CN111736050B - 局部放电故障监测和评估装置及方法 - Google Patents
局部放电故障监测和评估装置及方法 Download PDFInfo
- Publication number
- CN111736050B CN111736050B CN202010882204.8A CN202010882204A CN111736050B CN 111736050 B CN111736050 B CN 111736050B CN 202010882204 A CN202010882204 A CN 202010882204A CN 111736050 B CN111736050 B CN 111736050B
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- sound source
- intensity
- occurrence
- discharge event
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1209—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing using acoustic measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1218—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing using optical methods; using charged particle, e.g. electron, beams or X-rays
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/18—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using ultrasonic, sonic, or infrasonic waves
- G01S5/183—Emergency, distress or locator beacons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Remote Sensing (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Radar, Positioning & Navigation (AREA)
- Acoustics & Sound (AREA)
- Testing Relating To Insulation (AREA)
- Locating Faults (AREA)
Abstract
本发明公开了一种局部放电故障监测和评估装置以及方法,该装置包括:麦克风阵列信号采集模块,其包括超声波麦克风阵列,被配置成对被测电力设备进行超声波信号采集并缓存音频数据;基于机器学习的局部放电事件检测模块,被配置成利用基于机器学习的局部放电事件检测算法,对所述麦克风阵列信号采集模块所采集的音频数据进行局部放电事件的实时监测,标记该局部放电事件发生的时刻并缓存所述音频数据;以及声源定位模块,被配置成在缓存的音频数据中找出被标记的局部放电事件发生时刻对应的音频数据,并利用声源定位算法对所述音频数据进行声源定位并得到声源的强度分布图。
Description
技术领域
本发明涉及电力设备检测领域,尤其涉及电力设备的局部放电监测和评估。
背景技术
在电力***中,设备局部放电现象是反映电力设备运行状态的一个重要指标。目前常用局部放电设备(局放设备)是超声波局放检测仪,需要人工手持检测仪器对电力设备进行巡检,检测仪器巡检效率低,长时间使用会造成听力损伤;此外,对局部放电故障的定位、局部放电故障严重程度评估需要靠巡检员的个人经验,测试结果不直观,测试经验难以复用。
因此,亟需一种能提高局部放电检测效率、直观显示测试结果、并能量化测试结果的局部放电故障监测和评估方案。
发明内容
为了解决现有技术中的问题,本发明提供了一种局部放电故障监测和评估装置以及局部放电故障监测和评估方法。
本发明的局部放电故障监测和评估装置至少包括:麦克风阵列信号采集模块、基于机器学习的局部放电事件检测模块以及声源定位模块。
麦克风阵列信号采集模块,包括超声波麦克风阵列,被配置成对被测电力设备进行超声波信号采集并缓存音频数据;
基于机器学习的局部放电事件检测模块,被配置成利用基于机器学习的局部放电事件检测算法,对所述麦克风阵列信号采集模块所采集的音频数据进行局部放电事件的实时监测,标记该局部放电事件发生的时刻并缓存所述音频数据;以及
声源定位模块,被配置成在缓存的音频数据中找出被标记的局部放电事件发生时刻对应的音频数据,并利用声源定位算法对所述音频数据进行声源定位并得到声源的强度分布图。
在一个实施例中,所述基于机器学习的局部放电事件检测算法为基于卷积神经网络算法,所述声源定位算法为Beamforming算法。
在一个实施例中,该装置还包括:光学图像采集模块,包括位于所述超声波麦克风阵列几何中心位置的摄像头,被配置成对所述电力设备进行光学图像采集并缓存光学图像数据。
在一个实施例中,该装置还包括:传感器数据采集模块被配置成采集环境数据,包括温度传感器、湿度传感器、气压传感器以及距离传感器;
其中,所述温度传感器采集测试环境的温度;所述湿度传感器采集测试环境的湿度;所述气压传感器采集测试环境的气压;所述距离传感器采集被测的电气设备与所述局部放电故障监测和评估装置之间的直线距离。
在一个实施例中,该装置还包括:修正模块,被配置成基于传感器获得的环境数据得到距离修正参数以及环境衰减修正参数。
在一个实施例中,该装置还包括:局部放电强度估算模块,被配置成利用所述距离修正参数以及环境衰减修正参数对所述声源定位模块所得到的声源强度分布图中声源位置处超声波信号的强度进行距离修正以及环境衰减修正,得到局部放电声源超声波信号强度估计值。
在一个实施例中,该装置还包括:声像云图融合模块,被配置成将所述声源强度分布图与所述光学图像采集模块中缓存的光学图像叠加融合,在叠加融合后的声源分布图中标识出局部放电事件发生的位置及声源强度的分布状况。
在一个实施例中,该装置还包括:统计与显示模块,被配置成基于所述局部放电声源超声波信号强度估计值,对局部放电事件的发生的时间、强度、位置进行统计;将统计结果以声像图形式显示于显示屏上;并根据统计结果评估局部放电事件是否发生以及局部放电故障发生的劣化过程和严重程度。
在一个实施例中,所述统计的方式包括:将局部放电事件发生的位置在所述声像云图融合模块得到的图像上进行叠加,得出局部放电事件发生次数的类热力学分布图。
在一个实施例中,所述统计的方式包括:将局部放电事件发生的强度在发生的位置上进行叠加,对于位置重叠部分的强度采用对数求和规则进行叠加,然后将叠加结果在所述声像云图融合模块得到的图像上进行融合,得出局部放电事件发生强度的类热力学分布图。
在一个实施例中,所述统计的方式包括:将局部放电事件按照发生的位置分组之后在对该位置发生局部放电的次数在计算时间内求其发生的频率,然后将频率在发生位置进行叠加,将叠加后的结果与所述声像云图融合模块得到图像进行融合,得出局部放电事件发生强度的类热力学分布图。
本发明的局部放电故障监测和评估方法至少包括以下步骤:
对被测的电力设备进行超声波信号采集、光学图像采集、环境数据采集,并对采集到的音频数据、光学图像、环境数据进行缓存;
利用基于机器学习的局部放电事件检测算法,对所采集的音频数据进行局部放电事件的实时监测,标记该局部放电事件发生的时刻并缓存所述音频数据;
在所述缓存的音频数据中找出被标记的局部放电事件发生时刻对应的音频数据,并利用声源定位算法对所述音频数据进行声源定位并得到声源强度分布图。
在一个实施例中,所述基于机器学习的局部放电事件检测算法为基于卷积神经网络算法,所述声源定位算法为Beamforming算法。
在一个实施例中,所述超声波信号采集包括采用超声波麦克风阵列进行超声波信号采集;所述光学图像采集包括利用位于所述超声波麦克风阵列的几何中心位置的摄像头进行光学图像采集;所述环境数据采集包括利用温度传感器采集测试环境的温度、利用湿度传感器采集测试环境的湿度、利用气压传感器采集测试环境的气压以及利用距离传感器采集被测的电气设备与局部放电故障监测和评估装置之间的直线距离。
在一个实施例中,所述方法还包括:将所述声源强度分布图与缓存的光学图像叠加融合,在叠加融合后的声源强度分布图中标识出局部放电事件发生的位置及声源强度的分布状况。
在一个实施例中,所述方法还包括:利用所述环境数据,对所述声源强度分布图中声源位置处超声波信号的强度进行距离修正以及环境衰减修正,得到局部放电声源超声波信号强度估计值。
在一个实施例中,所述方法还包括:基于所述局部放电声源超声波信号强度估计值,对局部放电事件的发生的时间、强度、位置进行统计,得到统计分布图。
在一个实施例中,所述统计的方式包括:将局部放电事件发生的位置在所述声像云图融合模块得到的图像上进行叠加,得出局部放电事件发生次数的类热力学分布图。
在一个实施例中,所述统计的方式包括:将局部放电事件发生的强度在发生的位置上进行叠加,对于位置重叠部分的强度采用对数求和规则进行叠加,然后将叠加结果在所述声像云图融合模块得到的图像上进行融合,得出局部放电事件发生强度的类热力学分布图。
在一个实施例中,所述统计的方式包括:将局部放电事件按照发生的位置分组之后在对该位置发生局部放电的次数在计算时间内求其发生的频率,然后将频率在发生位置进行叠加,将叠加后的结果与所述声像云图融合模块得到图像进行融合,得出局部放电事件发生强度的类热力学分布图。
在一个实施例中,所述方法还包括:基于所述统计分析图,评估局部放电事件是否发生以及局部放电故障发生的劣化过程和严重程度。
本发明具有以下极为有益的技术效果:
首先,声源定位可以在巡检中快速捕捉到局部放电事件和局部放电发生的位置,提高了巡检效率,测试结果直观明了;
其次,通过定点监测的方式可以对局部放电事件进行连续的抓拍,并通过计算对局部放电的强度进行量化;
再次,基于抓拍数据的统计分析,可以帮助用户有效的评估设备的局部放电故障在不同时间的劣化过程和严重程度。对设备状态做出提前预判和防范有重要的参考价值。
附图说明
本发明的以上发明内容以及下面的具体实施方式在结合附图阅读时会得到更好的理解。需要说明的是,附图仅作为所请求保护的发明的示例。在附图中,相同的附图标记代表相同或类似的元素。
图1示出根据本发明一实施例的局部放电故障监测和评估装置的示意图;以及
图2示出根据本发明一实施例的局部放电故障监测和评估方法的流程图。
具体实施方式
以下在具体实施方式中详细叙述本发明的详细特征以及优点,其内容足以使任何本领域技术人员了解本发明的技术内容并据以实施,且根据本说明书所揭露的说明书、权利要求及附图,本领域技术人员可轻易地理解本发明相关的目的及优点。
在电力***中,设备局部放电现象是反映电力设备运行状态的一个重要指标。目前常用局部放电设备(简称局放设备)是超声波局部放电检测仪,需要人工手持仪器对电力设备进行巡检,仪器巡检效率低,长时间使用会造成听力损伤;此外,对局部放电故障的定位、局部放电故障严重程度评估需要靠巡检员的个人经验,测试结果不直观,测试经验难以复用。
为了解决现有技术中的问题,本发明提供了一种局部放电故障监测和评估装置以及局部放电故障监测和评估方法。
该装置可以对被测电气设备进行超声波信号采集、光学图像采集以及环境数据采集。其中,超声波信号采集是由一个用超声波麦克风组成的麦克风阵列来实现。在该阵列的几何中心位置设计有一颗摄像头负责采集光学图像。环境数据采集由4颗不同类型的传感器分别负责采集温度、湿度、气压和距离四种类型参数。
此外,麦克风阵列信号采集部分可基于FPGA实现的超多通道(100通道以上)高速(采样率可达192kHz以上)数据采集卡实现。麦克风阵列信号抽取一路声信号利用经过训练的卷积神经网络算法对局部放电事件进行检测。当出现局部放电事件的时候,继续调用Beamforming 算法对空间中的声场情况进行计算。计算结果将声场声压大小按照热力图标识之后和光学图像进行融合。融合后的图像显示在显示屏中,方便人员观察。
在完成Beamforming算法之后,从计算结果中提取出声源位置处声源的声压级强度计算结果,在用环境传感器测试到的环境参数计算处一个声压级修正值对声源的声压级强度进行修正以得到一个经过修正的声源声压级强度值。
本发明的局部放电故障监测和评估装置以及方法具有以下作用:
首先,本发明利用局部放电事件检测算法可以避免出现局部放电事件被漏抓,再通过Beamforming算法配合光学摄像头准确地捕捉到局部放电事件发生时的位置,并且通过声像云图清楚地显示出局部放电故障发生的位置。
其次,通过局部放电强度的估算值、局部放电事件发生的位置信息以及局部放电事件发生的时间,可以进一步给出如下三个统计分析结果。
a)局部放电事件的发生次数在被测电气设备上的分布情况
b)局部放电事件的发生强度在被测电气设备上的分布情况
c)局部放电事件的频率(以1min或1h作为单位时间计算)在被测电气设备上的分布情况
通过以上三个分析结果可以有效的判断设备是否发生局部放电故障,说明局部放电故障的劣化过程以及故障的严重程度。
图1示出根据本发明一实施例的局部放电故障监测和评估装置的示意图。如图1所示,本发明的局部放电故障监测和评估装置包括麦克风阵列信号采集模块101、光学图像采集模块102、传感器数据采集模块103、基于机器学习的局部放电事件检测模块104、声源定位模块105、修正模块106、局部放电强度估算模块107、声像云图融合模块108以及统计与显示模块109。
麦克风阵列信号采集模块101包括超声波麦克风阵列,被配置成对被测的电力设备进行超声波信号采集。
光学图像采集模块102包括位于超声波麦克风阵列几何中心位置的摄像头,被配置成对被测的电力设备进行光学图像采集并缓存。
传感器数据采集模块103被配置成采集环境数据。传感器数据采集模块103包括温度传感器、湿度传感器、气压传感器以及距离传感器。其中,温度传感器采集测试环境的温度。湿度传感器采集测试环境的湿度。气压传感器采集测试环境的气压。距离传感器采集被测的电气设备与局部放电故障监测和评估装置之间的直线距离。
基于机器学习的局部放电事件检测模块104被配置成利用基于机器学习的局部放电事件检测算法,对所述麦克风阵列信号采集模块所采集的音频数据进行局部放电事件的实时监测,标记该局部放电事件发生的时刻并缓存该音频数据。
在一个实施例中,该机器学习包括基于卷积神经网络的算法。卷积神经网络算法经过良好的训练后能够有极高的识别准确率。
在一个实施例中,基于机器学习的局部放电事件检测算法,例如卷积神经网络算法,是实时运行的。局部放电事件检测算法从麦克风阵列中某一固定通道抓取实时音频数据进行事件检测,在检测到局部放电事件发生的时候,该算法还能够标记出局部放电事件发生的时刻。
声源定位模块105被配置成在事先缓存的音频数据中找出被标记的局部放电事件发生时刻对应的音频数据,并利用声源定位算法对该音频数据进行声源定位并得到声源的强度分布图。
在一个实施例中,该声源定位算法可以是Beamforming算法。
在一个实施例中,声源的强度分布图为一张类热力学的彩色或灰度的图片,通过不同区域中的色彩(或灰度级)来表示声源信号在该区域的强度。
需要说明的是,单纯的声源定位算法,例如Beamforming算法,是非常消耗计算力的。算力消耗越大的算法,处理数据的速率就越低,当算法处理数据的速率低于数据产生的速率时,为了保证数据处理的时效性,就必须抛弃部分数据,这就给局部放电事件漏抓留下了隐患。又因为局部放电事件发生本身是随机性的和偶发的,且发生的持续时间非常短,这就造成算法无法提前预知局部放电事件是否要发生,而当局部放电事件发生的时段所处的数据内容被抛弃的时候就造成了局部放电事件没有被检测到,也即事件漏抓。这直接导致的后果可能是局部放电故障未被发现或故障的严重程度被低估。
本发明通过基于机器学习的局部放电事件检测模块104以及声源定位模块105可实现局部放电故障不漏抓,解决现有技术中无法及时捕捉到局部放电事件的技术难题。这是因为本发明先利用了基于卷积神经网络的声事件检测算法(即局部放电事件检测算法)实时监测局部放电事件发生的时刻,然后声源定位算法(例如Beamforming 算法)只需要针对局部放电事件发生时刻所对应的音频数据进行声源位置定位即可,声源定位算法(例如Beamforming 算法)不再需要实时地对采集到的全部的超声波信号数据进行测算,提高了检测效率。由于基于机器学习的局部放电事件检测算法是实时运行的,可以保证不漏抓局部放电事件,即可以实现极低的漏抓率。而声源定位算法(例如Beamforming 算法)可以基于缓存的数据在局部放电事件发生之后进行测算不需要极高的实时性。通过两者的结合就保证了局部放电事件基本不漏抓。
修正模块106被配置成基于各传感器获得的环境数据得到距离修正参数以及环境衰减修正参数。
局部放电强度估算模块107被配置成利用距离修正参数以及环境衰减修正参数对声源定位模块105所得到的声源强度分布图中声源位置处超声波信号的强度进行距离修正以及环境衰减修正,得到局部放电声源超声波信号强度估计值。
在一个实施例中,局部放电声源超声波信号强度估计值=实测超声波信号强度+距离修正参数+环境衰减修正参数。其中:
局部放电声源超声波信号强度估计值为超声波在测试频段内单位距离(一般取1米)上超声波强度的估算。
实测超声波信号强度是声源定位模块105中利用声源定位算法,例如Beamforming算法,计算后得到的声源强度分布图中声源位置处超声波信号的强度。
距离修正参数用于将实测超声波信号强度修正到单位距离上超声波强度的补偿值.
环境衰减修正参数用于修正超声波信号在非理想介质中传播造成的衰减。
声像云图融合模块108被配置成将所述声源强度分布图与光学图像采集模块102中缓存的光学图像叠加融合,在叠加融合后的声源分布图中标识出局部放电事件发生的位置及声源强度的分布状况。
统计与显示模块109被配置成基于局部放电声源超声波信号强度估计值,对局部放电事件的发生的时间、强度、位置进行统计;将统计结果以声像图形式显示于显示屏上;并根据该统计结果评估局部放电事件是否发生以及局部放电故障发生的劣化过程和严重程度。
在一个实施例中,统计方式包括:将局部放电事件发生的位置在声像云图融合模块108得到的图像上进行叠加,得出局部放电事件发生次数的类热力学分布图。进行叠加的局部放电事件所发生的时间段是可以任意设置的,可以针对一次测试的不同时间段分别得到各自的分布图。
在一个实施例中,统计方式包括:将局部放电事件发生的强度在发生的位置上进行叠加,对于位置重叠部分的强度采用对数求和规则进行叠加,然后将叠加结果在声像云图融合模块108得到的图像上进行融合,得出局部放电事件发生强度的类热力学分布图。进行叠加的局部放电事件所发生的时间段是可以任意设置的,可以针对一次测试的不同时间段分别得到各自的分布图。
在一个实施例中,统计方式包括:将局部放电事件按照发生的位置分组之后在对该位置发生局部放电的次数在计算时间内求其发生的频率(频率的计算时间可以是任意的合理时间长度),然后将频率在发生位置进行叠加,将叠加后的结果与声像云图融合模块108得到图像进行融合,得出局部放电事件发生强度的类热力学分布图。进行叠加的局部放电事件所发生的时间段是可以任意设置的,可以针对一次测试的不同时间段分别得到各自的分布图。
本发明还提供了一种局部放电故障监测和评估方法。如图2所示,该方法包括以下步骤:
步骤1:对被测的电力设备进行超声波信号采集、光学图像采集、环境数据采集,并对采集到的超声波信号(即音频数据)、光学图像、环境数据进行缓存。
超声波信号采集是由一个用超声波麦克风组成的麦克风阵列来实现。在该阵列的几何中心位置设计有一颗摄像头,该摄像头被配置成进行光学图像采集。环境数据包括测试环境的温度、测试环境的湿度、测试环境的气压以及被测电气设备与测试仪器之间的直线距离四种类型参数。其中,测试环境的温度可由温度传感器进行采集,测试环境的湿度可由湿度传感器进行采集,测试环境的气压可由气压传感器进行采集。被测电气设备与测试仪器之间的直线距离可由距离传感器进行采集。
在一个实施例中,超声波信号采集可基于FPGA实现的超多通道(例如100通道以上)高速(例如采样率可达192kHz以上)数据采集卡实现。
步骤2:利用基于机器学习的局部放电事件检测算法,对所采集的超声波信号,即音频数据,进行局部放电事件的实时监测,标记该局部放电事件发生的时刻并缓存该音频数据。
在一个实施例中,该机器学习包括基于卷积神经网络的算法。卷积神经网络算法经过良好的训练后能够有极高的识别准确率。
在一个实施例中,基于机器学习的局部放电事件检测算法(例如卷积神经网络算法)是实时运行的。该局部放电事件检测算法(例如卷积神经网络算法)从麦克风阵列中某一固定通道抓取实时音频数据进行局部放电事件检测,在检测到局部放电事件发生的时候,该算法能够标记出局部放电事件发生的时刻。
步骤3:在事先缓存的音频数据中找出被标记的局部放电事件发生时刻对应的音频数据,并利用声源定位算法对该音频数据进行声源定位并得到声源的强度分布图。
在一个实施例中,该声源定位算法可以是Beamforming算法。
在一个实施例中,声源的强度分布图为一张类热力学的彩色或灰度的图片,通过不同区域中的色彩(或灰度级)来表示声源信号在该区域的强度。
需要说明的是,单纯的声源定位算法,例如Beamforming算法,是非常消耗计算力的。算力消耗越大的算法,处理数据的速率就越低,当算法处理数据的速率低于数据产生的速率时,为了保证数据处理的时效性,就必须抛弃部分数据,这就给局部放电事件漏抓留下了隐患。又因为局部放电事件发生本身是随机性的和偶发的,且发生的持续时间非常短,这就造成算法无法提前预知局部放电事件是否要发生,而当局部放电事件发生的时段所处的数据内容被抛弃的时候就造成了局部放电事件没有被检测到,也即事件漏抓。这直接导致的后果可能是局部放电故障未被发现或故障的严重程度被低估。
