CN117611131A - 一种局部放电类型识别方法、装置、设备及介质 - Google Patents
一种局部放电类型识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117611131A CN117611131A CN202311576161.0A CN202311576161A CN117611131A CN 117611131 A CN117611131 A CN 117611131A CN 202311576161 A CN202311576161 A CN 202311576161A CN 117611131 A CN117611131 A CN 117611131A
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- model
- training
- data
- target
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013145 classification model Methods 0.000 claims abstract description 118
- 238000012549 training Methods 0.000 claims abstract description 86
- 238000001514 detection method Methods 0.000 claims abstract description 42
- 238000010586 diagram Methods 0.000 claims abstract description 40
- 238000002790 cross-validation Methods 0.000 claims abstract description 33
- 102100025142 Beta-microseminoprotein Human genes 0.000 claims abstract 9
- 101000576812 Homo sapiens Beta-microseminoprotein Proteins 0.000 claims abstract 9
- 238000012360 testing method Methods 0.000 claims description 61
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 10
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 description 19
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000009413 insulation Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000015556 catabolic process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000007667 floating Methods 0.000 description 3
- 239000002923 metal particle Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- -1 tip burrs Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种局部放电类型识别方法、装置、设备及介质。局部放电类型识别方法，包括：获取局部放电检测数据；根据局部放电检测数据，绘制PRPS图以及PRPD图；基于PRPS图以及PRPD图，确定局部放电特征数据，并根据局部放电特征数据对多个预训练分类模型进行交叉验证训练，得到目标分类模型；将待识别局部放电信号输入至目标分类模型，得到局部放电类型识别结果。本发明实施例的技术方案能够提升自动化识别局部放电信号所对应局部放电类型的准确率。
Description
技术领域
本发明涉及局部放电检测技术领域，尤其涉及一种局部放电类型识别方法、装置、设备及介质。
背景技术
局部放电是设备绝缘劣化的主要初始表现，设备的制造、安装和运输过程中可能会产生气泡、浮电位导电物质、尖端毛刺、金属颗粒等，如果这些缺陷出现时电场强度超过一定值，虽然不一定会立即导致绝缘击穿，但会导致局部放电的发生。而局部放电可能对设备绝缘造成持续的危害，因此对局部放电的有效检测对电力设备的安全稳定运行具有重要意义。
