一种开关柜局部放电诊断方法及系统与流程

本技术涉及局部放电诊断，具体涉及一种开关柜局部放电诊断方法及系统。

背景技术：

1、高压开关柜是供配电系统中的一种关键设备，不仅负责控制和保护电力系统的运行，还直接影响到供电的可靠性和安全性，若高压开关柜故障将直接影响供电可靠性。高压开关柜在运行电压、电流热、力等作用下，以及在生产、运输、安装和检修过程中，不可避免地会产生或留下各种绝缘缺陷，这些缺陷逐渐发展使得高压开关柜的电气强度下降从而导致故障发生，而局部放电诊断是预防高压开关柜绝缘故障导致突发性停电事故的重要技术手段，可提升高压开关柜运行的可靠性，减少停电检修次数和停电故障的发生。

2、随着检测技术的发展，多检测信息融合成为故障检测技术发展的必然趋势，将多检测方法融合实现高压开关柜局部放电的故障诊断，而要准确诊断高压开关柜内部是否存在局部放电故障，须建立在对检测信息特征准确提取的基础上，目前通常利用神经网络直接对检测信号进行特征提取，而神经网络的性能高度依赖于训练数据的质量和多样性，如果训练数据不足或存在偏差，训练得到的模型可能会存在泛化能力不足的问题，导致对检测信息的特征提取不准确，降低对高压开关柜局部放电故障诊断的准确性。

技术实现思路

1、鉴于以上内容，有必要提供一种开关柜局部放电诊断方法及系统，相对于传统的开关柜局部放电诊断方法及系统，提高了对开关柜局部放电故障诊断的准确性：

2、第一方面，本技术实施例提供了一种开关柜局部放电诊断方法，该方法包括以下步骤：

3、采集高压开关柜的超声波信号；

4、将超声波信号分割为长度为一个工频周期的各超声波信号片段，基于各超声波信号片段的包络线的波峰形状，确定各超声波信号片段的波形特征向量；

5、基于任意一个超声波信号片段与其余所有超声波信号片段之间分布特征的相似性，确定所述任意一个超声波信号片段的第一相关性系数；

6、根据时间将各超声波信号片段分别均分为两个超声波信号小片段，将所有超声波信号片段的超声波信号小片段组成超声波信号小片段集合，基于各超声波信号片段的各超声波信号小片段与超声波信号小片段集合中各超声波信号小片段之间分布特征的相似性，确定各超声波信号片段的第二相关性系数；

7、综合分析所述波形特征向量、所述第一相关性系数、所述第二相关性系数以及各超声波信号片段的峰值，确定各超声波信号片段的局部放电特征向量；

8、基于特高频检测法和所述局部放电特征向量进行多信息融合，对高压开关柜的局部放电故障类型进行诊断。

9、在其中一种实施例中，所述波形特征向量的确定过程为：

10、提取各超声波信号片段的包络线，基于各包络线中的各峰值点所在峰的峰宽和峰高，确定各峰值点所在峰的形状特征向量；

11、基于各超声波信号片段的包络线的所有峰的形状特征向量，确定各超声波信号片段的波形特征向量。

12、在其中一种实施例中，所述形状特征向量的确定过程为：

13、对于各包络线中的各峰值点，获取各峰值点所在峰的左峰宽和右峰宽以及峰高；

14、任一峰的左峰宽的计算方法为：获取所述任一峰上其峰值点左侧纵坐标最小的数据点，记为左侧最小数据点，将所述任一峰的峰值点与左侧最小数据点之间横坐标的差值绝对值，作为所述任一峰的左峰宽；右峰宽的计算方法与左峰宽的计算方法相同；

