一种电缆早期自恢复故障的识别方法专利检索-向列相物理专利检索查询-专利查询网

一种 电缆早期自恢复故障的识别方法

阅读：1043发布：2020-10-16

专利汇可以提供一种电缆早期自恢复故障的识别方法专利检索，专利查询，专利分析的服务。并且本发明公开了一种电缆早期自恢复故障的识别方法。该方法引入统计工具中的变点检测，在时域序列下对电缆三相电流样本进行偏移统计分析，识别出电缆运行过程中暂态事件发生导致的电流信号突变相，并将突变相信号作为输入层输入到改进的自适应性神经网络，以神经网络权重计算式表示电流异常相的谐波含量并定义为谐波指数，对比不同暂态事件下的谐波指数曲线的幅值变化与暂态时长可识别出电缆半周波、多周波早期故障。，下面是一种电缆早期自恢复故障的识别方法专利的具体信息内容。

权利要求

1.一种电缆早期自恢复故障的识别方法，其特征在于，包括以下步骤：
步骤1：采集电缆三相电流，获取数据样本；
步骤2：计算三相电流的双边累积和；
利用非参数化双边累积和算法，计算每相电流在时间序列下的正向和负向偏移量并进行累积，当累积和统计函数连续三个序列超过阈值时判定此相发生了暂态事件。
步骤3：对于步骤2中确定的异常相，通过改进的自适应神经网络计算反映异常相电流谐波含量的网络权重表示式，并定义次表达式为谐波指数，对比谐波指数曲线的幅值变化与暂态时长识别出电缆早期故障的类别。
2.根据权利要求书1所述的方法，其特征在于，所述累积和统计函数为电流信号正向偏移与负向偏移的绝对值相加。
3.根据权利要求书1所述的方法，其特征在于，步骤2中的阈值设置根据电压等级和电网结构而定，一般设为额定电流的1.3倍。
4.根据权利要求书1所述的方法，其特征在于，改进的自适应神经网络采用RMSProp算法自适应优化梯度下降学习率，学习率更新公式如下：
其中αi、αi+1分别是第i和i+1次迭代的学习率，δ为小常数，通常设为10-6(用于模型数值稳定)，r是累积平方梯度，计算公式如下：
ri+1＝riρ+(1-ρ)ΔEi2
其中ρ是引入的衰减速率，为超参数。ΔEi是第i次迭代的损失偏导。

说明书全文

一种电缆早期自恢复故障的识别方法

技术领域

[0001] 本发明涉及一种电缆早期自恢复故障的识别方法，适用于任意电压等级，属于电力技术领域。

背景技术

[0002] 电缆是电网的重要电力载体，在运行过程中电缆的绝缘性能常因外界机械应力损坏、环境腐蚀等非正常因素而出现绝缘缺陷，导致电缆可靠性逐渐降低，对电网的安全运行埋下重大隐患。早期的电缆故障表现形式是间歇性的电弧接地故障，从故障波形上看此类故障常常发生在电压峰值处，持续时间在四分之一周期至四个周期内不等，而后又恢复至稳态值，电缆绝缘性越差，这种自恢复的间歇性故障发生就越频繁。配电网常见的过流保护装置通常不能识别此类故障，最终导致电缆绝缘击穿从而形成永久性故障。

[0003] 目前对电缆早期故障的识别主要有基于电路模型的分析方法与基于信号特征与模式识别的分析方法。例如，模拟早期电弧故障，利用电弧电压畸变的特点，通过计算故障相电压总谐波畸变率来判断电缆早期故障；也有考虑了电缆金属护套结构，建立了双层阻抗模型，通过单端护套电流的总和检测早期故障；还有采集小波奇异值以量化故障特征，结合支持向量机实现故障识别；同样还有对信号进行小波分解获取奇异值，采用改进合成少数类过采样算法进行线路故障识别；除此之外，还有结合小波变换与灰色关联分析方法，通过计算灰色关联度来识别电缆早期故障等。电缆在实际运行工况下，由于不同区段绝缘老化的程度不同，导致搭建精确参数的电缆电路模型十分困难。近年来深度学习方法通过深层次的网络结构和训练学习机制，有效地应用在一些电力设备和机械设备的故障识别中，并取得了较好的效果。

发明内容

[0004] 本发明克服了传统检测模式难以搭建精确参数的电缆电路模型的难题，引入了在机器故障检测以及信号突变监测领域应用广泛的变点检测双边累计和(CUSUM)算法，将统计工具中的变点检测与改进的自适应神经网络相结合，提出了一种基于时域序列下故障相电流信号双边累积和变化曲线与谐波指数变化曲线识别电缆早期故障的方法。该方法利用非参数化双边CUSUM算法监测三相电流的正负向偏移的累积和值来确定异常相，将异常相电流作为网络输入向量，以改进的神经网络权重计算式表示异常相的谐波含量并定义为谐波指数，对比不同暂态事件下的谐波指数曲线的幅值变化与暂态时长可识别出电缆半周波、多周波早期故障。附图说明

