CN106872867A - 电力设备局部放电故障的识别方法、装置及系统 - Google Patents

Abstract

本发明公开了一种电力设备局部放电故障的识别方法、装置及系统。其中，该方法包括：获取电力设备的放电信号；将电力设备的放电信号输入至并行识别模型中，得到多个并行识别结果，其中，并行识别模型部署在多个子节点上；对多个并行识别结果进行汇总，得到故障识别结果。本发明解决了现有技术中的电力设备局部放电故障的识别方案为单机识别，无法满足大量数据的局部放电故障的识别的技术问题。

Description

电力设备局部放电故障的识别方法、装置及系统

技术领域

本发明涉及高压电力设备局部放电故障识别领域，具体而言，涉及一种电力设备局部放电故障的识别方法、装置及系统。

背景技术

局部放电是绝缘介质中由于局部缺陷而造成的非贯穿性放电现象，高压电力设备在制造和运行过程中产生的局部缺陷(如气泡、裂缝、悬浮金属颗粒和电极毛刺等)会导致电力设备在一定运行状态下发生局部放电故障。局部放电是变压器、GIS、电缆等电力设备长期运行中绝缘裂化的一个重要征兆。如果设备局部放电故障一直未被发现和处理最终可能导致电力设备发生灾难性的故障。局部放电检测能有效的反映变压器内部的绝缘故障，并可以根据放电统计谱图判别放电种类，对突发性故障的早期发现十分有效。

要准确掌握高压电力设备的缺陷情况，及时安排检修维护，最有效的方法是对获得的局部放电信号进行放电故障模式识别，大量的研究表明，不同的放电模式对绝缘的危害程度不同。因此，高压电力设备的局部放电检测及其放电故障模式识别对电力设备的安全可靠运行掌握其绝缘状况及指导检修工作有着十分重要的意义。

现阶段故障模式识别仍然处于单机识别阶段，局部放电数据采集设备采集放电信号，在本地上位机运行诊断程序，识别故障类别；但随着电网的信息化和智能化，单机运行的诊断程序无法满足多采集点大量数据的放电故障模式识别工作，更无法满足全国更多采集点的海量数据的及时分析和诊断。

针对现有技术中的电力设备局部放电故障的识别方案为单机识别，无法满足大量数据的局部放电故障的识别的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种电力设备局部放电故障的识别方法、装置及系统，以至少解决现有技术中的电力设备局部放电故障的识别方案为单机识别，无法满足大量数据的局部放电故障的识别的技术问题。

根据本发明实施例的一个方面，提供了一种电力设备局部放电故障的识别方法，包括：获取电力设备的放电信号；将电力设备的放电信号输入至并行识别模型中，得到多个并行识别结果，其中，并行识别模型部署在多个子节点上；对多个并行识别结果进行汇总，得到故障识别结果。

进一步地，在将电力设备的放电信号输入至并行识别模型中，得到多个并行识别结果之前，上述方法还包括：基于预设分类算法，在多个子节点上建立预设网络模型；获取电力设备的放电测试信号，生成训练样本；基于训练样本对预设网络模型进行训练，生成并行识别模型。

进一步地，基于预设分类算法，在多个子节点上建立预设网络模型包括：获取样本特征量；基于预设分类算法和样本特征量，建立预设网络模型，其中，预设网络模型包括：多个层级，每个层级包括：多个处理单元；对每个层级包含的多个处理单元进行划分，得到多组子处理单元，其中，多组子处理单元之间通过权值连接；将多组子处理单元分配至多个子节点，得到预设网络模型。

进一步地，基于预设分类算法，在多个子节点上建立预设网络模型包括：获取样本特征量；基于预设分类算法和样本特征量，在每个子节点上建立一个预设网络模型。

进一步地，基于训练样本对预设网络模型进行训练，生成并行识别模型包括：对训练样本进行划分，得到多组子训练样本；根据每组子训练样本对每个子节点上建立的预设网络模型进行训练，生成并行识别模型。

