CN111707915B - 基于牵引电机局部放电的在线绝缘评估方法及装置 - Google Patents

基于牵引电机局部放电的在线绝缘评估方法及装置 Download PDF

Info

Publication number
CN111707915B
CN111707915B CN202010664760.8A CN202010664760A CN111707915B CN 111707915 B CN111707915 B CN 111707915B CN 202010664760 A CN202010664760 A CN 202010664760A CN 111707915 B CN111707915 B CN 111707915B
Authority
CN
China
Prior art keywords
traction motor
discharge
partial discharge
gray
dimensional
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
CN202010664760.8A
Other languages
English (en)
Other versions
CN111707915A (zh
Inventor
耿民
雷贯标
陈学军
张宏源
邱超军
赵波
聂文鹏
董伟力
李志国
单亚男
栾健洋
马宁
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.)
CRRC Tangshan Co Ltd
Original Assignee
CRRC Tangshan 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 CRRC Tangshan Co Ltd filed Critical CRRC Tangshan Co Ltd
Priority to CN202010664760.8A priority Critical patent/CN111707915B/zh
Publication of CN111707915A publication Critical patent/CN111707915A/zh
Application granted granted Critical
Publication of CN111707915B publication Critical patent/CN111707915B/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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)

Abstract

本发明适用于牵引电机绝缘监测技术领域，提供了一种基于牵引电机局部放电的在线绝缘评估方法及装置，该方法包括：对获取的局部放电信号数据进行特征提取，得到特征参数；根据特征参数训练神经网络，得到目标神经网络；实时采集牵引电机局部放电的数据，根据对局部放电信号数据进行特征提取的方式，对数据进行特征提取，并对提取的特征数据输入目标神经网络，得到牵引电机放电类型的分类识别结果；根据分类识别结果，计算牵引电机的畸变系数，并根据畸变系数确定牵引电机的绝缘性能。本发明可以对正常工作下的牵引电机进行实时监测和预测牵引电机的绝缘状态，且提高牵引电机绝缘检测的效率。

Description

基于牵引电机局部放电的在线绝缘评估方法及装置
技术领域
本发明属于牵引电机绝缘监测技术领域，尤其涉及一种基于牵引电机局部放电的在线绝缘评估方法及装置。
背景技术
随着高速铁路迅速发展，为保障乘客安全，高速列车的稳定运行尤为重要，而牵引电机作为高速列车的“动力心脏”，其稳定运行在列车的行驶中起着极为重要的作用。长期运行的牵引电机的绝缘性能提前失效，目前对牵引电机进行绝缘检测的方法的主要采用离线检测，即对入厂需要维修的牵引电机进行冷态直流电阻测量和绝缘电阻测量，以测量结果判断牵引电机的绝缘状况；对维修后出厂的牵引电机进行绝缘电阻测试和耐压试验，耐压试验以不击穿牵引电机的电机定子为标准，绝缘电阻以规定的相应阻值为标准。当绝缘电阻合格且能够通过耐压试验，则为绝缘合格的牵引电机。
然而，目前的离线检测方法，绝缘电阻检测合格和耐压试验通过，并不能反映牵引电机内部是否发生局部放电或局部放电的严重程度，并且牵引电机绝缘离线检测效率较低。
发明内容
有鉴于此，本发明实施例提供了一种基于牵引电机局部放电的在线绝缘评估方法及装置，旨在解决现有技术中不能准确反映内部局部放电的牵引电机的绝缘性能且检测效率较低的问题。
为实现上述目的，本发明实施例的第一方面提供了一种基于牵引电机局部放电的在线绝缘评估方法，包括：
获取搭建的不同局部放电模型的局部放电信号数据；
对所述局部放电信号数据进行特征提取，得到统计特征参数、灰度纹理特征参数以及不变矩特征参数；
根据所述统计特征参数、所述灰度纹理特征参数以及所述不变矩特征参数训练神经网络，得到目标神经网络；
实时采集牵引电机局部放电的数据，根据对所述局部放电信号数据进行特征提取的方式，对所述数据进行特征提取，并对提取的特征数据输入所述目标神经网络，得到牵引电机放电类型的分类识别结果；
根据所述分类识别结果，计算牵引电机的畸变系数，并根据所述畸变系数确定牵引电机的绝缘性能。
作为本申请另一实施例，所述对所述局部放电信号数据进行特征提取，得到统计特征参数、灰度纹理特征参数以及不变矩特征参数，包括：
基于二维PRPD谱图对所述局部放电信号数据进行特征提取，得到统计特征参数；
基于三维灰度图对所述局部放电信号数据进行特征提取，得到灰度纹理特征参数以及不变矩特征参数。
作为本申请另一实施例，所述基于二维PRPD谱图对所述局部放电信号数据进行特征提取，得到统计特征参数，包括：
基于二维PRPD模式的放电次数相位分布谱图和放电量和放电相位的关系分布谱图，对所述局部放电信号数据提取偏斜度、陡峭度和局部峰点数；
基于二维PRPD模式的放电量和放电相位的关系分布谱图，对所述局部放电信号数据提取放电量因数和互相关系数；
计算所述放电量因数和所述互相关系数的乘积，得到修正的互相关系数。
作为本申请另一实施例，所述基于三维灰度图对所述局部放电信号数据进行特征提取，得到灰度纹理特征参数以及不变矩特征参数，包括：
基于三维放电量和放电次数随相位的变化关系分布谱图生成的灰度图构建灰度共现矩阵；
通过多个不同的扫描角度扫描所述灰度共现矩阵，并采用矩阵纹理量化方法提取的灰度纹理特征参数包括角二阶矩、方差、相关性、熵、对比度以及逆差矩；
基于三维放电量和放电次数随相位的变化关系分布谱图生成的灰度图，计算所述灰度图函数对应的中心矩；
根据所述中心矩的平移不变形，通过所述灰度图的(p+q)阶矩进行变换，得到归一化的中心矩；
根据所述归一化的中心矩得到归一化的二阶中心矩和归一化的三阶中心矩，根据所述归一化的二阶中心矩和归一化的三阶中心矩，提取所述灰度图的7个Hu不变矩。
作为本申请另一实施例，在所述对所述局部放电信号数据进行特征提取，得到统计特征参数、灰度纹理特征参数以及不变矩特征参数之后，还包括：
对所述灰度纹理特征参数进行初次降维，得到初次降维后的灰度纹理特征参数；
对所述统计特征参数、所述初次降维后的灰度纹理特征参数以及所述不变矩特征参数进行降维处理，获得降维后的特征参数；
所述根据所述统计特征参数、所述灰度纹理特征参数以及所述不变矩特征参数训练神经网络，得到目标神经网络，包括：
根据降维后的特征参数训练神经网络，得到目标神经网络。
作为本申请另一实施例，所述灰度纹理特征参数为具有灰度纹理特征的48维特征值；
所述对所述灰度纹理特征参数进行初次降维，得到初次降维后的灰度纹理特征参数，包括：
对所述48维特征向量依次减去采用第一角度和第三角度扫描时得到的熵和逆差矩正负半周期的8维特征值、采用第一角度、第二角度、第三角度以及第四角度扫描时得到的逆差矩对应的特征值、采用第三角度以及第四角度扫描时得到的相关度对应的维度特征值，得到初次降维后的24维灰度纹理特征参数。
作为本申请另一实施例，所述对所述统计特征参数、所述初次降维后的灰度纹理特征参数以及所述不变矩特征参数进行降维处理，获得降维后的特征参数，包括：
采用主成分分析法对15维统计特征参数、14维不变矩特征参数和24维灰度纹理特征参数，进行降维处理，获得降维后的30维特征参数。
作为本申请另一实施例，所述根据所述分类识别结果，计算牵引电机的畸变系数，包括：
根据
Figure BDA0002579920580000041
计算牵引电机的畸变系数；
其中，α1为反映牵引电机在当前运行时其绝缘性能是否稳定的周畸变率，α2为反映放电趋势的月畸变率；α3为反映牵引电机的整体绝缘情况是否良好的年畸变率，
Figure BDA0002579920580000042
为最近12次所测得的最大放电量；Ni为最近12次所测得的放电次数；
Figure BDA0002579920580000043
为所选时间内每天平均放电量的最大阈值，
Figure BDA0002579920580000044
为所选时间内每天平均放电量的最小阈值，
Figure BDA0002579920580000045
为所选时间内每月平均放电量的最大阈值，
Figure BDA0002579920580000046
为所选时间内每月平均放电量的最小阈值，
Figure BDA0002579920580000047
为所选时间内每年平均放电量的最大阈值，
Figure BDA0002579920580000048
为所选时间内每年平均放电量的最小阈值，
Figure BDA0002579920580000049
为所选时间内每天平均放电次数的最大阈值，
Figure BDA00025799205800000410
为所选时间内每天平均放电次数的最小阈值，
Figure BDA00025799205800000411
为所选时间内每月平均放电次数的最大阈值，
Figure BDA00025799205800000412
为所选时间内每月平均放电次数的最小阈值，
Figure BDA0002579920580000051
为所选时间内每年平均放电次数的最大阈值，
Figure BDA0002579920580000052
为所选时间内每年平均放电次数的最小阈值。
作为本申请另一实施例，所述根据所述畸变系数确定牵引电机的绝缘性能，包括：
检测所述周畸变率是否大于预设值；
当所述周畸变率小于或者等于预设值时，确定所述牵引电机的绝缘性能良好；
当所述周畸变率大于预设值时，检测所述月畸变率是否大于预设值；
当所述月畸变率小于或者等于预设值时，继续对所述牵引电机的绝缘性能进行在线绝缘评估；
当所述月畸变率大于预设值时，检测所述年畸变率是否大于预设值；
当所述年畸变率小于或者等于预设值时，发出所述牵引电机的绝缘性能差的警告；
当所述年畸变率大于预设值时，确定所述牵引电机超出当前运行年限。
本发明实施例的第二方面提供了一种基于牵引电机局部放电的在线绝缘评估装置，包括：
获取模块，用于获取搭建的不同局部放电模型的局部放电信号数据；
特征提取模块，用于对所述局部放电信号数据进行特征提取，得到统计特征参数、灰度纹理特征参数以及不变矩特征参数；
神经网络训练模块，用于根据所述统计特征参数、所述灰度纹理特征参数以及所述不变矩特征参数训练神经网络，得到目标神经网络；
分类识别模块，用于实时采集牵引电机局部放电的数据，根据对所述局部放电信号数据进行特征提取的方式，对所述数据进行特征提取，并对提取的特征数据输入所述目标神经网络，得到牵引电机放电类型的分类识别结果；
评估模块，用于根据所述分类识别结果，计算牵引电机的畸变系数，并根据所述畸变系数确定牵引电机的绝缘性能。
本发明实施例与现有技术相比存在的有益效果是：与现有技术相比，本发明通过对采集的局部放电信号数据进行统计特征参数、灰度纹理特征参数以及不变矩特征参数的特征提取，并采用神经网络进行放电类型分类，能够准确地将牵引电机的局部放电类型进行分类；通过采用基于牵引电机局部放电的在线绝缘评估方法，能够实现对正常工作下的牵引电机进行实时监测和预测牵引电机的绝缘状态，节约成本，提高牵引电机绝缘检测的效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于牵引电机局部放电的在线绝缘评估方法的实现流程示意图；
图2(1)是本发明实施例提供的尖端放电模型示意图；
图2(2)是本发明实施例提供的内部放电模型示意图；
图2(3)是本发明实施例提供的悬浮放电模型示意图；
图2(4)是本发明实施例提供的沿面放电模型示意图；
图3是本发明实施例提供的局部放电试验的电路示意图；
图4(1)是本发明实施例提供的扫描角度(0°方向)示意图；
图4(2)是本发明实施例提供的扫描角度(45°方向)的示意图；
图4(3)是本发明实施例提供的扫描角度(90°方向)的示意图；
图4(4)是本发明实施例提供的扫描角度(135°方向)的示意图；
图5是本发明实施例提供的基于牵引电机局部放电的在线绝缘评估装置的示意图；
图6是本发明另一实施例提供的基于牵引电机局部放电的在线绝缘评估装置的示意图；
图7是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
图1为本发明实施例提供的一种基于牵引电机局部放电的在线绝缘评估方法的实现流程示意图，详述如下。
步骤101，获取搭建的不同局部放电模型的局部放电信号数据。
可选的，本实施例中构建的四种放电模型可以分别为图2(1)尖端放电、图2(2)内部放电、图2(3)悬浮放电和图2(4)沿面放电模型。四种放电模型整体结构相同的部分是上下支撑板、四个支撑住、螺母和负电极板，不同部分是较四种不同放电类型进行区别部分，分别是正极接线板(柱)、绝缘板和导电金属构成。构成这些结构的材料和尺寸参数如下表一模型参数所示：
表一
Figure BDA0002579920580000071
Figure BDA0002579920580000081
如图3所示，搭建上述不同局部放电模型进行局部放电试验的电路，交流电的一端连接开关，开关的另一端连接调压器的一端，调压器的另一端连接交流电的另一端，升压变压器的原边的两端并联连接调压器的两端，升压变压器的副边的一端连接限流电阻的一端，限流电阻的另一端连接保险丝的一端，保险丝的另一端连接放电模型的一端，放电模型的另一端连接传感器的一端后连接升压变压器的副边的另一端，然后接地。传感器的另一端连接局部放电采集装置，局部放电采集装置连接终端设备，终端设备可以为计算机等设备。可选的，交流电可以为220V的交流电。可选的，传感器可以为HFCT传感器。
可选的，通过图3所示的试验电路对四种不同放电模型进行局部放电试验。通过调节升压变压器，达到起始放电电压后，增大电压，分别取三组电压的数据，进行分析。可选的，不同放电模型所进行实验的电压不同。例如尖端放电模型实验电压可以选取3.85kV、4.4kV以及4.95kV，沿面放电模型实验电压可以选取3.63kV、4.0kV、4.4kV，内部放电模型实验电压可以选取3.3kV、3.85kV、4.4kV，悬浮放电实验模型电压可以选取3.3kV、3.8kV、4.3kV。对应每组放电模型可以选取40、30、30、30个局部放电信号数据进行后续分析。
步骤102，对所述局部放电信号数据进行特征提取，得到统计特征参数、灰度纹理特征参数以及不变矩特征参数。
可选的，本步骤中，局部放电根据相位的变化呈现出不同的变化规律，可以引申为不同的放电谱图，二维谱图包括放电次数与放电相位的关系分布谱图即φ-n分布谱图、放电量和放电相位的关系分布谱图即φ-q分布谱图、以及放电量和放电次数的关系分布谱图即q-n分布谱图。三维谱图表示放电量和放电次数随相位的变化关系分布谱图即φ-q-n分布谱图。
在本实施例中，可以基于二维PRPD谱图对所述局部放电信号数据进行特征提取，得到统计特征参数；基于三维灰度图对所述局部放电信号数据进行特征提取，得到灰度纹理特征参数以及不变矩特征参数。
可选的，基于二维PRPD谱图对所述局部放电信号数据进行特征提取，得到统计特征参数，可以包括：
基于二维PRPD模式的放电次数相位分布谱图和放电量和放电相位的关系分布谱图，对所述局部放电信号数据提取偏斜度、陡峭度和局部峰点数；基于二维PRPD模式的放电量和放电相位的关系分布谱图，对所述局部放电信号数据提取放电量因数和互相关系数；计算所述放电量因数和所述互相关系数的乘积，得到修正的互相关系数。
可选的，偏斜度Sk可以反映统计数据的分布情况相比于正态分布的偏斜程度。根据
Figure BDA0002579920580000091
确定偏斜度；
其中，Δx表示二维PRPD谱图中等分的相窗宽度，xi表示第i个等分相窗的相位，pi、μ、σ表示将二维PRPD谱图作为以φj为自变量的概率密度分布图中在第i个相窗出现的概率、均值和标准差。其中，
Figure BDA0002579920580000092
yi表示二维二维PRPD谱图的纵坐标，其可以为放电量q或放电次数n；μ＝∑Pi·φi，
Figure BDA0002579920580000093
偏斜度可以反映二维谱图相比于正态分布左右偏斜程度，其中，Sk>0表明二维谱图较正态分布形状向左侧偏斜，Sk<0表明二维谱图较正态分布形状向右侧偏斜，Sk＝0表明二维谱图左右两边对称均匀，没有偏斜。
可选的，陡峭度Ku反映统计数据的分布情况相比于正态分布的陡峭程度。根据
Figure BDA0002579920580000094
计算陡峭度。陡峭度可以反应谱图相比于正态分布轮廓凸起尖锐程度，Ku>0表明二维谱图较正态分布形状更加突起尖锐，Ku<0表明二维谱图较正态分布形状平缓扁平，Ku＝0表明二维谱图和正态分布轮廓相同。
可选的，局部峰点数Pe反映二维谱图轮廓上峰点的数量。即在二维φ-n、φ-q谱图中表示在以轮廓点(φj,nj)或(φj,qj)处的极大值数量。当
Figure BDA0002579920580000101
Figure BDA0002579920580000102
时，局部峰点数为挡墙局部峰点数加1，即Pe→Pe+1。
可选的，二维φ-n、φ-q谱图可分为正负半周期，并对正负半周期分别进行偏斜度、陡峭度和局部峰点数参数的求解。
在二维φ-q谱图中可以计算放电量因数、互相关系数和修正的互相关系数。可选的，放电量因数Q反映正负半周平均放电量差异。可以根据
Figure BDA0002579920580000103
计算放电量因数，其中Q表现为正负半周放电量之商，Q-和Q+表示正负半周的视在放电量，N-和N+表示正负半周的总放电次数。Q＝1表明正负半周平均放电量相等，Q>1表明正半周平均放电量大于负半周平均放电量，Q<1表明正半周平均放电量小于负半周平均放电量。
可选的，互相关系数cc反映正负半周放电量的相似程度。可以根据
Figure BDA0002579920580000104
计算互相关系数，其中，xi和yi表示正负半周期第i相窗的平均放电量，n是半周期的相窗数量。cc的值越接近1，表明φ-q谱图正负半周期放电量图形越相似。cc的值越接近0，表明φ-q谱图正负半周期放电量图形差异性越大。
可选的，修正相关系数mcc表示正负半周放电模式的差别程度。可以根据mcc＝Q·cc计算修正相关系数。
可选的，所述基于三维灰度图对所述局部放电信号数据进行特征提取，得到灰度纹理特征参数，可以包括：
基于三维放电量和放电次数随相位的变化关系分布谱图生成的灰度图构建灰度共现矩阵；通过多个不同的扫描角度扫描所述灰度共现矩阵，并采用矩阵纹理量化方法提取的灰度纹理特征参数包括角二阶矩、方差、相关性、熵、对比度以及逆差矩。
可选的，灰度共现矩阵是根据灰度图中具有空间位置关系的两个像素之间的灰度关系，建立的图像灰度空间的相关特性。能反映像素之间方向、间隔以及变化幅度等综合信息，是一种二阶统计量。
设灰度图像函数为f(x,y)，大小是M×N，灰度值为Ng,则灰度共现矩阵为：P(i,j)＝#{(x1,y1),(x2,y2)∈M×N|f(x1,y1)＝i,f(x2,y2)＝j}其中，#代表集合中元素个数，灰度共现矩阵可以表示为P(i,j,d,θ)，d为两个像素点(i,j)之间的距离，θ为两个像素点(i,j)之间的夹角。
可选的，多个不同的扫描角度可以选择四种空间角度扫描灰度共现矩阵，例如分别为0°、45°、90°和135°，即第一角度、第二角度、第三角度以及第四角度，如图4(1)所示为扫描角度为0°方向，图4(2)所示为扫描角度为45°方向，图4(3)所示为扫描角度为90°方向，图4(4)所示为扫描角度为135°方向。
采用矩阵纹理量化方法，选取其中的角二阶矩、方差、熵、相关性、对比度和逆差矩进行纹理特征提取：
可选的，角二阶矩反映了灰度共现矩阵分布的均匀程度和纹理的粗糙程度。可以根据
Figure BDA0002579920580000111
确定，其中，Ng表示灰度共生矩阵的灰度值。
方差反映了灰度共现矩阵中纹理周期，纹理的周期越大方差就越大。可以根据
Figure BDA0002579920580000112
确定，其中，μ表示灰度共生矩阵的均值。
熵反映了灰度共现矩阵中纹理的复杂程度，纹理越复杂熵就越大。可以根据
Figure BDA0002579920580000113
确定。
相关性反映了灰度共现矩阵中元素水平和垂直方向上的相似程度。可以根据
Figure BDA0002579920580000121
确定；其中，μi＝iPd,θ(i,j)，μj＝jPd,θ(i,j)，
Figure BDA0002579920580000122
对比度反映了灰度图像的清晰度和纹理的深浅程度。对比度的大小反映灰度图像中灰度的相关性。可以根据
Figure BDA0002579920580000123
确定；其中，n＝|i-j|。
逆差矩反映了灰度图像局部的同质性，不同区域变化越大，局部越不均匀，其逆差矩就越大。可以根据
Figure BDA0002579920580000124
确定。
可选的，所述基于三维灰度图对所述局部放电信号数据进行特征提取，得到不变矩特征参数，可以包括：基于三维放电量和放电次数随相位的变化关系分布谱图生成的灰度图，计算所述灰度图函数对应的中心矩；
根据所述中心矩的平移不变形，通过所述灰度图的(p+q)阶矩进行变换，得到归一化的中心矩；
根据所述归一化的中心矩得到归一化的二阶中心矩和归一化的三阶中心矩，根据所述归一化的二阶中心矩和归一化的三阶中心矩，提取所述灰度图的7个Hu不变矩。
可选的，不变矩特征的提取基于局部放电的三维φ-n-q谱图生成的灰度图。矩特征用于描述图像的区域特征。Hu不变矩在图像经过平移变换、旋转变换和比例变换后具有不变性，提取出7个Hu不变矩。
灰度图分布函数可以采用f(x,y)表示,则该灰度图的(p+q)阶矩可以根据
Figure BDA0002579920580000125
确定。若函数f(x,y)是分段连续，根据唯一性定理可得(x,y)平面区域内必有非零值，其余各阶矩为确定值。各阶矩mpq由函数f(x,y)唯一确定，而函数f(x,y)也由各阶矩mpq唯一确定。
对于离散图像f(i,j),假设大小为M×N，则该离散图的(p+q)阶矩可以根据
Figure BDA0002579920580000131
确定。若图像连续，则图像函数所对应的中心矩为：
Figure BDA0002579920580000132
其中，
Figure BDA0002579920580000133
即(xc,yc)为重心坐标。
由于中心距具有平移不变性，通过mpq进行变换，得到尺寸归一化的中心距：
Figure BDA0002579920580000134
其中，
Figure BDA0002579920580000135
综上即可由归一化的二阶矩和归一化的三阶矩求得7个Hu不变矩：
(1)ψ1＝η20+η02；
Figure BDA0002579920580000138
(3)ψ3＝(η30-3η12)2+(3η21-η03)2；
(4)ψ4＝(η30+η12)2+(η21+η03)2；
(5)
Figure BDA0002579920580000136
(6)ψ6＝(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)；
(7)
Figure BDA0002579920580000137
步骤103，根据所述统计特征参数、所述灰度纹理特征参数以及所述不变矩特征参数训练神经网络，得到目标神经网络。
可选的，在步骤102之后，步骤103之前，还可以对提取的特征参数进行处理，例如，对所述灰度纹理特征参数进行初次降维，得到初次降维后的灰度纹理特征参数；对所述统计特征参数、所述初次降维后的灰度纹理特征参数以及所述不变矩特征参数进行降维处理，获得降维后的特征参数。然后再根据降维后的特征参数训练神经网络，得到目标神经网络。
可选的，可以采用距离可分性准则对灰度纹理特征参数进行降维初次降维，得到初次降维后的灰度纹理特征参数。灰度纹理特征参数为具有灰度纹理特征的48维特征值。
可选的，对所述48维特征向量依次减去采用第一角度和第三角度扫描时得到的熵和逆差矩正负半周期的8维特征值、采用第一角度、第二角度、第三角度以及第四角度扫描时得到的逆差矩对应的特征值、采用第三角度以及第四角度扫描时得到的相关度对应的维度特征值，得到初次降维后的24维灰度纹理特征参数。即，首先剔除减去0°和90°扫描时的熵和逆差矩正负半周期的8维特征值，再减0°、45°、90°、135°的逆差矩对应的特征值，90°和135°的相关度对应的特征值，即将48维特征向量降维至24维特征向量空间。
可选的，所述对所述统计特征参数、所述初次降维后的灰度纹理特征参数以及所述不变矩特征参数进行降维处理，获得降维后的特征参数，可以包括：
采用主成分分析法对15维统计特征参数、14维不变矩特征参数和24维灰度纹理特征参数，进行降维处理，获得降维后的30维特征参数。可选的，通过主成分分析法对53维特征进行降维，提取贡献率最高的前30维特征，以提高后续训练神经网络成功率。
可选的，将得到的降维后的所有的特征参数划分为训练数据和测试数据，并采用所述训练数据训练神经网络，得到训练后的神经网络；采用所述测试数据测试所述训练后的神经网络，当测试结果符合预设分类目标值时，将所述训练后的神经网络作为目标神经网络。
可选的，训练数据和测试数据的比例可以根据需求进行设定，例如训练数据与测试数据的比例可以为4:1。
可选的，设置神经网络的隐含层为13层，传递函数为logsig，训练函数为trainlm。最后保存训练好的目标神经网络。
步骤104，实时采集牵引电机局部放电的数据，根据对所述局部放电信号数据进行特征提取的方式，对所述数据进行特征提取，并对提取的特征数据输入所述目标神经网络，得到牵引电机放电类型的分类识别结果。
在实际采集牵引电机局部放电的数据时，可以将局部放电采集器的一端连接正常运行的牵引电机，局部放电采集器的另一端连接局部放电检测软件。进行数据采集完成后，可以采用与局部放电模型进行相同的特征提取，并降维操作后，将降维后的特征参数输入训练好的目标神经网络进行放电类型的分类识别。
步骤105，根据所述分类识别结果，计算牵引电机的畸变系数，并根据所述畸变系数确定牵引电机的绝缘性能。
根据目标神经网络识别出的放电类型，将局部放电检测所提取出的最大放电量、放电次数的均值作为输入量，计算牵引电机的畸变系数。需要注意的是，这里可以计算不同月份、不同年限放电量、放电次数，可以更准确的计算牵引电机的畸变系数，使得对牵引电机的绝缘性能评估更加具体和准确。
可选的，根据
Figure BDA0002579920580000151
计算牵引电机的畸变系数；
其中，α1为反映牵引电机在当前运行时其绝缘性能是否稳定的周畸变率，α2为反映放电趋势的月畸变率；α3为反映牵引电机的整体绝缘情况是否良好的年畸变率，
Figure BDA0002579920580000152
为最近12次所测得的最大放电量；Ni为最近12次所测得的放电次数；
Figure BDA0002579920580000153
为所选时间内每天平均放电量的最大阈值，
Figure BDA0002579920580000154
为所选时间内每天平均放电量的最小阈值，
Figure BDA0002579920580000155
为所选时间内每月平均放电量的最大阈值，
Figure BDA0002579920580000156
为所选时间内每月平均放电量的最小阈值，
Figure BDA0002579920580000157
为所选时间内每年平均放电量的最大阈值，
Figure BDA0002579920580000158
为所选时间内每年平均放电量的最小阈值，
Figure BDA0002579920580000159
为所选时间内每天平均放电次数的最大阈值，
Figure BDA00025799205800001510
为所选时间内每天平均放电次数的最小阈值，
Figure BDA00025799205800001511
为所选时间内每月平均放电次数的最大阈值，
Figure BDA00025799205800001512
为所选时间内每月平均放电次数的最小阈值，
Figure BDA0002579920580000161
为所选时间内每年平均放电次数的最大阈值，
Figure BDA0002579920580000162
为所选时间内每年平均放电次数的最小阈值。
可选的，在得到畸变系数后，进行牵引电机的绝缘评估。
首先，检测所述周畸变率是否大于预设值；可选的，预设值可以为1。
当所述周畸变率小于或者等于预设值时，确定所述牵引电机的绝缘性能良好；
当所述周畸变率大于预设值时，检测所述月畸变率是否大于预设值；
当所述月畸变率小于或者等于预设值时，继续对所述牵引电机的绝缘性能进行在线绝缘评估，持续关注。
当所述月畸变率大于预设值时，检测所述年畸变率是否大于预设值；
当所述年畸变率小于或者等于预设值时，发出所述牵引电机的绝缘性能差的警告；
当所述年畸变率大于预设值时，确定所述牵引电机超出当前运行年限，此时需要更换牵引电机。
上述基于牵引电机局部放电的在线绝缘评估方法，通过提取牵引电机放电的局部特征和全局特征，能够准确地将牵引电机的局部放电类型进行分类。根据不同的放电类型，依据不同年限放电数据求取局部放电的畸变系数，较为具体和准确地对牵引电机绝缘进行在线监测与评估，从而解决现有技术中仅通过绝缘电阻检测和耐压试验不能反映牵引电机内部是否发生局部放电或局部放电的严重程度的问题。本实施例能够实时监测和预测牵引电机的绝缘状态，相比于离线入厂检测，能够节约成本，提高牵引电机绝缘检测的效率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的基于牵引电机局部放电的在线绝缘评估方法，图5示出了本发明实施例提供的基于牵引电机局部放电的在线绝缘评估装置的示例图。如图5所示，该装置可以包括：获取模块501、特征提取模块502、神经网络训练模块503、分类识别模块504以及评估模块505。
获取模块501，用于获取搭建的不同局部放电模型的局部放电信号数据；
特征提取模块502，用于对所述局部放电信号数据进行特征提取，得到统计特征参数、灰度纹理特征参数以及不变矩特征参数；
神经网络训练模块503，用于根据所述统计特征参数、所述灰度纹理特征参数以及所述不变矩特征参数训练神经网络，得到目标神经网络；
分类识别模块504，用于实时采集牵引电机局部放电的数据，根据对所述局部放电信号数据进行特征提取的方式，对所述数据进行特征提取，并对提取的特征数据输入所述目标神经网络，得到牵引电机放电类型的分类识别结果；
评估模块505，用于根据所述分类识别结果，计算牵引电机的畸变系数，并根据所述畸变系数确定牵引电机的绝缘性能。
可选的，所述特征提取模块502对所述局部放电信号数据进行特征提取，得到统计特征参数、灰度纹理特征参数以及不变矩特征参数时，可以用于：
基于二维PRPD谱图对所述局部放电信号数据进行特征提取，得到统计特征参数；
基于三维灰度图对所述局部放电信号数据进行特征提取，得到灰度纹理特征参数以及不变矩特征参数。
可选的，所述特征提取模块502基于二维PRPD谱图对所述局部放电信号数据进行特征提取，得到统计特征参数时，可以用于：
基于二维PRPD模式的放电次数相位分布谱图和放电量和放电相位的关系分布谱图，对所述局部放电信号数据提取偏斜度、陡峭度和局部峰点数；
基于二维PRPD模式的放电量和放电相位的关系分布谱图，对所述局部放电信号数据提取放电量因数和互相关系数；
计算所述放电量因数和所述互相关系数的乘积，得到修正的互相关系数。
可选的，所述特征提取模块502基于三维灰度图对所述局部放电信号数据进行特征提取，得到灰度纹理特征参数以及不变矩特征参数时，可以用于：
基于三维放电量和放电次数随相位的变化关系分布谱图生成的灰度图构建灰度共现矩阵；
通过多个不同的扫描角度扫描所述灰度共现矩阵，并采用矩阵纹理量化方法提取的灰度纹理特征参数包括角二阶矩、方差、相关性、熵、对比度以及逆差矩；
基于三维放电量和放电次数随相位的变化关系分布谱图生成的灰度图，计算所述灰度图函数对应的中心矩；
根据所述中心矩的平移不变形，通过所述灰度图的(p+q)阶矩进行变换，得到归一化的中心矩；
根据所述归一化的中心矩得到归一化的二阶中心矩和归一化的三阶中心矩，根据所述归一化的二阶中心矩和归一化的三阶中心矩，提取所述灰度图的7个Hu不变矩。
可选的，如图6所示，基于牵引电机局部放电的在线绝缘评估装置还包括处理模块506。
在所述特征提取模块502对所述局部放电信号数据进行特征提取，得到统计特征参数、灰度纹理特征参数以及不变矩特征参数之后，处理模块506用于：
对所述灰度纹理特征参数进行初次降维，得到初次降维后的灰度纹理特征参数；
对所述统计特征参数、所述初次降维后的灰度纹理特征参数以及所述不变矩特征参数进行降维处理，获得降维后的特征参数；
所述神经网络训练模块503根据所述统计特征参数、所述灰度纹理特征参数以及所述不变矩特征参数训练神经网络，得到目标神经网络，包括：
根据降维后的特征参数训练神经网络，得到目标神经网络。
可选的，所述灰度纹理特征参数为具有灰度纹理特征的48维特征值；
所述处理模块506对所述灰度纹理特征参数进行初次降维，得到初次降维后的灰度纹理特征参数时，可以用于：
对所述48维特征向量依次减去采用第一角度和第三角度扫描时得到的熵和逆差矩正负半周期的8维特征值、采用第一角度、第二角度、第三角度以及第四角度扫描时得到的逆差矩对应的特征值、采用第三角度以及第四角度扫描时得到的相关度对应的维度特征值，得到初次降维后的24维灰度纹理特征参数。
可选的，所述处理模块506对所述统计特征参数、所述初次降维后的灰度纹理特征参数以及所述不变矩特征参数进行降维处理，获得降维后的特征参数时，可以用于：
采用主成分分析法对15维统计特征参数、14维不变矩特征参数和24维灰度纹理特征参数，进行降维处理，获得降维后的30维特征参数。
可选的，所述评估模块505根据所述分类识别结果，计算牵引电机的畸变系数时，可以根据
Figure BDA0002579920580000191
计算牵引电机的畸变系数；
其中，α1为反映牵引电机在当前运行时其绝缘性能是否稳定的周畸变率，α2为反映放电趋势的月畸变率；α3为反映牵引电机的整体绝缘情况是否良好的年畸变率，
Figure BDA0002579920580000192
为最近12次所测得的最大放电量；Ni为最近12次所测得的放电次数；
Figure BDA0002579920580000193
为所选时间内每天平均放电量的最大阈值，
Figure BDA0002579920580000194
为所选时间内每天平均放电量的最小阈值，
Figure BDA0002579920580000195
为所选时间内每月平均放电量的最大阈值，
Figure BDA0002579920580000196
为所选时间内每月平均放电量的最小阈值，
Figure BDA0002579920580000197
为所选时间内每年平均放电量的最大阈值，
Figure BDA0002579920580000198
为所选时间内每年平均放电量的最小阈值，
Figure BDA0002579920580000199
为所选时间内每天平均放电次数的最大阈值，
Figure BDA0002579920580000201
为所选时间内每天平均放电次数的最小阈值，
Figure BDA0002579920580000202
为所选时间内每月平均放电次数的最大阈值，
Figure BDA0002579920580000203
为所选时间内每月平均放电次数的最小阈值，
Figure BDA0002579920580000204
为所选时间内每年平均放电次数的最大阈值，
Figure BDA0002579920580000205
为所选时间内每年平均放电次数的最小阈值。
可选的，所述评估模块505根据所述畸变系数确定牵引电机的绝缘性能时，可以用于：
检测所述周畸变率是否大于预设值；
当所述周畸变率小于或者等于预设值时，确定所述牵引电机的绝缘性能良好；
当所述周畸变率大于预设值时，检测所述月畸变率是否大于预设值；
当所述月畸变率小于或者等于预设值时，继续对所述牵引电机的绝缘性能进行在线绝缘评估；
当所述月畸变率大于预设值时，检测所述年畸变率是否大于预设值；
当所述年畸变率小于或者等于预设值时，发出所述牵引电机的绝缘性能差的警告；
当所述年畸变率大于预设值时，确定所述牵引电机超出当前运行年限。
上述基于牵引电机局部放电的在线绝缘评估装置，通过特征提取模块提取牵引电机放电的局部特征和全局特征，能够准确地将牵引电机的局部放电类型进行分类。根据不同的放电类型，评估模块依据不同年限放电数据求取局部放电的畸变系数，较为具体和准确地对牵引电机绝缘进行在线监测与评估，从而解决现有技术中仅通过绝缘电阻检测和耐压试验不能反映牵引电机内部是否发生局部放电或局部放电的严重程度的问题。本实施例能够实时监测和预测牵引电机的绝缘状态，相比于离线入厂检测，能够节约成本，提高牵引电机绝缘检测的效率。
图7是本发明一实施例提供的终端设备的示意图。如图7所示，该实施例的终端设备700包括：处理器701、存储器702以及存储在所述存储器702中并可在所述处理器701上运行的计算机程序703，例如基于牵引电机局部放电的在线绝缘评估程序。所述处理器701执行所述计算机程序703时实现上述基于牵引电机局部放电的在线绝缘评估方法实施例中的步骤，例如图1所示的步骤101至105，所述处理器701执行所述计算机程序703时实现上述各装置实施例中各模块的功能，例如图5所示模块501至505的功能以及图6所示的模块的功能。
示例性的，所述计算机程序703可以被分割成一个或多个程序模块，所述一个或者多个程序模块被存储在所述存储器702中，并由所述处理器701执行，以完成本发明。所述一个或多个程序模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序703在所述基于牵引电机局部放电的在线绝缘评估装置或者终端设备700中的执行过程。例如，所述计算机程序703可以被分割成获取模块501、特征提取模块502、神经网络训练模块503、分类识别模块504以及评估模块505，各模块具体功能如图5所示，在此不再一一赘述。
所述终端设备700可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器701、存储器702。本领域技术人员可以理解，图7仅仅是终端设备700的示例，并不构成对终端设备700的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器701可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器702可以是所述终端设备700的内部存储单元，例如终端设备700的硬盘或内存。所述存储器702也可以是所述终端设备700的外部存储设备，例如所述终端设备700上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器702还可以既包括所述终端设备700的内部存储单元也包括外部存储设备。所述存储器702用于存储所述计算机程序以及所述终端设备700所需的其他程序和数据。所述存储器702还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
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网络单元上。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。
所述集成的模块/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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于牵引电机局部放电的在线绝缘评估方法，其特征在于，包括：
获取搭建的不同局部放电模型的局部放电信号数据；
对所述局部放电信号数据进行特征提取，得到统计特征参数、灰度纹理特征参数以及不变矩特征参数；
根据所述统计特征参数、所述灰度纹理特征参数以及所述不变矩特征参数训练神经网络，得到目标神经网络；
实时采集牵引电机局部放电的数据，根据对所述局部放电信号数据进行特征提取的方式，对所述数据进行特征提取，并对提取的特征数据输入所述目标神经网络，得到牵引电机放电类型的分类识别结果；
根据所述分类识别结果，计算牵引电机的畸变系数，并根据所述畸变系数确定牵引电机的绝缘性能；
所述根据所述分类识别结果，计算牵引电机的畸变系数，包括：
根据
Figure FDA0003798042330000011
计算牵引电机的畸变系数；
其中，α1为反映牵引电机在当前运行时其绝缘性能是否稳定的周畸变率，α2为反映放电趋势的月畸变率；α3为反映牵引电机的整体绝缘情况是否良好的年畸变率，
Figure FDA0003798042330000012
为最近12次所测得的最大放电量；Ni为最近12次所测得的放电次数；
Figure FDA0003798042330000013
为所选时间内每天平均放电量的最大阈值，
Figure FDA0003798042330000014
为所选时间内每天平均放电量的最小阈值，
Figure FDA0003798042330000015
为所选时间内每月平均放电量的最大阈值，
Figure FDA0003798042330000016
为所选时间内每月平均放电量的最小阈值，
Figure FDA0003798042330000021
为所选时间内每年平均放电量的最大阈值，
Figure FDA0003798042330000022
为所选时间内每年平均放电量的最小阈值，
Figure FDA0003798042330000023
为所选时间内每天平均放电次数的最大阈值，
Figure FDA0003798042330000024
为所选时间内每天平均放电次数的最小阈值，
Figure FDA0003798042330000025
为所选时间内每月平均放电次数的最大阈值，
Figure FDA0003798042330000026
为所选时间内每月平均放电次数的最小阈值，
Figure FDA0003798042330000027
为所选时间内每年平均放电次数的最大阈值，
Figure FDA0003798042330000028
为所选时间内每年平均放电次数的最小阈值。
2.如权利要求1所述的基于牵引电机局部放电的在线绝缘评估方法，其特征在于，所述对所述局部放电信号数据进行特征提取，得到统计特征参数、灰度纹理特征参数以及不变矩特征参数，包括：
基于二维PRPD谱图对所述局部放电信号数据进行特征提取，得到统计特征参数；
基于三维灰度图对所述局部放电信号数据进行特征提取，得到灰度纹理特征参数以及不变矩特征参数。
3.如权利要求2所述的基于牵引电机局部放电的在线绝缘评估方法，其特征在于，所述基于二维PRPD谱图对所述局部放电信号数据进行特征提取，得到统计特征参数，包括：
基于二维PRPD模式的放电次数相位分布谱图和放电量和放电相位的关系分布谱图，对所述局部放电信号数据提取偏斜度、陡峭度和局部峰点数；
基于二维PRPD模式的放电量和放电相位的关系分布谱图，对所述局部放电信号数据提取放电量因数和互相关系数；
计算所述放电量因数和所述互相关系数的乘积，得到修正的互相关系数。
4.如权利要求2所述的基于牵引电机局部放电的在线绝缘评估方法，其特征在于，所述基于三维灰度图对所述局部放电信号数据进行特征提取，得到灰度纹理特征参数以及不变矩特征参数，包括：
基于三维放电量和放电次数随相位的变化关系分布谱图生成的灰度图构建灰度共现矩阵；
通过多个不同的扫描角度扫描所述灰度共现矩阵，并采用矩阵纹理量化方法提取的灰度纹理特征参数包括角二阶矩、方差、相关性、熵、对比度以及逆差矩；
基于三维放电量和放电次数随相位的变化关系分布谱图生成的灰度图，计算灰度图函数对应的中心矩；
根据所述中心矩的平移不变形，通过所述灰度图的(p+q)阶矩进行变换，得到归一化的中心矩；
根据所述归一化的中心矩得到归一化的二阶中心矩和归一化的三阶中心矩，根据所述归一化的二阶中心矩和归一化的三阶中心矩，提取所述灰度图的7个Hu不变矩。
5.如权利要求1-4中任一项所述的基于牵引电机局部放电的在线绝缘评估方法，其特征在于，在所述对所述局部放电信号数据进行特征提取，得到统计特征参数、灰度纹理特征参数以及不变矩特征参数之后，还包括：
对所述灰度纹理特征参数进行初次降维，得到初次降维后的灰度纹理特征参数；
对所述统计特征参数、所述初次降维后的灰度纹理特征参数以及所述不变矩特征参数进行降维处理，获得降维后的特征参数；
所述根据所述统计特征参数、所述灰度纹理特征参数以及所述不变矩特征参数训练神经网络，得到目标神经网络，包括：
根据降维后的特征参数训练神经网络，得到目标神经网络。
6.如权利要求5所述的基于牵引电机局部放电的在线绝缘评估方法，其特征在于，所述灰度纹理特征参数为具有灰度纹理特征的48维特征值；
所述对所述灰度纹理特征参数进行初次降维，得到初次降维后的灰度纹理特征参数，包括：
对所述48维特征值依次减去采用第一角度和第三角度扫描时得到的熵和逆差矩正负半周期的8维特征值、采用第一角度、第二角度、第三角度以及第四角度扫描时得到的逆差矩对应的特征值、采用第三角度以及第四角度扫描时得到的相关度对应的维度特征值，得到初次降维后的24维灰度纹理特征参数。
7.如权利要求5所述的基于牵引电机局部放电的在线绝缘评估方法，其特征在于，所述对所述统计特征参数、所述初次降维后的灰度纹理特征参数以及所述不变矩特征参数进行降维处理，获得降维后的特征参数，包括：
采用主成分分析法对15维统计特征参数、14维不变矩特征参数和24维灰度纹理特征参数，进行降维处理，获得降维后的30维特征参数。
8.如权利要求1所述的基于牵引电机局部放电的在线绝缘评估方法，其特征在于，所述根据所述畸变系数确定牵引电机的绝缘性能，包括：
检测所述周畸变率是否大于预设值；
当所述周畸变率小于或者等于预设值时，确定所述牵引电机的绝缘性能良好；
当所述周畸变率大于预设值时，检测所述月畸变率是否大于预设值；
当所述月畸变率小于或者等于预设值时，继续对所述牵引电机的绝缘性能进行在线绝缘评估；
当所述月畸变率大于预设值时，检测所述年畸变率是否大于预设值；
当所述年畸变率小于或者等于预设值时，发出所述牵引电机的绝缘性能差的警告；
当所述年畸变率大于预设值时，确定所述牵引电机超出当前运行年限。
9.一种基于牵引电机局部放电的在线绝缘评估装置，其特征在于，包括：
获取模块，用于获取搭建的不同局部放电模型的局部放电信号数据；
特征提取模块，用于对所述局部放电信号数据进行特征提取，得到统计特征参数、灰度纹理特征参数以及不变矩特征参数；
神经网络训练模块，用于根据所述统计特征参数、所述灰度纹理特征参数以及所述不变矩特征参数训练神经网络，得到目标神经网络；
分类识别模块，用于实时采集牵引电机局部放电的数据，根据对所述局部放电信号数据进行特征提取的方式，对所述数据进行特征提取，并对提取的特征数据输入所述目标神经网络，得到牵引电机放电类型的分类识别结果；
评估模块，用于根据所述分类识别结果，计算牵引电机的畸变系数，并根据所述畸变系数确定牵引电机的绝缘性能；
所述评估模块根据所述分类识别结果，计算牵引电机的畸变系数时，用于根据
Figure FDA0003798042330000051
计算牵引电机的畸变系数；
其中，α1为反映牵引电机在当前运行时其绝缘性能是否稳定的周畸变率，α2为反映放电趋势的月畸变率；α3为反映牵引电机的整体绝缘情况是否良好的年畸变率，
Figure FDA0003798042330000052
为最近12次所测得的最大放电量；Ni为最近12次所测得的放电次数；
Figure FDA0003798042330000053
为所选时间内每天平均放电量的最大阈值，
Figure FDA0003798042330000054
为所选时间内每天平均放电量的最小阈值，
Figure FDA0003798042330000055
为所选时间内每月平均放电量的最大阈值，
Figure FDA0003798042330000056
为所选时间内每月平均放电量的最小阈值，
Figure FDA0003798042330000057
为所选时间内每年平均放电量的最大阈值，
Figure FDA0003798042330000058
为所选时间内每年平均放电量的最小阈值，
Figure FDA0003798042330000059
为所选时间内每天平均放电次数的最大阈值，
Figure FDA00037980423300000510
为所选时间内每天平均放电次数的最小阈值，
Figure FDA00037980423300000511
为所选时间内每月平均放电次数的最大阈值，
Figure FDA00037980423300000512
为所选时间内每月平均放电次数的最小阈值，
Figure FDA00037980423300000513
为所选时间内每年平均放电次数的最大阈值，
Figure FDA00037980423300000514
为所选时间内每年平均放电次数的最小阈值。
CN202010664760.8A 2020-07-10 2020-07-10 基于牵引电机局部放电的在线绝缘评估方法及装置 Active CN111707915B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010664760.8A CN111707915B (zh) 2020-07-10 2020-07-10 基于牵引电机局部放电的在线绝缘评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010664760.8A CN111707915B (zh) 2020-07-10 2020-07-10 基于牵引电机局部放电的在线绝缘评估方法及装置

Publications (2)

Publication Number Publication Date
CN111707915A CN111707915A (zh) 2020-09-25
CN111707915B true CN111707915B (zh) 2022-10-14

Family

ID=72545363

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010664760.8A Active CN111707915B (zh) 2020-07-10 2020-07-10 基于牵引电机局部放电的在线绝缘评估方法及装置

Country Status (1)

Country Link
CN (1) CN111707915B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114280433B (zh) * 2021-12-02 2023-04-07 西南交通大学 一种基于放大电路的变压器套管局部放电风险评估方法
CN115546533A (zh) * 2022-08-31 2022-12-30 日照东方电机有限公司 一种永磁电机定子绕组绝缘处理的方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0600677D0 (en) * 2005-10-27 2006-02-22 Korea Electric Power Corp Input vector formation method of neural networks for auto-identification of partial discharge source
JP2008051708A (ja) * 2006-08-25 2008-03-06 Mitsubishi Electric Corp ガス絶縁電気装置の部分放電監視装置および部分放電監視方法
CN101408580A (zh) * 2008-11-21 2009-04-15 重庆大学 基于局部放电特征参量的油纸绝缘老化状态评估方法
CN103197206A (zh) * 2013-03-12 2013-07-10 重庆市电力公司电力科学研究院 电平扫描式超高频局部放电在线监测系统及方法
CN103323749A (zh) * 2013-05-16 2013-09-25 上海交通大学 多分类器信息融合的局部放电诊断方法
CN106199305A (zh) * 2016-07-01 2016-12-07 太原理工大学 煤矿井下供电系统用干式变压器绝缘健康状态评估方法
CN109085468A (zh) * 2018-07-27 2018-12-25 上海交通大学 一种电缆局部放电绝缘缺陷的识别方法
CN110261746A (zh) * 2019-07-08 2019-09-20 清华大学深圳研究生院 基于振荡波电压周期衰减特性的电缆缺陷检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0600677D0 (en) * 2005-10-27 2006-02-22 Korea Electric Power Corp Input vector formation method of neural networks for auto-identification of partial discharge source
JP2008051708A (ja) * 2006-08-25 2008-03-06 Mitsubishi Electric Corp ガス絶縁電気装置の部分放電監視装置および部分放電監視方法
CN101408580A (zh) * 2008-11-21 2009-04-15 重庆大学 基于局部放电特征参量的油纸绝缘老化状态评估方法
CN103197206A (zh) * 2013-03-12 2013-07-10 重庆市电力公司电力科学研究院 电平扫描式超高频局部放电在线监测系统及方法
CN103323749A (zh) * 2013-05-16 2013-09-25 上海交通大学 多分类器信息融合的局部放电诊断方法
CN106199305A (zh) * 2016-07-01 2016-12-07 太原理工大学 煤矿井下供电系统用干式变压器绝缘健康状态评估方法
CN109085468A (zh) * 2018-07-27 2018-12-25 上海交通大学 一种电缆局部放电绝缘缺陷的识别方法
CN110261746A (zh) * 2019-07-08 2019-09-20 清华大学深圳研究生院 基于振荡波电压周期衰减特性的电缆缺陷检测方法

Also Published As

Publication number Publication date
CN111707915A (zh) 2020-09-25

Similar Documents

Publication Publication Date Title
Gulski et al. Neural networks as a tool for recognition of partial discharges
CN111707915B (zh) 基于牵引电机局部放电的在线绝缘评估方法及装置
CN111220882A (zh) 一种gis光学局放图谱的特征量提取方法
Xie et al. Fabric defect detection method combing image pyramid and direction template
CN113447771A (zh) 一种基于sift-lda特征的局部放电模式识别方法
CN112462355A (zh) 一种基于时频三特征提取的对海目标智能检测方法
Vigneshwaran et al. Partial discharge pattern analysis using multi-class support vector machine to estimate cavity size and position in solid insulation
Zhou et al. Image quality assessment using kernel sparse coding
CN117708760B (zh) 基于多模型融合的开关柜多源局放模式识别方法及系统
CN114800041A (zh) 一种刀具状态监测方法及其监测装置
CN117930012A (zh) 一种电池一致性评估方法、装置、计算机设备及存储介质
CN117972516A (zh) 一种基于新型Transformer架构的在线行波故障辨识方法
CN112880726A (zh) 基于变分模态分解样本熵的传感器故障诊断方法和装置
CN117496223A (zh) 一种基于深度学习的轻量化绝缘子缺陷检测方法及装置
CN112419243A (zh) 一种基于红外图像分析的配电房设备故障识别方法
CN116381493A (zh) 一种电池组故障检测方法、系统、电子设备及存储介质
CN114648520A (zh) 轨道缺陷的检测方法、系统、电子设备和存储介质
CN115186772A (zh) 一种电力设备的局部放电的检测方法、装置及设备
CN111626329B (zh) 一种基于lda寻优多尺度纹理特征的绝缘管母故障诊断方法
CN114757284A (zh) 一种基于图信号处理的非侵入式负荷监测方法
CN114414951A (zh) 气体绝缘金属封闭开关设备绝缘缺陷诊断方法及系统
CN109840479B (zh) 健康状态匹配方法及装置
CN110533644B (zh) 一种基于图像识别的绝缘子检测方法
Zhang et al. Nature scene statistics approach based on ICA for no-reference image quality assessment
Xie et al. An optimal orientation certainty level approach for fingerprint quality estimation

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