本发明通过步骤2和步骤3可实现局部放电故障不漏抓,解决现有技术中无法及时捕捉到局部放电事件的技术难题。这是因为本发明先利用了基于卷积神经网络的声事件检测算法(即局部放电事件检测算法)实时监测局部放电事件发生的时刻,然后声源定位算法(例如Beamforming 算法)只需要针对局部放电事件发生时刻所对应的音频数据进行声源位置定位即可,声源定位算法(例如Beamforming 算法)不再需要实时地对采集到的全部的超声波信号数据进行测算,提高了检测效率。由于基于机器学习的局部放电事件检测算法是实时运行的,可以保证不漏抓局部放电事件,即可以实现极低的漏抓率。而声源定位算法(例如Beamforming 算法)可以基于缓存的数据在局部放电事件发生之后进行测算不需要极高的实时性。通过两者的结合就保证了局部放电事件基本不漏抓。
步骤4:将所述声源强度分布图与缓存的光学图像叠加融合,在叠加融合后的声源强度分布图中标识出局部放电事件发生的位置及声源强度的分布状况。
步骤5:利用环境数据,对上述步骤3中所得到的声源强度分布图中声源位置处超声波信号的强度进行距离修正以及环境衰减修正,得到局部放电声源超声波信号强度估计值。
在一个实施例中,局部放电声源超声波信号强度估计值=实测超声波信号强度+距离修正参数+环境衰减修正参数。其中:
局部放电声源超声波信号强度估计值:是超声波在测试频段内,单位距离(一般取1米)上超声波强度的估算。
实测超声波信号强度是步骤3中利用声源定位算法,例如Beamforming算法,计算后得到的声源分布图中声源位置处超声波信号的强度。
距离修正参数:用于将实测超声波信号强度修正到单位距离上超声波强度的补偿值.
环境衰减修正参数:用于修正超声波信号在非理想介质中传播造成的衰减。
步骤6: 基于步骤5得到的局部放电声源超声波信号强度估计值,对局部放电事件的发生的时间、强度、位置进行统计,得到统计分布图。
在一个实施例中,统计方式包括:将局部放电事件发生的位置在步骤4得到的图像上进行叠加,得出局部放电事件发生次数的类热力学分布图。进行叠加的局部放电事件所发生的时间段是可以任意设置的,可以针对一次测试的不同时间段分别得到各自的分布图。
在一个实施例中,统计方式包括:将局部放电事件发生的强度在发生的位置上进行叠加,对于位置重叠部分的强度采用对数求和规则进行叠加,然后将叠加结果在步骤4得到的图像上进行融合,得出局部放电事件发生强度的类热力学分布图。进行叠加的局部放电事件所发生的时间段是可以任意设置的,可以针对一次测试的不同时间段分别得到各自的分布图。
在一个实施例中,统计方式包括:将局部放电事件按照发生的位置分组之后在对该位置发生局部放电的次数在计算时间内求其发生的频率(频率的计算时间可以是任意的合理时间长度),然后将频率在发生位置进行叠加,将叠加后的结果和步骤4得到图像进行融合,得出局部放电事件发生强度的类热力学分布图。进行叠加的局部放电事件所发生的时间段是可以任意设置的,可以针对一次测试的不同时间段分别得到各自的分布图。
步骤7:基于步骤6得到的统计分析图,评估局部放电事件是否发生以及局部放电故障发生的劣化过程和严重程度。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在处理器上。所述模块仅是说明性的,并且所述方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的***所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。例如,这些操作或者步骤可以视情况同时处理。同时,也可将其他操作或步骤添加到这些过程或方法中,或从这些过程或方法中移除某一个或数个步骤。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“***”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
本申请各部分操作或步骤所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在本发明的装置或模块上运行、或作为独立的软件包在装置或模块上运行、或部分在装置或模块上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的装置或模块可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的***。
这里采用的术语和表述方式只是用于描述,本发明并不应局限于这些术语和表述。使用这些术语和表述并不意味着排除任何示意和描述(或其中部分)的等效特征,应认识到可能存在的各种修改也应包含在权利要求范围内。其他修改、变化和替换也可能存在。相应的,权利要求应视为覆盖所有这些等效物。
同样,需要指出的是,虽然本发明已参照当前的具体实施例来描述,但是本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本发明,在没有脱离本发明精神的情况下还可做出各种等效的变化或替换,因此,只要在本发明的实质精神范围内对上述实施例的变化、变型都将落在本申请的权利要求书的范围内。
Claims (21)
1.一种局部放电故障监测和评估装置,其特征在于,该装置包括:
麦克风阵列信号采集模块,包括超声波麦克风阵列,被配置成对被测电力设备进行超声波信号采集并缓存音频数据;
基于机器学习的局部放电事件检测模块,被配置成利用基于机器学习的局部放电事件检测算法,对所述麦克风阵列信号采集模块所采集的音频数据进行局部放电事件的实时监测,标记该局部放电事件发生的时刻并缓存所述音频数据;以及
声源定位模块,被配置成在缓存的音频数据中找出被标记的局部放电事件发生时刻对应的音频数据,并利用声源定位算法对所述音频数据进行声源定位并得到声源强度分布图。
