DE102006008482B4

DE102006008482B4 - Input vectoring method in neural networks for auto-identification of a partial discharge source

Info

Publication number: DE102006008482B4
Application number: DE102006008482A
Authority: DE
Inventors: Sun Geun Goo; Ki Jun Park; Jin Yul Yoon; Joo Sik Kwak
Original assignee: Korea Electric Power Corp
Current assignee: Korea Electric Power Corp
Priority date: 2005-10-27
Filing date: 2006-02-23
Publication date: 2010-10-07
Anticipated expiration: 2026-02-24
Also published as: GB2431726B; JP2007124880A; JP4244353B2; KR20070045558A; GB2431726A; GB0600677D0; DE102006008482A1; KR100729107B1

Abstract

Eingangsvektorbildungsverfahren eines neuronalen Netzwerks zur Autoidentifikation einer Teilentladungsquelle, welches automatisch die Quelle von Teilentladungssignalen erschließt, die in einer Hochspannungsanlage, beispielsweise einer GIS, einem Transformator, einem Stromkabel, einer Elektrizitätsverteilungsvorrichtung, erzeugt werden, und das in verschiedenen neuronalen Netzwerkvorrichtungen, wie z. B. einem Mehrschicht-Perzeptron, einer Selbstorganisationskarte, etc., vorhanden sein kann, wobei das Verfahren die Schritte umfasst:
Bilden eines Φn: Φn – 1:N-Graphen unter Verwendung der Entladungssignale, die von einer Teilentladungs-Messvorrichtung gemessen wurden, wobei die Phase der Spannung des Φn: Φn – 1:N-Graphen in K Säulen zwischen 0° und 360° der Spannungsphase unterteilt wird, wobei dann die X-Achse definiert wird durch die Phase einer angelegten Spannung eines vorangehenden Entladungssignals und die Y-Achse definiert wird durch die Phase einer angelegten Spannung eines nachfolgenden Entladungssignals, wobei der Φn: Φn – 1:N-Graph die Phasen aufeinanderfolgender Entladungssignale beschreibt, indem Eins zu einem Wert P_ij von (i, j) in einem zweidimensionalen Diagramm hinzuaddiert wird, dessen Anfangswert auf Null...An input vector forming method of a neural network for auto-identification of a partial discharge source, which automatically opens the source of partial discharge signals generated in a high-voltage installation such as a GIS, a transformer, a power cable, an electricity distribution apparatus, and in various neural network devices such. A multi-layer perceptron, a self-organization card, etc., the method comprising the steps of:
Forming a Φn: Φn-1: N graph using the discharge signals measured by a partial discharge measuring device, wherein the phase of the voltage of the Φn: Φn-1: N graph in K columns is between 0 ° and 360 ° Voltage phase is then divided, wherein then the X-axis is defined by the phase of an applied voltage of a preceding discharge signal and the Y-axis is defined by the phase of an applied voltage of a subsequent discharge signal, wherein the Φn: Φn - 1: N-graph Describes phases of successive discharge signals by adding one to a value P _ij of (i, j) in a two-dimensional diagram whose initial value is zero ...

Description

Die vorliegende Erfindung bezieht sich auf eine Elektrizitätstechnologie und spezieller auf ein Eingangsvektorbildungsverfahren bei neuronalen Netzwerken zur automatischen Identifikation einer teilweisen Entladungsquelle, welches in der Lage ist, die Zeit für die Meßvorbereitung zu verkürzen, da die teilweise Entladung an einem Ort in einem Zustand gemessen wird, bei dem es schwierig ist, die Phaseninformation von einem PT oder einem Spannungsteiler, etc. zu erhalten, da eine neuronale Netzwerkvorrichtung eine phasenunabhängige Summation anwendet ohne die Phaseninformation des Anlegens der Spannung für die Hochspannungsanlagen. Weiterhin ist das Verfahren in der Lage, die Meßkosten zu verringern, das Folgerungsergebnis mit einer verhältnismäßig hohen Zuverlässigkeit für Entladungsquellen zu erhalten, eine identische neuronale Netzwerkvorrichtung in verschiedenen Arten von Meßapparaturen für Teilentladungen zu verwenden, wobei die Verstärker- oder Signalabschwächereigenschaften von einem Meßgerät für Teilentladungen zu einem anderen unterschiedlich sind, da der Eingangs vektor einer neuronalen Netzwerkvorrichtung aus Entladungsarten extrahiert wird, die nicht die Größeninformation des Teilentladungssignals beinhalten. Weiterhin ist das Verfahren in der Lage, die abnormalen Zustände der elektrischen Anlagen einfach zu verwalten, da die Stromphase an einem Abschnitt, in dem die Teilentladung erzeugt wird, bei elektrischen Anlagen mit einer Mehrzahl von Phasen unter Verwendung der phasenunabhängigen Summation und der phasenabhängigen Summation erfaßt werden kann und die Teilentladungspositionen auf einfache Weise verfolgt werden können.The The present invention relates to an electricity technology and more particularly to an input vectoring technique in neural networks for automatic identification of a partial discharge source, which is able to shorten the time for the measurement preparation, since the partial discharge is measured at a location in a state where it is difficult to get the phase information from a PT or a voltage divider, etc. as a neural network device a phase independent Summation applies without the phase information of applying the voltage for the High voltage equipment. Furthermore, the method is capable of Measuring costs too reduce the inference result with a relatively high reliability for discharge sources to get an identical neural network device in different Types of measuring equipment for partial discharges to use, with the amplifier or signal attenuation characteristics from a meter for partial discharges to another are different, since the input vector one neural network device is extracted from discharge modes, not the size information of the partial discharge signal. Furthermore, the method capable of the abnormal states easy to manage the electrical installations, since the current phase at a portion in which the partial discharge is generated, in electrical Plants with a plurality of phases using the phase independent summation and the phase-dependent Summation detected can be and the Teilentladungspositionen easily can be tracked.

Eine UHF-, Ultraschall- oder andere Art von Teilentladung als ein Vorläufer eines Ausfalls kann in einer elektrischen Hochspannungsanlage, wie z. B. einer gasisolierten Schaltanlage (GIS), einem gasisolierten Wandler, einem Öl-Transformator, einer drehenden Maschinenanlage, einer gasisolierten Übertragungsleitung für elektrische Energie und in Starkstromkabeln erzeugt werden. Wenn solch eine Entladung auftritt, mißt eine Teilentladungs-Meßvorrichtung die Teilentladung, analysiert gemessene Signalart und -muster zur Bestimmung, ob sie die Teilentladung kennzeichnen und prüft die Alterungszustände der elektrischen Anlage, so daß sie einen Ausfall, der in der elektrischen Anlage auftritt, verhindern kann.A UHF, ultrasonic or other type of partial discharge as a precursor of a Failure can in an electrical high-voltage system, such. B. a gas-insulated switchgear (GIS), a gas-insulated converter, an oil transformer, a rotating machinery, a gas-insulated transmission line for electrical Energy and in power cables. If such a Discharge occurs, measures a partial discharge measuring device the partial discharge, analyzes measured signal type and pattern for Determining if they mark the partial discharge and check the aging conditions of the electrical system, so they prevent a failure that occurs in the electrical system can.

Mit Bezug auf 1 und 2 wird im folgenden eine Teilentladungs-Meßvorrichtung im Detail beschrieben.Regarding 1 and 2 In the following, a partial discharge measuring apparatus will be described in detail.

Wie in 1 gezeigt, wird in einem Zustand, in dem die elektrische Anlage 100 einen abnormalen Zustand einnimmt, eine Teilentladung als ein Vorläufer eines Ausfalls in der elektrischen Anlage erzeugt, wenn die Leistung 110 der elektrischen Anlage 100 zugeführt wird. Hier beinhaltet die elek trische Anlage 100 eine GIS, einen Wandler, einen Motor und ein Stromkabel.As in 1 shown is in a state in which the electrical system 100 assumes an abnormal condition, generates a partial discharge as a precursor of a failure in the electrical equipment when the power 110 the electrical system 100 is supplied. This includes the electric system 100 a GIS, a converter, a motor and a power cable.

