一种风电场集电线路电缆局放信号采集处理方法技术

本发明专利技术公开了一种风电场集电线路电缆局放信号采集处理方法，包括以下步骤：步骤S1、获取风电场集电线路电缆的历史局放故障，并依次在每个历史局放故障中提取出故障区间特征，故障信号特征以及故障类型，再量化得到每个历史局放故障的区间故障率；步骤S2、利用分类算法基于故障信号特征和故障类型构建局放故障识别模型，以及利用神经网络基于故障区间特征和区间故障率进行模型训练得到故障区间标定模型。本发明专利技术在待采集局放信号的风电场集电线路电缆上定位出局放故障的故障区间以及识别出局放故障的故障类型，并利用模型训练得到识别故障类型和划分故障区间的模型，避免人为识别的效率低和主观性强的缺陷。的效率低和主观性强的缺陷。的效率低和主观性强的缺陷。

【技术实现步骤摘要】
一种风电场集电线路电缆局放信号采集处理方法


[0001]本专利技术涉及局放信号采集
，具体涉及一种风电场集电线路电缆局放信号采集处理方法。

技术介绍

[0002]电能在现实生活中起到了不可缺少的作用，而电缆作为传输电能重要部件，已经得到了广泛的应用，特别是在城市配电网中占据了主要的地位。电缆发生局部放电的局部放电量和其当前的绝缘状况有着密切的关系，因此评价电缆绝缘状况的最有效、最直观的方式就是测量电缆的局部放电量。因此，完善运行中电缆局部放电的诊断方法，对提高电力系统的可靠性和安全性具有重要意义。
[0003]电缆产生局部放电时会伴随光、热、电磁波、电脉冲等物理现象，这些物理现象就是电缆局部放电检测的依据。从电缆产生的局部放电中虽然可以了解电缆的绝缘状况，但是要判别电缆局部放电故障的缺陷类型，需要对局部放电信号进行模式识别。目前局部放电模式识别的主要方法是首先根据电缆几种常见的局部放电类型，设置对应类型的试验，并进行大量的试验，然后再从每组类型的试验中提取特征数据，并对得到的特征数据建立图谱库，最后采用智能算法对得到的几类图谱数据进行训练，最终达到分类识别的效果，但是现有方案中对于电缆局放信号的采集点布局具有高随机性，强主观性，导致在电缆上局放故障定位时，准确度低。

技术实现思路

[0004]本专利技术的目的在于提供一种风电场集电线路电缆局放信号采集处理方法，以解决现有技术中电缆局放信号的采集点布局具有高随机性，强主观性，导致在电缆上局放故障定位时，准确度低的技术问题。
[0005]为解决上述技术问题，本专利技术具体提供下述技术方案：
[0006]一种风电场集电线路电缆局放信号采集处理方法，包括以下步骤：
[0007]步骤S1、获取风电场集电线路电缆的历史局放故障，并依次在每个历史局放故障中提取出故障区间特征，故障信号特征以及故障类型，再基于故障区间特征和故障信号特征对历史局放故障进行区间故障率量化得到每个历史局放故障的区间故障率；
[0008]步骤S2、利用分类算法基于故障信号特征和故障类型构建局放故障识别模型，以及利用神经网络基于故障区间特征和区间故障率进行模型训练得到故障区间标定模型；
[0009]步骤S3、对待采集局放信号的风电场集电线路电缆进行区间划分得到一组采集区间，基于故障区间标定模型依次对每个采集区间进行区间标定得到每个采集区间的区间故障率，再基于每个采集区间的区间故障率将采集区间分类为高危区间和低危区间，所述高/低危区间表征为历史局放故障中具有高/低危险性的位置区间；
[0010]步骤S4、对所述高危区间和低危区间依据区间故障率分区布局高危区间和低危区间的信号采集点，以实现对高危区间和低危区间进行分区检测来保证信号采集的高时效性
和低冗余性，并利用局放故障识别模型同步将各个信号采集点的采集信号进行识别，以在待采集局放信号的风电场集电线路电缆上定位出局放故障的故障区间以及识别出局放故障的故障类型。
[0011]作为本专利技术的一种优选方案，所述依次在每个历史局放故障中提取出故障区间特征，故障信号特征以及故障类型，包括：
[0012]所述故障区间特征包括历史局放故障的电缆区间特征和环境区间特征，所述电缆区间特征表征为位于历史局放故障的故障区间内风电场集电线路电缆的固有属性特征，所述环境区间特征表征为位于历史局放故障的故障区间内风电场集电线路电缆的外部安装环境特征。
[0013]作为本专利技术的一种优选方案，所述基于故障区间特征和故障信号特征对历史局放故障进行区间故障率量化得到每个历史局放故障的区间故障率，包括：
[0014]利用Kmeans++算法基于所述故障区间特征对所述历史局放故障进行聚类分簇得到多组局放故障簇，并依次统计每个局放故障簇的局放故障数，再基于局放故障数计算出每个历史局放故障的基础故障率，所述基础故障率的计算公式为：
[0015][0016]式中，P
i
表征为第i个历史局放故障的基础故障率，n
i
表征为第i个历史局放故障所在的局放故障簇的局放故障数，N表征为历史局放故障总数；
[0017]依次计算每个历史局放故障的故障信号特征和标准信号特征的欧几里得距离，并基于所述欧几里得距离计算出每个历史局放故障的故障率权重，以衡量每个历史局放故障的故障程度，所述故障率权重的计算公式为：
[0018][0019]式中，α
i
表征为第i个历史局放故障的故障率权重，S
i
表征为第i个历史局放故障的故障信号特征，H表征为标准信号特征；
[0020]依次将每个历史局放故障的所述故障率权重加权至基础故障率上得到每个历史局放故障的所述区间故障率，所述区间故障率的计算公式为：
[0021]K
i
＝α
i
*P
i
；
[0022]式中，K
i
表征为第i个历史局放故障的区间故障率，i为计量常数。
[0023]作为本专利技术的一种优选方案，所述利用分类算法基于故障信号特征和故障类型构建局放故障识别模型，包括：
[0024]将故障信号特征和故障类型分别作为XGBoost算法的输入项和输出项，并将所述XGBoost算法基于所述输入项和输出项进行模型训练得到所述局放故障识别模型，所述局放故障识别模型的模型函数为：
[0025]label＝XGBoost(S)；
[0026]式中，label为故障类型的标识符，S为故障信号特征的标识符，XGBoost为XGBoost算法的标识符。
[0027]作为本专利技术的一种优选方案，所述利用神经网络基于故障区间特征和区间故障率
进行模型训练得到故障区间标定模型，包括：
[0028]将故障区间特征作为CNN神经网络的输入项，以及将区间故障率作为CNN神经网络的输出项，并将所述CNN神经网络基于所述输入项和输出项进行模型训练得到所述故障区间标定模型，所述故障区间标定模型的模型函数为：
[0029]K＝CNN(U)；
[0030]式中，K为区间故障率的标识符，U为故障区间特征的标识符，CNN为CNN神经网络的标识符。
[0031]作为本专利技术的一种优选方案，所述对待采集局放信号的风电场集电线路电缆进行区间划分得到一组采集区间，包括：
[0032]设定采集区间的区间长度期望值，并基于区间长度期望值对历史局放故障进行区间长度离散度的构建，所述区间长度离散度的函数表达式为：
[0033][0034]式中，d
σ
表征为区间长度离散度，d
i
表征为第i个历史局放故障的区间长度，d
E
表征为区间长度期望值；
[0035]基于区间长度期望值对待采集局放信号的风电场集电线路电缆进行区间特征计算率的构建，所述区间特征计算率的函数表达式为：
[0036][0037]式中，q表征为区间特征计算率，L表征为待采集局本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风电场集电线路电缆局放信号采集处理方法，其特征在于：包括以下步骤：步骤S1、获取风电场集电线路电缆的历史局放故障，并依次在每个历史局放故障中提取出故障区间特征，故障信号特征以及故障类型，再基于故障区间特征和故障信号特征对历史局放故障进行区间故障率量化得到每个历史局放故障的区间故障率；步骤S2、利用分类算法基于故障信号特征和故障类型构建局放故障识别模型，以及利用神经网络基于故障区间特征和区间故障率进行模型训练得到故障区间标定模型；步骤S3、对待采集局放信号的风电场集电线路电缆进行区间划分得到一组采集区间，基于故障区间标定模型依次对每个采集区间进行区间标定得到每个采集区间的区间故障率，再基于每个采集区间的区间故障率将采集区间分类为高危区间和低危区间，所述高/低危区间表征为历史局放故障中具有高/低危险性的位置区间；步骤S4、对所述高危区间和低危区间依据区间故障率分区布局高危区间和低危区间的信号采集点，以实现对高危区间和低危区间进行分区检测来保证信号采集的高时效性和低冗余性，并利用局放故障识别模型同步将各个信号采集点的采集信号进行识别，以在待采集局放信号的风电场集电线路电缆上定位出局放故障的故障区间以及识别出局放故障的故障类型。2.根据权利要求1所述的一种风电场集电线路电缆局放信号采集处理方法，其特征在于：所述依次在每个历史局放故障中提取出故障区间特征，故障信号特征以及故障类型，包括：所述故障区间特征包括历史局放故障的电缆区间特征和环境区间特征，所述电缆区间特征表征为位于历史局放故障的故障区间内风电场集电线路电缆的固有属性特征，所述环境区间特征表征为位于历史局放故障的故障区间内风电场集电线路电缆的外部安装环境特征。3.根据权利要求2所述的一种风电场集电线路电缆局放信号采集处理方法，其特征在于：所述基于故障区间特征和故障信号特征对历史局放故障进行区间故障率量化得到每个历史局放故障的区间故障率，包括：利用Kmeans++算法基于所述故障区间特征对所述历史局放故障进行聚类分簇得到多组局放故障簇，并依次统计每个局放故障簇的局放故障数，再基于局放故障数计算出每个历史局放故障的基础故障率，所述基础故障率的计算公式为：式中，P
i
表征为第i个历史局放故障的基础故障率，n
i
表征为第i个历史局放故障所在的局放故障簇的局放故障数，N表征为历史局放故障总数；依次计算每个历史局放故障的故障信号特征和标准信号特征的欧几里得距离，并基于所述欧几里得距离计算出每个历史局放故障的故障率权重，以衡量每个历史局放故障的故障程度，所述故障率权重的计算公式为：
式中，α
i
表征为第i个历史局放故障的故障率权重，S
i
表征为第i个历史局放故障的故障信号特征，H表征为标准信号特征；依次将每个历史局放故障的所述故障率权重加权至基础故障率上得到每个历史局放故障的所述区间故障率，所述区间故障率的计算公式为：K
i
＝α
i
*P
i
；式中，K
i
表征为第i个历史局放故障的区间故障率，i为计量常数。4.根据权利要求3所述的一种风电场集电线路电缆局放信号采集处理方法，其特征在于：所述利用分类算法基于故障信号特征和故障类型构建局放故障识别模型，包括：将故障信号特征和故障类型分别作为XGBoost算法的输入项和输出项，并将所述XGBoost算法基于所述输入项和输出项进行模型训练得到所述局放故障识别模型，所述局放故障识别模型的模型函数为：label＝XGBoost(S)；式中，label为故障类型的标识符，S为故障信号特征的标识符，XGBoost为XGBoost算法的标识符。5.根据权利要求4所述的一种风电场集电线路电缆局放信号采集处理方法，其特征在于：所述利用神经网络基于故障区间特征和区间故障率进行模型训练得到故障区间标定模型，包括：将故障区间特征作为CNN神经网络的输入项，以及将区间故障率作为CNN神经网络的输出项，并将所述CNN神经网络基于所述输入项和输出项进行模型训练得到所述故障区间标定模型，所述故障区间标定模型的模型函数为：K＝CNN(U)；式中，K为区间故障率的标识符，U为故障区间特征的标识符，CNN为CNN神经网络的标识符。6.根据权利要求5所述的一种风电场集电线路电缆局放信号采集处理方法，其特征在于：所述对待采集局放信号的风电场集电线路电缆进行区间划分得到一组采集区间，包括：设定采集区间的区间长度期望值，并基于区间长度期望值对历史局放故障进行区间长度离散度的构建，所述区间长度离散度的函数表达式为：式中，d
σ
表征为区间长度离散度，d
i
表征为第i个历史局放故障的区间长度，d
...

【专利技术属性】
技术研发人员：黄小舟，王树清，秦英武，隋秋楠，吴国学，田野，张立佳，曲曜声，石春阳，郝巍伟，王禹，
申请(专利权)人：通辽市青格洱新能源有限公司，
类型：发明
国别省市：