一种基于小波分析的气体分解物评估方法与流程

本发明属于故障诊断技术领域，具体涉及一种基于小波分析的气体分解物评估方法。

背景技术：

目前绝大多数电力设备都是sf6作为灭弧和绝缘介质的，在电力行业中具有非常重要的作用，sf6替代气体，对于缓解全球气候变暖问题、保证电力从业者的健康都有很积极的作用，具有极大的环境效益和社会效益。目前主要研究的sf6替代气体可以分为以下四种：常规气体(n2、air、co2等)、sf6混合气体(sf6+n2、sf6+cf4、sf6+o2等)、强电负性气体(cf3i、c-c4f8、c3f8等)及其混合气体、新型人工合成环保气体(c4f7n和c5f10o)及其混合气体等。

研究表明sf6或sf6替代气体分解组分与设备的绝缘特性存在一定联系，但是具体情况仍然未知，如何基于sf6或sf6替代气体分解组分进行设备绝缘特性评估仍然未知。因此，如何得到电力设备气体分解物评估方法及系统，从而应用于高压电力设备故障诊断，仍然是现有技术亟需解决的问题。

通过对采集的数据进行处理来诊断系统的运行状况属于基于信号处理的故障诊断方法，这种诊断方法不依赖被诊断对象的数学模型,对于那些难以建立解析数学模型的诊断对象是非常有用的。

用于信号处理的方法包括傅里叶变换、短时傅里叶变换、小波变换等方法。傅里叶变换一般应用于对平稳信号的处理，而铅电解运行过程中采集的数据一般为非平稳的、瞬时的。短时傅里叶变换虽然能将信号划分为小的时间段分析，但是短时傅里叶变换的窗函数一旦选定就不能变化，就不能满足不同频段局部化需求不同的要求。小波变换在时频域都能很好的展现信号局部特征的能力，因此将小波分析应用于电力设备气体分解物评估方法及系统。

技术实现要素：

本发明的目的是提供一种基于小波分析的气体分解物评估方法，解决了现有技术中存在的电力设备气体分解物评估方法局限性大的问题。

本发明所采用的技术方案是，一种基于小波分析的气体分解物评估方法，具体按照以下步骤实施：

步骤1、采集不同时刻的传感器检测得到的电力设备中的气体分解物的浓度信号并识别不同气体分解物，按照气体种类存储到数据库；

步骤2、利用小波包分析提取特征向量；

步骤3、将特征向量进行归一化得到归一化特征向量；

步骤4、利用bp神经网络进行状态评估及故障诊断。

本发明的特点还在于，

步骤1中传感器为亚微米级薄膜传感器。

步骤1需要识别的气体为sf6替代气体与含氟原子的分解产物以及包括co2、干燥空气、o2在内的背景气体的混合物，分别对不同气体分解物在不同时刻的传感器响应信号f(t)进行离散小波分解，获得小波系数wf(m,n)，表示如下：

wf(m,n)＝<f(t),ψm,n(t)>

其中，ψm,n(t)为小波基函数，m为小波分解层数，n即步骤1中气体分解物浓度信号的样本数目，而后根据不同气体种类对浓度变化不敏感的小波系数不同，有效区分不同气体分解物对应的气体种类。

步骤2具体如下：

选取步骤1中识别出的气体种类的浓度信号进行小波包分解，分别提取第n层从低频到高频2ⁿ个频带成份的信号特征，提取各频带范围的信号，求各频带信号的总能量enj，表示如下：

其中，snj为第n层从低频到高频2ⁿ个频带成份的系数构成的信号特征，xjk表示分解信号序列snj第k个离散点系数，n为小波包分解层数，m为分解信号序列snj的离散点的个数，

由于各频带内信号的能量不同，因此以能量为元素构造特征向量t，特征向量t表示为：

其中，即为j＝0～2ⁿ-1时的总能量enj。

步骤3具体如下：由于各频段能量差异较大，将特征向量t做归一化处理得到归一化特征向量t′，表示为：

其中，即为j＝0～2ⁿ-1时的总能量enj。

步骤4具体如下：将归一化特征向量t′作为神经网络输入，构造bp神经网络，利用归一化特征向量t′和行业内规定的电力运行状态和故障标准形成的训练样本集对构建的bp神经网络进行训练和网络自学习，使bp神经网络与行业内规定的电力运行状态和故障标准之间形成对应关系，进而评估出该气体分解物条件下对应的电力设备运行状态和故障。

