CN105210088B - 采用神经网络的局部放电信号处理方法及装置 - Google Patents

采用神经网络的局部放电信号处理方法及装置 Download PDF

Info

Publication number
CN105210088B
CN105210088B CN201380076458.9A CN201380076458A CN105210088B CN 105210088 B CN105210088 B CN 105210088B CN 201380076458 A CN201380076458 A CN 201380076458A CN 105210088 B CN105210088 B CN 105210088B
Authority
CN
China
Prior art keywords
impulse waveform
module
waveform
neural network
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201380076458.9A
Other languages
English (en)
Other versions
CN105210088A (zh
Inventor
A·迪斯特法诺
R·坎德拉
G·菲丝赛丽
G·C·吉阿考尼亚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Prysmian SpA
Original Assignee
Prysmian SpA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Prysmian SpA filed Critical Prysmian SpA
Publication of CN105210088A publication Critical patent/CN105210088A/zh
Application granted granted Critical
Publication of CN105210088B publication Critical patent/CN105210088B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
    • G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
    • G01R31/1272—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
    • G01R31/1245—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of line insulators or spacers, e.g. ceramic overhead line cap insulators; of insulators in HV bushings
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/14—Circuits therefor, e.g. for generating test voltages, sensing circuits
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Ceramic Engineering (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

局部放电信号处理方法(1100)，包括：设置(1000)以下标准当中的第一判别标准：放电信号采集、放电信号噪声滤波、放电信号分类；提供(1002)与检测到的局部放电波形信号关联的多个脉冲波形；根据第一标准定义(1001)至少第一参照脉冲波形(RF)；基于所述至少第一参照脉冲波形来执行神经网络模块(800；900)的第一训练(1005)，以产生适于选择性地假定第一个值和第二个值的相似性指标，第一个值和第二个值分别代表输入脉冲波形与至少第一参照脉冲波形(RF)的相似性/不相似性；借由神经网络模块比较(1006)所述多个脉冲波形与至少第一参照脉冲波形，以获得第一相似性指标值；基于所获得的第一相似性指标值并且基于第二判别标准，记忆/拒绝(1008；1009)每个经比较的脉冲波形。

