一种风电场集电线路电缆局放信号采集处理方法与流程

本发明涉及局放故障检测，具体涉及一种风电场集电线路电缆局放信号采集处理方法。

背景技术：

1、电能在现实生活中起到了不可缺少的作用，而电缆作为传输电能重要部件，已经得到了广泛的应用，特别是在城市配电网中占据了主要的地位。电缆发生局部放电的局部放电量和其当前的绝缘状况有着密切的关系，因此评价电缆绝缘状况的最有效、最直观的方式就是测量电缆的局部放电量。因此，完善运行中电缆局部放电的诊断方法，对提高电力系统的可靠性和安全性具有重要意义。

2、电缆产生局部放电时会伴随光、热、电磁波、电脉冲等物理现象，这些物理现象就是电缆局部放电检测的依据。从电缆产生的局部放电中虽然可以了解电缆的绝缘状况，但是要判别电缆局部放电故障的缺陷类型，需要对局部放电信号进行模式识别。目前局部放电模式识别的主要方法是首先根据电缆几种常见的局部放电类型，设置对应类型的试验，并进行大量的试验，然后再从每组类型的试验中提取特征数据，并对得到的特征数据建立图谱库，最后采用智能算法对得到的几类图谱数据进行训练，最终达到分类识别的效果，但是现有方案中对于电缆局放信号的采集具有高冗余性，导致在电缆上局放故障定位效率低。

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电缆局放信号采集处理方法，以解决现有技术中对于电缆局放信号的采集具有高冗余性，导致在电缆上局放故障定位效率低的技术问题。

2、为解决上述技术问题，本发明具体提供下述技术方案：

3、一种风电场集电线路电缆局放信号采集处理方法，包括以下步骤：

4、步骤s1、获取风电场集电线路电缆的多个历史局放故障，并依次在每个历史局放故障中提取出故障信号特征和局放故障类型，再统计每个局放故障类型包含的历史局放故障总数量以对每个局放故障类型的故障发生率进行量化；

5、步骤s2、对每个局放故障类型中所有历史局放故障的故障信号特征进行主成分分析得到故障信号特征中每个特征分量的故障贡献率，并基于每个局放故障类型的故障发生率和每个特征分量的故障贡献率得到每个局放故障类型中每个特征分量的监测重要度；

6、步骤s3、利用分类算法基于故障信号特征和故障类型构建局放故障识别模型，利用监测重要度确定每个特征分量的监测频率；

7、步骤s4、对待采集局放信号的风电场集电线路电缆进行采集点的均匀布局得到一组信号采集点，在每个信号采集点处基于监测频率对各个特征分量进行分频监测，并对单个特征分量的监测结果进行置信判定得到处于局放故障的信号采集点作为故障点，再获取每个故障点的故障信号特征，将每个故障点的故障信号特征输入至局放故障识别模型得到每个故障点的局放故障类型；

8、步骤s5、基于故障点的局放故障类型在待采集局放信号的风电场集电线路电缆上定位出局放故障的故障区域以及识别出局放故障的故障类型。

9、作为本发明的一种优选方案，所述统计每个局放故障类型包含的历史局放故障总数量以对每个局放故障类型的故障发生率进行量化，包括：

10、将多个历史局放故障按局放故障类型进行分类，并统计每个局放故障类型中包含的历史局放故障总数量；

11、将每个局放故障类型中包含的历史局放故障总数量与获取的历史局放故障总数量的比值，并将所述比值作为每个局放故障类型的故障发生率，所述每个局放故障类型的故障发生率的计算公式为：

12、

13、式中，pi表征为第i个局放故障类型的故障发生率，mi表征为第i个局放故障类型的历史局放故障总数量，m表征为历史局放故障总数量。

14、作为本发明的一种优选方案，所述对每个局放故障类型中所有历史局放故障的故障信号特征进行主成分分析得到故障信号特征中每个特征分量的故障贡献率，包括：

15、将每个局放故障类型中所有历史局放故障的故障信号特征的各个特征分量依次进行数据标准化处理、相关系数矩阵计算、相关系数矩阵的特征值计算、特征分量的信息贡献率计算；

