一种变电站设备局部放电定位系统及其方法与流程

本发明涉及电力系统输变电设备运行维护技术领域，具体涉及一种变电站设备局部放电定位系统及其方法。

背景技术：

电力工业中电气设备的故障隔离与供电区域健全的供电极为重要，因此对电力设备进行在线监测和安全预警，及时发现故障并采取措施消除隐患。绝缘劣化是导致变电站装置故障的重要原因之一，导致这一类故障的主要原因有接触不良、毛刺以及内部有杂质等。由于这类故障存在，设备在投入运行后就会发生局部放电，然后进一步劣化绝缘，恶性循环后就容易造成绝缘击穿，引发更大的事故。因此，局部放电位置的定位对于电力设备的安全运行至关重要。局部放电会产生光、热、超声波、化学反应以及特高频电磁波等。其中，特高频电磁波在抗干扰性、传播速度、灵敏度等方面均有优势。在变电站内安装一组传感器接收局部放电信号，然后对信号特征进行处理和分析，就可以得到局部放电的位置，实现变电站站域的局部放电定位。

目前研究较多的基于传感器阵列的定位算法利用与局部放电位置相关的参数，例如到达时间、到达时间差、到达角度以及接受信号强度等对局部放电进行定位。这三种方法都有着较高的精度，但是对于硬件、软件的要求较高，价格昂贵，且在实现上有一定的困难，容易造成较大的误差。

技术实现要素：

本发明的目的在于提供一种变电站设备局部放电定位系统及其方法，其基于RSSI指纹图谱技术，利用特高频信号作为特征量，结合神经网络算法和粒子群算法实现变电站设备局部放电定位，从而实现基于RSSI指纹图谱的局部放电定位。

为了达到上述目的，本发明通过以下技术方案实现：

一种变电站设备局部放电定位系统，其特征是，包含：

特高频传感器，设置在被测区域中，采集被测区域中局部放电产生的特高频信号；

数据分析与处理单元，其与所述的特高频传感器连接，根据特高频传感器采集到的特高频信号并结合相应位置坐标建立RSSI指纹图，运用BP神经网络算法进行布局放电定位。

一种变电站设备局部放电定位方法，其特征是，包含以下步骤：

S1、在局部放电被测区域中设置特高频传感器；

S2、特高频传感器采集被测区域中的特高频信号，获得测量数据；

S3、数据分析与处理单元根据测量数据建立RSSI指纹图；

S4、数据分析与处理单元运用BP神经网络算法进行布局放电定位。

上述的变电站设备局部放电定位方法，其中，所述步骤S2中的测量数据包含：

特高频信号及相应坐标。

上述的变电站设备局部放电定位方法，其中，所述的步骤S3具体包含：

数据分析与处理单元对测量数据进行高斯滤波，提取特高频信号波形的峰值作为测量点的RSSI值，并绘制出RSSI指纹图。

上述的变电站设备局部放电定位方法，其中，所述的步骤S4具体包含：

S41、离线阶段，利用步骤S3中获得的RSSI指纹图及步骤S2中测量得到的相应坐标训练得到可用的BP神经网络；

S42、在线阶段，将步骤S3中获得的RSSI指纹图输入训练好的BP神经网络，输出定位坐标。

本发明与现有技术相比具有以下优点：基于RSSI指纹图谱技术，利用特高频信号作为特征量，结合神经网络算法和粒子群算法实现变电站设备局部放电定位，从而实现基于RSSI指纹图谱的局部放电定位，该系统对于硬件的要求较小，易于实现，并且具有较高的精确度，降低了变电站局部放电定位的难度，有效提高了检测效率。

附图说明

图1为本发明的系统结构示意图；

图2为本发明的方法流程图；

图3为本发明的实施例中第一特高频传感器采集得到的RSSI指纹图建立结果；

图4本发明的实施例中第二特高频传感器采集得到的RSSI指纹图建立结果；

图5本发明的实施例中第三特高频传感器采集得到的RSSI指纹图建立结果；

图6本发明的实施例中第四特高频传感器采集得到的RSSI指纹图建立结果；

图7为本发明的实施例中的16点定位的测试验证情况示意图；

图8为图7的定位结果误差。

具体实施方式

以下结合附图，通过详细说明一个较佳的具体实施例，对本发明做进一步阐述。

如图1所示，一种变电站设备局部放电定位系统，其包含：多个特高频传感器，设置在被测区域中，采集被测区域中局部放电产生的特高频信号；数据分析与处理单元，其与所述的多台特高频传感器连接，根据多个特高频传感器采集到的特高频信号并结合相应坐标建立RSSI指纹图，运用BP神经网络算法进行布局放电定位。

