CN110850244A - 基于深度学习的局放缺陷时域图谱诊断方法、系统及介质 - Google Patents

Abstract

本发明公开了一种基于深度学习的局放缺陷时域图谱诊断方法、系统及介质，本发明步骤包括采集目标电力设备的多种类型的局部放电信号，转换至同一时基坐标系中形成综合多通道时域图谱再输入预先完成训练的深度卷积神经网络模型，通过深度卷积神经网络模型提取综合多通道时域图谱的图谱特征并识别出目标电力设备的局部放电信号所对应的局部放电类型，深度卷积神经网络模型被预先完成训练建立了图谱特征及其对应的局部放电类型之间的映射。本发明能够利用深度学习卷积神经网络算法实现多通道局放时域图谱特征的自动提取，无需转换为PRPS‑PRPD图谱，能够有效识别多种典型局部放电类型，从而为电力设备异常缺陷诊断提供新的解决办法。

Description

基于深度学习的局放缺陷时域图谱诊断方法、系统及介质

技术领域

本发明涉及电力设备异常缺陷诊断领域，具体涉及一种基于深度学习的局放缺陷时域图谱诊断方法、系统及介质。

背景技术

随着我国经济的持续飞速发展，电网系统供电可靠性及稳定性要求逐步提高，对电力设备出现的异常缺陷处理受到高度重视。电力设备产生局部放电时会相应释放出声、光、电信号，根据检测原理及检测方式的不同，包含采用特高频法、超声波法、高频电流法等来检测特高频信号、超声波信号、高频电流信号。在检测局放信号的同时，也观测接地电流信号的变化。所检测到的局放原始信号转换为PRPS-PRPD图谱、超声飞行图、幅值图谱、相位图谱等典型特征图谱进行判断。

电力设备出现的缺陷类型不同，所体现出的信号特征存在差异，不同的测试方法测试效果不同。仅凭借单一类型的信号类型实现缺陷的最终诊断无法有效保证准确率，为实现对设备异常缺陷的准确诊断，通常采取多种检测手段综合处理的方法。深度学习算法利用深度卷积神经网络能够自动提取待测图谱特征的特点，在模式识别、故障分类领域得到广泛应用，将深度学习技术应用到局放多类型局放信号集成时域图谱的诊断中，可以有效解决局放信号特征提取、提高图谱的识别诊断，对局放异常缺陷的诊断及设备的运行具有重要作用。

发明内容

本发明要解决的技术问题：针对现有技术的上述问题，提供一种基于深度学习的局放缺陷时域图谱诊断方法、系统及介质，本发明能够利用深度学习卷积神经网络算法实现多通道局放时域图谱特征的自动提取，无需转换为PRPS-PRPD图谱，能够有效识别多种典型局部放电类型，从而为电力设备异常缺陷诊断提供新的解决办法。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于深度学习的局放缺陷时域图谱诊断方法，实施步骤包括：

1)采集目标电力设备的多种类型的局部放电信号；

2)将所有类型的局部放电信号转换集成至同一时基坐标系中形成综合多通道时域图谱；

3)提取综合多通道时域图谱输入预先完成训练的深度卷积神经网络模型，通过深度卷积神经网络模型提取综合多通道时域图谱的图谱特征并识别出目标电力设备的局部放电信号所对应的局部放电类型，所述深度卷积神经网络模型被预先完成训练建立了图谱特征及其对应的局部放电类型之间的映射关系。

可选地，步骤1)中采集目标电力设备的多种类型的局部放电信号包括特高频信号、超声波信号、高频电流信号、接地电流信号中的至少两种；步骤3)中的局部放电类型包括电晕放电、悬浮电位放电、绝缘内部放电、沿面放电、自由颗粒放电五种局部放电类型中的至少两种。

可选地，步骤2)的详细步骤包括：

2.1)将模型信号形式的各种类型的局部放电信号转换为离散信号序列；

2.2)将转换为离散信号序列后各种类型的局部放电信号进行幅值归一化；

2.3)将幅值归一化后的各种类型的局部放电信号分别按照指定的幅值偏移，且不同类型的局部放电信号的偏移量不同，然后将其放入同一时基坐标系中形成的综合多通道时域图谱，使得同一时基坐标系中形成的综合多通道时域图谱中分别按照不同幅值偏移显示幅值归一化后的各种类型的局部放电信号。

可选地，所述同一时基坐标系中形成的综合多通道时域图谱的时基设定为5ms，采样时间均控制在50ms，幅值刻度采用归一化刻度，使各自通道信号幅值范围均处在[0,1]之间，各种类型的局部放电信号从上之下依次排列形成具有多通道、同时展示多种不同类型局部放电信号的时域图谱。

可选地，步骤3)中的深度卷积神经网络模型包括特征提取卷积网络、缺陷识别卷积网络，所述特征提取卷积网络用于识别输入样本的二维图谱特征并输出给缺陷识别卷积网络，所述缺陷识别卷积网络用于根据二维图谱特征识别出目标电力设备的局部放电信号所对应的局部放电类型。

可选地，步骤3)之前还包括训练深度卷积神经网络模型的步骤，详细步骤包括：

S1)针对每一种局部放电类型，分别采集获取目标电力设备的多种类型的局部放电信号，并将所有类型的局部放电信号转换集成至同一时基坐标系中形成综合多通道时域图谱；

S2)将综合多通道时域图谱添加局部放电类型标签构建训练样本集和测试样本集；

S3)利用训练样本集和测试样本集训练深度卷积神经网络模型，根据训练和优化进一步学习得到深度卷积神经网络模型内部各处的连接权值和偏置参数，从而得到完成训练的深度卷积神经网络模型。

此外，本发明还提供一种基于深度学习的局放缺陷时域图谱诊断系统，包括：

信号采集程序单元，用于采集目标电力设备的多种类型的局部放电信号；

图谱生成程序单元，用于将所有类型的局部放电信号转换集成至同一时基坐标系中形成综合多通道时域图谱；

缺陷识别程序单元，用于提取综合多通道时域图谱输入预先完成训练的深度卷积神经网络模型，通过深度卷积神经网络模型提取综合多通道时域图谱的图谱特征并识别出目标电力设备的局部放电信号所对应的局部放电类型，所述深度卷积神经网络模型被预先完成训练建立了图谱特征及其对应的局部放电类型之间的映射关系。

此外，本发明还提供一种基于深度学习的局放缺陷时域图谱诊断系统，包括传感器单元、采集转换装置和数据诊断装置，所述传感器单元包括用于采集目标电力设备的多种类型的局部放电信号的多种局部放电信号传感器，所述多种局部放电信号传感器的输出端分别通过采集转换装置和数据诊断装置相连，所述采集转换装置被编程或配置以执行所述基于深度学习的局放缺陷时域图谱诊断方法的步骤1)和步骤2)、数据诊断装置被编程或配置以执行所述基于深度学习的局放缺陷时域图谱诊断方法的步骤3)；或所述采集转换装置的存储器中存储有被编程或配置以执行所述基于深度学习的局放缺陷时域图谱诊断方法的步骤1)和的步骤2)的计算机程序、数据诊断装置的存储器中存储有被编程或配置以执行所述基于深度学习的局放缺陷时域图谱诊断方法的步骤3)的计算机程序。

此外，本发明还提供一种基于深度学习的局放缺陷时域图谱诊断系统，包括计算机设备，该计算机设备被编程或配置以执行所述基于深度学习的局放缺陷时域图谱诊断方法的步骤，或该计算机设备的存储器中存储有被编程或配置以执行所述基于深度学习的局放缺陷时域图谱诊断方法的计算机程序。

此外，本发明还提供一种计算机可读存储介质，该计算机可读存储介质中存储有被编程或配置以执行所述基于深度学习的局放缺陷时域图谱诊断方法的计算机程序。

和现有技术相比，本发明具有下述优点：

1、本发明提供的基于深度学习的局放缺陷时域图谱诊断方法，通过采集四种局放时域信号构建归一化时域图谱，利用深度学习网络模型完成对时域图谱特征的提取，无需进一步将时域信号转换为PRPS-PRPD图谱作为深度学习的样本数据，从时域维度直接参与缺陷类型的诊断，为电力设备的异常缺陷诊断提供了新的解决途径。

2、本发明提供的基于深度学习的局放缺陷时域图谱诊断方法可以有效提高电力设备的绝缘状态诊断的准确性。

附图说明

图1为本发明实施例一方法的基本流程示意图。

图2为本发明实施例二的系统结构示意图。

图3为本发明实施例二的系统工作原理示意图。

具体实施方式

下面结合具体实施例对本发明基于深度学习的局放缺陷时域图谱诊断方法、系统及介质进行进一步的详细说明。需要说明的是，以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

实施例一：

如图1所示，本实施例基于深度学习的局放缺陷时域图谱诊断方法的实施步骤包括：

1)采集目标电力设备的多种类型的局部放电信号；

2)将所有类型的局部放电信号转换集成至同一时基坐标系中形成综合多通道时域图谱；

3)提取综合多通道时域图谱输入预先完成训练的深度卷积神经网络模型，通过深度卷积神经网络模型提取综合多通道时域图谱的图谱特征并识别出目标电力设备的局部放电信号所对应的局部放电类型，所述深度卷积神经网络模型被预先完成训练建立了图谱特征及其对应的局部放电类型之间的映射关系。

本实施例中，步骤1)中采集目标电力设备的多种类型的局部放电信号包括特高频信号、超声波信号、高频电流信号、接地电流信号，此外也可以根据需要采用其中的至少两种。本实施例中，特高频信号、超声波信号、高频电流信号、接地电流信号四种局部放电信号分别通过独立的四个通道进行采集，且四个通道之间同步触发保证同时采集、采集时间相同。其中，特高频信号通过特高频传感器检测的电磁波信号，经过放大、滤波电路后形成；超声波信号经表贴式传感器检测到超声信号并放大检波后输出；高频电流信号通过高频电流传感器耦合接地线中高频信号并经放大滤波形成；工频接地信号通过工频电流传感器耦合接地线中工频频信号并经放大滤波形成。

本实施例中，步骤2)的详细步骤包括：

2.1)将模型信号形式的各种类型的局部放电信号转换为离散信号序列；

2.2)将转换为离散信号序列后各种类型的局部放电信号进行幅值归一化；

2.3)将幅值归一化后的各种类型的局部放电信号分别按照指定的幅值偏移，且不同类型的局部放电信号的偏移量不同，然后将其放入同一时基坐标系中形成的综合多通道时域图谱，使得同一时基坐标系中形成的综合多通道时域图谱中分别按照不同幅值偏移显示幅值归一化后的各种类型的局部放电信号。

本实施例中，步骤2.2)中进行幅值归一化的函数表达式如下式所示：

上式中，x_i′表示幅值归一化结果，x_i表示离散信号序列中第i个元素，x_min表示该离散信号序列的最小值，x_max表示该离散信号序列的最大值。

本实施例中，步骤2.3)中按照指定的幅值偏移时分别按照下述公式执行：

x′_uhf＝x′_uhf+4.5

x′_uhf＝x′_uhf+3.5

x′_uhf＝x′_uhf+2.5

x′_uhf＝x′_uhf+1.5

上述四个公式自上而下依次为特高频信号、超声波信号、高频电流信号、接地电流信号，对应偏移量分别为4.5、3.5、2.5、1.5，从而保证从上而下依次显示特高频信号、超声波信号、高频电流信号、接地电流信号。

本实施例中，前述同一时基坐标系中形成的综合多通道时域图谱的时基设定为5ms，采样时间均控制在50ms，幅值刻度采用归一化刻度，使各自通道信号幅值范围均处在[0,1]之间，各种类型的局部放电信号从上之下依次排列形成具有多通道、同时展示多种不同类型局部放电信号的时域图谱。

本实施例中，步骤3)中的局部放电类型包括电晕放电、悬浮电位放电、绝缘内部放电、沿面放电、自由颗粒放电五种局部放电类型，此外也可以根据需要采用其中的至少两种。

本实施例中，骤3)中的深度卷积神经网络模型包括特征提取卷积网络、缺陷识别卷积网络，所述特征提取卷积网络用于识别输入样本的二维图谱特征并输出给缺陷识别卷积网络，所述缺陷识别卷积网络用于根据二维图谱特征识别出目标电力设备的局部放电信号所对应的局部放电类型。

本实施例中，步骤3)之前还包括训练深度卷积神经网络模型的步骤，详细步骤包括：

S1)针对每一种局部放电类型，分别采集获取目标电力设备的多种类型的局部放电信号，并将所有类型的局部放电信号转换集成至同一时基坐标系中形成综合多通道时域图谱；

S2)将综合多通道时域图谱添加局部放电类型标签构建训练样本集和测试样本集；

S3)利用训练样本集和测试样本集训练深度卷积神经网络模型，根据训练和优化进一步学习得到深度卷积神经网络模型内部各处的连接权值和偏置参数，从而得到完成训练的深度卷积神经网络模型。

步骤S2)构建训练样本集和测试样本集包含使用样本存储模块存储大量的图谱样本，对全部样本添加类别标签，从而形成用于训练深度卷积神经网络模型的训练样本集和测试样本集。S3)利用训练样本集和测试样本集训练深度卷积神经网络模型时，深度卷积神经网络模型从上述训练样本集的时域图谱中自动提取样本特征，其内部卷积网络的感知层用于识别样本集中二维图谱特征；根据训练和优化进一步学习得到模型内部各处的连接权值和偏置参数，从而得到适用于识别各种缺陷类型的深度卷积神经网络模型。完成训练后，5.将待测试样本图谱输入最终的深度卷积神经网络模型，由深度卷积神经网络模型根据所自动提取的图谱特征，对图谱特征进行分类确定待测样本图谱所属的缺陷类型，从而完成局放缺陷类型的识别输出。

综上所述，本实施例基于深度学习的局放缺陷时域图谱诊断方法通过采集目标电力设备的多种类型的局部放电信号，将所有类型的局部放电信号转换集成至同一时基坐标系中形成综合多通道时域图谱，最终提取综合多通道时域图谱输入预先完成训练的深度卷积神经网络模型，并通过深度卷积神经网络模型提取综合多通道时域图谱的图谱特征并识别出目标电力设备的局部放电信号所对应的局部放电类型，因此本实施例基于深度学习的局放缺陷时域图谱诊断方法可实现多通道局放时域图谱特征的自动提取，无需转换为PRPS-PRPD图谱，能够有效识别多种典型局部放电类型，从而为电力设备异常缺陷诊断提供新的解决办法。

此外，本实施例还提供一种基于深度学习的局放缺陷时域图谱诊断系统，包括：

信号采集程序单元，用于采集目标电力设备的多种类型的局部放电信号；

图谱生成程序单元，用于将所有类型的局部放电信号转换集成至同一时基坐标系中形成综合多通道时域图谱；

缺陷识别程序单元，用于提取综合多通道时域图谱输入预先完成训练的深度卷积神经网络模型，通过深度卷积神经网络模型提取综合多通道时域图谱的图谱特征并识别出目标电力设备的局部放电信号所对应的局部放电类型，所述深度卷积神经网络模型被预先完成训练建立了图谱特征及其对应的局部放电类型之间的映射关系。

此外，本实施例还提供一种基于深度学习的局放缺陷时域图谱诊断系统，包括计算机设备，该计算机设备被编程或配置以执行前述基于深度学习的局放缺陷时域图谱诊断方法的步骤，或该计算机设备的存储器中存储有被编程或配置以执行前述基于深度学习的局放缺陷时域图谱诊断方法的计算机程序。

此外，本实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有被编程或配置以执行前述基于深度学习的局放缺陷时域图谱诊断方法的计算机程序。

实施例二：

本实施例和实施例一基本相同，其主要区别点为：本实施例中基于深度学习的局放缺陷时域图谱诊断系统采用了模块化实现方式。

如图2所示，本实施例基于深度学习的局放缺陷时域图谱诊断系统包括传感器单元1、采集转换装置2和数据诊断装置3，传感器单元1包括用于采集目标电力设备的多种类型的局部放电信号的多种局部放电信号传感器，多种局部放电信号传感器的输出端分别通过采集转换装置2和数据诊断装置3相连，采集转换装置2被编程或配置以执行实施例一基于深度学习的局放缺陷时域图谱诊断方法的步骤1)和步骤2)、数据诊断装置3被编程或配置以执行实施例一基于深度学习的局放缺陷时域图谱诊断方法的步骤3)；或采集转换装置2的存储器中存储有被编程或配置以执行实施例一基于深度学习的局放缺陷时域图谱诊断方法的步骤1)和的步骤2)的计算机程序、数据诊断装置3的存储器中存储有被编程或配置以执行实施例一基于深度学习的局放缺陷时域图谱诊断方法的步骤3)的计算机程序。

传感器单元1用于采集目标电力设备的多种类型的局部放电信号。如图2和图3所示，传感器单元1多种局部放电信号传感器分别包括特高频传感器11、超声波传感器12、高频电流传感器13以及接地电流传感器14，上述四种传感器的输出端均连接至后端的采集转换装置2；

采集转换装置2用于完成上述四种局放信号的采集并解析原始信号，最终转换成集成四通道、经归一化在同一时基坐标系中形成综合多通道时域图谱。如图2和图3所示，采集转换装置2具体包含数据采集模块21、数据转换模块22、第一通信模块23、第一电源模块24，数据采集模块21、数据转换模块22、第一通信模块23依次相连，第一电源模块24的输出端分别与数据采集模块21、数据转换模块22、第一通信模块23相连。其中，数据采集模块21用于采集上述四种类型的局部放电信号，以获取局部放电原始信号，数据采集模块21与前端的四种传感器相连；数据转换模块22用于上述四通道原始信号的解析，并将四通道的解析信号转换至相同时基窗口下统一坐标系中，最终形成一张综合多通道时域图谱；第一通信模块23用于与后端诊断模块之间的数据通信；第一电源模块24保证上述模块的电能供给。

数据诊断装置3采用计算机设备实现，用于构建深度卷积神经网络模型，并实施训练及测试，最终对待测样本进行缺陷诊断。如图2和图3所示，数据诊断装置3包含第二通信模块31、神经网络模型模块32、数据显示模块33、第二电源模块34以及样本存储模块35，其中第二通信模块31实现与上述采集处理模块之间的数据通信；神经网络模型模块32用于建立深度卷积的神经网络模型，使用训练样本集进行模型训练，进一步使用测试模型进行测试，再经参数优化形成最终诊断模型；数据显示模块33用于显示最终数据诊断结果；第二电源模块34保证上述模块的电能供给；样本存储模块35用于存储用于训练测试模型的训练样本集和测试样本集以及待诊断的数据样本。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。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前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于深度学习的局放缺陷时域图谱诊断方法，其特征在于实施步骤包括：

1)采集目标电力设备的多种类型的局部放电信号；

2)将所有类型的局部放电信号转换集成至同一时基坐标系中形成综合多通道时域图谱；

3)提取综合多通道时域图谱输入预先完成训练的深度卷积神经网络模型，通过深度卷积神经网络模型提取综合多通道时域图谱的图谱特征并识别出目标电力设备的局部放电信号所对应的局部放电类型，所述深度卷积神经网络模型被预先完成训练建立了图谱特征及其对应的局部放电类型之间的映射关系。

2.根据权利要求1所述的基于深度学习的局放缺陷时域图谱诊断方法，其特征在于，步骤1)中采集目标电力设备的多种类型的局部放电信号包括特高频信号、超声波信号、高频电流信号、接地电流信号中的至少两种；步骤3)中的局部放电类型包括电晕放电、悬浮电位放电、绝缘内部放电、沿面放电、自由颗粒放电五种局部放电类型中的至少两种。

3.根据权利要求1所述的基于深度学习的局放缺陷时域图谱诊断方法，其特征在于，步骤2)的详细步骤包括：

2.1)将模型信号形式的各种类型的局部放电信号转换为离散信号序列；

2.2)将转换为离散信号序列后各种类型的局部放电信号进行幅值归一化；

2.3)将幅值归一化后的各种类型的局部放电信号分别按照指定的幅值偏移，且不同类型的局部放电信号的偏移量不同，然后将其放入同一时基坐标系中形成的综合多通道时域图谱，使得同一时基坐标系中形成的综合多通道时域图谱中分别按照不同幅值偏移显示幅值归一化后的各种类型的局部放电信号。

