论文部分内容阅读
深圳供电局有限公司 518020
摘要:采用超声波检测技术对GIS设备进行诊断及定位是简单有效的,本文介绍了基于人工神经网络的方法来对超声波信号进行处理,对故障的类型进行智能识别。
关键词:人工神经网络;超声波检测;GIS故障
GIS设备是电力系统中的关键设备,保证GIS设备安全可靠运行对国家经济发展具有重要意义。超声波检测GIS设备的绝缘故障是通过检测绝缘局部放电的辐射信号来进行的,因而采用超声波检测技术的仪器操作简单,实用有效,灵敏度高,因而在GIS设备绝缘诊断及故障定位方面得到了广泛使用,对电力系统中GIS的安全稳定运行起到了很好的监视作用。
1.GIS缺陷及超声波检测
1.1 GIS 缺陷
GIS绝缘系统中的缺陷可能是单元在工厂制造过程产生的或在现场安装过程产生的,也可能是在正常运行中产生的(例如快速接地开关或断路器的操作产生的颗粒)。最典型的缺陷类型有:毛刺放电、颗粒故障、电位悬浮、机械振动等。
1.2 GlS超声波检测
超声诊断法就是通过GIS外部安放特制的传感器,捕捉GIS内部放电产生的超声信号。GIS发生局部放电时分子间剧烈碰撞并在宏观上瞬间形成一种压力,产生超声波脉冲。GIS超声波检测仪就是通过将这种超声信号转换成电信号进行诊断。常规的超声波局部放电测试仪基本功能有连续测量、脉冲方式、相位方式三种测量方式:
1)连续测量模式:图1是连续测量方式下的一个实例。它以有效值(RMS value)、周期峰值(Periodic peak value)、50Hz频率成分(Frequency1 content)和100Hz频率成分(Frequency 2 content)四个特征参数的水平柱给出超声信号信息,其尺寸与信号成分成正比。
图2 连续测量方式的显示实例
2)脉冲方式(颗粒的幅度与飞行时间的关系);
3)相位方式(放电的幅度与相位关系)。
另外仪器厂家还提供了故障的诊断、识别的方法和判据,见表1。
表1 故障识别的方法和判据表
缺陷类型 GIS颗粒缺陷 电晕缺陷 局放缺陷
信号水平 高 低 高
峰值有效值 高 低 高
50Hz频率相关性 无 有 有
100Hz频率相关性 无 无 有
2.GIS故障類型识别
由于超声波检测技术易受周围环境的影响,当周围环境比较嘈杂或者周围有工厂机器运转时,通常测量时连续模式下的有效值、周期峰值、100Hz频率成分、50Hz频率成分等四个特征量都有。在这种情况下厂家给的故障诊断识别方法(见表1)就不能发挥作用。另外,对于故障信号(有效值、周期峰值、100Hz频率成分、50Hz频率成分)的大小和故障类型的对应关系也很难把握。为此,本文试图寻找有效值、周期峰值、100 Hz频率成分、50Hz频率成分等四个特征量之间的相互大小关系和故障类型之间的内在某种对应关系。然后通过这种潜在的对应关系来判断GIS设备的故障情况。
2.1 思路方法
利用人工神经网络的自学习能力来寻找超声波信号和故障类型的潜在对应关系。利用这种潜在的关系来判断现场测试中所出现的超声波信号所对应的故障类型,从而提高故障诊断的准确性。采用超声波信号的中有效值、周期峰值、100Hz频率成分、50Hz频率成分等四个信号特征量(作为神经网络输入)和故障类型(作为网络输出)的潜在关系来判断故障类型。
2.2 网络设计
神经网络进行模式识别是模拟人脑的思维过程,因此具有极高的智能性。反向传播(back propagation,BP)网络是一种多层前馈型神经网络,它使用误差反向传播学习算法即BP算法,具有优良的非线性逼近能力,是目前应用最为广泛的神经网络模型。本文采用BP神经网络进行模式识别,BP网络采用三层,即输入层、隐含层(也称中间层)和输入层,各层之间实行权连接。网络结构为4输入单元,10个隐含单元,1个输出单元。数据的处理方法为:将采集到的 GIS 设备超声波信号数据,去掉背景噪声的影响,然后进行归一化处理,将毛刺放电、电位悬浮、机械振动等故障类型依次编码为:1、2、3。神经网络的学习:先使用历史样本数据序列训练BP神经网络,调整网络的权值和阈值等参数,中心思想是调整连接权值使网络总误差最小。
神经网络的测试:使用训练好的网络,利用实际信号特征量进行测试,并与实际结果对照,计算故障识别准确率,结果显示识别准确率高达95%以上。
需要说明的是,由于自由颗粒在连续模式下的超声波信号有效值和峰值都会很大且很不稳定,不能得到稳定信号特征量数据,因而上述方法不适用,但这种故障最容易识别。表2给出了本文设计的神经网络输入输出的部分样本数据。
表2 超声波信号特征量和故障类型对应关系(部分样本)
样本 信号特征量/mV 故障类型
有效值 峰值 频率1 频率2
1 0.2 10.2 0.09 0.04 1
