电气系统绝缘故障诊断技术研究

引言

近些年来,我国社会经济高速发展,各行业在所属领域内的发展也越来越快,电气系统的绝缘检测更是如此。电气系统的广泛应用使其作用不断突显,对电气系统的绝缘故障进行诊断对电气系统的安全运行具有重要意义,由此电气系统的绝缘检测研究应运而生。20世纪80年代,国内学者就已经开始开发电气系统的绝缘装置,至今已取得了质的飞跃。虽然目前国内在电气系统绝缘检测的研究中积累了大量的理论知识和实践经验,但是与大多数发达国家相比,还存在很大差距。

王涤等人根据概率卷积神经网络的结构原理,针对电气系统的局部放电现象,设计了一种绝缘故障融合诊断方法,通过故障特征提取和故障数据的预处理,利用概率卷积神经网络对绝缘故障数据进行训练处理,在融合证据理论的基础上,模拟故障放电现象,通过仿真实验发现,在故障识别测试中该方法速度比传统方法快。严浩等人基于开关振荡理论,以多频率特征的逆变器驱动电机为研究对象,提出一种故障诊断方法,引入电压传感器和电流传感器,提取出故障信号的特征,结合滤波器的工作原理,对绝缘故障信号进行处理,通过计算驱动电机在单个运行周期内的电流幅值均值,得到故障诊断结果,结果显示,当绝缘故障严重时,该方法可以对驱动电机的绝缘故障进行有效诊断。

基于以上研究背景,本文针对电气系统的绝缘故障,提出一种诊断方法,从而保证电气系统在运行中的稳定性和安全性。

1电气系统绝缘故障诊断技术设计

1.1提取电气系统绝缘故障信号的特征参数

在提取电气系统绝缘故障信号特征参数的过程中,引入小波包分解技术,对绝缘故障信号的频带进行划分,根据绝缘故障信号的特征,选择绝缘故障信号对应的频带。将小波包系数作为电气系统绝缘故障信号的特征,利用小波分解将电气系统原始绝缘信号分解成w层,重构电气系统绝缘故障信号的特征矩阵,表示为:

式中:m和s为小波包系数:业为电气系统原始绝缘信号的采样点数:8为电气系统绝缘故障信号的采样点数。

假设w是m×s阶矩阵,在绝缘故障信号的奇异值分解过程中,存在正交矩阵P和Q,当w=PVQT时,V=,其中2=diag(1,2,…,n),为电气系统绝缘故障信号的特征向量。按照从上到下的顺序对矩阵w的奇异值进行排序,使不等于0的奇异值构成电气系统绝缘故障信号的特征向量,表示为:

根据小波分解中奇异值的性质可以发现,电气系统中绝缘故障信号特征向量可以表征出小波系数的矩阵特征,利用该特征反映出电气系统绝缘故障信号的特性,根据绝缘故障信号的特征向量,提取出电气系统绝缘故障信号的特征参数,表示为:

引入小波包分解技术,划分电气系统绝缘故障信号的频带,通过重构电气系统绝缘故障信号的特征矩阵,得到电气系统绝缘故障信号的特征向量,进而提取出电气系统绝缘故障信号的特征参数。

1.2分析电气系统绝缘故障信息

电气系统绝缘故障中,如果将故障的回路电流定义为I,在脉冲磁场下的磁势为s,故障信号的基波分量会影响电气系统的稳定运行,在忽略电气系统高次谐波的前提下,得到电气系统的脉振磁势表达式:

式中:f为电气系统中电流的基波频率:7为电气系统的稳定运行时间:ó为电气系统中设备的极对数:β为电气系统的机械角度。

当电气系统中绝缘装置的结构对称时,气隙磁密B与磁势s和磁导U0的乘积为正比关系,绝缘设备的安装会导致电气系统的转子出现不平衡现象,从而影响电气系统绝缘装置的气隙磁导,经过一系列变化之后,电气系统绝缘装置的磁导为:

式中:fr为电气系统中绝缘设备转子的旋转频率:Ug和Ue为电气系统中绝缘设备磁导的分量,正常情况下,Ug>Ue。

电气系统绝缘设备的磁力与B2为正比关系,那么电气系统中绝缘设备的磁力可以通过下式计算,即:

式中:ξ和γ为比例系数。

将公式(6)和(7)代入到公式(8)中,计算出绝缘设备故障信号的最大谐波分量,绝缘设备的电磁力波可以促使转子和定子发生振动,振动过程中,频率和绝缘设备转动的频率存在一定关系,振动信号能够反映出电气系统中绝缘设备故障的谐波分量。

利用电气系统中绝缘设备的电流基波频率和极对数,计算绝缘设备的脉振磁势,考虑到绝缘设备的安装会影响电气系统绝缘装置的气隙磁导,通过计算电气系统绝缘设备的磁力,来完成对电气系统绝缘故障信息的分析。

