【技术实现步骤摘要】
本专利技术涉及电力系统在线监测，尤其是涉及基于模式识别的特高频局部放电信号视距传播判断方法。
技术介绍
1、随着电力系统规模的日益增加，电力设备的数量、负荷以及复杂性也大幅增长。因此，对于电力设备开展行之有效的运行状态监测对于电力设备的正常运转、乃至整个电力系统的安全稳定运行都非常重要。现有的电力设备状态监测方法包括局部放电监测、红外测温以及暂态地电压检测等。其中，局部放电因其传播范围广、特性稳定而被广泛地应用在各类电力设备状态监测中。
2、局部放电是电力设备绝缘劣化的一种表现形式。当局部放电发生时，会联带产生特高频电磁波、超声波等性能稳定的特征量。其中特高频电磁波频率一般在几百兆赫兹，传播速度及幅值稳定性较高，适合用于对局部放电类型、位置等信息的计算与分析。但是，对于环境较为复杂的场景，特高频电磁波的传播容易受到障碍物的阻挡而发生反折，会造成特高频传感器接收幅值的不稳定，使得局部放电检测及定位结果准确度下降，甚至发生误报警情况的出现，对于电力设备运维工作是较为不利的。
3、综上，当前缺少一种视距传播判断方法，以判断传感器与放电源间的视距/非视距状态。
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于模式识别的特高频局部放电信号视距传播判断方法，通过判断高频传感器的视距/非视距状态，提升了在不同应用场景下的定位精度。
2、本专利技术的目的可以通过以下技术方案来实现：
3、本专利技术的一个方面，提供了一
4、获取特高频传感器信号幅值并输入预训练好的神经网络模型中，基于神经网络模型的输出实现特高频传感器与放电源之间视距/非视距状态的判断，
5、其中，所述神经网络模型的训练过程包括：
6、利用局部放电源在测量区域中进行多次放电操作形成数据集，基于所述数据集对所述神经网络模型进行训练。
7、作为优选的技术方案，包括多个特高频传感器，所述神经网络模型的输入包括特高频传感器信号幅值和传感器识别符，在训练过程中，所述神经网络模型的输入还包括特高频传感器的视距/非视距状态。
8、作为优选的技术方案，所述的数据集包括特高频传感器信号幅值以及特高频传感器与局部放电源之间的视距/非视距状态。
9、作为优选的技术方案，基于所述数据集对所述神经网络模型进行训练的过程包括：
10、基于神经网络模型预测得到的视距/非视距状态以及实际的视距/非视距状态，对所述神经网络模型的参数进行修正。
11、作为优选的技术方案，所述的神经网络模型包括顺次连接的输入层、隐含层和输出层。
12、作为优选的技术方案，所述的输入层和隐含层均包括多个节点。
13、作为优选的技术方案，所述的神经网络模型为bp神经网络。
14、本专利技术的另一个方面，提供了一种基于模式识别的特高频局部放电信号视距传播判断方法的应用，包括如下步骤：
15、获取多个特高频传感器信号的信号幅值，利用前述基于模式识别的特高频局部放电信号视距传播判断方法判断各个特高频传感器的视距/非视距状态；
16、选取视距状态下的特高频传感器信号进行局部放电信号定位。
17、本专利技术的另一个方面，提供了一种电子设备，包括：一个或多个处理器以及存储器，所述存储器内储存有一个或多个程序，所述一个或多个程序包括用于执行上述基于模式识别的特高频局部放电信号视距传播判断方法的指令。
18、本专利技术的另一个方面，提供了一种计算机可读存储介质，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行上述基于模式识别的特高频局部放电信号视距传播判断方法的指令。
19、与现有技术相比，本专利技术具有以下有益效果：
20、提升了在不同应用场景下的定位精度：本申请利用神经网络模式识别算法，将测量区域的特高频传感器与局部放电源之间的环境特征分类为“视距”及“非视距”，并选择其中“视距”类型的传感器测量数据作为局部放电定位结果计算的依据，从而有效提升了特高频局部放电定位法的定位精度。
本文档来自技高网...【技术保护点】
1.一种基于模式识别的特高频局部放电信号视距传播判断方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于模式识别的特高频局部放电信号视距传播判断方法，其特征在于，包括多个特高频传感器，所述神经网络模型的输入包括特高频传感器信号幅值和传感器识别符，在训练过程中，所述神经网络模型的输入还包括特高频传感器的视距/非视距状态。
3.根据权利要求1所述的一种基于模式识别的特高频局部放电信号视距传播判断方法，其特征在于，所述的数据集包括特高频传感器信号幅值以及特高频传感器与局部放电源之间的视距/非视距状态。
4.根据权利要求1所述的一种基于模式识别的特高频局部放电信号视距传播判断方法，其特征在于，基于所述数据集对所述神经网络模型进行训练的过程包括：
5.根据权利要求1所述的一种基于模式识别的特高频局部放电信号视距传播判断方法，其特征在于，所述的神经网络模型包括顺次连接的输入层、隐含层和输出层。
6.根据权利要求5所述的一种基于模式识别的特高频局部放电信号视距传播判断方法，其特征在于，所述的输入层和隐含层均包括多个节点。
7.根据权利要求1所述的一种基于模式识别的特高频局部放电信号视距传播判断方法，其特征在于，所述的神经网络模型为BP神经网络。
8.一种基于模式识别的特高频局部放电信号视距传播判断方法的应用，其特征在于，包括如下步骤：
9.一种电子设备，其特征在于，包括：一个或多个处理器以及存储器，所述存储器内储存有一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-7任一所述基于模式识别的特高频局部放电信号视距传播判断方法的指令。
10.一种计算机可读存储介质，其特征在于，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-7任一所述基于模式识别的特高频局部放电信号视距传播判断方法的指令。
...【技术特征摘要】
1.一种基于模式识别的特高频局部放电信号视距传播判断方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于模式识别的特高频局部放电信号视距传播判断方法，其特征在于，包括多个特高频传感器，所述神经网络模型的输入包括特高频传感器信号幅值和传感器识别符，在训练过程中，所述神经网络模型的输入还包括特高频传感器的视距/非视距状态。
3.根据权利要求1所述的一种基于模式识别的特高频局部放电信号视距传播判断方法，其特征在于，所述的数据集包括特高频传感器信号幅值以及特高频传感器与局部放电源之间的视距/非视距状态。
4.根据权利要求1所述的一种基于模式识别的特高频局部放电信号视距传播判断方法，其特征在于，基于所述数据集对所述神经网络模型进行训练的过程包括：
5.根据权利要求1所述的一种基于模式识别的特高频局部放电信号视距传播判断方法，其特征在于，所述的神经网络模型包括顺次连接的输入层、隐...
【专利技术属性】
技术研发人员：常俊，沈东明，张勇，何涛，邵峰，时晓敏，尹思杰，张善福，王哲斐，贺润平，陈祥祥，
申请(专利权)人：国网上海市电力公司，
类型：发明
国别省市：
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。