亚星游戏官网-www.yaxin868.com

基于脉冲序列分析的局部放电发展过程诊断方法
【专利摘要】本发明公开了一种基于脉冲序列分析的局部放电发展过程诊断方法，该诊断方法包括提取脉冲序列特征建立指纹库和放电类型与发展过程判断过程；具体包括：首先在典型缺陷条件下采集局部放电信号，并进行信号预处理；然后进行脉冲序列特征提取，特征量分析利用三类谱图，包括Δu谱图、Δt频率分布图、Δu/Δt谱图；对三类谱图进行9种特征参量的提取，并建立放电指纹库；最后利用最小欧式距离寻找指纹库中与待诊数据相似度最高的放电类型与放电发展阶段作为诊断结论。该方法充分利用放电信息，考虑了前次放电产生的空间电荷、表面电荷对后续放电的影响，且算法实现过程简单、识别率高，适用于电力设备中局部放电类型和发展过程的诊断以及放电危害性评估。
【专利说明】基于脉冲序列分析的局部放电发展过程诊断方法
【【技术领域】】
[0001]本发明涉及高电压与绝缘【技术领域】中的局部放电检测技术，具体涉及一种基于脉冲序列分析的局部放电发展过程诊断方法。
【【背景技术】】
[0002]在电力设备运行过程中，其绝缘在电、热、机械以及环境等因素的共同作用下会逐渐劣化，引起绝缘系统的机械强度或绝缘性能下降。而在电老化方面则通常认为是由局部放电引起的。国内外研究均表明，局部放电能够有效地反映变压器、套管等大型设备内部绝缘的故障，尤其对早期故障的发现比介损测量、油中色谱分析等方法要有效得多。因此，对由缺陷引发的局部放电进行检测，掌握表征绝缘缺陷由放电产生到击穿过程的劣化信息特征，无疑对设备绝缘老化状态的诊断和评估具有重要的理论价值和现实意义。
[0003]在对已有的局部放电检测技术和模式识别方法进行系统研究后发现，包括一些商业化的测量和智能分析设备，大部分基于局部放电相位分布谱图PRPD (Phase ResolvedPartial Discharge)方法，由于其包含丰富的放电相位(识)_幅值(q)_次数(η)等组合信息，已在电力设备状态监测与故障诊断领域得到广泛的推广和应用。研究者通常对PRPD谱图提取随机性数据统计特征算子作为放电的指纹特征，在实验室的绝缘故障识别与诊断研究工作中取得了较好效果。但在根据测量结果评估放电的发展程度、设备绝缘状态(剩余寿命)等研究难点时，还存在二个关键问题:(I)基于局部放电PRH)谱图描述了不同放电类型相位分布特征，但没有考虑放电时间序列，即没有考虑连续放电之间的相互作用、空间电荷效应等；(2)同一缺陷下在放电从起始直至击穿过程中未能提取有效的特征参量对放电发展程度进行表征。
【
【发明内容】
】
[0004]本发明目的在于弥补基于局部放电PRPD谱图检测、统计算子的不足，提供一种基于脉冲序列分析的局部放电发展过程诊断方法。
[0005]为了实现上述目的，本发明采用如下的技术方案:
[0006]基于脉冲序列分析的局部放电发展过程诊断方法，包括以下步骤:
[0007]I)信号采集:通过传感器捕获电力设备中所发出的局部放电信号，经过放大和数模转换后变成数字信号，并连续采集发送至信号预处理模块，其中，对局部放电信号采集的信息包括:外施电压幅值、频率，每一放电脉冲的相位-幅值信息以及局部放电脉冲之间的时序关系；
[0008]2)信号预处理:采用等效时频图对步骤I)中的每一放电脉冲的相位-幅值信息以及局部放电脉冲之间的时序关系分离出仅包含局部放电源的信息；