1.3设计电气系统绝缘故障诊断算法

以电气系统绝缘故障信息的分析结果为依据,对电气系统运行20min内的稳定性提出要求,此时需要满足如下条件:

式中:U*为电气系统的电源电压:AUEG为电气系统的电压误差:UEG为电气系统的电压。

电气系统中电气设备的电压波纹系数可以判断电源是否稳定运行,那么电压波纹含量φ的计算公式为:

式中:AUe为电气系统中电气设备电压的最大波动分量。

电压波纹含量会影响电气设备绝缘体的极化,因此电压波纹系数需要满足如下条件:

假设电气系统的电源回路电阻可以等效为R*,分布式电容为C*,那么电气系统中电气设备的电容充电时间常数为:

在电气系统绝缘故障诊断中,对兆欧表的容量进行定量的指标就是电气系统中电气设备A到Z端短路时的输出电流,表示为:

I'的数值越大,说明兆欧表对电气系统绝缘故障的诊断性能越好。当I'=1mA时,能够满足电气系统绝缘故障的诊断要求。

综上所述,根据电气系统运行稳定性的约束条件,计算了电气系统的电压波纹含量,基于电气设备的电容充电时间常数,引入兆欧表实现电气系统绝缘故障的诊断。

2实验对比分析

2.1搭建实验平台

为了验证文中技术在电气系统绝缘故障诊断中的可行性,在Linux系统下,搭建了绝缘故障诊断平台,主要由电流互感器、绝缘故障信号采集装置、信号处理器、PCI_1716/L多功能数据采集卡和上位机组成,实验平台的结构示意图如图1所示。

图1的实验平台需要在电气系统稳定运行时采集绝缘故障信号,才能保证绝缘故障诊断的准确性。

2.2建立电气系统绝缘故障样本库

本文选用的绝缘故障样本来自电气系统中多条配电线路,利用信号采集装置,一共采集38579个绝缘信号,包括25386个故障信号和13193个正常信号。

根据电气系统绝缘故障信号的采集结果,引入LabelImg技术对绝缘故障信号进行标记,依据标记结果,建立电气系统绝缘故障样本库。

按照7:3的比例,将电气系统绝缘故障样本库划分为训练集和测试集,利用labelimagelabelme数据标注工具对绝缘故障训练样本进行标注,建立绝缘故障训练样本集,一共包括15386个绝缘故障信号,其余10000个绝缘故障信号为测试样本集。电气系统绝缘故障样本库的组成如表1所示。

2.3设置评价指标

为了更好地验证文中技术在电气系统绝缘故障诊断中的性能,引入召回率、准确率指标衡量电气系统绝缘故障诊断性能,计算公式为：

式中：TP为正确诊断的绝缘故障信号数量﹔FP为错误诊断的绝缘故障信号数量﹔FN为遗漏的绝缘故障信号数量。

2.4性能对比结果分析

为了突出文中技术在电气系统绝缘故障诊断中的优越性,引入基于P一CNN的绝缘故障诊断技术和基于开关振荡的绝缘故障诊断技术作对比,测试了电气系统绝缘故障诊断的召回率和准确率,结果如图2、图3所示。

从图2的结果可以看出,随着电气系统绝缘故障信号数量的增加,三种技术对绝缘故障诊断的召回率减小,其中:

(1)采用基于P-CNN的绝缘故障诊断技术时,绝缘故障诊断召回率最低,在70%以下:

(2)采用基于开关振荡的绝缘故障诊断技术时,对电气系统绝缘故障诊断的召回率在50%~80%,虽然高于基于P-CNN的绝缘故障诊断技术,但是无法满足故障诊断要求:

(3)采用文中技术时,对电气系统绝缘故障诊断的召回率是最高的,在85%以上,可以保证电气系统的稳定运行。

根据图3的结果可知:

(1)采用基于P-CNN的绝缘故障诊断技术时,由于概率卷积神经网络无法准确提取电气系统绝缘故障信号的特征参数,电气系统绝缘故障诊断的准确率偏低,在60%~80%:

(2)采用基于开关振荡的绝缘故障诊断技术时,对电气系统绝缘故障诊断的准确率同样在60%~80%,但是高于基于P-CNN的绝缘故障诊断技术:

(3)采用文中技术时,对电气系统绝缘故障诊断的准确率最高,在90%以上,较高的准确率可以避免电气系统发生绝缘故障。

3结语

本文对电气系统绝缘故障诊断技术进行了研究,经实验测试发现,该技术在电气系统绝缘故障诊断中具有更高的召回率和准确率。但是本文的研究还存在很多不足,在今后的研究中,希望可以引入激光探测技术,对电气系统的绝缘故障进行识别,为电气系统的绝缘可靠性提供有力依据。