CN107907799B - 基于卷积神经网络的局部放电缺陷类型的识别方法及系统 - Google Patents
基于卷积神经网络的局部放电缺陷类型的识别方法及系统 Download PDFInfo
- Publication number
- CN107907799B CN107907799B CN201711106430.1A CN201711106430A CN107907799B CN 107907799 B CN107907799 B CN 107907799B CN 201711106430 A CN201711106430 A CN 201711106430A CN 107907799 B CN107907799 B CN 107907799B
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- neural network
- convolutional neural
- defect
- defect type
- 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
Links
Images
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明提供了一种基于卷积神经网络的局部放电缺陷类型的识别方法及系统。本发明识别方法的步骤包括:A、采集局部放电缺陷类型已知的局部放电信号;B、建立局部放电信息库,其包括若干缺陷类型的局部放电波形信号和相应的缺陷类型;C、搭建用于模式识别的卷积神经网络;D、将局部放电信息库中的波形和相应缺陷类型作为输入量,训练卷积神经网络;E、采集待定缺陷类型的多次局部放电信号;F、将待定缺陷类型的局部放电波形数据输入训练好的卷积神经网络,输出中占比最大的缺陷类型作为最终的缺陷类型。本发明避免了传统识别算法中复杂的特征提取和数据重建过程,能更准确地识别缺陷类型,且易于实现。
Description
技术领域
本发明涉及变压器领域,具体地说是一种基于卷积神经网络的变压器局部放电缺陷类型的识别方法及系统。
背景技术
在高压变压器日益小型化的情况下,其内部绝缘空间愈发紧凑,绝缘材料往往承受着很高的工作场强。而变压器从原材料选择、生产装配,到运输安装等各环节都有可能出现意料之外的问题,从而使变压器内部产生一些隐式的缺陷,比如毛刺尖端、绝缘沿面的损伤,内装部件的松动甚至掉落。另外,在变压器的运行过程中,在电、热、机械以及其它环境的综合作用下其油纸绝缘和固体绝缘会逐渐老化、劣化,使得绝缘系统的机械强度和绝缘性能逐渐下降。当运行时间不断增加,变压器的绝缘缺陷会发展严重,在大电流过电压等诱因下就会引发绝缘的闪络或者击穿。
局部放电是变压器绝缘产生贯穿性局部放电故障前所产生的局部范围内发生的放电现象,是变压器绝缘故障早期的主要表现形式,是表征绝缘状况的重要特征量;其特点是只产生局部的缺陷,不会造成整体绝缘的破坏,但长时间作用下,其热、电、光、机械作用会扩大局部缺陷、造成整体绝缘恶化甚至击穿。因此,局部放电识别是判断变压器绝缘状况的有效且重要的手段,高效快捷地检测识别出变压器的局部放电并做出设备的状态评估,已成为相关科研工作者十分关注的问题。
目前,对局部放电识别的工程应用更多地集中在基于相位分辨的统计识别方法,其基于局部放电的脉冲信号在外施工频电压下的相位分布,利用统计学的方法找出其分布规律,人工找出可以用于识别的数学特征。该方法存在不确定性较高、受干扰的影响较大、提取的数学特征物理意义不明确等问题。虽然针对局部放电缺陷类型识别相关学者做了大量的工作,也在实际应用中避免了很多故障的发生,但是由于局部放电的复杂性,关于局部放电准确识别仍然是目前电力设备亟需解决却具有很大挑战的难题。
总之,为了提高识别准确度且易于实现,需要提出一种新的方法识别局部放电的缺陷类型。
发明内容
本发明所要解决的技术问题是克服上述现有技术存在的缺陷,提供一种基于卷积神经网络的变压器局部放电缺陷类型的识别方法,其对局部放电的缺陷类型给出更为准确和可靠的识别结果。
为达到上述目的,本发明采用以下技术方案:基于卷积神经网络的局部放电缺陷类型的识别方法,其包括如下步骤:
A、采集局部放电缺陷类型已知的局部放电信号;
B、根据步骤A建立局部放电信息库,其包括若干缺陷类型的局部放电波形信号和相应的缺陷类型;
C、搭建用于模式识别的卷积神经网络;
D、将局部放电信息库中的波形和相应缺陷类型作为输入量,训练卷积神经网络;
E、采集待定缺陷类型的多次局部放电信号;
F、将待定缺陷类型的波形数据输入训练好的卷积神经网络,输出中占比最大的缺陷类型作为最终的缺陷类型。
本发明所述的变压器局部放电缺陷类型的识别方法,其缺陷类型包括但不限于尖端、气隙、沿面、悬浮和微粒缺陷;其局部放电信号包括但不限于特高频信号、脉冲电流信号、高频电流信号和超声波信号。
作为上述技术方案的补充,所述局部放电信号的特征为传感器采集到的波形信号。
作为上述技术方案的补充,所述的卷积神经网络包含两个卷积层、两个池化层和两个全连接层。
作为上述技术方案的补充,所述的卷积神经网络使用ReLU函数作为激活函数。
