CN110988631A - 局部放电定位检测方法、装置、可读存储介质及电气设备 - Google Patents

局部放电定位检测方法、装置、可读存储介质及电气设备 Download PDF

Info

Publication number
CN110988631A
CN110988631A CN201911307861.3A CN201911307861A CN110988631A CN 110988631 A CN110988631 A CN 110988631A CN 201911307861 A CN201911307861 A CN 201911307861A CN 110988631 A CN110988631 A CN 110988631A
Authority
CN
China
Prior art keywords
partial discharge
data
discharge data
radio frequency
frequency spectrum
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.)
Granted
Application number
CN201911307861.3A
Other languages
English (en)
Other versions
CN110988631B (zh
Inventor
刘江川
伍楷舜
樊小毅
张聪
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.)
Shenzhen Jianghang Lianjia Intelligent Technology Co ltd
Original Assignee
Shenzhen Jianghang Lianjia Intelligent Technology Co ltd
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 Shenzhen Jianghang Lianjia Intelligent Technology Co ltd filed Critical Shenzhen Jianghang Lianjia Intelligent Technology Co ltd
Priority to CN201911307861.3A priority Critical patent/CN110988631B/zh
Publication of CN110988631A publication Critical patent/CN110988631A/zh
Application granted granted Critical
Publication of CN110988631B publication Critical patent/CN110988631B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/045—Combinations of 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
    • G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
    • G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明公开一种局部放电定位检测方法、装置、可读存储介质及电气设备，其中，该局部放电定位检测方法包括获取电气设备中的局部放电数据，并建立无线电频谱数据库构建预测回归模型；其中，局部放电数据具有已知样本和未知样本；对无线电频谱数据库中已知样本的局部放电数据进行特征提取；对特征提取后已知样本的局部放电数据进行降维处理；将降维处理后的已知样本的局部放电数据通过粒子群算法进行优化，并计算出未知样本的局部放电数据的位置坐标。本发明技术方案提升了电气设备中检测局部放电位置的定位精度。

