[发明专利]基于局放信号综合熵值的电气设备危险性放电判别方法

权利要求书

1.基于局放信号综合熵值的电气设备危险性放电判别方法，其特征在于包括步骤：

1)建立绝缘缺陷在长期电压下的放电状态特征库

建库基于特高频法，对沿面放电发展至击穿全过程的放电信号进行实时采集，获得长期电压作用下的统计参数样本并存储，形成状态特征量样本库，参数包括局部放电幅值和放电次数；

建库包括以下子步骤：

101)构建试验系统

试验系统包括加压试验装置、特高频检测装置及变压器缺陷试验模型，加压试验装置用于输出试验所需电压，特高频检测装置用于进行局部放电信号的实时检测、数据采集和存储；

102)构建变压器缺陷试验模型

变压器油箱油箱模型上端、底端为金属材料，其余的部分均为有机玻璃材料；变压器局部放电模型与油箱上侧的高压电极相连接，导杆从油箱上侧引出，直接与耦合电容C₀并联；模型的下方与油箱下电极相连，共地；

103)加压试验

在起始电压U_i和击穿电压U_b之间，选取多个电压等级，先施加接近U_b的电压，使其在较短的时间内击穿；接着由高到低施加多组不同恒定电压，记录沿面放电击穿全过程；

104)数据分析

根据加压试验数据，进行数据分析，获得局部放电信号各统计参量放电发展趋势图；

2)对样本库中固体绝缘表面缺陷放电信号数据的神经网络学习，将整个放电样本库数据使用神经网络学习，分正常电老化阶段和预击穿阶段两个阶段；其中，正常电老化阶段为平稳发展阶段；预击穿阶段为加速劣化阶段；在正常电老化阶段采取跟踪监测策略，当检测到各项放电参数出现明显震荡跃变的现象时，判断放电进入到预击穿阶段，该阶段为严重高风险类型，需进行预警；

3)使用神经网络对数据实行实时监测；通过对长期加压下对放电自然状态参量的阶段性特征、状态临界转换特征的学习后，使用实时检测数据进行检测；

4)根据检测结果，对高压电力设备固体绝缘表面缺陷放电故障进行诊断和预警，对现场工程条件下绝缘缺陷放电引发击穿或闪络故障的风险进行评估和预警；

在步骤104)中，数据分析包括子步骤：

a)统计特高频局放信号从加压到试品击穿全过程的放电次数N，放电幅值的均值Vave，放电幅值的标准差σ(V)以及放电幅值的熵值E_n(V)；

b)按照特高频放电特性分析的方法，分别统计高频电流信号放电次数N、放电幅值的均值Vave、标准差σ(V)和熵值E_n(V)随统计次数T的变化趋势图；

在步骤2)中，包括步骤：

201)平稳发展阶段记为阶段1，加速劣化阶段记为阶段2，计算归一化后阶段1的V_ave、σ(V)以及E_n(V)，按照公式Δx＝|x_i-x_ave|计算阶段1的平均偏差量ΔV_ave、Δσ(V)和ΔE_n(V)；

202)按照步骤201)计算阶段2的平均偏差量ΔV_ave、Δσ(X_i)和ΔE_n(X_i)；

203)将实际试验中外施电压、击穿时间不同的放电数据按照步骤201)、202)中的处理方式，获取阶段1和阶段2的平均偏差量ΔV_ave、Δσ(X_i)和ΔE_n(X_i)，各选取其中一定组数作为BP神经网络的训练样本；

204)使用经过训练的BP神经网络实现对电气设备的在线监测，当发生故障的时候实现自动报警。

2.根据权利要求1所述的基于局放信号综合熵值的电气设备危险性放电判别方法，其特征在于：在步骤201)中，放电幅值的均值Vave、放电幅值的标准差σ(V)以及放电幅值的熵值E_n(V)的计算公式如下：

其中：V_i表示每次采集到特高频放电信号所对应的幅值；N表示单位统计时间内的放电次数；μ表示单位统计时间内放电幅值的均值；p(V_i)表示放电幅值为V_i的不确定度。