一种针对高压真空断路器的真空度在线监测方法及装置制造方法及图纸

本发明专利技术公开了一种针对高压真空断路器的真空度在线监测方法及装置，该监测方法通过设置在真空灭弧室外的天线来捕获高压真空断路器的电磁波信号，并通过数据采集系统获取第一数据点；对所述第一数据点进行过滤处理后得到第二数据点，将所述第二数据点进行小波包分解后构造所述第二数据点的第一特征向量；将所述第一特征向量输入至PCA

【技术实现步骤摘要】
一种针对高压真空断路器的真空度在线监测方法及装置


[0001]本专利技术涉及真空度监测
，尤其涉及一种针对高压真空断路器的真空度在线监测方法及装置。

技术介绍

[0002]断路器是电力系统中重要的电气控制设备。与SF6断路器相比，真空断路器体积小、开断性能好、运行寿命长(可达30年)，而且没有爆炸危险，维修工作量小，因此发展迅速，生产量不断上升。随着社会发展和人们经济水平的提高，对电力系统的可靠性和稳定性提出了更高的要求。虽然真空断路器故障率较小，但是一旦发生故障将造成严重的经济损失。因此对真空断路器进行状态监测，及时发现缺陷和故障，成了领域内的关切。
[0003]真空灭弧室具有封闭结构，很难对其内部状态进行监测，同时，高压真空断路器所处的电磁环境复杂，存在多种电磁噪声和电场干扰，加大了监测难度。目前主要有两类真空灭弧室内真空度监测方法，即离线式和在线式。离线式检测需要高压真空断路器退出运行，且定期检修会造成人力物力浪费。在线式监测可以对断路器实现实时的状态监测，发现故障及时报警，符合未来的发展趋势。但现有在线式监测技术还不够成熟，适用性较差。比如耦合电容法需要放置探测电极，且由于形成耦合电容，对断路器各部分的绝缘造成威胁；内置传感器法通过改变灭弧室内部结构，内置真空度传感器实现在线监测；电光测量法利用一些光学元件在电场中会改变光学性能来实现监测，但是光学元件工作稳定性差，且成本高。因此，不用接触真空灭弧室，不用改变灭弧室结构，不会对断路器各部分绝缘造成威胁，实现对高压真空断路器实时而准确可靠的在线监测，这样的监测方法具有更广泛的适用性。而且目前的许多监测方法中需要统计多个电压周期内的放电幅值、相位等信息，基于局部放电相位分布图谱(PRPD)进行分析，需要的信息量多，耗时长，计算量大。因此减少所需的信息量，减少运算量，有助于及时对灭弧室状态进行监测。而进一步采用合适的方法进行特征降维与特征筛选，能够有效降低诊断识别的难度和运算量。目前，用于断路器状态监测的方法主要有神经网络、人工免疫网络、支持向量机，其中，BP神经网络是一种按误差逆传播算法训练的多层前馈网络，是应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入
‑
输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。

技术实现思路

[0004]本专利技术提供针对高压真空断路器的真空度在线监测方法及装置，提高了对高压真空断路器在线监测的准确度。
[0005]本专利技术一实施例提供一种针对高压真空断路器的真空度在线监测方法，包括以下步骤：
[0006]通过设置在真空灭弧室外的天线来捕获高压真空断路器的电磁波信号，并通过数据采集系统将所述天线接收的电磁波信号转换为数字信号后，得到所述数字信号的第一数据点；
[0007]对所述第一数据点进行过滤处理后得到第二数据点，将所述第二数据点进行小波包分解后，根据分解结果构造所述第二数据点的第一特征向量；
[0008]将所述第一特征向量输入至PCA
‑
BP神经网络优化模型，所述PCA
‑
BP神经网络优化模型采用主成分分析法对所述第一特征向量进行特征降维和特征筛选得到第二特征向量，再根据所述第二特征向量对所述高压真空断路器的真空度进行监测并输出真空度监测结果。
[0009]进一步的，将所述第二数据点进行小波包分解后，根据分解结果构造所述第二数据点的第一特征向量，具体为：
[0010]采用db9小波函数和5层小波包分解法对所述第二数据点进行小波包分解得到5层小波包分解分量，针对分解得到的第5层的前3个分解分量区间，计算每个所述分解分量区间的功率谱，并根据各个分解分量区间的功率谱计算各个分解分量区间的最大功率差和最大功率差向量；
[0011]计算各个分解分量区间的最大功率差向量的均值和方差，并将所述最大功率差向量的均值和方差作为第二数据点的第一特征向量。
[0012]进一步的，计算每个所述分解分量区间的功率谱，并根据各个分解分量区间的功率谱计算各个分解分量区间的最大功率差和最大功率差向量，具体为：
[0013]将各个分解分量区间的分解分量按照等时间分段的方式分成若干段，并计算每段的电磁波信号的功率，得到各个分解分量区间的功率谱；
[0014]以25为步长计算各个分解分量区间内的电磁波信号功率的最大值与最小值之差，得到各个分解分量区间的最大功率差和最大功率差向量。
[0015]进一步的，采用主成分分析法对所述第一特征向量进行特征降维和特征筛选，得到第二特征向量，具体为：
[0016]计算所述第一特征向量的协方差矩阵的全部特征值和特征向量，将所述全部特征值从大到小进行排列，选取特征值大于第一预设阈值的特征向量作为主向量；
[0017]计算所述主向量的前m个主分量，根据所述前m个主分量构建所述第二特征向量；所述m个主分量的累计方差贡献率大于第二预设阈值。
[0018]进一步的，根据公式对所述第二数据点进行小波包分解，式中u
2n
(t)和u
2n+1
(t)均为分解得到的小波包，2n和2n+1表示小波包对应的位置信息，h(k)为低通滤波器，g(k)为高通滤波器，t为时间，k为平移变量，Z为整数。
[0019]进一步的，所述天线为环形天线，所述环形天线距离所述真空灭弧室0.5m～1.5m且所述环形天线的环形平面正对所述真空灭弧室。
[0020]进一步的，所述数据采集系统采样速率为500kHz。
[0021]进一步的，对所述第一数据点进行过滤处理后得到第二数据点，具体为：采用带通滤波器对所述第一数据点进行过滤后，得到第二数据点。
[0022]进一步的，所述带通滤波器的滤波范围为2kHz～50kHz。
[0023]本专利技术另一实施例提供了一种针对高压真空断路器的真空度在线监测装置，包括
电磁波信号接收和转换模块、特征向量构造模块和真空度监测模块；
[0024]所述电磁波信号接收和转换模块用于通过设置在真空灭弧室外的天线来捕获高压真空断路器的电磁波信号，并通过数据采集系统将所述天线接收的电磁波信号转换为数字信号后，得到所述数字信号的第一数据点；
[0025]所述特征向量构造模块用于对所述第一数据点进行过滤处理后得到第二数据点，将所述第二数据点进行小波包分解后，根据分解结果构造所述第二数据点的第一特征向量；
[0026]所述真空度监测模块用于将所述第一特征向量输入至PCA
‑
BP神经网络优化模型，所述PCA
‑
BP神经网络优化模型采用主成分分析法对所述第一特征向量进行特征降维和特征筛选得到第二特征向量，再根据所述第二特征向量对所述高压真空断路器的真空度进行监测并输出真空度监测结果。
[0027]本专利技术的实施例，具有如下有益效果：
[0028]本专利技术提供了一种针对高压真空断路器的真空度在线监测方法及装置，该方法可以在不接触真空灭弧室的情况下监本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对高压真空断路器的真空度在线监测方法，其特征在于，包括以下步骤：通过设置在真空灭弧室外的天线来捕获高压真空断路器的电磁波信号，并通过数据采集系统将所述天线接收的电磁波信号转换为数字信号后，得到所述数字信号的第一数据点；对所述第一数据点进行过滤处理后得到第二数据点，将所述第二数据点进行小波包分解后，根据分解结果构造所述第二数据点的第一特征向量；将所述第一特征向量输入至PCA
‑
BP神经网络优化模型，所述PCA
‑
BP神经网络优化模型采用主成分分析法对所述第一特征向量进行特征降维和特征筛选得到第二特征向量，再根据所述第二特征向量对所述高压真空断路器的真空度进行监测并输出真空度监测结果。2.根据权利要求1所述的针对高压真空断路器的真空度在线监测方法，其特征在于，将所述第二数据点进行小波包分解后，根据分解结果构造所述第二数据点的第一特征向量，具体为：采用db9小波函数和5层小波包分解法对所述第二数据点进行小波包分解得到5层小波包分解分量，针对分解得到的第5层的前3个分解分量区间，计算每个所述分解分量区间的功率谱，并根据各个分解分量区间的功率谱计算各个分解分量区间的最大功率差和最大功率差向量；计算各个分解分量区间的最大功率差向量的均值和方差，并将所述最大功率差向量的均值和方差作为第二数据点的第一特征向量。3.根据权利要求2所述的针对高压真空断路器的真空度在线监测方法，其特征在于，计算每个所述分解分量区间的功率谱，并根据各个分解分量区间的功率谱计算各个分解分量区间的最大功率差和最大功率差向量，具体为：将各个分解分量区间的分解分量按照等时间分段的方式分成若干段，并计算每段的电磁波信号的功率，得到各个分解分量区间的功率谱；以25为步长计算各个分解分量区间内的电磁波信号功率的最大值与最小值之差，得到各个分解分量区间的最大功率差和最大功率差向量。4.根据权利要求3所述的针对高压真空断路器的真空度在线监测方法，其特征在于，采用主成分分析法对所述第一特征向量进行特征降维和特征筛选，得到第二特征向量，具体为：计算所述第一特征向量的协方差矩阵的全部特征值和特征向量，将所述全部特征值从大到小进行排列，选取特征值大于第一预设阈值的特征向量作为主...

【专利技术属性】
技术研发人员：王增彬，宋坤宇，李谦，赵晓凤，魏俊涛，杨贤，李兴旺，
申请(专利权)人：广东电网有限责任公司电力科学研究院，
类型：发明
国别省市：