CN112034310A - 一种组合电器局部放电缺陷诊断方法及系统 - Google Patents
一种组合电器局部放电缺陷诊断方法及系统 Download PDFInfo
- Publication number
- CN112034310A CN112034310A CN202010759503.2A CN202010759503A CN112034310A CN 112034310 A CN112034310 A CN 112034310A CN 202010759503 A CN202010759503 A CN 202010759503A CN 112034310 A CN112034310 A CN 112034310A
- Authority
- CN
- China
- Prior art keywords
- defect
- partial discharge
- map
- combined electrical
- electrical appliance
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000003745 diagnosis Methods 0.000 title claims description 19
- 238000001514 detection method Methods 0.000 claims abstract description 45
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000011176 pooling Methods 0.000 claims abstract description 21
- 238000013526 transfer learning Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 6
- 239000002923 metal particle Substances 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000010587 phase diagram Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000003709 image segmentation Methods 0.000 claims description 2
- 239000012212 insulator Substances 0.000 claims description 2
- 238000005339 levitation Methods 0.000 claims 1
- 238000012795 verification Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 239000000725 suspension Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000002131 composite material Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- G01R31/1254—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 gas-insulated power appliances or vacuum gaps
-
- 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
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)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种组合电器局部放电缺陷诊断方法及系统，包括：将获取到的待测变电站组合电器特高频局放图谱输入到训练好的卷积神经网络模型中，输出缺陷识别结果；将所述缺陷识别结果与知识库进行匹配，得到形成该缺陷的原因及处理原则；其中，所述卷积神经网络模型通过预先构建的图谱库进行训练，所述图谱库包括若干带标注信息的变电站组合电器检测图谱数据集；所述知识库包括不同缺陷类型对应的缺陷原因及处理原则。本发明采用改进的VGG‑16结构，利用迁移学习的方式，通过VGG‑16网络模型参数优化卷积层、池化层和全连接层的模型参数，实现局放图谱类型的识别，可提高局部放电模式的准确率。
Description
技术领域
本发明涉及气体绝缘组合电器局放检测技术领域，尤其涉及一种组合电器局部放电缺陷诊断方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
气体绝缘组合电器(Gas Insulatede Switchgear，简称GIS)是一种以SF6气体为绝缘介质的电网关键设备之一。随着GIS在电网中的占比不断增加和组合电器局放检测工作的开展，GIS特高频局放检测存在下列问题：
1)不同厂家、型号的检测仪器性能差别巨大，数据存储的类型和格式各异，导出不同形式的非结构化数据，直接采用深度神经网络进行拟合训练，算法准确性和适应性难以满足实际需求；传统的统计分析技术无法实现对这类数据的管理和应用。
2)局放检测工作相对复杂，GIS周围存在大量干扰信号，导致检测人员误判漏判，检测结果的可靠性很大程度上取决于检测人员的业务水平，严重制约了组合电器局放检测工作的发展和设备状态评价能力的提升。
3)由于带电检测工作相对复杂，现场环境干扰因素较多，目前针对局部放电的缺陷诊断仍多依赖于运维人员的知识和经验。而运维人员由于缺少知识创造、保存的工具、流程，导致不同现场、不同班组、不同人员在各自运维作业中发现的组合电器局放缺陷及原因、处置方案等知识难以积累、延续和分享，影响现场组合电器局放缺陷诊断效率。
发明内容
为了解决上述问题，本发明提出了一种基于GIS局放检测图谱和运维检修记录，对图谱和缺陷类型进行分类，构建不同检测终端的典型故障图谱知识库。研究基于VGG-16结构卷积神经网络的局部放电模式识别算法，利用迁移学习的方式，通过VGG-16网络模型参数优化卷积层、池化层和全连接层的模型参数，解决特高频检测图谱的分类与局部放电识别问题。
在一些实施方式中，采用如下技术方案：
一种组合电器局部放电缺陷诊断方法，包括：
将获取到的待测变电站组合电器特高频局放图谱输入到训练好的卷积神经网络模型中，输出缺陷识别结果；
将所述缺陷识别结果与知识库进行匹配，得到形成该缺陷的原因及处理原则；
其中，所述卷积神经网络模型通过预先构建的图谱库进行训练，所述图谱库包括若干带标注信息的变电站组合电器检测图谱数据集；所述知识库包括不同缺陷类型对应的缺陷原因及处理原则。
在另一些实施方式中，采用如下技术方案：
一种组合电器局部放电缺陷诊断装置，包括：
缺陷识别模块，用于将获取到的待测变电站组合电器特高频局放图谱输入到训练好的卷积神经网络模型中，输出缺陷识别结果；
缺陷原因匹配模块，用于将所述缺陷识别结果与知识库进行匹配，得到形成该缺陷的原因及处理原则；
神经网络模型训练模块，用于通过预先构建的图谱库对卷积神经网络模型进行训练；所述图谱库包括若干带标注信息的变电站组合电器检测图谱数据集；所述知识库包括不同缺陷类型对应的缺陷原因及处理原则。
在另一些实施方式中，采用如下技术方案：
一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行上述的组合电器局部放电缺陷诊断方法。
在另一些实施方式中，采用如下技术方案：
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的组合电器局部放电缺陷诊断方法。
在另一些实施方式中，采用如下技术方案：
一种组合电器局部放电缺陷诊断系统，包括：
智能终端，用于接收待测变电站组合电器特高频局放图谱，并传送至云计算平台；
云计算平台，用于根据接收到的图谱，基于训练好的卷积神经网络模型，得出所述图谱的缺陷类型，以及不同缺陷类型对应的缺陷原因及处理原则；并将上述结果反馈至智能终端进行显示。
与现有技术相比，本发明的有益效果是：
1、采用改进的VGG-16结构，利用迁移学习的方式，通过VGG-16网络模型参数优化卷积层、池化层和全连接层的模型参数，实现局放图谱类型的识别，可提高局部放电模式的准确率。
2、将局部放电模式识别算法应用到识别系统中，辅助现场快速判断各类组合电器局放缺陷，解决由于受环境、电磁等信号干扰，局部放电模式识别难度大的问题。
3、通过增强现实技术将诊断结果和缺陷原因增强显示在现场移动终端上，辅助现场诊断缺陷，从而提升现场运维检修效率。
附图说明
图1为本发明实施例一中组合电器局部放电缺陷诊断方法流程图；
图2为本发明实施例一中组合电器局部放电缺陷诊断系统架构图；
图3为本发明实施例一中信息交互示意图；
图4为本发明实施例一中特高频测点视图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
在一个或多个实施例中，公开了一种组合电器局部放电缺陷诊断方法，包括特征图谱库建模以及基于CNN的局部放电模式识别。
其中，特征图谱库建模，数据来源为搜集2015-2018年某供电公司55座变电站带电检测数据，获取实际运行环境下变电站组合电器的检测图谱，包括尖端放电、绝缘件内部气隙放电、沿面放电、悬浮放电、自由金属颗粒以及干扰等缺陷类型。
现场检测时利用局放巡检仪和示波器，在55座变电站进行特高频局放信号的脉冲相位图(PRPD)和脉序相位图(PRPS)图谱采集。现场发现的局部放电缺陷经进一步停电试验并解体得到验证，确认缺陷的类型。
根据获取的局部放电带电检测图谱数据，建立图谱库信息模型，包括样本标注信息和检测图谱。其中样本标注信息涵盖了检测图谱对应ID、样本标记的缺陷类型。检测图谱包括脉冲相位图(PRPD)和脉序相位图(PRPS)图谱。结合检测图谱形成带注释的图像数据集，包含尖端放电、绝缘件内部气隙放电、沿面放电、悬浮放电、自由金属颗粒以及干扰6类样本标记缺陷类型。
基于CNN的局部放电模式识别方法，将已训练好的VGG-16网络结构作为本实施例的预训练模型，并将预训练模型的参数作为初始参数。VGG-16网络结构包括1个输入层，13个卷积层，5个对应的池化层，2个全连接层和1个输出分类层，其中用5个图谱分类结果作为VGG-16网络中的SoftMax分类器，模型的激活函数采用ReLU函数，由于较少的全连接层数对小样本数据更具有优势，采用2个全连接层替换典型结构中的3个全连接层。
通过样本集的训练不断优化卷积层、池化层和全连接层的模型参数，解决特高频检测图谱的分类与局部放电识别问题。
预先构建知识库，知识库包括不同缺陷类型对应的缺陷原因及处理原则；将神经网络模型输出的缺陷类型与知识库进行匹配，得到缺陷类型对应的缺陷原因及处理原则。
本实施例中，CNN网络结构包括输入层、卷积层、池化层、全连接层和SoftMax输出层。其中卷积层对图像进行卷积计算提取多个特征，利用池化层对特征图进行子采样。卷积层计算公式为：
x为图像中为(M,N)的二维向量；w为长和宽分别为j,i的卷积核；b为偏置项。y为卷积计算结果，f()为激活函数。
池化层计算方法包括有平均池化、最大池化、重叠池化、高斯池化和随机池化。通过卷积层和池化层的多层组合，对图像特征进行降维。最后通过全连接整合特征子图，利用分类器进行分类。
卷积神经网络通过前馈计算，利用激活函数将上一层输出作为下一层的输入，最终网络输出表达为：
O＝fn(...f2(f1(XW1)W2)...)Wn)(2)
其中，f()为激活函数，X为输入数据，W为各层参数。网络模型中各层参数W包括权重和偏置，利用梯度下降法更新并优化网络各个参数，最小化误差。损失函数计算方法为：
其中，m为训练样本集的数量，k为标签类别，1{y(i)＝j}表示如果表达式y(i)＝j则取值为1，否则为0。x(i)为样本集合，y(i)为分类标签。
参照图1，对卷积神经网络模型的训练过程具体为：
1)从样本数据集中随机抽取一定比例的特高频图谱，经过数据增强后作为训练样本集输入模型，包括5种缺陷类别和干扰。
其中，数据增强方法包括：对图像进行翻转处理，将图像水平翻转和垂直翻转，可将数据集扩充4倍。然后对图像做旋转处理，将图像分别按照90°、180°、270°做旋转操作，可将数据集扩展至旋转前的4倍。随后对图像进行随机裁剪处理。取裁剪框与原始图片纵横比相同，且裁剪框在纵向或横向上与原始图片比例为80％-100％之间，随机选取裁剪框大小。随后根据裁剪框大小随机选取裁剪框的左上角起点，保证裁剪框不超出图片范围。对于每张图片，随机裁剪99次，并和原始图片一起作为数据增强后的数据集。经过数据增强后，原始数据集被扩展到1600倍。
2)对训练样本图像数据进行图像分割、线性归一化处理，进行3*3大小的高斯滤波，标准化图像的大小以及分辨率，使得输入图像数据的维度为224*224。
3)模型构建。基于VGG-16模型构建图谱模式识别模型，利用迁移学习方式初始化13个卷积层和5个池化层的参数，并冻结各层参数。重新定义全连接层，根据局放图谱模式识别的类别，最后由具有6个类别标签的SoftMax分类器进行分类输出。
4)利用训练样本集对构建的神经网络结构进行学习训练，计算输出样本和标注样本之间的误差，利用损失函数的迭代优化全连接各层参数。
5)将测试样本数据进行归一化处理，并输入训练好的模型，输出模式识别解雇，验证模型的精确度。
本实施例基于VGG-16的卷积神经网络结构，利用TensorFlow深度学习框架、Python语言、PyCharm集成开发环境搭建网络模型。利用现场带电检测得到的特高频图谱，输入模型进行训练和识别，识别的类别包括尖端放电、绝缘放电、悬浮放电、自由金属颗粒以及干扰。
根据变电站现场检测获取的500组样本数据，建立样本集，样本集包括Images和标注Labels，Images包括图谱及图片编号信息，标注Labels包括图片编号，缺陷类别，缺陷类别采用One-hot编码。训练样本集可表示为D＝{(x(1),y(1)),...,(x(k),y(k))}；
其中，y(k)为具体缺陷分类，x(k)为对应不同缺陷分类下的训练样本集合。
样本数据包括尖端放电120张、绝缘放电100张、悬浮放电80张、自由金属颗粒75张以及干扰125张。通过滑动剪裁将单张样本图片扩充为4张，则样本集可扩充至2000张，然后将其划分为1600组训练集和400组测试集。利用本实施例模型对样本数据进行模式识别的训练和测试。
VGG-16的卷积神经网络结构中，输入层为预处理后224*224的数据，卷积层采用3*3大小的卷积核，步长为1。池化层采用2*2的池化窗口，步长为2。输出选用SoftMax分类器，模型的激活函数采用ReLU函数。迭代次数为1200次，学习速率为0.001，单次网络训练样本数据设为100。实际经800次迭代时训练基本完成，损失函数值为0.0014。通过测试集中正确识别样本数与总样本数的对比评估，可知该算法在5类类别上识别的正确率达91.5％。
与传统分析模型支持向量机、BPNN以及、LeNet-5结构的神经网络进行对比分析，利用同一数据集，不同模型识别的效果如表1所示。由于VGG-16模型相较于LeNet-5多了卷积和池化层，可提取出图谱中更多细微的特征，因此VGG-16模型优于LeNet-5模型，测试结果也进一步验证了VGG-16模型具有更高的识别准确率。
表1不同模型测试结果
实施例二
在一个或多个实施例中，公开了一种组合电器局部放电缺陷诊断装置，包括：
缺陷识别模块，用于将获取到的待测变电站组合电器特高频局放图谱输入到训练好的卷积神经网络模型中，输出缺陷识别结果；
缺陷原因匹配模块，用于将所述缺陷识别结果与知识库进行匹配，得到形成该缺陷的原因及处理原则；
神经网络模型训练模块，用于通过预先构建的图谱库对卷积神经网络模型进行训练；所述图谱库包括若干带标注信息的变电站组合电器检测图谱数据集；所述知识库包括不同缺陷类型对应的缺陷原因及处理原则。
上述模块的具体实现方式采用实施例一中公开的方法实现，不再赘述。
实施例三
在一个或多个实施例中，公开了一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中的组合电器局部放电缺陷诊断方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列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。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的组合电器局部放电缺陷诊断方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
实施例四
在一个或多个实施例中，公开了一种组合电器局部放电缺陷诊断系统，参照图2，包括：
智能终端，用于接收待测变电站组合电器特高频局放图谱，并传送至云计算平台；
云计算平台，用于根据接收到的图谱，基于训练好的卷积神经网络模型，得出所述图谱的缺陷类型，以及不同缺陷类型对应的缺陷原因及处理原则；并将上述结果反馈至智能终端进行显示。
现场采用莫克EC4000P局放检测仪进行GIS的局放带电检测。EC4000P通过蓝牙传输接口与现场智能终端传输检测数据。智能终端将获取的图谱信息通过4G终端传输至云计算平台，云计算平台根据图谱库和图像识别算法，分析检测图谱，并将识别结果返回至智能终端。
参照图3，智能终端与云计算平台进行数据交互的流程如下：
现场运维人员利用智能终端将检测图谱、设备类型和设备型号汇总上传到云计算平台，通过上层训练好的图像识别算法，对现场检测传输回的图谱进行识别，将局部放电类型和缺陷原因返回到智能终端，现场查看。根据返回的诊断结果，现场进行排查，通过智能终端将现场排查结果反馈至云计算平台(包括设备缺陷名称和缺陷原因)，云端根据现场反馈结果，形成缺陷名称和原因的样本记录，修正局放特征与故障/缺陷间的相关性。
根据云端汇总的多个站点图谱等GIS缺陷样本信息，比较不同厂家不同类型故障率，利用不同厂家不同类型缺陷出现次数/样本总量来计算故障率，通过动态排序获取缺陷率最高的缺陷类型及设备厂家，作为重点巡视对象。
样本数据更新后，同步动态更新不同设备厂家不同故障类的概率，动态排序，生成重点巡视清单，规划巡检任务。
现场应用案例：
某220kV变电站110kVPT气室上检测到电子围栏干扰案例。
2018年11月11日，15点20分，带电检测发现110kV茂法线线路PT特高频检测信号异常，特高频测点分布如图4所示。
得到的检测图谱特征呈悬浮放电特征，但由于现场存在干扰，检测人员无法直接进行诊断。对检测图谱进行预处理，通过智能终端将检测图谱上传至系统后台，系统后台识别结果：90.63％，干扰信号。
现场分析后发现，110kVGIS室位于二楼与电子围栏距离较近，且PT气室距离窗户最近，导致现场检测受到电子围栏信号干扰。通过智能终端及系统平台，将该电子围栏干扰信号图谱存储到图谱库中，用于后续检测试验。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种组合电器局部放电缺陷诊断方法，其特征在于，包括：
将获取到的待测变电站组合电器特高频局放图谱输入到训练好的卷积神经网络模型中，输出缺陷识别结果；
将所述缺陷识别结果与知识库进行匹配，得到形成该缺陷的原因及处理原则；
其中，所述卷积神经网络模型通过预先构建的图谱库进行训练，所述图谱库包括若干带标注信息的变电站组合电器检测图谱数据集；所述知识库包括不同缺陷类型对应的缺陷原因及处理原则。
2.如权利要求1所述的一种组合电器局部放电缺陷诊断方法，其特征在于，所述卷积神经网络模型包括：依次连接的输入层、卷积层、池化层、全连接层和输出分类层；将尖端放电、绝缘件内部气隙放电、沿面放电、悬浮放电、自由金属颗粒以及干扰作为卷积神经网络模型的SoftMax分类器。
3.如权利要求2所述的一种组合电器局部放电缺陷诊断方法，其特征在于，所述卷积神经网络模型包括：依次连接的1个输入层，13个卷积层，5个对应的池化层，2个全连接层和1个输出分类层。
4.如权利要求1所述的一种组合电器局部放电缺陷诊断方法，其特征在于，所述图谱库中的图谱数据集具体包括：
在实际运行的不同变电站环境下，分别进行特高频局放信号的脉冲相位图和脉序相位图的图谱采集，通过现场验证确定采集到的图谱所对应的缺陷类型；
对获取的图谱数据进行样本缺陷标注，得到包含标注信息的图谱数据集。
5.如权利要求1所述的一种组合电器局部放电缺陷诊断方法，其特征在于，对于卷积神经网络模型的训练过程包括：
从图谱数据集中随机抽取设定比例的特高频局放信号图谱，进行数据增强处理，得到训练样本集；
对训练样本集图像数据进行图像分割、线性归一化处理，进行高斯滤波，标准化图像的大小以及分辨率；
利用迁移学习方式初始化卷积层和池化层的参数；
重新定义全连接层，由具有类别标签的SoftMax分类器进行分类输出；
利用训练样本集对构建的卷积神经网络模型进行学习训练，计算输出样本和标注样本之间的误差，利用损失函数的迭代优化全连接各层参数。
6.如权利要求5所述的一种组合电器局部放电缺陷诊断方法，其特征在于，对特高频局放信号图谱，进行数据增强处理，具体过程包括：
对随机抽取的特高频局放信号图谱进行翻转处理，分别将图像进行水平翻转和垂直翻转，翻转后图像加入数据集中；
对新的数据集图像做翻转处理，分别将图像旋转设定的角度，旋转后的图像加入数据集中；
对新的数据集图像进行随机裁剪处理，利用选取的剪裁框随机选取剪裁起点，对图像剪裁设定次数，剪裁后图像加入数据集中；最终得到增强后的数据集。
7.一种组合电器局部放电缺陷诊断装置，其特征在于，包括：
缺陷识别模块，用于将获取到的待测变电站组合电器特高频局放图谱输入到训练好的卷积神经网络模型中，输出缺陷识别结果；
缺陷原因匹配模块，用于将所述缺陷识别结果与知识库进行匹配，得到形成该缺陷的原因及处理原则；
神经网络模型训练模块，用于通过预先构建的图谱库对卷积神经网络模型进行训练；所述图谱库包括若干带标注信息的变电站组合电器检测图谱数据集；所述知识库包括不同缺陷类型对应的缺陷原因及处理原则。
8.一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-6任一项所述的组合电器局部放电缺陷诊断方法。
9.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-6任一项所述的组合电器局部放电缺陷诊断方法。
10.一种组合电器局部放电缺陷诊断系统，其特征在于，包括：
智能终端，用于接收待测变电站组合电器特高频局放图谱，并传送至云计算平台；
云计算平台，用于根据接收到的图谱，基于训练好的卷积神经网络模型，得出所述图谱的缺陷类型，以及不同缺陷类型对应的缺陷原因及处理原则；并将上述结果反馈至智能终端进行显示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010759503.2A CN112034310A (zh) | 2020-07-31 | 2020-07-31 | 一种组合电器局部放电缺陷诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010759503.2A CN112034310A (zh) | 2020-07-31 | 2020-07-31 | 一种组合电器局部放电缺陷诊断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112034310A true CN112034310A (zh) | 2020-12-04 |
Family
ID=73583678
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010759503.2A Pending CN112034310A (zh) | 2020-07-31 | 2020-07-31 | 一种组合电器局部放电缺陷诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112034310A (zh) |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112561389A (zh) * | 2020-12-23 | 2021-03-26 | 北京元心科技有限公司 | 确定设备检测结果的方法、装置以及电子设备 |
| CN112686333A (zh) * | 2021-01-19 | 2021-04-20 | 科润智能控制股份有限公司 | 一种基于深度子域适配迁移网络的开关柜局部放电模式识别方法 |
| CN112861952A (zh) * | 2021-01-29 | 2021-05-28 | 云南电网有限责任公司电力科学研究院 | 一种局部放电图像匹配深度学习方法 |
| CN112990306A (zh) * | 2021-03-12 | 2021-06-18 | 国网智能科技股份有限公司 | 一种变电设备缺陷识别方法及系统 |
| CN113034446A (zh) * | 2021-03-08 | 2021-06-25 | 国网山东省电力公司平邑县供电公司 | 一种变电站设备缺陷自动识别方法及系统 |
| CN113055270A (zh) * | 2021-03-09 | 2021-06-29 | 山东鲁能软件技术有限公司 | 一种基于人工神经网络的局放图谱分析系统、方法及装置 |
| CN113076873A (zh) * | 2021-04-01 | 2021-07-06 | 重庆邮电大学 | 一种基于多阶段训练的农作物病害长尾图像识别方法 |
| CN113378783A (zh) * | 2021-07-02 | 2021-09-10 | 江西北斗变电科技协同创新有限公司 | 基于轻量级卷积神经网络的电力物联网系统 |
| CN113406460A (zh) * | 2021-07-30 | 2021-09-17 | 江苏新亚高电压测试设备有限公司 | 一种电压互感器局部放电故障诊断方法、装置及电子设备 |
| CN113449803A (zh) * | 2021-07-09 | 2021-09-28 | 西安交通大学 | 不同绝缘缺陷局部放电类型区分方法、系统、设备及存储介质 |
| CN113447771A (zh) * | 2021-06-09 | 2021-09-28 | 上海交通大学 | 一种基于sift-lda特征的局部放电模式识别方法 |
| CN113674249A (zh) * | 2021-08-24 | 2021-11-19 | 重庆忽米网络科技有限公司 | 基于工业互联网的pcb板印刷质量检测方法 |
| CN113884844A (zh) * | 2021-11-18 | 2022-01-04 | 国网山东省电力公司电力科学研究院 | 一种变压器局部放电类型识别方法及系统 |
| CN113960396A (zh) * | 2021-10-21 | 2022-01-21 | 西安理工大学 | 一种基于一维cnn网络的gis故障诊断方法 |
| CN114236329A (zh) * | 2021-11-30 | 2022-03-25 | 国网北京市电力公司 | 高压电缆的运行状态的检测方法及装置 |
| CN115184744A (zh) * | 2022-06-27 | 2022-10-14 | 上海格鲁布科技有限公司 | 一种基于Faster-RCNN的GIS特高频放电信号检测装置及方法 |
| CN115932481A (zh) * | 2023-01-30 | 2023-04-07 | 国网江苏省电力有限公司南京供电分公司 | 一种架空配电线路局部放电故障定位方法 |
| CN116400180A (zh) * | 2023-05-17 | 2023-07-07 | 国网北京市电力公司检修分公司 | 一种局部放电识别系统及方法 |
| WO2024046363A1 (zh) * | 2022-09-01 | 2024-03-07 | 珠海市伊特高科技有限公司 | Gis局部放电诊断方法、模型训练方法、装置及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102023278A (zh) * | 2010-07-16 | 2011-04-20 | 华北电力大学 | Gis设备局部放电干扰的识别方法及装置 |
| 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 |
| CN107505541A (zh) * | 2017-06-26 | 2017-12-22 | 广西电网有限责任公司电力科学研究院 | 一种变压器局部放电模式的识别方法 |
| 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 |
| CN110412431A (zh) * | 2019-08-05 | 2019-11-05 | 国网湖南省电力有限公司 | 一种电力设备的局部放电缺陷类型的诊断方法及诊断系统 |
| CN110533064A (zh) * | 2019-07-17 | 2019-12-03 | 西安西电开关电气有限公司 | 一种gis设备的局部放电图谱模式识别方法和系统 |
| CN110672988A (zh) * | 2019-08-29 | 2020-01-10 | 国网江西省电力有限公司电力科学研究院 | 一种基于分层式诊断的局部放电模式识别方法 |
| CN110703057A (zh) * | 2019-11-04 | 2020-01-17 | 国网山东省电力公司电力科学研究院 | 基于数据增强和神经网络的电力设备局部放电诊断方法 |
| CN110879917A (zh) * | 2019-11-08 | 2020-03-13 | 北京交通大学 | 一种基于迁移学习的电力系统暂态稳定自适应评估方法 |
| CN111062631A (zh) * | 2019-12-24 | 2020-04-24 | 广东电网有限责任公司 | 一种输电设备缺陷状态评价方法 |
-
2020
- 2020-07-31 CN CN202010759503.2A patent/CN112034310A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102023278A (zh) * | 2010-07-16 | 2011-04-20 | 华北电力大学 | Gis设备局部放电干扰的识别方法及装置 |
| 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 |
| CN107505541A (zh) * | 2017-06-26 | 2017-12-22 | 广西电网有限责任公司电力科学研究院 | 一种变压器局部放电模式的识别方法 |
| 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 |
| CN110533064A (zh) * | 2019-07-17 | 2019-12-03 | 西安西电开关电气有限公司 | 一种gis设备的局部放电图谱模式识别方法和系统 |
| CN110412431A (zh) * | 2019-08-05 | 2019-11-05 | 国网湖南省电力有限公司 | 一种电力设备的局部放电缺陷类型的诊断方法及诊断系统 |
| CN110672988A (zh) * | 2019-08-29 | 2020-01-10 | 国网江西省电力有限公司电力科学研究院 | 一种基于分层式诊断的局部放电模式识别方法 |
| CN110703057A (zh) * | 2019-11-04 | 2020-01-17 | 国网山东省电力公司电力科学研究院 | 基于数据增强和神经网络的电力设备局部放电诊断方法 |
| CN110879917A (zh) * | 2019-11-08 | 2020-03-13 | 北京交通大学 | 一种基于迁移学习的电力系统暂态稳定自适应评估方法 |
| CN111062631A (zh) * | 2019-12-24 | 2020-04-24 | 广东电网有限责任公司 | 一种输电设备缺陷状态评价方法 |
Non-Patent Citations (4)
| Title |
|---|
| 万晓琪等: "卷积神经网络在局部放电图像模式识别中的应用", 《电网技术》 * |
| 万晓琪等: "卷积神经网络在局部放电图像模式识别中的应用", 《电网技术》, no. 06, 14 November 2018 (2018-11-14), pages 382 - 389 * |
| 张鑫鑫等: "基于迁移学习的卷积神经网络应用研究", 《电脑知识与技术》 * |
| 张鑫鑫等: "基于迁移学习的卷积神经网络应用研究", 《电脑知识与技术》, no. 10, 5 April 2019 (2019-04-05), pages 174 - 177 * |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112561389A (zh) * | 2020-12-23 | 2021-03-26 | 北京元心科技有限公司 | 确定设备检测结果的方法、装置以及电子设备 |
| CN112561389B (zh) * | 2020-12-23 | 2023-11-10 | 北京元心科技有限公司 | 确定设备检测结果的方法、装置以及电子设备 |
| CN112686333A (zh) * | 2021-01-19 | 2021-04-20 | 科润智能控制股份有限公司 | 一种基于深度子域适配迁移网络的开关柜局部放电模式识别方法 |
| CN112861952A (zh) * | 2021-01-29 | 2021-05-28 | 云南电网有限责任公司电力科学研究院 | 一种局部放电图像匹配深度学习方法 |
| CN113034446A (zh) * | 2021-03-08 | 2021-06-25 | 国网山东省电力公司平邑县供电公司 | 一种变电站设备缺陷自动识别方法及系统 |
| CN113055270A (zh) * | 2021-03-09 | 2021-06-29 | 山东鲁能软件技术有限公司 | 一种基于人工神经网络的局放图谱分析系统、方法及装置 |
| CN113055270B (zh) * | 2021-03-09 | 2022-12-16 | 山东鲁能软件技术有限公司 | 一种基于人工神经网络的局放图谱分析系统、方法及装置 |
| CN112990306A (zh) * | 2021-03-12 | 2021-06-18 | 国网智能科技股份有限公司 | 一种变电设备缺陷识别方法及系统 |
| CN113076873A (zh) * | 2021-04-01 | 2021-07-06 | 重庆邮电大学 | 一种基于多阶段训练的农作物病害长尾图像识别方法 |
| CN113447771A (zh) * | 2021-06-09 | 2021-09-28 | 上海交通大学 | 一种基于sift-lda特征的局部放电模式识别方法 |
| CN113378783A (zh) * | 2021-07-02 | 2021-09-10 | 江西北斗变电科技协同创新有限公司 | 基于轻量级卷积神经网络的电力物联网系统 |
| CN113449803A (zh) * | 2021-07-09 | 2021-09-28 | 西安交通大学 | 不同绝缘缺陷局部放电类型区分方法、系统、设备及存储介质 |
| CN113406460A (zh) * | 2021-07-30 | 2021-09-17 | 江苏新亚高电压测试设备有限公司 | 一种电压互感器局部放电故障诊断方法、装置及电子设备 |
| CN113674249A (zh) * | 2021-08-24 | 2021-11-19 | 重庆忽米网络科技有限公司 | 基于工业互联网的pcb板印刷质量检测方法 |
| CN113960396A (zh) * | 2021-10-21 | 2022-01-21 | 西安理工大学 | 一种基于一维cnn网络的gis故障诊断方法 |
| CN113884844A (zh) * | 2021-11-18 | 2022-01-04 | 国网山东省电力公司电力科学研究院 | 一种变压器局部放电类型识别方法及系统 |
| CN114236329A (zh) * | 2021-11-30 | 2022-03-25 | 国网北京市电力公司 | 高压电缆的运行状态的检测方法及装置 |
| CN115184744A (zh) * | 2022-06-27 | 2022-10-14 | 上海格鲁布科技有限公司 | 一种基于Faster-RCNN的GIS特高频放电信号检测装置及方法 |
| CN115184744B (zh) * | 2022-06-27 | 2023-09-05 | 上海格鲁布科技有限公司 | 一种基于Faster-RCNN的GIS特高频放电信号检测装置及方法 |
| WO2024046363A1 (zh) * | 2022-09-01 | 2024-03-07 | 珠海市伊特高科技有限公司 | Gis局部放电诊断方法、模型训练方法、装置及系统 |
| CN115932481A (zh) * | 2023-01-30 | 2023-04-07 | 国网江苏省电力有限公司南京供电分公司 | 一种架空配电线路局部放电故障定位方法 |
| CN116400180A (zh) * | 2023-05-17 | 2023-07-07 | 国网北京市电力公司检修分公司 | 一种局部放电识别系统及方法 |
| CN116400180B (zh) * | 2023-05-17 | 2023-11-14 | 国网北京市电力公司检修分公司 | 一种局部放电识别系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112034310A (zh) | 一种组合电器局部放电缺陷诊断方法及系统 | |
| Wang et al. | Automatic fault diagnosis of infrared insulator images based on image instance segmentation and temperature analysis | |
| CN103076547B (zh) | 基于支持向量机的gis局部放电故障类型模式识别方法 | |
| CN112949715A (zh) | 一种基于svm的轨道交通故障诊断方法 | |
| CN111797890A (zh) | 一种用于检测输电线路设备缺陷的方法及系统 | |
| CN108573225A (zh) | 一种局部放电信号模式识别方法及系统 | |
| CN110728300A (zh) | 基于道岔动作电流曲线识别故障类型的方法及系统 | |
| CN112070134A (zh) | 电力设备图像分类方法、装置、电力设备及存储介质 | |
| CN111242144B (zh) | 电网设备异常的检测方法和装置 | |
| CN112085071A (zh) | 一种基于边缘计算的配电房设备故障分析预判方法及装置 | |
| CN108304567B (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
| CN110161388A (zh) | 一种高压设备的故障类型识别方法及其系统 | |
| CN116883801A (zh) | 基于注意力机制与多尺度特征融合的YOLOv8目标检测方法 | |
| CN116552306B (zh) | 直流桩的监控系统及其方法 | |
| CN115187527A (zh) | 一种多源混合型特高频局部放电图谱的分离识别方法 | |
| CN112419268A (zh) | 一种输电线路图像缺陷检测方法、装置、设备及介质 | |
| CN116610998A (zh) | 一种基于多模态数据融合的开关柜故障诊断方法和系统 | |
| CN116681962A (zh) | 基于改进YOLOv5的电力设备热图像检测方法及系统 | |
| CN113655348A (zh) | 一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统终端及可读存储介质 | |
| CN110020637A (zh) | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 | |
| Han et al. | Using improved self-organizing map for partial discharge diagnosis of large turbogenerators | |
| CN114487643A (zh) | 一种特高压gil设备现场交接验收综合测试平台 | |
| CN114694130A (zh) | 基于深度学习的铁路沿线电线杆及杆号检测方法和装置 | |
| Xu et al. | TBMF framework: A transformer-based multilevel filtering framework for PD detection | |
| CN117520772A (zh) | 一种特高压电抗器局部放电故障识别方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201204 |