[0009]3)脉冲序列特征提取:包括激励连续局部放电脉冲所需的外施电压差Au谱图、放电间隔At的频率分布图以及产生连续的局部放电脉冲所需的电位梯度Au/At图；
[0010]4)基于脉冲序列特征量建立放电指纹库:对放电形成的Au谱图、Λ t频率分布图和Au/At谱图上的簇丛进行9种特征参量的提取与统计并建立放电指纹库；对实验室中尖端放电、沿面放电和气隙放电三种典型缺陷下的不同发展阶段下300组以上样本进行统计分析，建立放电特征指纹库；其中，9种特征参量包括已知缺陷模型下放电的Au谱图中的放电簇丛数目、位置、相对密度和放电发展轨迹，Au/At谱图中的放电簇丛数目、位置、相对密度以及放电发展轨迹，以及的频率分布图中的放电间隔特征值；
[0011]5)放电类型与发展阶段诊断:在对放电进行诊断时，对未知放电依据以上步骤2)和步骤3)提取特征参量，利用最小欧式距离法寻找与依据步骤4)得到的放电指纹库中与待诊数据相似度最高的放电类型与放电发展阶段，以相似度最高的放电类型与放电发展阶段为待诊数据的放电类型和放电发展阶段。
[0012]本发明进一步改进在于,步骤I)中，通过高频电流传感器或稱合电容传感器采集局部放电信号中的每一放电脉冲的相位-幅值信息以及局放脉冲之间的时序关系。
[0013]本发明进一步改进在于，步骤2)中，采用等效时频图对步骤I)中的每一放电脉冲的相位-幅值信息以及局部放电脉冲之间的时序关系分离出仅包含局部放电源的信息，具体包括以下步骤:
[0014]①获取待测电力设备每次局部放电电流脉冲的波形；
[0015]②特征提取:计算电流脉冲的等效时长T与等效频宽F，并绘制等效时频图；其计算步骤如下:
[0016](a)对电流脉冲波形归一化处理，依据公式如下:
【权利要求】
1.基于脉冲序列分析的局部放电发展过程诊断方法，其特征在于，包括以下步骤: 1)信号采集:通过传感器捕获电力设备中所发出的局部放电信号，经过放大和数模转换后变成数字信号，并连续采集发送至信号预处理模块，其中，对局部放电信号采集的信息包括:外施电压幅值、频率，每一放电脉冲的相位-幅值信息以及局部放电脉冲之间的时序关系; 2)信号预处理:采用等效时频图对步骤I)中的每一放电脉冲的相位-幅值信息以及局部放电脉冲之间的时序关系分离出仅包含局部放电源的信息； 3)脉冲序列特征提取:包括激励连续局部放电脉冲所需的外施电压差Au谱图、放电间隔At的频率分布图以及产生连续的局部放电脉冲所需的电位梯度Au/At图； 4)基于脉冲序列特征量建立放电指纹库:对放电形成的Au谱图、At频率分布图和Au/At谱图上的簇丛进行9种特征参量的提取与统计并建立放电指纹库；对实验室中尖端放电、沿面放电和气隙放电三种典型缺陷下的不同发展阶段下300组以上样本进行统计分析，建立放电特征指纹库；其中，9种特征参量包括已知缺陷模型下放电的Au谱图中的放电簇丛数目、位置、相对密度和放电发展轨迹，Au/At谱图中的放电簇丛数目、位置、相对密度以及放电发展轨迹，以及的频率分布图中的放电间隔特征值； 5)放电类型与发展阶段诊断:在对放电进行诊断时，对未知放电依据以上步骤2)和步骤3)提取特征参量，利用最小欧式距离法寻找与依据步骤4)得到的放电指纹库中与待诊数据相似度最高的放电类型与放电发展阶段，以相似度最高的放电类型与放电发展阶段为待诊数据的放电类型和放电发展阶段。
2.根据权利要求1所述的基于脉冲序列分析的局部放电发展过程诊断方法，其特征在于，步骤I)中，通过高频电流传感器或耦合电容传感器采集局部放电信号中的每一放电脉冲的相位-幅值信息以及局放脉冲之间的时序关系。