Hier erfaßt ein an der elektrischen Anlage installierter Teilentladungssensor 120 Teilentladungssignale und führt die Teilentladungssignale der Teilentladungs-Meßvorrichtung 130 zu, wodurch die Teilentladungssignale analysiert werden.Here detects a installed on the electrical system partial discharge sensor 120 Partial discharge signals and performs the partial discharge signals of the partial discharge measuring device 130 to, whereby the partial discharge signals are analyzed.

Da das Analyseverfahren des Standes der Technik die Phaseninformation der Leistung 110 benötigt, wird die Phaseninformation der zugeführten Spannung der Teilentladungs-Meßvorrichtung 130 unter Verwendung eines Leistungstransformators PT und eines Spannungsteilers 140 oder etc. zur Verfügung gestellt.Since the analysis method of the prior art, the phase information of the power 110 required, the phase information of the supplied voltage of the partial discharge measuring device 130 using a power transformer PT and a voltage divider 140 or etc. provided.

Die Teilentladungs-Meßvorrichtung 130 erhält die mit den Entladungssignalen verknüpfte grundlegende Information, wie z. B. die Zeit 220, zu der das Teilentladungssignal 210 erzeugt wird, die Größe 230 des Teilentladungssignals und die Phase 240 der angelegten Spannung 200 einer entsprechenden Anlage, wenn die Teilentladung auftritt, von den Teilentladungssignalen 210, wie in 2 gezeigt.The partial discharge measuring device 130 receives the basic information associated with the discharge signals, such as: For example the time 220 to which the partial discharge signal 210 is generated, the size 230 of the partial discharge signal and the phase 240 the applied voltage 200 a corresponding system, when the partial discharge occurs, from the partial discharge signals 210 , as in 2 shown.

Eine Schaltung zum Erhalt von Signalen in der Teilentladungs-Meßvorrichtung 130 beinhaltet verschiedene Arten von Verstärkern, einen Signalabschwächer, einen Detektor und ein neuronales Netzwerk zum Klassifizieren der Signale, so daß die von dem Teilentladungssensor 120 zugeführten Teilentladungssignale 210 analysiert werden können.A circuit for obtaining signals in the partial discharge measuring device 130 includes various types of amplifiers, a signal attenuator, a detector and a neural network for classifying the signals so that those from the partial discharge sensor 120 supplied partial discharge signals 210 can be analyzed.

Aus der Analyse des Teilentladungssignals 210 können die Erzeugung der Teilentladung, die Ursache der Teilentladung und der Alterungszustand der elektrischen Hochspannungsanlage diagnostiziert werden.From the analysis of the partial discharge signal 210 For example, the generation of the partial discharge, the cause of the partial discharge and the aging state of the electrical high-voltage system can be diagnosed.

Das übliche neuronale Netzwerk der Teilentladungs-Meßvorrichtung 130 verwendet Teilentladungssignale als einen Eingangsvektor, die gemessen aber nicht verarbeitet werden, oder verschiedene Parameter, die als phasenaufgelöste Impulssequenz (PRPS) oder phasenaufgelöste Teilentladung (PRPD) extrahiert werden, welche aus den Teilentladungssignalen umgesetzt werden. Hier beinhalten die verschiedenen Parameter die Anzahlen der phasenaufgelösten Entladungsimpulse, die Größe der Entladungssignale oder statistische Parameter, wie z. B. die Schiefe oder die Kurtosis. Diese Art von Eingangsvektor wird erhalten durch direktes oder indirektes Verwenden der Phaseninformation der zugeführten Spannung und der Größe der Entladungssignale für die elektrischen Anlagen, die die Entladungssignale erzeugen.The standard neural network of the partial discharge measuring device 130 uses partial discharge signals as an input vector that are measured but not processed, or various parameters extracted as phase-resolved pulse sequence (PRPS) or phase-resolved partial discharge (PRPD), which are converted from the partial discharge signals. Here, the various parameters include the numbers of phase-resolved discharge pulses, the size of the discharge signals, or statistical parameters, such as those shown in FIG. For example, crookedness or kurtosis. This type of input vector is obtained by directly or indirectly using the phase information of the applied voltage and the magnitude of the discharge signals for the electrical equipment that generates the discharge signals.

Wenn jedoch die Entladungssignale von der elektrischen Hochspannungs-Anlage 100 unter Verwendung eines tragbaren Typ der Teilentladungs-Meßvorrichtung gemessen werden, kann die der elektrischen Hochspannungs-Anlage 100 zugeführte Phaseninformation nicht auf einfache Weise bereitgestellt werden. Wenn nämlich die Phaseninformation einer zugeführten Spannung 200 oder die Phase des Stroms an einer Position, an der die Teilentladung auftritt, unbekannt sind, führt die Teilentladungs-Meßvorrichtung 130 eine Messung unter der Annahme durch, daß ihre Stromphase die gleiche ist wie die Phase einer der Starkstromanlage 100 zugeführten Spannung. Eine solche Messung verursacht aber das Problem, daß die neuronale Netzwerkvorrichtung des Standes der Technik die falsche Entladungsquelle ermitteln kann. Als Ergebnis dieses Fehlers kann der Nutzer nicht auf die richtige Weise solch ein Problem handhaben.However, if the discharge signals from the high-voltage electrical system 100 can be measured using a portable type of partial discharge measuring device, that of the high voltage electrical equipment 100 supplied phase information can not be provided in a simple manner. Namely, when the phase information of a supplied voltage 200 or the phase of the current at a position where the partial discharge occurs are unknown, the partial discharge measuring device performs 130 a measurement assuming that its current phase is the same as the phase of one of the power plant 100 supplied voltage. However, such a measurement causes the problem that the prior art neural network device can detect the wrong discharge source. As a result of this error, the user can not properly handle such a problem.

Weiterhin ist es sogar in dem Fall, in dem ein Teilentladungs-Meßsystem, welches On-Line installiert ist und in der Lage ist, auf normale Weise die Phaseninformation der zugeführten Spannung zu erhalten, im Hinblick auf die elektrische Hochspannungs-Anlage 100, die mehrere Phasen aufweist, wie z. B. eine Dreiphasenbündel-GIS oder ein Transformator, ein Drehstrommotor, etc., schwierig ein präzises Folgerungsergebnis zu erhalten, wenn das neuronale Netzwerk nicht mit ausgewählten Gruppen von Teilentladungsdaten entsprechend jeder der Anlage zugeführten Stromphase trainiert wird.Further, even in the case where a partial discharge measuring system which is installed on-line and capable of normally obtaining the phase information of the supplied voltage, with respect to the high-voltage electric equipment 100 , which has several phases, such. As a three-phase GIS or a transformer, a three-phase motor, etc., difficult to obtain a precise inference result when the neural network is not trained with selected groups of partial discharge data corresponding to each of the plant supplied power phase.

Wenn zusätzlich die Größe der Entladungssignale als ein Eingangsvektor des neuronalen Netzwerks verwendet wird, könnten sogar in dem Falle gleicher Teilentladungssignale die Größen der erfaßten Teilentladungssignale unterschiedlich sein entsprechend der Sensitivität der Sensoren, des Abstandes einer Entladungsquelle, der Eigenschaften einer Signalerfassungsvorrichtung, und das neuronale Netzwerk muß unter Verwendung der verschiedenen Größen von Entladungssignalen trainiert werden. Wenn speziell die Verstärkungen der verschiedenen Verstärker in einer Entladungssignal-Erfassungsvorrichtung verändert werden, kann die für die identischen Entladungssignale gemessene Größe der Signale sich verändern. Deshalb muß das neuronale Netzwerk erneut trainiert werden.If additionally the size of the discharge signals is used as an input vector of the neural network, could even in the case of the same partial discharge signals, the sizes of detected Partial discharge signals be different according to the sensitivity of the sensors, the distance of a discharge source, the characteristics of a signal detection device, and the neural network must be under Using the different sizes of Discharge signals are trained. If specifically the reinforcements the different amplifiers be changed in a discharge signal detecting device, can the for the identical discharge signals change the measured size of the signals. Therefore that must be neural network to be re-trained.