如图2所示，一种变电站设备局部放电定位方法，其包含以下步骤：

S1、在局部放电被测区域中设置特高频传感器；最佳的，在被测场地均匀分布摆放多个特高频传感器，以提高放电定位的准确度；

S2、取得测量数据，包括特高频传感器采集的被测区域中的特高频信号，并通过卷尺测量获得相应的坐标；

S3、数据分析与处理单元根据测量数据建立RSSI指纹图，具体的对测量数据进行高斯滤波，提取特高频信号波形的峰值作为测量点的RSSI值，并绘制出RSSI指纹图；

S4、数据分析与处理单元运用BP神经网络算法进行布局放电定位。

所述的步骤S4具体包含：

S41、离线阶段，利用步骤S3建立得到的RSSI指纹图及步骤S2中的相应坐标训练得到可用的BP神经网络；

S42、在线阶段，将测得的RSSI指纹图输入训练好的BP神经网络，输出定位坐标。

本实施例中，被测区域为一个7m×8m的场地，所述的特高频传感器型号为JD-US03，数据分析与处理单元为Thinkpad x260，特高频传感器一共设置四台，分别为AP₁，AP₂，AP₃，AP₄。

本实施例中，使用标准局部放电源在各个测量点进行放电，利用四个特高频传感器进行局部放电特高频信号的采集，通过数据分析与处理单元分析得到四个传感器的RSSI指纹图，建立结果如图3～6所示；

应当注意的是，由于现场噪声和空间环境的影响，实际测量数据中必然会存在干扰脉冲，所以在对测量数据进行处理时首先进行高斯滤波，即抑制干扰脉冲的影响，具体方法是，在特高频传感器采集到局部放电产生的特高频信号后，对其进行数据处理得到可用的RSSI值，主要步骤为：利用matlab软件进行高斯滤波、峰值检测；

高斯分布概率密度函数表达式为：

$f\left(x\right)=\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}{e}^{-\frac{{(x-\mathrm{\μ})}^2}{2{\mathrm{\σ}}^2}}$

其中，μ代表均值，σ代表方差；

波形滤波后，再提取特高频信号波形的峰值，取其作为该测量点的RSSI值，由此绘制所述的RSSI指纹图；

接着，数据分析与处理单元使用matlab中的神经网络工具箱根据RSSI指纹图以及坐标位置执行基于BP神经网络的局部放电定位算法，该BP神经网络的局部放电定位算法包含离线阶段以及在线阶段：离线阶段利用指纹图及相应的测量的坐标对网络进行训练，得到可用的BP神经网络；在线阶段将测得的指纹输入训练好的BP神经网络，输出定位坐标。

RSSI指纹定位法本质上是一种模式识别方法，BP神经网络作为一种多层前馈神经网络，较为适合模式识别，BP神经网络由输入层、隐含层以及输出层构成，本实施例中，由于每一个参考点有4个RSSI值，因此输入层有4个神经元；输出的是放电源坐标(x，y)，所以输出层有两个神经元。

进一步，采用以下测试方案检测定位结果的准确度：在每个测量点使用标准局部放电源进行1次局部放电，将测得的RSSI指纹分别输入BP神经网络中，重复计算20次，记下输出的定位结果，其中16个测试点的定位情况如图7所示，定位结果如图8中表格所示，可见，上述基于RSSI指纹法的局部放电定位算法具有精度高和稳定性好的特点。

综上所述，本发明提出的变电站局部放电定位系统基于RSSI指纹技术，在建立待测区域的局部放电特高频信号RSSI指纹图后，采用BP神经网络算法进行局部放电定位，可以对电气设备故障能够进行有效诊断，与传统时延法为基础的局部放电定位方法相比，显著的减小了系统硬件的成本，有利于实际推广并促进了局部放电检测和定位技术的进一步发展。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。