CN112149549A - 一种基于深度残差网络的gis局部放电类型识别方法 - Google Patents

一种基于深度残差网络的gis局部放电类型识别方法 Download PDF

Info

Publication number
CN112149549A
CN112149549A CN202010990332.4A CN202010990332A CN112149549A CN 112149549 A CN112149549 A CN 112149549A CN 202010990332 A CN202010990332 A CN 202010990332A CN 112149549 A CN112149549 A CN 112149549A
Authority
CN
China
Prior art keywords
spectrogram
residual error
prpd
partial discharge
neural network
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
Application number
CN202010990332.4A
Other languages
English (en)
Inventor
刑振华
赵治国
许行
李兆飞
叶俊
郭昱廷
韩平
秦松
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.)
State Grid Corp of China SGCC
TaiAn Power Supply Co of State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
TaiAn Power Supply Co of State Grid Shandong Electric Power 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 State Grid Corp of China SGCC, TaiAn Power Supply Co of State Grid Shandong Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202010990332.4A priority Critical patent/CN112149549A/zh
Publication of CN112149549A publication Critical patent/CN112149549A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Abstract

本发明提供一种基于深度残差网络的GIS局部放电类型识别方法，步骤如下：在被测GIS电气设备处设置特高频传感器，并通过局部放电检测工具接收并处理特高频传感器采集的放电信号，再通过局部放电分析工具，生成PRPD谱图；汇总被测GIS电气设备的PRPD谱图，根据局部放电缺陷谱图特征将PRPD谱图进行分类并设置标签，生成训练集；根据训练集中PRPD谱图尺寸搭建深度残差神经网络分类模型，并确定模型参数；通过训练集的PRPD谱图及对应类别标签，对深度残差神经网络分类模型进行训练，并计算测试准确率，再根据测试准确率调整各模型参数的权重；使用训练完成的深度残差神经网络分类模型，对未知类型的PRPD谱图进行判定。