2.如权利要求1所述的局部放电故障监测和评估装置,其特征在于,所述基于机器学习的局部放电事件检测算法为基于卷积神经网络算法,所述声源定位算法为Beamforming算法。
3.如权利要求1所述的局部放电故障监测和评估装置,其特征在于,还包括:
光学图像采集模块,包括位于所述超声波麦克风阵列几何中心位置的摄像头,被配置成对所述电力设备进行光学图像采集并缓存光学图像数据。
4.如权利要求3所述的局部放电故障监测和评估装置,其特征在于,还包括:
传感器数据采集模块,被配置成采集环境数据,包括温度传感器、湿度传感器、气压传感器以及距离传感器;
其中,所述温度传感器采集测试环境的温度;所述湿度传感器采集测试环境的湿度;所述气压传感器采集测试环境的气压;所述距离传感器采集被测电力设备与所述局部放电故障监测和评估装置之间的直线距离。
5.如权利要求4所述的局部放电故障监测和评估装置,其特征在于,还包括:
修正模块,被配置成基于所述传感器数据采集模块获得的环境数据得到距离修正参数以及环境衰减修正参数。
6.如权利要求5所述的局部放电故障监测和评估装置,其特征在于,还包括:
局部放电强度估算模块,被配置成利用所述距离修正参数以及环境衰减修正参数对所述声源定位模块所得到的声源强度分布图中声源位置处超声波信号的强度进行距离修正以及环境衰减修正,得到局部放电声源超声波信号强度估计值。
7.如权利要求6所述的局部放电故障监测和评估装置,其特征在于,还包括:
声像云图融合模块,被配置成将所述声源强度分布图与所述光学图像采集模块中缓存的光学图像叠加融合,在叠加融合后的声源强度分布图中标识出局部放电事件发生的位置及声源强度的分布状况。
8.如权利要求7所述的局部放电故障监测和评估装置,其特征在于,还包括:
统计与显示模块,被配置成基于所述局部放电声源超声波信号强度估计值,对局部放电事件的发生的次数、强度、位置进行统计;将统计结果以声像图形式显示于显示屏上;并根据统计结果评估局部放电事件是否发生以及局部放电故障发生的劣化过程和严重程度。
9.如权利要求8所述的局部放电故障监测和评估装置,其特征在于,所述统计的方式包括:将局部放电事件发生的位置在所述声像云图融合模块得到的图像上进行叠加,得出局部放电事件发生次数的类热力学分布图。
10.如权利要求8所述的局部放电故障监测和评估装置,其特征在于,所述统计的方式包括:将局部放电事件发生的强度在发生的位置上进行叠加,对于位置重叠部分的强度采用对数求和规则进行叠加,然后将叠加结果在所述声像云图融合模块得到的图像上进行融合,得出局部放电事件发生强度的类热力学分布图。
11.如权利要求8所述的局部放电故障监测和评估装置,其特征在于,所述统计的方式包括:将局部放电事件按照发生的位置分组之后再对该位置发生局部放电的次数在计算时间内求其发生的频率,然后将频率在发生位置进行叠加,将叠加后的结果与所述声像云图融合模块得到图像进行融合,得出局部放电事件发生强度的类热力学分布图。
12.一种局部放电故障监测和评估方法,其特征在于,所述方法包括:
对被测电力设备进行超声波信号采集、光学图像采集、环境数据采集,并对采集到的音频数据、光学图像、环境数据进行缓存;
利用基于机器学习的局部放电事件检测算法,对所采集的音频数据进行局部放电事件的实时监测,标记该局部放电事件发生的时刻并缓存所述音频数据;
在所述缓存的音频数据中找出被标记的局部放电事件发生时刻对应的音频数据,并利用声源定位算法对所述音频数据进行声源定位并得到声源强度分布图。
13.如权利要求12所述的局部放电故障监测和评估方法,其特征在于,所述基于机器学习的局部放电事件检测算法为基于卷积神经网络算法,所述声源定位算法为Beamforming算法。
14.如权利要求12所述的局部放电故障监测和评估方法,其特征在于,所述超声波信号采集包括采用超声波麦克风阵列进行超声波信号采集;所述光学图像采集包括利用位于所述超声波麦克风阵列的几何中心位置的摄像头进行光学图像采集;所述环境数据采集包括利用温度传感器采集测试环境的温度、利用湿度传感器采集测试环境的湿度、利用气压传感器采集测试环境的气压以及利用距离传感器采集被测电力设备与局部放电故障监测和评估装置之间的直线距离。
15.如权利要求12所述的局部放电故障监测和评估方法,其特征在于,还包括:
将所述声源强度分布图与缓存的光学图像叠加融合,在叠加融合后的声源强度分布图中标识出局部放电事件发生的位置及声源强度的分布状况。
16.如权利要求15所述的局部放电故障监测和评估方法,其特征在于,还包括:
利用所述环境数据,对所述声源强度分布图中声源位置处超声波信号的强度进行距离修正以及环境衰减修正,得到局部放电声源超声波信号强度估计值。
17.如权利要求16所述的局部放电故障监测和评估方法,其特征在于,还包括:
基于所述局部放电声源超声波信号强度估计值,对局部放电事件的发生的次数、强度、位置进行统计,得到统计分布图。
18.如权利要求17所述的局部放电故障监测和评估方法,其特征在于,所述统计的方式包括:将局部放电事件发生的位置在所述声源强度分布图与缓存的光学图像叠加融合得到的图像上进行叠加,得出局部放电事件发生次数的类热力学分布图。
19.如权利要求17所述的局部放电故障监测和评估方法,其特征在于,所述统计的方式包括:将局部放电事件发生的强度在发生的位置上进行叠加,对于位置重叠部分的强度采用对数求和规则进行叠加,然后将叠加结果在所述声源强度分布图与缓存的光学图像叠加融合得到的图像上进行融合,得出局部放电事件发生强度的类热力学分布图。
20.如权利要求17所述的局部放电故障监测和评估方法,其特征在于,所述统计的方式包括:将局部放电事件按照发生的位置分组之后再对该位置发生局部放电的次数在计算时间内求其发生的频率,然后将频率在发生位置进行叠加,将叠加后的结果与所述声源强度分布图与缓存的光学图像叠加融合得到图像进行融合,得出局部放电事件发生强度的类热力学分布图。
21.如权利要求17所述的局部放电故障监测和评估方法,其特征在于,还包括:
基于统计分布图,评估局部放电事件是否发生以及局部放电故障发生的劣化过程和严重程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010882204.8A CN111736050B (zh) | 2020-08-28 | 2020-08-28 | 局部放电故障监测和评估装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010882204.8A CN111736050B (zh) | 2020-08-28 | 2020-08-28 | 局部放电故障监测和评估装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111736050A CN111736050A (zh) | 2020-10-02 |
CN111736050B true CN111736050B (zh) | 2020-11-17 |
Family
ID=72658136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010882204.8A Active CN111736050B (zh) | 2020-08-28 | 2020-08-28 | 局部放电故障监测和评估装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111736050B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112213585A (zh) * | 2020-10-10 | 2021-01-12 | 国网山东省电力公司枣庄供电公司 | 考虑温度场变化的高压开关柜局部放电定位方法及*** |
CN112710915B (zh) * | 2020-12-18 | 2024-02-20 | 北京百度网讯科技有限公司 | 监控电力设备的方法、装置、电子设备和计算机存储介质 |
CN112857560B (zh) * | 2021-02-06 | 2022-07-22 | 河海大学 | 一种基于声音频率的声学成像方法 |
CN113092965A (zh) * | 2021-04-09 | 2021-07-09 | 华北电力大学(保定) | 一种基于麦克风阵列的换流阀设备缺陷局部放电检测装置 |
CN113267330B (zh) * | 2021-05-14 | 2023-03-14 | 国网重庆市电力公司电力科学研究院 | 一种基于声学成像的gis设备机械故障检测***及方法 |
CN113405597B (zh) * | 2021-06-02 | 2022-09-20 | 杭州电力设备制造有限公司 | 开关柜内传感器布局结构及布局结构的评价方法 |
CN113791323B (zh) * | 2021-09-14 | 2023-09-19 | 南京土星视界科技有限公司 | 基于智能声纹识别技术的便携式异常放电超声检测装置 |
CN114113880A (zh) * | 2021-11-05 | 2022-03-01 | 国网青海省电力公司检修公司 | 一种用于高压开关柜局部放电故障定位的检测方法 |
CN114089141A (zh) * | 2022-01-24 | 2022-02-25 | 杭州兆华电子股份有限公司 | 一种局部放电检测方法及局部放电检测装置 |
CN114609493B (zh) * | 2022-05-09 | 2022-08-12 | 杭州兆华电子股份有限公司 | 一种信号数据增强的局部放电信号识别方法 |
CN114859194B (zh) * | 2022-07-07 | 2022-09-23 | 杭州兆华电子股份有限公司 | 一种基于非接触式的局部放电检测方法及装置 |
CN115932481A (zh) * | 2023-01-30 | 2023-04-07 | 国网江苏省电力有限公司南京供电分公司 | 一种架空配电线路局部放电故障定位方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101070329B1 (ko) * | 2010-07-07 | 2011-10-06 | 한국전기연구원 | 영상촬영수단을 갖는 휴대용 초음파 부분방전 측정 장치 및 이를 이용한 부분방전 측정 방법 |
CN102298107A (zh) * | 2011-05-20 | 2011-12-28 | 华南理工大学 | 便携式局部放电超声波云检测装置 |
CN105334435B (zh) * | 2015-10-23 | 2018-04-13 | 国网山东海阳市供电公司 | 一种基于任意阵形的自适应局部放电超声监测方法 |
CN105510787A (zh) * | 2016-01-26 | 2016-04-20 | 国网上海市电力公司 | 基于图像合成技术的便携式超声、红外、紫外检测仪 |
CN105738779A (zh) * | 2016-01-26 | 2016-07-06 | 国网上海市电力公司 | 一种基于多源图像融合的局部放电检测方法 |
CN107153172B (zh) * | 2017-05-08 | 2020-04-21 | 重庆大学 | 一种基于互谱优化的互谱广义逆波束形成方法 |
CN109655720B (zh) * | 2018-12-18 | 2020-12-01 | 杭州听测科技有限公司 | 基于二维传感器阵列的局放检测方法及装置 |
CN109614960B (zh) * | 2019-01-21 | 2024-06-18 | 莆田学院 | 一种图像声阵列与三维空间噪声定位装置及方法 |
-
2020
- 2020-08-28 CN CN202010882204.8A patent/CN111736050B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111736050A (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111736050B (zh) | 局部放电故障监测和评估装置及方法 | |
US20220197492A1 (en) | Non-contacting monitor for bridges and civil structures | |
US8008926B2 (en) | UHF partial discharge and location measuring device for high-voltage power devices | |
RU2470280C2 (ru) | Способ обнаружения и автоматической идентификации повреждения подшипников качения | |
CN106323452B (zh) | 一种设备异音的检测方法及检测装置 | |
JP4261041B2 (ja) | 高電圧機器の絶縁異常診断装置及びその絶縁異常診断方法 | |
JP2014137323A (ja) | 異常診断装置およびこれを用いた異常診断方法 | |
CN110687208A (zh) | 一种基于双曲线定位的无基准Lamb波损伤监测方法 | |
KR101129466B1 (ko) | 웨이블렛 스레스홀딩 함수와 4차 모멘트를 이용한 회전기계의 상태 진단 방법 | |
CN114323481B (zh) | 一种气体多源泄漏声像定位方法及声像定位*** | |
KR20130124211A (ko) | 발전기 컬렉터의 섬락을 검출하는 시스템 및 방법 | |
CN112230107A (zh) | 局部放电监测定位装置、方法、计算机设备和存储介质 | |
JP2019067197A (ja) | 故障予兆検知手法 | |
CN116962669A (zh) | 一种监控设备用异物清除*** | |
JP3788297B2 (ja) | Fftアルゴリズムを応用した周波数解析装置及び異常判定装置並びに異常判定システム | |
KR101386593B1 (ko) | 배관 손상 영상화 방법 | |
CN110886970A (zh) | 一种埋地天然气管道安全防护预警***及其方法 | |
KR20110034281A (ko) | 발전기 고정자 권선의 전용 진동 진단 방법 및 분석 시스템 | |
KR20220170653A (ko) | 초음파 가시화와 위상분해 분석을 적용한 부분방전 진단 방법 및 장치 | |
KR101074341B1 (ko) | 소음 모니터링 시스템, 소음 모니터링 방법 및 소음 모니터링 프로그램을 기록한 컴퓨터로 읽을 수 있는 매체 | |
US11624687B2 (en) | Apparatus and method for detecting microcrack using orthogonality analysis of mode shape vector and principal plane in resonance point | |
KR102311106B1 (ko) | 실시간 타격음 분석을 통한 혼합현실 기반 콘크리트 내부 공동 평가 및 위치 인식 시스템과 그 방법 | |
KR102297005B1 (ko) | 전력설비 진단 장치 및 방법 | |
CN113358750A (zh) | 一种基于边界元法的电力设备声成像方法及*** | |
KR102559458B1 (ko) | 전력설비 및 산업설비의 복합 진단 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address |
Address after: 311121 building 3, No.10 Xianqiao Road, Zhongtai street, Yuhang District, Hangzhou City, Zhejiang Province Patentee after: Hangzhou Zhaohua Electronics Co.,Ltd. Address before: 31-1 Xianxing Road, Xianlin Industrial Park, Yuhang District, Hangzhou City, Zhejiang Province Patentee before: CRY SOUND CO.,LTD. |
|
CP03 | Change of name, title or address |