2 2 16 1.4 1.45 1
3 4 20 0.05 3.1 2
4 1.8 5.7 0.015 0.27 2
5 0.6 2.15 0.1 0.21 3
注:故障类型:1—毛刺放电,2—悬浮放电,3—机械松动。
3.案例分析
利用前面设计的网络,以一起GIS设备内部故障识别为例,说明该方法的实用性。2011年6月在对110kV GIS设备进行例行测试时,在母线筒手孔附近测得超声信号连续模式下的四个参数(如图3所示)为:其有效值为19.2mV,峰值为107mV,100Hz频率成分为0.75mV、50Hz频率成分1.05mV远远超出背景值(其有效值为0.2mV,峰值为0.4mV,100Hz频率成分、50Hz频率成分基本没有),初步判断里面母线筒内部存在局部放电。由于信号稳定且出现100Hz频率成分、50Hz频率成分,可排除自由颗粒发生放电,但由于两种频率成分数值差不多,难以断定是尖峰放电还是电位悬浮造成的局部放电。为此采用设计好的BP神经网络进行故障类型识别,识别结果为尖峰放电。由于超声放电信号较强急需处理,现场进行了开壳检查,检查发现GIS的罐体内和手孔盖处均有杂质(可能由于壳体干燥过热所产生的氧化物碎屑引起的),见图2、图3。这与用神经网络预测结果一致。该方法为故障类型的识别提供了一种有效途径,也便于GIS故障的检修。
图2 连续测量方式下的超声信号
图3 开罐后发现手孔盖内有杂质
4.结论
1)采用人工神经网络对GIS设备出现的典型故障能有效的识别,但是对自由颗粒导致的局部放电有局限性。另外训练神经网络所采用的样本数据或多或少受现场环境的影响,难免会影响识别准确性,为提高故障类型识别的准确率,建议样本数据最好通过试验室模拟的方法取得。
2)对GIS设备故障类型的识别只是定性的分析,如何对故障危险程度的进行定量评估需要进一步研究,因为它是现场故障处理的有效依据。
参考文献:
[1]李立学,滕乐天,黄成军,等.GIS局部放电超高频信号的包络分析与缺陷识别[J].高电压技术,2009,35(2).
[2]胡平,林介东,马庆增.声发射技术在变压器局部放电测量中的应用[J].无损检测,2004,26(10):502-505.
[3]黎大健,梁基重,步科伟,等.GIS 中典型缺陷局部放电的超声波检测[J].高压电器,2009,45(1):72-75.
摘要:采用超声波检测技术对GIS设备进行诊断及定位是简单有效的,本文介绍了基于人工神经网络的方法来对超声波信号进行处理,对故障的类型进行智能识别。
关键词:人工神经网络;超声波检测;GIS故障
GIS设备是电力系统中的关键设备,保证GIS设备安全可靠运行对国家经济发展具有重要意义。超声波检测GIS设备的绝缘故障是通过检测绝缘局部放电的辐射信号来进行的,因而采用超声波检测技术的仪器操作简单,实用有效,灵敏度高,因而在GIS设备绝缘诊断及故障定位方面得到了广泛使用,对电力系统中GIS的安全稳定运行起到了很好的监视作用。
1.GIS缺陷及超声波检测
1.1 GIS 缺陷
GIS绝缘系统中的缺陷可能是单元在工厂制造过程产生的或在现场安装过程产生的,也可能是在正常运行中产生的(例如快速接地开关或断路器的操作产生的颗粒)。最典型的缺陷类型有:毛刺放电、颗粒故障、电位悬浮、机械振动等。
1.2 GlS超声波检测
超声诊断法就是通过GIS外部安放特制的传感器,捕捉GIS内部放电产生的超声信号。GIS发生局部放电时分子间剧烈碰撞并在宏观上瞬间形成一种压力,产生超声波脉冲。GIS超声波检测仪就是通过将这种超声信号转换成电信号进行诊断。常规的超声波局部放电测试仪基本功能有连续测量、脉冲方式、相位方式三种测量方式:
1)连续测量模式:图1是连续测量方式下的一个实例。它以有效值(RMS value)、周期峰值(Periodic peak value)、50Hz频率成分(Frequency1 content)和100Hz频率成分(Frequency 2 content)四个特征参数的水平柱给出超声信号信息,其尺寸与信号成分成正比。
图2 连续测量方式的显示实例
2)脉冲方式(颗粒的幅度与飞行时间的关系);
3)相位方式(放电的幅度与相位关系)。
另外仪器厂家还提供了故障的诊断、识别的方法和判据,见表1。
表1 故障识别的方法和判据表
缺陷类型 GIS颗粒缺陷 电晕缺陷 局放缺陷
信号水平 高 低 高
峰值有效值 高 低 高
50Hz频率相关性 无 有 有
100Hz频率相关性 无 无 有
2.GIS故障類型识别
