风电场集电线路断线故障在线检测方法及装置与流程

本发明涉及检测，具体涉及一种风电场集电线路在线检测方法及装置。

背景技术：

1、对集电线路的低阻性接地和短路故障，在集电线路测试端注入低压脉冲信号，根据脉冲信号在集电线路中的传播速度和反射波的返回时间，来确定故障点到测试端的距离。对高阻性故障，因在低电压的脉冲作用下仍呈现很高的阻抗，使反射波不明显甚至无反射，需配置高压发生器，对故障集电线路施加一定的直流高压或交流冲击高压使其放电击穿，形成闪络电弧，然后再注入低压脉冲信号，利用闪络电弧形成瞬间短路产生的反射波进行测试。这种方法受环境因素影响较大，只能在完全停电之后测试，故障点查找较慢，故障的修复时间较长，不利于集电线路快速恢复供电。另外对于高阻性故障，现有技术需配高压发生器，这使得现场操作存在安全隐患。

2、目前很多山地或荒漠地区风资源较为丰富，因此很多风电场地处偏僻、分布范围大，采用无人机开展风电场集电线路巡检成为一种趋势，但是无人机主要采用图像手段，能够在线检测鸟窝、绝缘器缺失等故障，但当集电线路内部发生断线等从外部不可察觉的故障时就无法及时检测定位到了。

技术实现思路

1、本发明的目的在于提供一种风电场集电线路断线故障在线检测方法，操作简单，能够实时对集电线路的断线位置进行精确地检测。

2、本发明的目的还在于上述风电场集电线路断线故障在线检测方法的装置。

3、本发明是通过以下技术方案来实现，包括步骤如下：

4、第一步：巡检设备搭载涡流传感器对集电线路进行检测；涡流传感器包括激励线圈和两个探测线圈，两个探测线圈的一对同名端等电势连接，另一对同名端输出两个探测线圈的感应电动势及其差值信号，两个探测线圈为第一探测线圈和第二探测线圈，第一探测线圈与第二探测线圈并排设置，激励线圈设在第一探测线圈和第二探测线圈的上方，并且激励线圈的轴线与第一探测线圈和第二探测线圈的中心连线垂直并过中心连线的中点；

5、第二步：对激励线圈施加一个正弦交流激励信号，集电线路的周圈产生可检测的电磁场，所属电磁场分别在两个探测线圈中产生感应电动势；

6、第三步：记录巡检过程中各巡检位置处两个探测线圈的感应电动势和感应电动势差值，将数据输入bp神经网络模型，得出识别模型输出，结果为断线的芯数位置区域及程度的分类类别。

7、本发明所述第三步的bp神经网络模型建模步骤包括输入、输出样本数据确定,隐含层节点数确定，初始权值的选取和神经网络创建、训练及仿真；

8、(1)输入、输出样本数据的确定：将巡检过程中各巡检位置处两个探测线圈的感应电动势和感应电动势差值作为神经网络的输入层数据，断线的芯数位置区域及程度的分类类别作为输出层数据；

9、(2)隐含层节点数的确定：本发明选用单隐含层网络结构，隐含层神经元个数的选择相对复杂，神经元个数太少会导致学习效率低下，从而影响训练精度；若神经元个数过多则易导致网络过拟合现象，从而影响网络的泛化能力；根据逐步试验法确定最佳隐含层节点数，其方法公式所示：

10、

11、式中，m为输出层节点数；n为输入层节点数；nl为隐含层节点数；a为1至10之间的随机数；

12、(3)初始权值的选取：为避免因输入数据单位不一致、数值相差过大而导致的神经网络收敛过慢和训练时间过长等缺陷，将初始权值取为(-1,1)之间的随机数。

13、(4)神经网络创建、训练及仿真：数据导入和归一化预处理后即可创建bp神经网络，在训练前应设置迭代次数、学习率和目标误差等网络参数，网络自动赋权值后即可开始训练网络，以5％作为网络训练平均相对误差的允许值，检验合格后输入检验样本进行网络仿真，输出网络预测值与实际值进行比较。训练成功后将网络输出值进行反归一化处理。

14、本发明第一步中对集电线路进行检测时，巡检设备沿集电线路延伸方向进行巡检。

15、本发明第一步中巡检过程中两个探测线圈的中心线与集电线路的延伸方向平行。

16、本发明第一步中两个探测线圈采用铜线绕制，线径为0.02～0.5mm，匝数为410～1640，探测线圈的内径为2～8mm，外径为7～20mm。

17、本发明所述第三步所述bp神经网络模型为改进后的bp神经网络模型；对现有的bp神经网络模型进行改进，其改进策略如下。

18、针对bp算法收敛速度慢、容易陷入局部极小值以及难以确定隐层数和隐层节点个数的缺点，本发明通过动量法权值调整对算法进行改进。具体做法是：将上一次权值调整量的一部分迭加到本次误差计算所得的权值调整量上，作为本次的实际权值调整，即：

