[发明专利]高压开关柜局部放电监测方法

说明书

本发明公开了一种高压开关柜局部放电监测方法，步骤包括信号采集、降噪处理、特征值提取、建立初始神经网络、神经网络训练、权值和阈值优化和实时信号权值和阈值判断等步骤。应用本发明将采集到的超声信号进行降噪处理，排除噪声干扰，使接下来提取的特征值数据更有效简约。利用时域和频域分析法，提取局部放电的超声信号特征值，提高预测模型的效率；引入遗传算法优化的BP神经网络预测模型，通过提取的特征值进行训练和预测，明显提高局部放电故障判断的精度，速度及泛化能力。

技术领域

本发明涉及电力设备监测领域，尤其是一种基于超声波检测技术的高压开关柜局部放电在线监测方法。

背景技术

局部放电是导致电力系统中高压设备发生绝缘劣化的重要原因，而绝缘劣化是引发电气设备故障的最主要因素。因此针对高压设备内部局部放电的带电检测具有十分重大的意义。目前电力系统高压开关柜检修中普遍依赖人力根据超声波传感器频谱相位进行判断，存在对检修从业人员经验要求较高，人员培训周期较长。另外人力判断的准确度和速度都相对较低，不能及时对高压开关柜内的局部放电类型进行准确的判断。另外由于人力判断受限于检修周期的固定，而不能实现对于高压开关柜局部放电的实时监测。

发明内容

为了解决上述技术问题，本发明提供了一种高压开关柜局部放电监测方法，其特殊之处在于，包括以下步骤：

S1，在被检测的高压开关柜内布置超声波传感器，利用超声波传感器采集开关柜内不同类型局部放电的超声波信号；

S2，对采集到的超声信号进行降噪处理，去除超声信号中高压开关柜内的噪声干扰；

S3，对降噪处理后的超声信号进行时域和频域分析，在时域上提取出5个特征值，在频域上提取出3个特征值；

S4，根据在时域和频域上提取出的特征值作为的初始训练和测试输入，确定神经网络的结构，并获得初始种群；

S5，通过对神经网络的解码得到权值和阈值并基于交叉验证将数据分为测试集和验证集，将数据代入神经网络训练；

S6，使用遗传算法优化权值和阈值，并重新用神经网络进行训练及预测，不断重复此步骤直到得到最佳的初始权值和阈值；

S7，利用高压开关柜内布置超声波传感器实时采集局部放电的超声波信号，按照S2～S6的方法得到实时采集超声信号的最佳的初始权值和阈值；

S8，通过对比实时采集超声信号与不同类型局部放电的超声波信号的最佳的初始权值和阈值，确定实时采集局部放电的具体类型。

进一步地，S1中所述不同类型局部放电包括电晕放电、沿面放电、气隙放电和悬浮放电。

进一步地，S2中所述噪声包括开关柜内机械振动、电晕干扰、电磁干扰以及白噪声。

进一步地，S3中所述在时域上提取出5个特征值分别为在均方根RMS、方差VAR、绝对积分平均值AVA、峰度BK和偏度BS，

其中均方根RMS的计算公式为

方差VAR的计算公式为

绝对积分平均值AVA的计算公式为

峰度BK的计算公式为

偏度BS的计算公式为

以上公式中，N为采集的局部放电超声信号的采样点数，X_i为第i个局部放电超声信号采样点的幅度值，是样本的平均值，sd是样本的标准差。