Description

一种基于深度残差网络的GIS局部放电类型识别方法
技术领域
本发明属于电力设备绝缘状态评估技术领域，具体涉及一种基于深度残差网络的GIS局部放电类型识别方法。
背景技术
GIS，是Gas Insulated Switchgear的简称，气体绝缘开关设备，是变电站中处变压器以外的一次设备。
PRPD，是Phase Resolved Partial Discharge的简称，相位分辩的局部放电，就是把每个带有相位标识的局部放电脉冲按照相位显示出来，放电信息没有时间信息，属于一段时间内的PRPS信息的叠加。
GIS依靠其绝缘性好、可靠性高和占用空间小等优点，被广泛应用于电力系统中。然而，在电力系统高温高压的复杂环境下，或者是GIS的制造、运输和装配过程中，不可避免会产生一些安全隐患，如灰尘、导电微粒、金属尖端、气隙等等，其可能会导致各种形式的局部放电，进而导致绝缘故障或电力系统故障。因此，识别局部放电模式和缺陷类型的潜在相关性在GIS设备的绝缘诊断中是一个重要的指标，它能及时发现潜在缺陷和解决已产生的缺陷。
不同缺陷类型的局部放电源具有不同的放电模式，这也代表着它们具有不同的特征属性。目前主要有两种方式表示局放信号的特征属性：时间分析模式(TRPD)和相位分析模式(PRPD)。时间分析模式能显示单个局放信号脉冲在时间域的频率分布，缺陷的物理性质与信号的波形有很强的关系。而相位分析模式也被称为φ-q-n模式，能由图像直观地表示局部放电脉冲所对应的工频相位(0°～360°)、放电量q和放电次数n之间的关系。近年来，大量特征提取方法被用于PRPD谱图，但是现阶段大多数研究仍需对PRPD谱图进行初步处理，在着重提取有效信息的同时也忽略了一些重要信息。因此，亟需一种先进的GIS局部放电缺陷类型识别方法，模仿人类的视觉感受直接对一张完整的PRPD谱图进行自动识别与分类，能更加客观和全面地完成识别任务。
此为现有技术的不足，因此，针对现有技术中的上述缺陷，提供一种基于深度残差网络的GIS局部放电类型识别方法，是非常有必要的。
发明内容
针对现有技术的上述对PRPD谱图进行初步处理，在着重提取有效信息的同时也忽略了一些重要信息，而无法客观全面完成识别任务，本发明提供一种基于深度残差网络的GIS局部放电类型识别方法，以解决上述技术问题。
本发明提供一种基于深度残差网络的GIS局部放电类型识别方法，包括如下步骤：
S1.在被测GIS电气设备处设置特高频传感器，并通过局部放电检测工具接收并处理特高频传感器采集的放电信号，再通过局部放电分析工具，生成PRPD谱图；
S2.汇总被测GIS电气设备的已有PRPD谱图，根据局部放电缺陷谱图特征将PRPD谱图进行分类并设置标签，生成训练集；
S3.根据训练集中PRPD谱图尺寸搭建深度残差神经网络分类模型，并确定模型参数；
S4.通过训练集的PRPD谱图及对应类别标签，对深度残差神经网络分类模型进行模型参数训练，并计算测试准确率，再根据测试准确率调整各模型参数的权重；
S5.使用训练完成的深度残差神经网络分类模型，自动对未知类型的PRPD谱图进行判定。
进一步地，步骤S1中采用型号为PDS701的圆盘型特高频传感器。型号为PDS701的特高频传感器检测频带为300MHz～1500MHz，平均有效高度为13.90mm，连续采集120s的局部放电信号。
进一步地，步骤S2具体步骤如下：
S21.汇总被测GIS电气设备的已有PRPD谱图；
S22.判断已有PRPD谱图的放电缺陷谱图特征；
S23.若谱图特征为：局部放电脉冲中相位处于负半周峰值处的比例超过比例阈值，且幅度超过幅度阈值，则判定对应PRPD谱图为尖端放电类型，进入步骤S3；
S24.若谱图特征为：局部放电脉冲中相位均匀分布于整个相位，且放电量之间差值小于误差阈值，则判定对应PRPD谱图为自由微粒放电类型，进入步骤S3；
S25.若谱图特征为：局部放电脉冲中相位处于负半周下降沿处比例超过比例阈值，则判定对应PRPD谱图为沿面放电类型，进入步骤S3；
S26.若谱图特征为：局部放电脉冲中相位处于正负半周的峰值处的比例超过比例阈值，且幅值小于幅值阈值，则判定对应PRPD谱图为悬浮电极放电类型，进入步骤S3。
进一步地，步骤S3具体步骤如下：
S31.获取训练集中PRPD谱图尺寸，并以PRPD谱图作为网络输入，以局部放电缺陷类型作为网络输出，搭建深度残差神经网络分类模型ResNet；
S32.设定深度残差神经网络分类模型ResNet的层数、各层网络参数及初始权重；
S33.设定深度残差神经网络分类模型ResNet的训练参数。