由于超声波检测技术易受周围环境的影响,当周围环境比较嘈杂或者周围有工厂机器运转时,通常测量时连续模式下的有效值、周期峰值、100Hz频率成分、50Hz频率成分等四个特征量都有。在这种情况下厂家给的故障诊断识别方法(见表1)就不能发挥作用。另外,对于故障信号(有效值、周期峰值、100Hz频率成分、50Hz频率成分)的大小和故障类型的对应关系也很难把握。为此,本文试图寻找有效值、周期峰值、100 Hz频率成分、50Hz频率成分等四个特征量之间的相互大小关系和故障类型之间的内在某种对应关系。然后通过这种潜在的对应关系来判断GIS设备的故障情况。
2.1 思路方法
利用人工神经网络的自学习能力来寻找超声波信号和故障类型的潜在对应关系。利用这种潜在的关系来判断现场测试中所出现的超声波信号所对应的故障类型,从而提高故障诊断的准确性。采用超声波信号的中有效值、周期峰值、100Hz频率成分、50Hz频率成分等四个信号特征量(作为神经网络输入)和故障类型(作为网络输出)的潜在关系来判断故障类型。
2.2 网络设计
神经网络进行模式识别是模拟人脑的思维过程,因此具有极高的智能性。反向传播(back propagation,BP)网络是一种多层前馈型神经网络,它使用误差反向传播学习算法即BP算法,具有优良的非线性逼近能力,是目前应用最为广泛的神经网络模型。本文采用BP神经网络进行模式识别,BP网络采用三层,即输入层、隐含层(也称中间层)和输入层,各层之间实行权连接。网络结构为4输入单元,10个隐含单元,1个输出单元。数据的处理方法为:将采集到的 GIS 设备超声波信号数据,去掉背景噪声的影响,然后进行归一化处理,将毛刺放电、电位悬浮、机械振动等故障类型依次编码为:1、2、3。神经网络的学习:先使用历史样本数据序列训练BP神经网络,调整网络的权值和阈值等参数,中心思想是调整连接权值使网络总误差最小。
神经网络的测试:使用训练好的网络,利用实际信号特征量进行测试,并与实际结果对照,计算故障识别准确率,结果显示识别准确率高达95%以上。
需要说明的是,由于自由颗粒在连续模式下的超声波信号有效值和峰值都会很大且很不稳定,不能得到稳定信号特征量数据,因而上述方法不适用,但这种故障最容易识别。表2给出了本文设计的神经网络输入输出的部分样本数据。
表2 超声波信号特征量和故障类型对应关系(部分样本)
样本 信号特征量/mV 故障类型
有效值 峰值 频率1 频率2
1 0.2 10.2 0.09 0.04 1
2 2 16 1.4 1.45 1
3 4 20 0.05 3.1 2
4 1.8 5.7 0.015 0.27 2
5 0.6 2.15 0.1 0.21 3
注:故障类型:1—毛刺放电,2—悬浮放电,3—机械松动。
3.案例分析
利用前面设计的网络,以一起GIS设备内部故障识别为例,说明该方法的实用性。2011年6月在对110kV GIS设备进行例行测试时,在母线筒手孔附近测得超声信号连续模式下的四个参数(如图3所示)为:其有效值为19.2mV,峰值为107mV,100Hz频率成分为0.75mV、50Hz频率成分1.05mV远远超出背景值(其有效值为0.2mV,峰值为0.4mV,100Hz频率成分、50Hz频率成分基本没有),初步判断里面母线筒内部存在局部放电。由于信号稳定且出现100Hz频率成分、50Hz频率成分,可排除自由颗粒发生放电,但由于两种频率成分数值差不多,难以断定是尖峰放电还是电位悬浮造成的局部放电。为此采用设计好的BP神经网络进行故障类型识别,识别结果为尖峰放电。由于超声放电信号较强急需处理,现场进行了开壳检查,检查发现GIS的罐体内和手孔盖处均有杂质(可能由于壳体干燥过热所产生的氧化物碎屑引起的),见图2、图3。这与用神经网络预测结果一致。该方法为故障类型的识别提供了一种有效途径,也便于GIS故障的检修。
图2 连续测量方式下的超声信号
图3 开罐后发现手孔盖内有杂质
4.结论
1)采用人工神经网络对GIS设备出现的典型故障能有效的识别,但是对自由颗粒导致的局部放电有局限性。另外训练神经网络所采用的样本数据或多或少受现场环境的影响,难免会影响识别准确性,为提高故障类型识别的准确率,建议样本数据最好通过试验室模拟的方法取得。
2)对GIS设备故障类型的识别只是定性的分析,如何对故障危险程度的进行定量评估需要进一步研究,因为它是现场故障处理的有效依据。
参考文献:
[1]李立学,滕乐天,黄成军,等.GIS局部放电超高频信号的包络分析与缺陷识别[J].高电压技术,2009,35(2).
[2]胡平,林介东,马庆增.声发射技术在变压器局部放电测量中的应用[J].无损检测,2004,26(10):502-505.
[3]黎大健,梁基重,步科伟,等.GIS 中典型缺陷局部放电的超声波检测[J].高压电器,2009,45(1):72-75.