CN104198898A - 基于脉冲序列分析的局部放电发展过程诊断方法 - Google Patents

Abstract

本发明公开了一种基于脉冲序列分析的局部放电发展过程诊断方法，该诊断方法包括提取脉冲序列特征建立指纹库和放电类型与发展过程判断过程；具体包括：首先在典型缺陷条件下采集局部放电信号，并进行信号预处理；然后进行脉冲序列特征提取，特征量分析利用三类谱图，包括Δu谱图、Δt频率分布图、Δu/Δt谱图；对三类谱图进行9种特征参量的提取，并建立放电指纹库；最后利用最小欧式距离寻找指纹库中与待诊数据相似度最高的放电类型与放电发展阶段作为诊断结论。该方法充分利用放电信息，考虑了前次放电产生的空间电荷、表面电荷对后续放电的影响，且算法实现过程简单、识别率高，适用于电力设备中局部放电类型和发展过程的诊断以及放电危害性评估。

Description

基于脉冲序列分析的局部放电发展过程诊断方法

【技术领域】

本发明涉及高电压与绝缘技术领域中的局部放电检测技术，具体涉及一种基于脉冲序列分析的局部放电发展过程诊断方法。

【背景技术】

在电力设备运行过程中，其绝缘在电、热、机械以及环境等因素的共同作用下会逐渐劣化，引起绝缘系统的机械强度或绝缘性能下降。而在电老化方面则通常认为是由局部放电引起的。国内外研究均表明，局部放电能够有效地反映变压器、套管等大型设备内部绝缘的故障，尤其对早期故障的发现比介损测量、油中色谱分析等方法要有效得多。因此，对由缺陷引发的局部放电进行检测，掌握表征绝缘缺陷由放电产生到击穿过程的劣化信息特征，无疑对设备绝缘老化状态的诊断和评估具有重要的理论价值和现实意义。

在对已有的局部放电检测技术和模式识别方法进行系统研究后发现，包括一些商业化的测量和智能分析设备，大部分基于局部放电相位分布谱图PRPD(Phase Resolved Partial Discharge)方法，由于其包含丰富的放电相位()-幅值(q)-次数(n)等组合信息，已在电力设备状态监测与故障诊断领域得到广泛的推广和应用。研究者通常对PRPD谱图提取随机性数据统计特征算子作为放电的指纹特征，在实验室的绝缘故障识别与诊断研究工作中取得了较好效果。但在根据测量结果评估放电的发展程度、设备绝缘状态(剩余寿命)等研究难点时，还存在二个关键问题：(1)基于局部放电PRPD谱图描述了不同放电类型相位分布特征，但没有考虑放电时间序列，即没有考虑连续放电之间的相互作用、空间电荷效应等；(2)同一缺陷下在放电从起始直至击穿过程中未能提取有效的特征参量对放电发展程度进行表征。

【发明内容】

本发明目的在于弥补基于局部放电PRPD谱图检测、统计算子的不足，提供一种基于脉冲序列分析的局部放电发展过程诊断方法。

为了实现上述目的，本发明采用如下的技术方案：

基于脉冲序列分析的局部放电发展过程诊断方法，包括以下步骤：

1)信号采集：通过传感器捕获电力设备中所发出的局部放电信号，经过放大和数模转换后变成数字信号，并连续采集发送至信号预处理模块，其中，对局部放电信号采集的信息包括：外施电压幅值、频率，每一放电脉冲的相位-幅值信息以及局部放电脉冲之间的时序关系；

2)信号预处理：采用等效时频图对步骤1)中的每一放电脉冲的相位-幅值信息以及局部放电脉冲之间的时序关系分离出仅包含局部放电源的信息；

3)脉冲序列特征提取：包括激励连续局部放电脉冲所需的外施电压差Δu谱图、放电间隔Δt的频率分布图以及产生连续的局部放电脉冲所需的电位梯度Δu/Δt图；

4)基于脉冲序列特征量建立放电指纹库：对放电形成的Δu谱图、Δt频率分布图和Δu/Δt谱图上的簇丛进行9种特征参量的提取与统计并建立放电指纹库；对实验室中尖端放电、沿面放电和气隙放电三种典型缺陷下的不同发展阶段下300组以上样本进行统计分析，建立放电特征指纹库；其中，9种特征参量包括已知缺陷模型下放电的Δu谱图中的放电簇丛数目、位置、相对密度和放电发展轨迹，Δu/Δt谱图中的放电簇丛数目、位置、相对密度以及放电发展轨迹，以及Δt的频率分布图中的放电间隔特征值；

