CN111932493A - 一种配电网局部放电超声波检测方法及系统 - Google Patents

一种配电网局部放电超声波检测方法及系统 Download PDF

Info

Publication number
CN111932493A
CN111932493A CN202010596194.1A CN202010596194A CN111932493A CN 111932493 A CN111932493 A CN 111932493A CN 202010596194 A CN202010596194 A CN 202010596194A CN 111932493 A CN111932493 A CN 111932493A
Authority
CN
China
Prior art keywords
power distribution
partial discharge
neural network
equipment
network model
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
CN202010596194.1A
Other languages
English (en)
Other versions
CN111932493B (zh
Inventor
张涛允
熊鹏
秦源汛
张广东
何红太
张玉刚
桂菲菲
白文远
王津
薛玲
张发刚
刘康
何卫锋
黄志勇
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.)
Beijing Guowang Fuda Technology Development Co Ltd
Original Assignee
Beijing Guowang Fuda Technology Development 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 Beijing Guowang Fuda Technology Development Co Ltd filed Critical Beijing Guowang Fuda Technology Development Co Ltd
Priority to CN202010596194.1A priority Critical patent/CN111932493B/zh
Publication of CN111932493A publication Critical patent/CN111932493A/zh
Priority to PCT/CN2021/087208 priority patent/WO2022001289A1/zh
Priority to LU102837A priority patent/LU102837B1/en
Priority to ZA2021/04616A priority patent/ZA202104616B/en
Application granted granted Critical
Publication of CN111932493B publication Critical patent/CN111932493B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • 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
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20052—Discrete cosine transform [DCT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Testing Relating To Insulation (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明涉及一种基于深度学习的配电网局部放电超声波检测方法及系统，方法包括：训练神经网络模型；将待测配电网设备的局部放电缺陷的超声波信号转换成梅氏倒频谱数据；将梅氏倒频谱数据输入周期神经网络层进行学习得到第一特征；将待测配电网设备的局部放电缺陷的图像输入卷积神经网络层进行学习得到第二特征；将第一特征和第二特征进行线性拼接后得到第三特征；将第三特征输入多层全连接层，得到待测配电网设备的检测结果。本发明提出的检测方法及系统相对于现有的人工检测更高效、更准确。

Description

一种配电网局部放电超声波检测方法及系统
技术领域
本发明涉及配电网技术领域，特别是涉及一种配电网局部放电超声波检测方法及系统。
背景技术
配电线路巡视工作是配电专业日常运维管理的重要工作。我国配电线路以架空方式为主，在线路运行过程中，高压电气设备长期存在局部放电，会加速设备老化，最终导致故障发生。架空线路设备发生局部放电时仅凭巡视人员肉眼与耳朵很难发现，特别是一些轻微的局部放电。目前我国电力企业对生产运维精益化要求不断提高，新设备、新材料的持续增长以及配网设备整体规模数量的急剧增加，导致现场检修、日常运行维护工作剧增，生产结构性缺员与供电可靠性要求的矛盾日益突出。
传统的通过外观检查、手工记录开展配电线路日常巡视检查的工作方式，无法对设备状态及潜伏性故障有效掌握，特别是当前我国对输配电设备施行定期检修等方式，针对性不强。传统检测无法掌握设备的潜伏性故障，对设备状态难以真实有效地进行评价，以致检修策略缺乏针对性，可能导致设备“失修”、“过修”的问题频频出现；同时传统检修增加了停电次数。传统的计划检修和例行试验需要对线路进行停电，客观上降低了供电可靠性指标，也可能因检修周期过长的影响无法及时掌控设备状态。
发明内容
本发明的目的是提供一种基于深度学习的配电网局部放电超声波检测方法，解决了现有技术存在的问题，能够高效、准确的检测配网设备的状态。
为实现上述目的，本发明提供了如下方案：
一种配电网局部放电超声波检测方法，包括：
根据历史配电设备局部放电缺陷的超声波信号、历史配电设备局部放电缺陷的图像和历史配电设备检测结果训练神经网络模型，得到训练好的神经网络模型；所述训练好的神经网络模型包括一层周期神经网络层、一层卷积神经网络层和多层全连接层；
将待测配电网设备的局部放电缺陷的超声波信号转换成梅氏倒频谱数据；
将所述梅氏倒频谱数据输入所述周期神经网络层进行学习得到第一特征；
将待测配电网设备的局部放电缺陷的图像输入所述卷积神经网络层进行学习得到第二特征；
将所述第一特征和所述第二特征进行线性拼接后得到第三特征；
将所述第三特征输入所述多层全连接层，得到待测配电网设备的检测结果。
可选的，所述根据历史配电设备局部放电缺陷的超声波信号、历史配电设备局部放电缺陷的图像和历史配电设备检测结果训练神经网络模型，得到训练好的神经网络模型，具体为：
将所述历史配电设备局部放电缺陷的超声波信号和所述历史配电设备局部放电缺陷的图像输入至所述神经网络模型，得到输出结果；
根据所述输出结果以及所述历史配电设备检测结果调整所述神经网络模型，得到训练好的神经网络模型。
可选的，所述根据所述输出结果以及所述历史配电设备检测结果调整所述神经网络模型，得到训练好的神经网络模型，具体为：
判断所述输出结果与所述历史配电设备检测结果的误差是否在误差范围内；
若是，则确定所述神经网络模型为训练好的神经网络模型；
若否，则利用梯度反向传播算法调整所述神经网络模型，使所述输出结果与所述历史配电设备检测结果的误差在误差范围内。
可选的，所述配电设备检测结果包括配电设备局部放电的缺陷类型、配电设备故障的严重程度和配电设备的使用寿命。
可选的，所述将待测配电网设备的局部放电缺陷的超声波信号转换成梅氏倒频谱数据，具体为：
将待测配电网设备的局部放电缺陷的超声波信号转换成数字信号；
对所述数字信号进行加窗处理获得加窗后的数字信号；
将所述加窗后的数字信号进行傅里叶变换，得到信号序列；
对所述信号序列进行滤波，得到滤波后的频谱信号；
对所述频率信号进行倒频谱计算得到梅氏倒频谱数据。
一种配电网局部放电超声波检测系统，包括：
训练模块，用于根据历史配电设备局部放电缺陷的超声波信号、历史配电设备局部放电缺陷的图像和历史配电设备检测结果训练神经网络模型，得到训练好的神经网络模型；所述训练好的神经网络模型包括一层周期神经网络层、一层卷积神经网络层和多层全连接层；
梅氏倒频谱数据获取模块，用于将待测配电网设备的局部放电缺陷的超声波信号转换成梅氏倒频谱数据；
第一特征获取模块，用于将所述梅氏倒频谱数据输入所述周期神经网络层进行学习得到第一特征；
第二特征获取模块，用于将待测配电网设备的局部放电缺陷的图像输入所述卷积神经网络层进行学习得到第二特征；
第三特征获取模块，用于将所述第一特征和所述第二特征进行线性拼接后得到第三特征；
检测模块，用于将所述第三特征输入所述多层全连接层，得到待测配电网设备的检测结果。
可选的，所述训练模块包括：
输入单元，用于将所述历史配电设备局部放电缺陷的超声波信号和所述历史配电设备局部放电缺陷的图像输入至所述神经网络模型，得到输出结果；
调整单元，用于根据所述输出结果以及所述历史配电设备检测结果调整所述神经网络模型，得到训练好的神经网络模型。
可选的，所述调整单元包括：
判断子单元，用于判断所述输出结果与所述历史配电设备检测结果的误差是否在误差范围内；
若是，则确定所述神经网络模型为训练好的神经网络模型；
若否，则利用梯度反向传播算法调整所述神经网络模型，使所述输出结果与所述历史配电设备检测结果的误差在误差范围内。
可选的，所述检测模块得到的所述待测配电网设备的检测结果包括配电设备局部放电的缺陷类型、配电设备故障的严重程度和配电设备的使用寿命。
可选的，所述梅氏倒频谱数据获取模块包括：
数字信号转换单元，用于将待测配电网设备的局部放电缺陷的超声波信号转换成数字信号；
加窗数字信号获取单元，用于对所述数字信号进行加窗处理获得加窗后的数字信号；
信号序列获取单元，用于将所述加窗后的数字信号进行傅里叶变换，得到信号序列；
频谱信号获取单元，用于对所述信号序列进行滤波，得到滤波后的频谱信号；
梅氏倒频谱数据获取单元，用于对所述频率信号进行倒频谱计算得到梅氏倒频谱数据。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提出了一种基于深度学习的配电网局部放电超声波检测方法及系统，方法包括：训练神经网络模型；将待测配电网设备的局部放电缺陷的超声波信号转换成梅氏倒频谱数据；将梅氏倒频谱数据输入周期神经网络层进行学习得到第一特征；将待测配电网设备的局部放电缺陷的图像输入卷积神经网络层进行学习得到第二特征；将第一特征和第二特征进行线性拼接后得到第三特征；将第三特征输入多层全连接层，得到待测配电网设备的检测结果。本发明提出的检测方法相对于现有的人工检测更高效、更准确。
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为本发明实施例提供的配电网局部放电超声波检测方法的流程图；
图2为本发明实施例提供的梅氏倒频谱处理过程图；
图3为本发明实施例提供的神经网络模型结构图；
图4为本发明实施例提供的配电网局部放电超声波检测系统的系统框图。
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做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。
本发明的目的是提供一种基于深度学习的配电网局部放电超声波检测方法，解决了现有技术存在的问题，能够高效、准确的检测配网设备的状态。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
图1为本发明实施例提供的配电网局部放电超声波检测方法的流程图。如图1所示，在本实施例中，方法包括以下步骤：
步骤101：根据历史配电设备局部放电缺陷的超声波信号、历史配电设备局部放电缺陷的图像和历史配电设备检测结果训练神经网络模型，得到训练好的神经网络模型；所述训练好的神经网络模型包括一层周期神经网络层、一层卷积神经网络层和多层全连接层。
在本实施例中，神经网络模型的训练过程包括以下步骤：
步骤1011：将历史配电设备局部放电缺陷的超声波信号和历史配电设备局部放电缺陷的图像输入至神经网络模型，得到输出结果。输出结果包括配电设备局部放电的缺陷类型、配电设备故障的严重程度和配电设备的使用寿命。
步骤1012：根据输出结果以及历史配电设备检测结果调整神经网络模型。判断输出结果与历史配电设备检测结果的误差是否在误差范围内。若是，则确定此神经网络模型为训练好的神经网络模型。若否，则利用梯度反向传播算法调整神经网络模型，使输出结果与历史配电设备检测结果的误差在误差范围内。
步骤102：将待测配电网设备的局部放电缺陷的超声波信号转换成梅氏倒频谱数据。
图2为本发明实施例提供的梅氏倒频谱处理过程图。在本实施例中，将待测配电网设备的局部放电缺陷的超声波信号转换成梅氏倒频谱数据，包括以下步骤：
步骤1021：将待测配电网设备的局部放电缺陷的超声波信号转换成数字信号。
步骤1022：对数字信号进行加窗处理获得加窗后的数字信号。
在本实施例中，利用公式
a[n]＝w[n]*s[n]
进行加窗计算。其中a[n]为加窗后的数字信号，s[n]为加窗前的数字信号，w[n]为汉宁窗的公式，
Figure BDA0002557468440000061
a为0.46164时的汉宁窗，α取0.5，L为窗的宽度，n为超声波信号帧数。
步骤1023：将加窗后的数字信号进行傅里叶变换，得到信号序列。傅里叶变换公式如下：
Figure BDA0002557468440000062
其中a[k]为经过傅里叶变换后的信号序列，k为信号序列的帧数下标，j为虚部，N为信号序列的总帧数。
步骤1024：对信号序列进行滤波，得到滤波后的频谱信号。滤波公式如下：
Figure BDA0002557468440000063
其中，Xt[m]为滤波后的频谱信号，W为滤波器组，m为频域滤波器的频带下标，k为频谱信号的帧下标，At表示信号强度归一化向量。
步骤1025：对频率信号进行倒频谱计算得到梅氏倒频谱数据。具体计算公式为：
Figure BDA0002557468440000064
其中，xt[n]为梅氏倒频谱数据，M为滤波器通道总数。
步骤103：将所述梅氏倒频谱数据输入所述周期神经网络层进行学习得到第一特征。
步骤104：将待测配电网设备的局部放电缺陷的图像输入所述卷积神经网络层进行学习得到第二特征。
步骤105：将所述第一特征和所述第二特征进行线性拼接后得到第三特征。
步骤106：将所述第三特征输入所述多层全连接层，得到待测配电网设备的检测结果。
图3为本发明实施例提供的神经网络模型结构图，如图3所示：
图中st表示状态，st取决于当前输入xt以及上一次隐藏层的st-1，权重矩阵W就是隐藏层上一次的值作为这一次的输入的权重。U表示输入的归一化向量参数，V表示输出的归一化向量参数。计算过程可以表示为：
st＝f(U*Xt+W*st-1)
ot＝g(V*st)
其中输出向量ot表示的是设备缺陷为各个故障分类的置信度，人工智能使用不同类型的置信度来估计设备缺陷类型。通过深度学习的梯度反向传播算法，可以在多次训练过程中，通过梯度下降的方法不断修正权重矩阵W，训练好的W即为我们需要的模型。将待测配电设备的局部放电缺陷的超声波信号和局部放电缺陷的图像输入W中，可得出新的ot，即各个可能缺陷类型的置信程度，取最高值即可得出估计的缺陷的分类值，最终得出配电设备局部放电的缺陷类型、配电设备故障的严重程度和配电设备的使用寿命。
实施例2
为了能够高效、准确的检测配网设备的状态，本实施例还提供了一种配电网局部放电超声波检测系统。图4为本发明实施例提供的配电网局部放电超声波检测系统的系统框图。如图4所示，系统包括：
训练模块201，用于根据历史配电设备局部放电缺陷的超声波信号、历史配电设备局部放电缺陷的图像和历史配电设备检测结果训练神经网络模型，得到训练好的神经网络模型；所述训练好的神经网络模型包括一层周期神经网络层、一层卷积神经网络层和多层全连接层。
在本实施例中，训练模块201具体包括：
输入单元2011，用于将历史配电设备局部放电缺陷的超声波信号和历史配电设备局部放电缺陷的图像输入至神经网络模型，得到输出结果。
调整单元2012，用于根据输出结果以及历史配电设备检测结果调整神经网络模型，得到训练好的神经网络模型。具体的，调整单元2012包括判断子单元，判断子单元用于判断输出结果与历史配电设备检测结果的误差是否在误差范围内，若是，则确定此神经网络模型为训练好的神经网络模型。若否，则利用梯度反向传播算法调整神经网络模型，使输出结果与历史配电设备检测结果的误差在误差范围内。
梅氏倒频谱数据获取模块202，用于将待测配电网设备的局部放电缺陷的超声波信号转换成梅氏倒频谱数据。
在本实施例中，梅氏倒频谱数据获取模块202具体包括：
数字信号转换单元2021，用于将待测配电网设备的局部放电缺陷的超声波信号转换成数字信号。
加窗数字信号获取单元2022，用于对数字信号进行加窗处理获得加窗后的数字信号。
信号序列获取单元2023，用于将加窗后的数字信号进行傅里叶变换，得到信号序列。
频谱信号获取单元2024，用于对信号序列进行滤波，得到滤波后的频谱信号。
梅氏倒频谱数据获取单元2025，用于对频率信号进行倒频谱计算得到梅氏倒频谱数据。
第一特征获取模块203，用于将所述梅氏倒频谱数据输入所述周期神经网络层进行学习得到第一特征。
第二特征获取模块204，用于将待测配电网设备的局部放电缺陷的图像输入所述卷积神经网络层进行学习得到第二特征。
第三特征获取模块205，用于将所述第一特征和所述第二特征进行线性拼接后得到第三特征。
检测模块206，用于将所述第三特征输入所述多层全连接层，得到待测配电网设备的检测结果。在本实施例中，检测结果包括配电设备局部放电的缺陷类型、配电设备故障的严重程度和配电设备的使用寿命。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提出了一种基于深度学习的配电网局部放电超声波检测方法及系统，根据大量的历史配电设备局部放电缺陷的超声波信号、历史配电设备局部放电缺陷的图像和历史配电设备检测结果，来训练神经网络模型。检测配电网设备时，只需要将待测配电设备局部放电缺陷的超声波信号和图像输入训练好的神经网络模型中，即可得出待测配电设备的检测结果。相对于现有的人工检测更高效、更准确。运维人员可提前发现设备缺陷和危及线路安全的隐患，及时掌握线路设备运行工况，进而采取有针对性的治理措施，有效减少线路停电检修次数，确保配电线路安全稳定运行，有力促进配网供电可靠性指标的快速提升。
而且可以将训练好的神经网络模型经过修剪移植到前端的超声波检测仪中实现实时的局部放电类型诊断分类，实现巡检设备的智能化精细化，进而大幅提高巡检效率。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种配电网局部放电超声波检测方法，其特征在于，包括：
根据历史配电设备局部放电缺陷的超声波信号、历史配电设备局部放电缺陷的图像和历史配电设备检测结果训练神经网络模型，得到训练好的神经网络模型；所述训练好的神经网络模型包括一层周期神经网络层、一层卷积神经网络层和多层全连接层；
将待测配电网设备的局部放电缺陷的超声波信号转换成梅氏倒频谱数据；
将所述梅氏倒频谱数据输入所述周期神经网络层进行学习得到第一特征；
将待测配电网设备的局部放电缺陷的图像输入所述卷积神经网络层进行学习得到第二特征；
将所述第一特征和所述第二特征进行线性拼接后得到第三特征；
将所述第三特征输入所述多层全连接层，得到待测配电网设备的检测结果。
2.根据权利要求1所述的配电网局部放电超声波检测方法，其特征在于，所述根据历史配电设备局部放电缺陷的超声波信号、历史配电设备局部放电缺陷的图像和历史配电设备检测结果训练神经网络模型，得到训练好的神经网络模型，具体为：
将所述历史配电设备局部放电缺陷的超声波信号和所述历史配电设备局部放电缺陷的图像输入至所述神经网络模型，得到输出结果；
根据所述输出结果以及所述历史配电设备检测结果调整所述神经网络模型，得到训练好的神经网络模型。
3.根据权利要求2所述的配电网局部放电超声波检测方法，其特征在于，所述根据所述输出结果以及所述历史配电设备检测结果调整所述神经网络模型，得到训练好的神经网络模型，具体为：
判断所述输出结果与所述历史配电设备检测结果的误差是否在误差范围内；
若是，则确定所述神经网络模型为训练好的神经网络模型；
若否，则利用梯度反向传播算法调整所述神经网络模型，使所述输出结果与所述历史配电设备检测结果的误差在误差范围内。
4.根据权利要求1所述的配电网局部放电超声波检测方法，其特征在于，所述配电设备检测结果包括配电设备局部放电的缺陷类型、配电设备故障的严重程度和配电设备的使用寿命。
5.根据权利要求1所述的配电网局部放电超声波检测方法，其特征在于，所述将待测配电网设备的局部放电缺陷的超声波信号转换成梅氏倒频谱数据，具体为：
将待测配电网设备的局部放电缺陷的超声波信号转换成数字信号；
对所述数字信号进行加窗处理获得加窗后的数字信号；
将所述加窗后的数字信号进行傅里叶变换，得到信号序列；
对所述信号序列进行滤波，得到滤波后的频谱信号；
对所述频率信号进行倒频谱计算得到梅氏倒频谱数据。
6.一种配电网局部放电超声波检测系统，其特征在于，包括：
训练模块，用于根据历史配电设备局部放电缺陷的超声波信号、历史配电设备局部放电缺陷的图像和历史配电设备检测结果训练神经网络模型，得到训练好的神经网络模型；所述训练好的神经网络模型包括一层周期神经网络层、一层卷积神经网络层和多层全连接层；
梅氏倒频谱数据获取模块，用于将待测配电网设备的局部放电缺陷的超声波信号转换成梅氏倒频谱数据；
第一特征获取模块，用于将所述梅氏倒频谱数据输入所述周期神经网络层进行学习得到第一特征；
第二特征获取模块，用于将待测配电网设备的局部放电缺陷的图像输入所述卷积神经网络层进行学习得到第二特征；
第三特征获取模块，用于将所述第一特征和所述第二特征进行线性拼接后得到第三特征；
检测模块，用于将所述第三特征输入所述多层全连接层，得到待测配电网设备的检测结果。
7.根据权利要求6所述的配电网局部放电超声波检测系统，其特征在于，所述训练模块包括：
输入单元，用于将所述历史配电设备局部放电缺陷的超声波信号和所述历史配电设备局部放电缺陷的图像输入至所述神经网络模型，得到输出结果；
调整单元，用于根据所述输出结果以及所述历史配电设备检测结果调整所述神经网络模型，得到训练好的神经网络模型。
8.根据权利要求6所述的配电网局部放电超声波检测系统，其特征在于，所述调整单元包括：
判断子单元，用于判断所述输出结果与所述历史配电设备检测结果的误差是否在误差范围内；
若是，则确定所述神经网络模型为训练好的神经网络模型；
若否，则利用梯度反向传播算法调整所述神经网络模型，使所述输出结果与所述历史配电设备检测结果的误差在误差范围内。
9.根据权利要求6所述的配电网局部放电超声波检测系统，其特征在于，所述检测模块得到的所述待测配电网设备的检测结果包括配电设备局部放电的缺陷类型、配电设备故障的严重程度和配电设备的使用寿命。
10.根据权利要求6所述的配电网局部放电超声波检测系统，其特征在于，所述梅氏倒频谱数据获取模块包括：
数字信号转换单元，用于将待测配电网设备的局部放电缺陷的超声波信号转换成数字信号；
加窗数字信号获取单元，用于对所述数字信号进行加窗处理获得加窗后的数字信号；
信号序列获取单元，用于将所述加窗后的数字信号进行傅里叶变换，得到信号序列；
频谱信号获取单元，用于对所述信号序列进行滤波，得到滤波后的频谱信号；
梅氏倒频谱数据获取单元，用于对所述频率信号进行倒频谱计算得到梅氏倒频谱数据。
CN202010596194.1A 2020-06-28 2020-06-28 一种配电网局部放电超声波检测方法及系统 Active CN111932493B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202010596194.1A CN111932493B (zh) 2020-06-28 2020-06-28 一种配电网局部放电超声波检测方法及系统
PCT/CN2021/087208 WO2022001289A1 (zh) 2020-06-28 2021-04-14 一种配电网局部放电超声波检测方法及系统
LU102837A LU102837B1 (en) 2020-06-28 2021-04-14 Ultrasonic detection method and system for partial discharge of power distribution network
ZA2021/04616A ZA202104616B (en) 2020-06-28 2021-07-02 Ultrasonic detection method and system for partial discharge of power distribution network

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010596194.1A CN111932493B (zh) 2020-06-28 2020-06-28 一种配电网局部放电超声波检测方法及系统

Publications (2)

Publication Number Publication Date
CN111932493A true CN111932493A (zh) 2020-11-13
CN111932493B CN111932493B (zh) 2024-06-07

Family

ID=73317827

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010596194.1A Active CN111932493B (zh) 2020-06-28 2020-06-28 一种配电网局部放电超声波检测方法及系统

Country Status (4)

Country Link
CN (1) CN111932493B (zh)
LU (1) LU102837B1 (zh)
WO (1) WO2022001289A1 (zh)
ZA (1) ZA202104616B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022001289A1 (zh) * 2020-06-28 2022-01-06 北京国网富达科技发展有限责任公司 一种配电网局部放电超声波检测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109856517A (zh) * 2019-03-29 2019-06-07 国家电网有限公司 一种特高压设备局部放电检测数据的判别方法
CN111047598A (zh) * 2019-11-04 2020-04-21 华北电力大学（保定） 基于深度学习的输变电设备紫外放电光斑分割方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101268761B1 (ko) * 2011-09-19 2013-05-29 한국전력공사 부분방전 결함유형 판정 방법 및 그 장치
CN110162799B (zh) * 2018-11-28 2023-08-04 腾讯科技（深圳）有限公司 模型训练方法、机器翻译方法以及相关装置和设备
CN111932493B (zh) * 2020-06-28 2024-06-07 北京国网富达科技发展有限责任公司 一种配电网局部放电超声波检测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109856517A (zh) * 2019-03-29 2019-06-07 国家电网有限公司 一种特高压设备局部放电检测数据的判别方法
CN111047598A (zh) * 2019-11-04 2020-04-21 华北电力大学（保定） 基于深度学习的输变电设备紫外放电光斑分割方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022001289A1 (zh) * 2020-06-28 2022-01-06 北京国网富达科技发展有限责任公司 一种配电网局部放电超声波检测方法及系统

Also Published As

Publication number Publication date
ZA202104616B (en) 2022-07-27
LU102837B1 (en) 2022-01-03
CN111932493B (zh) 2024-06-07
WO2022001289A1 (zh) 2022-01-06

Similar Documents

Publication Publication Date Title
CN110867196B (zh) 一种基于深度学习及声音识别的机器设备状态监测系统
CN110929918B (zh) 一种基于CNN和LightGBM的10kV馈线故障预测方法
CN102426835B (zh) 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
CN111929542B (zh) 一种电力设备诊断方法及系统
CN108346434B (zh) 一种语音质量评估的方法和装置
CN113033011B (zh) 一种船舶机械健康状态评估方法及系统
CN103293415A (zh) 一种基于神经网络专家系统的微逆变器故障检测方法
CN113641486B (zh) 一种基于边缘计算网络架构的道岔智能故障诊断方法
CN113406524B (zh) 一种动力电池系统的不一致性故障诊断方法及系统
CN113298134A (zh) 一种基于bpnn的风机叶片远程非接触健康监测系统和方法
CN103235993A (zh) 用于企业用户侧的电能质量评估系统及其方法
CN112070104A (zh) 主变压器局部放电识别方法
CN114266197A (zh) 一种水电站设备故障诊断方法
CN117708550B (zh) 一种电力大数据自动化数据分析及模型构建方法
CN111932493A (zh) 一种配电网局部放电超声波检测方法及系统
CN115687969A (zh) 一种基于声音特征分析的低压变压器故障诊断方法
CN116778964A (zh) 一种基于声纹识别的变电设备故障监测系统及方法
CN114157023B (zh) 一种配变预警信息获取方法
CN113109666A (zh) 一种基于深度卷积神经网络的轨道电路故障诊断方法
CN115376526A (zh) 一种基于声纹识别的电力设备故障检测方法及系统
CN111967791A (zh) 一种考虑扰动与故障阈值的设备性能评估方法及系统
CN108613820A (zh) 一种用于gis本体机械缺陷诊断和定位的在线异声监测算法
CN111190072A (zh) 集抄系统诊断模型建立方法、故障诊断方法及装置
CN113919525A (zh) 一种电站风机状态预警方法、系统及其应用
CN112225026A (zh) 一种基于声信号的电梯按需维保方法

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