一种局部放电智能传感器检测方法及流程

本发明涉及高压设备故障检测，具体涉及一种局部放电智能传感器检测方法。

背景技术：

绝缘劣化是导致变电站设备故障的重要原因之一。 造成此类故障的主要原因有接触不良、毛刺、内部杂质等。 由于此类故障的存在，设备投入运行后会产生局部放电，进而导致绝缘进一步劣化。 恶性循环后，很容易造成绝缘击穿，造成更大的事故。 因此，局部放电位置的定位对于电力设备的安全运行至关重要。 然而，传统的局部放电监测系统需要铺设信号传输线，需要大量的安装和维护工作，增加了系统的复杂性和现场测试的工作量。 在实际应用中，智能传感器在安装、拆卸和移动方面具有现有系统无法比拟的无与伦比的灵活性。 基于传感器的局部放电定位算法可以利用与局部放电位置相关的参数，如到达时间（toa）、到达时间差（tdos）、到达角度（aoa）、接收信号强度等，实现精确的局部放电定位。局部放电位置的定位。 toa、tdoa、aoa这三种方法精度都很高，但对软硬件要求较高，价格昂贵，而且实现起来有一定困难，容易造成较大误差。

技术实现要素：

本发明的目的是提出一种局部放电智能传感器检测方法，以解决现有局部放电定位方法安装维护工作量大、对软硬件要求高、价格昂贵、容易造成较大的误差。

一种局部放电智能传感器检测方法，包括：

步骤1：将n个测量点排列成矩阵点阵；

第二步：在矩阵的四个角各设置一个超高频传感器；

步骤3：使用局部放电源在每个用电设备处放电p次；

步骤4、记录4个超高频传感器接收到的波形的信号幅度强度；

步骤5：将4个UHF传感器接收到的波形的信号幅值强度输入基于Levenberg-Marquardt算法的BP神经网络分类器，得到局部放电源的位置坐标。

优选地，电子器件的数量为7×7。

优选地，步骤三中，放电次数为10次。

优选地，步骤4中，信号幅度强度构成的矩阵ψ为：

 

 

其中l代表传感器的数量，

 

表示局部放源在测量点rpj时，传感器api测得的平均局部放电信号强度； τ 是计数变量，取值范围为 1 到 p 的整数。

优选地，在执行步骤四之后、执行步骤五之前，还执行以下步骤：

以 ψ 表示的列向量

 

画出测量点rpj的强度分布图，表示局部放电源位于rpj点时所有传感器的信号幅值。

优选地，步骤五中，基于Levenberg-Marquardt算法的BP神经网络分类器包括输入层、隐含层和输出层，其中输入层有4个神经元，输出层为放电源的位置坐标，而隐藏层神经元数量为12，输入层和隐藏层使用的sigmoid函数为：

 

式中，hiddenj为第j个隐藏层神经元，ωi,t为输入层神经元权重，n为输入层神经元个数。

本发明提供了一种专门针对带电检测工作的局部放电传感器检测方法，用于定期检测高压电力设备运行过程中出现的局部放电缺陷。 构建了基于信号幅值强度分布定位算法的无线传感器网络，可应用于各种场合电力设备局部放电在线检测系统。 它主要由超高频智能传感器、无线传感器网络和便携式数据分析单元组成。 整个电力设备系统可以使用多个智能传感器来检测局部放电产生的电磁信号。 多个智能传感器通过无线技术组成智能网络，通过无线网络实现数据传输和共享。 结合新型振幅强度定位方法，通过数据分析单元，对多个智能传感器获得的超高频电磁信号进行融合分析，提供缺陷定位和诊断结论。

上述技术方案中，无线传感器不破坏用电设备原有结构，内置高能锂电池，不需要外接电源，使用安全方便，可大大减少测试工作量。

上述技术方案中，手持采集前端采用无线通信技术，可以方便地采集各种局部放电数据和地图。

上述技术方案中，无线传感器网络采用多个智能传感器通过无线技术自动组网。 每个智能传感器都具有标识，并通过无线网络实现数据传输和共享。

上述技术方案中，本地信号幅度强度分布的定位算法精度和稳定性好，软硬件成本低，具有良好的实际应用价值。

本发明的有益效果是： 1、采用基于Levenberg-Marquardt算法的BP神经网络分类器，大大降低了定位误差。 2、结合智能传感器、无线传感器网络和便携式数据分析单元对电气设备进行局部放电分析。 在线检测能够很好地适应复杂空间环境的影响； 3、本发明的无线智能局部放电传感器安装方便。 每个传感器可以独立运行或组成自组织无线传感器网络，实现多通道检测。 对于不同尺寸的设备，只需配置不同数量的无线智能传感器即可实现多个区间或设备的完全覆盖。 系统结构灵活，扩展性强； 4、基于信号幅度强度分布的定位算法具有良好的精度和稳定性，结合其较低的软硬件成本，具有很好的实际应用价值； 5、本发明的平均定位误差在1m以下，小于1m的误差百分比达到59％，小于0.5m的误差百分比达到59％。 25%。

附图说明

图1为本发明局部放电智能传感器检测方法流程图；

图2为本发明局部放电信号幅值强度分布图。

详细方式

传统的基于信号幅度强度的定位方法是基于测距方法。 根据信号传输理论，无线电信号的强度随着距离的增加而减弱。 量化这种衰减的主要模型包括阴影模型：

pr(d)＝pr(d0)-10nlg(d/d0)+xσ(1)

