CN111239554B - 一种基于大数据的超声波局放检测分析模型 - Google Patents

一种基于大数据的超声波局放检测分析模型 Download PDF

Info

Publication number
CN111239554B
CN111239554B CN201911205930.XA CN201911205930A CN111239554B CN 111239554 B CN111239554 B CN 111239554B CN 201911205930 A CN201911205930 A CN 201911205930A CN 111239554 B CN111239554 B CN 111239554B
Authority
CN
China
Prior art keywords
partial discharge
ultrasonic
signal
ultrasonic signal
imf
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
CN201911205930.XA
Other languages
English (en)
Other versions
CN111239554A (zh
Inventor
孔德昕
佟强
肖斐鸿
周西洋
赵晓兵
杜雨
麦金龙
苏炳泽
周子强
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.)
China Southern Power Grid Digital Platform Technology Guangdong Co ltd
Shenzhen Power Supply Bureau Co Ltd
Original Assignee
Shenzhen Power Supply Bureau Co Ltd
Shenzhen Digital Power Grid Research Institute of China Southern Power Grid 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 Power Supply Bureau Co Ltd, Shenzhen Digital Power Grid Research Institute of China Southern Power Grid Co Ltd filed Critical Shenzhen Power Supply Bureau Co Ltd
Priority to CN201911205930.XA priority Critical patent/CN111239554B/zh
Publication of CN111239554A publication Critical patent/CN111239554A/zh
Application granted granted Critical
Publication of CN111239554B publication Critical patent/CN111239554B/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
    • G01R31/1209—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 using acoustic measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明提供一种基于大数据的超声波局放检测分析模型，包括输入单元，获取从配电设备采集的待检测超声波信号；大数据单元，获取配电设备局部放电产生超声波信号的大数据样本，其中大数据样本包括多个样本超声波信号及其对应的局部放电类型；特征提取单元，对待检测超声波信号和样本超声波信号进行特征提取处理输出该超声波信号的特征参数；模型训练单元，采用样本超声波信号的特征参数和对应的局部放电类型构成训练集对局放检测模型进行训练，输出训练好的局放检测模型；局放分析单元，将待检测超声波信号的特征参数输入到训练好的局放检测模型，输出该待检测超声波信号的局部放电类型。本发明根据大数据样本进行局放检测，准确型高，可靠性强。

Description

一种基于大数据的超声波局放检测分析模型
技术领域
本发明涉及局放检测技术领域，特别是一种基于大数据的超声波局放检测分析模型。
背景技术
如今带有绝缘性能的设备在当前的电力系统中得到大量的应用，其设备的绝缘状态与电网安全息息相关。局部放电可以有效反映电力设备内部绝缘缺陷的主要特征之一，对配电设备进行局部放电检测可以有效获取设备的绝缘状况，从而及时消除隐患，避免重大事故的发生。
现有技术中，发现配电设备在产生局部放电时，会产生冲击的振动和声波，通过超声波检测仪可对放电超声波信号进行接收，并通过对超声波信号的识别可以发现和定位可能存在的局部放电隐患。但是，由于配电现场运行环境复杂多样，因此采集的超声波信号存在的差异较大，目前通过单一特征对超声波信号进行判断并识别局部放电模式的方法并不能满足人们对局部放电模式识别准确性和客观性的需求。
发明内容
针对上述问题，本发明旨在提供一种基于大数据的超声波局放检测分析模型。
本发明的目的采用以下技术方案来实现：
一种基于大数据的超声波局放检测分析模型，包括：
输入单元，用于获取从配电设备采集的待检测超声波信号；
大数据单元，用于获取配电设备局部放电产生超声波信号的大数据样本，其中大数据样本包括多个样本超声波信号及其对应的局部放电类型；
特征提取单元，分别与输入单元和大数据单元连接，用于对待检测超声波信号和样本超声波信号进行特征提取处理，输出该超声波信号的特征参数，
模型训练单元，与特征提取单元连接，用于采用样本超声波信号的特征参数和对应的局部放电类型构成训练集对局放检测模型进行训练，输出训练好的局放检测模型；
局放分析单元，分别与特征提取单元和模型训练单元连接，用于调用训练好的局放检测模型，将待检测超声波信号的特征参数输入到训练好的局放检测模型，输出该待检测超声波信号对应的局部放电类型。
在一种实施方式中，分析模型还包括：输出单元，与局部分析单元连接，用于输出局部分析单元的输出结果。
在一种实施方式中，局放检测模型采用支持向量机分类器，将待检测超声波信号的特征参数输入到训练好的支持向量机分类器，该训练好的支持向量机分类器能够输入待检测超声波信号的局部放电类型。
在一种实施方式中，输入单元与超声波传感器连接，获取超声波传感器从配电设备中采集的待检测超声波信号。
在一种实施方式中，输入单元与存储设备连接，获取存储设备中预先存储好的待检测超声波信号。
在一种实施方式中，分析模型还包括去噪单元，去噪单元设置在输入单元和特征提取单元之间，分别与输入单元和特征提取单元连接，用于对输入单元获取的待检测超声波信号进行去噪处理，输出去噪后的待检测超声波信号到特征提取单元进一步处理。
本发明的有益效果为：一方面，分析模型分别设置有输入单元和大数据单元作为输入接口，输入单元用于输入待检测的超声波信号，大数据单元接入大数据库，获取用于局放检测的超声波信号大数据样本；特征提取单元通过统一的特征提取方式分别对待检测的超声波信号和样本超声波信号进行识别，采用统一的特征提取标准，能够确保特征提取的客观性；
另一方面，将大数据样本中的超声波信号作为训练数据，将其获取的特征参数作为训练局放检测模型的训练集，由于该训练集数据源于大数据样本，确保训练集数据的多样性和客观性，间接提高了训练模型的质量；
最后将待检测超声波信号的特征参数作为输入集输入到训练好的局放检测模型中，通过对该特征参数进行分类，最后输出的局放检测结果准确性高、可靠性高。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1为本发明的框架结构图。
附图标记：
输入单元1、大数据单元2、特征提取单元3、模型训练单元4、局放分析单元5、输出单元6、去噪单元7
具体实施方式
结合以下应用场景对本发明作进一步描述。
参见图1，其示出一种基于大数据的超声波局放检测分析模型，包括：
输入单元1，用于获取从配电设备采集的待检测超声波信号；
大数据单元2，用于获取配电设备局部放电产生超声波信号的大数据样本，其中大数据样本包括多个样本超声波信号及其对应的局部放电类型；
特征提取单元3，分别与输入单元1和大数据单元2连接，用于对待检测超声波信号和样本超声波信号进行特征提取处理，输出该超声波信号的特征参数，
模型训练单元4，与特征提取单元3连接，用于采用样本超声波信号的特征参数和对应的局部放电类型构成训练集对局放检测模型进行训练，输出训练好的局放检测模型；
局放分析单元5，分别与特征提取单元3和模型训练单元4连接，用于调用训练好的局放检测模型，将待检测超声波信号的特征参数输入到训练好的局放检测模型，输出该待检测超声波信号对应的局部放电类型。
本发明上述实施方式，一方面，分析模型分别设置有输入单元1和大数据单元2作为输入接口，输入单元1用于输入待检测的超声波信号，大数据单元2接入大数据库，获取用于局放检测的超声波信号大数据样本；特征提取单元3通过统一的特征提取方式分别对待检测的超声波信号和样本超声波信号进行识别，采用统一的特征提取标准，能够确保特征提取的客观性；
另一方面，将大数据样本中的超声波信号作为训练数据，将其获取的特征参数作为训练局放检测模型的训练集，由于该训练集数据源于大数据样本，确保训练集数据的多样性和客观性，间接提高了训练模型的质量；
