CN116027161B - 电力设备局部放电脉冲信号监测方法、装置、设备及介质 - Google Patents

Abstract

本发明涉及电变量测量技术领域，具体而言，涉及一种电力设备局部放电脉冲信号监测方法、装置、设备及介质，方法包括：获取多个高压装置脉冲电流检测器反馈的监测数据；提取每个监测数据中的电流脉冲数据的波形特征；将去噪后的波形特征输入到与其设备类型相对应的声噪评估模型中，得到模拟分贝值；基于位置编码和模拟分贝值，计算监测区域内多个电力设备因局部放电产生的噪音模拟分布图；本发明通过获取高压设备密集区域内的多种不同类型的设备在发生局部放电时的放电脉冲信号，并提取该信号中的波形特征，通过分析波形特征得到对应设备产生的噪音信息，进而模拟整个高压设备密集区域的噪声分布情况，为该区域抑制噪音的电力调度提供可靠依据。

Description

电力设备局部放电脉冲信号监测方法、装置、设备及介质

技术领域

本发明涉及电变量监测技术领域，具体而言，涉及一种电力设备局部放电脉冲信号监测方法、装置、设备及介质。

背景技术

在电力***中，当高压设备出现绝缘缺陷时，往往会出现局部放电现象。局部放电指的是高压设备中绝缘介质局部区域发生放电，但该放电并未贯穿施加电压的导体之间的现象。

高压电力设备在产生局部放电时会产生较为明显的噪音，而对于一些在大型场馆举办的高规格体育赛事，不仅要为其提供基本的电力保证，同时还需要在高压设备密集区域抑制电力设备运行时产生的噪音，以保证赛事的高标准举办，而通过调节该区域内的多个高压设备之间的电力输送关系作为有效的短期抑制手段，目前缺乏可靠的调度依据，随着人工智能、深度学习算法的普及与优化，使得通过监测电力设备局部放电脉冲信号，去模拟该高压设备密集区域的噪音分布情况，进而为上述的电力调节提供相关的调度依据成为可能。

发明内容

本发明的目的在于提供一种电力设备局部放电脉冲信号监测方法、装置、设备及可读存储介质，以改善上述人工识别放电信号图像数据导致相关电力维护人员的培养成本较高的问题。

为了实现上述目的，本申请实施例提供了如下技术方案：

一方面，本申请实施例提供了一种电力设备局部放电脉冲信号监测方法，所述方法包括：获取监测区域内的多个高压装置脉冲电流检测器反馈的监测数据，所述监测数据包括高压设备的电流脉冲数据、设备类型和位置编码，所述高压装置脉冲电流检测器设于监测区域内的多个不同类别的高压设备上，用以检测该高压设备发生局部放电现象时的脉冲电流信息，所述设备类型用于标识高压设备的具体产品类别，所述位置编码用于反映高压设备在监测区域内的具***置信息；提取每个监测数据中的电流脉冲数据的波形特征，并对所述波形特征进行去噪处理，所述波形特征包括波形出现时间、波形幅值和波形的频域，所述去噪处理为去除电流脉冲数据中的脉冲干扰数据；将去噪后的所述波形特征输入到与其设备类型相对应的声噪评估模型中，得到每个监测数据对应的模拟分贝值，所述声噪评估模型为通过历史波形特征与噪音大小的映射数据训练得到的神经网络模型，所述声噪评估模型根据电流脉冲数据中的波形幅值和频域，分析对应高压设备产生的噪音信息；基于每个所述监测数据中的位置编码和对应的所述模拟分贝值，通过距离类的加权叠加算法，计算得到监测区域内多个电力设备因局部放电产生的噪音模拟分布图，所述噪音模拟分布图用于模拟当前监测区域内高压设备因局部放电产生的噪音分布情况。

可选地，所述对所述波形特征进行去噪处理，包括：

获取所述电流脉冲数据的波形特征，所述波形特征包括局部放电信号波形特征和脉冲干扰信号波形特征；

通过波形筛选模型，剔除所述波形特征中的脉冲干扰信号波形特征，得到仅反应局部放电信息的波形特征；

其中，所述波形筛选模型的特征筛选通过参数为：波峰数量小于预设数量阈值、第一个波峰为最高波峰、脉冲周期小于预设脉冲周期阈值和脉冲起点到第一个波峰的上升沿时间小于预设上升沿阈值，所述波形特征满足上述特征中的任意三条，则认定为局部放电信息的波形特征。

可选地，所述将去噪后的所述波形特征输入到与其设备类型相对应的声噪评估模型中之前，还包括：

按照设备的类型分别构建每种类型的设备对应的声噪评估模型；

其中，构建一个设备类型的声噪评估模型，包括：

获取设备的训练数据，所述训练数据包括同一类电力设备在不同电压级别和工频周期内产生局部放电时的脉冲信号波形图和对应的声音信息，该脉冲信号波形图用于表征局部放电信号对应的波形特征，所述声音信息为实验环境下通过声音检测装置采集的数据；

基于所述训练数据训练构建的BP神经网络模型，以使其学习不同脉冲信号波形特征对应的声音信息；

将训练好的BP神经网络模型记为声噪评估模型，并标记其对应的设备类型。

可选地，所述计算得到监测区域内多个电力设备因局部放电产生的噪音模拟分布图之后，还包括：

基于所述噪音模拟分布图评估噪音等级，并在所述噪音等级大于预设最大噪音阈值的情况下，基于监测区域内的多个高压装置的连接布局图和所述噪音模拟分布图，通过蚁群算法分析得到最优电力调度方案和在最优电力调度方案下的噪音模拟分布图，所述连接布局图反应当前监测区域内的多个高压装置之间的连接关系、电流和电压值；

将所述最优电力调度方案和在最优电力调度方案下的噪音模拟分布图发送至电力控制操作中心。

第二方面，本申请实施例提供了一种电力设备局部放电脉冲信号监测装置，所述装置包括：

获取模块，用于获取监测区域内的多个高压装置脉冲电流检测器反馈的监测数据，所述监测数据包括高压设备的电流脉冲数据、设备类型和位置编码，所述高压装置脉冲电流检测器设于监测区域内的多个不同类别的高压设备上，用以检测该高压设备发生局部放电现象时的脉冲电流信息，所述设备类型用于标识高压设备的具体产品类别，所述位置编码用于反映高压设备在监测区域内的具***置信息；

提取模块，用于提取每个监测数据中的电流脉冲数据的波形特征，并对所述波形特征进行去噪处理，所述波形特征包括波形出现时间、波形幅值和波形的频域，所述去噪处理为去除电流脉冲数据中的脉冲干扰数据；

分贝评估模块，用于将去噪后的所述波形特征输入到与其设备类型相对应的声噪评估模型中，得到每个监测数据对应的模拟分贝值，所述声噪评估模型为通过历史波形特征与噪音大小的映射数据训练得到的神经网络模型，所述声噪评估模型根据电流脉冲数据中的波形幅值和频域，分析对应高压设备产生的噪音信息；

模拟模块，用于基于每个所述监测数据中的位置编码和对应的所述模拟分贝值，通过距离类的加权叠加算法，计算得到监测区域内多个电力设备因局部放电产生的噪音模拟分布图，所述噪音模拟分布图用于模拟当前监测区域内高压设备因局部放电产生的噪音分布情况。

可选地，所述提取模块，还包括：

第一获取单元，用于获取所述电流脉冲数据的波形特征，所述波形特征包括局部放电信号波形特征和脉冲干扰信号波形特征；

剔除单元，用于通过波形筛选模型，剔除所述波形特征中的脉冲干扰信号波形特征，得到仅反应局部放电信息的波形特征；

其中，所述波形筛选模型的特征筛选通过参数为：波峰数量小于预设数量阈值、第一个波峰为最高波峰、脉冲周期小于预设脉冲周期阈值和脉冲起点到第一个波峰的上升沿时间小于预设上升沿阈值，所述波形特征满足上述特征中的任意三条，则认定为局部放电信息的波形特征。

可选地，所述分贝评估模块，还包括：

模型构建单元，用于按照设备的类型分别构建每种类型的设备对应的声噪评估模型；

其中，模型构建单元，还包括：

获取子单元，用于获取设备的训练数据，所述训练数据包括同一类电力设备在不同电压级别和工频周期内产生局部放电时的脉冲信号波形图和对应的声音信息，该脉冲信号波形图用于表征局部放电信号对应的波形特征，所述声音信息为实验环境下通过声音检测装置采集的数据；

训练子单元，用于基于所述训练数据训练构建的BP神经网络模型，以使其学习不同脉冲信号波形特征对应的声音信息；

标记子单元，用于将训练好的BP神经网络模型记为声噪评估模型，并标记其对应的设备类型。

可选地，所述一种电力设备局部放电脉冲信号监测装置，还包括：

电力调度模块，用于基于所述噪音模拟分布图评估噪音等级，并在所述噪音等级大于预设最大噪音阈值的情况下，基于监测区域内的多个高压装置的连接布局图和所述噪音模拟分布图，通过蚁群算法分析得到最优电力调度方案和在最优电力调度方案下的噪音模拟分布图，所述连接布局图反应当前监测区域内的多个高压装置之间的连接关系、电流和电压值；

发送模块，用于将所述最优电力调度方案和在最优电力调度方案下的噪音模拟分布图发送至电力控制操作中心。

第三方面，本申请实施例提供了一种电力设备局部放电脉冲信号监测设备，所述设备包括存储器和处理器。

存储器用于存储计算机程序；处理器用于执行所述计算机程序时实现上述电力设备局部放电脉冲信号监测方法的步骤。

第四方面，本申请实施例提供了一种介质，所述介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述电力设备局部放电脉冲信号监测方法的步骤。

本发明的有益效果为：

本发明通过获取高压设备密集区域内的多种不同类型的设备在发生局部放电时的放电脉冲信号，并提取该信号中的波形特征，通过分析波形特征得到对应设备产生的噪音信息，进而模拟整个高压设备密集区域的噪声分布情况，为该区域抑制噪音的电力调度提供可靠依据。

本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1是本发明实施例中所述的一种电力设备局部放电脉冲信号监测方法流程示意图；

图2是本发明实施例中所述的一种电力设备局部放电脉冲信号监测装置结构示意图；

图3是本发明实施例中所述的一种电力设备局部放电脉冲信号监测设备结构示意图。

实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号或字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在举例说明之前，需要对采集器的分布以及电力设备的分布情况做一个简要说明，随机在一个地域内的电力设备中挑选出固定数量的测试标本，在标本上设置对应的采集器，以实现对带设备的实施检测，其次，设备的类型要监测的电力设备的具体类型需要相同，如均为变压器、电缆、变电箱等，其中本实施例将以高压变电器作为阐述对象，其余电力设备可根据实施例公开的相关原理实现同样的电力设备的局部放电类型的识别，本说明书不做相关阐述。

实施例1

如图1所示，本实施例提供了一种电力设备局部放电脉冲信号监测方法，所述方法包括步骤S1、步骤S2步骤S3和步骤S4。

步骤S1.获取监测区域内的多个高压装置脉冲电流检测器反馈的监测数据，所述监测数据包括高压设备的电流脉冲数据、设备类型和位置编码，所述高压装置脉冲电流检测器设于监测区域内的多个不同类别的高压设备上，用以检测该高压设备发生局部放电现象时的脉冲电流信息，所述设备类型用于标识高压设备的具体产品类别，所述位置编码用于反映高压设备在监测区域内的具***置信息；

步骤S2.提取每个监测数据中的电流脉冲数据的波形特征，并对所述波形特征进行去噪处理，所述波形特征包括波形出现时间、波形幅值和波形的频域，所述去噪处理为去除电流脉冲数据中的脉冲干扰数据，具体的波形特征去噪方式为：波形特征包括局部放电信号波形特征和脉冲干扰信号波形特征，通过波形筛选模型，剔除所述波形特征中的脉冲干扰信号波形特征，得到仅反应局部放电信息的波形特征；