进一步地，步骤S33中，训练参数包括学习周期数、单周期迭代次数、单次迭代投入PRPD谱图数量及PRPD谱图选择方式、初始学习率以及学习率的单周期下降率。
进一步地，学习周期数设定为3个，单周期迭代次数设定为64次，单次迭代投入PRPD谱图数量设定为10个，单次迭代的10个PRPD谱图从训练集中随机选择，初始学习率设定为0.1，学习率的单周期下降率设定为20％。
进一步地，步骤S31中，以256×256×3像素尺寸的PRPD谱图作为训练集中的输入；
步骤S32中，设定深度残差神经网络分类模型ResNet的层数为18层。18层的深度残差神经网络分类模型ResNet，由4个卷积模块共18个卷积层组成，每秒浮点运算为1.8×109字节。
进一步地，步骤S4具体步骤如下：
S41.以设定的单次迭代投入PRPD谱图数量及PRPD谱图选择方式将训练集的各类别标签的PRPD谱图输入深度残差神经网络分类模型；
S42.按照设定的学习周期数、单周期迭代次数、初始学习率以及学习率的单周期下降率对深度残差神经网络分类模型进行训练；
S43.每间隔设定迭代测试次数阈值计算测试准确率，判断测试准确率是否达到饱和阈值；
若否，进入步骤S44；
若是，进入步骤S45；
S44.按照设定方式调整各层网络权重参数，返回步骤S41；
S45.设定迭代中输入为x，计算输出预测期望值H(x)；
S46.继续将训练集的PRPD谱图输入深度残差神经网络分类模型进行训练，并计算单次迭代输入与输出的残差F(x)＝H(x)-x，并判断残差F(x)是否为0；
若是，进入步骤S5；
若否，进入步骤S47；
S47.调整各层网络权重参数，返回步骤S46。通过F(x)＝0，实现x＝H(x)的恒等映射，从而保证当前层级后的精度都不会再下降。
进一步地，步骤S43中，设定迭代测试次数阈值取3次。
进一步地，步骤S5具体步骤如下：
S51.保存训练完成的深度残差神经网络分类模型ResNet；
S52.获取未知类型的PRPD谱图；
S53.使用训练完成的深度残差神经网络分类模型ResNet，自动对未知类型的PRPD谱图进行分类判定。
本发明的有益效果在于，
本发明提供的基于深度残差网络的GIS局部放电类型识别方法，以整张谱图作为搭建深度残差神经网络分类模型的输入，通过模仿人类的视觉感受，直接对整张PRPD谱图进行自动特征提取从而完成分类任务，保证对未知PRPD谱图分类的准确性，而且通过调整训练速度和准确率提供深度残差神经网络分类模型的准确性。
此外，本发明设计原理可靠，结构简单，具有非常广泛的应用前景。
由此可见，本发明与现有技术相比，具有突出的实质性特点和显著的进步，其实施的有益效果也是显而易见的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的方法流程示意图一；
图2是本发明的方法流程示意图二。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，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，都应当属于本发明保护的范围。
实施例1：
如图1所示，本发明提供一种基于深度残差网络的GIS局部放电类型识别方法，包括如下步骤：
S1.在被测GIS电气设备处设置特高频传感器，并通过局部放电检测工具接收并处理特高频传感器采集的放电信号，再通过局部放电分析工具，生成PRPD谱图；
S2.汇总被测GIS电气设备的已有PRPD谱图，根据局部放电缺陷谱图特征将PRPD谱图进行分类并设置标签，生成训练集；
S3.根据训练集中PRPD谱图尺寸搭建深度残差神经网络分类模型，并确定模型参数；
S4.通过训练集的PRPD谱图及对应类别标签，对深度残差神经网络分类模型进行模型参数训练，并计算测试准确率，再根据测试准确率调整各模型参数的权重；
S5.使用训练完成的深度残差神经网络分类模型，自动对未知类型的PRPD谱图进行判定。
实施例2：
如图2所示，本发明提供一种基于深度残差网络的GIS局部放电类型识别方法，包括如下步骤：
S1.在被测GIS电气设备处设置特高频传感器，并通过局部放电检测工具接收并处理特高频传感器采集的放电信号，再通过局部放电分析工具，生成PRPD谱图；
S2.汇总被测GIS电气设备的已有PRPD谱图，根据局部放电缺陷谱图特征将PRPD谱图进行分类并设置标签，生成训练集；具体步骤如下：
S21.汇总被测GIS电气设备的已有PRPD谱图；
S22.判断已有PRPD谱图的放电缺陷谱图特征；
S23.若谱图特征为：局部放电脉冲中相位处于负半周峰值处的比例超过比例阈值，且幅度超过幅度阈值，则判定对应PRPD谱图为尖端放电类型，进入步骤S3；
S24.若谱图特征为：局部放电脉冲中相位均匀分布于整个相位，且放电量之间差值小于误差阈值，则判定对应PRPD谱图为自由微粒放电类型，进入步骤S3；
S25.若谱图特征为：局部放电脉冲中相位处于负半周下降沿处比例超过比例阈值，则判定对应PRPD谱图为沿面放电类型，进入步骤S3；
S26.若谱图特征为：局部放电脉冲中相位处于正负半周的峰值处的比例超过比例阈值，且幅值小于幅值阈值，则判定对应PRPD谱图为悬浮电极放电类型，进入步骤S3；
S3.根据训练集中PRPD谱图尺寸搭建深度残差神经网络分类模型，并确定模型参数；具体步骤如下：
S31.获取训练集中PRPD谱图尺寸，并以PRPD谱图作为网络输入，以局部放电缺陷类型作为网络输出，搭建深度残差神经网络分类模型ResNet；
S32.设定深度残差神经网络分类模型ResNet的层数、各层网络参数及初始权重；
S33.设定深度残差神经网络分类模型ResNet的训练参数；训练参数包括学习周期数、单周期迭代次数、单次迭代投入PRPD谱图数量及PRPD谱图选择方式、初始学习率以及学习率的单周期下降率；
S4.通过训练集的PRPD谱图及对应类别标签，对深度残差神经网络分类模型进行模型参数训练，并计算测试准确率，再根据测试准确率调整各模型参数的权重；具体步骤如下：
S41.以设定的单次迭代投入PRPD谱图数量及PRPD谱图选择方式将训练集的各类别标签的PRPD谱图输入深度残差神经网络分类模型；
S42.按照设定的学习周期数、单周期迭代次数、初始学习率以及学习率的单周期下降率对深度残差神经网络分类模型进行训练；
S43.每间隔设定迭代测试次数阈值计算测试准确率，判断测试准确率是否达到饱和阈值；
若否，进入步骤S44；
若是，进入步骤S45；
S44.按照设定方式调整各层网络权重参数，返回步骤S41；
S45.设定迭代中输入为x，计算输出预测期望值H(x)；
S46.继续将训练集的PRPD谱图输入深度残差神经网络分类模型进行训练，并计算单次迭代输入与输出的残差F(x)＝H(x)-x，并判断残差F(x)是否为0；
若是，进入步骤S5；
若否，进入步骤S47；
S47.调整各层网络权重参数，返回步骤S46；
S5.使用训练完成的深度残差神经网络分类模型，自动对未知类型的PRPD谱图进行判定；具体步骤如下：
S51.保存训练完成的深度残差神经网络分类模型ResNet；
S52.获取未知类型的PRPD谱图；
S53.使用训练完成的深度残差神经网络分类模型ResNet，自动对未知类型的PRPD谱图进行分类判定。
在某些实施例中，特高频传感器采用型号为PDS701的圆盘型特高频传感器。
在某些实施例中，学习周期数设定为3个，单周期迭代次数设定为64次，单次迭代投入PRPD谱图数量设定为10个，单次迭代的10个PRPD谱图从训练集中随机选择，初始学习率设定为0.1，学习率的单周期下降率设定为20％。
在某些实施例中，步骤S31中，以256×256×3像素尺寸的PRPD谱图作为训练集中的输入；
步骤S32中，设定深度残差神经网络分类模型ResNet的层数为18层；
步骤S43中，设定迭代测试次数阈值取3次。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述，但本发明并不限于此。在不脱离本发明的精神和实质的前提下，本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换，而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于深度残差网络的GIS局部放电类型识别方法，其特征在于，包括如下步骤：
S1.在被测GIS电气设备处设置特高频传感器，并通过局部放电检测工具接收并处理特高频传感器采集的放电信号，再通过局部放电分析工具，生成PRPD谱图；
S2.汇总被测GIS电气设备的已有PRPD谱图，根据局部放电缺陷谱图特征将PRPD谱图进行分类并设置标签，生成训练集；
S3.根据训练集中PRPD谱图尺寸搭建深度残差神经网络分类模型，并确定模型参数；
S4.通过训练集的PRPD谱图及对应类别标签，对深度残差神经网络分类模型进行模型参数训练，并计算测试准确率，再根据测试准确率调整各模型参数的权重；
S5.使用训练完成的深度残差神经网络分类模型，自动对未知类型的PRPD谱图进行判定。
2.如权利要求1所述的基于深度残差网络的GIS局部放电类型识别方法，其特征在于，步骤S1中采用型号为PDS701的圆盘型特高频传感器。
