本发明涉及局部放电诊断,具体涉及一种基于智能网关的开关设备局部放电诊断系统及方法。
背景技术:
1、高压开关设备是电力系统控制保护的关键元件,特别是配网开关柜设备量大面广、设备种类多且分散、造价低、可靠性差,同时配网运维力量薄弱,导致配网设备故障率高。
2、局部放电检测是高压开关设备绝缘监测和状态运维的一项重要核心手段,具有灵敏度高、时效性强的显著优点。由于成本限制,现有局部放电的在线检测技术难以直接推广应用至配电网开关设备,针对数量众多的电网开关类设备,电网企业投入大量人力财力采用带电巡检的方式开展运维。由于设备现场电磁干扰环境复杂,局部放电检测工作任务繁重、局放带电检测技术的门槛高,而且局部放电过程受设备运行环境、条件因素的影响很大,加之广大一线巡检人员水平限制,只能使用功能简单的巡检设备,造成现有带电巡检存在绝缘缺陷检出率低、投入产出比不佳的严重问题,而且对运检人员的人身生命安全也存在着较大的潜在风险。
技术实现思路
1、针对现有技术中的缺陷,本发明提供一种基于智能网关的开关设备局部放电诊断系统及方法。
2、第一方面,一种基于智能网关的开关设备局部放电诊断系统,包括:智能感知终端、智能网关以及远程监测终端,所述智能感知终端与智能网关无线连接,所述智能网关与远程监测终端无线连接;
3、所述智能感知终端采集开关设备的局放传感数据,所述局放传感数据包括局部放电的特征参量和图谱;
4、所述智能网关根据所述局放传感数据进行边缘计算,以对开关设备进行放电诊断并基于神经网络模型融合决策进行局部放电类型识别,将边缘计算结果进行数据存储和上传管理;
5、所述远程监测终端根据边缘计算识别结果进行局部放电报警提示。
6、进一步地,所述智能网关包括横向统计分析模块,所述横向统计分析模块具体用于:
7、获取实时局放传感数据,并根据所述实时局放传感数据获取同电压等级下每个开关设备的tev局部放电检测值;
8、根据所述tev局部放电检测值计算同电压等级下所有开关设备的tev局部放电平均水平;
9、基于所述tev局部放电平均水平分别分析每个开关设备偏离tev局部放电平均水平的程度;
10、根据所述偏离tev局部放电平均水平的程度进行放电诊断,并基于声电联合定位法识别发生局部放电的开关设备。
11、进一步地,所述智能网关还包括放电类型识别模块,所述放电类型识别模块具体用于:
12、获取历史局放信号,所述历史局放信号包括历史放电类型及对应的局放传感数据;
13、根据所述历史局放传感数据获取历史超声放电数据,根据所述历史超声放电数据基于bp神经网络模型进行模型训练,生成第一网络模型,并得到第一权重矩阵;
14、根据所述历史局放传感数据获取历史高频prpd图谱,根据所述历史高频prpd图谱基于卷积神经网络模型进行模型训练,生成第二网络模型,并得到第二权重矩阵;
15、根据所述历史局放传感数据获取历史tev prpd图谱,根据所述历史tev prpd图谱基于卷积神经网络模型进行模型训练,生成第三网络模型,并得到第三权重矩阵。
16、进一步地,所述放电类型识别模块还用于:
17、获取实时局放传感数据,并根据所述实时局放传感数据基于开关设备放电诊断结果获取开关设备放电参数,所述放电参数包括但不限于开关设备的实时超声放电数据、实时高频prpd图谱以及实时tev prpd图谱;
18、将所述实时超声放电数据输入至第一网络模型中识别放电类型,并生成第一置信概率矩阵;
19、将所述实时高频prpd图谱输入至第二网络模型中识别放电类型,并生成第二置信概率矩阵;
20、将所述tev prpd图谱输入至第三网络模型中识别放电类型,并生成第三置信概率矩阵;
21、将所述第一网络模型、第二网络模型以及第三网络模型的权重矩阵分别与对应的置信概率矩阵进行加权运算,并分别生成第一网络模型、第二网络模型以及第三网络模型各自的决策矩阵;
22、获取所述第一网络模型、第二网络模型以及第三网络模型对应决策矩阵中的最大决策矩阵,并将所述最大决策矩阵对应网络模型所识别的放电类型作为最终的局部放电类型识别结果。
23、进一步地,所述智能感知终端包括但不限于地电波智能感知终端、高频智能感知终端以及超声智能感知终端,所述智能感知终端采用lora通信方式将局放传感数据上传至智能网关。
24、第二方面,一种基于智能网关的开关设备局部放电诊断方法,所述方法基于第一方面所述的基于智能网关的开关设备局部放电诊断系统,步骤包括:
25、智能感知终端采集开关设备的局放传感数据,所述局放传感数据包括局部放电的特征参量和图谱;
26、智能网关根据所述局放传感数据进行边缘计算,以对开关设备进行放电诊断并基于神经网络模型融合决策进行局部放电类型识别,将边缘计算结果进行数据存储和上传管理;
27、远程监测终端根据边缘计算识别结果进行局部放电报警提示。
28、进一步地,所述对开关设备进行放电诊断,包括:
29、获取实时局放传感数据,并根据所述实时局放传感数据获取同电压等级下每个开关设备的tev局部放电检测值;
30、根据所述tev局部放电检测值计算同电压等级下所有开关设备的tev局部放电平均水平;
31、基于所述tev局部放电平均水平分别分析每个开关设备偏离tev局部放电平均水平的程度;
32、根据所述偏离tev局部放电平均水平的程度进行放电诊断,并基于声电联合定位法识别发生局部放电的开关设备。
33、进一步地,所述基于神经网络模型融合决策进行局部放电类型识别,包括:
34、获取历史局放信号,所述历史局放信号包括历史放电类型及对应的局放传感数据;
35、根据所述历史局放传感数据获取历史超声放电数据,根据所述历史超声放电数据基于bp神经网络模型进行模型训练,生成第一网络模型,并得到第一权重矩阵;
36、根据所述历史局放传感数据获取历史高频prpd图谱,根据所述历史高频prpd图谱基于卷积神经网络模型进行模型训练,生成第二网络模型,并得到第二权重矩阵;
37、根据所述历史局放传感数据获取历史tev prpd图谱,根据所述历史tev prpd图谱基于卷积神经网络模型进行模型训练,生成第三网络模型,并得到第三权重矩阵。
38、进一步地,还包括:
39、获取实时局放传感数据,并根据所述实时局放传感数据基于开关设备放电诊断结果获取开关设备放电参数,所述放电参数包括但不限于开关设备的实时超声放电数据、实时高频prpd图谱以及实时tev prpd图谱;
40、将所述实时超声放电数据输入至第一网络模型中识别放电类型,并生成第一置信概率矩阵;
41、将所述实时高频prpd图谱输入至第二网络模型中识别放电类型,并生成第二置信概率矩阵;
42、将所述tev prpd图谱输入至第三网络模型中识别放电类型,并生成第三置信概率矩阵;
43、将所述第一网络模型、第二网络模型以及第三网络模型的权重矩阵分别与对应的置信概率矩阵进行加权运算,并分别生成第一网络模型、第二网络模型以及第三网络模型各自的决策矩阵;
44、获取所述第一网络模型、第二网络模型以及第三网络模型对应决策矩阵中的最大决策矩阵,并将所述最大决策矩阵对应网络模型所识别的放电类型作为最终的局部放电类型识别结果。
45、本发明的有益效果体现在:通过智能感知终端采集开关设备的局放传感数据,通过智能网关根据局放传感数据对开关设备进行放电诊断,并基于多个神经网络模型对不同缺陷的识别结果构造权重系数,将不同模型输出的权重系数有机结合后作为最终的放电类型识别结果,实现基于多状态量的放电类型识别,同时通过远程监测终端根据识别结果进行局部放电报警提示,实现智能化监测。