Description

采用神经网络的局部放电信号处理方法及装置
技术领域
本发明涉及局部放电信号处理方法及装置。局部放电处理尤其被用于分析电气部件和系统中的局部放电，电气部件和系统诸如：中压或高压电缆、电缆接头、架空线绝缘体、中压和高压配电箱、利用GIS(气体绝缘开关设备)的高压和超高压电缆。
背景技术
术语“局部放电”意在指示在各种类型缺陷存在的情况下，电子部件的介电(绝缘)材料中发生的电荷的不期望重组，最终导致介电破坏。在这里，脉冲电流在介电材料的部分中生成并使电磁波传播通过相关电力系统的电源或接地电缆，并且辐射通过各种周围介质(介电材料、金属、空气等)。
当执行局部放电测量时，大量脉冲信号被采集并处理。现代仪器允许以非常高的采样频率数字化脉冲信号，使得整个脉冲波形可以被采集和处理。在测量过程中执行的操作是根据预定的判别标准对具体脉冲的选择。作为例子，可能的判别标准是：放电信号采集、放电信号噪声滤波、放电信号分类。
放电信号采集涉及对检测到的波形当中仅(具有高于指定阈值的电平的)一些波形的选择。放电信号噪声滤波涉及对实际局部放电脉冲的选择以及拒绝噪声。放电信号分类涉及根据脉冲的具体特性选择脉冲并且将最相似的分组到不同的类中。
放电信号采集可以基于由模拟电路实现的频率滤波和电平阈值。而放电信号噪声滤波和分类是由通常基于波形特征提取的选择方法执行的。这些算法通常通过从每个脉冲波形提取一小组的参数(特征)并将它们与具体阈值进行比较来工作，如此试图估计每个脉冲是否落入具体的类中。这些算法的有效性关键依赖于所选的具体特征组。
采用神经网络的选择方法是已知的。文献JP02-296162描述了用于分离和检测外部噪声与局部放电信号的方法。根据这种方法，电缆的屏蔽层被切割，如此获得两个相对的切割端。在一个切割端处生成的脉冲形电压波形借由神经网络与在另一个切割端处生成的另一脉冲形电压进行比较。两个脉冲形电压波形都在神经网络的输入层处被输入。这种比较允许区分局部放电信号(对于这种信号，在两个切割端处生成相似的脉冲)与噪声信号。
文献JP02-296161公开了用于通过使神经网络学习由局部放电形成的不同波形来检测局部放电位置的方法。局部放电在其中生成的电气单元是基于学习的结果和新生成的局部放电的波来检测的。
文献JP08-338856说明了用于决定局部放电是否存在的方法。该方法包括步骤：教导神经网络；从电力电缆的指定点检测局部放电和噪声信号多次；将检测到的信号馈送到神经网络并且确定评估值；对多个评估值求平均并且与阈值进行比较。
发明内容
本发明解决的技术问题是提供能够基于判别标准(诸如采集、噪声滤波、脉冲分类)分析局部放电信号从而在不同环境中在不同电气装置上可用的处理方法的问题。
本申请人发现，用于采用神经网络处理输入信号的方法适于检测不同电气装置上和不同环境中的有害的局部放电，其中神经网络利用根据选定的判别标准定义的参照脉冲波形被训练并且被配置为产生选择性地假定第一个值和第二个值的相似性指标，第一个值和第二个值代表输入脉冲波形与参照脉冲波形的相似性/不相似性。
根据第一方面，本发明涉及局部放电信号处理方法，该方法包括：
设置以下当中的第一判别标准：局部放电的采集、噪声滤波、分类；
提供与检测到的局部放电波形信号关联的多个脉冲波形；
根据第一标准定义第一参照脉冲波形；
基于所述第一参照脉冲波形来执行神经网络模块的第一训练，以产生选择性地假定第一个值和第二个值的相似性指标，第一个值和第二个值分别代表输入脉冲波形与第一参照脉冲波形的相似性/不相似性；
借由神经网络模块比较所述多个脉冲波形与第一参照脉冲波形，以获得第一相似性指标结果；
基于所获得的第一相似性指标结果并且基于第一判别标准，记忆/拒绝每个经比较的脉冲波形。
有利地，该处理方法还包括：
设置与第一标准不同的第二判别标准；
根据第二标准选择第二参照脉冲波形；
执行所述神经网络模块的第二训练，以产生选择性地假定第一个值和第二个值的相似性指标，第一个值和第二个值分别代表另一输入脉冲波形与第二参照脉冲波形的相似性/不相似性；
借由神经网络模块比较所述多个脉冲波形的至少部分与第二参照脉冲波形，以获得第二相似性指标结果；
基于所获得的第二相似性指标结果并且基于第二判别标准，记忆/拒绝每个经比较的脉冲波形。
有利地，神经网络模块被配置为实现一分组中所包括的激活函数，该分组包括：非线性函数、梯状函数、Sigmoid函数、身份函数、Tangtoid函数、阶跃函数、符号函数、分段线性函数。
优选地，神经网络模块包括：
多个输入端口，每个输入端口被配置为接收与所述多个脉冲波形中的脉冲关联的数字样本；
具有关联的多个权重的至少一个神经节点，及
输出端口，被配置为提供相似性指标并连接到作为输出神经节点的神经节点。
“神经节点”意在指神经网络的处理元件、人工神经元。
有利地，所述神经网络模块具有多层感知器的结构并且包括具有多个隐藏神经节点的隐藏层，所述多个隐藏神经节点具有连接到多个输入端口的输入。
“多层感知器”意在指在有向图中包括多层神经节点的前馈人工神经网络，其中每一层完全连接到下一层。特别地，如果隐藏层被采用，则所述神经网络模块包括具有连接到输出神经节点的输出的单个隐藏层。
优选地，第一判别标准是以下之一：放电信号噪声滤波、放电信号分类。
优选地，神经网络模块包括单个隐藏层并且是软件模块。
另选地，神经网络模块具有感知器的结构并且包括连接在输入和输出端口之间的单个神经节点。“感知器”意在指包括单个神经节点的神经网络。特别地，所述感知器被用来实现所述放电信号采集标准。有利地，所述神经网络模块是硬件模块。
优选地，当执行第二训练时，所述第一和第二判别标准是放电信号噪声滤波和放电信号分类。
有利地，执行第一训练包括：通过向神经网络模块提供反例来计算所述多个权重的多个权重值，对于这些反例，请求代表不相似性结果的所述第二个值。
优选地，借由神经网络模块进行比较包括：
定义多个样本分组，每个样本分组代表所述多个脉冲波形的脉冲波形；
将每个样本分组提供给多个输入端口；
为每个样本分组获得相似性指标值。
有利地，在将每个样本分组提供给多个输入端口之前，该方法还包括：
执行波形规格化，其中样本分组的每个样本除以波形绝对最大值；
执行峰值对准，使得每个样本分组的每个峰值样本被提供给多个输入端口中的选定的输入端口。
特别地，定义第一参照脉冲波形包括：根据第一标准合成第一参照脉冲波形。
另选地，定义第一参照脉冲波形包括：从所述多个脉冲波形中选择第一参照脉冲波形。
有利地，该处理还包括：
检测与电气部件的局部放电关联的所述局部放电波形信号；
检测由与电气对象的操作关联的交流电电压生成的同步电磁信号；
将所述局部放电波形信号同步到所述同步电磁信号。
根据第二方面，本发明涉及局部放电信号处理系统，包括：
检测设备，被结构化为检测与检测到的局部放电波形信号关联的多个脉冲波形；