Aus der US 6,650,779 B2 sind ein Verfahren und eine Vorrichtung zum Analysieren eines Bildes zum Detektieren und Identifizieren von Mustern bekannt. Hierbei sollen beispielsweise Defekte in einem Gegenstand unter Verwendung eines multidimensionalen neuronalen Netzwerks identifiziert werden, wofür ein Signal erzeugt wird, das einen Teil des Gegenstands darstellt, und wobei dann bestimmte Merkmale des Signals extrahiert werden. Diese Merkmale werden dann einem multidimensionalen neuronalen Netzwerk zur Klassifikation zur Verfügung gestellt.From the US 6,650,779 B2 For example, a method and apparatus for analyzing an image to detect and identify patterns are known. Here, for example, defects in an object are to be identified using a multi-dimensional neural network, for which purpose a signal is generated that forms part of the object, and then certain features of the signal are extracted. These features are then provided to a multidimensional neural network for classification.

Die US 5,260,871 A beschreibt ein Verfahren und eine Vorrichtung zur Diagnose von Tumoren, wobei ein Eingangsvektor und ein neuronales Netzwerk verwendet werden.The US 5,260,871 A describes a method and apparatus for diagnosing tumors using an input vector and a neural network.

Ausgehend von den oben geschilderten Problemen des Standes der Technik wurde das Verfahren gemäß der vorliegenden Erfindung entwickelt. Es ist eine Aufgabe der vorliegenden Erfindung, ein Eingangsvektorbildungsverfahren des neuronalen Netzwerks zur Autoidentifikation der Teilentladungsquelle bereitzustellen, welches in der Lage ist, unter Verwendung einer neuronalen Netzwerkvorrichtung aus den gemessenen Teilentladungssignalen automatisch Entladungsquellen anzuzeigen zur Verhinderung eines Ausfalls der elektrischen Hochspannungs- Anlage, beispielsweise einer GIS, einem Transformator, einem Motor, einem Starkstromkabel.outgoing from the above-described problems of the prior art the method according to the present Invention developed. It is an object of the present invention an input vector forming method of the neural network for To provide auto-identification of the partial discharge source, which is capable of using a neural network device from the measured partial discharge signals automatically discharge sources to prevent a failure of the high voltage electrical system, for example a GIS, a transformer, a motor, a power cable.

Weiterhin soll ein Eingangsvektorbildungsverfahren des neuronalen Netzwerks zur Autoidentifikation der Teilentladungsquelle bereitgestellt werden, das in der Lage ist, auf die Teilentladungsquelle zu schließen in einem Zustand, in dem die Phaseninformation des der elektrischen Hochspannungs-Anlage zugeführten Stroms nicht erhalten werden kann, und eine Phase der einer Position, an der die Entladung auftritt, zugeführten Leistung, wenn die elektrische Hochspannungs-Anlage mehrere Leistungsphasen verwendet, zu analogisieren.Farther is an input vector forming method of the neural network be provided for auto-identification of the partial discharge source, which is able to close to the partial discharge source in one State in which the phase information of the high-voltage electrical system supplied Electricity can not be obtained, and a phase of a position at which the discharge occurs, supplied power when the electric High-voltage plant uses several power phases to analogize.

Weiterhin soll ein Eingangsvektorbildungsverfahren des neuronalen Netzwerkes zur Autoidentifikation einer Teilentladungsquelle bereitgestellt werden, das in der Lage ist, eine identische neuronale Netzwerkvorrichtung zum Analysieren von Signalen zu verwenden, die durch Teilentladungs-Meßvorrichtungen gemessen wurden, deren Datenerfassungsschaltungs-Verstärker oder Signalabschwächer-Eigenschaften von einer Teilentladungs-Meßvorrichtung zur anderen unterschiedlich sind, welche nicht die Größeninformation des Entladungssignals als einen Eingangsvektor der neuronalen Netzwerkevorrichtung verwendet.Farther is an input vector forming method of the neural network be provided for auto-identification of a partial discharge source, which is capable of an identical neural network device for analyzing signals generated by partial discharge measuring devices whose data acquisition circuit amplifier or Signal attenuator properties from a partial discharge measuring device different from others, which are not the size information of the discharge signal as an input vector of the neural network device used.

Die Aufgabe wird gelöst durch ein Eingangsvektorbildungsverfahren eines neuronalen Netzwerkes gemäß Anspruch 1.The Task is solved by an input vector forming method of a neural network according to claim 1.

Weiterbildungen der Erfindung werden in den Unteransprüchen beschrieben.further developments The invention will be described in the subclaims.