[0005] 图1为非参数化双边累积和算法检测过程图

[0006] 图2为电缆半周波、多周波早期故障下的识别判据图

[0007] 图3为电缆早期故障识别流程图

具体实施方式

[0008] 下面结合附图和具体实施过程对本发明作进一步说明。

[0009] 如图3所示，一种电缆早期自恢复故障的识别方法，包括以下步骤：

[0010] 步骤1：采集电缆三相电流，获取数据样本；

[0011] 步骤2：计算三相电流的双边累积和；

[0012] 利用非参数化双边累积和算法，计算每相电流在时间序列下的正向和负向偏移量并进行累积，当累积和统计函数连续三个序列超过阈值时判定此相发生了暂态事件。

[0013] 步骤3：对于步骤2中确定的异常相，通过改进的自适应神经网络计算反映异常相电流谐波含量的网络权重表示式，并定义次表达式为谐波指数，对比谐波指数曲线的幅值变化与暂态时长识别出电缆早期故障的类别。

[0014] 根据图1，电缆三相电流在时间序列下的表示为X＝{x(k)},k＝1,2,3…，假设某个时刻电流信号发生偏移，非参数化双边CUSUM算法中统计函数定义为

[0015]

[0016]

[0017] 其中分别表示当前检测点去掉噪声值影响之后的正向和负向偏移量，计算式为

[0018]

[0019]

[0020] 其中μ0为变点前随机时间序列的平均值，通常认为是已知的；β为噪声值，序列xk小于β的变化将被忽略。

[0021] 当或者时，认为有可能产生变点，如果此时或者大于所设阈H，那么记为有变点产生，否则继续比较下一采样点k＝k+1，更新和继续进行比较。

[0022] 参见图1，原始信号在41ms时刻发生突变，线性上升至51ms时刻后维持稳定。在42ms采样点处信号超过正向阈值，正向偏移量大于零，统计函数开始累加，一直到
47ms处超过阈值H，此时算法判定发生暂态事件。

[0023] 参见图2，将检测出暂态事件的异常相电流信号预处理后作为输入层，以改进的神经网络权重计算式表示异常相的谐波含量并定义为谐波指数，对比不同暂态事件下的谐波指数曲线的幅值变化与暂态时长可识别出电缆半周波、多周波早期故障，其依据如下所述。

[0024] 任意一个含有噪声的电流周期信号可以表示为直流分量和不同频率的正弦信号的叠加：

[0025]

[0026] 其中Adce-βt表示直流分量，β为时间衰减常数，Fm，分别为m次谐波的幅值和初始相位，当m＝1时，为基波分量的表达式。对直流分量泰勒展开后得

[0027]

[0028] 其中Rn(t)为直流分量展开的泰勒余项,上式在离散时域下可表示为[0029]

[0030] 其中Ns是样本时间序列总数，t(k)是第k个时间序列值。改进的自适应神经网络拟合信号y(k)的输入向量X(k)可以表示为

[0031]

[0032] 网络的输出向量f(k)表示为权重向量ω(k)与X(k)转置矩阵的乘积[0033]

[0034] 可得ω(k)更新公式为

[0035]

[0036] 当f(k)＝y(k)，即代价函数为0时，此时的权重张量ω0为理想权重张量[0037] f(k)＝y(k)＝ω0XT(k)

[0038]

[0039]

[0040] 综上可知，Fm可由权重向量计算得到

[0041]

[0042]

[0043] 由上述可知，改进后神经网络的权重向量矩阵ω(k)除去第1项和第2项后的一维矩阵前后项依次取平方和分别是故障相电流第k个采样周期的基波分量、2次谐波、3次谐波、…、m次谐波的幅值的平方。定义谐波指数Q(k)表示电流信号第k个采样周期的谐波幅值可得

[0044]

[0045] 对比不同暂态事件下电流信号在离散时间序列下的Q(k)曲线，可以区分出故障相是半周波故障还是多周波故障，具体识别判据如下：

[0046] (1)Q(k)曲线超过阈值且持续时间不大于二分之一周期为半周波故障；

[0047] (2)Q(k)曲线超过阈值且持续时间大于二分一周期小于四个周期为多周波故障；

[0048] (3)Q(k)曲线超过阈值且持续时间大于四个周期或者Q(k)曲线未超过阈值为其他故障或扰动信号；

[0049] 完整的电缆早期故障识别流程参照图3。

标题	发布/更新时间	阅读量
一种高温压力化成柜	2020-05-08	830
输变电云母管的加工方法	2020-05-08	536
用于认证共乘请求的系统及方法	2020-05-08	78
一种基于SVM分类器的纸币冠字号字符分割方法	2020-05-08	397
一种基于队列的业务请求异步处理方法及装置	2020-05-11	862
一种表面具有环带柱面微结构的眼镜片	2020-05-11	604
电动助力转向装置	2020-05-08	757
阵列基板、显示面板和显示装置	2020-05-11	386
基于素数非对称邻接矩阵的运动链同构判定方法	2020-05-08	479
偏振光片及偏振光片的制造方法	2020-05-11	775

一种电缆早期自恢复故障的识别方法

一种电缆早期自恢复故障的识别方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：