处理模块，连接到检测设备并且包括：
神经网络模块，包括：
输入模块，用于接收所述多个脉冲波形的输入脉冲波形；
比较模块，连接到输入模块并且被结构化为比较参照脉冲波形与输入脉冲波形；及
输出端口，连接到比较模块并且被结构化为提供选择性地假定输入脉冲波形与参照脉冲波形的相似性/不相似性的第一个值或第二个值的相似性指标(SI)，所述第一个值或第二个值分别代表检测到的脉冲波形的性质，
其中所述处理模块包括：
设置模块，被结构化为设置选自以下之中的判别标准：放电信号采集、放电信号噪声滤波、放电信号分类；及
参照选择模块，连接到设置模块并且被结构化为根据选定的判别标准选择参照脉冲波形。
附图说明
通过以下参考附图对作为例子给出的优选实施例及其另选方案的描述，进一步的特性和优点将更加明晰，其中：
图1示出了电气对象、包括具有采集和分析设备以及选择处理模块的局部放电检测装置的局部放电采集系统的例子。
图2示出了可被所述局部放电采集系统采用的、包括高通滤波模块和放大器的放电处理模块的例子；
图3示出了可被所述局部放电采集系统采用的同步处理模块的例子；
图4示意性地示出了采集和分析设备的实施例；
图5,a)示出了要被处理的脉冲波形的趋势的例子，并且图5,b)示出了可被所述局部放电采集系统采用的、具有多层感知器结构的神经网络模块的第一个例子；
图6示出了可被所述神经网络模块采用的示例神经节点的体系结构；
图7,a)再次示出了要被处理的波形脉冲的趋势的所述例子并且图7,b)示出了被实现为感知器的网络模块的第二个例子；
图8示出了说明可被所述局部放电采集系统采用的处理方法的例子的流程图的实施例。
具体实施方式
图1示出了电气对象100和局部放电采集系统500，其中局部放电采集系统500包括局部放电检测装置400、采集和分析设备300以及尤其是在局部放电检测装置400外部的选择处理模块700。采集和分析设备300可以包括在也包含局部放电检测装置400的外罩中(如图1中)或者可以在单独的外罩中提供，例如与选择处理模块700在一起。作为例子，局部放电检测装置400是便携式的并且包括一个或多个电池。
电气对象100可以是可以产生局部放电电磁脉冲的任何种类的部件、设备、装置或系统，并且作为例子是：中压或高压电缆、电缆接头、架空线绝缘体、中压或高压配电箱、使用GIS(气体绝缘开关设备)的高压和超高压电缆、电动马达或发电机或者中压或高压变压器。
局部放电采集系统500是可被用来检测、测量和/或处理以及分析由作为电气对象100的电气源生成的局部放电的电子装置。特别地，局部放电采集系统500可以是便携式的并且包括在图中未示出的外壳中。
局部放电采集系统500优选地被配置为放在电气对象100附近，以检测对应于由电气对象100发射的局部放电脉冲的放电电磁信号Sd。还观察到，可能干扰对应于局部放电脉冲的电磁信号的检测的电磁噪声信号Sn可以在其中采用局部放电采集系统500的区域中存在。
要被检测的放电信号Sd可以是具有包括在0.1MHz至100MHz的范围中的频率的电磁波脉冲。噪声信号Sn通常具有包括在0.1MHz至100MHz的相同范围中的频率。
局部放电检测装置400(为了简明，下文中也称为“检测装置”)包括适于检测放电信号Sd的传感器1，但传感器1也会接收不想要的电磁噪声信号Sn。传感器1可以是接触传感器或非接触传感器。接触传感器被放成接触或接近电气对象100，而非接触或无线传感器适于执行远程检测，即，没有电线或电缆连接源和传感器设备并且没有物理接触。作为例子，远程检测可以在离信号源1cm至10m的距离处执行。接触传感器的例子是：Rogowsky传感器和耦合器变压器型磁传感器。非接触式传感器的例子是：磁场接近传感器、声学传感器和压电传感器。
根据所描述的实施例，传感器1是可被安装在(作为例子)支撑结构2上的天线。作为又一个例子，天线1可以是以下天线之一：小型贴片天线、环形天线、偶极和超宽带天线。优选地，天线1是球形的并且包括导电材料的空心球体，导电材料诸如像金属或聚合物材料。作为例子，球形天线1示出包括在3和30cm之间的直径，优选地包括在5和20cm之间。特别地，天线1可以类似于在专利申请WO-A-2009-150627中所描述的天线。
天线1被配置为接收放电信号Sd和不想要的噪声信号Sn并将它们转换为在第一输出端子3上可用的接收电信号Sin1(例如电流)。图1的局部放电检测装置400还包括放电处理模块600和同步处理模块200。放电处理模块600示出借由第一导电线4连接到天线1的第一输出端子3的第一输入端子5，并且被结构化为执行接收电信号Sin1的带通滤波和/或放大，使得在第二输出端子6处提供输出放电信号Sd-out。
图2涉及包括高通滤波模块7的放电处理模块600的例子，其中高通滤波模块7具有连接到第一输入端子5的相应输入并且被结构化为去除低频噪声，诸如具有低于0.1MHz频率的信号。作为例子，高通滤波模块7可以包括与第一电阻器R1串联连接的第一电容器C1。高通滤波模块7的输出连接到第一放大器8，其中第一放大器8具有连接到第二输出端子6的相应输出端子。作为例子，另一滤波器(诸如带通、带阻或低通滤波器(未示出))可以连接到高通滤波模块7的输出，以获得具有期望特性的整体带通频率响应。
第一放大器8具有用于电源电压V1的第一馈供端子9和连接到接地端子GND的第二馈供端子10。作为例子，第一放大器8示出至少包括第一天线1的带宽(诸如像范围从0.1MHz到100MHz的带宽)的带宽。
包括到检测装置400中的同步处理模块200被配置为在第二输入端子11处接收、滤波和放大第一同步电信号Ssyn1，并且在第三输出端子12处提供第二同步电信号Ssyn2。第一同步电信号Ssyn1代表被提供给被测电气对象100的AC(交流电)电压的趋势。通常，AC电压具有包括在1Hz至大约1000Hz之间的频率。第一同步电信号Ssyn1可以例如通过由天线1对由通过电气对象100的电压生成的供给电磁信号Ssup执行的无线和非接触检测而获得。
第二输入端子11连接到第一导电线4以对接收电信号Sin1(还包括第一同步电信号Ssyn1)进行接收。在本实例中，天线1被设计为作为电容耦合传感器操作，以从供给电磁信号Ssup检测第一同步电信号Ssyn1。而且，天线1被设计为提供与馈供电气对象100的AC(交流电)电压的合适的电容耦合，作为例子，示出了合适的耦合表面。
另选地，第一同步电信号Ssyn1可以由可连接到第二输入端子11的同步传感器13检测，同步传感器13诸如用于无线和非接触检测的另一天线、或者被放成与电气对象100或与以供给到电气对象100的相同电压操作的另一电气部件相接触的另一类型的传感器。
图3示出了包括放大器模块14(诸如高增益缓冲放大器)的同步处理模块200，该放大器模块14具有连接第二输入端子11的输入和连接到低通滤波器模块16的第四输出端子15。高增益缓冲放大器14还具有用于电源电压V1的第三馈供端子17和连接到接地端子GND的第四馈供端子18。