Gemäß der vorliegenden Erfindung können die obige Aufgabe und weitere Aufgaben gelöst werden durch die Bereitstellung eines Eingangsvektorbildungsverfahrens eines neuronalen Netzwerks zur Autoidentifikation einer Teilentladungsquelle, welches automatisch die Quelle von Teilentladungssignalen erschließt, die in einer Hochspannungsanlage, beispielsweise einer GIS, einem Transformator, einem Stromkabel, einer Elektrizitätsverteilungsvorrichtung, erzeugt werden, und das in verschiedenen neuronalen Netzwerkvorrichtungen, wie z. B. einem Mehrschicht-Perzeptron, einer Selbstorganisationskarte, etc., vorhanden sein kann, wobei das Verfahren die Schritte umfasst: Bilden eines Φn: Φn – 1:N-Graphen unter Verwendung der Entladungssignale, die von einer Teilentladungs-Messvorrichtung gemessen wurden, wobei die Phase der Spannung des Φn: Φn – 1:N-Graphen in K Säulen zwischen 0° und 360° der Spannungsphase unterteilt wird, wobei dann die X-Achse definiert wird durch die Phase einer angelegten Spannung eines vorangehenden Entladungssignals und die Y-Achse definiert wird durch die Phase einer angelegten Spannung eines nachfolgenden Entladungssignals, wobei der Φn: Φn – 1:N-Graph die Phasen aufeinanderfolgender Entladungssignale beschreibt, indem Eins zu einem Wert P_ij von (i, j) in einem zweidimensionalen Diagramm hinzuaddiert wird, dessen Anfangswert auf Null gesetzt ist, wenn die Phase Φn – 1 der angelegten Spannung des vorangehenden Entladungssignals des ersten aufeinander folgenden Entladungssignals der i-ten (1 ≤ i ≤ K) Phase entspricht und die Phase Φn der angelegten Spannung des nachfolgenden Entladungssignals der j-ten (1 ≤ j ≤ K) Phase entspricht, und indem Eins zu einem Wert P_jj' von (j, j') in einem zweidimensionalen Diagramm hinzuaddiert wird, dessen Anfangswert auf Null gesetzt ist, wenn die Phase Φn der angelegten Spannung des vorangehenden Entladungssignals des zweiten aufeinanderfolgenden Entladungssignals der j-ten (1 ≤ j ≤ K) Phase entspricht und die Phase Φn + 1 der angelegten Spannung des nachfolgenden Entladungssignals der j'-ten (1 ≤ j' ≤ K) Phase entspricht; Modifizieren des Φn: Φn – 1:N-Graphen in einen modifizierten Φn: Φn – 1:N-Graphen, indem der Bereich unten rechts vertikal bewegt wird, um an der Oberseite des Φn: Φn – 1:N-Graphen angeordnet zu werden, nachdem der Φn: Φn – 1:N-Graph auf der Basis einer diagonalen Linie in die zwei Bereiche oben links und unten rechts unterteilt worden ist; Gewinnen der phasenabhängigen Summation, die als der Eingangsvektor der neuronalen Netzwerkvorrichtung verwendet wird, wobei die phasenabhängige Summation eine Phaseninformation aufweist; Gewinnen der phasenunabhängigen Summation, die als der Eingangsvektor der neuronalen Netzwerkvorrichtung verwendet wird, wobei die phasenunabhängige Summation keine Phaseninformation aufweist; Eingeben der phasenabhängigen Summation und der phasenunabhängigen Summation als Eingangsvektor in die neuronale Netzwerkvorrichtung; und Identifizieren der Phase einer phasenverschobenen, phasenabhängigen Summation, die einer phasenabhängigen Referenzsummation am ehesten ähnlich ist, um zu identifizieren, welche Phase der Phasen R, G oder B die Phase einer an einem Punkt zugeführten Leistung ist, an dem ein Teilentladungssignal erzeugt wird; wobei der Schritt des Identifizierens die Form der aus den Entladungssignalen erhaltenen phasenabhängigen Summation und die Form der phasenabhängigen Summation, die erhalten wurde, nachdem die phasenabhängige Summation um 120° und 240° verschoben wurde, mit der Form der phasenabhängigen Referenzsummation vergleicht, die aus Trainingsdaten des neuronalen Netzwerks erzeugt wird, um die Entladungsquelle zu erschließen.According to the present invention, the above object and other objects can be achieved by providing an input vector forming method of a neural network for auto-identification of a partial discharge source, which automatically detects the source of partial discharge nals, which are generated in a high-voltage system, for example a GIS, a transformer, a power cable, an electricity distribution device, and which can be used in various neural network devices, such. A multi-layer perceptron, a self-organizing map, etc., the method comprising the steps of: forming a Φn: Φn-1: N graph using the discharge signals measured by a partial discharge measuring device, wherein the phase of the voltage of the Φn: Φn-1: N graph is divided into K columns between 0 ° and 360 ° of the voltage phase, then the X-axis is defined by the phase of an applied voltage of a preceding discharge signal and the Y-axis is defined by the phase of an applied voltage of a subsequent discharge signal, wherein the Φn: Φn-1: N graph describes the phases of successive discharge signals by adding one to a value _Pij of (i, j) in a two-dimensional diagram whose Initial value is set to zero when the phase Φn - 1 of the applied voltage of the preceding discharge signal of the first successive discharge signal s corresponds to the i-th (1≤i≤K) phase, and the phase φn corresponds to the applied voltage of the subsequent discharge signal of the jth (1≤j≤K) phase, and one adds to a value _{Pjj '} of (j , j ') is added in a two-dimensional diagram whose initial value is set to zero when the phase Φn of the applied voltage of the preceding discharge signal of the second successive discharge signal corresponds to the jth (1 ≦ j ≦ K) phase and the phase Φn + 1 corresponds to the applied voltage of the subsequent discharge signal of the j'th (1≤j'≤K) phase; Modifying the Φn: Φn-1: N graph into a modified Φn: Φn-1: N graph by vertically moving the area at the bottom right to be located at the top of the Φn: Φn-1: N graph after dividing the Φn: Φn-1: N graph on the basis of a diagonal line into the two areas upper left and lower right; Obtaining the phase dependent summation used as the input vector of the neural network device, the phase dependent summation having phase information; Obtaining the phase independent summation used as the input vector of the neural network device, the phase independent summation having no phase information; Inputting the phase-dependent summation and the phase-independent summation as input vector into the neural network device; and identifying the phase of a phase shifted phase dependent summation most closely similar to a phase dependent reference summation to identify which phase of the phases R, G or B is the phase of power applied at a point at which a partial discharge signal is generated; wherein the step of identifying compares the shape of the phase-dependent summation obtained from the discharge signals and the phase-dependent summation form obtained after the phase-dependent summation has been shifted by 120 ° and 240 ° with the shape of the phase-dependent reference summation obtained from training data of the neural network is generated to open up the discharge source.

Vorzugsweise umfasst bei dem erfindungsgemäßen Verfahren der Schritt des Identifizierens die folgenden Schritte: Erhalten des multiplizierten Werts durch ein Multiplizieren der aus den Entladungssignalen erhaltenen phasenabhängigen Summation und der phasenabhängigen Summation, die erhalten wurde, nachdem die phasenabhängige Summation um 120° und 240° verschoben wurde, mit der phasenabhängigen Referenzsummation, die aus Trainingsdaten des neuronalen Netzwerks erzeugt wird, um die Entladungsquelle zu erschließen; Integrieren des Multiplikationswerts; und Erschließen der Phase der phasenabhängigen Summation mit der größten Integralfläche als einer Phase einer an einem Punkt zugeführten Leistung, an dem ein Entladungssignal erzeugt wird.Preferably comprises in the method according to the invention the step of identifying the following steps: getting of the multiplied value by multiplying the one of the discharge signals obtained phase-dependent Summation and the phase-dependent Summation, which was obtained after the phase-dependent summation around 120 ° and 240 ° shifted became, with the phase-dependent Reference summation, which consists of training data of the neural network is generated to open the discharge source; Integrate the multiplication value; and opening the phase of the phase dependent summation with the largest integral area as a phase of power supplied at a point at which a Discharge signal is generated.

Vorzugsweise umfasst bei dem erfindungsgemäßen Verfahren der Schritt des Identifizierens die folgenden Schritte: Erhalten eines Kreuzkorrelationswerts zwischen der phasenabhängigen Summation, die aus Entladungssignalen erhalten wurde, der phasenabhängigen Summation, die erhalten wurde, nachdem die phasenabhängige Summation um 120° und 240° verschoben wurde, und der phasenabhängigen Referenzsummation; und Erschließen der Phase der phasenabhängigen Summation, die den größten Kreuzkorrelationswert hat, als einer Phase einer an einem Punkt zugeführten Leistung, an dem ein Entladungssignal erzeugt wird.Preferably comprises in the method according to the invention the step of identifying the following steps: getting a cross-correlation value between the phase-dependent summation, the was obtained from discharge signals, the phase-dependent summation, which was obtained after the phase-dependent summation shifted by 120 ° and 240 ° was, and the phase-dependent Reference summation; and opening up the phase of the phase-dependent Summation, which is the largest cross-correlation value has, as a phase of power supplied at a point, a discharge signal is produced.

Weitere Merkmale und Zweckmäßigkeiten der vorliegenden Erfindung werden anhand der nachfolgenden Beschreibung von Ausführungsbeispielen unter Zuhilfenahme der Zeichnungen deutlich. Von den Figuren zeigen:Further Features and Practices of The present invention will become apparent from the following description of exemplary embodiments clearly with the aid of the drawings. From the figures show:

1 ein Blockdiagramm einer Vorrichtung des Standes der Technik zum Messen einer Teilentladung, 1 a block diagram of a prior art device for measuring a partial discharge,

2 ein Diagramm der Teilentladungssignale, das die Information der Teilentladungssignale beschreibt, die durch eine Vorrichtung zum Messen der Teilentladung des Standes der Technik gemessen wurden, 2 a diagram of the partial discharge signals, which describes the information of the partial discharge signals, which were measured by a device for measuring the partial discharge of the prior art,

3 ein Diagramm eines initialisierten Φn: Φn – 1:N, 3 a diagram of an initialized Φn: Φn - 1: N,

4 eine Ansicht, die ein Entladungsmuster durch ein Φn: Φn – 1:N-Visualisierungsverfahren veranschaulicht, wenn es zwei aufeinanderfolgende Teilentladungssignale gibt, 4 4 is a view illustrating a discharge pattern by a Φn: Φn-1: N visualization method when there are two successive partial discharge signals.

5 eine Ansicht, die ein Entladungsmuster durch ein Φn: Φn – 1:N-Visualisierungsverfahren veranschaulicht, wenn es drei aufeinanderfolgende Teilentladungssignale gibt, 5 3 is a view illustrating a discharge pattern by a Φn: Φn-1: N visualization method when there are three successive partial discharge signals.

