CN107271868A - 一种基于多神经网络的局部放电时延计算误差补偿方法 - Google Patents

Abstract

本发明公开了一种基于多神经网络的局部放电时延计算误差补偿方法，其包括步骤：(1)将测量空间划分为多个空间区域；(2)采集若干样本局部放电信号，计算样本时延值；(3)计算理论时延值；(4)对应多个空间区域训练多个神经网络，其中以相应的样本时延值为样本输入，以相应的理论时延值为期望输出；(5)采集放电源位置待定的局部放电信号，计算初步时延值和初步放电源位置；(6)将初步时延值输入初步放电源位置对应的神经网络，输出最终时延值。本发明方法能补偿时延的计算误差，提高时延值准确度。此外，本发明还公开了一种基于多神经网络的局部放电定位***，其采用上述方法对初步时延值的误差进行补偿，能提高定位准确度。

Description

一种基于多神经网络的局部放电时延计算误差补偿方法

技术领域

本发明涉及电力设备监控领域，尤其涉及一种基于多神经网络的局部放电时延计算误差补偿方法及基于多神经网络的局部放电定位***。

背景技术

局部放电是引起电力设备绝缘故障的主要原因之一。在电力设备投入运行后，绝缘劣化的存在往往会导致局部放电的发生，而局部放电反过来会加剧绝缘劣化的程度，甚至会导致绝缘击穿，形成恶性循环，进而导致重大事故的发生。对局部放电的放电源位置进行定位，可以及时地发现电力设备的故障位置，提高检修的效率，有效避免重大事故的发生，并且可以有效节约人力成本，因此局部放电的准确定位有重大意义。

基于特高频(UHF)信号的定位法具有抗干扰性强、灵敏度高、可远距离检测等优点，近年来已被国内外学者广泛研究。基于特高频信号的定位法是通过若干传感器分别采集放电源发出的特高频局部放电信号，基于时延算法计算各个传感器接收到的特高频局部放电信号之间的时延值，然后基于时延值确定放电源位置坐标，因此时延值的计算准确度将大大影响到局部放电的定位准确度。

传统的时延统计算法主要有阈值法、能量积累法和相关估计法等。为了在传统算法的基础上进一步提高定位准确度，一些改进型算法相继被提出，如双谱估计算法、高阶统计量法、插值相关法等，但是这些算法依旧受限于采样精度和现场干扰的影响，实际使用效果不佳，所得时延值准确度不高，从而导致局部放电定位的准确度也不高。

发明内容

本发明的目的之一是提供一种基于多神经网络的局部放电时延计算误差补偿方法，其能够补偿局部放电时延的计算误差，提高时延值准确度。

基于上述目的，本发明提供了一种基于多神经网络的局部放电时延计算误差补偿方法，其包括步骤：

(1)将局部放电信号测量范围内的空间划分为多个空间区域；

(2)采集分布在所述多个空间区域内的放电源位置已知的若干样本局部放电信号，基于时延算法计算相应的样本时延值；

(3)基于所述已知的放电源位置计算所述若干样本局部放电信号的理论时延值；

(4)分别对应所述多个空间区域训练多个神经网络，其中每个神经网络以其对应的空间区域相应的所述样本时延值为样本输入，以其对应的空间区域相应的所述理论时延值为期望输出进行训练；

(5)采集放电源位置待定的局部放电信号，基于时延算法计算相应的初步时延值，并基于该初步时延值确定所述局部放电信号的初步放电源位置；

(6)将所述初步时延值输入所述初步放电源位置对应的所述神经网络，所述神经网络补偿所述初步时延值的误差，输出最终时延值。

本发明所述的基于多神经网络的局部放电时延计算误差补偿方法，其采用与现有技术中的对时延算法作进一步改进完全不同的构思，即利用神经网络学习并模拟局部放电信号的时延计算误差分布，构建时延误差补偿曲面，通过神经网络补偿初步时延值的误差，从而提高时延值准确度。此外，本发明还将局部放电信号测量范围内的空间划分为多个空间区域，针对每个空间区域单独训练相应的神经网络。

所述步骤(6)中，本方法可以基于已有的定位***进行误差补偿，对于空间中的局部放电，定位***首先会计算出初步的定位结果，并根据该初步的定位结果选择相应空间区域对应的神经网络进行误差补偿。