作为例子，高增益缓冲放大器14是电压放大器并且具有大于100的增益。而且，高增益缓冲放大器14示出大于1MOhm的输入-输出阻抗并且可以具有低于1kHz的总体带宽。在这个例子中，低通滤波器模块16包括连接在第四输出端子15和节点19之间的第二电阻器R2，以及连接在节点19和接地端子GND之间的第二电容器C2。节点19连接到第三输出端子12。
采集和分析设备300和/或选择处理模块700被配置为根据以下至少一个判别标准执行输出放电信号Sd-out的判别过程：放电信号采集、放电信号噪声滤波和放电信号分类。特别地，每个判别准则可以通过与适当选择的参照脉冲波形进行比较来实现，即，示出必须超过阈值水平的脉冲的振幅。放电信号采集过程允许基于(作为例子)脉冲必须展现以被采集的预定特性来选择和存储满足特定标准的脉冲波形。特别地，这种判别标准是通过输出放电信号Sd-out与参照脉冲波形的比较来实现的。展现与参照波形的特定程度相似性的脉冲波形被采集(生成触发事件)，否则它们将被拒绝。
放电信号噪声滤波过程允许从输出放电信号Sd-out中或者在从输出放电信号Sd-out导出的信号中识别对应于实际局部放电现象的脉冲波形并且拒绝噪音波形。根据例子，这种放电信号噪声滤波处理可以是对在放电处理模块600中执行的噪声滤波的附加。特别地，这个判别标准是通过与参照脉冲波形的比较来实现的，其中参照脉冲波形展现局部放电现象典型的并且与噪声信号不同的形状。
放电信号分类过程允许将从输出放电信号Sd-out或从输出放电信号Sd-out导出的信号中选择的脉冲波形分组成对应于不同局部放电现象的多个不同类。作为例子，第一局部放电脉冲类指由于电气对象的内部电介质中的缺陷造成的局部放电信号，而第二局部放电脉冲类指表面上的缺陷，并且另一个类指电晕放电。特别地，这种判别标准是通过与参照脉冲波形的比较来实现的，其中参照脉冲波形展现预定类的典型的形状。
以上提到的每个判别标准都可以借由包括在采集和分析设备300中和/或选择处理模块700中的神经网络模块来实现。神经网络模块可被配置为根据一个单个标准实现判别过程。在这种情况下，为了实现根据以上所列判别标准中的两个或三个的判别过程，分别采用两个或三个单独的神经网络模块。另选地，可以提供单个神经网络模块，以选择性地实现多于一个判别标准。
放电信号采集过程可以由采集和分析设备300执行，而放电信号噪声滤波过程和放电信号分类过程可以由选择处理模块700执行。
参考这第一个例子，图1的采集和分析设备300被配置为接收输出放电信号Sd-out并执行处理步骤，以产生代表这个输出放电信号Sd-out的多个数字样本DS。特别地，采集和分析设备300被配置为利用包括在32个和256个之间的多个样本表示输出放电信号Sd-out的脉冲波形。作为例子，采集和分析设备300被结构化为执行模数转换、选择、采集和同步处理步骤。
图4示意性地示出了采集和分析设备300的例子，其中设备300包括可选的宽带可编程放大器71，其中放大器71具有连接到放电处理模块600的第二输出端子6的输入和连接到模数转换器72(ADC)的相应输出。采集和分析设备300还包括控制模块73，诸如被结构化为控制宽带可编程放大器71并从模数转换器72接收数据的现场可编程门阵列(FPGA)。宽带可编程放大器71可以被编程为借由由控制模块73提供的偏移信号Soff和增益信号Sga赋予放电输出信号Sd-out偏移值和放大增益值，如此产生经放大的输出信号Saout。
宽带可编程放大器71允许(作为例子)范围从大约-5dB至+40dB的连续增益变化。模数转换器72被结构化为由控制模块73所生成的时钟信号CK同步并且生成要发送到控制模块73的转换数据DTA。作为例子，模数转换器72能够以8位(bit)分辨率每秒转换250兆样本。这个采样频率允许以4ns的时间分辨率采集放电电信号Sd-out。据观察，大部分局部放电脉冲通常比0.5μs长。
特别地，控制模块73包括处理单元74(PU)(诸如微处理器)、存储器75(M)(诸如RAM(随机存取存储器))、和同步逻辑模块76(SINL)。更特别地，存储器75可以是循环缓冲器。处理单元74连接到提供时钟信号的定时模块87(TM)。
同步逻辑模块76被配置为接收第二同步信号Ssyn2，从中提取所携带的定时信息，诸如AC电压的周期和相位，并且将信息传送到处理单元74。
输入/输出端口77允许以偏移信号Soff和增益信号Sga的形式将由处理单元74生成的输出命令Comm传送到宽带可编程放大器71。
控制模块73还具有触发器模块78(TRLM)并且具有地址生成模块79(ADD-GEN)，其中地址生成模块79被配置为在处理单元74的控制之下生成在存储器75中写新数据和读取存储在存储器75中的数据所必需的地址。
触发器模块78被结构化为执行放电信号采集过程并且被配置为只对满足判别标准的放大输出信号Saout的样本触发对离开宽带可编程放大器71的放大输出信号Saout的样本的记忆。
控制模块73还包括主机接口模块80(INTF)，从而允许数据从神经节点传送到被配置为通过有线或无线连接线BD与选择处理模块700交换数据/命令的收发器81(TR)，例如USB/以太网收发器。
控制模块73还可以具有连接到处理单元74的提取模块83(例如，协处理器CO-P)。提取模块83被配置为从存储在存储器79中的数据执行脉冲特征提取，特别是脉冲特征实时提取。由协处理器提取的可能的脉冲特征的例子是：峰值和极性、相位、能量、持续时间和Weibull参数的粗略估计。
根据所描述的第一个例子，触发器模块78包括第一神经网络模块800；第一神经网络模块800的体系结构的例子在图5b中示出。第一神经网络模块800被配置为提供代表参照信号与输入波形信号之间的相似性的相似性指标SI。相似性指标SI可以选择性地假定代表肯定相似性结果的第一个值(例如，值1)或者代表不相似性结果的第二个值(例如，值0)。
图5b的第一神经网络模块800包括多个输入端口IP1-IPN、与多个输入端口IP1-IPN互连的至少一个隐藏层801、输出神经节点ON1和输出端口OP1(例如，单个输出端口)。图5b中示出的特定的第一神经网络模块800具有多层感知器的结构，多层感知器具有单个隐藏层801。隐藏层801包括多个隐藏神经节点HN1-HNH，这些神经节点具有连接到多个输入端口IP1-IPN的输入并且每个都具有连接到输出神经节点ON1的输出。
图5,a)示出了在模数转换器72处接收到的放大输出信号Saout中所包括的脉冲波形PWs的趋势的例子。模数转换器72被结构化为借由样本SW1-SWN代表脉冲波形PWs。特别地，输入端口IP1-IPN的数目N等于样本SW1-SWN的数目。每个样本SW1-SWN由数字值表示。