Description

局部放电定位检测方法、装置、可读存储介质及电气设备
技术领域
本发明涉及放电检测技术领域，特别涉及一种局部放电定位检测方法、装置、可读存储介质及电气设备。
背景技术
电气设备是组成电力系统的基本元件，是保证供电可靠性的基础。电气设备绝缘性能的劣化是导致其失效的主要原因，严重时可能会导致电网大面积停电事故。而局部放电既是电气设备绝缘劣化的征兆，又是造成绝缘劣化的关键性因素。在变电站中，变压器容易发生局部放电，当导体之间放电部分连接绝缘体时，就会发生局部放电；当电场强度大于绝缘子击穿强度时，放电往往高度集中。局部缺陷的位置包括固体绝缘中的气穴、液体绝缘中的气泡或颗粒，对其过程进行监督可以在初期发现局部放电现象，从而避免巨大损失。而传统方案中对于整体设备的放电进行检测，检测精度比较低，稳定性不高，尤其是在多变压器同时存在的条件下，无法到达预期效果。
发明内容
本发明的主要目的是提出一种局部放电定位检测方法、装置、可读存储介质及电气设备，旨在提升电气设备中检测局部放电位置的定位精度。
为实现上述目的，本发明提出的局部放电定位检测方法，所述局部放电定位检测方法包括：
获取所述电气设备中的局部放电数据，并建立无线电频谱数据库后构建预测回归模型；其中，局部放电数据具有已知样本和未知样本；
根据所述预测回归模型，对所述无线电频谱数据库中已知样本的局部放电数据进行特征提取；
对特征提取后已知样本的局部放电数据进行降维处理；
将降维处理后的已知样本的局部放电数据通过粒子群算法进行优化，并根据优化后的局部放电数据计算出所述未知样本的局部放电数据的位置坐标。
可选地，所述获取所述电气设备中的局部放电数据，并建立无线电频谱数据库后构建预测回归模型的步骤包括：
获取所述电气设备中局部放电源的无线电发射信号，建立所述无线电频谱数据库；
根据所述无线电频谱数据库中已知样本的局部放电数据，建立预测回归模型。
可选地，所述预测回归模型为I＝f(r)+e(r)，其中，I为局部放电源的数据坐标，r为输入的局部放电源无线电发射信号，f(r)为预测函数，e(r)为噪声函数。
可选地，所述对所述特征提取后已知样本的局部放电数据进行降维处理的步骤包括：
对所述特征提取后已知样本的局部放电数据进行编码并压缩；
对压缩的已知样本的局部放电数据进行解码，并重建局部放电数据后并输出。
可选地，所述将降维处理后的已知样本的局部放电数据通过粒子群算法进行优化，并计算出所述未知样本的局部放电数据的位置坐标步骤包括：
基于BP神经网络的预测回归模型，以f(x)＝x函数更新所述降维后的已知样本的局部放电数据参数；
根据所述更新后的降维已知样本的局部放电数据参数，计算出所述未知样本的局部放电数据的位置坐标。
可选地，所述粒子群算法具体步骤为：
搜索所述无线电频谱数据库中每一无线电频谱数据的神经元，并计算相应权值的适应度；
更新所述无线电频谱数据库中的每一无线电频谱数据的位置；
对最优无线电频谱数据和最差无线电频谱数据进行优化处理；
当无线电频谱数据为最优位置，则搜索停止，当无线电频谱数据为最差位置，则返回继续搜索。
可选地，所述更新所述无线电频谱数据库中的每一无线电频谱数据的位置的步骤包括：
更新所述无线电频谱数据库中的每一无线电频谱数据适应度；
当无线电频谱数据适应度优于个体极值Pbest，则Pbest设置为更新位置；
当无线电频谱数据适应度优于全局极值gbest，则gbest设置为更新位置。
本发明还提出一种局部放电定位检测装置，应用于电气设备，所述局部放电定位检测装置包括：
数据采集模块，用于获取所述电气设备中的局部放电数据，并建立无线电频谱数据库构建预测回归模型；其中，局部放电数据具有已知样本和未知样本；
特征提取模块，用于对所述无线电频谱数据库中已知样本的局部放电数据进行特征提取；
降维处理模块，用于对所述特征提取后已知样本的局部放电数据进行降维处理；
坐标获取模块，将降维处理后的已知样本的局部放电数据通过粒子群算法进行优化，并计算出所述未知样本的局部放电数据的位置坐标。