其中，所述波形筛选模型的特征筛选通过参数为：波峰数量小于预设数量阈值、第一个波峰为最高波峰、脉冲周期小于预设脉冲周期阈值和脉冲起点到第一个波峰的上升沿时间小于预设上升沿阈值，所述波形特征满足上述特征中的任意三条，则认定为局部放电信息的波形特征。

步骤S3.将去噪后的所述波形特征输入到与其设备类型相对应的声噪评估模型中，得到每个监测数据对应的模拟分贝值，所述声噪评估模型为通过历史波形特征与噪音大小的映射数据训练得到的神经网络模型，所述声噪评估模型根据电流脉冲数据中的波形幅值和频域，分析对应高压设备产生的噪音信息；

步骤S4.基于每个所述监测数据中的位置编码和对应的所述模拟分贝值，通过距离类的加权叠加算法，计算得到监测区域内多个电力设备因局部放电产生的噪音模拟分布图，所述噪音模拟分布图用于模拟当前监测区域内高压设备因局部放电产生的噪音分布情况。

其次，在步骤S3之前还需要构建各个类别的设备对应的声噪评估模型，而正对某一类型的设备的声噪评估模型的具体构建方式可以为：

步骤S31.获取设备的训练数据，所述训练数据包括同一类电力设备在不同电压级别和工频周期内产生局部放电时的脉冲信号波形图和对应的声音信息，该脉冲信号波形图用于表征局部放电信号对应的波形特征，所述声音信息为实验环境下通过声音检测装置采集的数据；

步骤S32.基于所述训练数据训练构建的BP神经网络模型，以使其学习不同脉冲信号波形特征对应的声音信息；

步骤S33.将训练好的BP神经网络模型记为声噪评估模型，并标记其对应的设备类型。

在步骤S4所述的计算得到监测区域内多个电力设备因局部放电产生的噪音模拟分布图之后，还需要对该噪音模拟分布图进行充分利用，具体而言可以为：

步骤S5.基于所述噪音模拟分布图评估噪音等级，并在所述噪音等级大于预设最大噪音阈值的情况下，基于监测区域内的多个高压装置的连接布局图和所述噪音模拟分布图，通过蚁群算法分析得到最优电力调度方案和在最优电力调度方案下的噪音模拟分布图，所述连接布局图反应当前监测区域内的多个高压装置之间的连接关系、电流和电压值；

步骤S6.将所述最优电力调度方案和在最优电力调度方案下的噪音模拟分布图发送至电力控制操作中心。

终端服务器获取高压密集区域内的多个不同类型的高压设备上的脉冲电流检测器反馈的检测数据，并通过分析每个检测数据对应的分贝值即噪音大小，得到每个设备发出的噪音大小，对这些噪音进行加权叠加，进而得到高压区域内的声场分布图，进而使监控人员得到当前噪音评级，若噪音加大时，可以通过电力调度的方式不断去调整各高压设备的负载情况，进而改变其局部放电的频次和类型，达到降低整个高压区域内的噪音，本实施了通过监测局部放电得到对应的声音大小，并根据声音大小调节导致局部放电的电压或电流等负载参数，关联了负载、噪音和局部放电三者之间的关系。

本实施了所述的一种电力设备局部放电脉冲信号监测方法通过获取高压设备密集区域内的多种不同类型的设备在发生局部放电时的放电脉冲信号，并提取该信号中的波形特征，通过分析波形特征得到对应设备产生的噪音信息，进而模拟整个高压设备密集区域的噪声分布情况，为该区域抑制噪音的电力调度提供可靠依据。

实施例2

如图2所示，本实施例提供了一种电力设备局部放电脉冲信号监测装置，所述装置包括：

获取模块71，用于获取监测区域内的多个高压装置脉冲电流检测器反馈的监测数据，所述监测数据包括高压设备的电流脉冲数据、设备类型和位置编码，所述高压装置脉冲电流检测器设于监测区域内的多个不同类别的高压设备上，用以检测该高压设备发生局部放电现象时的脉冲电流信息，所述设备类型用于标识高压设备的具体产品类别，所述位置编码用于反映高压设备在监测区域内的具***置信息；