所述神经网络优选RBF(径向基)神经网络，其能够全局无限逼近非线性误差函数，并且网络结构简单，高度容错，训练快速易行，非常适合应用于数据误差修正。局部放电信号时差值的误差是复杂的非线性函数，RBF(径向基)神经网络是一种前向网络，能够以任意精度拟合非线性函数；与BP神经网络相比，不会陷入拟合到局部最优解的问题；同时由于RBF神经网络结构紧凑，易于构造，训练速度块，更适合在工程实践中应用。因此本发明优选RBF神经网络进行误差修正。

本发明所述的基于多神经网络的局部放电时延计算误差补偿方法可以用于基于多神经网络的局部放电定位***的时延值计算，从而提高基于多神经网络的局部放电定位***的时延值准确度，进而提高基于多神经网络的局部放电定位***的定位准确度。

进一步地，本发明所述的基于多神经网络的局部放电时延计算误差补偿方法中，所述步骤(2)和步骤(5)中的时延算法为同一时延算法。

进一步地，本发明所述的基于多神经网络的局部放电时延计算误差补偿方法中，所述时延算法包括阈值法、能量积累法、相关估计法、双谱估计算法、高阶统计量法以及插值相关法中的至少其中之一。

进一步地，本发明所述的基于多神经网络的局部放电时延计算误差补偿方法中，通过固定位于不同位置的若干传感器采集局部放电信号。

更进一步地，上述基于多神经网络的局部放电时延计算误差补偿方法中，所述若干传感器为特高频传感器。

更进一步地，上述基于多神经网络的局部放电时延计算误差补偿方法中，所述若干传感器的数量为四个。

更进一步地，上述基于多神经网络的局部放电时延计算误差补偿方法中，所述时延值为四维向量。

上述方案中，在四个传感器的两两组合中选择四种组合，该四种组合对应同一个放电源的四个时延值以四维向量的形式表述。

更进一步地，上述基于多神经网络的局部放电时延计算误差补偿方法中，所述神经网络包括RBF神经网络，其中RBF神经网络的输入节点个数为4，输出节点个数为4。

上述方案中，由于时延值为四维向量，因此RBF神经网络的输入节点和输出节点个数均为4。

进一步地，本发明所述的基于多神经网络的局部放电时延计算误差补偿方法中，所述神经网络包括RBF神经网络。

更进一步地，上述基于多神经网络的局部放电时延计算误差补偿方法中，所述RBF神经网络的基函数为高斯函数。

本发明的另一目的是提供一种基于多神经网络的局部放电定位***，其能够提高局部放电定位准确度。

基于上述目的，本发明提供了一种基于多神经网络的局部放电定位***，其基于时延值确定局部放电信号的放电源位置，其采用上述方法对初步时延值的误差进行补偿，所述***包括相互连接的传感器和数据处理与分析单元，其中：

所述数据处理与分析单元将局部放电信号测量范围内的空间划分为多个空间区域；

所述传感器采集分布在所述多个空间区域内的放电源位置已知的若干样本局部放电信号，所述数据处理与分析单元基于时延算法计算相应的样本时延值；

所述数据处理与分析单元基于所述已知的放电源位置计算所述若干样本局部放电信号的理论时延值；

所述数据处理与分析单元分别对应所述多个空间区域训练多个神经网络，其中每个神经网络以其对应的空间区域相应的所述样本时延值为样本输入，以其对应的空间区域相应的所述理论时延值为期望输出进行训练；

所述传感器采集放电源位置待定的局部放电信号，所述数据处理与分析单元基于时延算法计算相应的初步时延值，并基于该初步时延值确定所述局部放电信号的初步放电源位置；

所述数据处理与分析单元将所述初步时延值输入所述初步放电源位置对应的所述神经网络，所述神经网络补偿所述初步时延值的误差，输出最终时延值；

所述数据处理与分析单元基于所述最终时延值确定所述局部放电信号的放电源位置。

本发明所述的基于多神经网络的局部放电定位***，由于其采用上述方法对初步时延值的误差进行补偿，因此可以提高基于多神经网络的局部放电定位***的时延值准确度，进而提高基于多神经网络的局部放电定位***的定位准确度。具体原理前已描述，在此不再赘述。

