一种基于SSA-MRSS的GIS局部放电声电联合定位系统及方法

技术领域

本发明属于局部放电诊断技术领域，尤其涉及一种基于SSA-MRSS的GIS局部放电声电联合定位系统及方法。

背景技术

气体绝缘金属封闭开关设备(GIS)由于其优越的绝缘性能以及可靠性高、占地面积小等优点被广泛应用于电力系统中。局部放电是反映GIS绝缘缺陷的重要特征，局部放电的准确定位对于提高运维检修水平，保证设备安全和系统稳定运行有着重要的实际意义。

GIS发生局部放电时会产生电磁波以及超声波，特高频检测和超声检测也是最常用的两种局部放电检测技术，目前已经有许多基于以上两种检测技术的定位方法，其中一种就是基于传统算法如粒子群算法和遗传算法的TDOA定位法，其误差主要来源于以下方面：由于超声波传播的多径效应引起的到达时间估计的误差；传统算法普遍存在寻优能力差，易陷入局部最优解的问题；由于超声波传播的非视距效应，代入优化方程组的两点间理论直线传播距离并不是声波实际的传播距离。

发明内容

本发明的目的在于提供一种基于SSA-MRSS的GIS局部放电声电联合定位系统及方法，解决了现有TDOA定位法存在估计误差、寻优能力差及计算出的传播距离不精确的问题。

本发明是通过以下技术方案来实现：

本发明公开了一种基于SSA-MRSS的GIS局部放电声电联合定位方法，包括以下过程：

通过分析内置特高频传感器所接收的信号确定局部放电发生气室；

根据局部放电发生气室的结构布置超声波传感器，采用超声波传感器收集信号；

对超声波传感器收集的信号进行平均后，得到到达时间矩阵；

对到达时间矩阵进行筛选后，采用基于樽海鞘优化算法的到达时间差法进行定位，得到初始局部放电坐标点；

基于最小残差平方和方法对初始局部放电坐标点的坐标进行筛选，得到初始数据簇；

对到达时间矩阵进行筛选后，采用基于樽海鞘优化算法的到达时间差法进行优化求解，计算出参考局部放电坐标点；

根据参考局部放电坐标点和初始数据簇进行误差修正，得到最终局部放电点坐标。

进一步，所述通过分析内置特高频传感器所接收的信号确定局部放电发生气室具体为：

通过对比内置特高频传感器所接收信号的最大峰值锁定GIS局部放电可能发生的区域，分析特高频传感器接收峰值变化规律确定局部放电发生气室；

所述根据局部放电发生气室的结构布置超声波传感器具体为：

根据局部放电发生气室的不同结构，结合具体长度，沿气室导杆轴向均匀布设多组超声波传感器，每组超声波传感器为四个在周向相差90度的超声波传感器。

进一步，所述对超声波传感器收集的信号进行平均后，得到到达时间矩阵，具体为：

对超声波传感器接收的信号分别使用能量累积法和第一峰值法提取到达时间t

进一步，所述到达时间矩阵进行筛选后，采用基于樽海鞘优化算法的到达时间差法进行定位，得到初始局部放电坐标点，具体包括以下过程：

对到达时间矩阵中的每组传感器数据求取平均值，根据每组传感器到达时间的平均值选取最小的前三组，得到最靠近局部放电点的三组传感器的坐标和对应到达时间；

将三组传感器的坐标和对应到达时间代入优化方程组，并利用樽海鞘优化算法对优化方程组进行求解，获得初始局部放电坐标点；

基于最小残差平方和方法对初始局部放电坐标点的坐标进行筛选，得到初始数据簇，具体包括以下过程：

通过初始局部放电坐标点计算每个传感器对应的残差平方和，然后对所有传感器的残差平方和进行平均，得到残差平方和平均值；

根据残差平方和平均值和气室结构去除部分传感器，并将剩下的N个传感器进行组合，共包含

将每组传感器的坐标和对应时间差分别带入樽海鞘优化算法计算得到M个坐标点，计算M个坐标点对应残差平方和，筛选残差平方和小于预设阈值的坐标点，得到包含m个定位坐标点的一组初始数据簇。

进一步，所述残差平方和的具体计算方法为：

其中，

进一步，所述优化方程组为：

其中，x

进一步，所述对到达时间矩阵进行筛选后，采用基于樽海鞘优化算法的到达时间差法进行优化求解，计算出参考局部放电坐标点，具体为：

对到达时间矩阵从小到大排序，根据气室结构从到达时间矩阵中筛选出前数个到达时间以及其对应的传感器，以其中一个传感器的到达时间为基准值，计算出其余传感器的到达时间差τ

将对应传感器坐标和到达时间差代入优化方程组，并利用樽海鞘优化算法进行优化求解，计算出参考局部放电坐标点；

所述根据参考局部放电坐标点和初始数据簇进行误差修正，得到最终局部放电点坐标，具体为：

基于绝对中位差法并根据参考局部放电坐标点和初始数据簇生成八组衍生数据簇；

分别对每组衍生数据簇利用樽海鞘优化算法优化最小距离差之和，得到八个局部放电坐标点，取八个局部放电坐标点的平均值作为最终局部放电点坐标。

进一步，所述基于绝对中位差法并根据参考局部放电坐标点和初始数据簇生成八组衍生数据簇，具体为：

对于初始数据簇，计算x,y,z每个方向的坐标中位值(x

其中，L为数据簇坐标分量，L

计算初始数据簇坐标中位值与参考局部放电坐标点(x

在初始数据簇的基础上减去修正距离D，每个方向生成一组数值；

修正距离的计算公式为：

其中，Δd

A为偏移修正系数，根据差值Δd

将生成的数值组和初始数据簇按照不同的方向进行组合，共得到八组衍生数据簇。

本发明还公开了一种基于SSA-MRSS的GIS局部放电声电联合定位系统，包括：

放电发生气室确认模块，用于通过分析内置特高频传感器所接收的信号确定局部放电发生气室；

超声波传感器布设模拟模块，用于根据局部放电发生气室的结构布置超声波传感器；

到达时间平均模块，用于对超声波传感器收集的信号进行平均后，得到到达时间矩阵；

初步定位模块，用于对到达时间矩阵进行筛选后，采用基于樽海鞘优化算法的到达时间差法进行定位，得到初始局部放电坐标点；

残差平方和模块，用于基于最小残差平方和方法对初始局部放电坐标点的坐标进行筛选，得到初始数据簇；

参考局部放电坐标点确定模块，用于对到达时间矩阵进行筛选后，采用基于樽海鞘优化算法的到达时间差法进行优化求解，计算出参考局部放电坐标点；

误差修正模块，用于根据参考局部放电坐标点和初始数据簇进行误差修正，得到最终局部放电点坐标。

进一步，到达时间平均模块中内置有能量累积法和第一峰值法，且对超声波传感器接收的信号分别使用能量累积法和第一峰值法提取到达时间t

与现有技术相比，本发明具有以下有益的技术效果：

本发明公开了一种基于声基于SSA-MRSS的GIS局部放电声电联合定位方法，通过内置和外置特高频传感器联合判定放电气室，根据放电气室结构安装超声波传感器，采取超声波收集的信号进行基于樽海鞘优化算法(SSA)的到达时间差法(TDOA)定位，TDOA法通过获得PD源发出信号到达传感器的时间构建空间方程组并求解局放坐标位，最后基于最小残差平方和(MRSS)定位结果进行误差修正。本发明引入寻优能力更强的SSA算法，减少了传统算法本身在计算过程中引入的误差并加入误差修正步骤对GIS内超声传播特性和GIS结构引入的误差进行修正；本发明提出的误差修正步骤根据残差平方和筛选剔除传播距离与理论差距过大的传感器，并根据不同情况生成补偿距离修正实际与理论的差距。本发明提供的局部放电定位方法可以有效地缩减基于到达时间差法(TDOA)定位的误差：实现更加快速、精确的局部放电故障定位。

进一步，本发明对超声波传感器接收的信号分别使用能量累积法和第一峰值法提取到达时间并进行平均，得到到达时间矩阵，结合两种到达时间提取方法减少了到达时间估计的误差来源。

附图说明

图1是本发明的一种基于声基于SSA-MRSS的GIS局部放电声电联合定位方法的流程图；

图2是本发明实施例的简化252kVGIS模型；

图3是本发明实施例1的直筒气室局部放电电磁波仿真结果图；

图4是本发明实施例1的直筒气室超声波传感器布置示意图；

图5是本发明实施例1的直筒气室定位坐标数据簇示意图；

图6是本发明实施例2的T型气室局部放电电磁波仿真结果图；

图7是本发明实施例2的T型气室超声波传感器布置示意图；

图8是本发明实施例2的T型气室定位坐标数据簇示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明了，以下结合附图及实施例进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅为本发明一部分实施例，而不是全部实施例。

本发明附图及实施例描述和示出的组件可以以各种不同的配置来布置和设计，因此，以下附图中提供的本发明实施例的详细描述并非旨在限制要求保护的本发明的范围，而仅仅是表示本发明选定的一种实施例。基于本发明的附图及实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护范围。

需要说明的是：术语“包含”、“包括”或者其他任何其他变体意在涵盖非排他性的包含，使得包括一系列要素的过程、元素、方法、物品或者设备不仅仅只包括那些要素，还包括没有明确列出的其他要素，或者是还包括该其过程、元素、方法、物品或者设备所固有的要素。

如图1所示，本发明公开了一种基于SSA-MRSS的GIS局部放电声电联合定位方法，包括以下过程：

通过分析内置特高频传感器所接收的信号确定局部放电发生气室；

根据局部放电发生气室的结构布置超声波传感器，采用超声波传感器收集信号；

对超声波传感器收集的信号进行平均后，得到到达时间矩阵；

对到达时间矩阵进行筛选后，采用基于樽海鞘优化算法的到达时间差法进行定位，得到初始局部放电坐标点；

基于最小残差平方和方法对初始局部放电坐标点的坐标进行筛选，得到初始数据簇；

对到达时间矩阵进行筛选后，采用基于樽海鞘优化算法的到达时间差法进行优化求解，计算出参考局部放电坐标点；

根据参考局部放电坐标点和初始数据簇进行误差修正，得到最终局部放电点坐标。

更优地，对超声波传感器收集的信号进行平均后，得到到达时间矩阵，具体为：

对超声波传感器接收的信号分别使用能量累积法和第一峰值法提取到达时间t

以每组传感器的四个角度为列标号，以每组传感器的轴向位置为行标号组成到达时间矩阵。

更优地，所述到达时间矩阵进行筛选后，采用基于樽海鞘优化算法的到达时间差法进行定位，得到初始局部放电坐标点，具体包括以下过程：

对到达时间矩阵中的每组传感器数据求取平均值，根据每组传感器到达时间的平均值选取最小的前三组，得到最靠近局部放电点的三组传感器的坐标和对应到达时间；

将三组传感器的坐标和对应到达时间代入优化方程组，并利用樽海鞘优化算法对优化方程组进行求解，获得初始局部放电坐标点。

所述的优化方程组为：

其中，x

由于代入TDOA的传感器个数会对定位结果的准确性产生影响，因此将传感器组代入TDOA前需要对时差方程组进行筛选，对每组传感器TOA求取平均值，选取平均值最小也就是最靠近局部放电点的2到4组传感器代入TDOA进行比较，如Table.4所示，使用平均误差(AE)衡量不同组数传感器的定位效果。

可以看出，当代入TDOA的传感器组为3时，平均误差最小，因此在提取到达时间矩阵时选取平均值最小的前3组的传感器组代入TDOA进行计算。

更优地，基于最小残差平方和方法对初始局部放电坐标点的坐标进行筛选，得到初始数据簇，具体包括以下过程：

通过初始局部放电坐标点计算每个传感器对应的残差平方和，并计算平均值，得到残差平方和平均值；

根据残差平方和平均值和气室结构去除部分传感器，并将剩下的N个传感器进行组合，共包含

所述残差平方和的具体计算方法为：

其中，

将每组传感器的坐标和对应时间差分别带入樽海鞘优化算法计算得到M个坐标点，计算M个坐标点对应残差平方和，筛选残差平方和小于预设阈值的坐标点，得到包含m个定位坐标点的一组初始数据簇。

所述对到达时间矩阵进行筛选后，采用基于樽海鞘优化算法的到达时间差法进行优化求解，计算出参考局部放电坐标点，具体为：

对到达时间矩阵从小到大排序，根据气室结构从到达时间矩阵中筛选出前四到六个到达时间以及其对应的传感器，以其中一个传感器的到达时间为基准值，计算出其余传感器的到达时间差τ

将对应传感器坐标和到达时间差代入优化方程组，并利用樽海鞘优化算法进行优化求解，计算出参考局部放电坐标点。

所述基于绝对中位差法并根据参考局部放电坐标点和初始数据簇生成八组衍生数据簇，具体为：

对于初始数据簇，计算x,y,z每个方向的坐标中位值(x

其中，L为数据簇坐标分量，L

根据数据簇中位点与参考局部放电坐标点(x

在初始数据簇的基础上减去修正距离D，每个方向生成一组数值，修正距离的计算公式为：

A为偏移修正系数，根据差值Δd

将生成的数值组和初始数据簇按照不同的方向进行组合，共得到八组衍生数据簇。

分别对每组衍生数据簇利用樽海鞘优化算法优化最小距离差之和，如式：

以下结合实施例对本发明的特征和性能进一步详细说明。

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。参见图1，为本发明用于故障定位的步骤。

参见图2，参考252kvGIS建立简化模型，模型导电杆内径R＝40mm，气室内径R＝140mm，外壳内径R＝150mm，不同结构气室具体尺寸如图2所示。为了更直观的展示定位流程，采用XFDTD软件和Comsol压力声学模块对GIS局部放电故障发生发出电磁波信号和超声波信号的过程进行模拟。在手孔位置放置特高频传感器，从右至左分别对气室和内置特高频传感器进行标号。

实施例1：局部放电发生在2号直筒气室，以2号直筒气室导杆中心为原点建立坐标系，局部放电点实际具体坐标为(-40，220，0)mm，定位流程包括以下步骤：

S1、通过分析内置特高频传感器所接收的信号确定局部放电发生气室；

内置特高频传感器所接受信号的峰值变化如图3所示，可以观察到2号传感器所接收的电磁波信号峰值最大，对于其相邻的1号和3号传感器所接收电磁波信号的峰值，由于距离对电磁波传播衰减作用都小于2号传感器，而相邻气室4号传感器所接收电磁波信号峰值较低，综合可判断局部放电发生在2号直筒气室。

S2、根据局部放电发生气室的结构布置超声波传感器；

判断局部放电发生在2号直筒气室后，如图4所示每相隔200mm沿导杆轴向在2号直筒气室外壁上安装一组共四个在周向相差90度的超声波传感器，共安装5组20个传感器，具体安装情况如图4所示。

S3、对超声波传感器接收的信号分别使用能量累积法和第一峰值法提取第到达时间t

S4、对超声波传感器收集的信号进行筛选后，采用基于樽海鞘优化算法的到达时间差法进行定位，得到初始局部放电坐标点；

S4.1、对到达时间矩阵根据每组传感器到达时间的平均值进行筛选，根据每组传感器到达时间的平均值选取最小的前三组，筛选出三组12个传感器；

S4.2、将12个传感器坐标和12个对应到达时间代入优化方程组并利用樽海鞘优化算法进行优化求解，得到初始局部放电坐标点为(-90.13，213.65，20.53)mm。

S5、基于最小残差平方和方法对初始局部放电坐标点的坐标进行筛选，得到初始数据簇；

S5.1、通过初始局部放电点计算每个传感器对应的残差平方和，并计算平均值，得到残差平方和平均值409.73；并进行排序去除最大的残差平方和对应的传感器，去除大于残差平方和平均值对应的传感器，剩余8个传感器。

并将剩下的8个传感器进行组合，共包含163个传感器组合；

S5.2、将每组传感器的坐标和对应时间差分别带入樽海鞘优化算法进行分组计算得到163个坐标点，计算坐标点对应残差平方和，筛选残差平方和小于300的坐标点，得到一组包含138个局部放电点坐标的初始数据簇，如图5所示。

S6、从到达时间矩阵中筛选最小的4个传感器的到达时间，将传感器坐标和对应到达时间差代入优化方程组，并利用樽海鞘优化算法进行优化求解，最后得到的参考局部放电点坐标为(-55.54，220.18，-3.28)mm。S7、所述根据参考局部放电坐标点和初始数据簇进行误差修正，得到最终局部放电点坐标，具体为：

S7.1、基于绝对中位差法并根据参考局部放电坐标点和初始数据簇生成八组衍生数据簇：

对初始数据簇使用绝对中位值法去除离群点，数据簇的中位点为(-86.65，211.26，28.26)mm，绝对偏差为(10.22，6.43，3.31)mm，根据参考点的坐标可以判断数据簇整体在x轴偏小，y轴偏小，z轴偏大，根据差值计算偏差系数为(15.5，7.5，-30)，基于初始数据簇和偏差系数衍生出八组衍生数据簇；

S7.2、并对每组衍生数据簇进行樽海鞘算法优化距离之和最小数据点，得到八个局部放电坐标点；将八个局部放电点进行平均，得到最终局部放电坐标点(-48.70，223.41，2.67)mm，定位误差为9.49mm。

下表1为部分局部放电点实际坐标，定位坐标以及定位误差：

表1

实施例2：局部放电发生在4号T型结构气室，局部放电点实际坐标为(40，300，0)mm，定位流程包括以下步骤：

S1、通过分析内置特高频传感器所接收的信号确定局部放电发生气室；

内置特高频传感器所接受信号的峰值变化如图6所示，可以从图观察到6号传感器所接收的电磁波信号峰值最大，由此可判断局部放电发生在6号直筒气室或4号T型气室。由于T型弯曲结构对电磁波的衰减作用很大，而5号传感器的峰值大于4号，因此可判断局部放电发生在4号T型结构气室。

S2、根据局部放电发生气室的结构布置超声波传感器；

判断局部放电发生在4号T型气室后，如图7所示每相隔200mm沿导杆轴向在气室外壁上安装一组共四个在周向相差90度的超声传感器，共安装6组24个传感器，具体安装情况如图所示。

S3、对超声波传感器接收的信号分别使用能量累积法和第一峰值法提取第到达时间t

S4、对超声波传感器收集的信号进行筛选后，采用基于樽海鞘优化算法的到达时间差法进行定位，得到初始局部放电坐标点；

S4.1、对到达时间矩阵根据每组传感器到达时间的平均值进行筛选，根据每组传感器到达时间的平均值选取最小的前三组，筛选出三组12个传感器；

S4.2、将12个传感器坐标和12个对应到达时间代入优化方程组并利用樽海鞘优化算法进行优化求解，得到初始局部放电坐标点为(68.29，277.96，40.36)mm。

S5、基于最小残差平方和方法对初始局部放电坐标点的坐标进行筛选，得到初始数据簇；

S5.1、通过初始局部放电点计算每个传感器对应的残差平方和，并计算平均值，得到残差平方和平均值233.92；并进行排序去除最大的残差平方和对应的传感器，去除大于残差平方和平均值对应的传感器，剩余8个传感器。

并将剩下的8个传感器进行组合，共包含163个传感器组合；

S5.2、将每组传感器的坐标和对应时间差分别带入樽海鞘优化算法进行分组计算得到163个坐标点，计算坐标点对应残差平方和，筛选残差平方和小于300的坐标点，得到一组包含147个局部放电点坐标的初始数据簇，如图8所示。

S6、由于T型结构的特殊性，从到达时间矩阵中筛选时间最小的6个传感器对应的结果作为参考局部放电点，将传感器坐标和对应时间差代入优化方程并利用樽海鞘优化算法进行优化求解，最后得到的参考局部放电点坐标为(46.90，298.23，-0.71)mm。

S7、所述根据参考局部放电坐标点和初始数据簇进行误差修正，得到最终局部放电点坐标，具体为：

S7.1、基于绝对中位差法并根据参考局部放电坐标点和初始数据簇生成八组衍生数据簇：

对初始数据簇使用绝对中位值法去除离群点，数据簇的中位点为(72.44，282.90，50.33)mm，绝对偏差为(8.39，9.51，10.87)mm，根据参考点的坐标可以判断数据簇整体在x轴偏小，y轴偏大，z轴偏小，根据差值计算偏差系数为(-17，8.9，-25)，基于初始数据簇和偏差系数衍生出八组衍生数据簇；

S7.2、并对每组衍生数据簇进行樽海鞘算法优化距离之和最小数据点，得到八个局部放电坐标点；将八个局部放电点进行平均，得到最终局部放电点(34.87，303.90，-17.53)mm，定位误差为18.86mm。

下表2为部分局部放电点实际坐标，定位坐标以及定位误差：

表2

综上所述，通过本发明提出的基于SSA-MRSS的GIS局部放电故障的定位方法，可以将定位误差在不同结构下均缩减至20mm之内，有效地提高了局部放电故障定位的精准度。

本发明还公开了一种基于SSA-MRSS的GIS局部放电声电联合定位系统，包括：

放电发生气室确认模块，用于通过分析内置特高频传感器所接收的信号确定局部放电发生气室；

超声波传感器布设模拟模块，用于根据局部放电发生气室的结构布置超声波传感器；

到达时间平均模块，用于对超声波传感器收集的信号进行平均后，得到到达时间矩阵；

初步定位模块，用于对到达时间矩阵进行筛选后，采用基于樽海鞘优化算法的到达时间差法进行定位，得到初始局部放电坐标点；

残差平方和模块，用于基于最小残差平方和方法对初始局部放电坐标点的坐标进行筛选，得到初始数据簇；

参考局部放电坐标点确定模块，用于对到达时间矩阵进行筛选后，采用基于樽海鞘优化算法的到达时间差法进行优化求解，计算出参考局部放电坐标点；

误差修正模块，用于根据参考局部放电坐标点和初始数据簇进行误差修正，得到最终局部放电点坐标。

到达时间平均模块中内置有能量累积法和第一峰值法，用于对超声波传感器接收的信号分别使用能量累积法和第一峰值法提取到达时间t

基于传统算法如粒子群算法和遗传算法的TDOA定位误差主要来源于以下方面：由于超声波传播的多径效应引起的到达时间估计的误差；传统算法普遍存在寻优能力差，易陷入局部最优解的问题；由于超声波传播的非视距效应，代入优化方程组的两点间理论直线传播距离并不是声波实际的传播距离。

本发明结合两种传统到达时间提取方法减少了第一种误差来源；其次本发明引入寻优能力更强的SSA算法，减少了传统算法本身在计算过程中引入的误差；最后本发明提出的误差修正步骤根据残差平方和筛选剔除传播距离与理论差距过大的传感器，并根据不同情况生成补偿距离修正实际与理论的差距，可以有效地缩减第三种误差。本发明提供的局部放电定位方法可以有效地缩减基于到达时间差法(TDOA)定位的误差：实现更加快速、精确的局部放电故障定位。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。