作为上述技术方案的补充,所述的卷积神经网络使用随机节点抛弃,防止过拟合。
本发明所述的变压器局部放电缺陷类型的识别方法中,卷积神经网络的人工神经单元可以响应一部分覆盖范围内的周边单元,并采用类似于生物神经网络的权值共享网络结构降低网络模型的复杂度,减少权值参数的数量,从而可以使原始数据直接输入神经网络,避免了传统识别算法中复杂的特征提取和数据重建过程。
作为上述技术方案的补充,将局部放电信息库中的局部放电波形信号和对应缺陷类型作为卷积神经网络的训练集,对卷积神经网络进行训练。
作为上述技术方案的补充,所述步骤F包括如下具体步骤:
F1、将待定缺陷类型的每次局部放电信号的波形输入卷积神经网络进行识别;
F2、在所有的局部放电次数中,选出被识别出次数最多的缺陷类型;
F3、该被选出缺陷类型成为待定缺陷类型的识别类型。
对单条局部放电的信号的识别会出现一定概率的误判,通过对多条信号识别,最后综合生成识别结果,会大幅度降低误判的概率。
本发明的另一目的是提供一种基于卷积神经网络的局部放电缺陷类型的识别系统,包括:
已知信号采集单元:采集局部放电缺陷类型已知的局部放电信号;
局部放电信息库建立单元:根据已知信号采集单元采集的局部放电信号建立局部放电信息库,其包括若干缺陷类型的局部放电波形信号和相应的缺陷类型;
卷积神经网络搭建单元:搭建用于模式识别的卷积神经网络;
卷积神经网络训练单元:将局部放电信息库中的局部放电信号波形和相应缺陷类型作为输入量,训练卷积神经网络;
待定信号采集单元:采集待定缺陷类型的多次局部放电信号;
缺陷类型输出单元:将待定缺陷类型的局部放电波形数据输入训练好的卷积神经网络,输出中占比最大的缺陷类型作为最终的缺陷类型。
本发明的有益效果体现在:
本发明所述基于卷积神经网络的局部放电缺陷类别识别方法,利用了机器学习的自动提取特征的特性,不需要关于局部放电信号的先验知识及相应的公式逻辑,仅凭借已经标定的训练数据就可以在自身的网络中学习并记忆数据输入与标定的映射关系,从而对局部放电的缺陷类型给出更为准确的识别结果;同时,对同一批次的多次局部放电进行识别并综合给出最终的识别结果降低了误判的概率,使得识别结果更加可靠。
附图说明
图1为本发明识别方法的流程图;
图2为本发明实施例1中所述的卷积神经网络的示意图;
图3为本发明实施例1中所述的卷积神经网络的训练图。
具体实施方式
下面结合说明书附图和具体实施方式对本发明作进一步说明。
实施例1
本实施例提供一种基于卷积神经网络的局部放电缺陷类别识别方法,如图1所示,包括如下步骤:
A、采集局部放电缺陷类型已知的局部放电信号;
B、根据步骤A建立局部放电信息库,其包括若干缺陷类型的局部放电波形信号和相应的缺陷类型;
上述步骤A和步骤B举例来说,使用模拟局部放电源模拟电力设备中尖端缺陷局部放电、沿面缺陷局部放电、气隙缺陷局部放电和悬浮缺陷沿面局部放电。使用脉冲电流法采集四种缺陷类型的脉冲电流的波形信号。对每个类型的局部放电采集1000条波形数据后,可建立包括这四种缺陷类型的局部放电波形信号的局部放电信息库。
C、搭建用于模式识别的卷积神经网络;
上述步骤C,搭建含有两个卷积层、两个池化层和两个全连接层的卷积神经网络,如图2所示。卷积神经网络使用ReLU函数激活,并使用随机节点抛弃防止过拟合。在本实施例中,卷积神经网络输出为4位判别数组,每一位对应一种缺陷类型。
D、将局部放电信息库中的波形和相应缺陷类型作为输入量,训练卷积神经网络;
在本实施例中,将局部放电信息库中共4000条局部放电波形信号及其对应缺陷类型输入卷积神经网络。训练卷积神经网络,直到训练集局部放电信息库的识别准确率达到98%为止,如图3所示。
E、采集待定缺陷类型的多次局部放电信号;
在本实施例中,按照上述步骤A中对已知局部放电缺陷类型局部放电信号的采集方式,使用脉冲电流法采集1000条待定缺陷类型的局部放电脉冲电流信号。
F、将待定缺陷类型的波形数据输入训练好的卷积神经网络,输出中占比最大的缺陷类型作为最终的缺陷类型。
F1、将待定缺陷类型的每次局部放电信号的波形输入卷积神经网络进行识别;
F2、在所有的局部放电次数中,选出被识别出次数最多的缺陷类型;
F3、该被选出类型成为待定缺陷类型的识别类型。
在本实施例中,将1000条待定缺陷类型的局部放电信号波形数据送入训练好的卷积神经网络进行识别,共识别出1条气隙缺陷局部放电、238条悬浮缺陷局部放电、53条沿面缺陷局部放电和708条尖端缺陷局部放电。其中尖端缺陷局部放电被识别出的次数,所以最终识别该待定缺陷类型为尖端局部放电。
在局部放电缺陷类型模式识别领域利用卷积神经网络进行识别,可以最大程度地提取局部放电的信号特征,考虑了环境条件,其比单纯代入经验公式所得结果要更精确,思路更简洁明了。
本发明基于卷积神经网络的局部放电缺陷类别识别方法,在面对局部放电机理复杂、人工提取信号特征困难的特点,可以更好地做出准确识别,保证设备的安全运行,增加系统可靠性,为电力系统调度提供帮助。
实施例2
本实施例提供一种基于卷积神经网络的局部放电缺陷类别识别系统,包括:
已知信号采集单元:采集局部放电缺陷类型已知的局部放电信号;
局部放电信息库建立单元:根据已知信号采集单元采集的局部放电信号建立局部放电信息库,其包括若干缺陷类型的局部放电波形信号和相应的缺陷类型;
卷积神经网络搭建单元:搭建用于模式识别的卷积神经网络;
卷积神经网络训练单元:将局部放电信息库中的局部放电信号波形和相应缺陷类型作为输入量,训练卷积神经网络;
待定信号采集单元:采集待定缺陷类型的多次局部放电信号;
缺陷类型输出单元:将待定缺陷类型的局部放电波形数据输入训练好的卷积神经网络,输出中占比最大的缺陷类型作为最终的缺陷类型。
上述实施例为本发明较佳的实施例,但本发明的实施方式并不受上述实施例的限制,其它的任何未背离本发明的说明书内容与原理下所作的等效变化和修饰,都包含在本发明的涵盖范围之内。
Claims (3)
1.基于卷积神经网络的局部放电缺陷类型的识别方法,其特征在于,包括如下步骤:
A、采集局部放电缺陷类型已知的局部放电信号;
B、根据步骤A建立局部放电信息库,其包括若干缺陷类型的局部放电波形信号和相应的缺陷类型;
C、搭建用于模式识别的卷积神经网络;
D、将局部放电信息库中的局部放电波形信号和相应缺陷类型作为输入量,训练卷积神经网络;
E、采集待定缺陷类型的多次局部放电信号;
F、将待定缺陷类型的局部放电波形数据输入训练好的卷积神经网络,输出中占比最大的缺陷类型作为最终的缺陷类型;
所述局部放电信号的特征为传感器采集到的波形信号;
所述的缺陷类型包括尖端、气隙、沿面、悬浮和微粒缺陷,所述的局部放电信号为脉冲电流信号;所述的卷积神经网络包含两个卷积层、两个池化层和两个全连接层;所述的卷积神经网络使用ReLU函数作为激活函数;所述的卷积神经网络使用随机节点抛弃,防止过拟合;将局部放电信息库中的局部放电波形信号和对应缺陷类型作为卷积神经网络的训练集,对卷积神经网络进行训练。
2.根据权利要求1所述的局部放电缺陷类型的识别方法,其特征在于,所述的步骤F包括如下具体步骤:
F1、将待定缺陷类型的每次局部放电信号的波形输入卷积神经网络进行识别;
F2、在所有的局部放电次数中,选出被识别出次数最多的缺陷类型;
F3、该被选出缺陷类型成为待定缺陷类型的识别类型。
3.基于卷积神经网络的局部放电缺陷类型的识别系统,其特征在于,包括:
已知信号采集单元:采集局部放电缺陷类型已知的局部放电信号;
局部放电信息库建立单元:根据已知信号采集单元采集的局部放电信号建立局部放电信息库,其包括若干缺陷类型的局部放电波形信号和相应的缺陷类型;
卷积神经网络搭建单元:搭建用于模式识别的卷积神经网络;
卷积神经网络训练单元:将局部放电信息库中的局部放电信号波形和相应缺陷类型作为输入量,训练卷积神经网络;
待定信号采集单元:采集待定缺陷类型的多次局部放电信号;
缺陷类型输出单元:将待定缺陷类型的局部放电波形数据输入训练好的卷积神经网络,输出中占比最大的缺陷类型作为最终的缺陷类型;
所述局部放电信号的特征为传感器采集到的波形信号;
所述的缺陷类型包括尖端、气隙、沿面、悬浮和微粒缺陷,所述的局部放电信号为脉冲电流信号;所述的卷积神经网络包含两个卷积层、两个池化层和两个全连接层;所述的卷积神经网络使用ReLU函数作为激活函数;所述的卷积神经网络使用随机节点抛弃,防止过拟合;将局部放电信息库中的局部放电波形信号和对应缺陷类型作为卷积神经网络的训练集,对卷积神经网络进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711106430.1A CN107907799B (zh) | 2017-11-10 | 2017-11-10 | 基于卷积神经网络的局部放电缺陷类型的识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711106430.1A CN107907799B (zh) | 2017-11-10 | 2017-11-10 | 基于卷积神经网络的局部放电缺陷类型的识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107907799A CN107907799A (zh) | 2018-04-13 |
CN107907799B true CN107907799B (zh) | 2020-10-09 |
Family
ID=61844877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711106430.1A Active CN107907799B (zh) | 2017-11-10 | 2017-11-10 | 基于卷积神经网络的局部放电缺陷类型的识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107907799B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145961B (zh) * | 2018-07-30 | 2021-10-22 | 上海交通大学 | 一种非结构化局部放电数据的模式识别方法及系统 |
CN109031069A (zh) * | 2018-08-16 | 2018-12-18 | 国网山西省电力公司临汾供电公司 | 高压开关柜局放信号的诊断系统 |
CN109212392B (zh) * | 2018-09-25 | 2021-01-08 | 上海交通大学 | 直流电缆局部放电缺陷故障的识别方法、系统及Caffe卷积神经网络 |
CN109765333A (zh) * | 2018-12-05 | 2019-05-17 | 国网辽宁省电力有限公司信息通信分公司 | 一种基于GoogleNet模型的变压器故障诊断方法 |
ES2780448A1 (es) | 2019-02-22 | 2020-08-25 | Ormazabal Corp Technology Aie | Método y sistema de reconocimiento de descargas parciales para diagnóstico de redes eléctricas |
CN109932627A (zh) * | 2019-04-30 | 2019-06-25 | 国网山东省电力公司烟台供电公司 | 一种gis耐压试验局部放电的定位方法及系统 |
CN110208660B (zh) * | 2019-06-05 | 2021-07-27 | 国网江苏省电力有限公司电力科学研究院 | 一种用于电力设备局部放电缺陷诊断的训练方法及装置 |
CN110501620B (zh) * | 2019-09-18 | 2022-05-17 | 国网陕西省电力公司咸阳供电公司 | 一种基于信号源特征的站域局部放电定位方法 |
CN112083298B (zh) * | 2020-09-08 | 2021-07-06 | 四川大学 | 基于双风险竞争的绝缘纸板局部放电失效概率表征方法 |
CN112834878B (zh) * | 2021-01-05 | 2022-07-01 | 国网浙江省电力有限公司电力科学研究院 | 一种变压器局部放电的缺陷类型识别方法及系统 |
CN113655341B (zh) * | 2021-09-10 | 2024-01-23 | 国网山东省电力公司鱼台县供电公司 | 一种配电网故障定位方法及系统 |
CN115267462B (zh) * | 2022-09-30 | 2022-12-23 | 丝路梵天(甘肃)通信技术有限公司 | 一种基于自适应标签生成的局部放电类型识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103323755A (zh) * | 2013-06-17 | 2013-09-25 | 广东电网公司电力科学研究院 | Gis特高频局部放电信号识别方法及系统 |
CN103675616A (zh) * | 2013-11-15 | 2014-03-26 | 华南理工大学 | 电缆在线局部放电检测信号识别方法 |
CN106546892A (zh) * | 2016-11-10 | 2017-03-29 | 华乘电气科技(上海)股份有限公司 | 基于深度学习的局部放电超声音频识别方法及系统 |
CN106556781A (zh) * | 2016-11-10 | 2017-04-05 | 华乘电气科技(上海)股份有限公司 | 基于深度学习的局部放电缺陷图像诊断方法及系统 |
-
2017
- 2017-11-10 CN CN201711106430.1A patent/CN107907799B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103323755A (zh) * | 2013-06-17 | 2013-09-25 | 广东电网公司电力科学研究院 | Gis特高频局部放电信号识别方法及系统 |
CN103675616A (zh) * | 2013-11-15 | 2014-03-26 | 华南理工大学 | 电缆在线局部放电检测信号识别方法 |
CN106546892A (zh) * | 2016-11-10 | 2017-03-29 | 华乘电气科技(上海)股份有限公司 | 基于深度学习的局部放电超声音频识别方法及系统 |
CN106556781A (zh) * | 2016-11-10 | 2017-04-05 | 华乘电气科技(上海)股份有限公司 | 基于深度学习的局部放电缺陷图像诊断方法及系统 |
Non-Patent Citations (2)
Title |
---|
卷积神经网络研究综述;周飞燕;《计算机学报》;20170630;第40卷(第6期);1229-1246 * |
基于卷积神经网络的变压器局部放电模式识别;刘兵 等;《高压电器》;20170516;第53卷(第5期);70-74 * |
Also Published As
Publication number | Publication date |
---|---|
CN107907799A (zh) | 2018-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107907799B (zh) | 基于卷积神经网络的局部放电缺陷类型的识别方法及系统 | |
CN109685138B (zh) | 一种xlpe电力电缆局部放电类型识别方法 | |
Peng et al. | Random forest based optimal feature selection for partial discharge pattern recognition in HV cables | |
CN107340456B (zh) | 基于多特征分析的配电网工况智能识别方法 | |
Dey et al. | A deep learning framework using convolution neural network for classification of impulse fault patterns in transformers with increased accuracy | |
Li et al. | Partial discharge recognition in gas insulated switchgear based on multi-information fusion | |
CN110070102B (zh) | 用于电能质量扰动类型识别的序列对序列模型建立方法 | |
CN107037327A (zh) | 局部放电故障判定特征提取方法及判定方法 | |
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 | |
CN110632484A (zh) | 一种基于elm的gis局部放电缺陷诊断分类系统及方法 | |
CN111999591B (zh) | 一种配电网一次设备异常状态的识别方法 | |
Chang et al. | Application of fuzzy entropy to improve feature selection for defect recognition using support vector machine in high voltage cable joints | |
CN110207974A (zh) | 基于振动信号时频能量分布特征的断路器故障识别方法 | |
Ganjun et al. | Partial discharge pattern recognition of high voltage cables based on the stacked denoising autoencoder method | |
Rajamani et al. | Identification of simultaneously occurring dynamic disc-to-disc insulation failures in transformer winding under impulse excitation | |
Uckol et al. | Partial Discharge pattern classification based on deep learning for defect identification in MV cable terminations | |
CN116466182A (zh) | 一种电力系统线路故障测距方法 | |
CN110543675A (zh) | 一种输电线路故障识别方法 | |
Guan et al. | Partial discharge pattern recognition of transformer based on deep forest algorithm | |
Peng et al. | Optimal feature selection for partial discharge recognition of cable systems based on the random forest method | |
JP2024003552A (ja) | 部分放電検査方法及び部分放電検査装置 | |
CN109917245B (zh) | 考虑相位差的超声检测局部放电信号模式识别方法 | |
Lai et al. | Descriptive data mining of partial discharge using decision tree with genetic algorithm | |
Wang et al. | Fault Diagnosis of Wind Turbine Blades Based on Chaotic System and Extension Neural Network. | |
Rajamani et al. | Classification of dynamic insulation failures in transformer winding during impulse test using cross-wavelet transform aided foraging algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |