基于局放统计特征量与雷达谱图的gis绝缘缺陷识别方法
技术领域
1.本发明属于gis设备的局部放电故障诊断技术领域，尤其涉及基于局放统计特征量与雷达谱图的gis绝缘缺陷识别方法。
背景技术：2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.气体绝缘组合开关设备(gas insulated switchgea，gis)是电力系统中重要的电气设备，具有占地面积小、运行可靠性高、配置灵活、维护方便等优点。随着电网的建设与发展，gis变电站的数目不断增加，其在电力系统中的应用越来越广泛，gis的正常运行对整个电力系统的安全和稳定至关重要。
4.绝缘缺陷是导致gis故障的重要原因，绝缘缺陷在一定电场下会导致局部放电的发生，引起绝缘的进一步劣化，在固体绝缘累积效应的作用下可能导致绝缘击穿。因此，做好对gis设备的状态评估与检修，及时发现绝缘故障并及时处理，能够有效预防较为严重的故障，其能否正常运行关系到电力系统供电的可靠性和国民的生产生活，对变电站乃至电网的稳定运行具有重要的意义。
5.gis设备在长期封闭运行中必然存在电、热、化学及异常状况下形成的绝缘劣化，会直接导致电气绝缘强度降低，甚至发生故障，严重影响gis设备的运行可靠性，影响电力系统的安全稳定运行。因此，对gis设备的运行状态进行实时监测，可以识别潜在的故障，有目的地进行检修和排查，降低因设备故障而造成事故的可能。
6.局部放电是导致设备劣化发生绝缘故障的主要原因，在设备的制造、安装和正常运行过程中，gis内部可能会存在的金属突起、金属微粒、悬浮电位等缺陷，这些都易在gis正常工作时引起局部放电，可能导致放电故障。通过局部放电信号对不同类型的放电进行模式识别是设备状态评估方面的重要部分。由于gis的全封闭特性，其故障定位及检修工作比较困难且繁杂，停电检修难度大，需投入大量人力物力。采用局部放电在线检测手段可以在不影响设备安全运行的情况下反映出电气设备内部的绝缘状况，当有局部放电发生时立刻采取预警与行动可以有效预防严重事故的发生，提高电力系统的可靠性。常见的局部放电检测方法有超声法、脉冲电流法、特高频检测法等。不同类型放电形式下绝缘的劣化机理不同，进而对gis绝缘造成不同程度的损伤，其局部放电信号也会呈现出差异，因此对gis局部放电进行模式识别是gis绝缘状态评估的重要环节。
7.关于gis缺陷的放电模式识别方面已有较多研究，目前已有较多研究使用机器学习的方式对其进行模式识别。gis内部典型缺陷的局部放电特征量较多，对局部放电统计特征量和图谱特征的有效提取对准确识别放电十分关键。
8.但是目前对gis故障识别多使用机器学习算法，其仅仅能识别出故障，但是对故障本身的运行状态无法了解深入，也没有对其故障的物理原因进行解释；由于不同设备的运行环境和放电特点不同，基于机器学习算法的分类模型的泛化能力还需进一步验证，而且
在现场很多时候技术人员需要找到一种能够快速直观地识别故障类型的方法。
技术实现要素：9.为克服上述现有技术的不足，本发明提供了基于局放统计特征量与雷达谱图的gis绝缘缺陷识别方法，可以实现gis内典型绝缘缺陷局部放电类型的准确识别。
10.为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
11.第一方面，公开了基于局放统计特征量与雷达谱图的gis绝缘缺陷识别方法，包括：
12.获取多组局放数据，对每一组局放数据都分别提取定义的局部放电统计特征量，基于上述局部放电统计特征量绘制典型缺陷的特征量雷达谱图；
13.通过雷达谱图中各种缺陷特征量所形成图形的形状和面积的差异对故障进行分类和识别。
14.作为进一步的技术方案，所述定义的局部放电统计特征量包括：
15.a
max
：每一组局部放电信号的最大强度值；
16.a
ave
：每一组局部放电信号的平均强度值；
17.a
total
：每一组局部放电信号放电幅值总和；
18.n：每一组局部放电信号的总放电次数；
19.ra：每一组局部放电信号正半周放电信号强度幅值之和与负半轴放电信号强度幅值之和的比值；
20.std
ave
：每一组局部放电信号中每个周期放电幅值标准差的平均值。
21.作为进一步的技术方案，基于上述局部放电统计特征量绘制典型缺陷的特征量雷达谱图，具体方式为：
22.将统计特征量进行归一化处理；