6 ein Diagramm von Teilentladungssignalen, veranschaulicht durch ein Φn: Φn – 1:N-Visualisierungsverfahren zum Beschreiben eines Verfahrens der Eingangsvektorbildung zur Autoidentifikation einer Teilentladungsquelle unter Verwendung von neuronalen Netzwerken gemäß der vorliegenden Erfindung, 6 12 is a diagram of partial discharge signals illustrated by a Φn: Φn-1: N visualization method for describing a method of input vector formation for auto-identification of a partial discharge source using neural networks according to the present invention;

7 eine Ansicht zur Beschreibung eines Konzeptes eines Verfahrens zum Extrahieren einer phasenabhängigen Summation und einer phasenunabhängigen Summation, 7 a view for describing a concept of a method for extracting a phase-dependent summation and a phase-independent summation,

8 eine Ansicht zum Beschreiben eines Verfahrens zum Extrahieren einer phasenabhängigen Summation und einer phasenunabhängigen Summation, 8th a view for describing a method for extracting a phase-dependent summation and a phase-independent summation,

9 eine Ansicht zum Veranschaulichen einer mehrschichtigen neuronalen Netzwerkschaltung, und 9 a view illustrating a multilayer neural network circuit, and

10 eine Ansicht zum Veranschaulichen eines Verfahrens zum Unterscheiden der Phase der Leistung einer Entladungserzeugungsposition unter Verwendung der pha senabhängigen Summation gemäß der vorliegenden Erfindung. 10 4 is a view illustrating a method for discriminating the phase of the discharge generation position power using the phase dependent summation according to the present invention.

Im folgenden wird im Detail Bezug genommen auf die Ausführungsformen der vorliegenden Erfindung. Beispiele derselben sind in den beigefügten Zeichnungen veranschaulicht, in denen gleiche Bezugszeichen sich durchgängig auf die gleichen Elemente beziehen. Die Ausführungsformen werden im folgenden beschrieben zur Erläuterung der vorliegenden Erfindung unter Bezugnahme auf die Figuren.in the The following will be referred in detail to the embodiments of the present invention. Examples thereof are given in the accompanying drawings illustrates in which like reference numerals are consistent refer to the same elements. The embodiments will be described below described for explanation of the present invention with reference to the figures.

Ein Eingangsvektorbildungsverfahren eines neuronalen Netzwerks zur Autoidentifikation einer Teilentladungsquelle gemäß der vorliegenden Erfindung wird im folgenden im Detail beschrieben.One Input vectoring method of a neural network for auto-identification a partial discharge source according to the present invention Invention will be described below in detail.

Ein Eingangsvektor wird extrahiert, wobei der Eingangsvektor nicht die Größe der Entladungssignale der Teilentladungssignale und die Phaseninformation der angelegten Spannung beinhaltet. Durch eine neuronale Netzwerk-Vorrichtung kann unter Verwendung des Eingangsvektors in einem Zustand, in dem die Phaseninformation einer an eine Hochspannungs-Anlage angelegten Spannung nicht vorhanden ist, automatisch auf die Quelle der Teilentladung geschlossen werden. Da die beiden Eingangsvektoren nicht die Größeninformation der Entladungssignale verwenden, darf die neuronale Netzwerkschaltung nicht im Hinblick auf die Größe der Signale trainiert werden. Wenn verschiedene Phasen der Leistung der Hochspannungs-Anlage zugeführt werden, werden Eingangsvektoren einschließlich der gefolgerten Teilentladungsquellen und der Phaseninformation so erzeugt, daß eine Phase der zugeführten Leistung an dem Punkt, an dem die Teilentladung erzeugt wird, analysiert werden kann.One Input vector is extracted, where the input vector is not the Size of the discharge signals the partial discharge signals and the phase information of the applied Includes voltage. Through a neural network device can using the input vector in a state where the Phase information of an applied to a high voltage system Voltage is not present automatically to the source of the partial discharge getting closed. Since the two input vectors are not the size information The discharge signals may use the neural network circuit not in terms of the size of the signals be trained. When different phases of the power of the high-voltage plant be fed be input vectors including the inferred partial discharge sources and the phase information is generated so that a phase of the supplied power at the point where the partial discharge is generated can be.

Die vorliegende Erfindung ist bezogen auf die Erzeugung eines Eingangsvektors einer neuronalen Netzwerkschaltung zum Folgern der präzisen Entladungsquellen. Wie in 2 gezeigt, ist es schwierig, die Entladungszeit 220 der auf die grundlegenden Entladungssignale bezogenen Information zu normalisieren, da die Werte der Entladungszeit 220 von verhältnismäßig sehr klein bis verhältnismäßig sehr groß schwanken. Dies auch wegen des Problems, daß eine neuronale Netzwerkvorrichtung für die verschiedenen Größen 230 der Entladungssignale trainiert werden muß. So wird der Eingangsvektor der neuronalen Netzwerkschaltung unter Verwendung lediglich einer Phase 240 der angelegten Spannung 200 erzeugt.The present invention is related to the generation of an input vector of a neural network circuit for inferring the precise discharge sources. As in 2 shown, it is difficult to discharge time 220 to normalize the information related to the basic discharge signals, since the discharge time values 220 from relatively very small to relatively large. This is also because of the problem that a neural network device for the different sizes 230 the discharge signals must be trained. Thus, the input vector of the neural network circuit becomes one phase only 240 the applied voltage 200 generated.

Wie in 3 bis 6 gezeigt, wird zum Erzeugen des Eingangsvektors ein Muster der Entladung durch ein ”Φn: Φn – 1:N-Visualisierungsverfahren” unter Verwendung einer Phase (Φ) 240 der angelegten Spannung ausgebildet, wenn eine Teilentladung auftritt.As in 3 to 6 is shown, to generate the input vector, a pattern of the discharge by a "Φn: Φn - 1: N visualization method" using a phase (Φ) 240 the applied voltage is formed when a partial discharge occurs.

Das Φn: Φn – 1:N-Visualisierungsverfahren beschreibt die Beziehung zwischen den Phasen der an eine Hochspannungs-Leistungsvorrichtung angelegten Spannungen zu Zeitpunkten, wenn nacheinander Entladungen erzeugt werden.The Φn: Φn - 1: N visualization method describes the relationship between the phases of a high-voltage power device applied voltages at times when successive discharges be generated.

Wenn nämlich in einer HochspannungsAnlage nacheinander Entladungssignale erzeugt werden, ist die Phase der Spannung in K Säulen zwischen 0° und 360° der Spannungsphase unterteilt, wie in 3 gezeigt. Danach wird die X-Achse definiert durch die Phase einer Spannung, die daran angelegt wird, wenn ein vorangehendes Entladungssignal auftritt, und die Y-Achse wird definiert durch die Phase einer Spannung, die daran angelegt wird, wenn ein nachfolgendes Entladungssignal auftritt. Wie in 2 gezeigt, nehme man beispielsweise an, daß es drei aufeinanderfolgende Entladungssignale gibt. Bei den ersten beiden Entladungssignalen wird, wenn die Phase Φn – 1 der angelegten Spannung des vorangehenden Entladungssignals der i-ten (1 ≤ i ≤ K) Phase entspricht und die Phase Φn der angelegten Spannung des nachfolgenden Entladungssignals der j-ten (1 ≤ j ≤ K) Phase entspricht, Eins zu einem Wert von (i, j) in einem zweidimensionalen Diagramm, dessen Anfangswert auf Null gesetzt ist, P_ij, hinzu addiert, wie in 4 gezeigt. Wie in 5 gezeigt, können deshalb Phasen der aufeinanderfolgenden Entladungssignale durch das Φn: Φn – 1:N-Visualisierungsverfahren beschrieben werden.Namely, when discharge signals are successively generated in a high voltage plant, the phase of the voltage in K columns is divided between 0 ° and 360 ° of the voltage phase, as in FIG 3 shown. Thereafter, the X-axis is defined by the phase of a voltage applied thereto when a preceding discharge signal occurs, and the Y-axis is defined by the phase of a voltage applied thereto when a subsequent discharge signal occurs. As in 2 For example, suppose that there are three consecutive discharge signals. In the first two discharge signals, when the phase Φn-1 corresponds to the applied voltage of the preceding discharge signal of the ith (1 ≦ i ≦ K) phase, and the phase Φn of the applied voltage of the subsequent discharge signal becomes j-th (1 ≤ j ≤ K) phase, one to a value of (i, j) in a two-dimensional diagram whose initial value is set to zero, P _ij , is added as in 4 shown. As in 5 Therefore, phases of the successive discharge signals can be described by the Φn: Φn-1: N visualization method.

Auf ähnliche Weise wird, wenn die Phase Φn der angelegten Spannung des vorangehenden Entladungssignals des zweiten aufeinanderfolgenden Entladungssignals der j-ten (1 ≤ j ≤ K) Phase entspricht und die Phase Φn + 1 der angelegten Spannung des folgenden Entladungssignals der j'-ten (1 ≤ j' ≤ K) Phase entspricht, Eins zu einem Wert von (j, j') in einem zweidimensionalen Diagramm, dessen Anfangswert auf Null gesetzt wird, P_jj', bei den drei aufeinanderfolgenden Entladungssignalen 210 in 2 hinzu addiert. Wie in 5 gezeigt, können deshalb Phasen der aufeinanderfolgenden Entladungssignale durch das Φn: Φn – 1:N-Visualisierungsverfahren beschrieben werden.Similarly, when the phase Φn of the applied voltage of the preceding discharge signal of the second successive discharge signal corresponds to the jth (1≤j≤K) phase and the phase Φn + 1 corresponds to the applied voltage of the succeeding discharge signal of the j'th ( 1 ≤ j '≤ K) phase corresponds to one of a value of (j, j') in a two-dimensional diagram whose initial value is set to zero, P _{jj '} , in the three successive discharge signals 210 in 2 added. As in 5 Therefore, phases of the successive discharge signals can be described by the Φn: Φn-1: N visualization method.

Die Φn: Φn – 1:N-Muster der Entladungssignale, die durch das oben erwähnte Verfahren für eine gegebene Zeit (T) gemessen werden, können als 6 wiedergegeben werden. Jede Koordinate wird durch einen Farbwert 600 ausgedrückt, der die Anzahl der aufeinanderfolgend erzeugten Teilentladungssignale anzeigt in 6. Hier bezeichnen die X- und die Y-Achse Phasenachsen und sind innerhalb eines Bereichs von 0° bis 360° automatisch normalisiert.The Φn: Φn-1: N patterns of the discharge signals measured by the above-mentioned method for a given time (T) can be referred to as 6 be reproduced. Each coordinate is indicated by a color value 600 expressed in terms of the number of successively generated partial discharge signals in 6 , Here, the X and Y axes denote phase axes and are automatically normalized within a range of 0 ° to 360 °.

Hier kann die Anzahl 600 der Punkte in 6 durch die Dichte der Punkte, die für eine vorbestimmte Zeit wiedergegeben werden, wiedergegeben werden.Here can the number 600 the points in 6 are reproduced by the density of the dots reproduced for a predetermined time.

Da andererseits die Gestalten solch eines durch das Φn: Φn – 1:N-Visualisierungsverfahrens erzeugten Entladungsmusters entsprechend den Arten von Entladungsquellen unterschiedlich ist, ist es hinreichend, Eingangsvektoren basierend auf den Entladungsquellen so zu erzeugen, daß die Eingangsvektoren entsprechend der Art der Teilentladungsquellen unterschieden werden können. Zum Erhalt eines Eingangsvektors ausschließlich der Phaseninformation ist 5 abgewandelt. Wenn nämlich der Bereich unten rechts 500 von 5 vertikal bewegt wird zum Anordnen an der Oberseite von Φn: Φn – 1:N des Standes der Technik, wie in 7 gezeigt, kann ein neues Entladungsmuster 710 erhalten werden, welches als ein ”abgewandeltes Φn: Φn – 1:N-Visualisierungsverfahren” bezeichnet wird. Wenn nämlich in solch einem Diagramm des abgewandelten Φn: Φn – 1:N die Entladungszahl der Y'-Achse bezüglich der X'-Achse aufsummiert wird, kann die Anzahl der in dem gegebenen Φn – 1 erzeugten Entladungen erhalten werden. Da eine solche Summation die Phaseninformation beinhaltet, definiert die vorliegende Erfindung, daß die Summation eine phasenabhängige Summation (PDS) 720 genannt wird. Ein Term PDS_i der i-ten PDS 720 kann durch die folgende Gleichung ausgedrückt werden:

On the other hand, since the shapes of such a discharge pattern generated by the Φn: Φn-1: N visualization method are different according to the types of discharge sources, it is sufficient to generate input vectors based on the discharge sources so as to discriminate the input vectors according to the kind of the partial discharge sources can. To obtain an input vector excluding the phase information 5 modified. If namely the area below right 500 from 5 is moved vertically for arranging at the top of Φn: Φn - 1: N of the prior art, as in 7 can show a new discharge pattern 710 which is referred to as a "modified Φn: Φn - 1: N visualization method". Namely, in such a diagram of the modified Φn: Φn-1: N, the discharge number of the Y'-axis with respect to the X'-axis is summed up, the number of discharges generated in the given Φn-1 can be obtained. Since such a summation includes the phase information, the present invention defines that the summation is a phase-dependent summation (PDS). 720 is called. A term PDS _{i of} the ith PDS 720 can be expressed by the following equation:

Wenn in 7 die Summation bezüglich der X'-Achsenrichtung durchgeführt wird, während ein Punkt entlang der Y'-Achse bewegt wird, kann ein neuer Graph 730 ohne Phaseninformation er halten werden, der phasenunabhängige Summation (PIS) genannt wird, da jeder aufsummierte Punkt nicht eine Summation für spezielle Phasen auf der Φn-Achse und der Φn – 1-Achse ist, sondern eine Summation für die Anzahl der Entladungen entsprechend den Phasen, die unterschiedlich zueinander sind. Ein Term PIS_j des j-ten PDS 730 kann durch die folgende Gleichung ausgedrückt werden:

When in 7 the summation with respect to the X'-axis direction is performed while moving a point along the Y'-axis, a new graph may be made 730 without phase information called phase independent summation (PIS), since each accumulated point is not a summation for specific phases on the Φn axis and the Φn-1 axis, but a summation for the number of discharges corresponding to the phases that are different from each other. A term PIS _{j of} the jth PDS 730 can be expressed by the following equation:

8 ist eine Ansicht zum Beschreiben eines Verfahrens zum Extrahieren der phasenabhängigen Summation 810 und der phasenunabhängigen Summation 820, wobei das Φn: Φn – 1:N-Muster für die wesentlichen Entladungssignale von 6 durch ein abgewandeltes Φn: Φn – 1:N-Visualisierungsverfahren 800 wiedergegeben wird. 8th FIG. 14 is a view for describing a method of extracting the phase-dependent summation. FIG 810 and the phase independent summation 820 , wherein the Φn: Φn - 1: N pattern for the essential discharge signals of 6 by a modified Φn: Φn - 1: N visualization method 800 is reproduced.

Hier sind die phasenabhängige Summation 810 und die phasenunabhängige Summation 820 Parameter, die auf die Entladungsanzahl bezogen sind und immer positiv sind.Here are the phase dependent summation 810 and the phase independent summation 820 Parameters related to the number of discharges and always positive.

9 ist eine Ansicht, die eine mehrschichtige neuronale Netzwerkvorrichtung veranschaulicht. Wie in 9 gezeigt, beinhaltet die mehrschichtige neuronale Netzwerkvorrichtung eine erste Schicht 910, eine N-te Schicht 920 mit Perzeptrons entworfen, Neuronen (Operationen) 950 und Eingangsvektoren 900, die aus gemessenen Entladungssignalen extrahiert werden. Die Schaltung beinhaltet ebenfalls eine Ausgangsschicht 930 zum Einwirken auf die Ausgangsvektoren 940 der neuronalen Netzwerkschaltung, die die Teilentladungsquellen der elektri schen Anlage anzeigt, und Synapsen 950, die die entsprechenden Schichten verbinden. 9 Fig. 13 is a view illustrating a multilayer neural network device. As in 9 As shown, the multilayer neural network device includes a first layer 910 , an Nth layer 920 designed with perceptrons, neurons (operations) 950 and input vectors 900 which are extracted from measured discharge signals. The circuit also includes an output layer 930 for acting on the output vectors 940 the neural network circuit indicating the partial discharge sources of the electrical system, and synapses 950 that connect the corresponding layers.

Wenn die phasenunabhängige Summation 820 als ein Eingangsvektor der mehrschichtigen neuronalen Netzwerk-Schaltung verwendet wird, kann die Teilentladungssignal-Meßvorrichtung die Teilentladungsquellen ungeachtet der Beschaffung der Phaseninformation der angelegten Spannung relativ präzise ermitteln bzw. folgern, da die Phaseninformation einer angelegten Spannung nicht verwendet wird.When the phase independent summation 820 is used as an input vector of the multilayer neural network circuit, the partial discharge signal measuring device can relatively accurately detect the partial discharge sources regardless of the acquisition of the phase information of the applied voltage, because the phase information tion of an applied voltage is not used.

Wenn die phasenunabhängige Summation 820 und die phasenabhängige Summation 810 als Eingangsvektoren der neuronalen Netzwerkschaltung verwendet werden, kann ebenfalls eine neuronale Netzwerkvorrichtung, die durch ein Entladungssignal trainiert wird, das in einer speziellen Signalbeschaffungsvorrichtung gemessen wird, ohne erneutes Training in einer anderen Teilentladungssignal-Erfassungsvorrichtung, deren Signalverstärkungseigenschaften unterschiedlich zu der speziellen Signalerfassungsvorrichtung sind, verwendet werden, da die Information über eine Größe eines Entladungssignals nicht verwendet wird.When the phase independent summation 820 and the phase-dependent summation 810 may be used as input vectors of the neural network circuit, a neural network device trained by a discharge signal measured in a specific signal acquisition device may also be used without retraining in another partial discharge signal detection device whose signal amplification characteristics are different from the specific signal detection device because the information about a size of a discharge signal is not used.

Die neuronale Netzwerkschaltung, die die phasenabhängige Summation 810 und die phasenunabhängige Summation 820 verwendet, verwendet bedeutend mehr Entladungsinformation als jene einer neuronalen Netzwerkschaltung, die lediglich eine phasenunabhängige Summation 820 verwendet, wenn eine Phaseninformation erhalten werden kann. Deshalb kann die neuronale Netzwerkschaltung, die zwei Summationen verwendet, das Erkennungsverhältnis ein wenig erhöhen verglichen zu einer neuronalen Netzwerkschaltung, die lediglich die phasenunabhängige Summation 820 verwendet. In dem Fall jedoch, in dem von der Hochspannungs-Anlage die Phaseninformation erhalten werden kann, zeigt das neuronale Netzwerk mit lediglich der phasenunabhängigen Summation als Eingangsvektor eine gute Klassifizierungsfähigkeit, da die phasenunabhängige Summation nicht die Phaseninformation verwendet.The neural network circuit, which is the phase-dependent summation 810 and the phase independent summation 820 uses much more discharge information than that of a neural network circuit which only has a phase independent summation 820 used when phase information can be obtained. Therefore, the neural network circuit using two summations can increase the recognition ratio somewhat compared to a neural network circuit that only has the phase independent summation 820 used. However, in the case where the phase information can be obtained from the high voltage equipment, the neural network having only the phase independent summation as the input vector shows a good classifying ability because the phase independent summation does not use the phase information.

Wenn die phasenabhängige Summation 810 und die phasenunabhängige Summation 820 verwendet werden, kann die Phase einer an eine Position angelegten Spannung, an der eine Entladung auftritt, analog sein ohne die spezielle Information für die Phase einer Position, an der eine Entladung erzeugt wird, wobei die Entladung in einer Hochspannungs-Anlage auftritt, der die Leistung mit einer Mehrzahl von Phasen zugeführt wird.If the phase-dependent summation 810 and the phase independent summation 820 can be used, the phase of a voltage applied to a position at which a discharge occurs, can be analog without the specific information for the phase of a position at which a discharge is generated, the discharge occurs in a high voltage system, the Power is supplied with a plurality of phases.

Beispielsweise wird unten bei einer Drei-Phasenbündel-GIS, bei der die Phasen R, G und B gleichzeitig vorhanden sind, die Messung der Entladungssignale unter Verwendung einer Teilentladungs-Meßvorrichtung, die synchron zur Phase R ist, im Detail beschrieben, wobei die Teilentladung bei der Phase G auftritt.For example gets down at a three-phase bundle GIS, where the phases R, G and B are present simultaneously, the measurement of the discharge signals using a partial discharge measuring device synchronous to the phase R is described in detail, wherein the partial discharge occurs at the phase G.

Wie in 10 gezeigt, werden zunächst, nachdem die phasenabhängige Summation 1000 und die phasenunabhängige Summation von den Entladungssignalen entsprechend extrahiert wurden, durch eine neuronale Netzwerkvorrichtung, die die phasenunabhängige Summation der Entladungssignale verwendet, die Entladungsquellen geschlußfolgert.As in 10 shown first, after the phase-dependent summation 1000 and the phase independent summation of the discharge signals have been respectively extracted by a neural network device using the phase independent summation of the discharge signals, the discharge sources are inferred.

Danach wird die Gestalt der phasenabhängigen Referenzsummation 1030, die beim Training einer neuronalen Netzwerkschaltung zum Erschließen der Entladungsquellen verwendet wird, mit jener der phasenabhängigen Summation 1000 verglichen, die aus Entladungssignalen erhalten wird bzw. der phasenabhängigen Summationen 1010 und 1020, die als Phase der phasenabhängigen Summation 1000, um 120° bzw. 240° verschoben, erhalten werden.After that, the shape of the phase-dependent reference summation becomes 1030 used in training a neural network circuit to open the discharge sources, with that of the phase-dependent summation 1000 which is obtained from discharge signals or the phase-dependent summations 1010 and 1020 , which is called phase of the phase-dependent summation 1000 to be shifted by 120 ° or 240 °, respectively.

Hier ist die Gestalt, die der phasenabhängigen Referenzsummation 1030 am meisten entspricht, eine phasenabhängige Summation, deren Phase um 120° verschoben ist. Deshalb wird die Teilentladung bei der Phase G erzeugt, die um die Phase 120° führt, wobei der Phase G die Phase R nachfolgt, die synchron zu der Teilentladungs-Meßvorrichtung ist. Durch solch ein Verfahren kann eine Phase einer angelegten Spannung an einer Position, an der eine Teilentladung auftritt, erschlossen werden.Here's the shape, the phase-dependent reference summation 1030 most corresponds to a phase-dependent summation whose phase is shifted by 120 °. Therefore, the partial discharge is generated at the phase G, which leads around the phase 120 °, wherein the phase G follows the phase R, which is synchronous with the partial discharge measuring device. By such a method, a phase of an applied voltage at a position where a partial discharge occurs can be developed.

In diesem Fall gibt es verschiedene Methoden zum numerischen Ausdrücken der Analogie zwischen einer phasenabhängigen Referenzsummation 1030 und einer phasenabhängigen Summation 1000 der Meßsignale oder ihrer phasenverschobenen phasenabhängigen Summationen 1010 bzw. 1020, die als um 120° bzw. 240° verschobene Phase der phasenabhängigen Summation 1000 erzeugt werden. Das einfachste der Verfahren ist die Multiplikation der beiden phasenabhängigen Summationen miteinander. Je mehr die Gestalten der beiden phasenabhängigen Summationen einander ähneln, desto größer ist entsprechend solch einem Verfahren der Wert der Integration des Multiplikationswertes (welcher einer Fläche für eine Kurve der Multiplikations-phasenabhängigen Summationen ist).In this case, there are several methods for numerically expressing the analogy between a phase-dependent reference summation 1030 and a phase-dependent summation 1000 the measurement signals or their phase-shifted phase-dependent summations 1010 respectively. 1020 , as phase shifted by 120 ° or 240 ° phase of the phase-dependent summation 1000 be generated. The simplest of the methods is the multiplication of the two phase-dependent summations with each other. The more the shapes of the two phase-dependent summations are similar to one another, the greater the value of the integration of the multiplication value (which is an area for a curve of the multiplication-phase-dependent summations) according to such a method.