最后将待检测超声波信号的特征参数作为输入集输入到训练好的局放检测模型中，通过对该特征参数进行分类，最后输出的局放检测结果准确性高、可靠性高。
在一种实施方式中，分析模型还包括：输出单元6，与局部分析单元连接，用于输出局部分析单元的输出结果。
本发明上述实施方式，作为分析模型的可扩展功能，对待检测超声波信号的局方检测结果可通过输出单元6连接到外部扩展模块或存储单元被进一步调用或整理。
同时，检测结果也能够同步更新到大数据库，作为数据的不断补充。
在一种实施方式中，局放检测模型采用支持向量机分类器，将待检测超声波信号的特征参数输入到训练好的支持向量机分类器，该训练好的支持向量机分类器能够输入待检测超声波信号的局部放电类型。
本发明上述实施方式，采用SVM支持向量机分类器建立局放分类模型，能够依托于现有的支持向量机分类器进行训练出局放检测模型，适应性强。
在一种实施方式中，大数据单元2与大数据服务器连接，从大数据服务器中获取配电设备不同局部放电类型产生的超声波信号的大数据样本，其中大数据样本包括多个样本超声波信号及其对应的局部放电类型。
在一种实施方式中，局部放电类型包括悬浮放电、尖刺放电、沿面放电、间隙放电和无放电，样本超声波信号为上述任一种局部放电类型产生的样本超声波信号；
作为优选的实施方式中，训练集中包括上述每种局部放电类型50个样本超声波信号的特征参数。
在获取的超声波信号大数据样本中，该样本包括已确定放电类型的超声波信号，其中局部放电类型包括悬浮放电、尖刺放电、沿面放电、间隙放电，从大数据库中获取的样本数据包括局放类型标识以及相应的超声波信号段；同时，为了提高样本的完整性和客观性，该样本中还包括不存在局部放电故障时采集到的超声波信号样本。
在一种实施方式中，输入单元1与超声波传感器连接，获取超声波传感器从配电设备中采集的待检测超声波信号。
在一种实施方式中，输入单元1与存储设备连接，获取存储设备中预先存储好的待检测超声波信号。
在一种实施方式中，分析模型还包括去噪单元7，去噪单元7设置在输入单元1和特征提取单元3之间，分别与输入单元1和特征提取单元3连接，用于对输入单元1获取的待检测超声波信号进行去噪处理，输出去噪后的待检测超声波信号到特征提取单元3进一步处理。
由于获取的超声波信号通常为从配电现场采集的超声波信号，因此该待检测的超声波信号不能避免地会收到配电现场不同噪声的干扰；因此，在对该超声波信号进行特征提取之前，通过设置去噪单元7对该超声波信号首先进行去噪处理，能够去除超声波信号在采集或者传输过程中受到的噪声干扰，提高特征提取的贴合性，有助于提高超声波信号局放检测的效果。
在一种实施方式中，特征提取单元3，具体包括：对超声波信号进行经验模态分解，将该超声波信号分解成一组IMF(本证模态分量)信号，并根据该组IMF信号提取该超声波信号的特征参数；
其中，对超声波信号进行经验模态分解，包括：
1)初始化阶段：
设定待分解信号D0(t)＝X(t)，分解次数p＝1，其中X(t)表示该超声波信号；
2)IMF信号分解阶段：
21)初始化临时信号L0(t)＝Dp-1(t)，调整次数q＝1；
22)获取临时信号Lq-1(t)的局部极值点；
对临时信号Lq-1(t)的极大值点和极小值点分别进行三次样条函数插值，形成上包络线和下包络线；
计算上包络线和下包络线的平均值mq-1(t)；
对临时函数进行调整Lq(t)＝Lq-1(t)-mq-1(t)；
23)如果Lq(t)符合IMF信号，即同时满足(1)函数在整个时间范围内，局部极值点和过零点的数目必须相等，或最多相差一个；(2)在任意时刻点，局部最大值的上包络线和局部最小值的下包络线平均必须为零；则记录第p个IMF信号imfp(t)＝Lq(t)；否则，记调整次数q＝q+1；并跳转到步骤22)；
3)迭代阶段：
如果当前分解次数为p＝1时，当输出第一个IMF信号imf1(t)后，更新待分解信号Dp(t)＝Dp-1(t)-imf1(t)；
如果当前分解次数为p>1时，当输出第p个IMF信号imfp(t)后，更新待分解信号Dp(t)＝imfp(t)；
当当前待分解信号Dp(t)的极值点数仍多于2个时，更新当前分解次数p＝p+1，并重复2)IMF信号分解阶段；否则，结束经验模态分解，输出第p＝1,2,…,I个IMF信号作为该组IMF信号，其中I表示分解获取IMF信号的总数；
特征提取阶段：根据上述经验模态分解的结果，获取该组IMF信号的总数P、最大幅值Umax、最大幅值Umax所在的分解次数pU、最大能量所在的分解次数pE以及能量分布均匀度hen作为该超声波信号的特征参数
Figure GDA0002954723570000051
其中，能量分布均匀度
Figure GDA0002954723570000052
其中，Ep＝∑v|up(v)|2×Δt，Ep表示第p个IMF信号的能量，up(v)表示第p个IMF信号中第v个点的幅值，Δt表示采样周期，
Figure GDA0002954723570000053
表示前5个IMF信号的能量均值。
上述实施方式中，以经验模态分解为基础对超声波信号进行特征提取，发现不同局放类型的情况下，其分解出的IMF信号的特征存在差异，具体表现在IMF信号的最大可分解次数，最大幅值、最大幅值所在的分解次数、最大能量所在的分解次数以及能量分布均匀度，通过统计上述特征作为超声波信号的特征参数，能够有效地作为依据进行放点类型区分，准确判断超声波信号所属的局放类型，准确度高。
例如，以最大能量所在的分解次数，当悬浮放电时，其IMF能量最大值分布在第2或第3个IMF信号上；当沿面放电时，其IMF能量最大值分布在第1或第2个IMF信号上；当尖刺放电时，其IMF能量最大值分布在第2个IMF信号上；因此该特征能够有效反应不同局放类性之间存在的差异；同时配合其他的4个特征，综合组成该超声波信号的特征参数。
在一种实施方式中，去噪单元7对输入单元1获取的待检测超声波信号进行去噪处理，具体包括：对待检测超声波信号进行自定义小波去噪处理，包括：
采用设定的小波基和分解层数对待检测的超声波信号进行小波换边，获取该待检测的超声波信号的高频系数和低频系数；
对每层分解的高频系数进行阈值处理，获取阈值处理后的高频系数；
将阈值处理后的高频系数和低频系数进行重构，输出去噪后的待检测超声波信号；
其中，对高频系数进行阈值处理，采用的阈值处理函数为：
Figure GDA0002954723570000061
式中，
Figure GDA0002954723570000062
表示阈值处理后的第j层高频小波系数，zj表示阈值处理前的第j层高频小波系数，j＝1,2,…,J，J表示最大分解层数，T1(j)和T2(j)分别表示第一和第二门限阈值，其中T1(j)＝gT2(j)，g∈[0,1]，δ表示处理幅度因子，δ≥1；其中，
Figure GDA0002954723570000063
σ表示噪声的标准方差估计，
Figure GDA0002954723570000064
med(z1)表示第1层小波系数中的中位数，N表示信号长度，j表示分解层数，ε表示补偿调节因子；
上述实施方式中，首先通过小波变换获取超声波信号的高频小波系数和低频小波系数，并对高频小波系数进行阈值处理，其中采用上述改进的阈值函数，该阈值函数设置有两个门限阈值，能够有效地提高传统阈值函数中仅采用一个门限阈值而导致阈值点附近的处理效果不佳的问题，在两个门限阈值之间的阶段，通过缓和的阈值处理方式，对绝对值较小但还存在信息在其中的小波系数进行微调，能够最大限度的保留超声波信号的特征信息，为后续的特征提取奠定基础。同时，根据不同的效果预期设置处理幅度因子，能够调整阈值处理的效果，使得改进的阈值函数实用性更强；同时设置补偿调节因子、小波系数与第二门限阈值构成的补偿系数对第二门限阈值处的失真进行补偿，进一步提高该阈值函数的性能。
在一种实施方式中，去噪单元7中，小波基和分解层数的获取方法包括：
获取待检测的超声波信号X(t)，在该待检测的超声波信号X(t)的基础上施加等信号长度的高斯白噪声，构造带白噪声的超声波信号F(t)；
从小波基集合选取任意的小波基；
从分解层数集合中选择任意初始层数；
其中可选的小波基集合S＝{sym3,sym4,sym5,sym6,sym7,sym8}；可选的分解层数集合包括J＝{2,3,4,5,6,7}；
采用选定的小波基和分解层数组合对该带白噪声的超声波信号F(t)进行上述自定义小波去噪处理，获取去噪后的超声波信号F′(t)；
采用评定函数获取该组小波基和分解层数组合的去噪效果：
Figure GDA0002954723570000071
式中，M表示效果评定值，X(i)表示待检测的超声波信号第i个采样点的幅值，F′(i)表示自定义小波去噪处理后的超声波信号F′(t)第i个采样点的幅值，其中n表示信号长度，βR和γR分别表示自定义小波去噪处理后的超声波信号F′(t)与待检测的超声波信号的根方根误差的标准差和均值，βS和γS分别表示自定义小波去噪处理后的超声波信号F′(t)与待检测的超声波信号的根方根误差的标准差和均值；
选择不同的小波基和分解层数集合分别对待检测的超声波信号X(t)进行上述自定义小波去噪处理，并获取相应的效果评定值；
将获取的效果评定值依次排列，选取效果评定值Ms,j最小时对应选择的小波基和分解层数作为去噪单元7中选定的小波基和分解层数。
上述实施方式中，由于实际操作中，采集的待检测超声波信号通常已经受到噪声的干扰，而且通常无法得知原超声波信号，因此在进行上述小波去噪处理的过程中，对于选用不同的小波基和分解层数组合，带来的去噪结果并不相同，也无法得知哪个小波基最贴近原超声波信号。因此上述实施方式中，以待检测的超声波信号为基础，以其作为原信号，并在其上增加随机的白噪声，采用不同的小波基和分解层数组合进行去噪测试，通过上述改进的效果评定函数准确获取其相对于原信号的去噪效果，从而能够反映出选取的小波基对待检测超声波信号的贴合性，由于添加白噪声后，其超声波的整体特性并不会发生太大改变，因此能够通过上述方式选取处最贴合超声波特征的小波基；同时分解层数对小波去噪的效果也存在影响，因此通过上述效果评定函数同时能够找出最适合的小波基以及分解层数的组合，并以此对实际的待检测信号进行去噪处理，能够提高进一步提高上述去噪单元的效果。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当分析，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (5)

1.一种基于大数据的超声波局放检测分析模型，其特征在于，包括：
输入单元，用于获取从配电设备采集的待检测超声波信号；
大数据单元，用于获取配电设备局部放电产生超声波信号的大数据样本，其中所述大数据样本包括多个样本超声波信号及其对应的局部放电类型；
特征提取单元，分别与所述输入单元和大数据单元连接，用于对所述待检测超声波信号和样本超声波信号进行特征提取处理，输出该超声波信号的特征参数；
模型训练单元，与特征提取单元连接，用于采用所述样本超声波信号的特征参数和对应的局部放电类型构成训练集对局放检测模型进行训练，输出训练好的局放检测模型；
局放分析单元，分别与特征提取单元和模型训练单元连接，用于调用所述训练好的局放检测模型，将所述待检测超声波信号的特征参数输入到所述训练好的局放检测模型，输出该待检测超声波信号对应的局部放电类型；
所述分析模型还包括去噪单元，所述去噪单元设置在所述输入单元和特征提取单元之间，分别与所述输入单元和特征提取单元连接，用于对输入单元获取的待检测超声波信号进行去噪处理，输出去噪后的待检测超声波信号到所述特征提取单元进一步处理；
去噪单元对输入单元获取的待检测超声波信号进行去噪处理，具体包括：对待检测超声波信号进行自定义小波去噪处理，包括：
采用设定的小波基和分解层数对待检测的超声波信号进行小波换边，获取该待检测的超声波信号的高频系数和低频系数；
对每层分解的高频系数进行阈值处理，获取阈值处理后的高频系数；
将阈值处理后的高频系数和低频系数进行重构，输出去噪后的待检测超声波信号；
其中，对高频系数进行阈值处理，采用的阈值处理函数为：
Figure FDA0002954723560000011
式中，
Figure FDA0002954723560000012
表示阈值处理后的第j层高频小波系数，zj表示阈值处理前的第j层高频小波系数，j＝1，2，...，J，J表示最大分解层数，T1(j)和T2(j)分别表示第一和第二门限阈值，其中T1(j)＝gT2(j)，g∈[0，1]，δ表示处理幅度因子，δ≥1；其中，
Figure FDA0002954723560000013
σ表示噪声的标准方差估计，
Figure FDA0002954723560000014
med(z1)表示第1层小波系数中的中位数，N表示信号长度，j表示分解层数，ε表示补偿调节因子；
其中，所述特征提取单元，具体包括：对超声波信号进行经验模态分解，将该超声波信号分解成一组IMF本证模态分量信号，并根据该组IMF信号提取该超声波信号的特征参数；
其中，对超声波信号进行经验模态分解，包括：
1)初始化阶段：
设定待分解信号D0(t)＝X(t)，分解次数p＝1，其中X(t)表示该超声波信号；
2)IMF信号分解阶段：
21)初始化临时信号L0(t)＝Dp-1(t)，调整次数q＝1；
22)获取临时信号Lq-1(t)的局部极值点；
对临时信号Lq-1(t)的极大值点和极小值点分别进行三次样条函数插值，形成上包络线和下包络线；
计算上包络线和下包络线的平均值mq-1(t)；
对临时函数进行调整Lq(t)＝Lq-1(t)-mq-1(t)；
23)如果Lq(t)符合IMF信号，即同时满足(1)函数在整个时间范围内，局部极值点和过零点的数目必须相等，或最多相差一个；(2)在任意时刻点，局部最大值的上包络线和局部最小值的下包络线平均必须为零；则记录第p个IMF信号imfp(t)＝Lq(t)；否则，记调整次数q＝q+1；并跳转到步骤22)；
3)迭代阶段：
如果当前分解次数为p＝1时，当输出第一个IMF信号imf1(t)后，更新待分解信号Dp(t)＝Dp-1(t)-imf1(t)；
如果当前分解次数为p＞1时，当输出第p个IMF信号imfp(t)后，更新待分解信号Dp(t)＝imfp(t)；
当当前待分解信号Dp(t)的极值点数仍多于2个时，更新当前分解次数p＝p+1，并重复2)IMF信号分解阶段；否则，结束经验模态分解，输出第p＝1，2，...，I个IMF信号作为该组IMF信号，其中I表示分解获取IMF信号的总数；
特征提取阶段：根据上述经验模态分解的结果，获取该组IMF信号的总数P、最大幅值Umax、最大幅值Umax所在的分解次数pU、最大能量所在的分解次数pE以及能量分布均匀度hen作为该超声波信号的特征参数
Figure FDA0002954723560000031
其中，能量分布均匀度
Figure FDA0002954723560000032
其中，Ep＝∑v|up(v)|2×Δt，Ep表示第p个IMF信号的能量，up(v)表示第p个IMF信号中第v个点的幅值，Δt表示采样周期，
Figure FDA0002954723560000033
表示前5个IMF信号的能量均值。
2.根据权利要求1所述的一种基于大数据的超声波局放检测分析模型，其特征在于，所述分析模型还包括：输出单元，与局部分析单元连接，用于输出所述局部分析单元的输出结果。
3.根据权利要求1所述的一种基于大数据的超声波局放检测分析模型，其特征在于，所述局放检测模型采用支持向量机分类器，将待检测超声波信号的特征参数输入到训练好的支持向量机分类器，该训练好的支持向量机分类器能够输入所述待检测超声波信号的局部放电类型。
4.根据权利要求1所述的一种基于大数据的超声波局放检测分析模型，其特征在于，所述输入单元与超声波传感器连接，获取所述超声波传感器从配电设备中采集的待检测超声波信号；或
所述输入单元与存储设备连接，获取所述存储设备中预先存储好的待检测超声波信号。
5.根据权利要求1所述的一种基于大数据的超声波局放检测分析模型，其特征在于，所述局部放电类型包括悬浮放电、尖刺放电、沿面放电、间隙放电和无放电，所述样本超声波信号为上述任一种局部放电类型产生的样本超声波信号。
CN201911205930.XA 2019-11-29 2019-11-29 一种基于大数据的超声波局放检测分析模型 Active CN111239554B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911205930.XA CN111239554B (zh) 2019-11-29 2019-11-29 一种基于大数据的超声波局放检测分析模型

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911205930.XA CN111239554B (zh) 2019-11-29 2019-11-29 一种基于大数据的超声波局放检测分析模型

Publications (2)

Publication Number Publication Date
CN111239554A CN111239554A (zh) 2020-06-05
CN111239554B true CN111239554B (zh) 2021-04-13

Family

ID=70879415

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911205930.XA Active CN111239554B (zh) 2019-11-29 2019-11-29 一种基于大数据的超声波局放检测分析模型

Country Status (1)

Country Link
CN (1) CN111239554B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111650485A (zh) * 2020-06-16 2020-09-11 苏州华安普新能源科技有限公司 输变电设备在线间歇性监测方法、介质、传感器及分析站
CN112630715B (zh) * 2020-11-30 2024-10-15 中国电力科学研究院有限公司 基于数字重构方式检测超声局放仪的功能的方法及系统
CN112946432B (zh) * 2020-12-29 2022-09-30 广东电网有限责任公司电力科学研究院 一种电缆局部放电测试信号的生成方法及其装置
CN114065811A (zh) * 2021-11-10 2022-02-18 广东电网有限责任公司 复合绝缘子检测方法、装置、终端设备及可读存储介质
CN114113943B (zh) * 2021-11-25 2024-07-30 广东电网有限责任公司广州供电局 基于电流和超声信号的变压器局放检测系统、方法及设备
CN115659248B (zh) * 2022-11-07 2024-10-18 中国长江三峡集团有限公司 一种电力设备缺陷识别方法、装置、设备及存储介质
CN118818236A (zh) * 2024-08-01 2024-10-22 河南宏博测控技术有限公司 一种超声检测方法和超声成像系统

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102426835A (zh) * 2011-08-30 2012-04-25 华南理工大学 一种基于支持向量机模型的开关柜局部放电信号识别方法
CN102495343A (zh) * 2011-12-30 2012-06-13 重庆大学 基于超声与紫外信息融合的局部放电检测识别方法及系统
CN102628917A (zh) * 2012-04-25 2012-08-08 广州供电局有限公司 局部放电识别方法和系统
CN104535905A (zh) * 2014-12-11 2015-04-22 国家电网公司 基于朴素贝叶斯分类的局部放电诊断方法
CN105938177A (zh) * 2016-06-23 2016-09-14 西安西热节能技术有限公司 基于局部放电统计量的特征提取及识别方法
CN106199351A (zh) * 2016-06-27 2016-12-07 国网北京市电力公司 局部放电信号的分类方法和装置
CN106546886A (zh) * 2016-11-03 2017-03-29 云南电网有限责任公司普洱供电局 一种电缆振荡波局放信号特征提取方法
CN106556780A (zh) * 2016-10-27 2017-04-05 中国电力科学研究院 一种局部放电类型确定方法及系统
CN106990303A (zh) * 2017-03-15 2017-07-28 国家电网公司 一种变压器故障诊断方法
CN107037327A (zh) * 2016-10-09 2017-08-11 中国电力科学研究院 局部放电故障判定特征提取方法及判定方法
CN107153155A (zh) * 2017-06-26 2017-09-12 广东电网有限责任公司珠海供电局 一种电缆局部放电信号特征向量提取方法
CN107561420A (zh) * 2017-08-30 2018-01-09 广东电网有限责任公司珠海供电局 一种基于经验模态分解的电缆局部放电信号特征向量提取方法
CN107907807A (zh) * 2017-12-25 2018-04-13 国网湖北省电力公司信息通信公司 一种气体绝缘组合电器局部放电模式识别方法
CN108896878A (zh) * 2018-05-10 2018-11-27 国家电网公司 一种基于超声波的局部放电检测方法
CN109271902A (zh) * 2018-08-31 2019-01-25 西安电子科技大学 复杂背景下基于时域经验模态分解的红外弱小目标检测方法
CN109917245A (zh) * 2019-03-27 2019-06-21 国网上海市电力公司 考虑相位差的超声检测局部放电信号模式识别方法
CN110161388A (zh) * 2019-06-10 2019-08-23 上海交通大学 一种高压设备的故障类型识别方法及其系统
CN110175508A (zh) * 2019-04-09 2019-08-27 杭州电子科技大学 一种应用于超声波局放检测的特征值提取方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5995539A (en) * 1993-03-17 1999-11-30 Miller; William J. Method and apparatus for signal transmission and reception
US7260272B2 (en) * 2003-07-10 2007-08-21 Samsung Electronics Co.. Ltd. Method and apparatus for noise reduction using discrete wavelet transform

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102426835A (zh) * 2011-08-30 2012-04-25 华南理工大学 一种基于支持向量机模型的开关柜局部放电信号识别方法
CN102495343A (zh) * 2011-12-30 2012-06-13 重庆大学 基于超声与紫外信息融合的局部放电检测识别方法及系统
CN102628917A (zh) * 2012-04-25 2012-08-08 广州供电局有限公司 局部放电识别方法和系统
CN104535905A (zh) * 2014-12-11 2015-04-22 国家电网公司 基于朴素贝叶斯分类的局部放电诊断方法
CN105938177A (zh) * 2016-06-23 2016-09-14 西安西热节能技术有限公司 基于局部放电统计量的特征提取及识别方法
CN106199351A (zh) * 2016-06-27 2016-12-07 国网北京市电力公司 局部放电信号的分类方法和装置
CN107037327A (zh) * 2016-10-09 2017-08-11 中国电力科学研究院 局部放电故障判定特征提取方法及判定方法
CN106556780A (zh) * 2016-10-27 2017-04-05 中国电力科学研究院 一种局部放电类型确定方法及系统
CN106546886A (zh) * 2016-11-03 2017-03-29 云南电网有限责任公司普洱供电局 一种电缆振荡波局放信号特征提取方法
CN106990303A (zh) * 2017-03-15 2017-07-28 国家电网公司 一种变压器故障诊断方法
CN107153155A (zh) * 2017-06-26 2017-09-12 广东电网有限责任公司珠海供电局 一种电缆局部放电信号特征向量提取方法
CN107561420A (zh) * 2017-08-30 2018-01-09 广东电网有限责任公司珠海供电局 一种基于经验模态分解的电缆局部放电信号特征向量提取方法
CN107907807A (zh) * 2017-12-25 2018-04-13 国网湖北省电力公司信息通信公司 一种气体绝缘组合电器局部放电模式识别方法
CN108896878A (zh) * 2018-05-10 2018-11-27 国家电网公司 一种基于超声波的局部放电检测方法
CN109271902A (zh) * 2018-08-31 2019-01-25 西安电子科技大学 复杂背景下基于时域经验模态分解的红外弱小目标检测方法
CN109917245A (zh) * 2019-03-27 2019-06-21 国网上海市电力公司 考虑相位差的超声检测局部放电信号模式识别方法
CN110175508A (zh) * 2019-04-09 2019-08-27 杭州电子科技大学 一种应用于超声波局放检测的特征值提取方法
CN110161388A (zh) * 2019-06-10 2019-08-23 上海交通大学 一种高压设备的故障类型识别方法及其系统

Also Published As

Publication number Publication date
CN111239554A (zh) 2020-06-05

Similar Documents

Publication Publication Date Title
CN111239554B (zh) 一种基于大数据的超声波局放检测分析模型
CN111723701B (zh) 一种水中目标识别方法
CN113642484B (zh) 一种基于bp神经网络的大地电磁信号噪声压制方法及系统
CN108597505B (zh) 语音识别方法、装置及终端设备
CN109557429A (zh) 基于改进小波阈值去噪的gis局部放电故障检测方法
CN113238190A (zh) 一种基于emd联合小波阈值的探地雷达回波信号去噪方法
CN112526451A (zh) 基于麦克风阵列成像的压缩波束形成及系统
CN118782067B (zh) 一种音频信号噪声抑制方法及系统
CN108648764A (zh) 基于雨水敲击声识别的雨量测量系统及其测量方法
CN102736070A (zh) 一种基于希尔伯特黄变换的风廓线雷达去噪方法
CN112651452A (zh) 一种风机叶片异常检测方法及存储介质
CN116520419B (zh) 一种热流体裂缝通道识别方法
CN118866013B (zh) 一种基于机器学习的钢琴数据评测系统及方法
CN109102503A (zh) 一种基于色彩空间平滑和改进频率调谐显著模型的高分图像变化检测方法
CN117727332B (zh) 基于语谱特征分析的生态种群评估方法
CN114442063A (zh) 一种融合海洋环境的雷达目标特征模板生成方法
Gupta A review and comprehensive comparison of image denoising techniques
CN113726318A (zh) 基于wm的局部放电白噪声自适应抑制方法
CN118570156A (zh) 基于三维数字图像处理的层间粘结状态评价方法
CN116665698A (zh) 一种基于希尔伯特-黄变换和Mel谱变换的脉冲声识别方法
Lee et al. A hybrid approach of wavelet-based total variation and Wiener filter to denoise adventitious lung sound signal for an accurate assessment
CN115810145A (zh) 一种基于特征迁移和多域特征相融合的水下目标识别方法
CN112434716B (zh) 一种基于条件对抗神经网络的水下目标数据扩增方法及系统
CN114881215A (zh) 一种毫米波雷达数据筛选性神经网络处理方法
Mahdavi-Jafari et al. A pistachio nuts classification technique: An ann based signal processing scheme

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 518001 power dispatching communication building, No. 4020 Shennan East Road, Shenzhen, Guangdong, Luohu District

Applicant after: Shenzhen Power Supply Co.,Ltd.

Applicant after: China Southern Power Grid Shenzhen Digital Power Grid Research Institute Co.,Ltd.

Address before: 518001 power dispatching communication building, No. 4020 Shennan East Road, Shenzhen, Guangdong, Luohu District

Applicant before: Shenzhen Power Supply Co.,Ltd.

Applicant before: SHENZHEN COMTOP INFORMATION TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 518001 electric power dispatching and communication building, 4020 Shennan East Road, Luohu District, Shenzhen, Guangdong

Patentee after: Shenzhen Power Supply Co.,Ltd.

Country or region after: China

Patentee after: China Southern Power Grid Digital Platform Technology (Guangdong) Co.,Ltd.

Address before: 518001 electric power dispatching and communication building, 4020 Shennan East Road, Luohu District, Shenzhen, Guangdong

Patentee before: Shenzhen Power Supply Co.,Ltd.

Country or region before: China

Patentee before: China Southern Power Grid Shenzhen Digital Power Grid Research Institute Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240415

Address after: 518000 electric power dispatching and communication building, 4020 Shennan East Road, Luohu District, Shenzhen, Guangdong

Patentee after: Shenzhen Power Supply Co.,Ltd.

Country or region after: China

Address before: 518001 electric power dispatching and communication building, 4020 Shennan East Road, Luohu District, Shenzhen, Guangdong

Patentee before: Shenzhen Power Supply Co.,Ltd.

Country or region before: China

Patentee before: China Southern Power Grid Digital Platform Technology (Guangdong) Co.,Ltd.