基于特征算子和机器学习算法的局部放电智能检测方法技术

本发明专利技术公开了一种基于特征算子和机器学习算法的局部放电智能检测方法，包括以下步骤：S1、采集高电压设备运行过程中的特高频信号，并根据每个放电周期进行采样成为一次采样数据，其中：一次采样数据包含以下两个数据：标准数据，高压电设备在正常状态下的特高频信号；局放数据，高压电设备在局放状态下的特高频信号；S2、对一次采样数据中的局放数据执行计算，得到一级局放特征。该发明专利技术提供的基于特征算子和机器学习算法的局部放电智能检测方法，可以达到高压电设备的绝缘性能的自动化检测，有效降低人工巡检的成本，并且提高检测结果的准确性，综合提升高压电设备绝缘性能检测的运营效益。的运营效益。的运营效益。

【技术实现步骤摘要】
基于特征算子和机器学习算法的局部放电智能检测方法


[0001]本专利技术涉及电力设备的在线监测
，具体涉及一种基于特征算子和机器学习算法的局部放电智能检测方法。

技术介绍

[0002]目前，随着电力新能源行业的发展以及高压电使用需求的增加，电力设备(开关柜、GIS)运行的平稳性以及安全性越来越得到人们的重视，而带电设备中绝缘性能是确保电力系统平稳运行的重要因素之一。近年来因为局部放电造成设备绝缘性能下降从而引起的电力设备故障的事件屡见不鲜。
[0003]所以，需要一种能在线判断带电设备是否存在局部放电的方法，能够克服传统人工巡检，费时费力，且故障不容易被发现的现状。