本发明还提出一种可读存储介质，所述可读存储介质上存储有局部放电定位检测程序，所述局部放电定位检测程序被处理器执行时实现如上所述的局部放电定位检测方法的步骤。
本发明还提出一种电气设备，所述电气设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的局部放电定位检测程序，所述局部放电定位检测程序被所述处理器执行时实现如上所述的局部放电定位检测方法的步骤。
本发明技术方案通过在电气设备中应用局部放电定位检测方法，解决电气设备中存在局部放电导致其绝缘劣化，严重时可能会导致电网大面积停电事故的问题。本方案通过实时采集所述电气设备运行的无线电发射数据，结合机器学习构建预测回归模型建立无线电频谱数据库；读取所述无线电频谱数据库中的无线电发射数据，训练一个回归器使其学习到训练数据中的共性规律，并利用学习到的规律对未知样本进行预测，采用神经网络的进行降维处理，并通过粒子群算法进行优化，计算出优化后的所述无线电发射数据的坐标。即是通过机器学习训练出一个输入为无线电频谱数据，输出为二维坐标的模型，从而找到电气设备中的局部放电位置，协助相关人员准确定位电气设备的故障位置，并及时维护电气设备的正常运行。本发明技术方案提升了电气设备中检测局部放电位置的定位精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1为本发明局部放电定位监测方法一实施例的流程示意图；
图2为本发明自编码器降维模型一实施例的结构示意图；
图3为本发明神经网络回归模型一实施例的结构示意图；
图4为本发明局部放电定位检测装置一实施例的结构示意图。
附图标号说明：
标号 名称 标号 名称
10 数据采集模块 30 降维处理模块
20 特征提取模块 40 坐标获取模块
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
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的一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明，若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后……)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，若本发明实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，若全文中出现的“和/或”的含义为，包括三个并列的方案，以“A和/或B”为例，包括A方案，或B方案，或A和B同时满足的方案。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
本发明提出一种局部放电定位检测方法，应用于电气设备。
在本发明一实施例中，如图1所示，该局部放电定位检测方法包括：
步骤S100，获取所述电气设备中的局部放电数据，并建立无线电频谱数据库后构建预测回归模型；其中，局部放电数据具有已知样本和未知样本；
步骤S200，根据所述预测回归模型，对所述无线电频谱数据库中已知样本的局部放电数据进行特征提取；
步骤S300，对所述特征提取后已知样本的局部放电数据进行降维处理；
步骤S400，将降维处理后的已知样本的局部放电数据通过粒子群算法进行优化，并根据优化后的局部放电数据计算出所述未知样本的局部放电数据的位置坐标。
可以理解的是，电气设备可以是电网中的变压器，变压器绝缘性能的劣化是导致其失效的主要原因，严重时可能会导致电网大面积停电事故。而局部放电既是变压器绝缘劣化的征兆，又是造成绝缘劣化的关键性因素。在变电站中，变压器容易发生局部放电。当导体之间放电部分连接的绝缘体时，就会发生局部放电；当电场强度大于绝缘子击穿强度时，放电往往高度集中。局部缺陷的位置包括固体绝缘中的气穴、液体绝缘中的气泡或颗粒，对其过程进行监督可以在初期发现局部放电现象，从而避免巨大损失。
