一种GIS组合电器局部放电故障模式识别方法与流程

本发明涉及电力设备带电检测，尤其涉及一种gis组合电器局部放电故障模式识别方法。

背景技术：

1、气体绝缘全封闭组合电器(gas insulated switchgear，简称gis)是现代电力系统中广泛应用的关键设备。gis将变电站中的电流互感器、电压互感器、隔离开关、断路器、接地开关、母线、套管等设备全部封闭在金属接地的筒状壳体中，在筒体中充入具有高绝缘性能的sf6气体。gis因结构紧凑、占地面积小、防灰尘、维护工作量小等优点在电力系统中得到了广泛应用。

2、随着gis设备的广泛应用，运行过程中出现的问题也随之而来，由于gis设备为纯密封性结构，难以像传统敞开式设备一样开展各项预防性试验及时发现潜在缺陷。gis设备结构复杂，工作场强很高，内部一旦出现绝缘缺陷，极易造成设备故障，引起大面积停电，造成巨大的经济损失。

3、绝缘故障一直对gis设备工作可靠性有着重要影响。局部放电作为gis设备内部绝缘故障的早期表现形式，对gis的正常运行是一种潜在威胁。在设备运行中如果能尽早发现和排除局放故障，就能降低设备损失，提高供电的可靠性。

4、目前，国内外广泛开展了局部放电检测与分析的研究，将局部放电检测和诊断作为评估gis设备绝缘状况和保障设备安全的一种有效方法。特高频检测法因具有灵敏度高、抗干扰性强等优点，逐渐成为局放检测领域的主流方法。不同类型缺陷的局部放电产生的特高频信号具有不同的图谱特征，主要体现在相位分布、放电幅值、放电间隔等特征上，可以通过提取局部放电特高频信号的三维图谱、统计特征参数、分形参数、图像矩特征参数等，再利用模式识别算法对局部放电故障类型进行识别。

5、通过查新，检索到一些相关的文献及专利，如公告号为cn103076547a的中国发明专利公开了一种基于支持向量机的gis局部放电故障类型模式识别方法，该发明提取若干个周期的m种局部放电故障类型对应的局部放电信号构建m个样本数据，作为原始数据。分别构建各样本数据的特征图谱，提取各样本数据的统计特征参数，采用一对一算法在任意两个样本数据之间构建支持向量机分类器，得到m×(m-1)/2个支持向量机分类器。采用提取出的统计特征参数训练支持向量机分类器，得到持向量机分类器模型。采用支持向量机分类器模型对待识别的局部放电信号进行局部放电故障类型模式识别。该发明支持向量机分类器是一种典型的二分类机器学习方法，gis局部放电故障类型较多，需要建立多个支持向量机分类器进行多次分类才能得到最终识别结果。

6、公告号为cn113514743a的中国发明专利公开了一种基于多维特征的gis局部放电模式识别系统构建方法，该发明获取gis局部放电信号数据并生成局部放电信号prpd图谱，根据局部放电信号prpd图谱获取特征矢量。特征矢量包括prpd图谱中的幅值与相位获取的第一特征、相位与脉冲数获取的第二特征、幅值与脉冲获取的第三特征以及频率获取的第四特征。采用pca对特征矢量进行降维，将降维后的特征矢量输入bp神经网络进行训练，构建gis局部放电模式识别系统。该发明提出的bp神经网络模式识别方法存在对初始权值阈值敏感、过学习、欠学习等问题，导致收敛慢、训练时间长、计算量大。

7、公告号为cn113780308a的中国发明专利公开了一种基于核主元分析与神经网络的gis局部放电模式识别方法，该发明采用特高频传感器采集gis设备内部的典型绝缘缺陷的局部放电信号，对局部放电信号三维prps图谱进行gabor变换，提取变换子图的纹理特征向量和形状特征向量，构成原始特征向量。采用核主元分析法对原始特征向量进行降维处理，获得特征向量训练集。构建多层bp神经网络，采用训练好的多层bp神经网络对特高频采集实际检测到的gis局部放电信号进行识别。该发明需要选择合理的神经网络结构，网络结构过小容易造成不收敛，神经网络的拓扑结构复杂会导致网络过度训练，识别误差增加。