式中，pr(d)为距信号源距离d处的信号强度； pr(d0)为距信号源距离d0处的信号强度，作为参考； n为衰减系数，其值受环境影响； xσ 是均值 0 和标准差 σ 的高斯随机 A 变量。

根据阴影模型，理论上可以通过测量信号强度来计算信号源和接收器之间的距离。 例如现在有3个接收传感器，已知其坐标为(x1,y1,z1),(x2,y2,z2),(x3,y3,z3)，信号源坐标设置为(x , y, z) ，并测量信号源与三个传感器之间的距离 d1、d2、d3，则可列出方程组：

 

信号源坐标可以通过求解牛顿迭代法等非线性方程得到。 然而，基于信号幅度强度测距的定位方法在实际应用中存在较大缺陷，因为模型中的n和xσ容易受到环境的影响，导致模型不稳定。

作为一种场景分析方法，本发明提出的信号幅度强度分布方法能够更好地克服空间环境对定位的影响。 具体实现包括离线阶段建立信号强度分布图和在线阶段实现定位功能。假设当局部放电源位于测量点rpj时，传感器api测得的局部放电信号强度为

 

 

其中p代表测量次数，从而生成反映被测环境中信号幅度强度的关系：

 

 

其中l表示传感器的数量，n表示测量点的数量，p表示每个测量点的测量次数。

 

表示当局部放电源位于测量点rpj时，传感器api测得的平均局部放电信号强度（p次测量的平均值）。 ψ 的列向量

 

是测量点rpj的强度分布图，代表官方放电源位于rpj点时所有传感器的信号幅度。 以此为基础实现在线阶段局部放电的精确定位。

具体解决方案的例子是：在高压试验大厅内形成电气设备网络，相当于测量点呈网格状均匀分布系统，间隔1米，共49个点，坐标系建立。 四个传感器ap位置的坐标分别为(7,7)、(1,7)、(1,1)、(7,1)。 使用标准局部放电源在每个测量点放电10次，并记录4个UHF传感器接收到的全部10个波形。 这样，总共采集到了490个波形。 经过测量和数据处理，得到信号幅度的归一化相对值。 由此可以得到4个无线传感器的信号幅度强度分布图，如图2所示。从信号传播模型的衰减趋势可以看出，当PD源距离传感器较近时，信号幅度相对较大，信号幅度强度分布图的不规则性来自于测试场地复杂空间和电磁环境的影响。 通过对比场地平面图可以看出，信号幅度强度分布图能够更好地反映测试场地的空间信息。

获得信号幅值强度分布图后，可以在信号强度较高的区域准确跟踪局部放电信号。 本发明采用基于bp神经网络的多层前馈模式识别方法。 BP神经网络由输入层、隐含层和输出层组成。 由于每个参考点有4个幅值，因此输入层有4个神经元； 输出为放电源坐标平面，因此输出层有两个神经元； 经过实验选择隐藏层神经元数量为12。 本发明的BP神经网络的输入层和隐藏层采用sigmoid函数：

 

式中，hiddenj为第j个隐藏层神经元，ωi,t为输入层神经元权重，n为输入层神经元个数； rssii 是接收到的信号强度值。

隐藏层和输出层直接使用线性传递函数。 训练算法采用Levenberg-Marquardt算法。 该算法作为牛顿法的改进版本，可以使网络快速收敛。 其表达式为：

xk+1＝xk-[jt+μi]-1jte(6)

式中，jt为雅可比矩阵，e为网络误差向量。

如表1所示，训练目标是神经网络输出坐标与真实坐标之间的欧氏距离。 如果小于0.001，迭代将停止。

表格1

 

综上所述，从上述结果可以看出，信号幅度强度分布法的定位精度明显优于幅度测距法，平均定位误差为1.009m。 其中，幅度测距定位仅计算一次，因此未列出其方差。 定位结果表明，基于信号幅值强度分布的局部放电定位算法具有精度高、稳定性好的特点。

本发明还可以有各种其他实施例。 在不脱离本发明的精神和实质的情况下，本领域的技术人员可以根据本发明做出各种相应的改变和变型，但是这些相应的改变和变型都应当落入本发明所附权利要求的保护范围之内。本发明。

技术特点：

技术概要

本发明公开了一种局部放电智能传感器检测方法，以解决高压电力设备运行过程中出现的局部放电缺陷。 构建了基于信号幅值强度分布定位算法的无线传感器网络，可应用于各种场合电力设备局部放电在线检测系统。 它主要由超高频智能传感器、无线传感器网络和便携式数据分析单元组成。 整个电力设备系统可以使用多个智能传感器来检测局部放电产生的电磁信号。 多个智能传感器通过无线技术组成智能网络，通过无线网络实现数据传输和共享。 结合新型振幅强度定位方法，通过数据分析单元，对多个智能传感器获得的超高频电磁信号进行融合分析，提供缺陷定位和诊断结论。 本发明适用于高压设备的故障诊断。

技术研发人员：张鹏； 张德文; 朱学成; 高子伟; 张宏达； 郭跃男; 陈世宇; 曲利民; 梁建全

受保护技术用户：国网黑龙江省电力有限公司电力科学研究院； 中国国家电网公司

技术研发日：2017.09.25

技术公告日期：2018.02.02