进一步地，获取样本特征量包括：获取每种故障类型的放电信号统计特征；根据每种故障类型的放电信号特征，生成样本特征量。

根据本发明实施例的另一方面，还提供了一种电力设备局部放电故障的识别装置，包括：第一获取单元，用于获取电力设备的放电信号；处理单元，用于将电力设备的放电信号输入至并行识别模型中，得到多个并行识别结果，其中，并行识别模型部署在多个子节点上；汇总单元，用于对多个并行识别结果进行汇总，得到故障识别结果。

进一步地，上述装置还包括：建立单元，用于基于预设分类算法，在多个子节点上建立预设网络模型；第二获取单元，用于获取电力设备的放电测试信号，生成训练样本；训练单元，用于基于训练样本对预设网络模型进行训练，生成并行识别模型。

进一步地，建立单元包括：获取模块，用于获取样本特征量；第一建立模块，用于基于预设分类算法和样本特征量，建立预设网络模型，其中，预设网络模型包括：多个层级，每个层级包括：多个处理单元；第一划分模块，用于对每个层级包含的多个处理单元进行划分，得到多组子处理单元，其中，多组子处理单元之间通过权值连接；分配模块，用于将多组子处理单元分配至多个子节点，得到预设网络模型。

进一步地，建立单元包括：获取模块，用于获取样本特征量；第二建立模块，用于基于预设分类算法和样本特征量，在每个子节点上建立一个预设网络模型。

进一步地，训练单元包括：第二划分模块，用于对训练样本进行划分，得到多组子训练样本；训练模块，用于根据每组子训练样本对每个子节点上建立的预设网络模型进行训练，生成并行识别模型。

进一步地，获取模块包括：获取子模块，用于获取每种故障类型的放电信号统计特征；生成子模块，用于根据每种故障类型的放电信号特征，生成样本特征量。

根据本发明实施例的另一方面，还提供了一种电力设备局部放电故障的识别系统，包括：主节点，用于获取电力设备的放电信号；多个子节点，与主节点连接，多个子节点上部署有并行识别模型，用于将电力设备的放电信号输入至并行识别模型中，得到多个并行识别结果；主节点还用于对多个并行识别结果进行汇总，得到故障识别结果。

在本发明实施例中，获取电力设备的放电信号，将电力设备的放电信号输入至并行识别模型中，得到多个并行识别结果，对多个并行识别结果进行汇总，得到故障识别结果。容易注意到的是，由于并行识别模型部署在多个子节点上，多个子节点可以并行对放电信号进行识别处理，得到多个并行识别结果，并通过对多个并行识别结果进行汇总，从而得到最终的故障识别结果，相比于现有技术中的单机识别，多机并行处理可以满足大量放电信号的及时分析和诊断，解决了现有技术中的电力设备局部放电故障的识别方案为单机识别，无法满足大量数据的局部放电故障的识别的技术问题。因此，通过本发明上述实施例确定的技术方案，可以达到提高识别能力和识别速度，提升电网智能化的技术效果。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种电力设备局部放电故障的识别方法的流程图；

图2是根据本发明实施例的一种可选的结构并行的并行识别模型的示意图；

图3是根据本发明实施例的一种可选的数据并行的并行识别模型的示意图；

图4是根据本发明实施例的一种可选的电力设备局部放电故障的识别方法的流程图；

图5是根据本发明实施例的一种电力设备局部放电故障的识别装置的示意图；以及

图6是根据本发明实施例的一种电力设备局部放电故障的识别系统的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

根据本发明实施例，提供了一种电力设备局部放电故障的识别方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的一种电力设备局部放电故障的识别方法的流程图，如图1所示，该方法包括如下步骤：

步骤S102，获取电力设备的放电信号。

具体地，上述的放电信号可以是电力设备由于发生局部放电故障，实际检测到的放电信号。

步骤S104，将电力设备的放电信号输入至并行识别模型中，得到多个并行识别结果，其中，并行识别模型部署在多个子节点上。

具体地，在一个服务器集群中，可以指定一个服务器作为主节点，剩下的多个服务器作为子节点，子节点听从主节点的任务分配和调度。例如，以4台服务器为例进行说明，4台服务器组成的服务器集群中有一个主节点和三个子节点。上述的并行识别模型用于并行对放电信号的故障类型进行识别。

步骤S106，对多个并行识别结果进行汇总，得到故障识别结果。

具体地，上述的故障识别结果可以是电力设备对应的故障类型。

在一种可选的方案中，主节点可以获取到实际检测到的放电信号，并对获取到的放电信号分配给多个子节点，每个子节点通过部署在该子节点上的并行识别波形，对主节点分配的放电信号进行识别，得到并行识别结果，多个子节点将各自得到的并行识别结果反馈至主节点，有主节点进行汇总，得到故障识别结果，即确定实际检测到的放电信号对应的故障类型。

例如，以4台服务器组成的服务器集群为例对上述实施例进行详细说明，服务器集群包括服务器1、服务器2、服务器3和服务器4，将服务器1作为主节点，服务器2、服务器3和服务器4作为子节点，并在服务器2、服务器3和服务器4上预先部署并行识别模型，服务器1在接收到电力设备的放电信号之后，可以建立任务分配给服务器2、服务器3和服务器4，服务器2、服务器3和服务器4将接收到的放电信号输入至并行识别模型，由三个服务器并行识别，得到三个并行识别结果，服务器1将三个服务器反馈的三个并行识别结果进行汇总分析，得到放电信号对应的故障类型。

根据本发明上述实施例，获取电力设备的放电信号，将电力设备的放电信号输入至并行识别模型中，得到多个并行识别结果，对多个并行识别结果进行汇总，得到故障识别结果。容易注意到的是，由于并行识别模型部署在多个子节点上，多个子节点可以并行对放电信号进行识别处理，得到多个并行识别结果，并通过对多个并行识别结果进行汇总，从而得到最终的故障识别结果，相比于现有技术中的单机识别，多机并行处理可以满足大量放电信号的及时分析和诊断，解决了现有技术中的电力设备局部放电故障的识别方案为单机识别，无法满足大量数据的局部放电故障的识别的技术问题。因此，通过本发明上述实施例确定的技术方案，可以达到提高识别能力和识别速度，提升电网智能化的技术效果。

可选地，在本发明上述实施例中，在步骤S104，将电力设备的放电信号输入至并行识别模型中，得到多个并行识别结果之前，该方法还包括：

步骤S108，基于预设分类算法，在多个子节点上建立预设网络模型。

具体地，上述的预设分类算法可以是人工神经网络、BP神经网络、支持向量机等，本发明对此不做限定，在本发明实施例中，以人工神经网络为例进行说明。

步骤S110，获取电力设备的放电测试信号，生成训练样本。

具体地，上述的放电测试信号可以是实验室中对电力设备设置不同放电故障，从而检测到的放电信号，每个信号对应有一个已知的故障类型。

步骤S112，基于训练样本对预设网络模型进行训练，生成并行识别模型。

在一种可选的方案中，以人工神经网络为例对本发明上述实施例进行详细说明，可以预先设置电力设备的每一种放电缺陷，并采集每一种放电缺陷对应的放电信号，将对应的故障类型进行标记，作为训练样本，可以使用人工神经网络算法作为分类器，在多个子节点上建立区分每一类放电故障的人工神经网络模型，输入训练样本对人工神经网络模型进行训练，从而得到并行识别模型。

需要说明的是，在多个子节点上建立并行识别模型的常用方法包括结构并行和数据并行，本发明实施例分别对上述两种方案进行详细说明。

可选地，在本发明上述实施例中，步骤S108，基于预设分类算法，在多个子节点上建立预设网络模型包括：

步骤S1081，获取样本特征量。

具体地，上述的样本特征量可以是能够反映每一类放电故障的特征量。

步骤S1082，基于预设分类算法和样本特征量，建立预设网络模型，其中，预设网络模型包括：多个层级，每个层级包括：多个处理单元。

具体地，以人工神经网络为例，人工神经网络模型可以包括三个层级，输入层、隐含层、输出层，每个层级有可以包括多个神经元。

步骤S1083，对每个层级包含的多个处理单元进行划分，得到多组子处理单元，其中，多组子处理单元之间通过权值连接。

步骤S1084，将多组子处理单元分配至多个子节点，得到预设网络模型。

在一种可选的方案中，以人工神经网络为例，可以设定获取到的样本特征量作为人工神经网络的输入，放电故障类型作为人工神经网络的输出，得到人工神经网络模型，可以横向分割人工神经网络处理单元，将人工神经网络中每一层级的神经元按照子节点的个数进行均等划分，并将各层每组神经元分配到对应的子节点中，保证每个子节点都包含有输入层、隐含层和输出层，每个子节点中的神经元通过权值相互连接。

