t输入故障诊断模型，通过故障诊断模型得到gis故障类型。
67.以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。