System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种高压电流互感器运行故障判别方法,属于电力设备监测。
技术介绍
1、电流互感器作为一次系统的测量元件,其稳定可靠运行是继电保护、测控、电能计量的重要保证。电流互感器运行过程中,受站内高温、低温、振动、电磁干扰及自身老化等因素影响,测量结果会发生偏移,性能会发生劣化甚至导致运行事故。
2、针对互感器等变电站测量设备的误差评估和检测,目前所采用的方法是标准设备比对校准的方法。因为标准设备对运行环境要求较高,与标准设备比对校准的方法需要定期在变电站停电条件下进行开展,因而无法及时检测出互感器状态,对电流互感器的误差、故障检测存在滞后性。
技术实现思路
1、为了克服上述问题,本专利技术提供一种高压电流互感器运行故障判别方法,该方法通过电流互感器的二次电流数据进行故障判别,可以实时在线检测电流互感器状态,提高了电流互感器检测的时效性,避免停机检测,降低了监测成本。
2、本专利技术的技术方案如下:
3、第一方面
4、一种高压电流互感器运行故障判别方法,包括以下步骤:
5、采集若干测量点全部电流互感器的故障类型和二次电流数据;
6、通过主成分分析法对所述二次电流数据进行分解,得到第一残差量;
7、根据所述二次电流数据计算得到第二残差量;
8、对所述第一残差量和所述第二残差量均进行残差分解、相关性分析和聚类分析,得到各故障类型对应的第一故障分量和第二故障分量;
9、对所述第一
10、通过所述二次电流数据a和各故障类型对应的特征得到电流互感器的特征向量;
11、通过图卷积神经网络构建电流互感器故障分类模型;
12、通过所述电流互感器故障分类模型对待评估互感器进行故障判断。
13、进一步的,采集若干测量点全部电流互感器的故障类型和二次电流数据具体为:
14、s1、获取测量点上所有电流互感器的状态类型;
15、s2、采集同一时刻该测量点上所有电流互感器的二次电流数据;
16、s3、重复步骤s2 n次。
17、进一步的,通过主成分分析法对所述二次电流数据进行分解,得到第一残差量,第一残差量为:
18、;
19、其中,为第 o台电流互感器第 n次采样时的二次电流数据。
20、进一步的,根据所述二次电流数据计算得到第二残差量,包括:
21、获取第 o台电流互感器的第二残差量:
22、;
23、其中,为第 o台电流互感器第 n次采样时的二次电流数据,为同测量点其余电流互感器的二次电流数据均值,计算如下:
24、;
25、其中, tb为同测量点电流互感器数量,为同测量点其余电流互感器中第 i个电流互感器的二次电流数据。
26、进一步的,对所述第一残差量和所述第二残差量均进行残差分解、相关性分析和聚类分析,得到各故障类型对应的第一故障分量和第二故障分量,包括:
27、对所述第一残差量和所述第二残差量分别进行memd分解:
28、;
29、;
30、其中,、分别为所述第一残量、所述第二残差量分解得到的第 l个第一残差分量和第二残差分量,、分别为所述第一残差量、所述第二残差量分解的剩余残量, l为残差分量的数量;
31、将所述电流互感器的二次电流数据与所述第一残差分量、所述第二残差分量进行相关性分析,得到相关性指标:
32、;
33、其中,为对第 o台电流互感器的二次电流数据与第 l个残差分量进行相关性分析,第 l个残差分量;
34、根据所述相关性指标构建特征向量:
35、;
36、通过聚类分析,得到所述第一残差分量与各故障类型相关的残差分量,并拼接,得到所述第一残差量与各类故障相关的第一故障分量:
37、;
38、其中,为拼接操作,为与该故障类型相关的第 l个第一残差分量, m为与该故障类型相关的第一残差分量数量;
39、通过聚类分析,得到所述第二残差分量与各故障类型相关的残差分量,并拼接,得到所述第二残差量与各类故障相关的第二故障分量。
40、进一步的,对所述第一故障分量和所述第二故障分量进行拼接,并通过cnn-lstm模型提取特征,得到各故障类型对应的特征,具体为:
41、对所述第一故障分量和所述第二故障分量进行拼接,得到融合分量 ft:
42、;
43、通过cnn-lstm对所述融合分量 ft进行特征提取,得到各故障类型的特征,分别为第 o个电流互感器的固定偏差故障特征、变比偏差故障特征、完全失效故障特征、漂移偏差故障特征、精度失真故障特征。
44、进一步的,通过所述二次电流数据a和各故障类型对应的特征得到电流互感器的特征向量,具体为:
45、通过所述二次电流数据a得到所述电流互感器的零序不平衡度和负序不平衡度:
46、;
47、其中,运算子,运算子,,,为三相电流,、、为对应的a相零序分量;
48、计算得到零序不平衡度 m1:
49、;
50、计算得到负序不平衡度 m2:
51、;
52、对所述零序不平衡度进行方差、均值、波形因子和排列熵的计算,得到零序不平衡特征:
53、方差:
54、;
55、其中,为所述电流互感器第 n次采集的二次电流数据计算得到的零序不平衡度;
56、均值:
57、;
58、波形因子:
59、;
60、排列熵:
61、;
62本文档来自技高网...
【技术保护点】
1.一种高压电流互感器运行故障判别方法,其特征在于,包括以下步骤:
2.根据权利要求1所述高压电流互感器运行故障判别方法,其特征在于,采集若干测量点全部电流互感器的故障类型和二次电流数据具体为:
3.根据权利要求2所述高压电流互感器运行故障判别方法,其特征在于,通过主成分分析法对所述二次电流数据进行分解,得到第一残差量,第一残差量为:
4.根据权利要求3所述高压电流互感器运行故障判别方法,其特征在于,根据所述二次电流数据计算得到第二残差量,包括:
5.根据权利要求4所述高压电流互感器运行故障判别方法,其特征在于,对所述第一残差量和所述第二残差量均进行残差分解、相关性分析和聚类分析,得到各故障类型对应的第一故障分量和第二故障分量,包括:
6.根据权利要求5所述高压电流互感器运行故障判别方法,其特征在于,对所述第一故障分量和所述第二故障分量进行拼接,并通过CNN-LSTM模型提取特征,得到各故障类型对应的特征,具体为:
7.根据权利要求6所述高压电流互感器运行故障判别方法,其特征在于,通过所述二次电流数据A和各故
8.根据权利要求7所述高压电流互感器运行故障判别方法,其特征在于,通过图卷积神经网络构建电流互感器故障分类模型,包括:
9.根据权利要求8所述高压电流互感器运行故障判别方法,其特征在于,根据特征向量构建图结构数据G=(V,E),其中,V为节点集合,;为相邻节点相连的边集合;
10.一种存储介质,其特征在于,其中存储的计算机程序在被运行时,实现如权利要求1-9任一所述的高压电流互感器运行故障判别方法,对输入的数据源进行处理,实现对电流互感器故障类型的判断。
...【技术特征摘要】
1.一种高压电流互感器运行故障判别方法,其特征在于,包括以下步骤:
2.根据权利要求1所述高压电流互感器运行故障判别方法,其特征在于,采集若干测量点全部电流互感器的故障类型和二次电流数据具体为:
3.根据权利要求2所述高压电流互感器运行故障判别方法,其特征在于,通过主成分分析法对所述二次电流数据进行分解,得到第一残差量,第一残差量为:
4.根据权利要求3所述高压电流互感器运行故障判别方法,其特征在于,根据所述二次电流数据计算得到第二残差量,包括:
5.根据权利要求4所述高压电流互感器运行故障判别方法,其特征在于,对所述第一残差量和所述第二残差量均进行残差分解、相关性分析和聚类分析,得到各故障类型对应的第一故障分量和第二故障分量,包括:
6.根据权利要求5所述高压电流互感器运行故障判别方法,其特征在于,...
【专利技术属性】
技术研发人员:赖国书,黄春竹,黄天富,吴志武,张颖,王春光,黄汉斌,林彤尧,涂彦昭,伍翔,曹舒,陈适,郭银婷,王文静,陈子琳,童承鑫,林雨欣,
申请(专利权)人:国网福建省电力有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。