图2是根据本发明实施例的一种可选的结构并行的并行识别模型的示意图，下面结合图2，仍以4台服务器组成的服务器集群为例对上述实施例进行详细说明，如图2所示，可以基于样本特征量建立人工神经网络，人工神经网络可以包括输入层、隐含层和输出层，每一层上包括3个神经元，可以将每一层上的3个神经元划分为3组，每组神经元分配到一个服务器中，即服务器2、服务器3和服务器4上分配的神经元数量均为1。

可选地，在本发明上述实施例中，步骤S108，基于预设分类算法，在多个子节点上建立预设网络模型包括：

步骤S1085，获取样本特征量。

步骤S1086，基于预设分类算法和样本特征量，在每个子节点上建立一个预设网络模型。

在一种可选的方案中，以人工神经网络为例，可以设定获取到的样本特征量作为人工神经网络的输入，放电故障类型作为人工神经网络的输出，在每一个子节点上建立一个人工神经网络模型，每个子节点上的人工神经网络模型均相同，即每个子节点上都含有完整的人工神经网络，但是每个子节点上的人工神经网络模型互相不关联。

图3是根据本发明实施例的一种可选的数据并行的并行识别模型的示意图，下面结合图3，仍以4台服务器组成的服务器集群为例对上述实施例进行详细说明，如图3所示，可以基于样本特征量在服务器2、服务器3和服务器4上各建立一个人工神经网络，每个人工神经网络均可以包括输入层、隐含层和输出层，每一层上包括3个神经元。

可选地，在本发明上述实施例中，步骤S112，基于训练样本对预设网络模型进行训练，生成并行识别模型包括：

步骤S1122，对训练样本进行划分，得到多组子训练样本。

步骤S1124，根据每组子训练样本对每个子节点上建立的预设网络模型进行训练，生成并行识别模型。

在一种可选的方案中，以人工神经网络为例，对于数据并行的并行识别模型，在每个子节点上建立了一个人工神经网络，多个人工神经网络构成了并行识别模型，在对多个人工神经网络进行训练的过程中，需要对训练样本进行分割，将训练样本平均分配到各个子节点上，每个子节点根据接收到的部分训练样本对人工神经网络模型进行训练，从而得到最终的并行识别模型。

可选地，在本发明上述实施例中，步骤S1081或步骤S1085，获取样本特征量包括：

步骤S10852，获取每种故障类型的放电信号统计特征。

具体地，上述的故障类型主要可以包括如下5种：尖刺、沿面、气隙、颗粒、悬浮。

步骤S10854，根据每种故障类型的放电信号特征，生成样本特征量。

在一种可选的方案中，可以预先设置电力设备的每一种放电缺陷，并采集每一种放电缺陷对应的放电信号，提取放电信号的统计特征，得到每种故障类型的放电信号统计特征，对比每种故障类型的放电信号统计特征的PRPD(局部放电相位分布，Phase ResolvedPartial Discharge的简写)和PRPS(脉冲序列相位分布，Phase Resolved Pluse Sequence的简写)谱图，得到能够反映每一类故障类型的特征量，生成样本特征量。

图4是根据本发明实施例的一种可选的电力设备局部放电故障的识别方法的流程图，下面结合图4对本发明一种优选的实施例进行详细说明，如图4所示，该方法可以包括如下步骤：

步骤S41，采集每一类缺陷对应放电的放电信号。

可选地，可以单独设置每一类缺陷，采集测量每一类缺陷对应放电的放电信号统计特征，将采集的文件对应的放电类型做好标记供训练使用；同时当使用专家系统作为诊断方法时，可作为专家系统诊断的故障库。

