本发明涉及套管缺陷检测,具体涉及一种基于频域介电谱数据检测阀侧套管缺陷检测方法。
背景技术:
1、高压换流变压器是电力系统网络的重要组成部分,特高压直流输电换流站中,换流变压器阀侧套管作为高压直流输电换流变压器的核心组件,其性能稳定性直接关系到换流变压器以及交直流混合电网的安全运行。换流变压器阀侧套管内部易出现各类结构缺陷,其中内部裂纹缺陷会使套管内部电磁损耗增加,改变套管内部热场分布,影响套管热特性,随着运行时间的累积,套管可能出现过热的情况,导致危险情况发生和巨大的损失。所以需要一种基于频域介电谱数据检测阀侧套管缺陷的方法。
技术实现思路
1、针对现有技术中的上述不足,本发明提供了一种基于频域介电谱数据检测阀侧套管缺陷的方法。
2、为了达到上述发明目的,本发明采用的技术方案为:
3、一种基于频域介电谱数据检测阀侧套管缺陷检测方法,包括:如下步骤:
4、s1、构建检测装置,包括介质损耗测量模块和数据分析处理模块;
5、s2、利用介质损耗测量模块测量特高压换流变压器阀侧套管的介质损耗参数和介质损耗随频率变化的响应曲线,得到套管的介质损耗;
6、s3、将所得到的套管的介质损耗输入数据分析处理模块进行数据对比,判断缺陷种类。
7、进一步的,所述s2中利用介质损耗测量模块测量特高压换流变压器阀侧套管的介质损耗参数和介质损耗随频率变化的响应曲线的具体方式为:
8、s21、对测量数据进行滤波处理,过滤提取出频率高于10hz的数据,得到平滑稳定的摄入量;
9、s22、利用方差计算对滤波后的数据进行特征量的提取和过滤。
10、进一步的,所述s21中滤波处理的计算方式为:
11、y(n)=αx(n)+(1-α)y(n-1)
12、其中,α是滤波系数;x(n)为第n次采样值;y(n-1)为n-1次滤波输出值;y(n)是第n次滤波输出值。
13、进一步的,所述s22中方差计算的计算公式为:
14、var(x)=e{[x-e(x)]2}
15、其中,var(x)是方差;x是随机变量;e(x)是期望值,e{[x-e(x)]}是x的分散程度。
16、进一步的,所述s3具体包括如下步骤:
17、s31、构建缺陷特征数据库,利用人工神经网络深度学习算法对缺陷特征数据库进行训练,得到训练样本;
18、s32、将步骤s2测量得到的套管的介质损耗数据与训练得到的训练样本进行介质损耗因素对比,若不符合缺陷数据特征则返回s2对下一个套管进行测量,若符合缺陷数据特征则进入步骤s33;
19、s33、通过介质损耗引述异常频率段的响应曲线与人工神经网络深度学习算法中的训练样本进行拟合度分析,判断缺陷种类。
20、进一步的,所述s33中采用回归模型进行拟合度分析,具体计算方式为:
21、y=β0+β1x+ε1
22、其中,β0、β1是待估计参数;x是变量;ε1是相互独立且服从同一正态分布的随机变量。
23、进一步的,所述s31中训练样本的训练方式为:将具有缺陷特征的换流变压器阀侧套管的介质损耗因数和介质损耗因数随频率变化的响应曲线数据用人工神经网络深度学习算法进行数据的归一化处理和特征值提取,使得其成为训练样本,具体包括:
24、s311、将标准化的实测的具有缺陷特征的换流变压器阀侧套管的介质损耗因数和介质损耗因数随频率变化的响应曲线输入bp神经网络;
25、s312、提取出频率高于设定阈值的数据,并取出其中一个样本进行正向输入;
26、s313、计算各层神经元的输入输出,并计算输出误差;
27、s314、根据所计算的输出误差得分析判断缺陷种类。
28、进一步的,所述s313中的误差具体计算方式为:
29、
30、其中:outi是输出层;targeti是已知的正确结果,i是bp神经网络的层数。
31、本发明具有以下有益效果:
32、同时测量特高压换流变压器阀侧套管的介质损耗因数和频域介电谱,测量所得的数据会与仿真的数据作对比,能准确快速的判断特高压换流变压器阀侧套管内部时候存在缺陷。
1.一种基于频域介电谱数据检测阀侧套管缺陷检测方法,其特征在于,包括:如下步骤:
2.根据权利要求1所述的一种基于频域介电谱数据检测阀侧套管缺陷的方法,其特征在于,所述s2中利用介质损耗测量模块测量特高压换流变压器阀侧套管的介质损耗参数和介质损耗随频率变化的响应曲线的具体方式为:
3.根据权利要求2所述的一种基于频域介电谱数据检测阀侧套管缺陷的方法,其特征在于,所述s21中滤波处理的计算方式为:
4.根据权利要求2所述的一种基于频域介电谱数据检测阀侧套管缺陷的方法,其特征在于,所述s22中方差计算的计算公式为:
5.根据权利要求1所述的一种基于频域介电谱数据检测阀侧套管缺陷的方法,其特征在于,所述s3具体包括如下步骤:
6.根据权利要求5所述的一种基于频域介电谱数据检测阀侧套管缺陷的方法,其特征在于,所述s33中采用回归模型进行拟合度分析,具体计算方式为:
7.根据权利要求1所述的一种基于频域介电谱数据检测阀侧套管缺陷的方法,其特征在于,所述s31中训练样本的训练方式为:将具有缺陷特征的换流变压器阀侧套管的介质损耗因数和介质损耗因数随频率变化的响应曲线数据用人工神经网络深度学习算法进行数据的归一化处理和特征值提取,使得其成为训练样本,具体包括:
8.根据权利要求7所述的一种基于频域介电谱数据检测阀侧套管缺陷的方法,其特征在于,所述s313中的误差具体计算方式为: