【技术实现步骤摘要】
本专利技术属于局部放电缺陷识别的，具体涉及一种基于hht边际谱和卷积神经网络的局部放电缺陷诊断方法及装置。
技术介绍
1、局部放电是指在绝缘介质的局部区域内发生的击穿放电现象，它是引起高压配电设备绝缘故障的主要原因。当局部放电发生时，它会对周围的绝缘介质造成损害和侵蚀。虽然微弱的局部放电对设备绝缘的损害较小，不会立即显现，但是长时间或剧烈的局部放电会迅速削弱绝缘强度。最终导致绝缘击穿，引发设备故障和安全事故。因此对局部放电检测和分析是评判设备绝缘状态、及时发现设备绝缘缺陷的重要手段。但传统人工巡维存在着“盲时、盲区”以及人员成本较大的缺点，而且运维质量因人而异，测量数据并未形成全生命周期贯穿模型，导致设备故障时有发生。
2、随着人工智能和物联网的普及和发展，可以通过传感器采集大量的电量和非电量数据，并将其存储在计算机中，之后再运用人工智能技术例如机器学习和深度学习，对这些数据进行处理，从而完成模式识别、目标检测等任务。其中，机器学习和深度学习是人工智能算法中的两个重要组成部分，不仅可以用于提取数据特征，还具有较为优越的模式识别能力。因此，将机器学习、深度学习等人工智能技术与配电设备局部放电检测技术相结合，可以更加实时和准确地判断设备绝缘状态，维护电网的安全性和可靠性。
3、特征的选择是模式识别中至关重要的环节，选择合适的特征量作为机器学习或深度学习分类器的输入能够有效地提高识别的准确率。希尔伯特黄变换(hilbert-huangtransform，hht)是种非平稳、非线性信号的自适应时频分析方法。它包括
技术实现思路
1、本专利技术的主要目的在于克服现有技术的缺点与不足，提供一种基于hht边际谱和卷积神经网络的局部放电缺陷诊断方法及装置，
2、为了达到上述目的，本专利技术采用以下技术方案：
3、第一方面，本专利技术提供了一种基于hht边际谱和卷积神经网络的局部放电缺陷诊断方法，包括下述步骤：
4、对采集到的局部放电信号进行经验模态分解emd操作，得到多个固有模态分量imfs；
5、对得到的多个固有模态分量imfs分别进行希尔伯特hilbert求解，得到hht边际谱；所述hht边际谱反映了信号在每一个瞬时频率点上的幅值分布，用于表征反应信号的频率特征；
6、对所有样本的hht边际谱按设定比例划分，得到训练集和测试集；
7、使用训练集训练预设的cnn模型，利用训练好的cnn模型对局部放电进行缺陷检测；所述cnn模型包括五个卷积层、五个池化层、一个dropout层和一个全连接层，依次为卷积层c1、卷积层c2、池化层p1、卷积层c3、池化层p2、卷积层c4、池化层p3、卷积层c5、池化层p4、池化层p5、dropout层和全连接层。
8、作为优选的技术方案，所述对采集到的局部放电信号进行emd分解，得到固有模态分量imfs，具体为：
9、将原始信号x(t)的局部极大值点和极小值点分别拟合成原始信号x(t)的上包络线u(t)和下包络线l(t)，计算两条包络线的均值m11(t)；
10、
11、计算原始信号x(t)和均值m11(t)的差值h11(t):
12、h11(t)＝x(t)-m11(t)
13、判断h11(t)是否满足imf的条件，若h11(t)不是一个imf，重复上述过程k次，直到差值h1k(t)满足imf条件；
14、h1k(t)＝h1(k-1)(t)-m1k(t)
15、其中，h1(k-1)(t)表示第k-1次筛选得到的信号；h1k(t)表示第k次筛选得到的信号；m1k(t)表示h1(k-1)(t)的平均包络线；
16、判断满足imf条件具体为：利用标准偏差系数sd值判断每次结果是否为imf分量；即：
17、
18、其中，t为信号的总时间长度，t表示时刻点；
19、当h1k满足sd值的要求时，令c1＝h1k为原始信号x(t)的第一个imf分量，从原始信号x(t)中减去c1得到剩余信号r1＝x(t)-c1；
20、将r1作为要分解的信号重复上述过程，依次r2＝r1-c2,r3＝r2-c3,……rn＝rn-1-cn；直到剩余信号rn是一个单调函数；
21、经过上述过程，信号x(t)表示为：
22、
23、即经过emd，任何一个信号都可以被分解为n个imfs和残差之和，且imfs中包含信号从高到低不同频段的成分，每一频段包含的频率成分随着信号的不同而不同。
24、作为优选的技术方案，sd的取值为0.2～0.3。
25、作为优选的技术方案，对得到的多个固有模态分量imfs分别进行希尔伯特hilbert变换，得到hht边际谱，具体为：
26、利用emd方法对信号s(t)分解得到下式：
27、
28、c1(t),c2(t),…,cn(t)即为分解得到的n个imf分量；各imf分量分别包含了s(t)不同频率段的成分，其中心频率各不相同且随信号本身变化而变化；
29、对imf分量ci(t)分别进行hilbert变换h[·]，即：
30、
31、定义复数域内解析信号zi(t)为：
32、
33、其中瞬时幅值ai(t)为：
34、
35、瞬时相位为：
36、
37、瞬时频率ωi(t)为：
38、
39、则原始信号s(t)的表达式为：
40、
41、其中，re表示取复数的实部；
42、上式的展开式即为hilbert谱，即
43、
44、hilbert谱精确地描述了信号的幅值随时间和频率的变化规律，进一步定义hht边际谱得到：
45、
46、局部放电信号由emd分解后，将频率划分为多个频率区间，计算统计得到每个样本的hht边际谱。
47、作为优选的技术方案，使用训练集训练预设的cnn模型，具体为：
48、每个放电样本的边际谱数据共计800个数据点，最终分类为4种放本文档来自技高网...
【技术保护点】
1.基于HHT边际谱和卷积神经网络的局部放电缺陷诊断方法，其特征在于，包括下述步骤：
2.根据权利要求1所述基于HHT边际谱和卷积神经网络的局部放电缺陷诊断方法，其特征在于，所述对采集到的局部放电信号进行经验模态分解EMD操作，得到固有模态分量IMFs，具体为：
3.根据权利要求2所述基于HHT边际谱和卷积神经网络的局部放电缺陷诊断方法，其特征在于，SD的取值为0.2～0.3。
4.根据权利要求1所述基于HHT边际谱和卷积神经网络的局部放电缺陷诊断方法，其特征在于，对得到的多个固有模态分量IMFs分别进行希尔伯特Hilbert变换，得到HHT边际谱，具体为：
5.根据权利要求1所述基于HHT边际谱和卷积神经网络的局部放电缺陷诊断方法，其特征在于，使用训练集训练预设的CNN模型，具体为：
6.根据权利要求1所述基于HHT边际谱和卷积神经网络的局部放电缺陷诊断方法，其特征在于，在训练CNN模型时，
7.根据权利要求1所述基于HHT边际谱和卷积神经网络的局部放电缺陷诊断方法，其特征在于，还包括模型验证的步骤，具体为
8.基于HHT边际谱和卷积神经网络的局部放电缺陷诊断系统，其特征在于，应用于权利要求1-7中任一项所述的基于HHT边际谱和卷积神经网络的局部放电缺陷诊断方法，包括EMD分解模块、Hilbert求解模块、数据集划分模块以及模型训练模块；
9.一种电子设备，其特征在于，所述电子设备包括：
10.一种计算机可读存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1-7任一项所述的基于HHT边际谱和卷积神经网络的局部放电缺陷诊断方法。
...【技术特征摘要】
1.基于hht边际谱和卷积神经网络的局部放电缺陷诊断方法，其特征在于，包括下述步骤：
2.根据权利要求1所述基于hht边际谱和卷积神经网络的局部放电缺陷诊断方法，其特征在于，所述对采集到的局部放电信号进行经验模态分解emd操作，得到固有模态分量imfs，具体为：
3.根据权利要求2所述基于hht边际谱和卷积神经网络的局部放电缺陷诊断方法，其特征在于，sd的取值为0.2～0.3。
4.根据权利要求1所述基于hht边际谱和卷积神经网络的局部放电缺陷诊断方法，其特征在于，对得到的多个固有模态分量imfs分别进行希尔伯特hilbert变换，得到hht边际谱，具体为：
5.根据权利要求1所述基于hht边际谱和卷积神经网络的局部放电缺陷诊断方法，其特征在于，使用训练集训练预设的cnn模型，具体为：...
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。