步骤S42，确定能反映每一类放电的样本特征量。

可选地，可以对比每类放电的放电信号统计特征PRPD和PRPS谱图，确定能反映每一类放电的样本特征量。

步骤S43，基于分类算法建立预设网络模型。

可选地，可以基于分类算法建立区分每一类放电的预设网络模型，常用的方法为结构并行和数据并行；常用的分类算法有人工神经网络、BP神经网络、支持向量机等。

步骤S44，输入训练样本训练预设网络模型，得到并行化识别模型。

步骤S45，输入放电信号，进行并行识别。

可选地，可以将实际数据输入并行诊断模型，通过主节点分配负载，模型内数据分布在各个子节点运算。

步骤S46，输出故障识别结果。

可选地，主节点可以汇总、处理子节点运算结果，输出故障类型。

通过上述步骤S41至步骤S46，提供了一种并行化的高压电气设备局部放电故障诊断方法，解决现阶段局部放电故障诊断中诊断能力有限的问题，为提高诊断效率和实现电网的智能化提供了有利的保障。并且，电网状态评价中心可根据设备运行状态及时安排检修，并协调调度人员安排潮流转移，必要时提前通知停电，避免因为设备故障导致的意外停电，提高供电的可靠性。

实施例2

根据本发明实施例，提供了一种电力设备局部放电故障的识别装置的实施例。

图5是根据本发明实施例的一种电力设备局部放电故障的识别装置的示意图，如图5所示，该装置包括：

第一获取单元51，用于获取电力设备的放电信号。

具体地，上述的放电信号可以是电力设备由于发生局部放电故障，实际检测到的放电信号。

处理单元53，用于将电力设备的放电信号输入至并行识别模型中，得到多个并行识别结果，其中，并行识别模型部署在多个子节点上。

具体地，在一个服务器集群中，可以指定一个服务器作为主节点，剩下的多个服务器作为子节点，子节点听从主节点的任务分配和调度。例如，以4台服务器为例进行说明，4台服务器组成的服务器集群中有一个主节点和三个子节点。上述的并行识别模型用于并行对放电信号的故障类型进行识别。

汇总单元55，用于对多个并行识别结果进行汇总，得到故障识别结果。

具体地，上述的故障识别结果可以是电力设备对应的故障类型。

在一种可选的方案中，主节点可以获取到实际检测到的放电信号，并对获取到的放电信号分配给多个子节点，每个子节点通过部署在该子节点上的并行识别波形，对主节点分配的放电信号进行识别，得到并行识别结果，多个子节点将各自得到的并行识别结果反馈至主节点，有主节点进行汇总，得到故障识别结果，即确定实际检测到的放电信号对应的故障类型。

例如，以4台服务器组成的服务器集群为例对上述实施例进行详细说明，服务器集群包括服务器1、服务器2、服务器3和服务器4，将服务器1作为主节点，服务器2、服务器3和服务器4作为子节点，并在服务器2、服务器3和服务器4上预先部署并行识别模型，服务器1在接收到电力设备的放电信号之后，可以建立任务分配给服务器2、服务器3和服务器4，服务器2、服务器3和服务器4将接收到的放电信号输入至并行识别模型，由三个服务器并行识别，得到三个并行识别结果，服务器1将三个服务器反馈的三个并行识别结果进行汇总分析，得到放电信号对应的故障类型。

根据本发明上述实施例，获取电力设备的放电信号，将电力设备的放电信号输入至并行识别模型中，得到多个并行识别结果，对多个并行识别结果进行汇总，得到故障识别结果。容易注意到的是，由于并行识别模型部署在多个子节点上，多个子节点可以并行对放电信号进行识别处理，得到多个并行识别结果，并通过对多个并行识别结果进行汇总，从而得到最终的故障识别结果，相比于现有技术中的单机识别，多机并行处理可以满足大量放电信号的及时分析和诊断，解决了现有技术中的电力设备局部放电故障的识别方案为单机识别，无法满足大量数据的局部放电故障的识别的技术问题。因此，通过本发明上述实施例确定的技术方案，可以达到提高识别能力和识别速度，提升电网智能化的技术效果。

可选地，在本发明上述实施例中，该装置还包括：

建立单元，用于基于预设分类算法，在多个子节点上建立预设网络模型。

具体地，上述的预设分类算法可以是人工神经网络、BP神经网络、支持向量机等，本发明对此不做限定，在本发明实施例中，以人工神经网络为例进行说明。

第二获取单元，用于获取电力设备的放电测试信号，生成训练样本。

具体地，上述的放电测试信号可以是实验室中对电力设备设置不同放电故障，从而检测到的放电信号，每个信号对应有一个已知的故障类型。

训练单元，用于基于训练样本对预设网络模型进行训练，生成并行识别模型。

在一种可选的方案中，以人工神经网络为例对本发明上述实施例进行详细说明，可以预先设置电力设备的每一种放电缺陷，并采集每一种放电缺陷对应的放电信号，将对应的故障类型进行标记，作为训练样本，可以使用人工神经网络算法作为分类器，在多个子节点上建立区分每一类放电故障的人工神经网络模型，输入训练样本对人工神经网络模型进行训练，从而得到并行识别模型。

需要说明的是，在多个子节点上建立并行识别模型的常用方法包括结构并行和数据并行，本发明实施例分别对上述两种方案进行详细说明。

可选地，在本发明上述实施例中，建立单元包括：

获取模块，用于获取样本特征量。

具体地，上述的样本特征量可以是能够反映每一类放电故障的特征量。

第一建立模块，用于基于预设分类算法和样本特征量，建立预设网络模型，其中，预设网络模型包括：多个层级，每个层级包括：多个处理单元。

具体地，以人工神经网络为例，人工神经网络模型可以包括三个层级，输入层、隐含层、输出层，每个层级有可以包括多个神经元。

第一划分模块，用于对每个层级包含的多个处理单元进行划分，得到多组子处理单元，其中，多组子处理单元之间通过权值连接。

分配模块，用于将多组子处理单元分配至多个子节点，得到预设网络模型。

在一种可选的方案中，以人工神经网络为例，可以设定获取到的样本特征量作为人工神经网络的输入，放电故障类型作为人工神经网络的输出，得到人工神经网络模型，可以横向分割人工神经网络处理单元，将人工神经网络中每一层级的神经元按照子节点的个数进行均等划分，并将各层每组神经元分配到对应的子节点中，保证每个子节点都包含有输入层、隐含层和输出层，每个子节点中的神经元通过权值相互连接。

下面结合图2，仍以4台服务器组成的服务器集群为例对上述实施例进行详细说明，如图2所示，可以基于样本特征量建立人工神经网络，人工神经网络可以包括输入层、隐含层和输出层，每一层上包括3个神经元，可以将每一层上的3个神经元划分为3组，每组神经元分配到一个服务器中，即服务器2、服务器3和服务器4上分配的神经元数量均为1。

可选地，在本发明上述实施例中，建立单元包括：

获取模块，用于获取样本特征量。

第二建立模块，用于基于预设分类算法和样本特征量，在每个子节点上建立一个预设网络模型。

在一种可选的方案中，以人工神经网络为例，可以设定获取到的样本特征量作为人工神经网络的输入，放电故障类型作为人工神经网络的输出，在每一个子节点上建立一个人工神经网络模型，每个子节点上的人工神经网络模型均相同，即每个子节点上都含有完整的人工神经网络，但是每个子节点上的人工神经网络模型互相不关联。

下面结合图3，仍以4台服务器组成的服务器集群为例对上述实施例进行详细说明，如图3所示，可以基于样本特征量在服务器2、服务器3和服务器4上各建立一个人工神经网络，每个人工神经网络均可以包括输入层、隐含层和输出层，每一层上包括3个神经元。

可选地，在本发明上述实施例中，训练单元包括：

第二划分模块，用于对训练样本进行划分，得到多组子训练样本。

训练模块，用于根据每组子训练样本对每个子节点上建立的预设网络模型进行训练，生成并行识别模型。

在一种可选的方案中，以人工神经网络为例，对于数据并行的并行识别模型，在每个子节点上建立了一个人工神经网络，多个人工神经网络构成了并行识别模型，在对多个人工神经网络进行训练的过程中，需要对训练样本进行分割，将训练样本平均分配到各个子节点上，每个子节点根据接收到的部分训练样本对人工神经网络模型进行训练，从而得到最终的并行识别模型。