8、综上所述，在gis局部放电模式识别分类算法中，神经网络机器学习方法应用最为广泛，但神经网络识别方法存在对初始权值阈值敏感、收敛速度慢、训练时间长、易陷入局部极小值等问题。因此，探寻更加有效的gis局部放电故障模式识别方法，实现gis设备局部放电缺陷类型的准确划分，提高gis局部放电特高频检测的准确性和可靠性是非常必要的。

技术实现思路

1、本发明的目的是提供一种gis组合电器局部放电故障模式识别方法，克服现有技术的不足，对gis组合电器设备局部放电绝缘缺陷类型进行诊断识别，提高gis设备局部放电故障诊断的效率和准确性，从而能够有效预防gis组合电器设备绝缘故障的发生，保证gis设备安全可靠运行。

2、为实现上述目的，本发明通过以下技术方案实现：

3、一种gis组合电器局部放电故障模式识别方法，其特征在于，包括搭建试验平台、局放检测试验、建立图谱库、提取图谱特征量、构建样本空间、计算特征向量、识别结果，具体步骤如下：

4、1)搭建gis局部放电试验平台，构建典型的局部放电模型；

5、2)局放检测试验，利用特高频法对典型的局部放电模型进行局部放电检测试验，获取大量典型绝缘缺陷的特高频局部放电图谱样本；

6、3)建立图谱库，基于步骤2)中数据样本建立gis局部放电故障模式样本图谱库；

7、4)提取图谱特征量，采用定量参数来表征局部放电信号的相位分布特征，对典型绝缘缺陷局放信号的prpd模式图谱样本进行特征提取，经过图像处理，提取prpd图谱中放电量q和放电次数n在第i个相位发生的概率pi，产生放电量相位的均值μ和标准差σ。计算表征典型局部放电模型prpd图谱形状差异的偏斜度sk，陡峭度ku，局部峰点数pe统计特征量，以及表征典型局部放电模型prpd图谱正负半周轮廓差异的放电因数q、互相关系数cc统计特征量；

8、5)构建样本空间，将局部放电信号工频周期分为正半周期和负半周期，依据5个统计特征量构造典型缺陷局放信号图谱特征向量(sk+，sk-，ku+，ku-，pe+，pe-，q，cc)，“+”、“-”对应prpd图谱的正负半周，经过上述的特征提取，对特征量求取均值后，构建局部放电模式识别样本空间；

9、6)计算特征向量，将特高频传感器贴附在待检测gis设备的盆式绝缘子上，传感器将局部放电辐射出的电磁波信号转换成电信号，利用滤波器对采集到的局放信号进行消噪处理，传给检测仪主机完成信号的a/d转换、采集及数据处理工作，形成局部放电相位分布图谱prpd，经过图像处理，计算出待识别的gis局部放电样本的特征向量；

10、7)识别结果，分别计算待识别prpd图谱样本与典型绝缘缺陷局部放电模式识别样本的马氏距离“x”代表待识别局放信号prpd图谱样本的特征向量，“s”代表典型绝缘缺陷局部放电模式样本的特征向量，“σ”代表典型绝缘缺陷局部放电模式识别样本的方差协方差矩阵，利用马氏距离来衡量模式匹配的程度，通过计算待检测样本到各局部放电模式识别样本的马氏距离，比较各距离大小，判断出待识别局部放电样本的故障类型。

11、与现有技术相比，本发明的有益效果是：

12、1)本发明通过提取gis局部放电信号的prpd模式图谱的统计特征参数，构建gis局放信号prpd图谱的特征向量，计算待识别局部放电样本的特征向量与典型局放模式识别样本特征向量的马氏距离，利用距离分类法识别出局部放电缺陷类型。

13、2)该方法在不拆卸设备的前提下，能够及时有效地发现gis设备的潜在缺陷，将gis设备绝缘劣化隐患消除在萌芽状态，减少非计划停电事故的发生，缩减gis设备事故损失成本，具有良好的经济效益和社会效益。