4.根据权利要求3所述的基于深度学习的局放缺陷时域图谱诊断方法，其特征在于，所述同一时基坐标系中形成的综合多通道时域图谱的时基设定为5ms，采样时间均控制在50ms，幅值刻度采用归一化刻度，使各自通道信号幅值范围均处在[0,1]之间，各种类型的局部放电信号从上之下依次排列形成具有多通道、同时展示多种不同类型局部放电信号的时域图谱。

5.根据权利要求1所述的基于深度学习的局放缺陷时域图谱诊断方法，其特征在于，步骤3)中的深度卷积神经网络模型包括特征提取卷积网络、缺陷识别卷积网络，所述特征提取卷积网络用于识别输入样本的二维图谱特征并输出给缺陷识别卷积网络，所述缺陷识别卷积网络用于根据二维图谱特征识别出目标电力设备的局部放电信号所对应的局部放电类型。

6.根据权利要求5所述的基于深度学习的局放缺陷时域图谱诊断方法，其特征在于，步骤3)之前还包括训练深度卷积神经网络模型的步骤，详细步骤包括：

S1)针对每一种局部放电类型，分别采集获取目标电力设备的多种类型的局部放电信号，并将所有类型的局部放电信号转换集成至同一时基坐标系中形成综合多通道时域图谱；

S2)将综合多通道时域图谱添加局部放电类型标签构建训练样本集和测试样本集；

S3)利用训练样本集和测试样本集训练深度卷积神经网络模型，根据训练和优化进一步学习得到深度卷积神经网络模型内部各处的连接权值和偏置参数，从而得到完成训练的深度卷积神经网络模型。

7.一种基于深度学习的局放缺陷时域图谱诊断系统，其特征在于包括：

信号采集程序单元，用于采集目标电力设备的多种类型的局部放电信号；

图谱生成程序单元，用于将所有类型的局部放电信号转换集成至同一时基坐标系中形成综合多通道时域图谱；

缺陷识别程序单元，用于提取综合多通道时域图谱输入预先完成训练的深度卷积神经网络模型，通过深度卷积神经网络模型提取综合多通道时域图谱的图谱特征并识别出目标电力设备的局部放电信号所对应的局部放电类型，所述深度卷积神经网络模型被预先完成训练建立了图谱特征及其对应的局部放电类型之间的映射关系。

8.一种基于深度学习的局放缺陷时域图谱诊断系统，其特征在于，包括传感器单元(1)、采集转换装置(2)和数据诊断装置(3)，所述传感器单元(1)包括用于采集目标电力设备的多种类型的局部放电信号的多种局部放电信号传感器，所述多种局部放电信号传感器的输出端分别通过采集转换装置(2)和数据诊断装置(3)相连，所述采集转换装置(2)被编程或配置以执行权利要求1～6中任意一项所述基于深度学习的局放缺陷时域图谱诊断方法的步骤1)和步骤2)、数据诊断装置(3)被编程或配置以执行权利要求1～6中任意一项所述基于深度学习的局放缺陷时域图谱诊断方法的步骤3)；或所述采集转换装置(2)的存储器中存储有被编程或配置以执行权利要求1～6中任意一项所述基于深度学习的局放缺陷时域图谱诊断方法的步骤1)和的步骤2)的计算机程序、数据诊断装置(3)的存储器中存储有被编程或配置以执行权利要求1～6中任意一项所述基于深度学习的局放缺陷时域图谱诊断方法的步骤3)的计算机程序。

9.一种基于深度学习的局放缺陷时域图谱诊断系统，包括计算机设备，其特征在于，该计算机设备被编程或配置以执行权利要求1～6中任意一项所述基于深度学习的局放缺陷时域图谱诊断方法的步骤，或该计算机设备的存储器中存储有被编程或配置以执行权利要求1～6中任意一项所述基于深度学习的局放缺陷时域图谱诊断方法的计算机程序。

10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质中存储有被编程或配置以执行权利要求1～6中任意一项所述基于深度学习的局放缺陷时域图谱诊断方法的计算机程序。

Images