3.根据权利要求1所述的基于脉冲序列分析的局部放电发展过程诊断方法，其特征在于，步骤2)中，采用等效时频图对步骤I)中的每一放电脉冲的相位-幅值信息以及局部放电脉冲之间的时序关系分离出仅包含局部放电源的信息，具体包括以下步骤: ①获取待测电力设备每次局部放电电流脉冲的波形； ②特征提取:计算电流脉冲的等效时长T与等效频宽F，并绘制等效时频图；其计算步骤如下: (a)对电流脉冲波形归一化处理，依据公式如下:
式中:s(t)为采集的电流脉冲波形屯)是s(t)的归一化值，t为时间，T为采样时长； (b)计算局部放电脉冲的时间重心，依据公式如下:
式中:印)是公式(I)计算得到的电流脉冲波形归一化值； (C)计算局部放电脉冲的等效时长，依据公式如下:
式中A为公式(2)计算得到的时间重心:、⑴是公式(I)计算得到的电流脉冲波形归一化值； (d)计算局部放电脉冲的等效频宽，依据公式如下:
式中4/)力wo的傅里叶变换频谱，f表示频率； ③将每个局放电流脉冲计算得到的等效时长τ与等效频宽F，使用聚类方法对局部放电电流脉冲的波形进行聚类分析，将90%以上的白噪声、窄带噪声滤除。
4.根据权利要求1所述的基于脉冲序列分析的局部放电发展过程诊断方法，其特征在于，步骤3)中，①Au谱图的建立过程为:提取每一放电脉冲产生时对应的外施电压瞬时值IV对时序相邻的u进行做差，并绘制谱图，谱图纵坐标:Λ un = un+1_un，谱图横坐标:Aulri = Un-Ulri,!!为局部放电电流脉冲样本数；由横纵坐标表达式可以知道，横纵坐标的范围在-2至2之间； ②放电间隔At的频率分布图的建立过程为:计算相邻放电发生的时间间隔Atn=tn+1_tn，并将时间间隔范围分成30等分，统计落入每一等分中放电的频率，画出At频率分布图； ③Au/At谱图的建立过程为:依据步骤①和②计算绘制Au/At谱图，谱图纵坐标:Δ un/ Atn= (un+1-un) / (tn+1-tn),横坐标:Δ Ulri/ Δ tn_! = (Un-Ulri) / (W1),对于频率为50Hz的工频电压，横纵坐标的范围在-6至6之间。
5.根据权利要求1所述的基于脉冲序列分析的局部放电发展过程诊断方法，其特征在于，步骤4)中，At的频率分布图中的放电间隔特征值At。的计算公式为:
式中:N和Iii分别表不放电总数和分布于第i个窗上的放电数，Ati表不第i个窗对应的时间间隔值。
6.根据权利要求1所述的基于脉冲序列分析的局部放电发展过程诊断方法，其特征在于，步骤5)中，采用欧氏距离di(l表示待诊数据与放电指纹库中第i组数据的距离，其计算公式如下:
式中:aik和a(lk分别表示放电指纹库和待诊数据第k个特征指标的值，这里m表示特征参量的个数，即m = 9 ; 逐一计算di(l,令d = min(diCI),这样在放电指纹库找到了与待诊数据相似度最高的放点数据，并以该放电数据的放电类型与放电发展阶段作为待诊数据的诊断结论。
【文档编号】G01R31/12GK104198898SQ201410379544
【公开日】2014年12月10日 申请日期:2014年8月4日 优先权日:2014年8月4日
【发明者】穆海宝, 李元, 朱明晓, 魏艳慧, 邓军波, 张冠军, 张伟政, 李智敏 申请人:西安交通大学, 国家电网公司, 国网河南省电力公司郑州供电公司