技术实现思路

[0004]本专利技术的目的是提供一种基于特征算子和机器学习算法的局部放电智能检测方法，针对现有局部放电监测技术的不足，提供基于特征算子和机器学习算法的局部放电智能检测方法，实现用电设备绝缘性能的智能监控和故障告警，减少高压电设备运维成本，增加高压电设备运行的可靠性和安全性。
[0005]为了实现上述目的，本专利技术提供如下技术方案：一种基于特征算子和机器学习算法的局部放电智能检测方法，包括以下步骤：
[0006]S1、采集高压电设备运行过程中的特高频信号，并根据每个放电周期进行采样成为一次采样数据，其中：所述一次采样数据包含以下两类数据：
[0007]标准数据，高压电设备在正常状态下的特高频信号；
[0008]局放数据，高压电设备在局放状态下的特高频信号；
[0009]S2、对所述一次采样数据中的所述局放数据执行计算，得到一级局放特征；
[0010]S3、基于步骤1中完成一次采样数据采样的基础上再次进行采样成为二级采样数据；
[0011]S4、对所述二级采样数据中的所述局放数据执行计算，得到二级趋势特征；
[0012]S5、根据获取的所述一次采样数据和所述二级采样数据代入分析规则中判断设备是否存在局放，若判定存在，则以所述一次采样数据为依据绘制标准数据和局放数据的PRPD图，并使用CNN模型提取PRPD图谱隐特征，然后再通过CNN+DNN算法融合的方法对判断并给定局放类型。
[0013]作为优选的，所述步骤3中的所述二级采样数据以1s时间所述一次采样数据采集的50个周期数据为基础，通过执行同相位数据点进行大小比较，取相同相位50个数据点中的最大值组成；
[0014]其中，每个所述放电周期包含72个数据点，且1s时间包含3600个数据点。
[0015]作为优选的，所述步骤1中特高频信号采样频率为50KHz，且每个放电周期包含一
万个数据点，而1s采集的数据点为五十万个；
[0016]在执行所述一次采样数据的时候，按以下步骤执行：
[0017]S11、将采集到的1s时间内的特高频数据平均分为50份，一份为一个周期的数据；
[0018]S12、将每一份数据再平均分为72个区间，去每个区间内最大值的采样点，采样后每个周期包含72个数据点，1s时间内数据包含3600个数据点；
[0019]S13、获取数据集，1s包含50个周期，每个周期包含72个数据点。
[0020]作为优选的，所述步骤2中每个所述一级局放特征包含：局放起始相位、终止相位和局放发生相位段，具体的：
[0021]局放起始相位的获取步骤：以一个周期内的数据点，从前往后采用滑动窗口的形式，窗口的大小为2个数据点，计算窗口内数据的斜率，并进行累加求取平均值；若窗口n+1内的数据点的斜率大于前n个窗口斜率的平均值，且第n+2，n+3，n+4的斜率均大于前n个窗口斜率的平均值，则地n+1个窗口内的第二个数据点所对应的相位；
[0022]局放终止相位的获取步骤：以一个周期内的数据点，从后往前采用华东窗口的形式，窗口的大小为2个数据点，计算窗口内数据点的斜率，并进行累加求取平均值；若窗口n+1内数据点的斜率小于前n个窗口斜率的平均值，且n+2，n+3，n+4的斜率均小于前n个窗口斜率的平均值，则第n+1窗口内的第一个数据点所对应的相位记为局放终止相位；
[0023]局放发生相位段＝局放终止相位减去局放起始相位。
[0024]作为优选的，所述步骤4中所述二级趋势特征的获取方法，包括以下步骤：
[0025]S41、将所述二次采样数据1s包含的周期均分为六个区间，其中：正半周三个区间，负半周三个区间；
[0026]S42、每个区间均计算趋势特征，趋势特征分为有量纲趋势特征和无量纲趋势特征，其中：
[0027]有量纲趋势特征具体包括：均值、方差、峰值、峰峰值、有效值；
[0028]无量纲趋势特征包括：峭度、偏度、波形因子、波峰因子、离散系数、四分位差；
[0029]作为优选的，所述步骤5中的所述分析规则包含机器学习算法模型Kmeans和规则匹配方法构成，具体的：
[0030]所述机器学习算法模型Kmeans以选取中心点的数量为2，轮廓系数为0.5，并以所述二次采样数据为训练数据，所述二次采样数据包含标准数据和局放数据；
[0031]聚类得到的两簇数据轮廓系数大于等于0.5，则判定设备存在局放现象，若轮廓系数小于0.5，则判定设备不存在局部放电现象；
[0032]所述规则匹配方法包含一种需要标准数据，一种不需要标准数据两种方式，
[0033]以所述标准数据进行局放判断，通过对所述二次采样数据分别计算标准数据和局放数据的均值和方差，若局放数据的均值和方差大于标准数据的均值和方法，则判定设备存在局部放电；
[0034]以不使用所述标准数据进行局放判断的：以滑动窗口的形式，从所述二次采样数据中的第一个点开始，以8个点为一个窗口进行滑动，步长为1，分别计算窗口内的最大值和均值，若当前窗口的最大值和均值大于前一个窗口，且大于后一个窗口，则计数n加1，若3>＝n>＝1，则判定此条数据为局部放电数据，此设备存在局部放电。
[0035]作为优选的，所述CNN模型的网络结构为3层卷积+池化层，1层全连接层和1层输出
层组成；
[0036]其中，卷积核的大小为3
×
3，全连接层和输出层的维度为均为24。
[0037]作为优选的，所述CNN+DNN算法融合计算方法为将CNN模型的网络结构的输出层与由步骤2中的三个一级局放特征与66个所述二级趋势特征合并组成69个总特征库进行拼接，作为DNN的输入层；
[0038]其中：DNN为3层结构，1层输入层，1层中间层，1层输出层；输入层的维度为78，中间层的维度为24，输出层的维度为4；
[0039]输入层和中间层的激活函数为sigmoid函数，输出层的激活函数为softmax函数，将sofmax输出概率最大值所对应的局放类型判定为设备的局部放电类型。
[0040]在上述技术方案中，本专利技术提供的一种基于特征算子和机器学习算法的局部放电智能检测方法，具备以下有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征算子和机器学习算法的局部放电智能检测方法，其特征在于，包括以下步骤：S1、采集高压电设备运行过程中的特高频信号，并根据每个放电周期进行采样成为一次采样数据，其中：所述一次采样数据包含以下两类数据：标准数据，高压电设备在正常状态下的特高频信号；局放数据，高压电设备在局放状态下的特高频信号；S2、对所述一次采样数据中的所述局放数据执行计算，得到一级局放特征；S3、基于步骤1中完成一次采样数据采样的基础上再次进行采样成为二级采样数据；S4、对所述二级采样数据中的所述局放数据执行计算，得到二级趋势特征；S5、根据获取的所述一次采样数据和所述二级采样数据代入分析规则中判断设备是否存在局放，若判定存在，则以所述一次采样数据为依据绘制标准数据和局放数据的PRPD图，并使用CNN模型提取PRPD图谱隐特征，然后再通过CNN+DNN算法融合的方法进行局放判断并给定具体的局放类型。2.根据权利要求1所述的基于特征算子和机器学习算法的局部放电智能检测方法，其特征在于，所述步骤3中的所述二级采样数据以1s时间所述一次采样数据采集的50个周期数据为基础，通过执行同相位数据点进行大小比较，取相同相位50个数据点中的最大值组成；其中，每个所述放电周期包含72个数据点，且1s时间包含3600个数据点。3.根据权利要求1所述的基于特征算子和机器学习算法的局部放电智能检测方法，其特征在于，所述步骤1中特高频信号采样频率为50KHz，且每个放电周期包含一万个数据点，而1s采集的数据点为五十万个；在执行所述一次采样数据的时候，按以下步骤执行：S11、将采集到的1s时间内的特高频数据平均分为50份，一份为一个周期的数据；S12、将每一份数据再平均分为72个区间，去每个区间内最大值的采样点，采样后每个周期包含72个数据点，1s时间内数据包含3600个数据点；S13、获取数据集，1s包含50个周期，每个周期包含72个数据点。4.根据权利要求1所述的基于特征算子和机器学习算法的局部放电智能检测方法，其特征在于，所述步骤2中每个所述一级局放特征包含：局放起始相位、终止相位和局放发生相位段，具体的：局放起始相位的获取步骤：以一个周期内的数据点，从前往后采用滑动窗口的形式，窗口的大小为2个数据点，计算窗口内数据的斜率，并进行累加求取平均值；若窗口n+1内的数据点的斜率大于前n个窗口斜率的平均值，且第n+2，n+3，n+4的斜率均大于前n个窗口斜率的平均值，则地n+1个窗口内的第二个数据点所对应的相位；局放终止相位的获取步骤：以一个周期内的数据点，从后往前采用华东窗口的形式，窗口的大小为2个数据点，计算窗口内数据点的斜率，并进行累加求取平均值；若窗口n+1内数据点的斜率小于前n个窗口斜率的平均值，且n+2，n+3，n+4的斜率均小于前n个窗口斜率的平均值，则第n+1窗口内的第一个数据点所对应的相位记为局放终止相位；局放发生相位段＝局放终止相位减去局放起始相位。5.根据权利要求1所述的基于特征算子和机器学习算法的局部放电智能检测方法，其
特征在于，所述步骤4中所述二级趋势特征的获取方法，包括以下步骤：S41、将所述二次采样数据1s包含的周期均...

【专利技术属性】
技术研发人员：管保柱，王科伟，吴路明，
申请(专利权)人：南京富华新能科技有限公司，
类型：发明
国别省市：