法律状态公告日
法律状态信息
法律状态
2018-12-07
授权
授权
2017-05-24
实质审查的生效 IPC(主分类):G01R31/12 申请日:20170214
实质审查的生效
2017-04-26
公开
公开
技术领域
本发明属于电气设备局部放电检测技术领域,具体说的是高压电力设备局部放电带电的特征提取方法。
背景技术
带电测量电气设备的局部放电是观察电气设备绝缘状况,预防电气设备故障的一种有效方法。
放电强度是指局部放电活动发生期间实际出现的迁移电荷数量。
对于直接法测量来说,放电强度主要用视在电荷q 进行描述。该量属于等值量,就是在
规定的试验回路中短时对试品两端间注入使测量仪器指示读数与实际测量局部放电时相同时的电荷。显然,如果局部放电的测量点和源点之间存在高频电流的分流支路,则视在电荷量q 实际是小于实际放电量Q 的。
对于脉冲电流法测量来说,放电强度主要用脉冲信号的电压幅值进行描述。
局部放电活动与绝缘系统两端的电压直接相关。交流电气设备内部的局部放电活动会随着交流电压的周期性变化而重复着“熄灭-出现-再熄灭”的过程,因此重复性是交流电气设备局部放电活动的典型特征。同时,局部放电活动的发生机理又是复杂多样的,既无法保证每个工频周期都会重复出现,也无法保证每个放电过程就是前次放电过程的简单重复,因此每个工频周期的局部放电活动强度也在时刻波动甚至可能消失。概括起来,就是局部放电活动的放电强度既具有短期内的波动性,也具有长期内的稳定性。
当前局部放电检测的特征提取通常是提取的极值,而单一的采用极值有一定的弊端:
1抗干扰能力差,易产生测量误差;
2对测量的灵敏度、准确度难以取得一个完美的平衡;
3容易以偏概全;
4波动太大。
发明内容
为解决上述技术问题,本发明提供一种基于局部放电全息数据的概率特征参数提取方法,选择规定期间内所有局部放电脉冲信号的概率最大值来表征所有局部放电活动的放电强度,以提高提取的精度和准确度。
为实现上述技术目的,所采用的技术方案是:一种基于局部放电全息数据的概率特征参数提取方法,包括以下步骤:
步骤1:利用脉冲电流法采集一段时间内的所有局部放电脉冲信号的波形数据;
步骤2:根据步骤一得出的所有局部放电脉冲信号的波形数据提取出单个脉冲放电信号的幅值,即脉冲周期内最大值;
步骤3:定义PDF概率密度函数为p(x), 定义CDF 累积分布函数为P(x),即:
P(x) = p(X<=x);
步骤4:将一段时间内脉冲周期内最大值组合为一个概率分布序列为{},则可定义两组累积参数分别用变量 、 表示,以及对应的放电强度值用两个数组下标m,n表示;同时,定义概率定值为Pset为85%;
步骤5:为了计算概率值,从序列第一个元素开始累加计算,即:
1.P(1) = p(1)
2.P(2) = p(1) + p(2)
3.
步骤6:P(k)在取值区间由低到高与Pset循环比较,当P(k)>Pset时,得出 =,n=k,前一点的取值即为,m,同时终止循环;
步骤7:根据精度要求,选择合适的插值模型,对Pn,n,Pm,m进行插值,由此得出相应的局部放电概率强度S = f(m,n, , , ); S值就是概率最大强度。
本发明有益效果是:本特征提取方法提取的特征值作为测量结果既能反映局放的严重强度,又能反映局放的整体特征,也能避免单一脉冲的干扰影响;对测量的灵敏度、准确度取得一个相对完美的平衡。
附图说明
图1为本发明具体实施方式一段时间内局部放电脉冲信号的波形图。
具体实施方式
由于局部放电活动的放电强度既具有短期内的波动性,也具有长期内的稳定性,因此放电强度参量的测量需要综合考虑规定期限内所有局部放电活动的总体效应,由此引入放电强度概率值的概念,即概率强度,就是选择规定期间内所有局部放电脉冲信号的概率最大值来表征所有局部放电活动的放电强度。基于概率强度,提供一种配电设备局部放电特征提取方法,以提高提取的精度和准确度。
一种基于局部放电全息数据的概率特征参数提取方法,其步骤包括:
步骤1:利用脉冲电流法采集一段时间内的所有局部放电脉冲信号的波形数据;
步骤2:根据以上数据提取出单个脉冲放电信号的幅值,即脉冲周期内最大值;
步骤3:定义PDF概率密度函数为p(x), 定义CDF 累积分布函数为P(x),即:
P(x) = p(X<=x);
步骤4:将一段时间内脉冲周期内最大值组合为一个概率分布序列为{ },则可定义两组累积参数分别用变量 , 表示以及对应的放电强度值用两个数组下标m,n表示;
同时定义概率定值为Pset;
步骤5:为了计算概率值,从序列第一个元素开始累加计算(计数值除以放电总次数不是放电频度这样可以消除对单位时间长度的依赖)即:
1.P(1) = p(1)
2.P(2) = p(1) + p(2)
3.
步骤6:P(k)在取值区间由低到高与Pset循环比较,当P(k)>Pset时,得出
= ,n=k,前一点的取值即为 ,m,同时终止循环;
步骤7:根据精度要求,选择合适的插值模型,对Pn,n,Pm,m进行插值,由此得出相应的局部放电概率强度S = f(m,n, , , );
此放电概率强度即为所提取的局部放电的特征值
我们把累积概率小于85%所对应的脉冲信号取值作为概率最大强度,简称概率强度,即Pset取值为85%时对应的S值就是概率强度。
以图1所示的一段时间内局部放电脉冲信号的波形图为处理对象展开特征提取:
脉冲周期内最大值序列为
G(1) = 0.9;
G(2) = 0.2;
G(3) = 0.9;
G(4) = 2;
G(5) = 2.5;
G(6) = 1.6;
G(7) = 1.2;
G(8) = 1.2;
G(9) = 1.6;
G(10) = 1;
累积分布序列为
P(0.2)=10%;
P(0.9)=30%;
P(1)=40%;
P(1.2)=60%;
P(1.6)=80%;
P(2)=90%;
P(2.5)=100%;
由此特征提取方法,采用线性插值模型S= m +,得出概率强度为S = 1.8;
而采用极值法求得的特征值为2.5;
采用算术平均法求得的特征值为1.31。
局放脉冲信号的重要特征是重复性,脉冲幅值围绕着某值上下波动,并有一定的趋势变化,单一的异常信号不能反映的整体特征。
极值法提取的特征值受单一脉冲的干扰严重,测量灵敏度很低,准确度偏差也大;
算术平均法提取的特征值受底噪影响,不能反映局放的严重强度,测量准确度偏差很大;
本特征提取方法提取的特征值作为测量结果既能反映局放的严重强度,又能反映局放的整体特征,也能避免单一脉冲的干扰影响;对测量的灵敏度、准确度取得一个相对完美的平衡。
机译: 一种正面认证方法,其增强了计算机生成全息图转换的数字全息图标记的安全级别,这是一种基于计算机生成的全息图的正认证系统数字全息图标记发生器,用于基于计算机生成的全息图的正验证系统
机译: 基于概率模型和机器学习的特征提取方法从脑电图信号中基于多频带系数的癫痫发作波形检测系统
机译: 基于概率模型和机器学习的特征提取方法从脑电图信号中基于多频带系数的癫痫发作波形检测系统