CN109116203A - 基于卷积神经网络的电力设备局部放电故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于卷积神经网络的电力设备局部放电故障诊断方法，涉及测量电变量领域，包括以下步骤：对典型故障缺陷模型的局放信号进行采集，建立PRPD图谱数据库；灰度图构造模块用PRPD获得局部放电灰度图；用具备残差结构的卷积神经网络建立的特征提取模块提取灰度图的辨识特征；将辨识特征送入分类器进行识别训练；将灰度图构造模块、特征提取模块和分类器作为检测仪器的诊断模块。本发明将局部放电的PRPD数据转变为灰度图，用具备残差结构的卷积神经网络强大的特征自适应提取能力，提取灰度图的辨识特征，并将特征应用于经典分类器，将深度学习方法和传统机器学习方法有效融合，提取的特征辨识度高，可提升故障诊断的准确率。

Description

基于卷积神经网络的电力设备局部放电故障诊断方法

技术领域

本发明涉及共享技术领域，更具体地说是指一种基于卷积神经网络的电力设备局部放电故障诊断方法。

背景技术

电力设备在设计、制造、运输、安装、长期运行和维护过程中，设备内部有可能出现各种引起严重危害的潜伏性绝缘缺陷，产生不同类型的局部放电（Partial Discharge，PD）。不同局部放电类型反映的绝缘劣化机理不同，对设备绝缘能力损害程度也不同，所以开展电力设备局部放电特性及其诊断方法的研究对电力设备的安全稳定运行和现场故障处理的指导具有重要意义。

针对电力设备局部放电信号的识别主要有基于时间的TRPD模式（Time ResolvedPartial Discharge，TRPD）和基于相位的PRPD模式（Phase Resolvd Partial Discharge，PRPD）两种。相比于TRPD模式，PRPD模式技术具有成熟，稳定性好，数据量小的优点。因此PRPD模式得到了较为广泛的运用，目前基于PRPD数据的特征提取方法主要有统计特征法、脉冲特征法、矩特征法、分形特征法、小波分析法等。上述方法主要提取PRPD数据的浅层特征表达，具有一定主观性，且信息丢失严重，导致识别率降低。局部放电灰度图是基于PRPD模式的一种数据处理方法，它利用灰度图像素点信息将PRPD数据综合联系起来，相比于原始PRPD数据，局部放电灰度图具有信息集中，特征更为直观的优点，目前针对局部放电灰度图的特征提取方法主要是利用图像分析预处理方法提取图像的纹理特征，如基于灰度共生矩阵（Gray Level Co-occurrence Matrix，GLCM）和局部二值模式（Local BinaryPattern，LBP）的图像特征提取方法。但该方法同样具有依赖专家经验、主观性强、识别率低等缺点。近些年来，深度学习方法兴起，其自适应提取数据特征的能力在学界业界都得到了极大程度地认可。因此，急需将深度学习领域的卷积神经网络（Convolutional NeuralNetwork，CNN）应用于GIS局部放电特征提取领域，运用深度学习方法自动挖掘局部放电灰度图中蕴含的分类特征，为局部放电PRPD数据的特征提取提供新方法。

此外，现有局部放电信号的捕捉技术是：将完整信号采集并存储，然后再通过软件处理从完整信号中识别并提取出其中的局部放电脉冲，再通过分析局部放电脉冲判断故障类型。这种技术存在以下缺点：（1）数据量大，导致设备需要存储和传递大量的数据，影响设备的工作效率；（2）无法采集局部放电中的频率在GHz的脉冲。因此需要设计一种局部放电信号的特征触发捕捉技术。

发明内容

本发明提供的一种基于卷积神经网络的电力设备局部放电故障诊断方法，其目的在于解决现有技术中存在的上述问题。

本发明采用的技术方案如下：

一种基于卷积神经网络的电力设备局部放电故障诊断方法，包括以下步骤：

（1）、通过高速采集装置，基于局部放电信号的特征触发捕捉技术对实验室各种典型故障缺陷模型产生的局部放电脉冲信号进行触发采集并存储，建立PRPD图谱数据库；

（2）、通过灰度图构造模块,利用PRPD图谱数据构造出局部放电类型的灰度图；

（3）、通过特征提取模块,利用具备残差结构的卷积神经网络提取灰度图的辨识特征；

（4）、将辨识特征送入分类器进行识别训练,提高分类器识别故障的准确性；

（5）、将灰度图构造模块，训练好的特征提取模块和分类器作为检测仪器的诊断模块，对现场局部放电的PRPD图谱数据进行特征提取和故障诊断分析。

进一步，所述步骤（1）的具体内容是：高速采集装置包括依次连接的局部放电传感器，信号调理模块、高速采集器和计算机；将典型故障缺陷模型置入局部放电模拟装置的指定位置，将局部放电传感器放置在局部放电模拟装置中检测位置，并保证局部放电模拟装置及各检测设备的壳体可靠接地；使用校准方波对局部放电模拟装置进行校准；通过计算机的控制软件设定高速采集器的采样参数，通道参数和信号调理参数；调节信号调理模块增益至指定档位，将局部放电模拟装置升压至典型故障缺陷模型的起始放电电压，高速采集装置开始信号采集和保存。

进一步，所述步骤（2）的具体内容是：

使用PRRD图谱数据，以局部放电脉冲信号幅度q为纵轴，划分为M个区间，工频相位φ为横轴，划分为N个区间，将ｑ-φ平面划分为M×Ｎ个区间；

统计每个区间的局部放电脉冲次数，构造ｑ-φ-n图谱；

对局部放电脉冲次数进行归一化即：；其中，为归一化后的 脉冲次数，为实际脉冲次数，为该ｑ-φ-n图谱的最大脉冲次数；

设定各点像素的灰度值：，使的最大值与最小值依次对 应灰度图像的最小灰度级和最大灰度级，从而构造出局部放电类型的可视化灰度图。

进一步，所述步骤（3）中，特征提取模块，其输入数据为尺寸M×Ｎ的局部放电灰度图；特征提取模块在经典卷积神经网络的基础上引入残差结构，可得到H(X)=F(X)+X，其中H(X)表示网络的映射输出，F(X)表示残差部分，X表示恒等映射；特征提取模块在网络输出的最后一层使用全局平均池化层，将所有输出特征图映射的特征点组成特征向量作为分类器的输入特征。

进一步，还包括步骤（6）：通过实验室继续累积各种典型故障缺陷模型的PRPD图谱数据，同时不断收集现场检测故障设备时采集到的部放电的PRPD图谱数据，把这些数据不断累积进PDPR图谱数据库并对诊断模块进行训练、优化。

高速采集装置采集局部放电脉冲信号的方法,具体包括以下步骤：

（S1）、设置高速采集装置的采样率和局部放电传感器类型匹配，并调整高速采集装置为低触发阈值，连续采样不同类型故障缺陷的局部放电脉冲信号，同时保证采样时长能覆盖多个工频周波的放电脉冲信号；

（S2）、将采集到的局部放电脉冲波形展开，细致分析不同类型故障缺陷局部放电的单个脉冲的时域特征，以及时间序列上多个脉冲的时间分布特征，并且量化这两类特征参量；

（S3）、根据步骤（S2）中得到的脉冲时域特征和脉冲时间分布特征，设计高速采集装置对局部放电脉冲信号的触发采集参数；

（S4）、根据步骤（S3）中局部放电脉冲信号的触发采集参数，配置高速采集装置的触发采集参数，对局部放电脉冲信息实施采集

（S5）、根据步骤（S4）中对局部放电脉冲信号的采集，存储采集的局部放电脉冲信号。

进一步,所述步骤（S1）包括以下具体步骤：

（S1.1）、设置采集装置的采样率和局部放电传感器类型匹配，调整高速采集装置为低阀值触发条件；

（S1.2）、利用高速采集装置连续采样不同类型故障缺陷的局部放电脉冲信号，同时保证采样时长能覆盖多个工频周波的放电脉冲信号，若采集失败则返回步骤（S1.1），若采集成功则执行步骤（S2）；

进一步,所述步骤（S3）包括以下具体步骤：

（S3.1）、分析步骤（S2）所采集的不同类型故障缺陷的局部放电脉冲信号的单脉冲波形特征和多脉冲时间分布特征，并量化特征参数值；

（S3.2）、根据步骤（S3.1）所得特征参数值设计高速采集装置对局部放电脉冲信号的触发采集参数；

进一步,所述步骤（S4）包括以下具体步骤：

（S4.1）、根据步骤（S3.2）设计的高速采集装置对局部放电脉冲信号的触发采集参数配置高速采集装置的触发采集参数；

（S4.2）、利用高速采集装置，采集局部放电脉冲信号，若采集失败则返回步骤（S4.1），若捕捉成功则执行步骤（S5）。

进一步，还包括以下步骤：

（S6）、开发对应的上位机软件，实现对高速采集装置的控制和数据流交互；

（S7）、由上位机软件对局部放电脉冲序列进行展现及重构，进一步分析数据的潜在价值。

由上述对本发明的描述可知，和现有的技术相比，本发明的优点在于：

本发明将局部放电的PRPD图谱数据转变为灰度图，设计具备残差结构的卷积神经网络，利用其强大的特征自适应提取能力，提取灰度图的辨识特征，并将特征应用于经典分类器如SVM、随机森林，BP神经网络等，实现深度学习方法和传统机器学习方法的有效融合。实验表明，该方法提取的特征具有更高的辨识度，可以有效提升局部放电模式识别的准确率。

此外，本发明在采集脉冲信号时，首先分析不同典型故障缺陷的局部放电脉冲信号，分析脉冲的各项特征参数值；再利用这些特征参数值设计高速采集装置捕捉信号的触发参数，从而只捕捉有用（即满足联合触发策略）的局部放电脉冲，以减少设备的数据处理量，提高工作效率。同时，由各项特征参数值组合而建立的触发参数可以保证高速采集装置捕捉到频率在GHz的脉冲，避免检测遗漏或者信号失真，提高对故障类型判断的准确性。

附图说明

图1为基于PRPD图谱的特征提取方法示意图。

图2为U四种典型故障缺陷PRPD图谱生成的局部放电灰度图。

图3为特征提取模块的具备残差结构的卷积神经网络的结构示意图。

图4为残差网络结构示意图。

图5为网络性能对比示意图。

图6为本发明提取的特征可视化图。其中1、2、3、4分别对应表示尖端放电、颗粒放电、气隙放电、悬浮放电。

图7为局部放电灰度图纹理特征可视化图。其中1、2、3、4分别对应表示尖端放电、颗粒放电、气隙放电、悬浮放电。

图8为人工PRPD统计特征可视化图。其中1、2、3、4分别对应表示尖端放电、颗粒放电、气隙放电、悬浮放电。

具体实施方式

下面参照附图说明本发明的具体实施方式。为了全面理解本发明，下面描述到许多细节，但对于本领域技术人员来说，无需这些细节也可实现本发明。

一种基于卷积神经网络的电力设备局部放电故障诊断方法，包括以下步骤：

（1）、通过高速采集装置，对实验室各种典型故障缺陷模型产生的局部放电脉冲信号进行采集并存储，建立PRPD图谱数据库。

具体地，高速采集装置包括依次连接的局部放电传感器，信号调理模块、高速采集器和计算机。将典型故障缺陷模型置入局部放电模拟装置的指定位置，将局部放电传感器放置在局部放电模拟装置中检测位置，并保证局部放电模拟装置及各检测设备的壳体可靠接地；使用校准方波对局部放电模拟装置进行校准；通过计算机的控制软件设定高速采集器的采样参数，通道参数和信号调理参数；调节信号调理模块增益至指定档位，将局部放电模拟装置升压至典型故障缺陷模型的起始放电电压，高速采集装置开始信号采集和保存。

（2）、通过灰度图构造模块,利用PRPD图谱数据构造出局部放电类型的灰度图。

具体地，灰度图的具体构造过程是：

（2.1）使用PRRD图谱数据，以局部放电脉冲信号幅度q为纵轴，划分为M个区间，工频相位φ为横轴，划分为N个区间，将ｑ-φ平面划分为M×Ｎ个区间；

（2.2）统计每个区间的局部放电脉冲次数，构造ｑ-φ-n图谱；

（2.3）对局部放电脉冲次数进行归一化即：；其中，为归一化 后的脉冲次数，为实际脉冲次数，为该ｑ-φ-n图谱的最大脉冲次数；

（2.4）设定各点像素的灰度值：，使的最大值与最小值 依次对应灰度图像的最小灰度级和最大灰度级，从而构造出局部放电类型的可视化灰度 图。

如图1和图2、依据以上步骤构造出四种局部放电类型（尖端放电、颗粒放电、气隙放电、悬浮放电）的可视化灰度图，图2展示了四种典型故障缺陷PRPD图谱数据生成的局部放电灰度图。

（3）、通过特征提取模块,利用具备残差结构的卷积神经网络提取灰度图的辨识特征。

参照图3和图4，上述特征提取模块选用深度学***均池化层，下面对上述特征提取模块的各个部分具体结构进行介绍。

a、输入数据:输入数据为尺寸M×Ｎ局部放电灰度图。

b、残差结构: 上述特征提取模块在经典卷积神经网络的基础上引入残差结构，可得到H(X)=F(X)+X，其中H(X)表示网络的映射输出，F(X)表示残差部分，X表示恒等映射，通过引入恒等映射X在没有增加网络的复杂度的条件下保证了梯度通过恒等映射回传到低层网络，减缓了网络层数过多带来的梯度消失问题，促进网络各层级间的信息流动。

c、全局平均池化层：为了进一步压缩网络输出的特征维度，上述特征提取模块在网络输出的最后一层使用了全局平均池化层，不仅将网络输出的特征图映射为一个特征点，而且减小了卷积层参数误差造成估计均值的偏移，最后将所有输出特征图映射的特征点组成特征向量（64维）作为分类器的输入特征。

（4）、将辨识特征送入分类器进行识别训练,提高分类器识别故障的准确性。

在特征提取模块后接分类器，训练该特征提取模块参数以及分类器参数，使得分类器获得较高的识别准确率，保存特征提取模块中各参数的权重，然后移除分类器。此时特征提取模块的全局平均池化层的输出为其提取的特征量。

（5）、将灰度图构造模块，训练好的特征提取模块和分类器作为检测仪器的诊断模块，对现场局部放电的PRPD数据进行特征提取和故障诊断分析。

（6）、通过实验室继续累积各种典型故障缺陷模型的PRPD图谱数据，同时不断收集现场检测故障设备时采集到的部放电的PRPD图谱数据，把这些数据不断累积进PDPR图谱数据库并对诊断模块进行训练、优化。

步骤（1）中，高速采集装置采集局部放电脉冲信号的方法，即基于局部放电信号的特征触发捕捉技术，具体包括以下步骤：

（S1）、设置高速采集装置的采样率和局部放电传感器类型匹配，并调整高速采集装置为低触发阈值，连续采样不同类型故障缺陷的局部放电脉冲信号，同时保证采样时长能覆盖多个工频周波的放电脉冲信号；

（S2）、将采集到的局部放电脉冲波形展开，细致分析不同类型故障缺陷局部放电的单个脉冲的时域特征，以及时间序列上多个脉冲的时间分布特征，并且量化这两类特征参量；

（S3）、根据步骤（S2）中得到的脉冲时域特征和脉冲时间分布特征，设计高速采集装置对局部放电脉冲信号的触发采集参数；

（S4）、根据步骤（S3）中局部放电脉冲信号的触发采集参数，配置高速采集装置的触发采集参数，对局部放电脉冲信息实施采集

（S5）、根据步骤（S4）中对局部放电脉冲信号的采集，存储采集的局部放电脉冲信号。

（S6）、开发对应的上位机软件，实现对高速采集装置的控制和数据流交互；

（S7）、由上位机软件对局部放电脉冲序列进行展现及重构，进一步分析数据的潜在价值。

具体地,上述步骤（S1）包括以下具体步骤：

（S1.1）、设置采集装置的采样率和局部放电传感器类型匹配，调整高速采集装置为低阀值触发条件；

（S1.2）、利用高速采集装置连续采样不同类型故障缺陷的局部放电脉冲信号，同时保证采样时长能覆盖多个工频周波的放电脉冲信号，若采集失败则返回步骤（S1.1），若采集成功则执行步骤（S2）；

具体地,上述步骤（S3）包括以下具体步骤：

（S3.1）、分析步骤（S2）所采集的不同类型故障缺陷的局部放电脉冲信号的单脉冲波形特征和多脉冲时间分布特征，并量化特征参数值；

（S3.2）、根据步骤（S3.1）所得特征参数值设计高速采集装置对局部放电脉冲信号的触发采集参数；

具体地,上述步骤（S4）包括以下具体步骤：

（S4.1）、根据步骤（S3.2）设计的高速采集装置对局部放电脉冲信号的触发采集参数配置高速采集装置的触发采集参数；

（S4.2）、利用高速采集装置，采集局部放电脉冲信号，若采集失败则返回步骤（S4.1），若捕捉成功则执行步骤（S5）。

实验测试和结构分析

一、实验数据处理

依托自主研发的数据采集平台，通过局部放电模拟装置采集四类局部放电类型（尖端 放电、颗粒放电、气隙放电、悬浮放电）的局部放电数据。对采集的数据样本引入多种类型和 相位的噪声干扰进行数据增扩，有效地提高了样本数据的多样性，将最终获得的四类局部 放电类型的UHF数据划分为训练集和测试集，具体划分如表1所示

	尖端放电	颗粒放电	气隙放电	悬浮放电
					训练集	570	570	570	570
测试集	500	500	500	500

表1 局部放电UHF数据划分表

二、实验结果与分析

2.1实际应用中，不同电力设备采集的信号开窗数会不同，为了探究相位开窗数的变化对诊断效果的影响，本文通过改变相位开窗的数量对比测试局部放电类型识别准确率。

批标准化（Batch Normalization，BN）是一种有效的正则化方法，BN用于神经网络时，会对每一个批次数据内部进行标准化处理，使输出规范化到N(0,1)的正态分布，减少了内部神经元分布的改变，具有加快训练速度，降低权重初始化的影响，同时提高网络泛化能力的优点。

探究相位开窗数和数据批标准化操作对于网络性能的影响。选择SVM作为分类器，设置相位开窗数为100、250、500和1000，同时进行有无数据批标准化的对比实验，结果如图5所示。

如图5所示，当设置不同相位开窗数时，特征提取模块提取的特征在分类器上有不同的表现。随着开窗数的增加，分类器的识别准确率逐渐提高。在同样开窗数时，经过数据批标准化的分类器具有更高的识别准确率。

2.2本发明提取特征与PRPD数据统计特征和局部放电灰度图纹理特征的对比

为了验证本发明提取的特征的有效性，将本发明提取特征、PRPD数据的统计特征和局 部放电灰度图纹理特征分别在SVM、随机森林、BP神经网络上进行测试，对其局部放电类型 的识别结果进行对比，各类特征在各分类器上的识别率如表2

	尖端放电	颗粒放电	气隙放电	悬浮放电	平均准确率
						SVM(PRPD统计特征)	86.21%	42.74%	43.68%	46.23%	54.72%
SVM(局部放电灰度图纹理特征)	69.36%	46.42%	77.62%	66.26%	64.91%
						SVM(本发明提取特征+BN+1000窗)	100%	93.63%	94.15%	99.59%	96.84%
随机森林(PRPD统计特征)	98.38%	56.81%	66.59%	39.38%	65.29%
						随机森林(局部放电灰度图纹理特征)	67.75%	40.68%	89.70%	80.52%	69.66%
随机森林(本发明提取特征+BN+1000窗)	79.74%	90.49%	78.79%	88.12%	84.29%
						BP神经网络(PRPD统计特征)	91.80%	48.08%	67.25%	66.55%	68.42%
BP神经网络(局部放电灰度图纹理特征)	66.94%	35.32%	69.93%	58.25%	57.61%
						BP神经网络(本发明提取特征+BN+1000窗)	100%	92.90%	91.95%	98.96%	96%

表2 局部放电类型识别准确率对比

由表1可得，用本发明提取的特征相比于其他两类特征在SVM，随机森林，BP神经网络上均获得了较高的平均准确率。而平均准确率的高低可以较好的评价一个分类器的性能好坏，该结果从侧面反映了本发明提取的特征具有较高的辨识度。为了更直观的比较不同特征之间的差异，将三种特征进行t-SNE降维可视化处理，t-SNE是一种数据非线性降维方式，通过t-SNE处理，将原始高维特征数据降至两维并对数据进行聚类可视化。

如图6、图7和图8所示，经t-SNE处理之后，本发明提取的特征有着更好的聚类效果，这再一次证明了本文方法提取的特征相比于人工特征具有更高的区分度。

综上，本发明将局部放电的PRPD图谱数据转变为灰度图，设计具备残差结构的卷积神经网络，利用其强大的特征自适应提取能力，提取灰度图的辨识特征，并将特征应用于经典分类器如SVM、随机森林，BP神经网络等，实现深度学习方法和传统机器学习方法的有效融合。实验表明，该方法提取的特征具有更高的辨识度，可以有效提升局部放电模式识别的准确率。

此外，本发明在采集脉冲信号时，首先分析不同典型故障缺陷的局部放电脉冲信号，分析脉冲的各项特征参数值；再利用这些特征参数值设计高速采集装置捕捉信号的触发参数，从而只捕捉有用（即满足联合触发策略）的局部放电脉冲，以减少设备的数据处理量，提高工作效率。同时，由各项特征参数值组合而建立的触发参数可以保证高速采集装置捕捉到频率在GHz的脉冲，避免检测遗漏或者信号失真，提高对故障类型判断的准确性。

上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。

Claims (10)

1.基于卷积神经网络的电力设备局部放电故障诊断方法，其特征在于,包括以下步骤：

（1）、通过高速采集装置，基于局部放电信号的特征触发捕捉技术对各种典型故障缺陷模型产生的局部放电脉冲信号进行触发采集并存储，建立PRPD图谱数据库；

（2）、通过灰度图构造模块,利用PRPD图谱数据构造出典型故障缺陷的局部放电灰度图；

（3）、通过特征提取模块,利用具备残差结构的卷积神经网络提取局部放电灰度图的辨识特征；

（4）、将辨识特征送入分类器进行识别训练,提高分类器识别故障的准确性；

（5）、将局部放电灰度图构造模块，训练好的特征提取模块和分类器作为检测仪器的诊断模块，对现场局部放电的PRPD图谱数据进行特征提取和故障诊断分析。

2.如权利要求1所述的基于卷积神经网络的电力设备局部放电故障诊断方法，其特征在于，所述步骤（1）的具体内容是：高速采集装置包括依次连接的局部放电传感器，信号调理模块、高速采集器和计算机；将典型故障缺陷模型置入局部放电模拟装置的指定位置，将局部放电传感器放置在局部放电模拟装置中检测位置，并保证局部放电模拟装置及各检测设备的壳体可靠接地；使用校准方波对局部放电模拟装置进行校准；通过计算机的控制软件设定高速采集器的采样参数，通道参数和信号调理参数；调节信号调理模块增益至指定档位，将局部放电模拟装置升压至典型故障缺陷模型的起始放电电压，高速采集装置开始信号采集和保存。其中，高速采集器即为高速采集示波器。

3.如权利要求1所述的基于卷积神经网络的电力设备局部放电故障诊断方法，其特征在于，所述步骤（2）的具体内容是：

使用PRRD图谱数据，以局部放电脉冲信号幅度q为纵轴，划分为M个区间，工频相位φ为横轴，划分为N个区间，将ｑ-φ平面划分为M×Ｎ个区间；

统计每个区间的局部放电脉冲次数，构造ｑ-φ-n图谱；

对局部放电脉冲次数进行归一化即：；其中，为归一化后的脉冲次数，为实际脉冲次数，为该ｑ-φ-n图谱的最大脉冲次数；

设定各点像素的灰度值：，使的最大值与最小值依次对应灰度图像的最小灰度级和最大灰度级，从而构造出局部放电类型的可视化灰度图。

4.如权利要求1所述的基于卷积神经网络的电力设备局部放电故障诊断方法，其特征在于：所述步骤（3）中，特征提取模块，其输入数据为尺寸M×Ｎ的局部放电灰度图；特征提取模块在经典卷积神经网络的基础上引入残差结构，可得到H(X)=F(X)+X，其中H(X)表示网络的映射输出，F(X)表示残差部分，X表示恒等映射；特征提取模块在网络输出的最后一层使用全局平均池化层，将所有输出特征图映射的特征点组成特征向量作为分类器的输入特征。

5.如权利要求1所述的基于卷积神经网络的电力设备局部放电故障诊断方法，其特征在于,还包括步骤（6）：通过实验室继续累积各种典型故障缺陷模型的PRPD图谱数据，同时不断收集现场检测故障设备时采集到的部放电的PRPD图谱数据，把这些数据不断累积进PDPR图谱数据库并对诊断模块进行训练、优化。

6.如权利要求1所述的基于卷积神经网络的电力设备局部放电故障诊断方法，其特征在于：所述步骤(1)中,高速采集装置采集局部放电脉冲信号的方法,具体包括以下步骤：

（S1）、设置高速采集装置的采样率和局部放电传感器类型匹配，并调整高速采集装置为低触发阈值，连续采样不同类型故障缺陷的局部放电脉冲信号，同时保证采样时长能覆盖多个工频周波的放电脉冲信号；

（S2）、将采集到的局部放电脉冲波形展开，细致分析不同类型故障缺陷局部放电的单个脉冲的时域特征，以及时间序列上多个脉冲的时间分布特征，并且量化这两类特征参量；

（S3）、根据步骤（S2）中得到的脉冲时域特征和脉冲时间分布特征，设计高速采集装置对局部放电脉冲信号的触发采集参数；

（S4）、根据步骤（S3）中局部放电脉冲信号的触发采集参数，配置高速采集装置的触发采集参数，对局部放电脉冲信息实施采集

（S5）、根据步骤（S4）中对局部放电脉冲信号的采集，存储采集的局部放电脉冲信号。

7.如权利要求6所述的基于卷积神经网络的电力设备局部放电故障诊断方法，其特征在于，所述步骤（S1）包括以下具体步骤：

（S1.1）、设置采集装置的采样率和局部放电传感器类型匹配，调整高速采集装置为低阀值触发条件；

（S1.2）、利用高速采集装置连续采样不同类型故障缺陷的局部放电脉冲信号，同时保证采样时长能覆盖多个工频周波的放电脉冲信号，若采集失败则返回步骤（S1.1），若采集成功则执行步骤（S2）。

8.如权利要求6所述的基于卷积神经网络的电力设备局部放电故障诊断方法，其特征在于，所述步骤（S3）包括以下具体步骤：

（S3.1）、分析步骤（S2）所采集的不同类型故障缺陷的局部放电脉冲信号的单脉冲波形特征和多脉冲时间分布特征，并量化特征参数值；

（S3.2）、根据步骤（S3.1）所得特征参数值设计高速采集装置对局部放电脉冲信号的触发采集参数。

9.如权利要求6所述的基于卷积神经网络的电力设备局部放电故障诊断方法，其特征在于，所述步骤（S4）包括以下具体步骤：

（S4.1）、根据步骤（S3.2）设计的高速采集装置对局部放电脉冲信号的触发采集参数配置高速采集装置的触发采集参数；

（S4.2）、利用高速采集装置，采集局部放电脉冲信号，若采集失败则返回步骤（S4.1），若捕捉成功则执行步骤（S5）。

10.如权利要求6所述的基于卷积神经网络的电力设备局部放电故障诊断方法，其特征在于，还包括以下步骤：

（S6）、开发对应的上位机软件，实现对高速采集装置的控制和数据流交互；

（S7）、由上位机软件对局部放电脉冲序列进行展现及重构，进一步分析数据的潜在价值。