图6示出了可以对应于隐藏层801的神经节点HN1-HNH之一或者对应于输出神经节点ON1的示例神经节点EN的体系结构。神经节点EN的体系结构示出了多个输入X1-Xn、偏置输入B(例如，固定到1)、多个权重W0-Wn、求和节点802(Σ)、激活函数模块803(f(Σ))和输出804。神经节点EN被配置为使得每个输入Xi的值乘以权重Wi并且在求和节点802中求和。神经节点输出是作为这个总和的函数f来计算的。
在神经网络模块800中采用的激活函数模块803可以是非线性的、梯状函数，如Sigmoid激活函数。其它可采用的激活函数是：身份函数、Tangtoid函数、阶跃函数、符号函数和分段线性函数。与不连续函数(诸如阶跃、符号等)相比，连续函数(例如，Sigmoid、Tangentoid和分段线性等)实现更好的结果。
根据第一神经网络模块800的第一实施例，隐藏层801的每个隐藏神经节点HN1-HNH和输出神经节点ON1包括偏置输入B并且采用分段线性激活函数。作为例子，4个隐藏神经节点HN1-HN4可以被采用并且实现了256个输入端口IP1-IPN。
第一神经网络模块800可以通过选择要被用作输入样本的参照样本分组并且选择相似性指标SI的目标输出结果被训练。在训练步骤期间，输入数据被应用到输入端口IP1-IPN，在第一网络模块800的输出端口OP1处的当前指标被计算(从输入前进到输出)，并且与目标输出的差异(即差错)被评估。
接着，迭代地调整权重W0-Wn，以便最小化差错。一旦差错足够低，第一神经网络模块800就能够为每个接收到的输入提供正确的输出。如果第一神经网络模块800具有隐蔽层801，则称为“反向传播”的算法可以被用来执行训练。这个算法通过从输出结果开始并朝输入层前进来调整权重W0-Wn，并且对于大型神经网络而言，实现起来相当繁重。如果没有隐藏层存在，则训练算法相当简单并且快捷(即，Hebb规则、Delta规则或其它规则)。在这两种情况下，训练都可在软件中完成，并且一旦权重W0-Wn的结果值可用，它们就在硬件模块中被下载。这避免了训练电路的硬件实现。
根据第二个例子(在图7b中示出)，第一神经网络模块800被实现为感知器。感知器是具有单个神经节点的神经网络，因此图7b的第一神经网络模块800类似于在图5,b)中所示的第一实施例，但是它不包括任何隐藏层：输入端口IP1-IPN直接连接到输出神经节点ON1。特别地，神经网络模块800是采用线性激活函数或分段线性激活函数的感知器。作为例子，分段线性激活函数803是阶跃激活函数并且权重W0-Wn是1位系数。据观察，具有线性激活函数的感知器是ADALINE网络(自适应线性神经元)的特例。ADALINE网络是单层神经网络。
触发器模块78优选地由第二个例子的第一神经网络模块800实现(如图7b中所示)。特别地，触发器模块78的第一神经网络模块800在硬件中实现并且权重在硬件中被实现为固定系数W0-Wn。图7b中所示的第二个例子的训练过程比图6b中所示的第一个例子的训练过程更容易并且需要更少的存储器容量。例如，脉冲波形PWs的每个样本SWi可以由1至8位的整数表示。特别地，Hebb规则或Delta规则可以被用来执行训练过程。
这允许对存储权重的存储器和计算需求的极大降低。当用于触发目的时，与完全MLP相比，优选例带来相当大的优势。由于ANN必须借由逻辑电路在硬件中实现，以便处理在这些应用中常用的高采样率(100至200MHz)，因此简化电路的可用性是至关重要的。
现在参考选择和处理模块700(图1和4)，它包括如下模块/设备：与采集和分析设备300交换数据/命令的收发器701(TR)、另一处理单元702(PU)、存储器模块703(M)、显示器和接口设备704(DYS)(诸如键盘和/或触摸屏)。而且，选择和处理模块700包括至少第二神经网络模块900，该神经网络模块900特别地被配置为实现：放电信号噪声滤波和/或放电信号分类。
选择和处理模块700还允许接收多个数字样本DS连同接收自采集和分析设备300的定时信息，并且产生相位解析模式，在相位解析模式中，任何数字样本DS都与和供给电磁信号Ssup适当同步的相位相关联。作为例子，处理模块700允许显示这个相位解析模式，其中每个脉冲的最大振幅相对于对应的相位值被绘制，和/或脉冲波形的样本相对于时间被显示。
根据例子，第二神经网络模块900可以与参考图6、7和8所描述的第一神经网络模块800相同或类似。特别地，放电信号噪声滤波和放电信号分类可以由两个相应的神经网络模块实现，每个模块都类似于第二神经网络模块900，或者第二神经网络模块900可以既用于实现放电信号噪声滤波又用于实现放电信号分类。优选地，第二神经网络模块900是软件模块并且特别地类似于图5b中所示的第一神经网络模块800并且包括隐藏层801。作为例子，对于噪声滤波和放电信号分类，脉冲波形PWS的每个样本SWi可以由1至8位的整数表示并且系数W0-Wn可以具有固定点数表示(例如，16位表示)或浮点数表示(例如，32位表示)。
图8示出了说明由第一神经网络模块800或者由第二神经网络模块900在实现以上列出的判别标准之一时可采用的处理方法1100的例子的流程图。处理方法1100包括设置步骤1000，其中以下标准中的第一判别标准被设置：放电信号采集、放电信号噪声滤波、放电信号分类。设置步骤1000可以由包括在采集和分析设备300中和/或选择处理模块700中的对应设置模块(诸如软件模块)执行。处理方法1100还包括参照选择步骤1001(REF-SEL)，其中至少一个参照脉冲RF根据要实现的具体判别标准被选择。特别地，选择参照脉冲RF集合。参照脉冲RF可由用户采用包括在采集和分析设备中300和/或选择处理模块700中的对应参照选择模块(诸如软件部件)来手动选择。
这个参照脉冲RF集合可以被专门设计(合成)，如将参考触发器模块78的操作进一步描述的。参考噪声滤波判别或分类标准，该参照脉冲RF集合可在存储在选择处理模块700的存储器703中的相位解析模式(即，多个脉冲波形)中进行选择，如由图8中的检索步骤1002(RF-RETR)表示的。每个参照脉冲RF可以是已经采集的数字样本DS分组中对应于展现一些具体属性的脉冲波形的一个数字样本，其中具体属性诸如相位解析模式中的位置、某个脉冲特征值的具体范围、时间戳或其它参数。特别地，参照脉冲RF可以是位于相位解析模式的具体区域中的脉冲，该具体区域具有离相位解析模式中由用户指向的点的短向量距离。这种方法可以产生令人满意的结果，因为通常在相位解析模式的同一区域内找出的脉冲源自相同的物理现象并且因此具有相似的形状。必须指出的是，类似脉冲中的参照脉冲RF的选择不是特别关键的，因为相似性关系是可传递的。
优选地，处理方法1000包括波形规格化步骤1003(WAV-NORM)和峰值对准步骤1004(PK-ALGN)。在波形规格化步骤1003中，每个脉冲波形PWS的每个样本除以波形绝对最大值。峰值对准步骤1004通过沿输入端口IP1-IPN向后或向前移位波形样本来执行，使得每个脉冲波形的每个峰值样本都被提供到多个输入端口IP1-IPN中选定的输入端口，以便对准所有处理过的脉冲波形的最大值的位置。波形规格化步骤1003(WAV-NORM)和峰值对准步骤1004(PK-ALGN)可以由在处理单元74和/或另一处理单元702的控制之下运行的对应计算模块(诸如软件部件)来实现。
波形规格化步骤1003和峰值对准步骤1004允许消除波形中由于缩放和时间偏移造成的两个非本质的差异，因此需要第一神经网络模块800和第二神经网络模块900的较不复杂的体系结构来执行处理。
处理方法1100包括训练步骤1005(TRN)，其中，第一神经网络模块800或第二神经网络模块900采用对应于选定的参照脉冲RF集合和反例波形集合的训练输入数据被训练。反例波形可以是专门设计(合成)的脉冲波形，或者可以是已经采集的数字样本DS分组的对应于位于用户选择参照脉冲RF集合而选择的相位解析模式的区域之外的脉冲波形的数字样本。训练步骤1005是通过在输入端口IP1-IPN上提供训练输入数据、在输出端口OP1上计算结果并且关于相似性指标SI的目标值计算差错来执行的。接着，权重W0-Wn被迭代地调整，以便最小化差错。在训练步骤1005中，当参照脉冲RF之一被用作训练输入数据时，目标值被设置为1，当反例之一被用作训练输入数据时，目标值被设置为0。训练步骤1005可以由训练模块(诸如在采集和分析设备300中和/或选择处理模块700中提供的软件部件)管理。据观察，当第一神经网络模块800或第二神经网络模块900由感知器(图7b)实现并且采用单个参照脉冲RF时，训练步骤1005可以通过选择每个权重W0-Wn等于对应于所采用的参照脉冲RF的样本分组的值来执行。还应当指出，在这种情况下，图7b的感知器通过执行互相关比较来操作。训练步骤1005利用从波形规格化步骤1003和峰值对准步骤1004得到的样本来执行。
在计算步骤1006(COMP)中，第一神经网络模块800或第二神经网络模块900在供给步骤1007(PLS-SUPPL)中被馈送对应于要处理的脉冲波形的多个数字样本。参考采集标准，脉冲波形包括在放大输出信号Saout中。如果执行噪声滤波过程，则脉冲波形是由触发器模块78采集并且被发送到处理模块700的数字样本DS。在执行分类过程时，提供给输入端口IP1-IPN的脉冲波形是对应于在应用噪声滤波过程时选择的脉冲波形的样本。计算步骤1006利用根据波形规格化步骤1003和峰值对准步骤1004被处理的样本来执行。
基于由第一神经网络模块800或第二神经网络模块900获得的相似性指标SI的值，脉冲波形可以被拒绝(拒绝步骤1008，REJ)或者可以被选择并记忆(记忆步骤1009，MEM)。但是，被拒绝的脉冲波形可以被记忆，以便执行进一步的分析。如果处理方法1100实现放电信号采集标准或噪声滤波标准，则在记忆步骤1009中选择的脉冲波形可以被存储在存储器703中。
实现处理方法1100的特定实施例的局部放电采集系统500的操作的例子在下文进行描述。
在操作中(图1)，天线1拾取放电信号Sd、噪声信号Sn和供给电磁信号Ssup并且生成接收电信号Sin1。接收电信号Sin1被放电处理模块600滤波，因此减少在频率范围0.1MHz至100MHz外部的成分并且产生要馈送到采集和分析设备300的输出放电信号Sd-out。接收电信号Sin1或者由同步传感器13拾取的信号被传送到第二输入端子11，以形成第一同步电信号Ssyn1，该电信号进入同步处理模块200。同步处理模块200放大并滤波第一同步电信号Ssyn1，因此产生提供给采集和分析设备300的第二同步电信号Ssyn2。
参考采集和分析设备300的操作，控制模块73执行配置步骤和采集步骤。在配置步骤中，确立采集参数，诸如宽带可编程放大器71的增益、以及触发器逻辑模块78的第一网络模块800的训练和初始化。触发器逻辑模块78的训练是通过首先考虑合成的原型脉冲(即，专门设计并特征化所有期望特性的脉冲形状)作为参考脉冲来执行的。这种合成的原型脉冲随后可以被选自已经采集的多个放电信号中的一个或多个参照脉冲RF替换。
在采集步骤中，处理单元74、触发器逻辑模块78和地址生成模块79管理对应于放大输出信号Saout的数据在存储器75中的存储。当实现处理方法110的触发器模块78借由神经网络模块800在输出端口OP1检测到指示特定脉冲波形满足采集标准的相似性指标SI时，对应的波形脉冲以多个数字样本DS的形式被采集(即，存储在存储器75中)并且停止进一步数据的采集。据观察，进入触发器逻辑模块78的放大输出信号Saout可以是持续样本流而不是固定样本集合。在这种情况下，如在图7b中由箭头DST表示的，通过移位每个样本通过输入端口IP1-IPN(就像在移位寄存器中)，放大输出信号Saout被供给到第一神经网络模块800：当有效脉冲PWS处于正确的位置时，相似性输出端口OP1产生具有值1的相似性指标，从而发信令通知触发器。
处理单元74收集来自同步逻辑模块76和定时模块87的定时信息，并将存储在存储器75中的多个数字样本DS连同对应的定时信息发送到选择处理模块700。
选择处理模块700接收多个数字样本DS和定时信息，并且借由第二神经网络模块900，通过实现处理方法1100来执行多个数字数据DS的放电信号噪声滤波。为了执行放电信号噪声滤波，第二神经网络模块900之前已经利用代表参照局部放电脉冲波形的对应的参照样本分组进行了训练。第二神经网络模块900产生假定值1或0的相似性指标SI，从而分别指示特定的脉冲可以被认为是局部放电脉冲还是被认为是噪声脉冲。基于由第二神经网络模块900实现的放电信号噪声滤波，选择处理模块700存储或显示多个滤波后的数字样本，这些数字样本展现作为判别标准的结果的肯定相似性指标。
第二神经网络模块900或其它神经网络模块，被用来通过应用处理方法1100来实现关于放电信号分类的判别标准。为了执行放电信号分类，第二神经网络模块900之前利用代表属于预定类的另一参照局部放电脉冲波形的另一参考样本分组进行训练。第二神经网络模块900产生假定值1或0的相似性指标，从而分别指示特定的脉冲可以被认为属于该预定类还是必须被认为不包括在这个类中。相同的第二神经网络模块900可以被用来分组属于另一类或子类的脉冲。
如对于上述描述清楚的，利用被训练为计算相似性指标的神经网络模块，局部放电信号处理方法1100可以通过改变在训练步骤中采用的参照脉冲而被用于不同的判别标准(诸如：脉冲采集、脉冲噪声滤波和脉冲分类)。所描述方法的这种灵活性是利用展现与便携式和非便携式检测装置都兼容的计算难度的不复杂的结构来实现的，从而允许在不同环境中使用所描述的局部放电采集系统。