在智能配电***设备运维中，对绝缘缺陷引起的局部放电故障进行有效识别，对提高巡检效率和配电网设备管理水平，和预警至关重要。然而不同器件内部的工作电场和放电类型不同，不同类型放电形式下的绝缘降解机制不同，局部放电的形式和强度也不同，导致现有的局部放电类型自动化识别准确率不高。
发明内容
本发明提供了一种局部放电类型识别方法、装置、设备及介质，以解决目前自动化识别局部放电信号所对应局部放电类型准确率不高的问题。
根据本发明的一方面，提供了一种局部放电类型识别方法，包括：
获取局部放电检测数据；
根据局部放电检测数据，绘制PRPS图以及PRPD图；
基于PRPS图以及PRPD图，确定局部放电特征数据，并根据局部放电特征数据对多个预训练分类模型进行交叉验证训练，得到目标分类模型；
将待识别局部放电信号输入至目标分类模型，得到局部放电类型识别结果。
根据本发明的另一方面，提供了一种局部放电类型识别装置，包括：
数据获取模块，用于获取局部放电检测数据；
图像绘制模块，用于根据局部放电检测数据，绘制PRPS图以及PRPD图；
目标分类模型确定模块，用于基于PRPS图以及PRPD图，确定局部放电特征数据，并根据局部放电特征数据对多个预训练分类模型进行交叉验证训练，得到目标分类模型；
局部放电类型识别结果确定模块，用于将待识别局部放电信号输入至目标分类模型，得到局部放电类型识别结果。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的局部放电类型识别方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的局部放电类型识别方法。
本发明实施例的技术方案，通过获取局部放电检测数据，从而根据局部放电检测数据，绘制PRPS图以及PRPD图，进而基于PRPS图以及PRPD图，确定局部放电特征数据，并根据局部放电特征数据对多个预训练分类模型进行交叉验证训练，得到目标分类模型，并将待识别局部放电信号输入至目标分类模型，得到局部放电类型识别结果。在本方案中，结合PRPS图以及PRPD图可以对不同局部放电类型缺陷进行比较好的划分，利用PRPS图以及PRPD图确定的局部放电特征数据，对模型进行训练，可以使最终得到的目标分类模型具有更精准的局部放电类型的识别效果，解决了目前自动化识别局部放电信号所对应局部放电类型准确率不高的问题，能够提升自动化识别局部放电信号所对应局部放电类型的准确率。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1为本发明实施例一提供的一种局部放电类型识别方法的流程图；
图2为本发明实施例二提供的一种局部放电类型识别方法的流程图；
图3为本发明实施例三提供的一种局部放电类型识别装置的结构示意图；
图4示出了可以用来实施本发明的实施例的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供的一种局部放电类型识别方法的流程图，本实施例可适用于准确识别局部放电类型的情况，该方法可以由局部放电类型识别装置来执行，该局部放电类型识别装置可以采用硬件和/或软件的形式实现，该局部放电类型识别装置可配置于电子设备中。如图1所示，该方法包括：
步骤110、获取局部放电检测数据。
其中，局部放电检测数据可以是对存在局部放电的电网设备进行局部放电信号采集得到的，用于确定局部放电信号所具备特征的数据。
在本发明实施例中，可以基于局部放电信号采集设备，对存在局部放电的电网设备进行局部放电信号采集，得到局部放电检测数据。
可选的，可以根据预设采集数据量(由实际数据采集需要确定，如采集n组数据，n可以为60等)，对存在局部放电的电网设备进行局部放电信号的采集。
步骤120、根据局部放电检测数据，绘制PRPS图以及PRPD图。
其中，PRPS(Phase Resolved Pulse Sequence，局部放电脉冲序列分布)可以用于通过三维图形展示局部放电信号。PRPD(Phase Resolved Partial Discharge，局部放电相位分布)可以用于通过二维图形展示局部放电信号。
在本发明实施例中，可以解析局部放电检测数据中相应的局部放电信号，从而根据解析出的局部放电信号对应的局部放电类型以及局部放电信号，绘制PRPS图以及PRPD图。
步骤130、基于PRPS图以及PRPD图，确定局部放电特征数据，并根据局部放电特征数据对多个预训练分类模型进行交叉验证训练，得到目标分类模型。
其中，局部放电特征数据可以是基于PRPS图以及PRPD图确定的，用于判别局部放电信号所属局部放电类型的数据。预训练分类模型可以是任意的具备对不同对象进行分类识别的学习模型。可选的，预训练分类模型可以包括但不限于k-近邻算法、决策树算法、支持向量机算法、朴素贝叶斯算法、逻辑回归算法以及神经网络等。目标分类模型可以是通过完成训练的预训练分类模型确定的局部放电类型识别模型。
在本发明实施例中，可以根据PRPS图以及PRPD图，对表征不同局部放电类型的特征进行识别，得到局部放电特征数据。进一步，从分类学习模型中选择多个预训练分类模型，进而通过局部放电特征数据对每个预训练分类模型进行交叉验证训练，并根据完成训练的预训练分类模型的模型识别精准度，确定目标分类模型。
步骤140、将待识别局部放电信号输入至目标分类模型，得到局部放电类型识别结果。
其中，待识别局部放电信号可以是电力网络中运行的电网设备释放的，需进行局部放电类型识别的局部放电信号。局部放电类型识别结果可以是对待识别局部放电信号所属类型的识别结果。
在本发明实施例中，可以将采集的待识别局部放电信号输入至目标分类模型，从而通过目标分类模型对待识别局部放电信号所属的局部放电类型进行识别分析，得到局部放电类型识别结果。
本发明实施例的技术方案，通过获取局部放电检测数据，从而根据局部放电检测数据，绘制PRPS图以及PRPD图，进而基于PRPS图以及PRPD图，确定局部放电特征数据，并根据局部放电特征数据对多个预训练分类模型进行交叉验证训练，得到目标分类模型，并将待识别局部放电信号输入至目标分类模型，得到局部放电类型识别结果。在本方案中，结合PRPS图以及PRPD图可以对不同局部放电类型缺陷进行比较好的划分，利用PRPS图以及PRPD图确定的局部放电特征数据，对模型进行训练，可以使最终得到的目标分类模型具有更精准的局部放电类型的识别效果，解决了目前自动化识别局部放电信号所对应局部放电类型准确率不高的问题，能够提升自动化识别局部放电信号所对应局部放电类型的准确率。
实施例二
图2为本发明实施例二提供的一种局部放电类型识别方法的流程图，本实施例以上述实施例为基础进行具体化，给出了获取局部放电检测数据的具体的可选的实施方式。如图2所示，该方法包括：
步骤210、根据待识别局部放电类型，确定放电试验模型。
其中，待识别局部放电类型可以是已知的局部放电类型。示例性的，待识别局部放电类型可以包括但不限于金属颗粒缺陷类型、悬浮电位缺陷类型和金属尖端缺陷类型。放电试验模型可以是模拟待识别局部放电类型的放电试验。
在本发明实施例中，可以基于已知的局部放电类型，确定待识别局部放电类型，从而确定呈现待识别局部放电类型的放电试验模型。
步骤220、通过超高频传感器采集放电试验模型的局部放电信号，得到局部放电检测数据。
其中，超高频传感器可以是利用超高频检测方式采集检测局部放电信号的传感器。示例性的，超高频传感器的检测频段可以设置为300MHZ-3GHz。
在本发明实施例中，采用超高频传感器，对放电试验模型的局部放电信号进行采集，并将采集的放电试验模型的局部放电信号作为局部放电检测数据。
其中，超高频传感器通过局部放电发生时脉冲电流产生的高频电磁波对局部放电进行监测，并对监测到的信号进行进一步处理，以识别设备的缺陷类型。当器件内部发生局部放电时，绝缘微结构击穿过程快，且击穿过程快，产生纳秒级电流脉冲，因此激发的电磁波中含有丰富的超高频成分。此外，常见的空气电晕放电干扰频率在超高频探测频带之外，因此理论上超高频传感器可以有效避免常见干扰，具有较好的信噪比，由于对低频噪声有较强的抑制作用，可以在设备不停电维护的情况下实现在线监测。
步骤230、根据局部放电检测数据，绘制PRPS图以及PRPD图。
在本发明的一个可选实施例中，基于PRPS图以及PRPD图，确定局部放电特征数据，可以包括：确定PRPS图与待识别局部放电类型的第一对应关系，以及PRPD图与待识别局部放电类型的第二对应关系；基于大数据分析算法，根据PRPS图、第一对应关系、PRPD图以及第二对应关系，确定局部放电特征数据。
其中，第一对应关系可以用于确定待识别局部放电类型中不同局部放电类型所匹配的PRPS图。第二对应关系确定待识别局部放电类型中不同局部放电类型所匹配的PRPD图。示例性的，假设可以根据第一对应关系可以确定局部放电类型1与PRPS图a对应，局部放电类型2与PRPS图b对应。根据第二对应关系可以确定局部放电类型1与PRPD图A对应，局部放电类型2与PRPD图B对应。
在本发明实施例中，可以对PRPS图与待识别局部放电类型的关联性进行分析，得到不同局部放电类型下PRPS图，与待识别局部放电类型中具体局部放电类型的第一对应关系，并对PRPD图与待识别局部放电类型的关联性进行分析，得到不同局部放电类型下PRPD图与待识别局部放电类型中具体局部放电类型的第二对应关系，从而通过大数据分析算法，对PRPS图、第一对应关系、PRPD图以及第二对应关系进行特征统计分析，得到局部放电特征数据。
在本发明的一个可选实施例中，局部放电特征数据，可以包括：局部放电信号强度上限值、局部放电信号强度均值以及正负半周期信号强度比。
其中，局部放电信号强度上限值可以是局部放大信号的最大强度值。局部放电信号强度均值可以是局部放大信号的平均强度值。正负半周期信号强度比可以是正半周期放电信号强度振幅之和与负半周期放电信号强度之和的比值。
在本发明实施例中，可以提取与局部放电检测数据中每组数据对应的局部放电信号强度上限值、局部放电信号强度均值以及正负半周期信号强度比。
步骤240、基于PRPS图以及PRPD图，确定局部放电特征数据，并根据局部放电特征数据对多个预训练分类模型进行交叉验证训练，得到目标分类模型。
在本发明的一个可选实施例中，根据局部放电特征数据对多个预训练分类模型进行交叉验证训练，得到目标分类模型，可以包括：将局部放电特征数据划分为目标训练集以及目标测试集；利用目标训练集对多个预训练分类模型进行交叉验证训练，并基于目标测试集对交叉验证训练后的多个预训练分类模型进行测试，得到模型测试精度数据；根据模型测试精度数据，确定目标分类模型。
其中，目标训练集可以是用于训练预训练分类模型的局部放电特征数据。目标测试集可以是用于对训练后的预训练分类模型进行模型精度检测的局部放电特征数据。模型测试精度数据可以用于描述预训练分类模型识别目标训练集对应局部放电类型的精准度。
在本发明实施例中，可以基于预设的数据划分比例，对局部放电特征数据进行划分，得到目标训练集以及目标测试集，从而分别利用目标训练集对多个预训练分类模型进行交叉验证训练，得到预训练后的预训练分类模型，进而利用目标测试集对交叉验证训练后的多个预训练分类模型进行测试，得到模型测试精度数据，从而根据模型测试精度数据对完成训练后的预训练分类模型进行选择或模型组建，得到目标分类模型。
在本发明的一个可选实施例中，根据模型测试精度数据，确定目标分类模型，可以包括：根据模型测试精度数据，对多个交叉验证训练后的预训练分类模型进行排序，将排序首位分类模型作为目标分类模型。
其中，排序首位分类模型可以是模型测试精度数据中测试精度最高值对应的交叉验证训练后的预训练分类模型。
在本发明实施例中，可以将多个预训练分类模型对应的模型测试精度数据，按照精度由高到低的顺序进行排序，并将排序首位分类模型作为目标分类模型。
在本发明的一个可选实施例中，根据模型测试精度数据，确定目标分类模型，可以包括：根据模型测试精度数据，为多个交叉验证训练后的预训练分类模型分配模型权重，根据模型权重以及多个交叉验证训练后的预训练分类模型，确定目标分类模型。
其中，模型权重可以是为交叉验证训练后的预训练分类模型分配的权重。
在本发明实施例中，可以根据多个交叉验证训练后的预训练分类模型对应的模型测试精度数据以及模型权重分配预设规则，为各交叉验证训练后的预训练分类模型分配模型权重，从而将模型权重与相应交叉验证训练后的预训练分类模型加权，得到目标分类模型。
其中，模型权重分配预设规则可以包括但不限于为模型测试精度数据中测试精度高的交叉验证训练后的预训练分类模型，分配高权重，为模型测试精度数据中测试精度低的交叉验证训练后的预训练分类模型，分配低权重。具体不同交叉验证训练后的预训练分类模型的模型权重可根据用户需要进行自行设定。
步骤250、将待识别局部放电信号输入至目标分类模型，得到局部放电类型识别结果。
示例性的，可以在实验室建立放电试验模型，模拟配电***设备中3种典型局部放电类型，即金属颗粒缺陷、悬浮电位缺陷和金属尖端缺陷。采用超高频检测方法对3种放电缺陷的局部放电信号进行检测。具体为：采用超高频传感器采集3种典型缺陷各60组局部放电信号(即得到局部放电检测数据)，每组包含50个工频周期。进而根据采集的各组局部放电信号，绘制出幅相周期三维PRPS图(直方图的x轴表示相位，并在0度-360度范围内分割成100个相位窗，y轴表示信号周期数，z轴表示超高频信号强度)，并将各组局部放电信号绘制到二维图像上，得到二维PRPD图(横坐标表示放电的相位，纵坐标表示放电的幅度)。
由于放电形态在形状特征上，特别是在相位分布和幅值分布上存在明显的差异，这种差异可以作为识别和诊断故障类型的依据。从局部放电信号中提取能够量化并反映不同缺陷特征的特征参数是识别不同故障类型的关键。单次放电的最大幅度可以反映单次放电的强度，但它有一定的偶然性。而幅度的平均值可以反映缺陷在一定时间内的平均放电强度，但忽略了局部放电的突出特征。此外，不同局部放电类型在工频正、负半周期内的放电廓形特征不同，即在正、负半周期内放电的次数和幅度不同。经过大数据统计分析，对于每组局部放电信号(包含50个工频周期的局部放电检测数据)，定义以下统计特征：局部放电信号强度上限值、局部放电信号强度均值以及正负半周期信号强度比。
在一个具体的例子中，假设局部放电特征数据包括180组数据，选取120组作为目标训练集，60组数据作为目标测试集。对于目标训练集，使用6种不同的预训练分类模型同时进行训练和交叉验证，采用6倍交叉验证的方式(将目标训练集分成6个子集，每次使用一个子集作为验证集，其他5个子集作为训练集，重复该过程6次)得到训练好的预训练分类模型，根据每个训练好的预训练分类模型在验证集上的识别结果，得到模型综合识别精度，从而选择出目标数量的训练后的预训练分类模型。通过将目标测试集对训练后的预训练分类模型进行测试，得到模型测试精度数据。
经过试验得到，通过目标测试集对训练后的预训练分类模型(k-近邻算法、决策树算法、支持向量机算法、朴素贝叶斯算法、逻辑回归算法、神经网络)进行测试，得到模型测试精度数据均为100％，即选取的局部放电特征数据能较好地反映不同缺陷的放电特征，并能区分不同类型的放电。同时，识别准确率高，可实现对故障的准确诊断，有助于提高电力***故障诊断的智能性。
本发明实施例的技术方案，通过根据待识别局部放电类型，确定放电试验模型，从而通过超高频传感器采集放电试验模型的局部放电信号，得到局部放电检测数据，进而根据局部放电检测数据，绘制PRPS图以及PRPD图，并基于PRPS图以及PRPD图，确定局部放电特征数据，并根据局部放电特征数据对多个预训练分类模型进行交叉验证训练，得到目标分类模型，进一步将待识别局部放电信号输入至目标分类模型，得到局部放电类型识别结果。在本方案中，结合PRPS图以及PRPD图可以对不同局部放电类型缺陷进行比较好的划分，利用PRPS图以及PRPD图确定的局部放电特征数据，对模型进行训练，可以使最终得到的目标分类模型具有更精准的局部放电类型的识别效果，解决了目前自动化识别局部放电信号所对应局部放电类型准确率不高的问题，能够提升自动化识别局部放电信号所对应局部放电类型的准确率。
实施例三
图3为本发明实施例三提供的一种局部放电类型识别装置的结构示意图。如图3所示，该装置包括：
数据获取模块310，用于获取局部放电检测数据；
图像绘制模块320，用于根据局部放电检测数据，绘制PRPS图以及PRPD图；
目标分类模型确定模块330，用于基于PRPS图以及PRPD图，确定局部放电特征数据，并根据局部放电特征数据对多个预训练分类模型进行交叉验证训练，得到目标分类模型；
局部放电类型识别结果确定模块340，用于将待识别局部放电信号输入至目标分类模型，得到局部放电类型识别结果。
本发明实施例的技术方案，通过获取局部放电检测数据，从而根据局部放电检测数据，绘制PRPS图以及PRPD图，进而基于PRPS图以及PRPD图，确定局部放电特征数据，并根据局部放电特征数据对多个预训练分类模型进行交叉验证训练，得到目标分类模型，并将待识别局部放电信号输入至目标分类模型，得到局部放电类型识别结果。在本方案中，结合PRPS图以及PRPD图可以对不同局部放电类型缺陷进行比较好的划分，利用PRPS图以及PRPD图确定的局部放电特征数据，对模型进行训练，可以使最终得到的目标分类模型具有更精准的局部放电类型的识别效果，解决了目前自动化识别局部放电信号所对应局部放电类型准确率不高的问题，能够提升自动化识别局部放电信号所对应局部放电类型的准确率。
可选的，数据获取模块310，用于根据待识别局部放电类型，确定放电试验模型；通过超高频传感器采集所述放电试验模型的局部放电信号，得到所述局部放电检测数据。
可选的，图像绘制模块320，用于确定所述PRPS图与所述待识别局部放电类型的第一对应关系，以及所述PRPD图与所述待识别局部放电类型的第二对应关系；基于大数据分析算法，根据所述PRPS图、所述第一对应关系、所述PRPD图以及所述第二对应关系，确定所述局部放电特征数据。
可选的，所述局部放电特征数据，包括：局部放电信号强度上限值、局部放电信号强度均值以及正负半周期信号强度比。
可选的，目标分类模型确定模块330，用于将所述局部放电特征数据划分为目标训练集以及目标测试集；利用所述目标训练集对多个所述预训练分类模型进行交叉验证训练，并基于所述目标测试集对交叉验证训练后的多个所述预训练分类模型进行测试，得到模型测试精度数据；根据所述模型测试精度数据，确定所述目标分类模型。
可选的，目标分类模型确定模块330，用于根据所述模型测试精度数据，对多个交叉验证训练后的所述预训练分类模型进行排序，将排序首位分类模型作为所述目标分类模型。
可选的，目标分类模型确定模块330，用于根据所述模型测试精度数据，为多个交叉验证训练后的所述预训练分类模型分配模型权重，根据所述模型权重以及多个交叉验证训练后的所述预训练分类模型，确定所述目标分类模型。
本发明实施例所提供的局部放电类型识别装置可执行本发明任意实施例所提供的局部放电类型识别方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如局部放电类型识别方法。
在一些实施例中，局部放电类型识别方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的局部放电类型识别方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行局部放电类型识别方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的***和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种局部放电类型识别方法，其特征在于，包括：
获取局部放电检测数据；
根据所述局部放电检测数据，绘制局部放电脉冲序列分布PRPS图以及局部放电相位分布PRPD图；
基于PRPS图以及PRPD图，确定局部放电特征数据，并根据所述局部放电特征数据对多个预训练分类模型进行交叉验证训练，得到目标分类模型；
将待识别局部放电信号输入至所述目标分类模型，得到局部放电类型识别结果。
2.根据权利要求1所述的方法，其特征在于，所述获取局部放电检测数据，包括：
根据待识别局部放电类型，确定放电试验模型；
通过超高频传感器采集所述放电试验模型的局部放电信号，得到所述局部放电检测数据。
3.根据权利要求2所述的方法，其特征在于，所述基于PRPS图以及PRPD图，确定局部放电特征数据，包括：
确定所述PRPS图与所述待识别局部放电类型的第一对应关系，以及所述PRPD图与所述待识别局部放电类型的第二对应关系；
基于大数据分析算法，根据所述PRPS图、所述第一对应关系、所述PRPD图以及所述第二对应关系，确定所述局部放电特征数据。
4.根据权利要求1-3中任一项所述的方法，其特征在于，所述局部放电特征数据，包括：局部放电信号强度上限值、局部放电信号强度均值以及正负半周期信号强度比。
5.根据权利要求1所述的方法，其特征在于，所述根据所述局部放电特征数据对多个预训练分类模型进行交叉验证训练，得到目标分类模型，包括：
将所述局部放电特征数据划分为目标训练集以及目标测试集；
利用所述目标训练集对多个所述预训练分类模型进行交叉验证训练，并基于所述目标测试集对交叉验证训练后的多个所述预训练分类模型进行测试，得到模型测试精度数据；
根据所述模型测试精度数据，确定所述目标分类模型。
6.根据权利要求5所述的方法，其特征在于，所述根据所述模型测试精度数据，确定所述目标分类模型，包括：
根据所述模型测试精度数据，对多个交叉验证训练后的所述预训练分类模型进行排序，将排序首位分类模型作为所述目标分类模型。
7.根据权利要求5所述的方法，其特征在于，所述根据所述模型测试精度数据，确定所述目标分类模型，包括：
根据所述模型测试精度数据，为多个交叉验证训练后的所述预训练分类模型分配模型权重，根据所述模型权重以及多个交叉验证训练后的所述预训练分类模型，确定所述目标分类模型。
8.一种局部放电类型识别装置，其特征在于，包括：
数据获取模块，用于获取局部放电检测数据；
图像绘制模块，用于根据所述局部放电检测数据，绘制PRPS图以及PRPD图；
目标分类模型确定模块，用于基于PRPS图以及PRPD图，确定局部放电特征数据，并根据所述局部放电特征数据对多个预训练分类模型进行交叉验证训练，得到目标分类模型；
局部放电类型识别结果确定模块，用于将待识别局部放电信号输入至所述目标分类模型，得到局部放电类型识别结果。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的局部放电类型识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的局部放电类型识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311576161.0A CN117611131A (zh) | 2023-11-23 | 2023-11-23 | 一种局部放电类型识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311576161.0A CN117611131A (zh) | 2023-11-23 | 2023-11-23 | 一种局部放电类型识别方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117611131A true CN117611131A (zh) | 2024-02-27 |
Family
ID=89957320
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311576161.0A Pending CN117611131A (zh) | 2023-11-23 | 2023-11-23 | 一种局部放电类型识别方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117611131A (zh) |
-
2023
- 2023-11-23 CN CN202311576161.0A patent/CN117611131A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111651937A (zh) | 变工况下类内自适应轴承故障诊断方法 | |
| CN110261746B (zh) | 基于振荡波电压周期衰减特性的电缆缺陷检测方法 | |
| Gowid et al. | A novel robust automated FFT-based segmentation and features selection algorithm for acoustic emission condition based monitoring systems | |
| CN106656669B (zh) | 一种基于阈值自适应设置的设备参数异常检测***及方法 | |
| CN110688617A (zh) | 风机振动异常检测方法及装置 | |
| CN115128345B (zh) | 一种基于谐波监测的电网安全预警方法及*** | |
| CN117992776B (zh) | 基于人工智能的电网设备健康状态实时预测方法 | |
| CN115951185A (zh) | 绝缘子闪络检测方法、装置、电子设备及存储介质 | |
| CN115600928A (zh) | 基于oao-rvm的gis盆式绝缘子状态评估方法 | |
| Yang et al. | Change detection in rotational speed of industrial machinery using Bag-of-Words based feature extraction from vibration signals | |
| Niknam et al. | Techniques of trend analysis in degradation-based prognostics | |
| Alkhanafseh et al. | Advanced dual RNN architecture for electrical motor fault classification | |
| CN117611131A (zh) | 一种局部放电类型识别方法、装置、设备及介质 | |
| CN116338391A (zh) | 一种绝缘子状态检测方法、装置、电子设备以及介质 | |
| CN110610203A (zh) | 基于dwt和极限学习机的电能质量扰动分类方法 | |
| CN114818830A (zh) | 一种基于图谱的放电类型识别方法、装置、设备及介质 | |
| CN113514742B (zh) | 一种gis局部放电严重程度的评估方法、***和介质 | |
| CN114118166A (zh) | 一种基于智能频谱监测的变压器故障诊断***及方法 | |
| Zhao et al. | Research on a vibration signal analysis method for motor bearing | |
| Fei et al. | Short-term prediction of GIS partial discharge based on ARMA model | |
| CN116127326B (zh) | 一种复合绝缘子检测方法、装置、电子设备及存储介质 | |
| CN116596336B (zh) | 电子设备的状态评估方法、装置、电子设备及存储介质 | |
| CN116468076A (zh) | 一种驾驶行为分析方法、装置、电子设备及存储介质 | |
| CN118232834A (zh) | 一种光伏组件故障诊断方法、装置、设备及存储介质 | |
| CN118504684A (zh) | 一种基于机器学习的建筑电气故障预测方法及*** |
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 |