一种基于人工智能的金属氧化物避雷器故障诊断方法技术

本发明专利技术公开了一种基于人工智能的金属氧化物避雷器故障诊断方法，涉及氧化物避雷器故障智能诊断技术领域。该一种基于人工智能的金属氧化物避雷器故障诊断方法，可以对不同情况不同分析，提前判断出避雷器的故障发生时间，也就是寻找到它的寿命拐点。该基于人工智能的金属氧化物避雷器故障诊断方法以电阻电流的基波分量为特征量，通过基波分量的变化判断MOA的工作状态和绝缘性能。利用傅里叶变换从整个电流中分解出电阻电流的基波分量值，由加权KNN模型实现故障智能诊断，另外考虑了相对湿度、温度、空气质量、降雨量、三相电阻电流和三相电压这六个外界因素的影响，也可以结合雷击情况、空气质量、天气等因素实现多方面对MOA的故障进行诊断。的故障进行诊断。的故障进行诊断。

【技术实现步骤摘要】
一种基于人工智能的金属氧化物避雷器故障诊断方法


[0001]本专利技术涉及金属氧化物避雷器故障智能诊断
，具体为一种基于人工智能的金属氧化物避雷器故障诊断方法。

技术介绍

[0002]金属氧化物避雷器(MOA)是电网用于限制过电压的主要设备，为一些重要的电力设备提供了较低的保护等级和较宽的保护裕度[1
‑
2]，MOA的可靠运行关乎电网的安全稳定运行。MOA具有高通量性和优异的伏安特性[3]，上世纪70年代以来，许多制造商对其进行了大量的深入研究。MOA的结构主要由具有非线性电阻的阀片串联构成[4]，因此，其性能特征取决于氧化锌阀板。这种串联结构消除了避雷器的放电间隙，使外加电压作用于氧化锌阀片上，这一特性使MOA成为目前应用最广的避雷器[5]。
[0003]MOA具有以下特性：
[0004](1)优越的保护性能[6]，MOA阀板的非线性伏安特性强。当出现过电压时，阀板中的分子态溢出价电子，价电子相互碰撞产生电离，引起电子崩。随着电子崩的积累，阀片电阻急剧下降，导致形成MOA低电阻通路，继而将大电流引入大地并释放。当过电压通过对地释放消失时，电子崩也立即消失，载流粒子大大减少，阀板电阻立即恢复高阻状态，几乎接近绝缘状态，MOA恢复正常状态。
[0005](2)强大的恢复能力[7]。MOA在结构上是由许多放电间隙串联连接。发生过电压时，将大电流引至地释放，在100微秒甚至更短的时间后，恢复至正常状态。MOA承受过电压的持续冲击仍是有效的，因此，可为电网设备提供有效保护。r/>[0006](3)高通量性[8]。MOA遭受过电压后，由于其优异的非线性特性，过电压的影响非常小，基本上阻止了斩波电压的产生。
[0007](4)重量轻且紧凑[9]。
[0008]随着MOA持续的运行，其绝缘性能在一定程度上有所下降，当MOA的工作电压通过阀板时会产生漏电流。持续的漏电流产生热效应，使氧化锌阀板发热，继而导致漏电流发生变化。MOA正常工作时，流过阀板的电流很小，视为小电流工作区。此时，流过阀板的漏电流只有基波分量和低频分量。作为电网中重要的保护设备，MOA整体运行良好、故障率较低，但也存在一些由外部或内部原因引起的故障，主要原因如下[10
‑
11]：
[0009](1)内部水分；
[0010](2)阀板老化；
[0011](3)环境污染的影响；
[0012](4)运行状况异常等。因此，采用有效的故障诊断方法保证MOA的安全稳定运行是非常必要的。
[0013]目前，MOA常用的故障诊断方法有全电流法、基波法、补偿法、直流漏电测试法、红外检测法[12
‑
15]，但上述方法未考虑影响MOA的环境因素。例如，天气的温湿度会影响检测结果，导致无法准确的反映故障类型。目前，无线网络按通信距离可分为：无线个域网、无线
局域网和无线广域网。这三种网络的组合可以形成一个完整的无线网络系统。短距离无线通信是一种小型无线网络，通过利用红外线或无线电代替原有的电缆，以其低廉的价格和低功耗在短距离内实现个人信息终端的互联互通，形成个人信息网络。MOA无线在线监测的关键就在于真实有效的采集数据以及无线传输。稳定的数据传输为监控系统提供强有力的技术支持。因此，硬件电路必须具有较高的监测灵敏度和良好的抗干扰能力。
[0014]由于涉及流量传输，MOA故障诊断主要依赖无线网络。因此，本专利技术主要关注无线网络，重点研究基于人工智能的MOA故障诊断。主要内容如下：
[0015](1)基波电阻电流法是采用数字信号处理和离散傅里叶变换，实现对总漏电流中不同谐波分量的灵活分析，为MOA故障诊断提供依据；
[0016](2)基于基波电阻电流的加权KNN方法用于诊断MOA故障。随着计算机技术和人工智能的发展，一些先进的智能算法，如遗传算法[16]、粒子群优化[17]、人工神经网络[18]、支持向量机[19]等，被应用于MOA故障诊断中。
[0017]文献[20]利用遗传算法获得最佳电容值，最大限度地减少支路电压和电流基本分量之间的相移，并提出了一种电阻电流提取算法，用于辅助MOA的在线监测。
[0018]文献[21]提出将粒子群优化和蚁群算法相结合，用以获取MOA模型参数。
[0019]文献[22]提出了一种改进的自适应粒子群优化算法，用于估计避雷器模型的最优参数集。
[0020]文献[23]提出了一种基于差分粒子群优化的支持向量机模型，用于监测MOA的状态。
[0021]文献[24]提出了一种利用人工神经网络计算MOA电场的新方法。
[0022]目前，已有许多新方法被提出用于MOA故障诊断。
[0023]文献[25]结合kNN和改进的Dempster
‑
Shafer证据理论，提出了一种多信息融合的MOA故障诊断方法。
[0024]文献[26]提出了一种基于量子粒子群优化、多尺度置换熵和支持向量机的故障智能诊断方法，通过构建故障特征集，实现了滚动轴承的故障识别。
[0025]文献[27]提出了一种进化加权惰性朴素贝叶斯方法，利用差分进化算法优化参数。
[0026]文献[28]提出了一种基于信息融合理论的MOA故障诊断方法。
[0027]文献[29]以灵活检测为基础，依据工业4.0的电力设备检测系统的信息物理架构，开发了一种新型MOA通电测试仪。
[0028]文献[30]提出了一种基于集成多源异构数据的MOA运行状态评估模型。
[0029]文献[31]提出了一种基于证据理论的MOA故障诊断方法。
[0030]文献[32]提出了一种改进方法，即改进电容电流补偿方法。通过采用等效线性电阻对谐波电压产生的电阻电流部分补偿，减小谐波电压引起的误差。
[0031]其他常见的MOA监测方法还有：全电流法、电阻三次谐波电流法、电容电流补偿法、基于温度的测量法、电阻基波电流法。
[0032]实际上，以上方法具有一定局限性，不可避免地受到电网电压谐波和相位干扰的影响。消除或减少相间容性电流的干扰、谐波电压和电压互感器相移的干扰，可以使测得的阻性电流更真实地反映MOA的运行状态。根据实际场景选择合理、可靠的人工智能方法也是
MOA故障诊断的主要内容。
[0033]于是，本申请人秉持多年该相关行业丰富的设计开发及实际制作的经验，针对现有的算法以研究改良，提供一种基于人工智能的金属氧化物避雷器故障诊断方法，可以对不同情况不同分析，提前判断出避雷器的故障发生时间，也就是寻找到它的寿命拐点。

技术实现思路

[0034](一)解决的技术问题
[0035]针对现有技术的不足，本专利技术提供了一种基于人工智能的金属氧化物避雷器故障诊断方法，解决了以下技术问题：
[0036]1、常用的故障诊断方法有全电流法、基波法、补偿法、直流漏电测试法、红外检测法，但上述方法未考虑影响MOA的环境因素；
...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的金属氧化物避雷器故障诊断方法，采用基波电流法对MOA的故障进行诊断，其特征在于：包括如下步骤：电压互感器采集母线电压U
b
，电流互感器采集全电流I
f
，将通道A和通道B的两个信号通过模数转换器转换成数字信号，送入CPU，所述通道A测量的是避雷器的全电流，所述通道B测量的是母线电压；然后，通过傅里叶变换分解电压和电流基波分量的幅值I
f_1
和相位；根据基波电流之间的矢量关系，计算出基波电阻电流I
fwr
，即：公式一：式中：为基波电流与基波电压的夹角；设定正弦信号的表达式公式二；公式二：x(t)＝Asin(2πft+φ)，式中：A是幅度，f是频率，φ是初始相位角；由于采样频率f
s
必须满足f
s
>2f，所以依据公式二采样时，每个周期的采样数n
s
满足N
s
＝f
s
/f，采样顺序如公式三；公式三：x(n)＝Asin(ωn+φ)，式中：其中ω＝2π/N
s
；通过在每个循环中采样N
s
个代表值，扩展整个正弦函数的信息；如果以N
s
为周期，对公式三进行离散傅里叶变换(DFT)，得到公式四；公式四：公式四的逆DFT(IDFT)定义如公式五；公式五：其中公式三和公式四中，是蝶形因子，是周期为N
s
的离散傅里叶级数系数，n是离散变量，n是谐波数；根据欧拉变换方程得到公式六和公式七；公式六：e
ix
＝cosx+isinx，式中i是虚数单位；公式七：由公式六和公式七，公式四可变化为公式八；公式八：根据实际采样数据，公式八可简化为复数表达式公式九、公式十和公式十一；公式九：公式十：公式十一：
理想条件下，电压信号频率为50Hz，电压正弦信号可定义为公式十二；公式十二：u＝A
V
sin(ωt+φ
V
)，式中：A
V
是从幅度信号中提取的谐波分量，φ
V
是从电压信号中提取的谐波分量；根据公式十二可得到公式十三；公式十三：F
V
(k)＝a
V
+ib
V
；根据公式八、公式九、公式十和公式十三可得到电压信号的幅值和相位角如下；公式十四：同理，架设当前信号为为I＝A
I
sin(ωt+φ
I
)可得公式十五；公式十五：F
I
(k)＝a
I
+ib
I
；则电流信号的幅值和相位角如下；公式十六：根据公式十五，从电压和电流信号中提取每个谐波分量值，将信号传送至滤波器以滤除每个谐波分量，得到基波电阻电流法所需的基波特征值，即；公式十七：所述包括加权kNN算法、原始训练集和测试样本，所述算法步骤如下：所述原始训练集内包括影响MOA状态的参数以及参数对应的MOA的状态，并进行训练；所述MOA的状态包括故障与不故障；步骤一：评估基波电阻电流的权重：每个基波电阻电流的权重比例通过基波电阻电流的重要性来计算，其计算公式为公式十八；公式十八：式...

【专利技术属性】
技术研发人员：何涛，张忠，沈鹏飞，魏敏，张宇，王红伟，朱元杰，薛为浩，金亚曦，华云梅，
申请(专利权)人：国网安徽省电力有限公司马鞍山供电公司，
类型：发明
国别省市：