16、将每个特征分量的信息贡献率作为每个特征分量的故障贡献率。

17、作为本发明的一种优选方案，所述基于每个局放故障类型的故障发生率和每个特征分量的故障贡献率得到每个局放故障类型中每个特征分量的监测重要度，包括：

18、将每个局放故障类型的故障发生率和每个局放故障类型中每个特征分量的故障贡献率进行相乘计算得到每个局放故障类型中每个特征分量的监测重要度，所述监测重要度的计算公式为：

19、ii,j＝pi*λi,j；

20、式中，ii,j表征为第i个局放故障类型中第j个特征分量的监测重要度，λi,j表征为第i个局放故障类型中第j个特征分量的故障贡献率，i，j为计量常数。

21、作为本发明的一种优选方案，所述利用分类算法基于故障信号特征和故障类型构建局放故障识别模型，包括：

22、将故障信号特征和局放故障类型分别作为adaboost算法的输入项和输出项，并将所述adaboost算法基于所述输入项和输出项进行模型训练得到所述局放故障识别模型，所述局放故障识别模型的模型函数为：

23、label＝adaboost(x)；

24、式中，label为局放故障类型的标识符，x为故障信号特征的标识符，adaboost为adaboost算法的标识符。

25、作为本发明的一种优选方案，所述利用监测重要度确定每个特征分量的监测频率，包括：

26、对每个局放故障类型中每个特征分量的监测重要度对相同特征分量进行均值计算得到每个特征分量的监测重要度，所述每个特征分量的监测重要度的计算公式为：

27、

28、式中，ij表征为第j个特征分量的监测重要度，n为局放故障类型的类型总数量；

29、设置监测频率基础值，利用监测重要度确定每个特征分量的监测频率，所述监测频率的计算公式为：

30、

31、式中，fj表征为第j个特征分量的监测频率，fb表征为监测频率基础值。

32、作为本发明的一种优选方案，所述在每个信号采集点处基于监测频率对各个特征分量进行分频监测，包括：

33、将集成在每个信号采集点处的第j个特征分量监测装置的分量信号采集频率设置为第j个特征分量的监测频率fj；

34、所述第j个特征分量监测装置按所述分量信号采集频率对信号采集点进行分量信号的采集得到第j个特征分量的监测结果。

35、作为本发明的一种优选方案，所述对单个特征分量的监测结果进行置信判定得到处于局放故障的信号采集点作为故障点，包括：

36、将信号采集点的第j个特征分量的监测结果与第j个特征分量的置信区域进行比较，其中，

37、若第j个特征分量的监测结果未位于第j个特征分量的置信区域内，则将所述信号采集点标记为故障点；

38、若第j个特征分量的监测结果位于第j个特征分量的置信区域内，则将所述信号采集点标记为非故障点。

39、作为本发明的一种优选方案，所述获取每个故障点的故障信号特征，将每个故障点的故障信号特征输入至局放故障识别模型得到每个故障点的局放故障类型，包括：

40、获取在判定出故障点的后一时刻，利用所有特征分量监测装置对故障点进行所有分量信号采集得到故障点的故障信号，并在故障点的故障信号中提取出故障信号特征；

41、将故障点的故障信号特征输入至局放故障识别模型得到故障点的局放故障类型。

42、作为本发明的一种优选方案，所述基于故障点的局放故障类型在待采集局放信号的风电场集电线路电缆上定位出局放故障的故障区域以及识别出局放故障的故障类型，包括：

43、设定待采集局放信号的风电场集电线路电缆的信号传输方向为正方向，以及设定与正方向相反的方向为反方向，在待采集局放信号的风电场集电线路电缆沿所述反方向进行搜索标记出定位故障点，所述定位故障点为反方向相邻位置处为非故障点对应的故障点，并将定位故障点和定位故障点反方向相邻位置处的非故障点间的区域作为出局放故障的故障区域，将定位故障点的故障类型作为局放故障的故障类型。

44、本发明与现有技术相比较具有如下有益效果：

45、本发明对故障信号特征的特征分量进行重要度分析，并基于特征分量的监测重要度设定对该特征分量的监测频率，实现每个时序处以少量特征分量进行故障点判断，减少对特征分量的获取数量和频率，从而减低故障判断的数据量的冗余性以提高故障判断效率，利用局放故障识别模型同步将各个信号采集点的采集信号进行识别，以在待采集局放信号的风电场集电线路电缆上定位出局放故障的故障区域以及识别出局放故障的故障类型。