23.随后，假设每个缺陷获取了k组局部放电特征量样本数据，将所有缺陷的共3*k个样本数据绘制至一张雷达图上，用不同的颜色区分；
24.根据雷达图中缺陷图形的形状和面积分辨出故障类型。
25.作为进一步的技术方案，根据雷达图中缺陷图形的形状和面积分辨出故障类型，包括：金属微粒缺陷、悬浮电位缺陷及金属针尖缺陷；具体分辨时：
26.对于同一种放电缺陷，其线条重合度较高，形状也相对固定；
27.对于不同的放电缺陷，其连线形成的形状与其他缺陷差异较大，其线条所围成形状的面积也不同。
28.作为进一步的技术方案，对于金属微粒缺陷，其形状大致呈一个四边形，其a
max
与a
ave
较大，但a
total
和n较低，说明金属微粒缺陷累积放电强度和放电重复率较低，ra的较大表明正半周期放电强度高于负半周期，std
ave
较低意味着放电幅值的波动性较小。
29.作为进一步的技术方案，对于悬浮电位缺陷，其放电形状呈现六边形，其a
max
较大但a
ave
较小，说明其低幅值脉冲占据多数，a
total
和n较大表明其累积放电强度和放电重复率较高，ra较大表明正半周期放电强度高于负半周期，std
ave
值较高说明放电幅值的波动性很大。
30.作为进一步的技术方案，对于金属针尖缺陷，呈现一个面积较小的六边形，看出相
比于另外两种典型缺陷放电，除了a
total
和n高于金属微粒放电，其余各特征量都明显较小。
31.第二方面，公开了基于局放统计特征量与雷达谱图的gis绝缘缺陷识别系统，包括：
32.雷达谱图绘制模块，被配置为：获取多组局放数据，对每一组局放数据都分别提取定义的局部放电统计特征量，基于上述局部放电统计特征量绘制典型缺陷的特征量雷达谱图；
33.故障分类和识别模块，被配置为：通过雷达谱图中各种缺陷特征量所形成图形的形状和面积的差异对故障进行分类和识别。
34.以上一个或多个技术方案存在以下有益效果：
35.由于不同放电缺陷其各局部放电统计特征量具有不同的特征，造成了雷达图中这些特征量所形成的图形的形状和面积不同，可以根据此对gis内典型放电类型进行识别。
36.本发明绘制不同缺陷的局部放电3维图谱，定义并提出了6个能够反映局部放电图谱特征的统计量；随后，基于这些统计特征量，绘制3种缺陷的特征量雷达谱图；最后根据特征量在雷达图上的形状对不同放电缺陷类型进行了识别。本文提出的方法为在现场简单直观地对gis局部放电故障做出初步诊断提供了一种新的思路，有助于提高电力系统故障诊断的智能化水平。
37.实验结果验证了本发明专利提出的识别方法能够简单、直观、准确地识别gis内典型绝缘缺陷类型，可以为运维人员在实际现场中提供故障的检测和判断依据，有利于电网安全稳定运行，保障人员和设备的安全，且本方法只需要从gis特高频局部放电数据中提取局部放电统计特征量，对数据进行归一化后画出雷达谱图，就可以根据图谱中不同缺陷特征量所形成的图形的形状和面积对缺陷类型进行识别。
38.加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
39.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
40.图1为本发明实施例识别方法流程图；
41.图2为本发明实施例的3种典型放电缺陷局部放电特征量的一例雷达图谱。
具体实施方式
42.应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
43.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。
44.在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
45.实施例一
46.本实施例公开了基于局放统计特征量与雷达谱图的gis绝缘缺陷识别方法，如图1
所示，包括以下步骤：