Claims (19)

1.一种局部放电信号处理方法(1100)，包括：
设置(1000)以下标准当中的第一判别标准：局部放电信号的采集、噪声滤波、分类；
提供(1002)与检测到的局部放电波形信号关联的多个脉冲波形；
根据第一标准定义(1001)至少一个第一参照脉冲波形(RF)；
提供神经网络模块(800；900)，所述神经网络模块(800；900)具有被配置为提供相似性指标的单个输出端口(OP1)；
通过提供所述至少一个第一参照脉冲波形的参照样本分组到所述神经网络模块(800；900)来执行所述神经网络模块(800；900)的第一训练(1005)，以产生选择性地假定第一个值和第二个值的所述相似性指标，所述第一个值和第二个值分别代表输入脉冲波形与所述至少一个第一参照脉冲波形(RF)的相似性/不相似性；
通过提供所述多个脉冲波形的第一样本分组到神经网络模块来比较(1006)所述多个脉冲波形与所述至少一个第一参照脉冲波形，以在所述单个输出端口处获得第一相似性指标结果；
基于所获得的第一相似性指标结果并且基于所述第一判别标准，记忆/拒绝(1008；1009)每个经比较的脉冲波形。
2.如权利要求1所述的处理方法，还包括：
在局部放电信号的采集、噪声滤波、分类中，设置与第一标准不同的第二判别标准；
根据第二标准定义至少一个第二参照脉冲波形；
基于所述至少一个第二参照脉冲波形的另外的参照样本分组来执行所述神经网络模块的第二训练，以产生选择性地假定所述第一个值和所述第二个值的相似性指标，所述第一个值和所述第二个值分别代表另一输入脉冲波形与所述至少一个第二参照脉冲波形(RF)的相似性/不相似性；
通过提供所述多个脉冲波形中的至少一部分的第二样本分组到神经网络模块来比较(1006)所述多个脉冲波形的至少部分与所述至少一个第二参照脉冲波形，以获得第二相似性指标结果；
基于所获得的第二相似性指标结果并且基于第二判别标准，记忆/拒绝(1008；1009)每个经比较的脉冲波形。
3.如权利要求1所述的处理方法，其中神经网络模块被配置为实现一分组中所包括的激活函数，该分组包括：非线性函数、梯状函数、Sigmoid函数、身份函数、Tangtoid函数、阶跃函数、符号函数、分段线性函数。
4.如权利要求1所述的处理方法，其中神经网络模块(800；900)包括：
多个输入端口(IP1-IPN)，每个输入端口被配置为接收与所述多个脉冲波形中的脉冲关联的数字样本；
具有关联的多个权重(W0-Wn)的至少一个神经节点(ON1，HN1-HNH)，并且
其中，被配置为提供所述相似性指标的所述单个输出端口(OP1)连接到作为输出神经节点(ON1)的神经节点。
5.如权利要求4所述的处理方法，其中所述神经网络模块具有多层感知器的结构并且包括具有多个隐藏神经节点(HN1-HNH)的隐藏层(801)，所述多个隐藏神经节点具有连接到所述多个输入端口(IP1-IPN)的输入。
6.如权利要求5所述的处理方法，其中所述神经网络模块(800；900)包括具有连接到输出神经节点(OPN1)的输出的单个隐藏层(801)。
7.如权利要求5所述的处理方法，其中第一判别标准是以下之一：放电信号噪声滤波、放电信号分类。
8.如权利要求7所述的处理方法，其中包括单个隐藏层(801)的所述神经网络模块(800；900)是软件模块。
9.如权利要求4所述的处理方法，其中神经网络模块(800；900)具有感知器的结构并且包括连接在输入端口(IP1-IPN)和所述单个输出端口(OP1)之间的单个神经节点(ON1)。
10.如权利要求9所述的处理方法，其中所述感知器被用来实现放电信号采集标准。
11.如权利要求10所述的处理方法，其中所述神经网络模块(800；900)是硬件模块。
12.如权利要求2所述的处理方法，其中所述第一判别标准和第二判别标准是放电信号噪声滤波和放电信号分类。
13.如权利要求4所述的处理方法，其中执行第一训练包括：
通过向神经网络模块提供反例，计算所述多个权重(W0-Wn)的多个权重值，对于这些反例，请求代表不相似性结果的所述第二个值。
14.如权利要求4所述的处理方法，其中：
所述第一样本分组包括多个样本分组，每个样本分组代表所述多个脉冲波形中的脉冲波形；并且其中
比较(1006)所述多个脉冲波形与所述至少一个第一参照脉冲波形包括：
将每个样本分组提供给所述多个输入端口(IP1-IPN)；
为每个样本分组获得相似性指标值。
15.如权利要求14所述的处理方法，其中在将每个样本分组提供给所述多个输入端口(IP1-IPN)之前，该方法还包括：
执行波形规格化(1003)，其中样本分组中的每个样本除以波形绝对最大值；
执行峰值对准(1004)，使得每个样本分组中的每个峰值样本被提供给所述多个输入端口(IP1-IPN)中的选定的输入端口。
16.如权利要求1所述的处理方法，其中定义(1001)至少第一参照脉冲波形(RF)包括：
根据第一标准合成至少第一参照脉冲波形。
17.如权利要求1所述的处理方法，其中定义(1001)第一参照脉冲波形(RF)包括：
从所述多个脉冲波形中选择至少第一参照脉冲波形。
18.如权利要求1所述的处理方法，还包括：
检测与电气部件(100)的局部放电关联的所述局部放电波形信号(Sd)；
检测由与电气对象的操作关联的交流电电压生成的同步电磁信号(Sup)；
将所述局部放电波形信号同步到所述同步电磁信号(Sup)。
19.一种局部放电信号处理系统(500)，包括：
检测设备(1，2，3，600)，被结构化为检测与检测到的局部放电波形信号关联的多个脉冲波形；
处理模块(300；700)，连接到检测设备并且包括：
神经网络模块(800；900)，包括：
输入模块(IP1-IPN)，用于接收所述多个脉冲波形的输入脉冲波形；
比较模块(801；ON1)，连接到输入模块(IP1-IPN)并且被结构化为比较参照脉冲波形(RF)与输入脉冲波形；及
单个输出端口(OP1)，连接到比较模块(801；ON1)并且被结构化为提供选择性地假定输入脉冲波形与参照脉冲波形(RF)的相似性/不相似性的第一个值或第二个值的相似性指标(SI)，所述第一个值或第二个值分别代表检测到的脉冲波形的性质，
其中所述处理模块(300；700)包括：
设置模块(1000)，被结构化为设置选自以下之中的判别标准：放电信号采集、放电信号噪声滤波、放电信号分类；及
参照选择模块(1001)，连接到设置模块(1000)并且被结构化为根据选定的判别标准选择参照脉冲波形(RF)。
CN201380076458.9A 2013-05-10 2013-05-10 采用神经网络的局部放电信号处理方法及装置 Active CN105210088B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/EP2013/059715 WO2014180508A1 (en) 2013-05-10 2013-05-10 Partial discharge signal processing method and apparatus employing neural network