可选地，在本发明上述实施例中，获取模块包括：

获取子模块，用于获取每种故障类型的放电信号统计特征。

具体地，上述的故障类型主要可以包括如下5种：尖刺、沿面、气隙、颗粒、悬浮。

生成子模块，用于根据每种故障类型的放电信号特征，生成样本特征量。

在一种可选的方案中，可以预先设置电力设备的每一种放电缺陷，并采集每一种放电缺陷对应的放电信号，提取放电信号的统计特征，得到每种故障类型的放电信号统计特征，对比每种故障类型的放电信号统计特征的PRPD(局部放电相位分布，Phase ResolvedPartial Discharge的简写)和PRPS(脉冲序列相位分布，Phase Resolved Pluse Sequence的简写)谱图，得到能够反映每一类故障类型的特征量，生成样本特征量。

实施例3

根据本发明实施例，提供了一种电力设备局部放电故障的识别系统的实施例。

图6是根据本发明实施例的一种电力设备局部放电故障的识别系统的示意图，如图6所示，该系统包括：

主节点61，用于获取电力设备的放电信号。

具体地，上述的放电信号可以是电力设备由于发生局部放电故障，实际检测到的放电信号。

多个子节点63，与主节点连接，多个子节点上部署有并行识别模型，用于将电力设备的放电信号输入至并行识别模型中，得到多个并行识别结果。

具体地，在一个服务器集群中，可以指定一个服务器作为主节点，剩下的多个服务器作为子节点，子节点听从主节点的任务分配和调度。例如，以4台服务器为例进行说明，4台服务器组成的服务器集群中有一个主节点和三个子节点。上述的并行识别模型用于并行对放电信号的故障类型进行识别。

主节点还用于对多个并行识别结果进行汇总，得到故障识别结果。

具体地，上述的故障识别结果可以是电力设备对应的故障类型。

在一种可选的方案中，主节点可以获取到实际检测到的放电信号，并对获取到的放电信号分配给多个子节点，每个子节点通过部署在该子节点上的并行识别波形，对主节点分配的放电信号进行识别，得到并行识别结果，多个子节点将各自得到的并行识别结果反馈至主节点，有主节点进行汇总，得到故障识别结果，即确定实际检测到的放电信号对应的故障类型。

例如，以4台服务器组成的服务器集群为例对上述实施例进行详细说明，服务器集群包括服务器1、服务器2、服务器3和服务器4，将服务器1作为主节点，服务器2、服务器3和服务器4作为子节点，并在服务器2、服务器3和服务器4上预先部署并行识别模型，服务器1在接收到电力设备的放电信号之后，可以建立任务分配给服务器2、服务器3和服务器4，服务器2、服务器3和服务器4将接收到的放电信号输入至并行识别模型，由三个服务器并行识别，得到三个并行识别结果，服务器1将三个服务器反馈的三个并行识别结果进行汇总分析，得到放电信号对应的故障类型。

根据本发明上述实施例，获取电力设备的放电信号，将电力设备的放电信号输入至并行识别模型中，得到多个并行识别结果，对多个并行识别结果进行汇总，得到故障识别结果。容易注意到的是，由于并行识别模型部署在多个子节点上，多个子节点可以并行对放电信号进行识别处理，得到多个并行识别结果，并通过对多个并行识别结果进行汇总，从而得到最终的故障识别结果，相比于现有技术中的单机识别，多机并行处理可以满足大量放电信号的及时分析和诊断，解决了现有技术中的电力设备局部放电故障的识别方案为单机识别，无法满足大量数据的局部放电故障的识别的技术问题。因此，通过本发明上述实施例确定的技术方案，可以达到提高识别能力和识别速度，提升电网智能化的技术效果。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、节点或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (13)