5)放电类型与发展阶段诊断：在对放电进行诊断时，对未知放电依据以上步骤2)和步骤3)提取特征参量，利用最小欧式距离法寻找与依据步骤4)得到的放电指纹库中与待诊数据相似度最高的放电类型与放电发展阶段，以相似度最高的放电类型与放电发展阶段为待诊数据的放电类型和放电发展阶段。

本发明进一步改进在于，步骤1)中，通过高频电流传感器或耦合电容传感器采集局部放电信号中的每一放电脉冲的相位-幅值信息以及局放脉冲之间的时序关系。

本发明进一步改进在于，步骤2)中，采用等效时频图对步骤1)中的每一放电脉冲的相位-幅值信息以及局部放电脉冲之间的时序关系分离出仅包含局部放电源的信息，具体包括以下步骤：

①获取待测电力设备每次局部放电电流脉冲的波形；

②特征提取：计算电流脉冲的等效时长T与等效频宽F，并绘制等效时频图；其计算步骤如下：

(a)对电流脉冲波形归一化处理，依据公式如下：

$\tilde{s}\left(t\right)=\frac{s\left(t\right)}{\sqrt{{\∫}_0^{T}s{\left(t\right)}^2\mathrm{dt}}}---\left(1\right)$

式中：s(t)为采集的电流脉冲波形，是s(t)的归一化值，t为时间，T为采样时长；

(b)计算局部放电脉冲的时间重心，依据公式如下：

$t_0={\∫}_0^{T}t\tilde{s}{\left(t\right)}^2\mathrm{dt}---\left(2\right)$

式中：是公式(1)计算得到的电流脉冲波形归一化值；

(c)计算局部放电脉冲的等效时长，依据公式如下：

${\mathrm{\σ}}_T=\sqrt{{\∫}_0^T{(t-t_0)}^2\tilde{s}{\left(t\right)}^2\mathrm{dt}}---\left(3\right)$

式中：t₀为公式(2)计算得到的时间重心，是公式(1)计算得到的电流脉冲波形归一化值；

(d)计算局部放电脉冲的等效频宽，依据公式如下：

${\mathrm{\σ}}_F=\sqrt{{\∫}_0^{\∞}{f}^2{\left|\tilde{s}\left(f\right)\right|}^2\mathrm{df}}---\left(4\right)$

式中：为的傅里叶变换频谱，f表示频率；

③将每个局放电流脉冲计算得到的等效时长T与等效频宽F，使用聚类方法对局部放电电流脉冲的波形进行聚类分析，将90％以上的白噪声、窄带噪声滤除。

本发明进一步改进在于，步骤3)中，①Δu谱图的建立过程为：提取每一放电脉冲产生时对应的外施电压瞬时值u_n，对时序相邻的u进行做差，并绘制谱图，谱图纵坐标：Δu_n＝u_n+1-u_n，谱图横坐标：Δu_n-1＝u_n-u_n-1，n为局部放电电流脉冲样本数；由横纵坐标表达式可以知道，横纵坐标的范围在-2至2之间；

②放电间隔Δt的频率分布图的建立过程为：计算相邻放电发生的时间间隔Δt_n＝t_n+1-t_n，并将时间间隔范围分成30等分，统计落入每一等分中放电的频率，画出Δt频率分布图；

③Δu/Δt谱图的建立过程为：依据步骤①和②计算绘制Δu/Δt谱图，谱图纵坐标：Δu_n/Δt_n＝(u_n+1-u_n)/(t_n+1-t_n)，横坐标：Δu_n-1/Δt_n-1＝(u_n-u_n-1)/(t_n-t_n-1)，对于频率为50Hz的工频电压，横纵坐标的范围在-6至6之间。

本发明进一步改进在于，步骤4)中，Δt的频率分布图中的放电间隔特征值Δt_c的计算公式为：

$\mathrm{\Δ}{t}_c=\underset{i=1}{\overset{30}{\mathrm{\Σ}}}\frac{n_i}{N}\×\mathrm{\Δ}{t}_i---\left(5\right)$

式中：N和n_i分别表示放电总数和分布于第i个窗上的放电数，Δt_i表示第i个窗对应的时间间隔值。

本发明进一步改进在于，步骤5)中，采用欧氏距离d_i0表示待诊数据与放电指纹库中第i组数据的距离，其计算公式如下：

$d_{i0}=\sqrt{\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{(a_{\mathrm{ik}}-a_{0k})}^2}---\left(6\right)$

式中：a_ik和a_0k分别表示放电指纹库和待诊数据第k个特征指标的值，这里m表示特征参量的个数，即m＝9；

逐一计算d_i0，令d＝min(d_i0)，这样在放电指纹库找到了与待诊数据相似度最高的放点数据，并以该放电数据的放电类型与放电发展阶段作为待诊数据的诊断结论。

与现有技术相比，本发明具有以下的有益效果：

1、放电信息利用率高：将局部放电发生的时间序列融入放电特征提取中，综合考虑了放电氛围前次放电产生的空间电荷、表面电荷对后续放电的影响，加深对局部放电动态过程的认识。

2、算法实现过程简单：相比采用现有基于相位-幅值分布的局部放电诊断算法，不需依赖大量的统计特征参量。

3、识别率高：基于典型模型建立的放电指纹数据库对未知放电类型和严重程度的正判率高于90％，并且随着数据库样本数的增加，正判率还可进一步提高。

4、适用范围广泛：利用激励连续局放脉冲所需的外施电压差Δu和电位梯度Δu/Δt，这样不同外施电压幅值激励下的放电可以进行比较和诊断，适用于各种绝缘介质、电力设备中局部放电类型和发展过程的诊断，也为电力设备放电危害性评估方面的研究提供一种有效的分析手段。

综上所述，本发明不仅考虑了放电的时间序列、引入了局部放电行为的轨迹图，而且能够区分放电的发展阶段，在各类绝缘劣化的表征、设备绝缘故障诊断和危险性评估中可有广泛的应用。

【附图说明】

图1为本发明基于脉冲序列分析的局部放电发展过程诊断方法的总体流程图。

图2为本发明放电脉冲序列特征参量提取和建立指纹库流程图。

图3为本发明Δu谱图特征提取示意图。

图4为本发明对应不同放电发展阶段Δt的频率分布图演化。

图5为本发明对应不同放电发展阶段Δu/Δt谱图演化。

【具体实施方式】

下面结合附图和具体实施例对本发明进一步详细说明。

如图1所示，本发明基于脉冲序列分析的局部放电发展过程诊断方法，包括以下步骤：

步骤1)，信号采集。通过传感器(如高频电流传感器、耦合电容传感器)捕获电力设备中所发出的局部放电信号，经过放大和数模转换后变成数字信号连续采集发送至信号预处理模块。对局部放电信号采集的信息包括：外施电压幅值、频率，每一放电脉冲的相位()-幅值(q)信息(即phase-amplitude)，局部放电脉冲之间的时序关系(即time array)。

步骤2)，信号预处理。在获取局放信号时不可避免的混入外界干扰、白噪声等混合信号，从原始信号中提取的特征参量会包含多种特征，增加了对放电行为分析和模式识别的困难，因此需要对获取的信号进行噪声分离预处理。本发明采用等效时频图(T-F)分离出仅包含局放源的信息，以更好的凸显有效局部放电脉冲，提高后续诊断和识别方法的准确性。

采用等效时频图对步骤1)中的每一放电脉冲的相位-幅值信息以及局部放电脉冲之间的时序关系分离出仅包含局部放电源的信息，具体包括以下步骤：：

①获取待测电力设备每次局部放电电流脉冲的波形；

②特征提取：计算电流脉冲的等效时长T与等效频宽F，并绘制T-F图；

计算步骤为：

(a)对电流脉冲波形归一化处理，依据公式如下：

$\tilde{s}\left(t\right)=\frac{s\left(t\right)}{\sqrt{{\∫}_0^{T}s{\left(t\right)}^2\mathrm{dt}}}---\left(1\right)$