步骤4中行业内规定的电力运行状态和故障标准如下：

状态一：电寿命是指在规定的接通和分断条件下，电器不需修理和不更换任何零部件所能承受的有载操作次数；

状态二：绝缘寿命即绝缘材料的使用寿命；

故障一：放电故障是由电应力作用而造成绝缘裂化；

故障二：过热故障是指空载损耗、负载损耗和杂散损耗转化为热量，当发热量大于预期值，散热量小于预期值时，发生过热现象。

本发明的有益效果是，基于分解产物分析的电气设备状态评估方法，利用数学方法分析特征产物，提取电气设备状态的特征量，实现状态评估。首先通过使用离散小波分解，根据小波系数有效识别不同气体分解物组分，将其分类。再使用zigbee无线通讯技术将其传输到mysql数据库中并存储。再使用基于小波包分析的频带能量特征提取方法提取特征向量，并进行归一化处理。最后使用bp神经网络算法评估设备的运行状态，诊断设备的故障。

附图说明

图1是根据本发明一个实施例的基于小波分析的气体分解物评估方法的步骤示意图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明一种基于小波分析的气体分解物评估方法，流程图如图1所示，具体按照以下步骤实施：

步骤1、采集不同时刻的传感器检测得到的电力设备中的气体分解物的浓度信号并识别不同气体分解物，按照气体种类存储到数据库；

步骤1中传感器为亚微米级薄膜传感器。

步骤1需要识别的气体为sf6替代气体与含氟原子的分解产物以及包括co2、干燥空气、o2在内的背景气体的混合物，分别对不同气体分解物在不同时刻的传感器响应信号f(t)进行离散小波分解，获得小波系数wf(m,n)，表示如下：

wf(m,n)＝<f(t),ψm,n(t)>

其中，ψm,n(t)为小波基函数，m为小波分解层数，n即步骤1中气体分解物浓度信号的样本数目，而后根据不同气体种类对浓度变化不敏感的小波系数不同，有效区分不同气体分解物对应的气体种类。

步骤2、利用小波包分析提取特征向量；

步骤2具体如下：

选取步骤1中识别出的气体种类的浓度信号进行小波包分解，分别提取第n层从低频到高频2ⁿ个频带成份的信号特征，提取各频带范围的信号，求各频带信号的总能量enj，表示如下：

其中，snj为第n层从低频到高频2ⁿ个频带成份的系数构成的信号特征，xjk表示分解信号序列snj第k个离散点系数，n为小波包分解层数，m为分解信号序列snj的离散点的个数，

由于各频带内信号的能量不同，因此以能量为元素构造特征向量t，特征向量t表示为：

其中，即为j＝0～2ⁿ-1时的总能量enj。

步骤3、将特征向量进行归一化得到归一化特征向量；

步骤3具体如下：由于各频段能量差异较大，将特征向量t做归一化处理得到归一化特征向量t′，表示为：

其中，即为j＝0～2ⁿ-1时的总能量enj。

步骤4、利用bp神经网络进行状态评估及故障诊断。

步骤4具体如下：将归一化特征向量t′作为神经网络输入，构造bp神经网络，利用归一化特征向量t′和行业内规定的电力运行状态和故障标准形成的训练样本集对构建的bp神经网络进行训练和网络自学习，使bp神经网络与行业内规定的电力运行状态和故障标准之间形成对应关系，进而评估出该气体分解物条件下对应的电力设备运行状态和故障。

步骤4中行业内规定的电力运行状态和故障标准如下：

状态一：电寿命是指在规定的接通和分断条件下，电器不需修理和不更换任何零部件所能承受的有载操作次数；

状态二：绝缘寿命即绝缘材料的使用寿命；

故障一：放电故障是由电应力作用而造成绝缘裂化；

故障二：过热故障是指空载损耗、负载损耗和杂散损耗转化为热量，当发热量大于预期值，散热量小于预期值时，发生过热现象。