CN110687404B - 一种便携式局部放电检测设备 - Google Patents

Abstract

本发明公开了一种便携式局部放电检测设备，包括在壳体结构、硬件和软件；其中，硬件包括高频电流传感器、暂态地电压传感器、超声波传感器、局部放电信号调理与采集***、信号处理储存及设备控制***、信息显示***、无线通信***，软件搭载在信号处理储存及设备控制***的嵌入式操作***中，利用高性能多核异构处理器实现BP神经网络算法进行局部放电的模式识别；通过无线通信模块实现设备接入泛在电力物联网与用户移动终端互联，便捷灵活的获取高压电气设备的局部放电信息；对复杂环境下的高压设备进行局部放电检测，针对环境使用不同的检测方式，对高压设备的绝缘状态进行快速评估，分析、识别局部放电模式，为高压电气设备维修提供指导。

Description

一种便携式局部放电检测设备

技术领域

本发明属于高压电气设备局部放电检测技术领域，尤其涉及一种便携式局部放电检测设备。

背景技术

随着现代工业的发展和城市化水平的提高，高压电气设备的供电安全越来越得到人们的重视，其平稳运行是电力***正常供电的可靠保证。高压电气设备的主要故障是绝缘故障，引起的主要原因是设备的局部放电。目前高压电气设备局部放电检测原理主要是采集设备在发生局部放电时伴随着发生的电流脉冲、电磁波、超声波、热、光等衍生局部放电信号，通过分析这些衍生信号的时频域特征以判断高压电气绝缘状态，检测方法分为局部放电在线运行检测方法和离线检测方法，局部放电在线检测方法因为可以进行定期进行巡检，能够提前发现高压电气设备的故障隐患，对设备的绝缘状态进行快速评估而得到广泛应用。

高压电气设备局部放电在线检测方法，主要有：高频电流法、暂态地电压法、超声波法等。但由于实际场地环境复杂，存在各种干扰与噪声，只利用单一检测方法往往不能准确的检测出局部放电类型与高压设备的绝缘状态。而且对各种局部放电信号进行分析时需要专业人员的经验指导，否则容易造成误判，带来不必要的损失。因此，需要有多种检测方式且能够自动分析局部放电信号的便携式局部放电检测设备，达到以较少的人力物力对高压电气设备进行巡检，准确判断局部放电类型和高压电气设备的绝缘状态。

目前国内也有相应的局部放电检测设备，但其存在着功能性能与体积的矛盾。现有的多功能高性能局部放电检测设备多为上下位机结构，下位机为高性能数据采集卡负责采集多种局部放电信号，上位机为PC机负责局部放电信号的处理及分析，体积大，不利于进行高压电气设备巡检，对场地要求较高，且设备昂贵，数据的采集、处理和分析需要专业人员进行操作。上位机与下位机之间通过串行总线相连，高速大批量的局部放电数据受到串行总线的带宽与数据吞吐率限制，采用固定时间间隔进行采集一段局部放电数据并分析，无法保证数据的连续性与实时性，为局部放电信息的特征提取和局部放电数据分析带来了困难。数据处理结果展现给用户多为时域波形、PRPD谱图等，判断需要比较高的专业知识，用户学习成本极高，不利于设备推广使用。现有的便携式局部放电检测设备多为单一核心处理器结构，检测方式较少、性能弱，往往只能采集一种局部放电信号而且无法进行分析，需要通过将数据导出后通过专家经验进行局部放电类型判断，不能及时的进行高压电气设备绝缘状态的评估。

综上所述，现有便携式局部放电检测设备存在的问题是：现有便携式局部放电检测设备检测方式单一，且无法直接分析局部放电信号，无法在复杂的现场环境准确检测，而且不能及时的判断局部放电类型和评估高压电气设备的绝缘状态。

发明内容

针对现有技术存在的缺陷或不足，本发明的目的在于，提供一种便携式局部放电检测设备。

为了实现上述任务，本发明采取如下的技术解决方案：

一种便携式局部放电检测设备，包括壳体，在壳体前面板上有按键，壳体中内置有硬件和软件，其特征在于，所述硬件包括高频电流传感器、暂态地电压传感器、超声波传感器、局部放电信号调理与采集***、信号处理储存及设备控制***、信息显示***、无线通信***；其中：

高频电流传感器、暂态地电压传感器、超声波传感器，分别与局部放电信号调理与采集电路相连，为局部放电信号调理与采集电路提供三种局部放电检测信号；

局部放电信号调理与采集***与信号处理储存及设备控制***相连；局部放电信号调理与采集***用于根据不同信号的频率范围与动态范围进行相应的滤波与放大，并通过模数转换器将局部放电信号转换为数字量；

信号处理储存及设备控制***分别与信息显示***及无线通信***相连；信号处理储存及设备控制***采用Xilinx的Zynq-7000多核异构处理器，通过片内总线实现软硬件协同工作带来的高性能和高数据带宽，用于控制局部放电信号的采集、局部放电信号数据的处理和存储；控制信息显示***进行局部放电信号处理信息的显示，以及控制无线通信***发送局部放电信号处理信息；

软件部分搭载在信号处理储存及设备控制***的嵌入式操作***中，实现局部放电数据的处理、储存，局部放电信号的BP神经网络模型实现并识别放电类型，以及利用QT/Embedded实现人机交互界面。

根据本发明，所述壳体外部套有防滑橡胶，在壳体上还设有高频电流传感器的BNC接口，BNC接口与局部放电信号调理与采集***和信号处理储存及设备控制***通过RF射频接口相连；壳体底端设有用于监听超声波的3.5mm音频接口、充电接口、和用于数据导出的USB接口。

进一步地，所述信息显示***为LCD屏幕，该LCD屏幕位于壳体前面板上。

所述高频电流传感器的频率范围为1MHz～30MHz，动态范围为0～106dBuV；

所述暂态地电压传感器的频率范围为3MHz～100MHz，动态范围为0～70dBmV；

所述超声波传感器的频率范围为38kHz～41kHz，动态范围为-8～72dBuV。

优选地，所述局部放电信号调理与采集***将超声波传感器采集的信号滤波并放大，采用3级无限增益多路负反馈有源二阶带通滤波器进行连续放大，将超声波信号放大50倍。

进一步优选地，所述信号处理储存及设备控制***采用Xilinx的Zynq-7000多核异构处理器，将搭载嵌入式Linux***的ARM和FPGA紧密集成，片内通过AXI总线高速互联；

其中：

FPGA，逻辑电路负责控制ADC连续采样，并将数据存入异步读写FIFO，基于AXI总线的读写IP将FIFO中的数据读出并通过AXI-HP从接口存入ARM处理器侧的DDR3 SDRAM内存；

ARM搭载嵌入式Linux***，主要负责人机交互、局部放电信号采样的控制和局部放电信号数据的处理和局部放电信号的BP神经网络模型实现，最终将处理结果和局部放电信号脉冲时域波形通过信息显示***呈现给用户。

所述ARM搭载嵌入式Linux操作***，利用嵌入式Linux设备驱动程序完成按键、串口、LCD显示屏等外设和FPGA芯片中AXI总线IP的初始化，并抽象出供应用程序调用的通信接口；应用程序负责相关外设控制、局部放电数据的采集、处理并实现局部放电信号的BP神经网络模型进行识别局部放电类型；QT/Embedded负责人机交互界面的实现，局放量、局部放电相位分解谱图，脉冲序列相位分布谱图及时域波形的绘制和显示。

所述的信号处理储存及设备控制***对于信号处理方法是：利用Zynq-7000多核异构处理器的高性能、高数据带宽和软硬件协同工作的特点，将运算指令复杂、适合软件实现的处理运算放在搭载嵌入式Linux***的ARM侧处理；将需要使用大量乘累加计算，对速度要求较高的处理运算放在FPGA侧处理；复杂运算利用高数据带宽和吞吐量的AXI总线，利用搭载嵌入式Linux***的ARM与FPGA进行协同处理计算。