提取模块72，用于提取每个监测数据中的电流脉冲数据的波形特征，并对所述波形特征进行去噪处理，所述波形特征包括波形出现时间、波形幅值和波形的频域，所述去噪处理为去除电流脉冲数据中的脉冲干扰数据；

分贝评估模块73，用于将去噪后的所述波形特征输入到与其设备类型相对应的声噪评估模型中，得到每个监测数据对应的模拟分贝值，所述声噪评估模型为通过历史波形特征与噪音大小的映射数据训练得到的神经网络模型，所述声噪评估模型根据电流脉冲数据中的波形幅值和频域，分析对应高压设备产生的噪音信息；

模拟模块74，用于基于每个所述监测数据中的位置编码和对应的所述模拟分贝值，通过距离类的加权叠加算法，计算得到监测区域内多个电力设备因局部放电产生的噪音模拟分布图，所述噪音模拟分布图用于模拟当前监测区域内高压设备因局部放电产生的噪音分布情况。

可选地，所述提取模块72，还包括：

第一获取单元721，用于获取所述电流脉冲数据的波形特征，所述波形特征包括局部放电信号波形特征和脉冲干扰信号波形特征；

剔除单元722，用于通过波形筛选模型，剔除所述波形特征中的脉冲干扰信号波形特征，得到仅反应局部放电信息的波形特征；

其中，所述波形筛选模型的特征筛选通过参数为：波峰数量小于预设数量阈值、第一个波峰为最高波峰、脉冲周期小于预设脉冲周期阈值和脉冲起点到第一个波峰的上升沿时间小于预设上升沿阈值，所述波形特征满足上述特征中的任意三条，则认定为局部放电信息的波形特征。

可选地，所述分贝评估模块73，还包括：

模型构建单元731，用于按照设备的类型分别构建每种类型的设备对应的声噪评估模型；

其中，模型构建单元731，还包括：

获取子单元7311，用于获取设备的训练数据，所述训练数据包括同一类电力设备在不同电压级别和工频周期内产生局部放电时的脉冲信号波形图和对应的声音信息，该脉冲信号波形图用于表征局部放电信号对应的波形特征，所述声音信息为实验环境下通过声音检测装置采集的数据；

训练子单元7312，用于基于所述训练数据训练构建的BP神经网络模型，以使其学习不同脉冲信号波形特征对应的声音信息；

标记子单元7313，用于将训练好的BP神经网络模型记为声噪评估模型，并标记其对应的设备类型。

可选地，所述的电力设备局部放电脉冲信号监测装置，还包括：

电力调度模块75，用于基于所述噪音模拟分布图评估噪音等级，并在所述噪音等级大于预设最大噪音阈值的情况下，基于监测区域内的多个高压装置的连接布局图和所述噪音模拟分布图，通过蚁群算法分析得到最优电力调度方案和在最优电力调度方案下的噪音模拟分布图，所述连接布局图反应当前监测区域内的多个高压装置之间的连接关系、电流和电压值；

发送模块76，用于将所述最优电力调度方案和在最优电力调度方案下的噪音模拟分布图发送至电力控制操作中心。

需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

实施例3

相应于上面的方法实施例，本公开实施例还提供了一种电力设备局部放电脉冲信号监测设备，下文描述的一种电力设备局部放电脉冲信号监测设备与上文描述的一种电力设备局部放电脉冲信号监测方法可相互对应参照。

图3是根据一示例性实施例示出的一种电力设备局部放电脉冲信号监测设备800的框图。如图3所示，该电子设备800可以包括：处理器801，存储器802。该电子设备800还可以包括多媒体组件803，输入/输出(I/O)接口804，以及通信组件805中的一者或多者。

其中，处理器801用于控制该电子设备800的整体操作，以完成上述的电力设备局部放电脉冲信号监测方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该电子设备800的操作，这些数据例如可以包括用于在该电子设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该电子设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。

在一示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的电力设备局部放电脉冲信号监测方法。

在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的电力设备局部放电脉冲信号监测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由电子设备800的处理器801执行以完成上述的电力设备局部放电脉冲信号监测方法。

实施例4

相应于上面的方法实施例，本公开实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种电力设备局部放电脉冲信号监测方法可相互对应参照。

一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的电力设备局部放电脉冲信号监测方法的步骤。

该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种电力设备局部放电脉冲信号监测方法，其特征在于，所述方法包括：

获取监测区域内的多个高压装置电流脉冲检测器反馈的监测数据，所述监测数据包括电力设备的电流脉冲数据、设备类型和位置编码，所述高压装置电流脉冲检测器设于监测区域内的多个不同类别的电力设备上，用以检测该电力设备发生局部放电现象时的电流脉冲信息，所述设备类型用于标识电力设备的具体产品类别，所述位置编码用于反映电力设备在监测区域内的具***置信息；

提取每个电力设备监测数据中的电流脉冲数据的波形特征，并对所述波形特征进行去噪处理，所述波形特征包括波形出现时间、波形幅值和波形的频域，所述去噪处理为去除电流脉冲数据中的脉冲干扰数据；

将去噪后的所述波形特征输入到与其设备类型相对应的声噪评估模型中，得到每个电力设备监测数据对应的模拟分贝值，所述声噪评估模型为通过历史波形特征与噪音大小的映射数据训练得到的神经网络模型，所述声噪评估模型根据电流脉冲数据中的波形幅值和频域，分析对应电力设备产生的噪音信息；

基于每个所述电力设备监测数据中的位置编码和对应的所述模拟分贝值，通过距离类的加权叠加算法，计算得到监测区域内多个电力设备因局部放电产生的噪音模拟分布图，所述噪音模拟分布图用于模拟当前监测区域内电力设备因局部放电产生的噪音分布情况；

其中，所述对所述波形特征进行去噪处理，包括：

获取所述电流脉冲数据的波形特征，所述波形特征包括局部放电信号波形特征和脉冲干扰信号波形特征；

通过波形筛选模型，剔除所述波形特征中的脉冲干扰信号波形特征，得到仅反应局部放电信息的波形特征；

其中，所述波形筛选模型的特征筛选通过参数为：波峰数量小于预设数量阈值、第一个波峰为最高波峰、脉冲周期小于预设脉冲周期阈值和脉冲起点到第一个波峰的上升沿时间小于预设上升沿阈值，所述波形特征满足上述特征中的任意三条，则认定为局部放电信息的波形特征。

2.根据权利要求1所述的电力设备局部放电脉冲信号监测方法，其特征在于，所述将去噪后的所述波形特征输入到与其设备类型相对应的声噪评估模型中之前，还包括：

按照设备的类型分别构建每种类型的设备对应的声噪评估模型；

其中，构建一个设备类型的声噪评估模型，包括：

获取设备的训练数据，所述训练数据包括同一类电力设备在不同电压级别和工频周期内产生局部放电时的脉冲信号波形图和对应的声音信息，该脉冲信号波形图用于表征局部放电信号对应的波形特征，所述声音信息为实验环境下通过声音检测装置采集的数据；

基于所述训练数据训练构建的BP神经网络模型，以使其学习不同脉冲信号波形特征对应的声音信息；

将训练好的BP神经网络模型记为声噪评估模型，并标记其对应的设备类型。

3.根据权利要求1所述的电力设备局部放电脉冲信号监测方法，其特征在于，所述计算得到监测区域内多个电力设备因局部放电产生的噪音模拟分布图之后，还包括：

基于所述噪音模拟分布图评估噪音等级，并在所述噪音等级大于预设最大噪音阈值的情况下，基于监测区域内的多个高压装置的连接布局图和所述噪音模拟分布图，通过蚁群算法分析得到最优电力调度方案和在最优电力调度方案下的噪音模拟分布图，所述连接布局图反应当前监测区域内的多个高压装置之间的连接关系、电流和电压值；

将所述最优电力调度方案和在最优电力调度方案下的噪音模拟分布图发送至电力控制操作中心。

4.一种电力设备局部放电脉冲信号监测装置，其特征在于，所述装置包括：

获取模块，用于获取监测区域内的多个高压装置电流脉冲检测器反馈的监测数据，所述监测数据包括电力设备的电流脉冲数据、设备类型和位置编码，所述高压装置电流脉冲检测器设于监测区域内的多个不同类别的电力设备上，用以检测该电力设备发生局部放电现象时的电流脉冲信息，所述设备类型用于标识电力设备的具体产品类别，所述位置编码用于反映电力设备在监测区域内的具***置信息；

提取模块，用于提取每个电力设备监测数据中的电流脉冲数据的波形特征，并对所述波形特征进行去噪处理，所述波形特征包括波形出现时间、波形幅值和波形的频域，所述去噪处理为去除电流脉冲数据中的脉冲干扰数据；

分贝评估模块，用于将去噪后的所述波形特征输入到与其设备类型相对应的声噪评估模型中，得到每个电力设备监测数据对应的模拟分贝值，所述声噪评估模型为通过历史波形特征与噪音大小的映射数据训练得到的神经网络模型，所述声噪评估模型根据电流脉冲数据中的波形幅值和频域，分析对应电力设备产生的噪音信息；

模拟模块，用于基于每个所述电力设备监测数据中的位置编码和对应的所述模拟分贝值，通过距离类的加权叠加算法，计算得到监测区域内多个电力设备因局部放电产生的噪音模拟分布图，所述噪音模拟分布图用于模拟当前监测区域内电力设备因局部放电产生的噪音分布情况；

其中，所述提取模块，还包括：

第一获取单元，用于获取所述电流脉冲数据的波形特征，所述波形特征包括局部放电信号波形特征和脉冲干扰信号波形特征；

剔除单元，用于通过波形筛选模型，剔除所述波形特征中的脉冲干扰信号波形特征，得到仅反应局部放电信息的波形特征；

其中，所述波形筛选模型的特征筛选通过参数为：波峰数量小于预设数量阈值、第一个波峰为最高波峰、脉冲周期小于预设脉冲周期阈值和脉冲起点到第一个波峰的上升沿时间小于预设上升沿阈值，所述波形特征满足上述特征中的任意三条，则认定为局部放电信息的波形特征。

5.根据权利要求4所述的电力设备局部放电脉冲信号监测装置，其特征在于，所述分贝评估模块，还包括：

模型构建单元，用于按照设备的类型分别构建每种类型的设备对应的声噪评估模型；

其中，模型构建单元，还包括：

获取子单元，用于获取设备的训练数据，所述训练数据包括同一类电力设备在不同电压级别和工频周期内产生局部放电时的脉冲信号波形图和对应的声音信息，该脉冲信号波形图用于表征局部放电信号对应的波形特征，所述声音信息为实验环境下通过声音检测装置采集的数据；

训练子单元，用于基于所述训练数据训练构建的BP神经网络模型，以使其学习不同脉冲信号波形特征对应的声音信息；

标记子单元，用于将训练好的BP神经网络模型记为声噪评估模型，并标记其对应的设备类型。

6.根据权利要求4所述的电力设备局部放电脉冲信号监测装置，其特征在于，所述装置，还包括：

电力调度模块，用于基于所述噪音模拟分布图评估噪音等级，并在所述噪音等级大于预设最大噪音阈值的情况下，基于监测区域内的多个高压装置的连接布局图和所述噪音模拟分布图，通过蚁群算法分析得到最优电力调度方案和在最优电力调度方案下的噪音模拟分布图，所述连接布局图反应当前监测区域内的多个高压装置之间的连接关系、电流和电压值；

发送模块，用于将所述最优电力调度方案和在最优电力调度方案下的噪音模拟分布图发送至电力控制操作中心。

7.一种电子设备，其特征在于，包括：

存储器，用于存放计算机程序；

处理器，用于在执行存储器上所存放的程序时，实现权利要求1-3任一所述的方法步骤。

8.一种介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时，实现权利要求1-3任一所述的方法步骤。

Images