基于上述实施例，本方案即是获取变压器的局部放电数据，并建立无线电频谱数据库构建预测回归模型；对无线电频谱数据库中已知样本的局部放电数据进行特征提取；对特征提取后已知样本的局部放电数据进行降维处理；将降维处理后的已知样本的局部放电数据通过粒子群算法进行优化，并计算出未知样本的局部放电数据的位置坐标。可以理解的是，变压器的局部放电数据具有已知样本和未知样本，本方案中根据已知样本构建的预测回归模型，以计算未知样本的位置坐标数据。也即是通过采集电网中变压器的放电数据，结合机器学习对局部放电的位置构建预测回归模型，再进行特征提取，在提取到有效特征后，训练一个回归器使其学习到训练数据中的共性规律，并利用学习到的规律对未知样本进行预测，最终输出一个变压器放电源的二维位置坐标，从而找到局部放电部位，协助相关人员准确定位电气设备的故障位置并及时维护电气设备的正常运行。
本实施例中，获取所述电气设备中的局部放电数据可以是在变电站中的已知样本位置部署无线电传感器，通过无线电传感器实时记录局部放电源的无线电发射，在采用具有记忆功能的高速多通道泰克示波器作为信号采集系统，以采集无线电传感器记录的局部放电源的无线电发射数据，并实现对放电源信号的存储，建立无线电频谱数据库构建预测回归模型。可以理解的是，已知样本的局部放电源位置可以通过机器学习算法预测出来。
需要说明的是，机器学习算法即是基于神经网络。神经网络是一门要的机器学习技术，是深度学习的基础。具体是一种模拟人脑的神经网络，以期能够实现类人工智能的机器学习技术。也即是人工神经网络是一种算法结构，使得机器能够学习一切，它由数千个互连的人造神经元组成，它们按顺序堆叠在一起，以称为层的形式形成数百万个连接。在许多情况下，层仅通过输入和输出与它们之前和之后的神经元层互连。最后，通过一系列的线性函数和激活函数重复拟合到我们最终的值。神经元模型是一个包含输入、输出和计算功能的模型，一个神经网络的训练算法就是让权重的值调整到最佳，以使得整个网络的预测效果最好。
基于此，本方案即是通过神经网络模型，结合粒子群算法的优化，以计算出变电站中局部放电源更加准确的位置，提升了电气设备中检测局部放电位置的定位精度。
本发明技术方案通过在电气设备中应用局部放电定位检测方法，解决电气设备中存在局部放电导致其绝缘劣化，严重时可能会导致电网大面积停电事故的问题。本方案通过实时采集所述电气设备运行的无线电发射数据，结合机器学习构建预测回归模型建立无线电频谱数据库；读取所述无线电频谱数据库中的无线电发射数据，训练一个回归器使其学习到训练数据中的共性规律，并利用学习到的规律对未知样本进行预测，采用神经网络的进行降维处理，并通过粒子群算法进行优化，计算出优化后的所述无线电发射数据的坐标。即是通过机器学习训练出一个输入为无线电频谱数据，输出为二维坐标的模型，从而找到电气设备中的局部放电位置，协助相关人员准确定位电气设备的故障位置，并及时维护电气设备的正常运行。本发明技术方案提升了电气设备中检测局部放电位置的定位精度。
在一实施例中，所述获取所述电气设备中的局部放电数据，并建立无线电频谱数据库构建预测回归模型的步骤包括：
获取所述电气设备中局部放电源的无线电发射信号，建立所述无线电频谱数据库；
根据所述无线电频谱数据库中已知样本的局部放电数据，建立预测回归模型。
本实施例中，所述预测回归模型为I＝f(r)+e(r)，其中，I为局部放电源的数据坐标，r为输入的局部放电源无线电发射信号，f(r)为预测函数，e(r)为噪声函数。
本实施例中，输入的局部放电源无线电发射信号
Figure BDA0002320740710000071
Q表示变电站中获取局部放电源无线电发射信号的检测天线，M表示局部放电源的位置。局部放电源的数据坐标即为I＝(Ix，Iy)。无线电频谱数据库即是多个局部放电源的无线电发射信号的数据集，可以表示为D＝{D1，D2，D3...}，Dm＝{rm，Im}。
可以理解的是，本方案无线电频谱数据库中已知样本的局部放电数据越多，通过预测回归模型计算出的未知样本的局部放电源的位置坐标越准确。对于本方案变电站中已知样本局部放电源的个数、以及未知样本局部放电源的个数不做具体限制，已知样本局部放电源的个数可以是100个、144个、156个等，未知样本局部放电源的个数可以是15个、20个、32个等，根据实际应用环境需要设置。
在一实施例中，所述对特征提取后已知样本的局部放电数据进行降维处理的步骤包括：
对所述特征提取后已知样本的局部放电数据进行编码并压缩；
对压缩的已知样本局部放电数据进行解码，并重建局部放电数据后并输出。
本实施例中，获取变电站中特征提取后已知样本的局部放电数据，可以通过一个多层神经网络把它编码成一个低维数据，从而重建这个高维数据，其中这个神经网络的中间层神经元数是较少的，在本方案中可把这个神经网络叫做自编码器。可以理解的是，在对特征提取后已知样本的局部放电数据进行编码和重建的过程中，就可以不断的调整权值，以使权值调整为最佳，提升最终局部放电数据坐标的准确性。
需要说明的是，在对所述特征提取后已知样本的局部放电数据进行降维处理的过程中，具有梯度下降法对自动编码器的权值进行微调，只有在初始化权值较好时才能得到最优解，不然就容易陷入局部最优解。此算法比用主成份分析来对数据进行降维更好更有效。自编码器降维模型如图2所示，在自编码器的模型中由于存在多个检测无线电传感器，假设为n，则对于每一个定位点，就会有n维的数据，我们将n维的数据分别放入自编码器中进行降维，从而得到n*m的训练数据。另外，自编码器也能够将数据升维，目的在于将隐含的信息挖掘出来。
基于上述实施例，所述将降维处理后的已知样本的局部放电数据通过粒子群算法进行优化，并根据优化后的局部放电数据计算出所述未知样本的局部放电数据的位置坐标步骤包括：
基于BP神经网络的预测回归模型，将非线性激活函数Sigmoid换为f(x)＝x函数以更新所述降维后的已知样本的局部放电数据参数；
根据更新后的降维已知样本的局部放电数据参数，计算出所述未知样本的局部放电数据的位置坐标。
本实施例中，使用神经网络做回归原理如图3所示。本方案基于一个用来分类的BP神经网络，对它进行修改，实现了一个回归模型，用来做室内定位。此回归模型去掉了第三层的非线性转换，或者说把非线性激活函数Sigmoid换成f(x)＝x函数。解决了Sigmoid函数的输出范围太小的问题，使得回归模型的输出范围较大。可以理解的是，BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，是目前应用最广泛的神经网络。
基于此，对于BP神经网络的模型修改如下：
前向传递：
输入：a0＝x；
第一层：a1＝σ(w1a0+b1)；
第二层：a2＝w2a1+b2。
反向传播：
令损失函数：
Figure BDA0002320740710000091
对于第二层：a2＝z2，z2＝w2a1+b2；
Figure BDA0002320740710000092
Figure BDA0002320740710000093
Figure BDA0002320740710000094
需要说明的是，自编码器是一种旨在将它们的输入复制到的输出的神经网络，通过将输入压缩成一种隐藏空间表示，然后重构这种表示的输出进行工作。这种网络由编码器和解码器组成。编码器是将输入压缩为潜在空间表示，可以用编码函数h＝f(x)表示。解码器是重构来自隐藏空间表示的输入，可以用解码函数r＝g(h)表示。因此整个网络可以看成是要g(f(x))和x尽量接近。以此使得未知样本的局部放电数据的位置坐标，在自编码器的编码解码过程中更加准确。
在一实施例中，所述粒子群算法具体步骤为：
搜索所述无线电频谱数据库中每一无线电频谱数据的神经元，并计算相应权值的适应度；
更新所述无线电频谱数据库中的每一无线电频谱数据的位置；
对最优无线电频谱数据和最差无线电频谱数据进行优化处理；
当无线电频谱数据为最优位置，则搜索停止，当无线电频谱数据为最差位置，则返回继续搜索。
本实施例中，在基于回归模型更新参数时，采用离子群算法，具体为：
假设在D维搜索空间中，有m个粒子组成一个群体，第i个粒子在D维空间中的位置表示为Xi＝(Xi1,Xi2,...,XiD),第i个粒子经历过的最好位置记为Pi＝(Pi1,Pi2,...,PiD)，第i个粒子的飞行速度记为Vi＝(Vi1,Vi2,...,ViD)。在整个群体中，所有粒子经历过的最好位置为Pg＝(Pg1,Pg2,...,PgD)，Vid＝ωVid+c1r1(Pid-Xid)+c2r2(Pgd-Xid)，X'id＝Xid+Vid。
本实施例中，所述更新所述无线电频谱数据库中的每一无线电频谱数据的位置的步骤包括：
更新所述无线电频谱数据库中的每一无线电频谱数据适应度；
当无线电频谱数据适应度优于个体极值Pbest，则Pbest设置为更新位置；
当无线电频谱数据适应度优于全局极值gbest，则gbest设置为更新位置。
基于上述实施例，可以理解的是，粒子群算法是一种现有技术，采用基于粒子群优化神经网络回归算法，对定位点的横纵坐标分别建模，减小了横纵坐标之间的相关性，能够更好的拟合变电站局部放电源位置的坐标值。另外，粒子群算法的优化使得本回归模型收敛更佳迅速。
本发明还提出一种局部放电定位检测装置，如图4所示，该局部放电定位检测装置包括：数据采集模块10，用于获取所述电气设备中的局部放电数据，并建立无线电频谱数据库构建预测回归模型；其中，局部放电数据具有已知样本和未知样本；特征提取模块20，用于对所述无线电频谱数据库中已知样本的局部放电数据进行特征提取；降维处理模块30，用于对所述特征提取后已知样本的局部放电数据进行降维处理；坐标获取模块40，将降维处理后的已知样本的局部放电数据通过粒子群算法进行优化，并计算出所述未知样本的局部放电数据的位置坐标。该局部放电定位检测装置的具体结构参照上述实施例，由于本局部放电定位检测装置采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
本发明还提出一种可读存储介质，所述可读存储介质上存储有局部放电定位检测程序，所述局部放电定位检测程序被处理器执行时实现如上所述的局部放电定位检测方法的步骤。
本发明还提出一种电气设备，所述电气设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的局部放电定位检测程序，所述局部放电定位检测程序被所述处理器执行时实现如上所述的局部放电定位检测方法的步骤。
在一实施例中，所述电气设备还具有网络模块，通过将存储在所述存储器上并可在所述处理器上运行的局部放电定位检测程序，以及变电站中变压器的局部放电数据传输至边缘计算设备进行计算处理，提升了稳定性，降低了时延。可以理解的是，边缘计算是指在靠近设备或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供本地化服务，应用程序在边缘侧执行，在节省带宽的情况下产生更快的网络服务响应。本方案中采用边缘计算，更靠近电气设备侧，使得边缘计算的延迟性较低，边缘计算设备上可以汇集数据，实现灵活配置和算力扩容，在边缘聚合处理数据再上传，也节省了带宽资源。
此外，由于在实际应用环境中，有各种的电气设备，需要将各电气设备的数据传输至服务器进行后天数据处理，在本方案中除了应用边缘计算，还可以采用容器技术进行处理；可以理解的是，容器技术可以有效的将单个操作系统的资源划分到孤立的组中，以便更好的在孤立的组之间平衡有冲突的资源使用需求，可以在同一台服务器上创建相比于之前两倍的虚拟机实例数量，提升了资源的利用率，节省了在检测电气设备中局部放电位置时的成本。
以上所述仅为本发明的可选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (10)

1.一种局部放电定位检测方法，应用于电气设备，其特征在于，所述局部放电定位检测方法包括：
获取所述电气设备中的局部放电数据，并建立无线电频谱数据库后构建预测回归模型；其中，局部放电数据具有已知样本和未知样本；
根据所述预测回归模型，对所述无线电频谱数据库中已知样本的局部放电数据进行特征提取；
对特征提取后已知样本的局部放电数据进行降维处理；
将降维处理后的已知样本的局部放电数据通过粒子群算法进行优化，并根据优化后的局部放电数据计算出所述未知样本的局部放电数据的位置坐标。
2.如权利要求1所述的局部放电定位检测方法，其特征在于，所述获取所述电气设备中的局部放电数据，并建立无线电频谱数据库后构建预测回归模型的步骤包括：
获取所述电气设备中局部放电源的无线电发射信号，建立所述无线电频谱数据库；
根据所述无线电频谱数据库中已知样本的局部放电数据，建立预测回归模型。
3.如权利要求2所述的局部放电定位检测方法，其特征在于，所述预测回归模型为I＝f(r)+e(r)，其中，I为局部放电源的数据坐标，r为输入的局部放电源无线电发射信号，f(r)为预测函数，e(r)为噪声函数。
4.如权利要求1所述的局部放电定位检测方法，其特征在于，所述对特征提取后已知样本的局部放电数据进行降维处理的步骤包括：
对所述特征提取后已知样本的局部放电数据进行编码并压缩；
对压缩的已知样本局部放电数据进行解码，并重建局部放电数据后并输出。
5.如权利要求1所述的局部放电定位检测方法，其特征在于，所述将降维处理后的已知样本的局部放电数据通过粒子群算法进行优化，并根据优化后的局部放电数据计算出所述未知样本的局部放电数据的位置坐标步骤包括：
基于BP神经网络的预测回归模型，以f(x)＝x函数更新降维后的已知样本的局部放电数据参数；
根据更新后的降维已知样本的局部放电数据参数，计算出所述未知样本的局部放电数据的位置坐标。
6.如权利要求1所述的局部放电定位检测方法，其特征在于，所述粒子群算法具体步骤为：
搜索所述无线电频谱数据库中每一无线电频谱数据的神经元，并计算相应权值的适应度；
更新所述无线电频谱数据库中的每一无线电频谱数据的位置；
对最优无线电频谱数据和最差无线电频谱数据进行优化处理；
当无线电频谱数据为最优位置，则搜索停止，当无线电频谱数据为最差位置，则返回继续搜索。
7.如权利要求6所述的局部放电定位检测方法，其特征在于，所述更新所述无线电频谱数据库中的每一无线电频谱数据的位置的步骤包括：
更新所述无线电频谱数据库中的每一无线电频谱数据适应度；
当无线电频谱数据适应度优于个体极值Pbest，则Pbest设置为更新位置；
当无线电频谱数据适应度优于全局极值gbest，则gbest设置为更新位置。
8.一种局部放电定位检测装置，应用于电气设备，其特征在于，所述局部放电定位检测装置包括：
数据采集模块，用于获取所述电气设备中的局部放电数据，并建立无线电频谱数据库构建预测回归模型；其中，局部放电数据具有已知样本和未知样本；
特征提取模块，用于对所述无线电频谱数据库中已知样本的局部放电数据进行特征提取；
降维处理模块，用于对所述特征提取后已知样本的局部放电数据进行降维处理；
坐标获取模块，将降维处理后的已知样本的局部放电数据通过粒子群算法进行优化，并计算出所述未知样本的局部放电数据的位置坐标。
9.一种可读存储介质，其特征在于，所述可读存储介质上存储有局部放电定位检测程序，所述局部放电定位检测程序被处理器执行时实现如权利要求1-7中任一项所述的局部放电定位检测方法的步骤。
10.一种电气设备，其特征在于，所述电气设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的局部放电定位检测程序，所述局部放电定位检测程序被所述处理器执行时实现如权利要求1-7中任一项所述的局部放电定位检测方法的步骤。
CN201911307861.3A 2019-12-16 2019-12-16 局部放电定位检测方法、装置、可读存储介质及电气设备 Active CN110988631B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911307861.3A CN110988631B (zh) 2019-12-16 2019-12-16 局部放电定位检测方法、装置、可读存储介质及电气设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911307861.3A CN110988631B (zh) 2019-12-16 2019-12-16 局部放电定位检测方法、装置、可读存储介质及电气设备

Publications (2)

Publication Number Publication Date
CN110988631A true CN110988631A (zh) 2020-04-10
CN110988631B CN110988631B (zh) 2021-03-19

Family

ID=70095194

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911307861.3A Active CN110988631B (zh) 2019-12-16 2019-12-16 局部放电定位检测方法、装置、可读存储介质及电气设备

Country Status (1)

Country Link
CN (1) CN110988631B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111537853A (zh) * 2020-06-29 2020-08-14 国网山东省电力公司菏泽供电公司 基于多源异构数据分析的开关柜局部放电智能检测方法
CN112710915A (zh) * 2020-12-18 2021-04-27 北京百度网讯科技有限公司 监控电力设备的方法、装置、电子设备和计算机存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010017300A1 (en) * 2008-08-06 2010-02-11 Halliburton Energy Services, Inc. Systems and methods employing cooperative optimization-based dimensionality reduction
CN105606966A (zh) * 2015-12-21 2016-05-25 安徽理工大学 基于混合神经网络算法的局部放电模式识别方法
CN106503689A (zh) * 2016-11-14 2017-03-15 哈尔滨理工大学 基于粒子群算法的神经网络局部放电信号模式识别方法
CN107179491A (zh) * 2017-06-21 2017-09-19 国家电网公司 一种基于模式识别的局部放电定位方法和系统
CN108573225A (zh) * 2018-03-30 2018-09-25 国网天津市电力公司电力科学研究院 一种局部放电信号模式识别方法及系统
KR101958903B1 (ko) * 2018-05-31 2019-03-15 수원대학교산학협력단 RBFNNs 모델을 이용한 부분 방전 분류 시스템
CN110334948A (zh) * 2019-07-05 2019-10-15 上海交通大学 基于特征量预测的电力设备局部放电严重程度评估方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010017300A1 (en) * 2008-08-06 2010-02-11 Halliburton Energy Services, Inc. Systems and methods employing cooperative optimization-based dimensionality reduction
CN105606966A (zh) * 2015-12-21 2016-05-25 安徽理工大学 基于混合神经网络算法的局部放电模式识别方法
CN106503689A (zh) * 2016-11-14 2017-03-15 哈尔滨理工大学 基于粒子群算法的神经网络局部放电信号模式识别方法
CN107179491A (zh) * 2017-06-21 2017-09-19 国家电网公司 一种基于模式识别的局部放电定位方法和系统
CN108573225A (zh) * 2018-03-30 2018-09-25 国网天津市电力公司电力科学研究院 一种局部放电信号模式识别方法及系统
KR101958903B1 (ko) * 2018-05-31 2019-03-15 수원대학교산학협력단 RBFNNs 모델을 이용한 부분 방전 분류 시스템
CN110334948A (zh) * 2019-07-05 2019-10-15 上海交通大学 基于特征量预测的电力设备局部放电严重程度评估方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李臻等: "基于RSSI指纹的特高频局部放电定位方法", 《高电压技术》 *
罗新等: "粒子群优化自适应小波神经网络在带电局放信号识别中的应用", 《电工技术学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111537853A (zh) * 2020-06-29 2020-08-14 国网山东省电力公司菏泽供电公司 基于多源异构数据分析的开关柜局部放电智能检测方法
CN112710915A (zh) * 2020-12-18 2021-04-27 北京百度网讯科技有限公司 监控电力设备的方法、装置、电子设备和计算机存储介质
CN112710915B (zh) * 2020-12-18 2024-02-20 北京百度网讯科技有限公司 监控电力设备的方法、装置、电子设备和计算机存储介质

Also Published As

Publication number Publication date
CN110988631B (zh) 2021-03-19

Similar Documents

Publication Publication Date Title
Shanthamallu et al. A brief survey of machine learning methods and their sensor and IoT applications
CN110957012B (zh) 化合物的性质分析方法、装置、设备及存储介质
CN111860588A (zh) 一种用于图神经网络的训练方法以及相关设备
CN107220506A (zh) 基于深度卷积神经网络的乳腺癌风险评估分析系统
CN111881671B (zh) 一种属性词提取方法
CN106062786A (zh) 用于训练神经网络的计算系统
CN112560966B (zh) 基于散射图卷积网络的极化sar图像分类方法、介质及设备
CN110988631B (zh) 局部放电定位检测方法、装置、可读存储介质及电气设备
CN111047078B (zh) 交通特征预测方法、系统及存储介质
CN113434683B (zh) 文本分类方法、装置、介质及电子设备
CN112906853A (zh) 模型自动优化的方法及装置、设备、存储介质
CN115858609A (zh) 电动汽车充电桩状态监测方法、故障鉴定方法及电子设备
CN105740212A (zh) 一种基于正则化向量自回归模型的传感器异常检测方法
CN115131580B (zh) 基于注意力机制的空间目标小样本识别方法
CN116007937A (zh) 一种机械设备传动部件智能故障诊断方法及装置
Nwankwo et al. Prediction of house prices in Lagos-Nigeria using machine learning models
Ahmed et al. Genetic algorithm based framework for optimized sensing matrix design in compressed sensing
CN110288002B (zh) 一种基于稀疏正交神经网络的图像分类方法
CN211478524U (zh) 局部放电定位检测装置及电气设备
CN109558819B (zh) 一种用于遥感图像目标检测的深度网络轻量化方法
CN111611796A (zh) 下位词的上位词确定方法、装置、电子设备及存储介质
CN116610846A (zh) 用于牛养殖的配种筛选方法及其系统
CN116523002A (zh) 多源异构数据的动态图生成对抗网络轨迹预测方法和系统
CN116124448A (zh) 用于风电齿轮箱的故障诊断系统及其方法
CN115359296A (zh) 图像识别方法、装置、电子设备及存储介质

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