所述的局部放电信号的BP神经网络模型识别局部放电类型的方法是：将多组局部放电数据储存后，利用BP神经网络模型进行局部放电信号的训练，实现局部放电信号的模式识别；提取一个工频周期内的脉冲时域波形，计算时域波形的特征参数作为BP神经网络输入层神经元，输出层神经元设置为三种常见的局部放电类型：电晕放电、沿面放电和气泡放电；将存储的多组数据分为训练集和测试集，利用训练集中的数据训练BP神经网络模型，来识别测试集中的局部放电数据的放电类型。

所述的BP神经网络模型，在识别局部放电类型前要训练网络，主要包括以下几个步骤：

第一步：根据***输入输出序列(X，Y)确定网络的输入层节点数n、隐含层节点数l，输出层节点数m，初始化输入层、隐含层和输出层神经元之间的连接权值ω_ij，ω_jk，初始化隐含层阈值a，输出层阈值b，给定学习速率和神经元激励函数；

第二步：根据输入变量X,输入层和隐含层间连接权值ω_ij以及隐含层阈值a，计算隐含层输出H：

式中，l为隐含层节点数；f为隐含层激励函数，为

第三步：输出层输出计算。根据隐含层输出H，连接权值ω_jk和阈值b，计算BP神经网络的预测输出O：

第四步：根据网络预测输出O和期望输出Y,计算网络预测误差e：

e_k＝Y_k-O_k k＝1,2,...,m；

第五步：根据网络预测误差更新网络连接权值ω_ij，ω_jk：

ω_jk＝ω_jk+ηH_je_k j＝1,2,...,l；k＝1,2,...,m；

第六步：根据网络预测误差e更新网络节点阈值a，b：

b_k＝b_k+e_k k＝1,2,...,m；

第七步：根据网络预测误差e判断算法迭代是否结束，没有则继续更新网络连接权值ω_ij，ω_jk和网络节点阈值a，b。

所述无线通讯***集成了蓝牙与Wi-Fi模块，利用信号处理储存及设备控制***控制蓝牙将局部放电信号处理数据与结果发送给用户终端，控制Wi-Fi模块将便携式局部放电检测设备接入泛在电力互联网，将局部放电信号处理数据与结果发送至物联网数据库，用户可通过终端设备获取相应信息。

本发明的便携式局部放电检测设备，与现有技术相比，带来的显著的创新在于：实现了多种局部放电检测方式，能有效的应对各种复杂环境进行局部放电检测，对高压设备的绝缘状态进行快速评估，分析、识别局部放电模式，为高压电气设备维修提供指导。且能够利用BP神经网络分析局部放电数据并识别局部放电类型，降低了对检测人员专业技术的要求，极大的降低了学习成本，满足各类用户的检测需求，具有很强的实用性。

附图说明

图1是本发明的便携式局部放电检测设备硬件部分结构框图；

图2是局部放电信号数据传输逻辑电路框图；

图3是LCD显示逻辑电路框图；

图4是局部放电数据采集与处理流程图；

图5是基于BP神经网络的局部放电类型识别算法流程图；

以下结合附图和实施例对本发明进行进一步详细说明。

具体实施方式

本发明的技术思路是：采用高频电流法、暂态地电压法和超声波法三种局部放电检测方式，并采用高性能的多核异构处理器，整个***高度集成、轻巧便携，并可以分析局部放电信号，利用BP神经网络判断局部放电信号类型和评估高压局部放电设备的绝缘状态。

硬件部分，利用传感器进行三种局部放电信号的采集，并进行局部放电信号的滤波和放大。通过通信接口传输到Zynq-7000处理器进行处理和储存，并通过相应外部设备进行显示，输出和用户控制输入。

软件部分，搭载嵌入式Linux操作***，利用应用程序和驱动程序实现局部放电信号的采集和处理，利用BP神经网络对局部放电信号进行训练实现识别局部放电类型，利用QT/Embedded实现人机交互界面，显示局部放电信号的相应信息。

参见图1，本实施例给出一种便携式局部放电检测设备，包括壳体，在壳体前面板上有按键，壳体中内置有硬件和软件，所述硬件包括高频电流传感器1、暂态地电压传感器2、超声波传感器3、局部放电信号调理与采集***4、信号处理储存及设备控制***5、信息显示***6、无线通信***7；其中：

高频电流传感器1、暂态地电压传感器2、超声波传感器3，分别与局部放电信号调理与采集电路4相连，为局部放电信号调理与采集电路4提供三种局部放电检测信号；

局部放电信号调理与采集***4，对于超声波信号：采用两个双通道运算放大器组成4个带通滤波器进行连续滤波和放大，和一个双通道运算放大器将单端信号转换成为差分信号，通过ADC将模拟信号转换为数字信号通过SPI高速串行通信接口传输到Zynq-7000处理器。对于暂态地电压和高频电流信号：采用1:1的射频磁通耦合变压器进行隔离和转换为差分信号，通过ADC转换为数字信号，通过全速率CMOS并行接口进行传输数据。

局部放电信号调理与采集***4与信号处理储存及设备控制***5相连；局部放电信号调理与采集***4，用于根据不同信号的频率范围与动态范围进行相应的滤波与放大，并通过模数转换器将局部放电信号转换为数字量；

信号处理储存及设备控制***5分别与信息显示***6及无线通信***7相连；

储存及设备控制***5采用Xilinx的Zynq-7000多核异构处理器，通过片内总线实现软硬件协同工作带来的高性能和高数据带宽，用于控制局部放电信号的采集、局部放电信号数据的处理和存储；控制信息显示***6进行局部放电信号处理信息的显示，以及控制无线通信***7发送局部放电信号处理信息；

软件部分搭载在信号处理储存及设备控制***5的嵌入式操作***中，实现局部放电数据的处理、储存，局部放电信号的BP神经网络模型实现并识别放电类型，以及利用QT/Embedded实现人机交互界面。

进一步，软件部分包括：局部放电数据处理部分、用户输入及外设控制部分、BP神经网络模型、人机交互界面部分；其中：

局部放电数据处理部分：在Xilinx的Zynq-7000多核异构处理器中，将FPGA看作是ARM的外设，通过嵌入式Linux下的驱动和应用程序控制数据的传输与处理，具体包括以下步骤：

步骤一，利用字符型设备驱动初始化AXI总线IP，并抽象出供应用程序调用的操作接口，例如函数open()、read()、write()等。

步骤二，利用应用程序对一次数据传输的基地址、长度进行配置并启动传输，命令通过驱动程序写入到AXI-Lite总线中相应的寄存器中。

步骤三，当一次传输完成时，AXI总线IP通过Zynq-7000的IRQ_F2P中断进行通知，驱动程序接收到中断后，通过异步通知函数通知应用程序进行数据处理并开启下一次传输。

BP神经网络部分：基于BP神经网络的局部放电类型识别算法包括BP神经网络构建、BP神经网络训练、BP神经网络模式识别三部分。

人机交互界面部分：利用C++可视化开发平台QT，在嵌入式Linux下进行图形界面的开发。主要实现三种局部放电信号的局放量、时域波形、PRPD谱图、PRPS谱图的显示。

本实施例中，所述高频电流传感器1的频率范围为1MHz～30MHz，动态范围为0～106dBuV；

所述暂态地电压传感器2的频率范围为3MHz～100MHz，动态范围为0～70dBmV；

所述超声波传感器3的频率范围为38kHz～41kHz，动态范围为-8～72dBuV。

本实施例中，所述壳体外部套有防滑橡胶，在壳体上还设有高频电流传感器1的BNC接口，BNC接口与局部放电信号调理与采集***4和信号处理储存及设备控制***5通过RF射频接口相连；壳体底端设有用于监听超声波的3.5mm音频接口、充电接口、和用于数据导出的USB接口。

本实施例中，所述信息显示***6采用LCD屏幕，该LCD屏幕位于壳体前面板上。

所述局部放电信号调理与采集***4将超声波传感器采集的信号滤波并放大，采用3级无限增益多路负反馈有源二阶带通滤波器进行连续放大，将超声波信号放大50倍。

所述信号处理储存及设备控制***5采用Xilinx的Zynq-7000多核异构处理器，将搭载嵌入式Linux***的ARM和FPGA芯片紧密集成，片内通过AXI总线高速互联；

其中：

FPGA，逻辑电路负责控制ADC连续采样，并将数据存入异步读写FIFO，基于AXI总线的读写IP将FIFO中的数据读出并通过AXI-HP从接口存入ARM处理器侧的DDR3 SDRAM内存；

ARM搭载嵌入式Linux***，主要负责人机交互、局部放电信号采样的控制和局部放电信号数据的处理和局部放电信号的BP神经网络模型实现，最终将处理结果和局部放电信号脉冲时域波形通过信息显示***7呈现给用户。

信号处理储存及设备控制***5对于信号处理方法是：利用Zynq-7000多核异构处理器的高性能、高数据带宽和软硬件协同工作的特点，将运算指令复杂、适合软件实现的处理运算放在搭载嵌入式Linux***的ARM侧处理；将需要使用大量乘累加计算，对速度要求较高的处理运算放在FPGA侧处理；复杂运算利用高数据带宽和吞吐量的AXI总线，利用搭载嵌入式Linux***的ARM与FPGA进行协同处理计算。

局部放电信号的BP神经网络模型识别局部放电类型的方法是：将多组局部放电数据储存后，利用BP神经网络模型进行局部放电信号的训练，实现局部放电信号的模式识别；提取一个工频周期内的脉冲时域波形，计算时域波形的峰值、平均值、标准偏差、峰度、锐度、时域能量等9个特征参数作为BP神经网络输入层神经元，输出层神经元设置为三种常见的局部放电类型：电晕放电、沿面放电和气泡放电；将存储的多组数据分为训练集和测试集，利用训练集中的数据训练BP神经网络模型，来识别测试集中的局部放电数据的放电类型。

本实施例中，BP神经网络模型在识别局部放电类型前要训练网络，主要包括以下几个步骤：

第一步：根据***输入输出序列(X，Y)确定网络的输入层节点数n、隐含层节点数l，输出层节点数m，初始化输入层、隐含层和输出层神经元之间的连接权值ω_ij，ωjk，初始化隐含层阈值a，输出层阈值b，给定学习速率和神经元激励函数；

第二步：根据输入变量X,输入层和隐含层间连接权值ω_ij以及隐含层阈值a，计算隐含层输出H：

式中，l为隐含层节点数；f为隐含层激励函数，为

第三步：输出层输出计算。根据隐含层输出H，连接权值ω_jk和阈值b，计算BP神经网络的预测输出O：

第四步：根据网络预测输出O和期望输出Y,计算网络预测误差e：

e_k＝Y_k-O_k k＝1,2,...,m；

第五步：根据网络预测误差更新网络连接权值ω_ij，ω_jk：

ω_jk＝ω_jk+ηH_je_k j＝1,2,...,l；k＝1,2,...,m；

第六步：根据网络预测误差e更新网络节点阈值a，b：

b_k＝b_k+e_k k＝1,2,...,m；

第七步：根据网络预测误差e判断算法迭代是否结束，没有则继续更新网络连接权值ω_ij，ω_jk和网络节点阈值a，b。

本实施例中，无线通讯***7集成了蓝牙与Wi-Fi模块，利用信号处理储存及设备控制***5控制蓝牙将局部放电信号处理数据与结果发送给用户终端，控制Wi-Fi模块将便携式局部放电检测设备接入泛在电力互联网，将局部放电信号处理数据与结果发送至物联网数据库，用户可通过终端设备获取相应信息。

图2给出了局部放电数据的传输通路的实现步骤，包括：

步骤一，对于超声波信号：利用逻辑电路实现SPI串行通信接口接收来自超声波信号ADC的数据，利用状态机的状态循环实现超声波信号的连续转换，并写入异步读写FIFO中。对于高频电流信号和暂态地电压信号：利用逻辑电路实现捕捉ADC的输出时钟，在时钟上升沿进行数据的锁存。

步骤二，利用基于AXI总线IP实现FPGA到ARM的数据通路，IP与FIFO的读接口和ARM的AXI-HP接口相连。利用AXI-Lite总线进行命令的接收和配置，利用AXI-Full总线进行数据的传输。并引出传输完成引脚到ARM的IRQ_F2P中断引脚。

步骤三，等待ARM发送过来的命令向DDR3 SDRAM基地址发送一定长度的数据，完成传输时，拉高中断引脚通知ARM。

图3给出了LCD显示通路的实现方式，包括以下步骤：

步骤一：利用视频直接内存存取IP(VDMA)通过AXI-Stream总线将ARM端的图像数据传输到FPGA侧。

步骤二：利用视频信号输出IP(Vid_out)将AXI-Stream总线的数据转换为标准的图像显示RGB类型，直接驱动LCD显示屏。

步骤三：利用视频时序控制IP(Vtc)驱动和控制LCD显示屏的相应时序，分辨率等参数通过AXI-Lite总线由ARM进行配置。

图4给出了在嵌入式Linux下应用程序与设备驱动程序控制数据的采集与处理方式，包括以下几个步骤：

步骤一，利用字符型设备驱动初始化AXI总线IP，并抽象出供应用程序调用的操作接口，例如函数open()、read()、write()等。

步骤二，利用应用程序对一次数据传输的基地址、长度进行配置并启动传输，命令通过驱动程序写入到AXI-Lite总线中相应的寄存器中。

步骤三，当一次传输完成时，AXI总线IP通过Zynq-7000的IRQ_F2P中断进行通知，驱动程序接收到中断后，通过异步通知函数通知应用层进行数据处理并开启下一次传输。

图5给出了基于BP神经网络的局部放电类型识别算法流程图，包括以下几个步骤：

步骤一：BP神经网络构建，根据输入输出特点确定BP神经网络的接口，由于局部放电信号特征参数有9个(即，峰值、平均值、标准偏差、峰度、锐度、时域能量等)，待识别的局部放电模式有3类，所以BP神经网络的结构为9-8-3，即输入层有9个节点，隐含层有8个节点，输出层有4个节点。

步骤二：BP神经网络训练，共有200组局部放电特征信号，从中随机选择150组数据作为训练数据训练网络，50组数据作为测试数据测试网络识别能力。

步骤三：利用训练好的BP神经网络对便携式局部放电检测设备采集到的3种放电类型的局部放电数据进行识别。

以上实施例仅为本发明的较佳实施例，本发明不限于上述实施例，凡在本发明的技术方案所作的任何添加、等同替换和改进等，均应属于本发明的保护范围。

Claims (2)

1.一种便携式局部放电检测设备，包括壳体，在壳体前面板上有按键，壳体中内置有硬件和软件，其特征在于，所述硬件包括高频电流传感器(1)、暂态地电压传感器(2)、超声波传感器(3)、局部放电信号调理与采集***(4)、信号处理储存及设备控制***(5)、信息显示***(6)、无线通信***(7)；其中：

高频电流传感器(1)、暂态地电压传感器(2)、超声波传感器(3)，分别与局部放电信号调理与采集***(4)相连，为局部放电信号调理与采集***(4)提供三种局部放电检测信号；其中：