式中：s(t)为采集的电流脉冲波形，是s(t)的归一化值，为，t为时间，T为采样时长。

(b)计算局部放电脉冲的时间重心t₀，依据公式如下：

$t_0={\∫}_0^{T}t\tilde{s}{\left(t\right)}^2\mathrm{dt}---\left(2\right)$

式中：是公式(1)计算得到的电流脉冲波形归一化值。

(c)计算局部放电脉冲的等效时长σ_T，依据公式如下：

${\mathrm{\σ}}_T=\sqrt{{\∫}_0^T{(t-t_0)}^2\tilde{s}{\left(t\right)}^2\mathrm{dt}}---\left(3\right)$

式中：t₀为公式(2)计算得到的时间重心，是公式(1)计算得到的电流脉冲波形归一化值。

(d)计算局部放电脉冲的等效频宽σ_F，依据公式如下：

${\mathrm{\σ}}_F=\sqrt{{\∫}_0^{\∞}{f}^2{\left|\tilde{s}\left(f\right)\right|}^2\mathrm{df}}---\left(4\right)$

式中：为的傅里叶变换频谱，f表示频率。

③将每个局部放电脉冲计算得到的二维特征值(T，F)，使用聚类方法对局部放电脉冲的波形进行聚类分析，可将90％以上的白噪声、窄带噪声滤除，提高了对有效放电行为的识别能力；

步骤3)，脉冲序列特征提取。脉冲序列特征提取的过程如图2所示，包括激励连续局部放电脉冲所需的外施电压差Δu谱图、放电间隔Δt的频率分布图以及产生连续的局放脉冲所需的电位梯度Δu/Δt谱图。

①Δu谱图的建立过程为：提取每一放电脉冲产生时对应的外施电压瞬时值u_n，对时序相邻的u进行做差，并绘制谱图，谱图纵坐标：Δu_n＝u_n+1-u_n，n为局部放电脉冲样本数。谱图横坐标：Δu_n-1＝u_n-u_n-1。由横纵坐标表达式可以知道，横纵坐标的范围在-2至2之间，如图3所示。国内外研究表明，这一范围与介质内表面电荷与空间电荷的产生以及放电源的种类有密切关系。

②放电间隔Δt的频率分布图的建立过称为，计算相邻放电发生的时间间隔Δt_n＝t_n+1-t_n，并将时间间隔范围分成30等分，统计落入每一等分中放电的频率，画出Δt频率分布图，如图4给出了一例油纸绝缘气隙放电模型中不同放电发展阶段的Δt频率分布。

③Δu/Δt谱图的建立过程为：依据步骤①和②计算绘制Δu/Δt谱图，谱图纵坐标：Δu_n/Δt_n＝(u_n+1-u_n)/(t_n+1-t_n)，横坐标：Δu_n-1/Δt_n-1＝(u_n-u_n-1)/(t_n-t_n-1)，对于频率为50Hz工频电压激励条件下，横纵坐标的范围在-6至6之间，如图5给出了一例油纸绝缘气隙放电模型中不同放电发展阶段的Δu/Δt谱图变化。

步骤4)，基于脉冲序列特征量的建立放电指纹库。局部放电发生过程具有一定随机性，但对于大量放电分布来说具有统计规律，例如Δu谱图中放电会集中在有几个特定区域，表明多次放电所需的电压差是几个固定区间，并在不同周期周而复始的产生。对放电形成的Δu谱图、Δt频率分布图和Δu/Δt谱图上的簇丛进行统计并建立指纹库，流程如图2所示。具体而言，基于脉冲序列特征量的局部放电指纹库内容包括已知缺陷模型下放电的Δu谱图中的放电簇丛数目、位置、相对密度和放电发展轨迹(4个特征参量)；Δu/Δt谱图中的放电簇丛数目和位置，相对密度，放电发展轨迹(4个特征参量)；Δt的频率分布图中的放电间隔特征值(1个特征参量)。

如图5所示为一种实施例中对应不同放电发展阶段Δt的频率分布图演化，Δt的频率分布图中的放电间隔特征值Δt_c计算公式为：

$\mathrm{\Δ}{t}_c=\underset{i=1}{\overset{30}{\mathrm{\Σ}}}\frac{n_i}{N}\×\mathrm{\Δ}{t}_i---\left(5\right)$

式中：N和n_i分别表示放电总数和分布于第i个窗上的放电数(对Δt自动分成30等分，即30个窗口)，Δt_i表示第i个窗对应的时间间隔值。

步骤5)，放电类型与发展阶段诊断。依据步骤(4)对实验室中尖端放电、沿面放电和气隙放电发展阶段(包括局放起始阶段、局放发展阶段、预击穿阶段)300组以上样本进行统计分析，建立放电特征指纹库。在对放电进行诊断时，对未知放电依据以上步骤(2)和步骤(3)提取特征参量，利用最小欧式距离法寻找数据库中与待诊数据相似度最高的放电数据，并以该放电数据的放电类型与放电发展阶段作为待诊数据的诊断结论。

求解相似度用欧氏距离来标称，距离越小，则表明相似性越好。那么，目标例可能的故障类型与相似度最好的源案例的实际故障类型相似度最大，可以将该源案例的结论用于目标例的诊断参考。

以Δu、Δu/Δt、Δt谱图中的放电簇丛数目、位置、相对密度等共计9个特征参量为依据，将待诊案例即目标例编号为0，放电指纹数据库中存放有300组以上已知典型缺陷模型的放电数据以及各自的放电类型和放电发展阶段，欧氏距离d_i0表示目标例与数据库中第i组数据的距离。

$d_{i0}=\sqrt{\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{(a_{\mathrm{ik}}-a_{0k})}^2}---\left(6\right)$

式中：a_ik和a_0k分别表示源样本和目标样本第k个特征指标的值，这里m表示特征参量的个数，即m＝9。逐一计算d_i0，令d＝min(d_i0)，这样找到了与待诊例最相似的源案例，列出源案例的数据和结论。

利用58组检测样本进行验证，结果表明，依据指纹库对待诊样本识别的正判率达到91.3％。

以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.基于脉冲序列分析的局部放电发展过程诊断方法，其特征在于，包括以下步骤：

1)信号采集：通过传感器捕获电力设备中所发出的局部放电信号，经过放大和数模转换后变成数字信号，并连续采集发送至信号预处理模块，其中，对局部放电信号采集的信息包括：外施电压幅值、频率，每一放电脉冲的相位-幅值信息以及局部放电脉冲之间的时序关系；

2)信号预处理：采用等效时频图对步骤1)中的每一放电脉冲的相位-幅值信息以及局部放电脉冲之间的时序关系分离出仅包含局部放电源的信息；

3)脉冲序列特征提取：包括激励连续局部放电脉冲所需的外施电压差Δu谱图、放电间隔Δt的频率分布图以及产生连续的局部放电脉冲所需的电位梯度Δu/Δt图；

4)基于脉冲序列特征量建立放电指纹库：对放电形成的Δu谱图、Δt频率分布图和Δu/Δt谱图上的簇丛进行9种特征参量的提取与统计并建立放电指纹库；对实验室中尖端放电、沿面放电和气隙放电三种典型缺陷下的不同发展阶段下300组以上样本进行统计分析，建立放电特征指纹库；其中，9种特征参量包括已知缺陷模型下放电的Δu谱图中的放电簇丛数目、位置、相对密度和放电发展轨迹，Δu/Δt谱图中的放电簇丛数目、位置、相对密度以及放电发展轨迹，以及Δt的频率分布图中的放电间隔特征值；

5)放电类型与发展阶段诊断：在对放电进行诊断时，对未知放电依据以上步骤2)和步骤3)提取特征参量，利用最小欧式距离法寻找与依据步骤4)得到的放电指纹库中与待诊数据相似度最高的放电类型与放电发展阶段，以相似度最高的放电类型与放电发展阶段为待诊数据的放电类型和放电发展阶段。

2.根据权利要求1所述的基于脉冲序列分析的局部放电发展过程诊断方法，其特征在于，步骤1)中，通过高频电流传感器或耦合电容传感器采集局部放电信号中的每一放电脉冲的相位-幅值信息以及局放脉冲之间的时序关系。

3.根据权利要求1所述的基于脉冲序列分析的局部放电发展过程诊断方法，其特征在于，步骤2)中，采用等效时频图对步骤1)中的每一放电脉冲的相位-幅值信息以及局部放电脉冲之间的时序关系分离出仅包含局部放电源的信息，具体包括以下步骤：