Wenn in dem obigen Beispiel die Multiplikation der phasenabhängigen Summationen 1000, 1010 und 1020 und eine phasenabhängige Referenzsummation 1030 integriert werden zum Erzeugen von Integralflächen 1040, 1050, 1060, ist die phasenabhängige Summation 1010, deren Phase um 120° verschoben ist, was die In tegralfläche 1050 am größten macht, jene, die der phasenabhängigen Referenzsummation 1030 am besten entspricht.If, in the example above, the multiplication of the phase-dependent summations 1000 . 1010 and 1020 and a phase dependent reference summation 1030 be integrated to create integral surfaces 1040 . 1050 . 1060 , is the phase-dependent summation 1010 , whose phase is shifted by 120 °, what the In tegralfläche 1050 makes the largest, those that the phase-dependent reference summation 1030 best matches.

Auch Verfahren wie z. B. eine Kreuzkorrelation, etc. können eine Phase ableiten.Also Procedures such. As a cross-correlation, etc. can be a Derive phase.

Wie oben erwähnt hat das Eingangsvektorbildungsverfahren eines neuronalen Netzwerks zur Autoidentifikation einer Teilentladungsquelle gemäß der vorliegenden Erfindung den Vorteil, daß Meßvorbereitungsaufwendungen und Kosten verringert werden können, da es nicht nötig ist, die Phaseninformation der elektrischen Anlage zu erhalten in einem Zustand, in dem ein Phasensignal nicht auf einfache Weise von einem PT oder einem Spannungsteiler, etc. zugeführt werden kann, wenn eine neuronale Netzwerkschaltung, die eine phasenunabhängige Summation anwendet, verwendet wird. Zusätzlich hat das Verfahren den Vorteil, daß ein Schlußfolgerungsergebnis von verhältnismäßig hoher Zuverlässigkeit der Auto-Klassifikation für die Entladungsquellen erhalten werden kann und eine identische neuronale Netzwerkschaltung in einer anderen Teilentladungs-Meßvorrichtung verwendet werden kann, in der Eigenschaften eines Verstärkers oder eines Signalabschwächers, die in der Teilentladungs-Meßvorrichtung sind, voneinander verschieden sind, da der Eingangsvektor einer neuronalen Netzwerkvorrichtung aus Entladungsarten extrahiert wird, die nicht die Größeninformation des Teilentladungssignals enthalten.As mentioned above, the input vector forming method of a neural network for auto-identification of a partial discharge source according to the present invention has the advantage that measurement preparation costs and costs can be reduced because it is unnecessary to change the phase information tion of the electrical system in a state in which a phase signal can not be easily supplied from a PT or a voltage divider, etc., when a neural network circuit employing a phase independent summation is used. In addition, the method has the advantage that a conclusion result of relatively high reliability of the auto-classification for the discharge sources can be obtained, and an identical neural network circuit can be used in another partial discharge measuring apparatus in the characteristics of an amplifier or a signal attenuator incorporated in of the partial discharge measuring device are different from each other since the input vector of a neural network device is extracted from discharge modes which do not include the size information of the partial discharge signal.

Weiterhin kann das Verfahren eine größere Gelegenheit zur Wiederherstellung bei abnormalen Zuständen einer elektrischen Anlage mit verschiedenen Leistungsphasen geben, da die Phase der angelegten Spannung an einem Abschnitt, an dem die Teilentladung erzeugt wird, unter Verwendung der phasenunabhängigen Summation und der phasenabhängigen Summation erfaßt werden kann und so Positionen, an denen Teilentladungen erzeugt werden, auf einfache Weise aufgespürt werden können.Farther The procedure can be a bigger opportunity for the restoration of abnormal conditions of an electrical system with different phases of performance, given the phase of the applied Voltage at a portion where the partial discharge is generated using the phase independent Summation and the phase-dependent Summation detected can be and so positions, where partial discharges generated be tracked down in a simple way.

Claims

An input vector forming method of a neural network for auto-identification of a partial discharge source, which automatically opens the source of partial discharge signals generated in a high-voltage installation such as a GIS, a transformer, a power cable, an electricity distribution apparatus, and in various neural network devices such. A multi-layer perceptron, a self-organizing map, etc., the method comprising the steps of: forming a Φn: Φn-1: N graph using the discharge signals measured by a partial discharge measuring device, wherein the phase of the voltage of the Φn: Φn-1: N graph is divided into K columns between 0 ° and 360 ° of the voltage phase, then the X-axis is defined by the phase of an applied voltage of a preceding discharge signal and the Y-axis is defined by the phase of an applied voltage of a subsequent discharge signal, wherein the Φn: Φn-1: N graph describes the phases of successive discharge signals by adding one to a value _Pij of (i, j) in a two-dimensional diagram whose Initial value is set to zero when the phase Φn - 1 of the applied voltage of the preceding discharge signal of the first successive discharge signal s corresponds to the i-th (1≤i≤K) phase, and the phase φn corresponds to the applied voltage of the subsequent discharge signal of the jth (1≤j≤K) phase, and one adds to a value _{Pjj '} of (j , j ') is added in a two-dimensional diagram whose initial value is set to zero when the phase Φn of the applied voltage of the preceding discharge signal of the second successive discharge signal corresponds to the jth (1 ≦ j ≦ K) phase and the phase Φn + 1 corresponds to the applied voltage of the subsequent discharge signal of the j'th (1 ≦ j '≦ K) phase; Modifying the Φn: Φn-1: N graph into a modified Φn: Φn-1: N graph by vertically moving the area at the bottom right to be located at the top of the Φn: Φn-1: N graph after dividing the Φn: Φn-1: N graph on the basis of a diagonal line into the two areas upper left and lower right; Obtaining the phase dependent summation used as the input vector of the neural network device, the phase dependent summation having phase information; Obtaining the phase independent summation used as the input vector of the neural network device, the phase independent summation having no phase information; Inputting the phase-dependent summation and the phase-independent summation as input vector into the neural network device; and identifying the phase of a phase shifted phase dependent summation most closely similar to a phase dependent reference summation to identify which phase of the phases R, G or B is the phase of power applied at a point at which a partial discharge signal is generated; wherein the step of identifying compares the shape of the phase-dependent summation obtained from the discharge signals and the shape of the phase-dependent summation obtained after the phase-dependent summation has been shifted by 120 ° and 240 ° with the shape of the phase-dependent reference summation obtained from training data of the neural network is generated to open up the discharge source.

The method of claim 1, wherein the step of identifying comprises the steps of: obtaining the multiplied value by multiplying the phase-dependent summation obtained from the discharge signals and the phase-dependent summation obtained after the phase-dependent summation has been shifted by 120 ° and 240 °, with the phase dependent reference summation generated from training data of the neural network to access the discharge source; Integrating the multiplication value; and opening the phase of the phase-dependent summation having the largest integral area as a phase of power supplied at a point at which a discharge signal is generated.

The method of claim 1, wherein the step of Identify the following steps: Obtain a cross-correlation value between the phase-dependent Summation obtained from discharge signals, the phase-dependent summation, which was obtained after the phase-dependent summation shifted by 120 ° and 240 ° was, and the phase-dependent Reference summation; and Opening the phase of the phase-dependent summation, which is the largest cross-correlation value has, as a phase of a power supplied to a point at which Discharge signal is generated.