高频电流传感器(1)的频率范围为1MHz～30MHz，动态范围为0～106dBuV；

暂态地电压传感器(2)的频率范围为3MHz～100MHz，动态范围为0～70dBmV；

超声波传感器(3)的频率范围为38kHz～41kHz，动态范围为-8～72dBuV；

局部放电信号调理与采集***(4)将超声波传感器采集的信号滤波并放大，采用3级无限增益多路负反馈有源二阶带通滤波器进行连续放大，将超声波信号放大50倍；

局部放电信号调理与采集***(4)与信号处理储存及设备控制***(5)相连；局部放电信号调理与采集***(4)用于根据不同信号的频率范围与动态范围进行相应的滤波与放大，并通过模数转换器将局部放电信号转换为数字量；所述局部放电信号调理与采集***(4)将超声波传感器采集的信号滤波并放大，

局部放电信号调理与采集***(4)，对于超声波信号：采用两个双通道运算放大器组成4个带通滤波器进行连续滤波和放大，和一个双通道运算放大器将单端信号转换成为差分信号，通过ADC将模拟信号转换为数字信号通过SPI高速串行通信接口传输到Zynq-7000处理器；

对于暂态地电压和高频电流信号：采用1:1的射频磁通耦合变压器进行隔离和转换为差分信号，通过ADC转换为数字信号，通过全速率CMOS并行接口进行传输数据；

信号处理储存及设备控制***(5)分别与信息显示***(6)及无线通信***(7)相连；信号处理储存及设备控制***(5)采用Xilinx的Zynq-7000多核异构处理器，通过片内总线实现软硬件协同工作带来的高性能和高数据带宽，用于控制局部放电信号的采集、局部放电信号数据的处理和存储；控制信息显示***(6)进行局部放电信号处理信息的显示，以及控制无线通信***(7)发送局部放电信号处理信息；

软件部分搭载在信号处理储存及设备控制***(5)的嵌入式操作***中，实现局部放电数据的处理、储存，局部放电信号的BP神经网络模型实现并识别放电类型，以及利用QT/Embedded实现人机交互界面；

所述信号处理储存及设备控制***(5)将搭载嵌入式Linux***的ARM和FPGA紧密集成，片内通过AXI总线高速互联；

其中：

FPGA，逻辑电路负责控制ADC连续采样，并将数据存入异步读写FIFO，基于AXI总线的读写IP将FIFO中的数据读出并通过AXI-HP从接口存入ARM处理器侧的DDR3 SDRAM内存；

ARM搭载嵌入式Linux***，主要负责人机交互、局部放电信号采样的控制和局部放电信号数据的处理和局部放电信号的BP神经网络模型实现，最终将处理结果和局部放电信号脉冲时域波形通过信息显示***(7)呈现给用户；

所述壳体外部套有防滑橡胶，在壳体上还设有高频电流传感器(1)的BNC接口，BNC接口与局部放电信号调理与采集***(4)和信号处理储存及设备控制***(5)通过RF射频接口相连；壳体底端设有用于监听超声波的3.5mm音频接口、充电接口、和用于数据导出的USB接口；

所述无线通讯***(7)集成了蓝牙与Wi-Fi模块，利用信号处理储存及设备控制***(5)控制蓝牙将局部放电信号处理数据与结果发送给用户终端，控制Wi-Fi模块将便携式局部放电检测设备接入泛在电力互联网，将局部放电信号处理数据与结果发送至物联网数据库，用户可通过终端设备获取相应信息；

所述ARM搭载嵌入式Linux操作***，利用嵌入式Linux设备驱动程序完成按键、串口、LCD显示屏外设和FPGA中AXI总线IP的初始化，并抽象出供应用程序调用的通信接口；应用程序负责相关外设控制、局部放电数据的采集和处理并实现局部放电信号的BP神经网络模型进行识别局部放电类型；QT/Embedded负责人机交互界面的实现，局放量和局部放电相位分解谱图，脉冲序列相位分布谱图及时域波形的绘制和显示；其中：

局部放电数据的传输通路的实现步骤，包括：

步骤一，对于超声波信号：利用逻辑电路实现SPI串行通信接口接收来自超声波信号ADC的数据，利用状态机的状态循环实现超声波信号的连续转换，并写入异步读写FIFO中；对于高频电流信号和暂态地电压信号：利用逻辑电路实现捕捉ADC的输出时钟，在时钟上升沿进行数据的锁存；

步骤二，利用基于AXI总线IP实现FPGA到ARM的数据通路，IP与FIFO的读接口和ARM的AXI-HP接口相连；利用AXI-Lite总线进行命令的接收和配置，利用AXI-Full总线进行数据的传输；并引出传输完成引脚到ARM的IRQ_F2P中断引脚；

步骤三，等待ARM发送过来的命令向DDR3 SDRAM基地址发送一定长度的数据，完成传输时，拉高中断引脚通知ARM；

信号处理储存及设备控制***(5)对于信号处理方法是：利用Zynq-7000多核异构处理器的高性能、高数据带宽和软硬件协同工作的特点，将运算指令复杂、适合软件实现的处理运算放在搭载嵌入式Linux***的ARM侧处理；将需要使用大量乘累加计算，对速度要求较高的处理运算放在FPGA侧处理；复杂运算利用高数据带宽和吞吐量的AXI总线，利用搭载嵌入式Linux***的ARM与FPGA进行协同处理计算；其中：

嵌入式Linux下应用程序与设备驱动程序控制数据的采集与处理方式，包括以下几个步骤：

步骤一，利用字符型设备驱动初始化AXI总线IP，并抽象出供应用程序调用的操作接口；

步骤二，利用应用程序对一次数据传输的基地址、长度进行配置并启动传输，命令通过驱动程序写入到AXI-Lite总线中相应的寄存器中；

步骤三，当一次传输完成时，AXI总线IP通过Zynq-7000的IRQ_F2P中断进行通知，驱动程序接收到中断后，通过异步通知函数通知应用层进行数据处理并开启下一次传输；

所述的局部放电信号的BP神经网络模型识别局部放电类型的方法是：将多组局部放电数据储存后，利用BP神经网络模型进行局部放电信号的训练，实现局部放电信号的模式识别；提取一个工频周期内的脉冲时域波形，计算时域波形的峰值、平均值、标准偏差、峰度、锐度、时域能量9个特征参数作为BP神经网络输入层神经元，输出层神经元设置为三种常见的局部放电类型：电晕放电、沿面放电和气泡放电；将存储的多组数据分为训练集和测试集，利用训练集中的数据训练BP神经网络模型，来识别测试集中的局部放电数据的放电类型；

所述的BP神经网络模型，在识别局部放电类型前要训练网络，主要包括以下几个步骤：

第一步：根据***输入输出序列(X，Y)确定网络的输入层节点数n、隐含层节点数l，输出层节点数m，初始化输入层、隐含层和输出层神经元之间的连接权值ω_ij，ω_jk，初始化隐含层阈值a，输出层阈值b，给定学习速率和神经元激励函数；

第二步：根据输入变量X，输入层和隐含层间连接权值ω_ij以及隐含层阈值a，计算隐含层输出H：

式中，l为隐含层节点数；f为隐含层激励函数，为

第三步：输出层输出计算：根据隐含层输出H，连接权值ω_jk和阈值b，计算BP神经网络的预测输出O；

第四步：根据网络预测输出O和期望输出Y,计算网络预测误差e；

e_k＝Y_k-O_k k＝1,2,...,m；

第五步：根据网络预测误差更新网络连接权值ω_ij，ω_jk：

ω_jk＝ω_jk+ηH_je_k j＝1,2,...,l；k＝1,2,...,m；

η表示学习速率；

第六步：根据网络预测误差e更新网络节点阈值a，b：

b_k＝b_k+e_k k＝1,2,...,m；

第七步：根据网络预测误差e判断算法迭代是否结束，没有则继续更新网络连接权值ω_ij，ω_jk和网络节点阈值a，b。

2.如权利要求1所述的便携式局部放电检测设备，其特征在于，所述信息显示***(6)为LCD屏幕，该LCD屏幕位于壳体前面板上。

Images