15、将任一峰值点所在峰的左峰宽、右峰宽与峰高的比值，分别作为所述任一峰值点所在峰的形状特征向量的第一个分量、第二个分量。

16、在其中一种实施例中，将各超声波信号片段对应所有形状特征向量各相同位置的分量的均值，作为各超声波信号片段的波形特征向量中的各分量。

17、在其中一种实施例中，所述第一相关性系数的确定过程为：

18、将所有超声波信号片段组成超声波信号片段集合；

19、利用互相关函数计算超声波信号片段集合中所述任意一个超声波信号片段与其余各超声波信号片段在各个时间延迟下的互相关系数，记为第一互相关系数；

20、将超声波信号片段集合中所述任意一个超声波信号片段与其余各超声波信号片段在所有时间延迟下的所述第一互相关系数的均值，记为第一互相关均值；

21、将超声波信号片段集合中所述任意一个超声波信号片段与其余所有超声波信号片段之间所述第一互相关均值的均值，作为所述任意一个超声波信号片段的第一相关性系数。

22、在其中一种实施例中，所述第二相关性系数的确定过程为：

23、采用互相关函数计算超声波信号小片段集合中各超声波信号小片段与其余各超声波信号小片段在各个时间延迟下的互相关系数，记为第二互相关系数；将超声波信号小片段集合中各超声波信号小片段与其余各超声波信号小片段在所有时间延迟下的所述第二互相关系数的均值，记为第二互相关均值；

24、计算超声波信号小片段集合中各超声波信号小片段与其余所有超声波信号小片段之间所述第二互相关均值的均值，记为第三互相关均值；

25、将各超声波信号片段的两个超声波信号小片段的所述第三互相关均值的均值，作为各超声波信号片段的第二相关性系数。

26、在其中一种实施例中，所述局部放电特征向量由各超声波信号片段的包络线的最大峰值、波形特征向量和周期特征向量组成；

27、各超声波信号片段的周期特征向量由各超声波信号片段的第一相关性系数和第二相关性系数组成。

28、在其中一种实施例中，所述对高压开关柜的局部放电故障类型进行诊断的过程为：

29、将所有超声波信号片段的局部放电特征向量组成高压开关柜的超声波信息的局部放电特征集；

30、采用特高频检测法和主成分分析法获取高压开关柜的电磁波信息的最优特征子集；

31、采用神经网络分别对局部放电特征集、最优特征子集进行识别分类；

32、基于基本概率分配分别对局部放电特征集的分类结果、最优特征子集的分类结果进行信息修正；

33、通过ds证据理论对基本概率分配bpa修正后的信息进行融合，得到每种局部放电故障的概率；

34、基于所有种类局部放电故障的概率诊断高压开关柜是否产生局部放电故障。

35、在其中一种实施例中，将概率最大的局部放电故障作为高压开关柜的故障类型，当所有种局部放电故障的概率相等或所有种局部放电故障的概率均小于预设数值时，判定高压开关柜未出现故障。

36、第二方面，本技术实施例还提供了一种开关柜局部放电诊断系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述一种开关柜局部放电诊断方法的步骤。

37、本技术至少具有如下有益效果：

38、本技术通过对高压开关柜的针板放电、内部放电、悬浮放电和沿面放电这四种局部放电故障进行分析，并基于高压开关柜的超声波信号的峰值特征、波形特征和周期特征，确定超声波信号在每个工频周期的局部放电特征向量，考虑了高压开关柜的针板放电、内部放电、悬浮放电、沿面放电这四种局部放电故障所产生的超声波信号之间，在每个工频周期内的最大峰值、信号波形以及波形周期性的区别，提高了高压开关柜的各种局部放电故障之间的区分度；

39、进一步，基于局部放电特征向量获取高压开关柜的超声波信息的局部放电特征集，并结合特高频检测法获取的高压开关柜的电磁波信息的最优特征子集，利用ds证据理论融合多检测信息输出每种局部放电故障的概率，诊断高压开关柜是否出现故障，提高了获取高压开关柜的超声波信息的局部放电特征集的准确性，进而提高了对高压开关柜局部放电故障诊断的准确性。