一种电气设备放电故障类型识别方法技术

本发明专利技术提出一种电气设备放电故障类型识别方法，包括，收集设备故障数据集，对所述设备故障数据集进行预处理，得到训练数据集；构建放电故障识别模型；根据所述训练数据集对所述放电故障识别模型进行训练；获取待识别设备故障，通过训练完成的放电故障识别模型对所述待识别设备故障进行识别

【技术实现步骤摘要】
一种电气设备放电故障类型识别方法


[0001]本专利技术属于机器学习领域
。

技术介绍

[0002]六氟化硫（）因其优良的绝缘
、
散热和灭弧性能而广泛应用于电气设备中
。
由于制造过程中存在细微的绝缘缺陷，电气设备在运行过程中会产生放电故障，导致分解为硫氟化合物，这会引起电气绝缘性能降低，造成电气设备的损坏，甚至威胁到整个电力系统的稳定安全运行
。
虽然是无毒的，但的部分分解产物是有毒的，会对环境保护造成威胁
。
由于电气设备的结构复杂性和放电故障类型多样等诸多因素，这些内部缺陷一般难以识别，因此电气设备需要一种有效的放电故障预诊断方法来识别绝缘缺陷
。
分解产物如
、、、
能有效反映放电故障的严重程度和绝缘缺陷的类型，许多检测技术如气相色谱法
、
气体检测法
、
电化学方法和光谱方法等已得到了实际应用
。
由于分解产物与放电故障之间关系复杂，基于单个分解产物分类规划的放电故障分析方法（
DCA
）难以精确识别放电故障中的绝缘缺陷类别
。
[0003]采用机器学习算法是以放电故障的严重程度和绝缘缺陷类别为目标，可以在数据场中明确不同故障类型的数值边界，对电气设备的绝缘缺陷类别判定及设备维护具有重要意义
。
现有技术1使用自适应模糊神经推理系统，将分解产物按照局部放电（
Partial Discharge,PD<br/>）范围的不同进行分类，可以准确识别不同电气设备放电故障类型，
PD
范围也可表征不同的绝缘缺陷类别
。
现有技术2总结了
、、
三组特征参数的物理意义，这些特征参数适用于
PD
的绝缘故障类型检测
。
现有技术3通过测试
、
浓度比来区分电晕放电和火花放电，得到电晕放电的
()/()
浓度比一般在
0~1
之间，火花放电浓度比一般在
1~5
之间
。
机器学习算法虽然在电气设备放电故障识别中可以得到故障数据边界范围，但大多数机器学习数据仅限单一故障实验结果，还缺乏基于各种环境数据的识别模型和优化算法
。
放电故障中由于多种绝缘缺陷共存，缺乏识别模型，很难得出一个普遍适用于电气设备的放电故障综合识别方法
。

技术实现思路

[0004]本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一
。
[0005]为此，本专利技术的目的在于提出一种电气设备放电故障类型识别方法，用于放电故障综合识别
。
[0006]为达上述目的，本专利技术第一方面实施例提出了一种电气设备放电故障类型识别方法，包括：收集设备故障数据集，对所述设备故障数据集进行预处理，得到训练数据集；
构建放电故障识别模型；根据所述训练数据集对所述放电故障识别模型进行训练；获取待识别设备故障，通过训练完成的放电故障识别模型对所述待识别设备故障进行识别
。
[0007]另外，根据本专利技术上述实施例的一种电气设备放电故障类型识别方法还可以具有以下附加的技术特征：进一步地，在本专利技术的一个实施例中，所述收集设备故障数据集，包括：采用红外吸收光谱法和气相色谱法对
GIS
设备中的分解分量数据进行分析，选取故障发生后
24~72h
内每
12h
记录的数据作为设备故障数据集
。
[0008]进一步地，在本专利技术的一个实施例中，所述构建放电故障识别模型，包括：构建基于统计点分析和化学反应的阿伦尼乌斯模型，并通过经验概率函数为数据赋予不同权重
。
[0009]进一步地，在本专利技术的一个实施例中，所述根据所述训练数据集对所述放电故障识别模型进行训练，包括：通过
k
近邻算法对所述放电故障识别模型进行训练，采用等高线来表示训练结果
。
[0010]为达上述目的，本专利技术第二方面实施例提出了一种电气设备放电故障类型识别装置，包括以下模块：获取模块，用于收集设备故障数据集，对所述设备故障数据集进行预处理，得到训练数据集；构建模块，用于构建放电故障识别模型；训练模块，用于根据所述训练数据集对所述放电故障识别模型进行训练；识别模块，用于获取待识别设备故障，通过训练完成的放电故障识别模型对所述待识别设备故障进行识别
。
[0011]进一步地，在本专利技术的一个实施例中，所述获取模块，还用于：采用红外吸收光谱法和气相色谱法对
GIS
设备中的分解分量数据进行分析，选取故障发生后
24~72h
内每
12h
记录的数据作为设备故障数据集
。
[0012]进一步地，在本专利技术的一个实施例中，所述构建模块，还用于：构建基于统计点分析和化学反应的阿伦尼乌斯模型，并通过经验概率函数为数据赋予不同权重
。
[0013]进一步地，在本专利技术的一个实施例中，所述训练模块，还用于：通过
k
近邻算法对所述放电故障识别模型进行训练，采用等高线来表示训练结果
。
[0014]为达上述目的，本专利技术第三方面实施例提出了一种计算机设备，其特征在于，包括存储器
、
处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上所述的一种电气设备放电故障类型识别方法
。
[0015]为达上述目的，本专利技术第四方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述的一种电气设备放电故障类型识别方法
。
[0016]本专利技术实施例提出的电气设备放电故障类型识别方法，以电气设备四种主要绝缘
缺陷（颗粒物
、
污染物
、
间隙
、
突出物）所导致三种严重程度的故障放电（电晕
、
火花
、
电弧）为研究对象，提出一种基于分解产物分类规划的放电故障综合识别方法，可以快速诊断故障放电的原因和状态，实现电气设备放电故障的快速处理
。
附图说明
[0017]本专利技术上述的和
/
或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：图1为本专利技术实施例所提供的一种电气设备放电故障类型识别方法的流程示意图
。
[0018]图2为本专利技术实施例所提供的一种的分解产物图
。
[0019]图3为本专利技术实施例所提供的一种经验概率函数用于调整原标签
3、2、1
三种放电类型的变化曲线示意图
。
[0020]图4为本专利技术实施例所提供的一种电气设备放电故障类型识别装置示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种电气设备放电故障类型识别方法，其特征在于，包括以下步骤：收集设备故障数据集，对所述设备故障数据集进行预处理，得到训练数据集；构建放电故障识别模型；根据所述训练数据集对所述放电故障识别模型进行训练；获取待识别设备故障，通过训练完成的放电故障识别模型对所述待识别设备故障进行识别
。2.
根据权利要求1所述的方法，其特征在于，所述收集设备故障数据集，包括：采用红外吸收光谱法和气相色谱法对
GIS
设备中的分解分量数据进行分析，选取故障发生后
24~72h
内每
12h
记录的数据作为设备故障数据集
。3.
根据权利要求1所述的方法，其特征在于，所述构建放电故障识别模型，包括：构建基于统计点分析和化学反应的阿伦尼乌斯模型，并通过经验概率函数为数据赋予不同权重
。4.
根据权利要求1所述的方法，其特征在于，所述根据所述训练数据集对所述放电故障识别模型进行训练，包括：通过
k
近邻算法对所述放电故障识别模型进行训练，采用等高线来表示训练结果
。5.
一种电气设备放电故障类型识别装置，其特征在于，包括以下模块：获取模块，用于收集设备故障数据集，对所述设备故障数据集进行预处理，得到训练数据集；构建模块，用于构建放电故障识别模型；训练模块，用于根据所述训练数据...

【专利技术属性】
技术研发人员：杨沛豪，兀鹏越，王小辉，李耀亮，潘喜良，李阳，寇水潮，郑昀，庞顺，梁舒婷，蒋金容，李红霞，游联欢，李腾旭，詹新民，林辉容，汤凌晓，许礼意，
申请(专利权)人：华能罗源发电有限责任公司，
类型：发明
国别省市：