本发明所述的基于多神经网络的局部放电时延计算误差补偿方法，其具有以下优点和有益效果：

1)可以显著提高局部放电时延计算所得时延值的准确度和精确度。

2)可以用于基于多神经网络的局部放电定位***的时延值计算，从而提高基于多神经网络的局部放电定位***的时延值准确度，进而提高基于多神经网络的局部放电定位***的定位准确度。

3)可应用于电力变电站设备绝缘维护及在线监测领域。

本发明所述的基于多神经网络的局部放电定位***，其具有以下优点和有益效果：

1)可以显著提高局部放电定位的准确度和精确度。

2)硬件资源消耗较小。

3)可应用于电力变电站设备绝缘维护及在线监测领域。

4)可以及时地发现电力设备的故障位置，提高检修的效率，有效避免重大事故的发生，并且可以有效节约人力成本。

附图说明

图1为本发明所述的基于多神经网络的局部放电时延计算误差补偿方法在一种实施方式下的流程示意图。

图2为本发明所述的基于多神经网络的局部放电时延计算误差补偿方法在一种实施方式下的放电源位置标定示意图。

图3为本发明所述的基于多神经网络的局部放电时延计算误差补偿方法在一种实施方式下的RBF神经网络的基本结构图。

图4为本发明所述的基于多神经网络的局部放电定位***在一种实施方式下的定位原理图。

图5为本发明所述的基于多神经网络的局部放电定位***在一种实施方式下的结构示意图。

图6为本发明验证实例中的传感器测量到的一组局部放电波形。

图7为本发明验证实例中的神经网络的训练过程误差和训练目标误差曲线图。

图8为本发明验证实例中的局部放电定位结果雷达图。

具体实施方式

下面结合说明书附图及实施例进一步说明本发明所述的技术方案。

图1示意了本发明所述的基于多神经网络的局部放电时延计算误差补偿方法在一种实施方式下的流程。

如图1所示，本实施方式的基于多神经网络的局部放电时延计算误差补偿方法包括步骤：

(1)将局部放电信号测量范围内的空间划分为多个空间区域。

该步骤通常需要首先对放电源位置进行标定。例如，如图2所示，假定误差值在不同方向角上的分布规律相同，取四个传感器S₁、S₂、S₃以及S₄的中心为坐标原点，传感器S₁、S₂中线方向为0度，在0度方向上用卷尺对测量点位置坐标进行标定。由于现有定位***测量范围约为20米，取r＝2m、4m、6m、8m、12m、15m、18m作为标定点A的取值序列。然后根据该取值序列划分多个空间区域，例如划分三个空间区域，方向角θ∈[0°,360°]，径向距离分别为r∈[0m,6m]、r∈[6m,12m]、r∈[12m,18m]。

(2)采集分布在多个空间区域内的放电源位置已知的若干样本局部放电信号，基于时延算法计算相应的样本时延值。

例如，如图2所示，为了训练方向角θ∈[0°,360°]，径向距离分别为r∈[0m,6m]、r∈[6m,12m]、r∈[12m,18m]范围内放电源产生的局部放电信号的时延计算误差补偿神经网络，需要在放电源位置已知的标定点A处模拟放电，产生若干样本局部放电信号，从而可以计算相应的样本时延值。例如利用局放定位***基于时延算法计算样本时延值[t₂₁,t₄₃,t₄₁,t₃₂]，其中t₂₁为传感器S₂和S₁之间的样本时延值，t₄₃为传感器S₄和S₃之间的样本时延值，t₄₁为传感器S₄和S₁之间的样本时延值，t₃₂为传感器S₃和S₂之间的样本时延值。

现场可采用手持式静电枪在标定点A处进行放电，模拟局部放电的发生。

(3)基于已知的放电源位置计算若干样本局部放电信号的理论时延值。

由于电磁波在空气中以光速传播，根据四个传感器与局部放电的放电源的相对位置关系，即可计算出理论时延值。例如计算理论时延值[Δt₂₁,Δt₄₃,Δt₄₁,Δt₃₂]，其中Δt₂₁为传感器S₂和S₁之间的理论时延值，Δt₄₃为传感器S₄和S₃之间的理论时延值，Δt₄₁为传感器S₄和S₁之间的理论时延值，Δt₃₂为传感器S₃和S₂之间的理论时延值。

(4)分别对应多个空间区域训练多个神经网络，其中每个神经网络以其对应的空间区域相应的样本时延值为样本输入，以其对应的空间区域相应的理论时延值为期望输出进行训练。

该步骤通常需要首先构造多个神经网络，该多个神经网络通常为同一类型。

以RBF神经网络为例，其基本结构如图3所示，其中x_n表示网络的输入层节点，R_m表示隐层的基函数，y_k表示网络的输出层节点。x_n中的n表示输入层节点的维数，即n个输入节点；R_m中的m表示隐层节点的维数，即m个隐层节点；y_k中的k表示输出层节点的维数，即k个输出层节点。

构造神经网络的基本步骤如下：

1.确定输入向量维数。

输入向量维数即为输入层节点的个数。例如输入向量为传感器间的四个时延值时，输入向量选择四维向量X＝[x₁,x₂,x₃,x₄]，即n＝4。

2.确定神经网络参数。

对于RBF神经网络，其输出与输入的映射关系可表示为：

式中y_i中的i表示变量，y_i中的i可以取[1,k]中的值，y_i中的i的最大值为上述k。

式中ω_j为隐层节点到输出层节点的权值，R_j(x)为基函数，对输入信号在局部产生响应，其可以选择为高斯函数，即

式中x为输入向量；||·||为欧几里得范数，表示向量间的欧氏距离；exp[]表示以自然常数e为底的指数函数；c_j和σ_j分别为基函数的中心与神经元高斯函数的宽度；m为隐层节点的数目。R_j(x)在c_j处服从高斯分布。

3.隐层神经元个数的确定。

ω_j为隐藏节点到输出节点的网络权值，根据不断的迭代调整为最优值；设y_i为网络实际输出值，p_i为样本的期望输出，则单个RBF神经网络的训练误差可表示为：

隐层神经元从1开始依次增加1，每次调整后计算神经网络训练误差，当训练误差满足要求或神经元个数达到输入数据个数时停止增加。

4.确定输出向量维数。

输出向量维数即为输出节点的个数，例如输出为四维的时延值，则输出向量选择为四维向量，即k＝4。

然后，分别对应多个空间区域训练多个上述神经网络，其中每个神经网络以其对应的空间区域相应的样本时延值为样本输入，以其对应的空间区域相应的理论时延值为期望输出进行训练。例如分别对应上述三个空间区域，即方向角θ∈[0°,360°]，径向距离分别为r∈[0m,6m]、r∈[6m,12m]、r∈[12m,18m]，将对应空间区域的上述样本时延值[t₂₁,t₄₃,t₄₁,t₃₂]代入对应空间区域的神经网络的输入层节点，即X＝[x₁,x₂,x₃,x₄]＝[t₂₁,t₄₃,t₄₁,t₃₂]，将对应空间区域的上述理论时延值[Δt₂₁,Δt₄₃,Δt₄₁,Δt₃₂]代入对应空间区域的神经网络的p_i作为样本的期望输出，分别训练对应三个空间区域的三个神经网络。

(5)采集放电源位置待定的局部放电信号，基于时延算法计算相应的初步时延值，并基于该初步时延值确定所述局部放电信号的初步放电源位置。

例如，基于时延算法计算得出初步时延值[t₂₁’,t₄₃’,t₄₁’,t₃₂’]，并基于该初步时延值确定初步放电源位置r₀，其中t₂₁’为传感器S₂和S₁之间的初步时延值，t₄₃’为传感器S₄和S₃之间的初步时延值，t₄₁’为传感器S₄和S₁之间的初步时延值，t₃₂’为传感器S₃和S₂之间的初步时延值。

(6)将初步时延值输入所述初步放电源位置对应的神经网络，神经网络补偿初步时延值的误差，输出最终时延值。

例如，将上述初步时延值[t₂₁’,t₄₃’,t₄₁’,t₃₂’]输入初步放电源位置r₀对应的神经网络，即r₀∈[0m,6m]、r₀∈[6m,12m]、r₀∈[12m,18m]中判断为真的相应空间区域对应的神经网络，X＝[x₁,x₂,x₃,x₄]＝[t₂₁’,t₄₃’,t₄₁’,t₃₂’]；则神经网络的输出向量[Δt₂₁’,Δt₄₃’,Δt₄₁’,Δt₃₂’]为误差补偿后的最终时延值。

上述实施方式中，步骤(2)和步骤(5)中的时延算法通常为同一时延算法。其中，时延算法通常包括阈值法、能量积累法、相关估计法、双谱估计算法、高阶统计量法以及插值相关法中的至少其中之一。

