[发明专利]基于局部放电、油压检测的故障识别方法、系统

说明书

本发明提供一种基于局部放电、油压检测的故障识别方法、系统，该故障识别方法包括：S101：对故障类型不同的电气设备供电，并获取局部放电时的局部放电数据；S102：通过神经网络算法对局部放电数据进行曲线拟合，通过曲线拟合结果获取每一种故障类型对应的特征曲线；S103：根据被测电气设备的局部放电数据获取被测电气设备相对于不同油压变化曲线的误差和、放电量；S104：根据误差和确定被测电气设备的故障类型，并通过放电量进行安全预警。本发明通过曲线拟合的方式提高了故障识别和放电量获取的准确性，能够对不同故障进行实时诊断和识别，解决了故障开始阶段表征不及时的问题，提高了故障检测的灵敏性和实时性。

技术领域

本发明涉及电气设备故障检测领域，尤其涉及基于局部放电、油压检测的故障识别方法、系统。

背景技术

随着电力系统的发展，油浸式电流互感器，机壳及其他油浸式电气设备已越来越广泛地应用于高压电力系统中。而电气设备经常需要工作在高温、高压、高负荷状态下，很容易出现故障。如果不能及时发现故障，将导致绝缘破坏，严重的情况下，会发生安全事故，如发生损坏、爆炸等。

因此，电力设备的在线状态监测非常重要。油浸设备中的绝缘油是一种通过蒸馏和精制天然油而获得的矿物油。当设备出现局部放电或过热故障时，会产生特征气体。产生的气体溶解在油中并释放到油表面。由于油浸设备是密封结构，油表面上的气体逐渐积累，并且气压作用在液体绝缘油上，导致油压逐渐增加，因此可以通过获取油压的变化来实现对油浸设备的内部故障的在线监测。

但是，特征气体的释放和溶解是伴随过程，导致油压低能量密度放电的情况下变化缓慢，故障检测的灵敏性差，油压的变化需要特征气体累积后产生，存在故障开始段表征不及时的问题。

发明内容

为了克服现有技术的不足，本发明提出一种基于局部放电、油压检测的故障识别方法、系统，根据局部放电辐射信号、油压信号进行曲线拟合得到不同故障类型对应的特征曲线，并根据被测电气设备的局部放电数据与特征曲线的比较结果得到被测电气设备的故障类型、放电量以保护电气设备，通过曲线拟合的方式提高了故障识别和放电量获取的准确性，从而能够对不同故障进行实时诊断和识别，并且通过局部放电辐射信号、油压信号结合进行检测的方式，提高了故障检测的灵敏性，改善了故障开始阶段表征不及时的问题，便于更好地进行故障实时监测。

为解决上述问题，本发明采用的一个技术方案为：一种基于局部放电、油压检测的故障识别方法，所述故障识别方法包括：S101：对故障类型不同的电气设备供电，并获取所述局部放电时的局部放电数据，所述局部放电数据包括局部放电辐射信号、油压信号，所述电气设备为油浸式电气设备；S102：通过神经网络算法对所述局部放电数据进行曲线拟合，通过曲线拟合结果获取每一种故障类型对应的特征曲线，所述特征曲线包括标准油压变化曲线、压力增长斜率与放电量的标准关系曲线；S103：采集被测电气设备的局部放电数据，根据所述局部放电数据获取所述被测电气设备相对于不同油压变化曲线的误差和，并根据所述局部放电数据、关系曲线获取所述被测电气设备的放电量；S104：根据所述误差和确定所述被测电气设备的故障类型，并通过所述放电量进行安全预警。

进一步地，所述获取所述局部放电时的局部放电数据的步骤之前还包括：判断所述电气设备的放电量是否达到预设值；若是，则获取所述电气设备的局部放电数据；若否，则提升所述电气设备的供电电压，直至所述电气设备的放电量达到预设值。

进一步地，所述通过神经网络算法对所述局部放电数据进行曲线拟合的步骤具体包括：根据同一种故障类型对应的局部放电数据的平均值生成中心数据，通过GA-BP神经网络算法对所述中心数据进行曲线拟合。

进一步地，所述通过GA-BP神经网络算法对所述中心数据进行曲线拟合的步骤具体包括：根据曲线拟合结果获取每一种故障类型对应的标准油压变化曲线，通过所述标准油压变化曲线获取油压的压力增长斜率，根据所述压力增长斜率生成所述压力增长斜率与放电量的标准关系曲线。