3.如权利要求1所述的基于深度残差网络的GIS局部放电类型识别方法，其特征在于，步骤S2具体步骤如下：
S21.汇总被测GIS电气设备的已有PRPD谱图；
S22.判断已有PRPD谱图的放电缺陷谱图特征；
S23.若谱图特征为：局部放电脉冲中相位处于负半周峰值处的比例超过比例阈值，且幅度超过幅度阈值，则判定对应PRPD谱图为尖端放电类型，进入步骤S3；
S24.若谱图特征为：局部放电脉冲中相位均匀分布于整个相位，且放电量之间差值小于误差阈值，则判定对应PRPD谱图为自由微粒放电类型，进入步骤S3；
S25.若谱图特征为：局部放电脉冲中相位处于负半周下降沿处比例超过比例阈值，则判定对应PRPD谱图为沿面放电类型，进入步骤S3；
S26.若谱图特征为：局部放电脉冲中相位处于正负半周的峰值处的比例超过比例阈值，且幅值小于幅值阈值，则判定对应PRPD谱图为悬浮电极放电类型，进入步骤S3。
4.如权利要求1所述的基于深度残差网络的GIS局部放电类型识别方法，其特征在于，步骤S3具体步骤如下：
S31.获取训练集中PRPD谱图尺寸，并以PRPD谱图作为网络输入，以局部放电缺陷类型作为网络输出，搭建深度残差神经网络分类模型ResNet；
S32.设定深度残差神经网络分类模型ResNet的层数、各层网络参数及初始权重；
S33.设定深度残差神经网络分类模型ResNet的训练参数。
5.如权利要求4所述的基于深度残差网络的GIS局部放电类型识别方法，其特征在于，步骤S33中，训练参数包括学习周期数、单周期迭代次数、单次迭代投入PRPD谱图数量及PRPD谱图选择方式、初始学习率以及学习率的单周期下降率。
6.如权利要求4所述的基于深度残差网络的GIS局部放电类型识别方法，其特征在于，学习周期数设定为3个，单周期迭代次数设定为64次，单次迭代投入PRPD谱图数量设定为10个，单次迭代的10个PRPD谱图从训练集中随机选择，初始学习率设定为0.1，学习率的单周期下降率设定为20％。
7.如权利要求4所述的基于深度残差网络的GIS局部放电类型识别方法，其特征在于，步骤S31中，以256×256×3像素尺寸的PRPD谱图作为训练集中的输入；
步骤S32中，设定深度残差神经网络分类模型ResNet的层数为18层。
8.如权利要求5所述的基于深度残差网络的GIS局部放电类型识别方法，其特征在于，步骤S4具体步骤如下：
S41.以设定的单次迭代投入PRPD谱图数量及PRPD谱图选择方式将训练集的各类别标签的PRPD谱图输入深度残差神经网络分类模型；
S42.按照设定的学习周期数、单周期迭代次数、初始学习率以及学习率的单周期下降率对深度残差神经网络分类模型进行训练；
S43.每间隔设定迭代测试次数阈值计算测试准确率，判断测试准确率是否达到饱和阈值；
若否，进入步骤S44；
若是，进入步骤S45；
S44.按照设定方式调整各层网络权重参数，返回步骤S41；
S45.设定迭代中输入为x，计算输出预测期望值H(x)；
S46.继续将训练集的PRPD谱图输入深度残差神经网络分类模型进行训练，并计算单次迭代输入与输出的残差F(x)＝H(x)-x，并判断残差F(x)是否为0；
若是，进入步骤S5；
若否，进入步骤S47；
S47.调整各层网络权重参数，返回步骤S46。
9.如权利要求8所述的基于深度残差网络的GIS局部放电类型识别方法，其特征在于，步骤S43中，设定迭代测试次数阈值取3次。
10.如权利要求8所述的基于深度残差网络的GIS局部放电类型识别方法，其特征在于，步骤S5具体步骤如下：
S51.保存训练完成的深度残差神经网络分类模型ResNet；
S52.获取未知类型的PRPD谱图；
S53.使用训练完成的深度残差神经网络分类模型ResNet，自动对未知类型的PRPD谱图进行分类判定。
CN202010990332.4A 2020-09-18 2020-09-18 一种基于深度残差网络的gis局部放电类型识别方法 Pending CN112149549A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010990332.4A CN112149549A (zh) 2020-09-18 2020-09-18 一种基于深度残差网络的gis局部放电类型识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010990332.4A CN112149549A (zh) 2020-09-18 2020-09-18 一种基于深度残差网络的gis局部放电类型识别方法

Publications (1)

Publication Number Publication Date
CN112149549A true CN112149549A (zh) 2020-12-29

Family

ID=73894080

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010990332.4A Pending CN112149549A (zh) 2020-09-18 2020-09-18 一种基于深度残差网络的gis局部放电类型识别方法

Country Status (1)

Country Link
CN (1) CN112149549A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112595944A (zh) * 2020-12-31 2021-04-02 广东电网有限责任公司电力科学研究院 一种局部放电模式识别方法和系统
CN113782113A (zh) * 2021-09-17 2021-12-10 黄河水利职业技术学院 一种基于深度残差网络下的变压器油中气体故障识别方法
CN115187527A (zh) * 2022-06-27 2022-10-14 上海格鲁布科技有限公司 一种多源混合型特高频局部放电图谱的分离识别方法
CN117630611A (zh) * 2024-01-22 2024-03-01 南京卓煊电力科技有限公司 全带宽高频局放prpd谱图捕获生成方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105021958A (zh) * 2014-07-27 2015-11-04 国家电网公司 基于多传感器检测的开关柜局部放电数据记录分析方法
CN107942207A (zh) * 2017-10-22 2018-04-20 国网山西省电力公司电力科学研究院 Gis断路器气室局部放电故障检测及类型判断方法
CN109100627A (zh) * 2018-10-31 2018-12-28 红相股份有限公司 一种基于端到端模式的电力设备局部放电故障诊断方法
CN109116203A (zh) * 2018-10-31 2019-01-01 红相股份有限公司 基于卷积神经网络的电力设备局部放电故障诊断方法
CN110261749A (zh) * 2019-07-24 2019-09-20 广东电网有限责任公司 一种gis局部放电故障识别模型构建方法、装置及故障识别方法
CN110794329A (zh) * 2019-11-08 2020-02-14 国网湖北省电力有限公司电力科学研究院 组合电器和开关柜局部放电带电检测仪缺陷识别能力检验方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105021958A (zh) * 2014-07-27 2015-11-04 国家电网公司 基于多传感器检测的开关柜局部放电数据记录分析方法
CN107942207A (zh) * 2017-10-22 2018-04-20 国网山西省电力公司电力科学研究院 Gis断路器气室局部放电故障检测及类型判断方法
CN109100627A (zh) * 2018-10-31 2018-12-28 红相股份有限公司 一种基于端到端模式的电力设备局部放电故障诊断方法
CN109116203A (zh) * 2018-10-31 2019-01-01 红相股份有限公司 基于卷积神经网络的电力设备局部放电故障诊断方法
CN110261749A (zh) * 2019-07-24 2019-09-20 广东电网有限责任公司 一种gis局部放电故障识别模型构建方法、装置及故障识别方法
CN110794329A (zh) * 2019-11-08 2020-02-14 国网湖北省电力有限公司电力科学研究院 组合电器和开关柜局部放电带电检测仪缺陷识别能力检验方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
贾勇勇 等: ""基于深度残差网络的GIS局部放电模式识别技术研究"", 《高压电器》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112595944A (zh) * 2020-12-31 2021-04-02 广东电网有限责任公司电力科学研究院 一种局部放电模式识别方法和系统
CN113782113A (zh) * 2021-09-17 2021-12-10 黄河水利职业技术学院 一种基于深度残差网络下的变压器油中气体故障识别方法
CN115187527A (zh) * 2022-06-27 2022-10-14 上海格鲁布科技有限公司 一种多源混合型特高频局部放电图谱的分离识别方法
WO2023213332A1 (zh) * 2022-06-27 2023-11-09 上海格鲁布科技有限公司 一种多源混合型特高频局部放电图谱的分离识别方法
CN117630611A (zh) * 2024-01-22 2024-03-01 南京卓煊电力科技有限公司 全带宽高频局放prpd谱图捕获生成方法及系统
CN117630611B (zh) * 2024-01-22 2024-04-12 南京卓煊电力科技有限公司 全带宽高频局放prpd谱图捕获生成方法及系统

Similar Documents

Publication Publication Date Title
CN112149549A (zh) 一种基于深度残差网络的gis局部放电类型识别方法
CN103558529B (zh) 一种三相共筒式超高压gis局部放电的模式识别方法
CN109116193B (zh) 基于局放信号综合熵值的电气设备危险性放电判别方法
CN104198898B (zh) 基于脉冲序列分析的局部放电发展过程诊断方法
CN110675712B (zh) 一种电力电缆振荡波局部放电检测实操培训系统
CN108008244B (zh) 一种小电流接地故障多层次递进式分类识别方法
CN108761287B (zh) 一种变压器局部放电类型识别方法
CN109633368A (zh) 基于vmd和dfa的含分布式电源配电网电能质量扰动检测方法
CN103197218A (zh) 一种高压电缆绝缘缺陷局放带电检测诊断方法
CN104849685A (zh) 局部放电检测仪性能评估方法
CN111239263B (zh) 一种gis设备内部的异物缺陷的检测方法及系统
CN103076547A (zh) 基于支持向量机的gis局部放电故障类型模式识别方法
CN102707203A (zh) 变压器局部放电模式识别的测量方法
CN103558528B (zh) 一种局部放电超高频检测系统及方法
CN108120907B (zh) 一种基于工频至低频电压下特征提取的局部放电诊断方法
CN109298298B (zh) 一种基于准高频耐压的gis盆式绝缘子局部放电缺陷诊断方法及系统
CN110261746A (zh) 基于振荡波电压周期衰减特性的电缆缺陷检测方法
CN107037338A (zh) 一种gis振荡冲击耐压试验用缺陷类型识别方法
US11022534B2 (en) Generation source analyzing device and generation source analyzing system
CN113805018A (zh) 一种配电网10kV电缆局部放电故障类型智能识别方法
CN113850330A (zh) 一种基于短时傅里叶变换和卷积神经网络的配电网故障原因检测方法
CN110647924A (zh) 一种基于支持向量描述与k近邻算法的gis设备状态评估方法
CN114417926A (zh) 一种基于深度卷积生成对抗网络的电力设备局部放电模式识别方法及系统
Martinovič et al. Fast algorithm for contactless partial discharge detection on remote gateway device
KR101575204B1 (ko) 부분 방전 진단 장치 및 그 방법

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
CB03 Change of inventor or designer information

Inventor after: Xing Zhenhua

Inventor after: Zhao Zhiguo

Inventor after: Xu Xing

Inventor after: Li Zhaofei

Inventor after: Ye Jun

Inventor after: Guo Yuting

Inventor after: Han Ping

Inventor after: Qin Song

Inventor before: Xing Zhenhua

Inventor before: Zhao Zhiguo

Inventor before: Xu Xing

Inventor before: Li Zhaofei

Inventor before: Ye Jun

Inventor before: Guo Yuting

Inventor before: Han Ping

Inventor before: Qin Song

CB03 Change of inventor or designer information