[发明专利]一种金属氧化物避雷器表面污染在线检测方法

权利要求书

1.一种金属氧化物避雷器表面污染在线检测方法，其特征在于：包括如下步骤：

S1、从不同表面污染等级的金属氧化物避雷器上获取全泄漏电流i_t和输入电压U，其中，避雷器表面污染等级根据避雷器表面附着污染物的等值附盐密度值划分为六个等级：等值附盐密度值小于0.015时，避雷器表面污染等级为r₁：干净；等值附盐密度值大于等于0.015，小于0.03时，表面污染等级为r₂：非常轻微污染；等值附盐密度值大于等于0.03，小于0.06时，表面污染等级为r₃：轻微污染；等值附盐密度值大于等于0.06，小于0.12时，表面污染等级为r₄：中度污染；等值附盐密度值大于等于0.12，小于0.24时，表面污染等级为r₅：高度污染；等值附盐密度值大于等于0.24时，表面污染等级为r₆：严重污染；

S2、将获取的避雷器全泄露电流值i_t分解为容性分量i_c与阻性分量i_r，其具体操作如下：

S21、将金属氧化物避雷器等效为非线性电阻元件与压敏电阻的电容并联，故其全泄漏电流可如下公式所示：

i_c(t)＝a_ccos(ωt)

i_r(t)＝i_t(t)-i_c(t)；

S22、利用低通滤波器对全泄露电流进行滤波的得到滤波后电流，如下公式所示：

i_tf(t)＝a_fsin(ωt+θ)＝a_rfsin(ωt)+a_ccos(ωt)

其中θ是输入电压与滤波后全泄露电流i_tf之间的相角；

S23、将滤波后全泄露电流i_tf相移2θ得到i_tfs，计算i_tf与i_tfs之和，如下公式所示：

i_sum(t)＝i_tf+i_tfs＝a_f{sin(ωt+θ)+sin(ωt-θ)}

＝2a_fcosθsin(ωt)

i_sum和全泄漏电流的阻性分量的基波相位相同；

S24、由于容性分量的峰值位置领先i_sum峰值位置1/4周期，则可计算容性电流峰值周期，如下公式所示：

T_c＝T_p-T

其中T_c、T_p分别为i_c、i_sum的峰值周期位置，T为信号周期；

S25、由T_c与i_tf计算容性电流峰值a_c，如下公式所示：

a_c＝i_tf(T_c)；

S26、根据i_tf与i_c可计算滤波后全泄漏电流阻性分量，如下公式所示：

i_r(t)＝i_tf(t)-i_tf(T_c)cos(ωt)；

S27、通过数学形态算子对计算得到的阻性电流ir进行特征提取；

S3、通过数学形态算子对分解得到的全泄露电流阻性分量i_r进行特征提取，得到若干特征值，其具体操作如下：

S31、提出新型数学形态算子(df_de(n))与(df_oc(n))，如下公式所示：

其中：

E(n)＝(pΘq)(n)＝min{p(n+m)-q(m)}

其中p(n)为一维离散输入信号，q(m)为一维离散探测信号，nm0，n＝0,1,2…，m＝0,1,2…；

S32、将阻性电流i_r离散化为i_r(k)，并代入到数学形态算子(df_de(n))与(df_oc(n))中，如下公式所示：

其中，k＝01,2…，km；

S33、根据数学形态算子(df_de(k))与(df_oc(k))，提取出避雷器阻性电流i_r的20个特征，如下所示：

[f₁ f₂ f₃ f₄ f₅ f₆ f₇ f₈ f₉ f₁₀ f₁₁ f₁₂ f₁₃ f₁₄ f₁₅ f₁₆ f₁₇ f₁₈ f₁₉ f₂₀]

其中，f₁～f₆分别为D(k)，E(k)，O(k)，C(k)，df_de(k)，(df_oc(k))的方差，f₇～f₁₂分别为D(k)，E(k)，O(k)，C(k)，df_de(k)，(df_oc(k))的斜度，f₁₃～f₁₈分别为D(k)，E(k)，O(k)，C(k)，df_de(k)，(df_oc(k))的峰度，f₁₉，f₂₀分别为D(k)，E(k)的平均值；

S34、利用基于最小绝对值收敛的回归估计函数对所提取的20个避雷器特征进行特征选择；

S4、利用基于最小绝对值收敛的回归估计函数对阻性电流特征进行特征选择，其具体操作如下：

S41、建立最小绝对值收敛的回归估计函数如下公式所示：

其中，x_ij是第i个数据的第j个特征，y_i是对应数据的实际值，β_j是第j个特征的回归系数，λ是调制系数；

S42、将金属氧化物避雷器阻性电流i_r的20个特征代入回归估计函数进行特征选择，估计函数为零的特征被淘汰，如下公式所示：

S43、提取回归估计函数不为零的特征，淘汰回归估计函数为零的特征，剩余的特征个数为z，0＜z≤20；

S44、利用高斯贝叶斯分类器对剩余的避雷器阻性电流特征进行分类，得到避雷器表面污染等级；

S5、使用高斯贝叶斯分类器对避雷器污染等级进行分类，具体操作如下：

S51、将提取出的阻性电流特征变量F＝(f₁，f₂，…，f_r)与分类变量R＝(r₁，r₂，…，r₆)代入高斯贝叶斯概率模型，如下公式所示：

S52、特征变量F之间互相条件独立，则根据贝叶斯定理计算各分类变量r_j上的各特征f_r的概率，如下公式所示：

S53、计算贝叶斯分类器中概率p最大的分类变量，将其作为当前数据点所对应的、类等级，如下公式所示：