一种电力系统绝缘环网柜故障检测方法技术方案

一种电力系统绝缘环网柜故障检测方法。能够快速监测环网柜内部各项参数，实现环网柜出现故障时的快速识别和种类判断，提高故障判断正确率，节约时间成本，降低故障造成的损失的目标。本发明专利技术包括：利用遗传算法(GA)优化后的径向基函数(RBF)，将已有历史数据集进行训练，构成GA

【技术实现步骤摘要】
一种电力系统绝缘环网柜故障检测方法


[0001]本专利技术涉及电力系统设备故障监测领域，尤其涉及一种绝缘环网柜内部多种故障的综合监测与判断方法。

技术介绍

[0002]环网柜(Ring Main Unit)是一组高压开关设备装在金属或非金属绝缘柜体内或做成拼装间隔式环网供电单元的电气设备，其核心部分采用负荷开关和熔断器，具有结构简单、体积小、可提高供电参数和性能以及供电安全等优点。它被广泛使用于城市住宅小区、高层建筑、大型公共建筑、工厂企业等负荷中心的配电站以及箱式变电站中。
[0003]环网柜故障检测是提高电力系统运行可靠性的重要方面，在不同工作状态下及时检测到故障发生，识别故障类别能够有效降低故障造成的损失，节约时间和人工成本。
[0004]利用机器学习算法对历史数据进行统计计算是提高故障判断正确率，是节约试验成本的有效手段。通过对已有历史数据集统计量的计算，可以推导出多工作状态下各参数的变化规律，有助于环网柜内部多变量信息融合模型的构建。然而，传统的机器学习算法存在计算时间长，收敛能力弱等缺点，不能满足多变量融合信息模型构建的要求。
[0005]申请人作为基层供电单位，一直致力于研究如何更加精准、高效地实现对环网柜故障的检测。现在已有的环网柜故障检测技术研究多集中在电参数的测量和监测上，在包括环网柜内部温度，湿度，气体浓度，局部放电产生气体等各项参数的综合信息融合处理和建模方面仍然缺乏研究，无法满足对故障检测准确率提高的进一步要求。

技术实现思路

[0006]本专利技术提供一种电力系统绝缘环网柜故障检测方法，能够根据历史数据集构建基于GA
‑
RBF算法的多变量信息融合模型，快速准确地得到多项参数的降维矩阵并反馈多项参数对应的T2和SPE的统计限，将采集到的在线数据集转化为各项参数对应的统计量并和统计限进行对比，快速、准确地监测到故障发生并识别故障种类。
[0007]为达到上述目的，本专利技术的技术方案包括：
[0008]S1、通过已有的历史数据集N
h
，将环网柜内部参数进行分类，分析常见的环网柜内部故障和导致故障发生的原因，定位故障发生的位置；
[0009]S2、对历史数据集进行预处理，包括去除异常数据和对数据进行归一化等操作；
[0010]S3、通过遗传算法对RBF神经网络的参数进行优化，构成GA
‑
RBF算法，运用优化后的神经网络算法，结合预处理后的数据集，构成环网柜多变量信息融合模型；
[0011]S4、利用历史数据对上述数据集进行训练，得到降维矩阵O，并得到各个参数对应的平方预测误差(SPE)和T2两种统计量的统计限；
[0012]S5、通过环网柜内部的传感器和参数采集元件采集环网柜内实时运行的各个参数，构成在线数据集N
l
，并将在线数据集中的各项参数数据进行预处理；
[0013]S6、计算获取的在线数据集中的各项参数的T2和SPE统计量；
[0014]S7、将得到的T2和SPE统计量与上述得到的T2和SPE统计限进行实时对比，根据各项参数的统计量比较结果分析系统故障状态；
[0015]S8、根据比较结果寻找异常参数，定位发生故障位置。
[0016]进一步地，步骤S1中，所述环网柜内部各项参数，指环网柜内部温度，湿度，电路电流，气体浓度，局部放电产生气体等各项参数。
[0017]进一步地，步骤S2中，所述数据预处理包含数据清理，数据集成，数据归约，数据变换等步骤。
[0018]进一步地，步骤S3中，所述神经网络参数优化，指利用遗传算法优化RBF神经网络的结构参数MN和DF值，达到能量函数最小的效果。
[0019]进一步地，步骤S3中，所述多变量信息融合模型，指基于环网柜内部各项参数综合组成的统计量预测模型。
[0020]进一步地，步骤S4包括：
[0021]S41、将所述温度，湿度，电路电流，气体浓度，局部放电产生气体的T2和SPE统计量作为所述GA
‑
RBF算法的自变量，将目标一维数据矩阵O作为所述GA
‑
RBF算法的因变量进行训练；
[0022]S42、在所述GA
‑
RBF算法训练完毕之后，输入所述各项参数的统计量，得到所述GA
‑
RBF算法回归得到的各项参数对应的统计限，即得到所述多变量信息融合模型；
[0023]S43、求出S2中计算的标准化矩阵的协方差矩阵Σ，对∑进行特征分解，得到特征值λ1,λ2,
…
,λ
m
及其对应的特征向量p1,p2,
…
,p
m
，当前k个主元的累计方差贡献率达到85％，则主元数取k值，其中Σ和主元贡献率sum
avc
的计算方法为：
[0024][0025][0026]其中，N
s
为标准化后的数据矩阵；
[0027]S44、对于样本个数为n住院个数为k，置信度为a的T2和SPE统计量的统计限计算方法为：
[0028][0029][0030][0031][0032][0033][0034]其中，F
a
为置信度对应的F分布函数，C
a
为与(1
‑
a)分位点对应的标准差。
[0035]进一步地，步骤S6具体为：将实时采集的数据集N
l
进行中心化和标准化处理，得到N
ls
，计算其T2统计量和SPE统计量，计算方法为：
[0036][0037][0038]S＝diag(λ1,λ2,...,λ
k
)
[0039]其中，O为步骤S4中GA
‑
RBF算法训练得到的降维数据矩阵。
[0040]进一步地，步骤S7中，所述对比与分析，指将在线数据集的T2与SPE统计量与所述统计限对比，若某一参数的统计量连续超越其对应的统计限，则判断该参数对应的环网柜内部装置出现故障。
[0041]本专利技术利用环网柜设备内部常用的传感器，采集导致环网柜内部常见故障对应的元器件的相关参数，通过数据预处理和计算转换为T2和SPE统计量。依据历史数据集基于遗传算法优化后的径向基函数神经网络算法实现对各项参数多变量信息融合的快速建模，在较少实验结果的情况下快速获取多项参数的降维矩阵以及各种工作状态下的多项参数统计限，能够有助于快速获得多种工作状态下的参数统计量与该参数对应故障状态的对应关系，大大减小时间成本。从而通过实时采集在线数据集，能够与统计限进行实时比较并在故障发生时快速监测并定位故障位置，实现了环网柜内参数的实时监测，提高了环网柜故障监测的可靠性。
附图说明
[0042]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力系统绝缘环网柜故障检测判断方法，其特征在于，包括：S1、通过已有的历史数据集N
h
，将环网柜内部参数进行分类，分析常见的环网柜内部故障和导致故障发生的原因，定位故障发生的位置；S2、对历史数据集进行预处理，包括去除异常数据和对数据进行归一化等操作；S3、通过遗传算法对RBF神经网络的参数进行优化，构成GA
‑
RBF算法，运用优化后的神经网络算法，结合预处理后的数据集，构成环网柜多变量信息融合模型；S4、利用历史数据对上述数据集进行训练，得到降维矩阵O，并得到各个参数对应的平方预测误差(SPE)和T2两种统计量的统计限；S5、通过环网柜内部的传感器和参数采集元件采集环网柜内实时运行的各个参数，构成在线数据集N
l
，并将在线数据集中的各项参数数据进行预处理；S6、计算获取的在线数据集中的各项参数的T2和SPE统计量；S7、将得到的T2和SPE统计量与上述得到的T2和SPE统计限进行实时对比，根据各项参数的统计量比较结果分析系统故障状态；S8、根据比较结果寻找异常参数，定位发生故障位置。2.根据权利要求1所述的一种电力系统绝缘环网柜故障检测判断方法，其特征在于，步骤S1中，所述环网柜内部各项参数，指环网柜内部温度，湿度，电路电流，气体浓度，局部放电产生气体等各项参数。3.根据权利要求2所述的一种电力系统绝缘环网柜故障检测判断方法，其特征在于，步骤S2中，所述数据预处理包含数据清理，数据集成，数据归约，数据变换等步骤。4.根据权利要求3所述的一种电力系统绝缘环网柜故障检测判断方法，其特征在于，步骤S3中，所述神经网络参数优化，指利用遗传算法优化RBF神经网络的结构参数MN和DF值，达到能量函数最小的效果。5.根据权利要求4所述的一种电力系统绝缘环网柜故障检测判断方法，其特征在于，步骤S3中，所述多变量信息融合模型，指基于环网柜内部各项参数综合组成的统计量预测模型。6.根据权利要求1
‑
5任一所述的一种电力系统绝缘环网柜故障检测判断方法，其特征在于，步骤S4包括：S41、将所述温度，湿度，电路电流，气体浓度，局部放电产生气体的T2和SPE统计量作为所述GA
...

【专利技术属性】
技术研发人员：殷刚，王健，陈巍，程洁，朱益民，杨丹，
申请(专利权)人：扬州永茂电力建设有限公司国网江苏省电力有限公司扬州供电分公司，
类型：发明
国别省市：