【技术实现步骤摘要】
本专利技术涉及电力领域，具体涉及一种电力短路试验室中的试验数据的处理方法及系统。
技术介绍
1、在电力系统中，电力设备故障可能会导致电力设备损坏和电力系统崩溃。为了防止这些故障，电力设备需要经过各种检测试验。这些试验旨在确保电力设备的性能、可靠性和安全性。特别是在极端或不正常工作条件下，通过模拟各种故障和应力条件，可以检测和预防潜在的故障，提高电力系统的整体稳定性。这至少包括以下试验内容。
2、(1)高压短路试验。这是最基本的试验之一，用于评估电力设备在短路条件下的性能和耐受能力。
3、(2)过电压试验。这用于测试电力设备在超过额定电压时的表现和耐久性。
4、(3)绝缘强度试验。这用于评估电力设备的绝缘材料在高压下的绝缘性能和强度。
5、(4)故障电流试验。这用于模拟电力系统中的故障情况，如接地故障，以测试设备在此类情况下的反应和安全性。
6、(5)温升试验。这用于评估电力设备在长时间运行或过载情况下的温度变化和散热性能。
7、(6)机械耐久性试验。这用于测试电力设备在物理应力(如振动、撞击)下的耐久性和可靠性。
8、(7)老化和环境试验。这用于评估电力设备在长期运行和不同环境条件(如湿度、温度变化)下的性能。
9、作为一种关键的电力设备测试方式，高压短路试验依然存在一些弊端，这至少包括如下内容。
10、(1)高成本。进行高压短路试验需要昂贵的设备和专业的测试设施，增加了测试的总成本。
11、(2)安全风险。高
12、(3)时间消耗。这类试验通常耗时较长，尤其是在设置、调试和执行多个测试周期时。
13、(4)设备损耗。高压短路测试可能导致被测试设备的磨损甚至损坏，特别是在重复测试中。
14、(5)数据复杂性。从高压短路试验中获取的数据可能非常复杂，需要专业知识进行分析和解释。
15、(6)环境影响。这种测试可能对环境造成负面影响，例如通过噪音、热量和电磁干扰。
16、(7)结果的泛化问题。试验条件可能无法完全模拟实际运行环境，因此测试结果可能不完全适用于实际应用场景。
17、(8)技术局限性。现有的测试技术可能无法完全模拟或检测某些复杂或隐蔽的故障类型。
18、除了这些弊端之外，更重要的是，传统的高压短路试验往往按照固定周期进行，这种定期维护难以及时和准确预测电力设备的故障和缺陷。
技术实现思路
1、本专利技术旨在提供一种用于电力短路试验室中的高压短路试验系统，其能够解决上述技术问题。
2、根据本专利技术的一个方面，提供了一种用于电力短路试验室中的高压短路试验系统。该系统包括多个传感器，设置于电力设备上，用于实时监测该电力设备的关于高压短路试验的数据，其中该包括该电力设备的温度、振动、声音和电流；数据采集单元，用于采集该多个传感器所监测到的数据并转换成为数字信号；数据处理单元，包含：数据预处理模块，用于对该数字信号进行包括清洗、去噪和归一化在内的预处理；特征提取模块，用于根据时间序列分析法和频谱分析法，从经预处理的数据中提取用于指示相应性能指标的特征；和深度学习模块，包含卷积神经网络和长短时记忆网络，用于根据所提取的特征，应用梯度下降法和反向传播算法进行训练和优化，以预测该电力设备潜在的高压短路故障的故障类型、发生时间和发生可能性；以及维护调度单元，用于根据该数据处理单元的预测结果，制定该电力设备的维护计划。
3、优选地，该特征提取模块使用连续小波变换对经预处理的数据进行时间-频率域分析，以便提取其中的瞬时和局部变化。
4、优选地，该深度学习模块基于卷积神经网络(convolutional neural networks，简称为cnn)架构，用于提取变换后信号的时间-频率特征，其中，该cnn架构包含多个卷积层和多个池化层，其中该卷积层使用relu激活函数和批量归一化，以增加非线性映射能力并提高训练稳定性，并且其中该池化层采用最大池化策略，以减少特征维度并保留重要信息；该cnn架构还包含一个全连接层，使用softmax激活函数输出分类结果，该全连接层还连接一个具有交叉熵损失函数的输出层，用于计算预测与实际标签之间的差异。
5、优选地，该深度学习模块使用基于连续小波变换(continue wavelet transform，简称为cwt)特征图输入的卷积自编码器以自动提取和编码信号中的关键特征，其中该卷积自编码器包括编码器和解码器，其中，该编码器由多个卷积层和池化层组成，用于逐渐降低特征维度并提取抽象特征，该解码器由多个反卷积和上采样层组成，用于重建原始信号。
6、优选地，该深度学习模块基于图卷积网络(graph convolutional networks，简称为gcn)架构以处理cwt变换后的数据，其中该gcn架构用于处理图结构的数据，以通过多层图卷积提取信号在频率域的局部结构特征和全局结构特征。
7、优选地，该深度学习模块是基于cwt特征的混合模型，其中该混合模型包含卷积层和循环层，以利用该卷积层的空间特征提取能力和该循环层的时间序列处理能力来处理时间-频率特征图。
8、优选地，该cnn架构的计算公式为：
9、z^{[l]}＝w^{[l]}*a^{[l-1]}+b^{[l]}
10、a^{[l]}＝g(z^{[l]})
11、其中，l是当前层的索引；z^{[l]}是该卷积层的线性输出；w^{[l]}是该当前层的卷积核；a^{[l-1]}是上一层的激活输出；b^{[l]}是该当前层的偏置；a^{[l]}是该卷积层的激活输出；g()是激活函数。
12、优选地，该特征提取模块进一步使用小波包变换，以同时提取信号的高频和低频信息，用于更全面地分析机械故障的特征。
13、优选地，该深度学习模块包括针对小波包变换输出的长短时记忆(long shortterm memory，简称为lstm)网络以处理该高频和低频信息，其中，该lstm网络包含遗忘门、输入门和输出门，用于调节信息的流入和流出；该lstm网络还连接一个全连接层，用于综合学习到的特征，并通过softmax层实现故障类型分类；该lstm网络还使用带动量的随机梯度下降作为优化器，以加速训练过程并避免局部最小值。
14、优选地，该lstm网络的计算公式为：
15、i_t＝sigma(w_{ii}x_t+w_{hi}h_{t-1}+b_i)
16、f_t＝sigma(w_{if}x_t+w_{hf}h_{t-1}+b_f)
17、o_t＝sigma(w_{io}x_t+w_{ho}h_{t-1}+b_o)
18、g_t＝tanh(w_{ig}x_t+w_{hg}h_{t-1}+b_g)
19、c本文档来自技高网...
【技术保护点】
1.一种用于电力短路试验室中的高压短路试验系统，其特征在于，包括：
2.根据权利要求1所述的高压短路试验系统，其特征在于，所述特征提取模块使用连续小波变换CWT对经预处理的数据进行时间-频率域分析，以便提取其中的瞬时和局部变化。
3.根据权利要求2所述的高压短路试验系统，其特征在于，所述深度学习模块基于卷积神经网络CNN架构，用于提取CWT变换后信号的时间-频率特征，其中，
4.根据权利要求3所述的高压短路试验系统，其特征在于，
5.根据权利要求4所述的高压短路试验系统，其特征在于，所述深度学习模块基于图卷积网络GCN架构以处理CWT变换后的数据，其中所述GCN架构用于处理图结构的数据，以通过多层图卷积提取信号在频率域的局部结构特征和全局结构特征。
6.根据权利要求5所述的高压短路试验系统，其特征在于，所述深度学习模块是基于CWT特征的混合模型，其中所述混合模型包含卷积层和循环层，以利用所述卷积层的空间特征提取能力和所述循环层的时间序列处理能力来处理时间-频率特征图。
7.根据权利要求6所述的高压短路试验系统
8.根据权利要求2至7中任一项所述的高压短路试验系统，其特征在于，所述特征提取模块进一步使用小波包变换WPT，以同时提取信号的高频和低频信息，用于分析机械故障的特征。
9.根据权利要求8所述的高压短路试验系统，其特征在于，所述深度学习模块包括针对WPT输出的长短时记忆LSTM网络以处理所述高频和低频信息，其中，
10.根据权利要求9所述的高压短路试验系统，其特征在于，所述LSTM网络的计算公式为：
...【技术特征摘要】
1.一种用于电力短路试验室中的高压短路试验系统，其特征在于，包括：
2.根据权利要求1所述的高压短路试验系统，其特征在于，所述特征提取模块使用连续小波变换cwt对经预处理的数据进行时间-频率域分析，以便提取其中的瞬时和局部变化。
3.根据权利要求2所述的高压短路试验系统，其特征在于，所述深度学习模块基于卷积神经网络cnn架构，用于提取cwt变换后信号的时间-频率特征，其中，
4.根据权利要求3所述的高压短路试验系统，其特征在于，
5.根据权利要求4所述的高压短路试验系统，其特征在于，所述深度学习模块基于图卷积网络gcn架构以处理cwt变换后的数据，其中所述gcn架构用于处理图结构的数据，以通过多层图卷积提取信号在频率域的局部结构特征和全局结构特征。
6.根据权利要求5所...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。