19、δw(n)＝-η▽e(n)+αδw(n-1)

20、其中：α为动量系数，介于0至0.9之间；η为学习率，范围在0.001至10之间。这种方法所得的动量因子实际上相当于阻尼项，它减小了学习过程中的振荡趋势，进而改善了收敛性。动量法降低了网络对于误差曲面局部细节的敏感性，有效的抑制了网络陷入局部极小值。

21、优选地，所述基于bp神经网络的识别模型的总层数为3。

22、本发明的用于风电场集电线路断线故障在线检测方法的装置为涡流传感器，所述涡流传感器由激励线圈、第一探测线圈和第二探测线圈组成，第一探测线圈与第二探测线圈并排相邻，激励线圈设在第一探测线圈和第二探测线圈的上方，激励线圈的中心与两个探测线圈的中心连线中点垂直对齐，3个线圈呈品字形排布，3个线圈的轴线相互平行。

23、本发明具有以下有益的技术效果：实现了集电线路断线位置的在线检测，是对现有检测方法的有益补充；检测中使用的主要信号是电信号，且不需要进行过多复杂处理，所需信号处理分析速度较快，实时性较好；检测设备基于涡流传感器，该类型传感器的检测灵敏度高，检测精度好。

技术特征：

1.一种风电场集电线路断线故障在线检测方法，其特征在于包括步骤如下：

2.根据权利要求1所述的风电场集电线路断线故障在线检测方法，其特征在于所述第三步的bp神经网络模型建模步骤包括输入、输出样本数据确定,隐含层节点数确定，初始权值的选取和神经网络创建、训练及仿真；

3.根据权利要求1所述的风电场集电线路断线故障在线检测方法，其特征在于所述第一步对集电线路进行检测时，巡检设备沿集电线路延伸方向进行巡检。

4.根据权利要求1所述的风电场集电线路断线故障在线检测方法，其特征在于所述第一步巡检过程中两个探测线圈的中心线与集电线路的延伸方向平行。

5.根据权利要求1所述的风电场集电线路断线故障在线检测方法，其特征在于所述第一步中两个探测线圈采用铜线绕制，线径为0.02～0.5mm，匝数为410～1640，探测线圈的内径为2～8mm，外径为7～20mm。

6.根据权利要求1所述的风电场集电线路断线故障在线检测方法，其特征在于所述第三步所述bp神经网络模型为改进后的bp神经网络模型，改进策略如下：

7.根据权利要求1所述的风电场集电线路断线故障在线检测方法，其特征在于：所述第三步所述基于bp神经网络的识别模型的总层数为3。

8.一种用于风电场集电线路断线故障在线检测方法的装置，其特征在于：装置为涡流传感器，所述涡流传感器(1)由激励线圈(1-3)、第一探测线圈(1-1)和第二探测线圈(1-2)组成，第一探测线圈(1-1)与第二探测线圈(1-2)并排相邻，激励线圈(1-3)设在第一探测线圈(1-1)和第二探测线圈(1-2)的上方，激励线圈(1-3)的中心与两个探测线圈的中心连线中点垂直对齐，3个线圈呈品字形排布，3个线圈的轴线相互平行。

技术总结
一种风电场集电线路断线故障在线检测方法及装置，包括巡检设备搭载涡流传感器对集电线路进行检测；涡流传感器包括激励线圈和两个探测线圈，3个线圈呈品字形排布，对激励线圈施加一个正弦交流激励信号，集电线路的周圈产生可检测的电磁场，所属电磁场分别在两个探测线圈中产生感应电动势；记录巡检过程中各巡检位置处两个探测线圈的感应电动势和感应电动势差值，将数据输入BP神经网络模型，得出识别模型输出，结果为断线的芯数位置区域及程度的分类类别。本发明实现了集电线路断线位置的在线检测；检测中使用的主要信号是电信号，所需信号处理分析速度较快，实时性较好；检测设备基于涡流传感器，其检测灵敏度高，检测精度好。

技术研发人员：柳丹,胡畔,冀肖彤,韩刚,熊昊哲,徐驰,江克证,叶畅,熊平,康逸群,邓万婷,陈孝明,曹侃,蔡萱,王伟,熊亮雳,李猎,何宇航,肖繁
受保护的技术使用者：国网湖北省电力有限公司电力科学研究院
技术研发日：
技术公布日：2024/2/19