①获取待测电力设备每次局部放电电流脉冲的波形；

②特征提取：计算电流脉冲的等效时长T与等效频宽F，并绘制等效时频图；其计算步骤如下：

(a)对电流脉冲波形归一化处理，依据公式如下：

$\tilde{s}\left(t\right)=\frac{s\left(t\right)}{\sqrt{{\∫}_0^{T}s{\left(t\right)}^2\mathrm{dt}}}---\left(1\right)$

式中：s(t)为采集的电流脉冲波形，是s(t)的归一化值，t为时间，T为采样时长；

(b)计算局部放电脉冲的时间重心，依据公式如下：

$t_0={\∫}_0^{T}t\tilde{s}{\left(t\right)}^2\mathrm{dt}---\left(2\right)$

式中：是公式(1)计算得到的电流脉冲波形归一化值；

(c)计算局部放电脉冲的等效时长，依据公式如下：

${\mathrm{\σ}}_T=\sqrt{{\∫}_0^T{(t-t_0)}^2\tilde{s}{\left(t\right)}^2\mathrm{dt}}---\left(3\right)$

式中：t₀为公式(2)计算得到的时间重心，是公式(1)计算得到的电流脉冲波形归一化值；

(d)计算局部放电脉冲的等效频宽，依据公式如下：

${\mathrm{\σ}}_F=\sqrt{{\∫}_0^{\∞}{f}^2{\left|\tilde{s}\left(f\right)\right|}^2\mathrm{df}}---\left(4\right)$

式中：为的傅里叶变换频谱，f表示频率；

③将每个局放电流脉冲计算得到的等效时长T与等效频宽F，使用聚类方法对局部放电电流脉冲的波形进行聚类分析，将90％以上的白噪声、窄带噪声滤除。

4.根据权利要求1所述的基于脉冲序列分析的局部放电发展过程诊断方法，其特征在于，步骤3)中，①Δu谱图的建立过程为：提取每一放电脉冲产生时对应的外施电压瞬时值u_n，对时序相邻的u进行做差，并绘制谱图，谱图纵坐标：Δu_n＝u_n+1-u_n，谱图横坐标：Δu_n-1＝u_n-u_n-1，n为局部放电电流脉冲样本数；由横纵坐标表达式可以知道，横纵坐标的范围在-2至2之间；

②放电间隔Δt的频率分布图的建立过程为：计算相邻放电发生的时间间隔Δt_n＝t_n+1-t_n，并将时间间隔范围分成30等分，统计落入每一等分中放电的频率，画出Δt频率分布图；

③Δu/Δt谱图的建立过程为：依据步骤①和②计算绘制Δu/Δt谱图，谱图纵坐标：Δu_n/Δt_n＝(u_n+1-u_n)/(t_n+1-t_n)，横坐标：Δu_n-1/Δt_n-1＝(u_n-u_n-1)/(t_n-t_n-1)，对于频率为50Hz的工频电压，横纵坐标的范围在-6至6之间。

5.根据权利要求1所述的基于脉冲序列分析的局部放电发展过程诊断方法，其特征在于，步骤4)中，Δt的频率分布图中的放电间隔特征值Δt_c的计算公式为：

$\mathrm{\Δ}{t}_c=\underset{i=1}{\overset{30}{\mathrm{\Σ}}}\frac{n_i}{N}\×\mathrm{\Δ}{t}_i---\left(5\right)$

式中：N和n_i分别表示放电总数和分布于第i个窗上的放电数，Δt_i表示第i个窗对应的时间间隔值。

6.根据权利要求1所述的基于脉冲序列分析的局部放电发展过程诊断方法，其特征在于，步骤5)中，采用欧氏距离d_i0表示待诊数据与放电指纹库中第i组数据的距离，其计算公式如下：

$d_{i0}=\sqrt{\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{(a_{\mathrm{ik}}-a_{0k})}^2}---\left(6\right)$

式中：a_ik和a_0k分别表示放电指纹库和待诊数据第k个特征指标的值，这里m表示特征参量的个数，即m＝9；

逐一计算d_i0，令d＝min(d_i0)，这样在放电指纹库找到了与待诊数据相似度最高的放点数据，并以该放电数据的放电类型与放电发展阶段作为待诊数据的诊断结论。