1.一种电力设备局部放电故障的识别方法，其特征在于，包括：

获取电力设备的放电信号；

将所述电力设备的放电信号输入至并行识别模型中，得到多个并行识别结果，其中，所述并行识别模型部署在多个子节点上；

对多个所述并行识别结果进行汇总，得到故障识别结果。

2.根据权利要求1所述的方法，其特征在于，在将所述电力设备的放电信号输入至并行识别模型中，得到多个并行识别结果之前，所述方法还包括：

基于预设分类算法，在多个所述子节点上建立预设网络模型；

获取所述电力设备的放电测试信号，生成训练样本；

基于所述训练样本对所述预设网络模型进行训练，生成所述并行识别模型。

3.根据权利要求2所述的方法，其特征在于，基于预设分类算法，在多个所述子节点上建立预设网络模型包括：

获取样本特征量；

基于预设分类算法和所述样本特征量，建立所述预设网络模型，其中，所述预设网络模型包括：多个层级，每个层级包括：多个处理单元；

对每个所述层级包含的多个所述处理单元进行划分，得到多组子处理单元，其中，多组所述子处理单元之间通过权值连接；

将多组所述子处理单元分配至多个所述子节点，得到所述预设网络模型。

4.根据权利要求2所述的方法，其特征在于，基于预设分类算法，在多个所述子节点上建立预设网络模型包括：

获取样本特征量；

基于预设分类算法和所述样本特征量，在每个所述子节点上建立一个所述预设网络模型。

5.根据权利要求4所述的方法，其特征在于，基于所述训练样本对所述预设网络模型进行训练，生成所述并行识别模型包括：

对所述训练样本进行划分，得到多组子训练样本；

根据每组所述子训练样本对每个所述子节点上建立的所述预设网络模型进行训练，生成所述并行识别模型。

6.根据权利要求3至5中任意一项所述的方法，其特征在于，获取样本特征量包括：

获取每种故障类型的放电信号统计特征；

根据所述每种故障类型的放电信号特征，生成所述样本特征量。

7.一种电力设备局部放电故障的识别装置，其特征在于，包括：

第一获取单元，用于获取电力设备的放电信号；

处理单元，用于将所述电力设备的放电信号输入至并行识别模型中，得到多个并行识别结果，其中，所述并行识别模型部署在多个子节点上；

汇总单元，用于对多个所述并行识别结果进行汇总，得到故障识别结果。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括：

建立单元，用于基于预设分类算法，在多个所述子节点上建立预设网络模型；

第二获取单元，用于获取所述电力设备的放电测试信号，生成训练样本；

训练单元，用于基于所述训练样本对所述预设网络模型进行训练，生成所述并行识别模型。

9.根据权利要求8所述的装置，其特征在于，所述建立单元包括：

获取模块，用于获取样本特征量；

第一建立模块，用于基于预设分类算法和所述样本特征量，建立所述预设网络模型，其中，所述预设网络模型包括：多个层级，每个层级包括：多个处理单元；

第一划分模块，用于对每个所述层级包含的多个所述处理单元进行划分，得到多组子处理单元，其中，多组所述子处理单元之间通过权值连接；

分配模块，用于将多组所述子处理单元分配至多个所述子节点，得到所述预设网络模型。

10.根据权利要求8所述的装置，其特征在于，所述建立单元包括：

获取模块，用于获取样本特征量；

第二建立模块，用于基于预设分类算法和所述样本特征量，在每个所述子节点上建立一个所述预设网络模型。

11.根据权利要求10所述的装置，其特征在于，所述训练单元包括：

第二划分模块，用于对所述训练样本进行划分，得到多组子训练样本；

训练模块，用于根据每组所述子训练样本对每个所述子节点上建立的所述预设网络模型进行训练，生成所述并行识别模型。

12.根据权利要求9至11中任意一项所述的装置，其特征在于，所述获取模块包括：

获取子模块，用于获取每种故障类型的放电信号统计特征；

生成子模块，用于根据所述每种故障类型的放电信号特征，生成所述样本特征量。

13.一种电力设备局部放电故障的识别系统，其特征在于，包括：

主节点，用于获取电力设备的放电信号；

多个子节点，与所述主节点连接，所述多个子节点上部署有并行识别模型，用于将所述电力设备的放电信号输入至所述并行识别模型中，得到多个并行识别结果；

所述主节点还用于对多个所述并行识别结果进行汇总，得到故障识别结果。