47.步骤1、针对gis内部常见的典型绝缘缺陷：金属微粒缺陷、悬浮电位缺陷与金属针尖缺陷，使用特高频检测法(ultra high frequency，uhf)检测缺陷的局部放电信号，其具有较宽的检测频带，检测灵敏度高。在对gis进行故障的在线检测和诊断时，通常需要基于一些特征量大小和相应的指标对是否存在缺陷做出判断，并和其他缺陷进行区分，这样为后续的精确诊断和定位提供一定的参考。所以从局部放电数据中提取能够表征放电较好反映不同缺陷特征的统计特征量，是识别不同故障类型的关键所在。同时，统计特征量还具有一定的物理意义，与缺陷放电的物理化学过程具有密不可分的联系。放电幅值的最大值、平均值，总放电幅值和放电次数都常被选择用来反映局部放电的特征，但对于放电特性的表征是不够的，而且不同缺陷的放电图谱在正负半周的放电特性是不同的，放电幅值也具有波动性，对其谱图形状特征也需要进行描述。因此，对于每一组局部放电信号，包含50个工频周期的局部放电信息，定义并阐述了6个局部放电统计特征量，并对选择每个统计特征量的原因给出了相应的解释，如下所示：
48.a
max
：每一组局部放电信号的最大强度值，反映该缺陷的最大放电强度，对应于放电图谱中的峰值；
49.a
ave
：每一组局部放电信号的平均强度值，反映整体的放电强度；
50.a
total
：每一组局部放电信号放电幅值总和，表征一段时间内该缺陷的放电累积强度，包含放电重复率等信息特征；
51.n：每一组局部放电信号的总放电次数，能够反映一定时间内放电的重复率；
52.ra：每一组局部放电信号正半周放电信号强度幅值之和与负半轴放电信号强度幅值之和的比值，反映缺陷的形状特征，因为对于不同形状的缺陷其在一个周期内正负半周的放电强弱不同，其能够表征放电图谱中的正负半周的形状特征；
53.std
ave
：每一组局部放电信号中每个周期放电幅值标准差的平均值，反映放电幅值的波动性，能够反映放电图谱中幅值变化的形状特征。
54.这样，对于3种典型缺陷的多组局放数据，对每一组局放数据都分别提取上述6个局部放电统计特征量，将这些统计量作为后续用来绘制雷达图并进行缺陷类型识别的特征量。
55.在本实施例子中，计算上述特征量的具体公式如下：
56.若每个相窗内的放电幅值为ai，每一个周期内包含的相窗数为n，则有：
57.n：n是每一组局部放电信号的所有相窗内的放电幅值ai大于0的总个数，能够反映一定时间内放电的重复率。
58.a
max
：a
max
＝maxai，a
max
是每一组局部放电信号的最大强度值，反映该缺陷的最大放电强度，对应于放电图谱中的峰值。
59.a
ave
：其中n为每一组信号中的放电幅值不为0的总放电次数，a
ave
是每一组局部放电信号的平均强度值，反映整体的放电强度。
60.a
total
：a
total
是每一组局部放电信号放电幅值总和，反映一段时间内
该缺陷的放电累积强度，包含放电重复率等信息特征。
61.ra：其中n1为正半周总相窗数，n2为负半周总相窗数，az为正半周相窗内的放电幅值，af为负半周相窗内的放电幅值。ra是每一组局部放电信号正半周放电信号强度幅值之和与负半周放电信号强度幅值之和的比值，反映缺陷的形状特征，因为对于不同形状的缺陷其在一个周期内正负半周的放电强弱不同，其能够表征放电图谱中的正负半周的形状特征。
62.std
ave
：其中a
ij
表示第j个周期中第i个相窗内的放电幅值。std
ave
是每一组局部放电信号中，50个周期内的放电幅值标准差的平均值，表征放电幅值的波动性，能够反映放电图谱中幅值变化的形状特征。
63.步骤2、获取3种典型缺陷的多组局部放电统计特征量数据后，基于此绘制雷达图来识别不同的缺陷类型。关于放电的模式识别已有较多研究，常使用机器学习的方法，这种方式对于数据的识别准确率较高，应用也较为广泛，但是在现场通常仅能获得较少的数据，当训练样本不充分的时候，训练后的模型很可能出现过拟合的情况，且泛化能力可能较弱，对新样本的识别准确率较低；此外，机器学习算法有许多可调的参数，通常需要借助于计算机进行复杂的运算，使用门槛较高。
64.雷达图分析法是基于一种形似导航雷达显示屏上的图形而构建的一种多变量对比分析技术，传统的雷达图法是典型的图形分析方法。雷达图法可用图形的形式表达评估中各项指标的数量关系，评估的结果形象、直接，结合对图像特征的数学处理，可以客观地进行综合评估。
65.传统雷达图的画法如下：首先绘制一个圆，并将其根据特征量的个数等分为n个扇形区域，以扇形半径作为各个指标对应的指标轴，然后将指标值向量归一化，并按比例与指标轴上距离圆心一定长度的点相对应，依次连接指标轴上各个点，获得的封闭多边形即为评估对象的雷达图。为了绘图更加直观清晰，雷达图每个指标轴的范围可以不为(0，1)。
66.本实施例子提出的方法为：基于计算出的6个局部放电统计特征量，使用绘制雷达图的方法对不同的典型放电缺陷进行识别。首先，将6个统计特征量进行(0，1)归一化处理。随后，假设每个缺陷获取了k组局部放电特征量样本数据，将所有缺陷的共3*k个样本数据绘制至一张雷达图上，用不同的颜色区分。一种可能的绘图情况如图2所示。图2包含3种典型放电缺陷的各60组局部放电统计特征量数据，例如用红色线条表示金属微粒缺陷，蓝色线条表述悬浮电位放电，绿色线条表示金属针尖放电。从图2中可以明显的看出对于同一种放电缺陷，其线条重合度较高，形状也相对固定；对于不同的放电缺陷，其连线形成的形状与其他缺陷差异较大，其线条所围成形状的面积也不同，所以根据雷达图中缺陷图形的形状和面积就可以简单直观地分辨出故障类型。
67.步骤3、图2所示，观察雷达图可以发现，雷达图中不同的缺陷图形具有不同的形状和面积特征：对于金属微粒缺陷，其形状大致呈一个四边形，其a
max
与a
ave
较大，但a
total
和n较低，这说明金属微粒缺陷累积放电强度和放电重复率较低，ra的较大表明正半周期放电强度高于负半周期，std
ave
较低意味着放电幅值的波动性较小；对于悬浮电位缺陷，其放电形状呈现六边形，其a
max
较大但a
ave
较小，这说明其低幅值脉冲占据多数，a
total
和n较大表明其累积放电强度和放电重复率较高，ra较大表明正半周期放电强度高于负半周期，std
ave
值较高说明放电幅值的波动性很大；对于金属针尖缺陷，呈现一个面积较小的六边形，可以明显看出相比于另外两种典型缺陷放电，除了a
total
和n高于金属微粒放电，其余各特征量都明显较小，这是因为金属针尖放电以较多小幅值放电为主，且正半周期放电明显弱于负半周期放电，放电幅值的波动程度也较小，因此其在雷达图中的形状呈现面积较小的六边形。不同缺陷的特征量在雷达图中形成的图形的形状差异很大，包围的面积也不同，这能够说明选取的6个局部放电统计特征量能够好地反映不同放电缺陷的特异性，可以依据6个局部放电统计特征量在雷达图中绘制的图形进行典型缺陷放电类别的识别。
68.由于不同放电缺陷其各局部放电统计特征量具有不同的特征，造成了雷达图中这些特征量所形成的图形的形状和面积不同，可以根据此对gis内典型放电类型进行识别。
69.实验结果验证了本发明专利提出的识别方法能够简单、直观、准确地识别gis内典型绝缘缺陷类型，可以为运维人员在实际现场中提供故障的检测和判断依据，有利于电网安全稳定运行，保障人员和设备的安全，且本方法只需要从gis特高频局部放电数据中提取局部放电统计特征量，对数据进行归一化后画出雷达谱图，就可以根据图谱中不同缺陷特征量所形成的图形的形状和面积对缺陷类型进行识别。
70.本实施例子定义并提出额6个具有对应信号物理特征和能够反映局部放电图谱特征的统计量，基于这些统计特征量绘制3种典型缺陷的特征量雷达谱图，该种方式提取的特征量能较好地描述缺陷的放电信号统计特征，具有一定的物理意义且与实际放电过程和机理相关，雷达图谱也能很好地反映同一种故障的相似性和不同故障的差异性。
71.本实施例子将使用简单直观的绘图方式进行分类识别，通过雷达图谱中各种缺陷特征量所形成图形的形状和面积的差异对故障进行分类和识别，解决了目前很多机器学习方法对故障本身的运行状态无法了解深入、无法其故障的物理原因进行解释、在现场使用较为不方便的问题，提高了故障的分类精度和识别效率。
72.实施例二
73.本实施例的目的是提供一种计算机装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。
74.实施例三
75.本实施例的目的是提供一种计算机可读存储介质。
76.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行上述方法的步骤。
77.实施例四
78.本实施例的目的是提供了基于局放统计特征量与雷达谱图的gis绝缘缺陷识别系统，包括：
79.雷达谱图绘制模块，被配置为：获取多组局放数据，对每一组局放数据都分别提取
定义的局部放电统计特征量，基于上述局部放电统计特征量绘制典型缺陷的特征量雷达谱图；
80.故障分类和识别模块，被配置为：通过雷达谱图中各种缺陷特征量所形成图形的形状和面积的差异对故障进行分类和识别。
81.以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
82.本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
83.上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
技术特征：1.基于局放统计特征量与雷达谱图的gis绝缘缺陷识别方法，其特征是，包括：获取多组局放数据，对每一组局放数据都分别提取定义的局部放电统计特征量，基于上述局部放电统计特征量绘制典型缺陷的特征量雷达谱图；通过雷达谱图中各种缺陷特征量所形成图形的形状和面积的差异对故障进行分类和识别。2.如权利要求1所述的基于局放统计特征量与雷达谱图的gis绝缘缺陷识别方法，其特征是，所述定义的局部放电统计特征量包括：a
max
：每一组局部放电信号的最大强度值；a
ave
：每一组局部放电信号的平均强度值；a
total
：每一组局部放电信号放电幅值总和；n：每一组局部放电信号的总放电次数；r
a
：每一组局部放电信号正半周放电信号强度幅值之和与负半轴放电信号强度幅值之和的比值；std
ave
：每一组局部放电信号中每个周期放电幅值标准差的平均值。3.如权利要求2所述的基于局放统计特征量与雷达谱图的gis绝缘缺陷识别方法，其特征是，基于上述局部放电统计特征量绘制典型缺陷的特征量雷达谱图，具体方式为：将统计特征量进行归一化处理；随后，假设每个缺陷获取了k组局部放电特征量样本数据，将所有缺陷的共3*k个样本数据绘制至一张雷达图上，用不同的颜色区分；根据雷达图中缺陷图形的形状和面积分辨出故障类型。4.如权利要求3所述的基于局放统计特征量与雷达谱图的gis绝缘缺陷识别方法，其特征是，根据雷达图中缺陷图形的形状和面积分辨出故障类型，包括：金属微粒缺陷、悬浮电位缺陷及金属针尖缺陷；具体分辨时：对于同一种放电缺陷，其线条重合度较高，形状也相对固定；对于不同的放电缺陷，其连线形成的形状与其他缺陷差异较大，其线条所围成形状的面积也不同。5.如权利要求4所述的基于局放统计特征量与雷达谱图的gis绝缘缺陷识别方法，其特征是，对于金属微粒缺陷，其形状大致呈一个四边形，其a
max
与a
ave
较大，但a
total
和n较低，说明金属微粒缺陷累积放电强度和放电重复率较低，r
a
的较大表明正半周期放电强度高于负半周期，std
ave
较低意味着放电幅值的波动性较小。6.如权利要求4所述的基于局放统计特征量与雷达谱图的gis绝缘缺陷识别方法，其特征是，对于悬浮电位缺陷，其放电形状呈现六边形，其a
max
较大但a
ave
较小，说明其低幅值脉冲占据多数，a
total
和n较大表明其累积放电强度和放电重复率较高，r
a
较大表明正半周期放电强度高于负半周期，std
ave
值较高说明放电幅值的波动性很大。7.如权利要求4所述的基于局放统计特征量与雷达谱图的gis绝缘缺陷识别方法，其特征是，对于金属针尖缺陷，呈现一个面积较小的六边形，看出相比于另外两种典型缺陷放电，除了a
total
和n高于金属微粒放电，其余各特征量都明显较小。8.基于局放统计特征量与雷达谱图的gis绝缘缺陷识别系统，其特征是，包括：雷达谱图绘制模块，被配置为：获取多组局放数据，对每一组局放数据都分别提取定义
的局部放电统计特征量，基于上述局部放电统计特征量绘制典型缺陷的特征量雷达谱图；故障分类和识别模块，被配置为：通过雷达谱图中各种缺陷特征量所形成图形的形状和面积的差异对故障进行分类和识别。9.一种计算机装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现上述权利要求1-7任一所述的方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时执行上述权利要求1-7任一所述的方法的步骤。
技术总结本发明提出了基于局放统计特征量与雷达谱图的GIS绝缘缺陷识别方法，包括：获取多组局放数据，对每一组局放数据都分别提取定义的局部放电统计特征量，基于上述局部放电统计特征量绘制典型缺陷的特征量雷达谱图；通过雷达谱图中各种缺陷特征量所形成图形的形状和面积的差异对故障进行分类和识别。本发明可以根据图谱中不同缺陷特征量所形成的图形的形状和面积对缺陷类型进行识别。面积对缺陷类型进行识别。面积对缺陷类型进行识别。
技术研发人员：孙艳迪 李杰 张丕沛 师伟 汪鹏 孙景文 王江伟 李秀卫 孙承海 吕俊涛 邢海文 任敬国
受保护的技术使用者：国家电网有限公司
技术研发日：2022.07.20
技术公布日：2022/11/1
