基于最优等级数的多维特征量开关柜健康状态评价方法
发布时间：2021-11-03 07:58
为更加客观准确地依据带电检测数据对开关柜的健康状态进行评价,提出了一种基于最优等级数的多维特征量开关柜健康状态评价方法。首先,基于局部放电数据的波动特性,引入波动程度指标,构建局部放电多维特征数据库,充分挖掘局部放电数据特征;然后通过K均值聚类评价算法中不同簇的误差平方和确定最优簇的个数K即评价等级数,解决评价等级数的主观设定问题,并基于该最优等级数对开关柜局部放电健康状态进行聚类分析;最后采用t分布随机近邻嵌入降维算法实现了高维度数据聚类的可视化。通过现场带电检测数据验证了算法的可行性,与传统方法对比,该文所提方法有效地将开关柜健康状态分类的准确率提高了10.9%,为开关柜运维检修中健康状态的评估提供了一定的理论依据。
【文章来源】：高电压技术. 2020,46(11)北大核心EICSCD
【文章页数】：9 页
【部分图文】：
局部放电的检测技术机理Fig.1Mechanismofpartialdischargedetection
3936高电压技术2020,46(11)图1局部放电的检测技术机理Fig.1Mechanismofpartialdischargedetection图2健康状态评价流程图Fig.2Healthconditionassessmentflowchart2基于波动性指标的开关柜局放多维特征量数据库2.1减少背景干扰在日常巡检中检测开关柜柜体6个测量点的TEV幅值和超声波幅值数据，建立如下的数据集：1）建立开关柜TEV幅值数据集(k)iP{}()()()12,,,kkkkinP=pppL（），(k)ip为带电检测中第k台开关柜第i(i=1,2,L,n)个测量点的TEV幅值，n为所检测第k台开关柜的测量点个数。2）建立开关柜超声波幅值数据集(k)iQ{}()()()12,,,kkkkinQ=qqqL（），(k)iq为带电检测中第k台开关柜第i(i=1,2,L,n)个测量点的超声波幅值。对检测数据分别计算TEV幅值和超声波幅值相对于背景值的偏差量，以减少背景值带来的影响，其计算式如下：()()()()=100%kkkiikpTxT×(1)()()()()=100%kkkiikqSyS×(2)式中：(k)ix、(k)iy表示第k台开关柜TEV、超声波所计算出的TEV和超声波的幅值偏差量；T(k)、(k)S分别表示第k台开关柜TEV、超声波背景值。据此分别建立新的kiX（）、kiY（）数据集：{}()()()12,,,kkkkinX=xxxL（），{}()()()12,,,kkkkinY=yyyL（）。为克服数据中含有负数或零带来的数据爆炸问题——稳定度分子不能为零。本文对偏差量引入惩罚项，使得整体的数据全部?
杨帆，邓一帆，李东东，等：基于最优等级数的多维特征量开关柜健康状态评价方法3939针对开关柜的带电检测数据进行波动性处理，处理后的TEV和超声的变异系数、平均距离百分比以及稳定度数据点线图如图3、4所示。对处理后的数据进行标准化处理，构建出开关柜的多维特征数据库。采用K均值聚类算法对开关柜多维特征数据库进行聚类划分，不同K值下聚类的SSE折线关系如图5所示。将平均SSE与K值进行bax非线性函数拟合，拟合后的函数为1.1861f(x)6.142x=。令x=K，计算各K值下的曲率，计算后的曲率如表1所示。当K=3时，此时曲率值为最大，即最佳等级数为3。结合图5对其进行分析，当K=2时，此时的SSE即簇内误差平方和的值比较大。实际健康状况的评估过程中，当簇的个数取2时，代表开关柜的健康运行状态将会分为两类，缺乏更为细致的分类使得运维人员难以对开关柜进行良好的决策；当K=4时，尽管也处于肘部，但其评价结果个数如表2所示。此时，健康状态的等级由1到4即状态由好到坏的个数依次为27、26、17、7，结果为良好的状态过少，该方案的结果并不符合实际状态检修要求。此时出现过度划分等级，并不能清晰地给出合理的开关柜健康状态评价结果。根据所选最优K值，进行迭代计算，迭代聚类中心点如表3所示，不同聚类中心点对应着开关柜的不同健康等级。根据国家电网《高压开关柜局部图3TEV检测数据的变异系数、平均距离百分比以及稳定度Fig.3Variationcoefficient,averagedistancepercentage,andstabilitycoefficientofTEVdetectiondata图4超声检测数据的预变异系数、平均距离百分比以及稳定度Fig.4Variationcoefficie
【参考文献】：
期刊论文
[1]高压直流接地极对埋地油气管道腐蚀影响的等效电流研究[J]. 白锋,李雄,曹方圆. 电网技术. 2019(05)
[2]人工智能驱动的数据分析技术在电力变压器状态检修中的应用综述[J]. 刘云鹏,许自强,李刚,夏彦卫,高树国. 高电压技术. 2019(02)
[3]基于聚类分析和决策树的“一库多级”水电站日调度方法[J]. 申建建,张楠男,程春田,张聪通. 中国电机工程学报. 2019(03)
[4]基于邻域粗糙集与多核支持向量机的变压器多级故障诊断[J]. 李春茂,周妺末,刘亚婕,高波,吴广宁. 高电压技术. 2018(11)
[5]基于正态云模型和D-S证据理论的开关柜运行状态综合评估[J]. 贾亚楠,刘东明,随慧斌. 高压电器. 2017(09)
[6]基于多源信息融合的配电真空开关柜动态状态评价研究[J]. 亢超群,李二霞,盛万兴,张建华,常方圆,程序. 高压电器. 2017(03)
[7]基于Ansys仿真的开关柜局部放电研究[J]. 苏海博,普美娜,朱兆芳,易满成,李刚,杨爱军. 高压电器. 2017(02)
[8]基于FCM算法的高压开关柜局部放电状态评价方法研究[J]. 谢静,束洪春,王科,宋琪. 高压电器. 2015(10)
[9]基于改进拉普拉斯分值的开关柜故障特征选择和诊断方法[J]. 周念成,周川,王强钢,张静,李题印. 电网技术. 2015(03)
[10]基于模糊分层理论的高压开关柜状态评估算法[J]. 谢静,束洪春,王科,彭晶,向恩新. 高电压技术. 2014(10)
本文编号：3473330
【文章来源】：高电压技术. 2020,46(11)北大核心EICSCD
【文章页数】：9 页
【部分图文】：
局部放电的检测技术机理Fig.1Mechanismofpartialdischargedetection
3936高电压技术2020,46(11)图1局部放电的检测技术机理Fig.1Mechanismofpartialdischargedetection图2健康状态评价流程图Fig.2Healthconditionassessmentflowchart2基于波动性指标的开关柜局放多维特征量数据库2.1减少背景干扰在日常巡检中检测开关柜柜体6个测量点的TEV幅值和超声波幅值数据，建立如下的数据集：1）建立开关柜TEV幅值数据集(k)iP{}()()()12,,,kkkkinP=pppL（），(k)ip为带电检测中第k台开关柜第i(i=1,2,L,n)个测量点的TEV幅值，n为所检测第k台开关柜的测量点个数。2）建立开关柜超声波幅值数据集(k)iQ{}()()()12,,,kkkkinQ=qqqL（），(k)iq为带电检测中第k台开关柜第i(i=1,2,L,n)个测量点的超声波幅值。对检测数据分别计算TEV幅值和超声波幅值相对于背景值的偏差量，以减少背景值带来的影响，其计算式如下：()()()()=100%kkkiikpTxT×(1)()()()()=100%kkkiikqSyS×(2)式中：(k)ix、(k)iy表示第k台开关柜TEV、超声波所计算出的TEV和超声波的幅值偏差量；T(k)、(k)S分别表示第k台开关柜TEV、超声波背景值。据此分别建立新的kiX（）、kiY（）数据集：{}()()()12,,,kkkkinX=xxxL（），{}()()()12,,,kkkkinY=yyyL（）。为克服数据中含有负数或零带来的数据爆炸问题——稳定度分子不能为零。本文对偏差量引入惩罚项，使得整体的数据全部?
杨帆，邓一帆，李东东，等：基于最优等级数的多维特征量开关柜健康状态评价方法3939针对开关柜的带电检测数据进行波动性处理，处理后的TEV和超声的变异系数、平均距离百分比以及稳定度数据点线图如图3、4所示。对处理后的数据进行标准化处理，构建出开关柜的多维特征数据库。采用K均值聚类算法对开关柜多维特征数据库进行聚类划分，不同K值下聚类的SSE折线关系如图5所示。将平均SSE与K值进行bax非线性函数拟合，拟合后的函数为1.1861f(x)6.142x=。令x=K，计算各K值下的曲率，计算后的曲率如表1所示。当K=3时，此时曲率值为最大，即最佳等级数为3。结合图5对其进行分析，当K=2时，此时的SSE即簇内误差平方和的值比较大。实际健康状况的评估过程中，当簇的个数取2时，代表开关柜的健康运行状态将会分为两类，缺乏更为细致的分类使得运维人员难以对开关柜进行良好的决策；当K=4时，尽管也处于肘部，但其评价结果个数如表2所示。此时，健康状态的等级由1到4即状态由好到坏的个数依次为27、26、17、7，结果为良好的状态过少，该方案的结果并不符合实际状态检修要求。此时出现过度划分等级，并不能清晰地给出合理的开关柜健康状态评价结果。根据所选最优K值，进行迭代计算，迭代聚类中心点如表3所示，不同聚类中心点对应着开关柜的不同健康等级。根据国家电网《高压开关柜局部图3TEV检测数据的变异系数、平均距离百分比以及稳定度Fig.3Variationcoefficient,averagedistancepercentage,andstabilitycoefficientofTEVdetectiondata图4超声检测数据的预变异系数、平均距离百分比以及稳定度Fig.4Variationcoefficie
【参考文献】：
期刊论文
[1]高压直流接地极对埋地油气管道腐蚀影响的等效电流研究[J]. 白锋,李雄,曹方圆. 电网技术. 2019(05)
[2]人工智能驱动的数据分析技术在电力变压器状态检修中的应用综述[J]. 刘云鹏,许自强,李刚,夏彦卫,高树国. 高电压技术. 2019(02)
[3]基于聚类分析和决策树的“一库多级”水电站日调度方法[J]. 申建建,张楠男,程春田,张聪通. 中国电机工程学报. 2019(03)
[4]基于邻域粗糙集与多核支持向量机的变压器多级故障诊断[J]. 李春茂,周妺末,刘亚婕,高波,吴广宁. 高电压技术. 2018(11)
[5]基于正态云模型和D-S证据理论的开关柜运行状态综合评估[J]. 贾亚楠,刘东明,随慧斌. 高压电器. 2017(09)
[6]基于多源信息融合的配电真空开关柜动态状态评价研究[J]. 亢超群,李二霞,盛万兴,张建华,常方圆,程序. 高压电器. 2017(03)
[7]基于Ansys仿真的开关柜局部放电研究[J]. 苏海博,普美娜,朱兆芳,易满成,李刚,杨爱军. 高压电器. 2017(02)
[8]基于FCM算法的高压开关柜局部放电状态评价方法研究[J]. 谢静,束洪春,王科,宋琪. 高压电器. 2015(10)
[9]基于改进拉普拉斯分值的开关柜故障特征选择和诊断方法[J]. 周念成,周川,王强钢,张静,李题印. 电网技术. 2015(03)
[10]基于模糊分层理论的高压开关柜状态评估算法[J]. 谢静,束洪春,王科,彭晶,向恩新. 高电压技术. 2014(10)
本文编号：3473330
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3473330.html