上述实施方式中，通过固定位于不同位置的若干传感器采集局部放电信号。其中，若干传感器优选特高频传感器，其数量优选为四个，时延值优选为四维向量，神经网络优选RBF神经网络，其中RBF神经网络的输入节点个数为4，输出节点个数为4，RBF神经网络的基函数优选为高斯函数。

图4示意了本发明所述的基于多神经网络的局部放电定位***在一种实施方式下的定位原理。

如图4所示，局部放电的放电源位置坐标为P(x,y,z)，四个传感器S₁、S₂、S₃以及S₄放置在同一水平面z＝0上，坐标分别为S₁(0,0,0)、S₂(l₁,0,0)、S₃(l₁,l₂,0)、S₄(0,l₂,0)。本发明方法主要应用于局部放电定位***的信号处理阶段中，利用神经网络学习并模拟定位***时延计算的误差分布，对定位***初步计算出的时延进行校正补偿，并利用校正后的时延值进行定位得出定位结果r’和θ’。

本实施方式的基于多神经网络的局部放电定位***基于时延值确定局部放电信号的放电源位置，采用上述方法对对初步时延值的误差进行补偿，该***包括相互连接的传感器和数据处理与分析单元。其中：

数据处理与分析单元将局部放电信号测量范围内的空间划分为多个空间区域。

传感器采集分布在多个空间区域内的放电源位置已知的若干样本局部放电信号，数据处理与分析单元基于时延算法计算相应的样本时延值。

数据处理与分析单元基于已知的放电源位置计算若干样本局部放电信号的理论时延值。

数据处理与分析单元分别对应多个空间区域训练多个神经网络，其中每个神经网络以其对应的空间区域相应的样本时延值为样本输入，以其对应的空间区域相应的理论时延值为期望输出进行训练。

传感器采集放电源位置待定的局部放电信号，数据处理与分析单元基于时延算法计算相应的初步时延值，并基于该初步时延值确定所述局部放电信号的初步放电源位置。

数据处理与分析单元将初步时延值输入所述初步放电源位置对应的神经网络，神经网络补偿初步时延值的误差，输出最终时延值。

数据处理与分析单元基于最终时延值确定局部放电信号的放电源位置。例如，将上述最终时延值[Δt₂₁’,Δt₄₃’,Δt₄₁’,Δt₃₂’]代入基于多神经网络的局部放电定位***进行局部放电定位，得出定位结果r’和θ’。

图5示意了本发明所述的基于多神经网络的局部放电定位***在一种实施方式下的结构。

如图5所示，该实施方式的基于多神经网络的局部放电定位***包括RBF₁、RBF₂、RBF₃三个RBF神经网络，其中RBF₁对应径向距离r∈[0m,6m]的空间区域，RBF₂对应径向距离r∈[6m,12m]的空间区域，RBF₃对应径向距离r∈[12m,18m]的空间区域。

下面通过一个具体实例验证本发明，该实例采用上述***对局部放电进行定位。

1.误差修正神经网络的建立。

现场测试中采用手持式静电***拟局部放电，该静电枪可依照EN/IEC61000-4-2标准产生精确的放电脉冲。取r＝2m、4m、6m、8m、12m、15m、18m作为标定点进行放电并定位。针对三段径向距离r∈[0m,6m]、r∈[6m,12m]、r∈[12m,18m]的空间区域分别建立对应的神经网络RBF₁、RBF₂和RBF₃。现场试验的示意图可参考图2，四个超高频传感器接收到的典型的一组四路(CH1、CH2、CH3、CH4)信号如图6所示，横坐标为时间，纵坐标为电压。

未进行修正的定位结果如表1所示。

表1.未修正定位结果

实验结果表明，在未应用神经网络误差校正时，定位距离误差约为3m-4m，定位角度误差约为12°，定位平均误差较大，定位点方差较大。

2.神经网络局部放电定位修正验证。

分别用测得的45组、35组、45组数据训练神经网络RBF₁、RBF₂和RBF₃，其中RBF₁的收敛过程如图7所示，其中B为训练过程误差曲线，C为训练目标误差曲线，B曲线中45个神经元均方误差为0.0171095。

利用RBF神经网络修正初步时延值，将补偿后的初步时延值(即最终时延值)输入定位***重新进行定位，定位结果表2所示。

表2.修正后定位结果

局部放电定位结果雷达图如图8所示，其中D表示校正前定位点，E表示校正后定位点，F表示实际放电点。

实验结果表明，修正后的定位结果与修正前相比准确度和精度提高，距离定位误差可以控制在0.5m以内，方向角定位误差控制在6°以内，定位结果离散程度大大降低，一定程度上消减了时延误差对于定位精度的影响。经过实验证明，本发明所提出的基于多神经网络的局部放电定位***能够显著提高局部放电定位准确度和精度。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (11)

1.一种基于多神经网络的局部放电时延计算误差补偿方法，其特征在于，包括步骤：

(1)将局部放电信号测量范围内的空间划分为多个空间区域；

(2)采集分布在所述多个空间区域内的放电源位置已知的若干样本局部放电信号，基于时延算法计算相应的样本时延值；

(3)基于所述已知的放电源位置计算所述若干样本局部放电信号的理论时延值；

(4)分别对应所述多个空间区域训练多个神经网络，其中每个神经网络以其对应的空间区域相应的所述样本时延值为样本输入，以其对应的空间区域相应的所述理论时延值为期望输出进行训练；

(5)采集放电源位置待定的局部放电信号，基于时延算法计算相应的初步时延值，并基于该初步时延值确定所述局部放电信号的初步放电源位置；

(6)将所述初步时延值输入所述初步放电源位置对应的所述神经网络，所述神经网络补偿所述初步时延值的误差，输出最终时延值。

2.如权利要求1所述的基于多神经网络的局部放电时延计算误差补偿方法，其特征在于，所述步骤(2)和步骤(5)中的时延算法为同一时延算法。

3.如权利要求1所述的基于多神经网络的局部放电时延计算误差补偿方法，其特征在于，所述时延算法包括阈值法、能量积累法、广义相关法、双谱估计算法、高阶统计量法以及插值相关法中的至少其中之一。

4.如权利要求1所述的基于多神经网络的局部放电时延计算误差补偿方法，其特征在于，通过固定位于不同位置的若干传感器采集局部放电信号。

5.如权利要求4所述的基于多神经网络的局部放电时延计算误差补偿方法，其特征在于，所述若干传感器为特高频传感器。

6.如权利要求5所述的基于多神经网络的局部放电时延计算误差补偿方法，其特征在于，所述若干传感器的数量为四个。

7.如权利要求6所述的基于多神经网络的局部放电时延计算误差补偿方法，其特征在于，所述时延值为四维向量。

8.如权利要求7所述的基于多神经网络的局部放电时延计算误差补偿方法，其特征在于，所述神经网络包括RBF神经网络，其中RBF神经网络的输入节点个数为4，输出节点个数为4。

9.如权利要求1-7中任意一项权利要求所述的基于多神经网络的局部放电时延计算误差补偿方法，其特征在于，所述神经网络包括RBF神经网络。

10.如权利要求9所述的基于多神经网络的局部放电时延计算误差补偿方法，其特征在于，所述RBF神经网络的基函数为高斯函数。

11.一种基于多神经网络的局部放电定位***，其基于时延值确定局部放电信号的放电源位置，其特征在于，采用如权利要求1-10中任意一项权利要求所述方法对初步时延值的误差进行补偿，所述***包括相互连接的传感器和数据处理与分析单元，其中：

所述数据处理与分析单元将局部放电信号测量范围内的空间划分为多个空间区域；

所述传感器采集分布在所述多个空间区域内的放电源位置已知的若干样本局部放电信号，所述数据处理与分析单元基于时延算法计算相应的样本时延值；

所述数据处理与分析单元基于所述已知的放电源位置计算所述若干样本局部放电信号的理论时延值；

所述数据处理与分析单元分别对应所述多个空间区域训练多个神经网络，其中每个神经网络以其对应的空间区域相应的所述样本时延值为样本输入，以其对应的空间区域相应的所述理论时延值为期望输出进行训练；

所述传感器采集放电源位置待定的局部放电信号，所述数据处理与分析单元基于时延算法计算相应的初步时延值，并基于该初步时延值确定所述局部放电信号的初步放电源位置；

所述数据处理与分析单元将所述初步时延值输入所述初步放电源位置对应的所述神经网络，所述神经网络补偿所述初步时延值的误差，输出最终时延值；

所述数据处理与分析单元基于所述最终时延值确定所述局部放电信号的放电源位置。