Publications (2)

Publication Number Publication Date
CN105210088A CN105210088A (zh) 2015-12-30
CN105210088B true CN105210088B (zh) 2018-07-13

Family

ID=48485139

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201380076458.9A Active CN105210088B (zh) 2013-05-10 2013-05-10 采用神经网络的局部放电信号处理方法及装置

Country Status (10)

Country Link
US (1) US10408873B2 (zh)
EP (1) EP2994856B1 (zh)
CN (1) CN105210088B (zh)
AR (1) AR096219A1 (zh)
AU (1) AU2013389280B2 (zh)
BR (1) BR112015028010B1 (zh)
CA (1) CA2909903C (zh)
DK (1) DK2994856T3 (zh)
ES (1) ES2760617T3 (zh)
WO (1) WO2014180508A1 (zh)

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
BR112016026330B1 (pt) * 2014-05-16 2022-01-04 Prysmian S.P.A. Dispositivo de detecção de descarga parcial, e, método para adquirir sinais de descarga parcial
KR101787901B1 (ko) * 2016-06-14 2017-11-15 엘에스산전 주식회사 전력설비 진단장치
US11055615B2 (en) * 2016-12-07 2021-07-06 Arilou Information Security Technologies Ltd. System and method for using signal waveform analysis for detecting a change in a wired network
CN109073704A (zh) * 2017-03-02 2018-12-21 罗斯蒙特公司 用于局部放电的趋势函数
CN107192929B (zh) * 2017-06-21 2023-11-03 贵州电网有限责任公司电力科学研究院 用于特高频监测系统校验的gis局放信号源系统及使用方法
CN107942210A (zh) * 2017-11-14 2018-04-20 国网上海市电力公司 变压器脉冲电流局部放电波形的分类和去噪方法及系统
JP7130542B2 (ja) * 2018-12-12 2022-09-05 株式会社日立製作所 部分放電検出装置及び部分放電検出方法
JP7282000B2 (ja) * 2019-08-30 2023-05-26 株式会社日立製作所 部分放電判定装置及び方法
US11313895B2 (en) 2019-09-24 2022-04-26 Rosemount Inc. Antenna connectivity with shielded twisted pair cable
CN110768661B (zh) * 2019-10-21 2022-10-28 中国科学技术大学 一种基于神经网络的锁相放大器
IT202000004303A1 (it) * 2020-03-02 2021-09-02 St Microelectronics Srl Circuito per rilevare scariche parziali, dispositivo, sistema e procedimento corrispondenti
CN111985528B (zh) * 2020-07-06 2024-04-23 国网天津市电力公司 一种基于pdgan的电缆局放数据增强方法
CN112782538A (zh) * 2020-12-25 2021-05-11 深圳供电局有限公司 基于超低频电源开断信号的电缆局部放电检测方法和装置
CN112698170A (zh) * 2021-01-18 2021-04-23 上海格鲁布科技有限公司 基于时域波形的特高频局部放电检测抗干扰方法
CN112949109B (zh) * 2021-01-26 2023-04-07 西北核技术研究所 基于深度神经网络的架空线电磁脉冲传导环境的预测方法
CN113447769A (zh) * 2021-05-31 2021-09-28 华东电力试验研究院有限公司 基于二维特征参数平面的pd脉冲群手动快速提取系统
JP7412392B2 (ja) * 2021-08-06 2024-01-12 株式会社日立製作所 部分放電判定装置及び方法
CN113376494B (zh) * 2021-08-16 2021-11-09 国网江苏省电力有限公司电力科学研究院 一种电缆火情隐患潜在缺陷的检测方法
CN114167238A (zh) * 2021-12-03 2022-03-11 广东电网有限责任公司广州供电局 电缆局部放电的检测方法、装置、系统、设备及存储介质
CN114065824B (zh) * 2022-01-17 2022-04-19 陕西公众电气股份有限公司 一种对局部放电信号类型快速识别的方法
CN114777818B (zh) * 2022-03-09 2024-03-15 西门子数控（南京）有限公司 编码器的信号激励单元及编码器
CN115166453B (zh) * 2022-09-08 2023-01-24 国网智能电网研究院有限公司 基于边缘实时射频脉冲分类的局放连续监测方法及装置
CN116226647B (zh) * 2023-05-06 2023-07-28 北京云道智造科技有限公司 电力电缆局部放电模式的识别方法、装置、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1567665A (zh) * 1999-01-28 2005-01-19 株式会社日立制作所 气体绝缘装置中局部放电的诊断方法和局部放电诊断系统
CN1955749A (zh) * 2005-10-26 2007-05-02 韩国电力公社 宽带超高频局部放电信号和图形发生器
CN102221651A (zh) * 2011-03-11 2011-10-19 太原理工大学 一种矿用隔爆型干式变压器故障在线诊断及预警方法
CN102809718A (zh) * 2012-07-25 2012-12-05 华南理工大学 一种gis超高频局部放电信号识别方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2883352B2 (ja) 1989-05-10 1999-04-19 一幸 合原 部分放電検出方法
JP2877347B2 (ja) 1989-05-10 1999-03-31 一幸 合原 ケーブルの部分放電検出方法
JP3100757B2 (ja) 1992-06-02 2000-10-23 三菱電機株式会社 監視診断装置
JP3107357B2 (ja) 1995-06-12 2000-11-06 日立電線株式会社 部分放電判別法
FR2855878B1 (fr) * 2003-06-05 2005-08-05 Alstom Methode de detection de decharges partielles et systeme de diagnostic pour appareil electrique
ITRM20080304A1 (it) 2008-06-11 2009-12-12 Univ Palermo Dispositivo portatile per la rilevazione di scariche parziali

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1567665A (zh) * 1999-01-28 2005-01-19 株式会社日立制作所 气体绝缘装置中局部放电的诊断方法和局部放电诊断系统
CN1955749A (zh) * 2005-10-26 2007-05-02 韩国电力公社 宽带超高频局部放电信号和图形发生器
CN102221651A (zh) * 2011-03-11 2011-10-19 太原理工大学 一种矿用隔爆型干式变压器故障在线诊断及预警方法
CN102809718A (zh) * 2012-07-25 2012-12-05 华南理工大学 一种gis超高频局部放电信号识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《Development of Partial Discharge Monitoring Technique Using a Neural Network in a Gas Insulated Substation》;I.Oki;《IEEE TRANSACTIONS ON POWER SYSTEMS 》;19770501;第12卷(第2期);第1014-1021页 *

Also Published As

Publication number Publication date
CA2909903C (en) 2020-11-24
US10408873B2 (en) 2019-09-10
DK2994856T3 (da) 2019-12-09
EP2994856B1 (en) 2019-09-11
EP2994856A1 (en) 2016-03-16
WO2014180508A1 (en) 2014-11-13
BR112015028010B1 (pt) 2022-07-19
CA2909903A1 (en) 2014-11-13
US20160116520A1 (en) 2016-04-28
ES2760617T3 (es) 2020-05-14
AU2013389280A1 (en) 2015-10-29
AR096219A1 (es) 2015-12-16
BR112015028010A2 (zh) 2017-09-05
CN105210088A (zh) 2015-12-30
AU2013389280B2 (en) 2019-11-21

Similar Documents

Publication Publication Date Title
CN105210088B (zh) 采用神经网络的局部放电信号处理方法及装置
Hao et al. Partial discharge source discrimination using a support vector machine
CN106896306B (zh) 一种gis振荡冲击耐压试验用信号去噪方法
EP3699614B1 (en) Method and system of partial discharge recognition for diagnosing electrical networks
Gaing Wavelet-based neural network for power disturbance recognition and classification
Evagorou et al. Feature extraction of partial discharge signals using the wavelet packet transform and classification with a probabilistic neural network
CN108573225A (zh) 一种局部放电信号模式识别方法及系统
Peng et al. Rough set theory applied to pattern recognition of Partial Discharge in noise affected cable data
Chen et al. A novel extension neural network based partial discharge pattern recognition method for high-voltage power apparatus
CN111679166A (zh) 基于无线传输技术的开关柜局部放电故障多源信息融合检测预警系统及方法
CN112716474A (zh) 基于生物微波雷达的非接触式睡眠状态监测方法和系统
CN107942210A (zh) 变压器脉冲电流局部放电波形的分类和去噪方法及系统
CN108693448B (zh) 一种应用于电力设备局部放电模式识别系统
CN109799434A (zh) 局部放电模式识别系统及方法
CN106503612A (zh) 基于压缩感知理论的直流电缆局部放电信号模式识别方法及系统
Swetapadma et al. A novel relaying scheme using long short term memory for bipolar high voltage direct current transmission lines
CN115797772A (zh) 一种架空输电线路覆冰厚度分类预警方法及系统
Wen et al. [Retracted] Multimodal Sensor Motion Intention Recognition Based on Three‐Dimensional Convolutional Neural Network Algorithm
Uckol et al. Identification of corona discharges based on wavelet scalogram images with deep convolutional neural networks
CN105559771A (zh) 一种心电信号质量检测的方法及装置
CN112101298B (zh) 基于肌肉电阻抗信号的手势识别系统及方法
Li et al. Detection of frequency-hopping signals based on deep neural networks
Das et al. A Novel Deep-Learning Framework to Identify and Locate Single and Multiple Partial Discharge Events
Aslan et al. ANN based fault location for medium voltage distribution lines with remote-end source
CN108153414B (zh) 稳态视觉诱发电位信号的识别方法、系统及装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant