一种基于模式识别的局部放电定位方法和系统与流程

本发明涉及电力设备监控领域，尤其涉及一种局部放电定位方法和系统。
背景技术：
：在电力工业中，对电力设备进行在线监测和安全预警可以及时发现电力故障，提高检修效率，有效避免重大事故的发生。在电力系统的故障中，电力设备绝缘劣化是故障的主要原因之一。在电力设备投入运行后，绝缘劣化的存在往往会导致局部放电(partialdischarge，pd)的发生，而局部放电反过来会加剧绝缘劣化的程度，甚至会导致绝缘击穿，形成恶性循环，进而导致重大事故的发生。因此，对电力设备的局部放电的放电源位置进行定位，可以及时地发现电力设备的故障位置，提高检修的效率，有效避免重大事故的发生，并且可以有效节约人力成本。现有的局部放电定位方法主要是基于测距(range-based)定位法，该方法基于测距来进行定位，主要包括基于到达时间(toa)的定位法、基于到达时间差(tdos)的定位法、基于到达角度(aoa)的定位法以及阴影(shadowing)模型定位法等。toa、tdos以及aoa在实现上具有一定的难度，并且成本较高，此外还容易受到非视距的影响，因此应用上有困难，不适合用于局部放电定位。阴影模型定位法通过测量信号强度的大小进行测距，进而实现定位，易于实现。但是由于变电站的环境较为复杂，因此阴影模型的测距并不准确，也不适合用于局部放电定位。因此，需要提出一种局部放电定位方法，该方法能更准确地对局部放电的放电源位置进行定位，且易于实现。技术实现要素：本发明的目的之一是提供一种基于模式识别的局部放电定位方法，其能更准确地对局部放电的放电源位置进行定位，且易于实现。基于上述目的，本发明提供了一种基于模式识别的局部放电定位方法，其包括步骤：(1)采集放电源位置已知的若干局部放电信号并相应提取若干第一信号特征；(2)建立局部放电特征信息库，其包括所述若干第一信号特征和相应的放电源位置；(3)采集待确定放电源位置的局部放电信号并相应提取第二信号特征；(4)基于所述局部放电特征信息库，将所述第二信号特征与所述若干第一信号特征进行基于模式识别的匹配，以找到最接近所述第二信号特征的第一信号特征，并将该第一信号特征对应的放电源位置作为所述第二信号特征的放电源位置。本发明所述的基于模式识别的局部放电定位方法，其采用与现有技术中的基于测距的定位方法完全不同的构思，即首先模拟现场环境或者直接在现场通过测量位置已知的模拟局部放电源的局部放电信号并提取信号特征，建立被测区域的局部放电特征信息库，该特征信息库通常需要尽可能多和细地覆盖实际中可能存在的局部放电特征信息，包括信号特征和相应的放电源位置，因此可以较好地刻画被测区域的信号传播特性，从而在一定程度上克服了复杂的环境对于定位的影响；然后采用与前述测量相同的工具和参数，例如相同型号和位置的传感器，测量实际产生的局部放电信号并提取其信号特征；最后基于模式识别从特征信息库中找到一个与实际产生的局部放电信号的信号特征最接近的信号特征，将该最接近的信号特征对应的放电源位置作为实际产生的局部放电信号的放电源位置。所述模式识别可以理解为一种类似分类过程的匹配算法。由于本发明方法考虑了实际现场环境，因此能更准确地对局部放电的放电源位置进行定位。本发明方法只需测量模拟信号和实际信号，然后基于模式识别匹配，因此易于实现。进一步地，本发明所述的基于模式识别的局部放电定位方法中，所述信号特征包括信号强度特征。更进一步地，上述基于模式识别的局部放电定位方法中，通过固定位于不同位置的若干传感器采集局部放电信号。更进一步地，上述基于模式识别的局部放电定位方法中，所述若干传感器为特高频传感器。更进一步地，上述基于模式识别的局部放电定位方法中，所述若干传感器的数量为四个。进一步地，本发明所述的基于模式识别的局部放电定位方法中，所述模式识别包括基于bp神经网络的模式识别和基于knn算法的模式识别的至少其中之一。更进一步地，上述基于模式识别的局部放电定位方法中，所述模式识别为基于bp神经网络的模式识别，其中bp神经网络的输入层的神经元个数为4，输出层的神经元个数为2。模式识别的方法有很多，例如bp神经网络、knn(k-近邻)等。其中，bp神经网络是非常适合模式识别的，它包括输入层、隐含层和输出层，是一个多层前馈神经网络。在使用4个传感器时，输入层的神经元个数相应为4个。神经网络输出的是定位坐标，因此输出层神经元个数为2个。更进一步地，上述基于模式识别的局部放电定位方法中，所述bp神经网络的隐含层的神经元个数为15。上述方案中，通常通过实验来选取最优的隐含层的神经元个数。本发明的另一目的是提供一种基于模式识别的局部放电定位系统，其能更准确地对局部放电的放电源位置进行定位，且易于实现。基于上述目的，本发明提供了一种采用上述方法对局部放电进行定位的基于模式识别的局部放电定位系统，所述系统包括相互连接的传感器和数据处理与分析单元，其中：所述传感器采集放电源位置已知的若干局部放电信号，所述数据处理与分析单元相应提取若干第一信号特征；在所述数据处理与分析单元中建立局部放电特征信息库，其包括所述若干第一信号特征和相应的放电源位置；所述传感器采集待确定放电源位置的局部放电信号，所述数据处理与分析单元相应提取第二信号特征；所述数据处理与分析单元基于所述局部放电特征信息库，将所述第二信号特征与所述若干第一信号特征进行基于模式识别的匹配，以找到最接近所述第二信号特征的第一信号特征，并将该第一信号特征对应的放电源位置作为所述第二信号特征的放电源位置。本发明所述的基于模式识别的局部放电定位系统，由于其采用了本发明所述的方法，同样能更准确地对局部放电的放电源位置进行定位，且易于实现。具体原理前已描述，在此不再赘述。本发明所述的基于模式识别的局部放电定位方法，其具有以下优点和有益效果：1)更准确地对局部放电的放电源位置进行定位，且易于实现。2)硬件资源消耗较小，具有较高的精确度。3)有效地提高了变电站局部放电定位的效率，同时便于推广到其他电气设备，具有较好的可扩展性。4)可以及时地发现电力设备的故障位置，提高检修的效率，有效避免重大事故的发生，并且可以有效节约人力成本。5)具有较好的应用前景。本发明所述的基于模式识别的局部放电定位系统，其同样具有上述优点和有益效果。附图说明图1为本发明所述的基于模式识别的局部放电定位方法在一种实施方式下的流程示意图。图2为传感器接收局部放电源信号的示意图。图3为本发明所述的基于模式识别的局部放电定位方法在一种实施方式下的bp神经网络的结构。图4为本发明所述的基于模式识别的局部放电定位系统在一种实施方式下的工作流程示意图。图5为本发明验证实例中的传感器测量到的一组局部放电波形。图6为本发明验证实例中的试验结果的累积密度(cdf)函数曲线图。图7为本发明验证实例中的基于bp神经网络的模式识别定位结果的平面图。具体实施方式下面结合说明书附图及实施例进一步说明本发明所述的技术方案。图1示意了本发明所述的基于模式识别的局部放电定位方法在一种实施方式下的流程。如图1所示，本实施方式的基于模式识别的局部放电定位方法包括步骤：(1)采集放电源位置已知的若干局部放电信号并相应提取若干第一信号特征。(2)建立局部放电特征信息库，其包括若干第一信号特征和相应的放电源位置。上述步骤(1)和步骤(2)举例来说，使用模拟局部放电源a在被测区域的若干已知位置点进行局部放电，如图2所示，4个传感器ap1、ap2、ap3、ap4接收到来自模拟局部放电源a的一组模拟局部放电信号。通过数据处理，得到一组模拟局部放电信号的信号特征(例如信号强度)，即上述第一信号特征，记录下来，并记录相应的模拟局部放电源a的位置坐标。通过这种方式，建立被测区域的特征信息库。这个特征信息库可以较好地刻画被测区域的信号传播特性，因而在一定程度上克服了复杂的环境对于定位的影响。(3)采集待确定放电源位置的局部放电信号并相应提取第二信号特征。(4)基于局部放电特征信息库，将第二信号特征与若干第一信号特征进行基于模式识别的匹配，以找到最接近第二信号特征的第一信号特征，并将该第一信号特征对应的放电源位置作为第二信号特征的放电源位置。上述步骤(3)和步骤(4)举例来说，当局部放电真实发生时，4个传感器接收到真实局部放电信号，经过数据处理，得到了一组真实局部放电信号的信号特征，即上述第二信号特征。然后将这个信号特征输入到之前建立的特征信息库中，进行模式识别，匹配到的特征信息库中最相近的一组信号特征所对应的位置坐标作为真实局部放电源的位置坐标，定位完成。在某些实施方式下，信号特征包括信号强度特征。在某些实施方式下，通过固定位于不同位置的若干传感器采集局部放电信号。其中，若干传感器通常为特高频传感器，其数量通常为4个。在某些实施方式下，模式识别包括基于bp神经网络的模式识别和基于knn算法的模式识别的至少其中之一。其中，模式识别为基于bp神经网络的模式识别且传感器数量为4个时，通常bp神经网络的输入层的神经元个数为4，输出层的神经元个数为2，bp神经网络的隐含层的神经元个数优选为15。模式识别的方法有很多，例如bp神经网络、knn(k-近邻)等。其中，bp神经网络是非常适合模式识别的，它包括输入层、隐含层和输出层，是一个多层前馈神经网络。在使用4个传感器时，输入层的神经元个数相应为4个。神经网络输出的是定位坐标，因此输出层神经元个数为2个。通常通过实验来选取最优的隐含层的神经元个数。bp神经网络各层直接是通过函数链接的。可以设置如下：输入层和隐含层之间选用sigmoid函数，隐含层和输出层之间选用现行传输函数。训练目标设置为bp神经网络的输出与正确定位结果之间的误差。图3展示了本发明所述的基于模式识别的局部放电定位方法在一种实施方式下的所述bp神经网络的结构，其中4个传感器ap1、ap2、ap3、ap4对应输入层的4个神经元，位置坐标x、y对应输出层的2个神经元。本实施方式的基于模式识别的局部放电定位系统采用上述方法对局部放电进行定位，该系统包括相互连接的传感器和数据处理与分析单元，其中：传感器采集放电源位置已知的若干局部放电信号，数据处理与分析单元相应提取若干第一信号特征。在数据处理与分析单元中建立局部放电特征信息库，其包括若干第一信号特征和相应的放电源位置。传感器采集待确定放电源位置的局部放电信号，数据处理与分析单元相应提取第二信号特征。数据处理与分析单元基于局部放电特征信息库，将第二信号特征与若干第一信号特征进行基于模式识别的匹配，以找到最接近第二信号特征的第一信号特征，并将该第一信号特征对应的放电源位置作为第二信号特征的放电源位置。图4示意了本发明所述的基于模式识别的局部放电定位系统在一种实施方式下的工作流程。如图4所示，本发明所述的基于模式识别的局部放电定位系统在一种实施方式下的工作流程包括：步骤110：模拟局部放电：使用模拟局部放电源在被测区域的若干已知位置点进行局部放电。步骤120：传感器采集：传感器采集放电源位置已知的若干局部放电信号。步骤130：特征信息库建立：数据处理与分析单元相应提取若干第一信号特征。在数据处理与分析单元中建立局部放电特征信息库，其包括若干第一信号特征和相应的放电源位置。步骤140：局部放电源：局部放电源真实发生局部放电。步骤150：传感器采集：传感器采集待确定放电源位置的局部放电信号。步骤160：特征信息：数据处理与分析单元相应提取第二信号特征。步骤170：模式识别：数据处理与分析单元基于局部放电特征信息库，将第二信号特征与若干第一信号特征进行基于模式识别的匹配，以找到最接近第二信号特征的第一信号特征。步骤180：定位结果：将该第一信号特征对应的放电源位置作为第二信号特征的放电源位置。下面通过一个具体实例验证本发明，该实例采用上述方法和系统对局部放电进行定位。在高压实验大厅中选定一个6m×6m的方形区域作为试验区域。在方形区域的四个角分别摆放一个传感器。在区域内进行网格划分，网格边长为1m，在每个网格线交叉点上都设定一个测量点，因此一共有7×7＝49个测量点。然后在所有的测量点处用模拟的局部放电源进行放电，记录4个传感器测量到的局部放电波形，图5展示了其中一组波形，其中4个传感器ap1、ap2、ap3、ap4分别测得对应波形1、波形2、波形3、波形4，波形的横坐标为时间，纵坐标为电压。通过数据处理，得到一组局部放电信号强度值。由此建立被测区域的特征信息库。建库完成后，在区域内随机选择一些点，使用模拟的局部放电源进行放电，记录传感器接收到的局部放电强度值，输入到特征信息库中进行模式识别，得到定位结果。为了更好地验证算法的有效性，在每一个测量点都进行放电源定位的测试。基于bp神经网络、knn的模式识别定位方法以及基于阴影模型的定位方法均被使用，以进行算法的比较。试验结果如表1所示，试验结果的累积密度(cdf，无单位)函数曲线如图6所示，其中曲线d对应基于bp神经网络的模式识别定位误差，曲线e对应基于knn算法的模式识别定位误差，曲线f对应基于阴影模型的定位误差。从结果中可以看出，基于bp神经网络的模式识别定位平均误差为0.58m，80.8％的误差可以小于1m，性能优良。而模式识别算法选用knn算法时，平均定位误差为1.41m，40.3％的误差小于1m，性能弱于bp神经网络。基于阴影模型的定位平均定位误差达到了5.21m，只有2.4％的误差是小于1m的，定位性能与基于bp神经网络模式识别和knn算法模式识别的局部放电定位法相比相差很大。为了直观地展示本发明定位算法的效果，选取了测量区域中的16个测量点的基于bp神经网络的模式识别定位结果，这些定位结果的平面图如图7所示，其中星号标记b代表准确位置，圆圈标记c代表定位位置，位置坐标x和y的单位为米(m)。从图7可以看出，本发明提出的基于模式识别的局部放电定位法效果良好，可以较为准确地定位放电源的位置。表1.定位结果bp神经网络knn阴影模型平均定位误差(m)0.581.415.21误差小于0.5m百分比(％)45.1120.6误差小于1m百分比(％)80.840.32.4误差小于2m百分比(％)92.876.87.2最大误差(m)2.815.7311.79实践证明，本发明提出的局部放电定位方法和系统基于模式识别技术，在待检测区域建立局部放电强度信息库后，采用模式识别算法进行局部放电定位，可以及时地发现电力设备的故障位置，提高检修的效率，有效避免重大事故的发生，并且可以有效节约人力成本。便于推广到其他电气设备，具有较好的可扩展性。上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。当前第1页12