CN112464876A - 电力设备的故障诊断方法、装置、计算机设备和存储介质 - Google Patents
电力设备的故障诊断方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112464876A CN112464876A CN202011452611.1A CN202011452611A CN112464876A CN 112464876 A CN112464876 A CN 112464876A CN 202011452611 A CN202011452611 A CN 202011452611A CN 112464876 A CN112464876 A CN 112464876A
- Authority
- CN
- China
- Prior art keywords
- frequency
- moment
- time
- power equipment
- distribution map
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000009826 distribution Methods 0.000 claims abstract description 119
- 238000004458 analytical method Methods 0.000 claims abstract description 41
- 230000007547 defect Effects 0.000 claims description 29
- 238000010586 diagram Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 15
- 238000000354 decomposition reaction Methods 0.000 claims description 14
- 239000002184 metal Substances 0.000 claims description 14
- 239000002245 particle Substances 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 239000000725 suspension Substances 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000007667 floating Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 102100025142 Beta-microseminoprotein Human genes 0.000 description 2
- 101000576812 Homo sapiens Beta-microseminoprotein Proteins 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Signal Processing (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本申请涉及一种电力设备的故障诊断方法、装置、计算机设备和存储介质。该方法包括:获取电力设备在局部放电时产生的特高频信号;对特高频信号进行时频分析,得到时频分布图;按频率将时频分布图分割为N个分布图子区域;根据N个分布图子区域的灰度图,提取矩特征参数,获取N个分布图子区域中的三个低阶灰度矩特征;从低阶灰度矩特征中选择输入特征;将输入特征输入预先训练好的故障诊断模型,获得电力设备是否发生故障的诊断结果以及发生故障时的故障类型。该方法能够降低计算时间,提高诊断效率。
Description
技术领域
本申请涉及输变电设备技术领域,特别是涉及一种电力设备的故障诊断方法、装置、计算机设备和存储介质。
背景技术
电力设备在电网运行中扮演着十分重要的角色,有必要对其绝缘状态进行检测,掌握运行性能,避免设备事故。
特高频法具有抗干扰能力强、灵敏度高、易于实现在线监测和可定位等优点,成为电力设备局部放电检测的重要方法。然而电力设备内部结构复杂,实现特高频信号有效识别,进而有效判断设备内部故障是一个未能有效解决的技术难点。
目前应用的局部放电模式主要分为PRPD、PRPS和TRPD三类。其中PRPD和PRPS需要构造放电相位、放电量与放电次数的分布谱图,在工程应用中,有时难以获取精确的PD相位信息。而TRPD则只需采集单次放电波形,并不关心放电发生在工频参考信号的具体时刻。因此采用传统的方法难以准确地获得故障诊断结果。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高诊断准确度的电力设备的故障诊断方法、装置、计算机设备和存储介质。
一种电力设备的故障诊断方法,所述方法包括:
获取电力设备在局部放电时产生的特高频信号;
对所述特高频信号进行时频分析,得到时频分布图;
按频率将所述时频分布图分割为N个分布图子区域;
根据所述N个分布图子区域的灰度图,提取矩特征参数,获取N个分布图子区域中的三个低阶灰度矩特征;
从所述低阶灰度矩特征中选择输入特征;
将所述输入特征输入预先训练好的故障诊断模型,获得所述电力设备是否发生故障的诊断结果以及发生故障时的故障类型。
在其中一个实施例中,在所述对所述特高频信号进行时频分析,得到时频分布图的步骤之前,还包括:
对所述特高频信号去噪处理。
在其中一个实施例中,所述对所述特高频信号去噪处理的步骤,包括:
对所述特高频信号进行小波分解;
利用固定阈值规则和硬阈值法对小波分解系数进行阈值处理;
依据阈值处理后的小波系数,通过离散小波逆变换重构,得到去噪后的信号。
在其中一个实施例中,根据N个分布图子区域的灰度图,提取矩特征参数,获取N个分布图子区域中的三个低阶灰度矩特征,包括:
对所述N个分布图子区域进行灰度处理,得到N个分布图子区域的灰度图;
采用所述分布图子区域的灰度图提取矩特征参数,得到N个分布图子区域中的一阶原点矩、二阶中心矩和三阶中心矩。
在其中一个实施例中,从所述低阶灰度矩特征中选择输入特征,包括:
利用最大类间类内散度比准则从所述低阶灰度矩特征中,选择J值大于预设值的M个特征,作为输入特征。
在其中一个实施例中,将所述输入特征输入预先训练好的故障诊断模型,获得所述电力设备是否发生故障的故障诊断结果以及发生故障时的故障类型,包括:
获取利用粒子群优化算法和极限学习机联合训练的故障诊断模型;
将所述输入特征输入所述故障诊断模型,所述故障诊断模型输出的诊断分类结果;所述诊断分类结果包括无故障、尖端缺陷、悬浮电位缺陷、气泡、金属异物。
在其中一个实施例中,所述对所述特高频信号进行时频分析,得到时频分布图,包括:
利用S变换对所述特高频信号进行时频分析,得到信号频率随时间变化的时频分布图。
一种电力设备的故障诊断装置,所述装置包括:
信号获取模块,用于获取电力设备在局部放电时产生的特高频信号;
时频分析模块,用于对所述特高频信号进行时频分析,得到时频分布图;
分割模块,用于按频率将所述时频分布图分割为N个分布图子区域;
矩特征获取模块,用于根据所述N个分布图子区域的灰度图,提取矩特征参数,获取N个分布图子区域中的三个低阶灰度矩特征;
特征选择模块,用于从所述低阶灰度矩特征中选择输入特征;
识别模块,用于将所述输入特征输入预先训练好的故障诊断模型,获得所述电力设备是否发生故障的诊断结果以及发生故障时的故障类型。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取电力设备在局部放电时产生的特高频信号;
对所述特高频信号进行时频分析,得到时频分布图;
按频率将所述时频分布图分割为N个分布图子区域;
根据所述N个分布图子区域的灰度图,提取矩特征参数,获取N个分布图子区域中的三个低阶灰度矩特征;
从所述低阶灰度矩特征中选择输入特征;
将所述输入特征输入预先训练好的故障诊断模型,获得所述电力设备是否发生故障的诊断结果以及发生故障时的故障类型。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取电力设备在局部放电时产生的特高频信号;
对所述特高频信号进行时频分析,得到时频分布图;
按频率将所述时频分布图分割为N个分布图子区域;
根据所述N个分布图子区域的灰度图,提取矩特征参数,获取N个分布图子区域中的三个低阶灰度矩特征;
从所述低阶灰度矩特征中选择输入特征;
将所述输入特征输入预先训练好的故障诊断模型,获得所述电力设备是否发生故障的诊断结果以及发生故障时的故障类型。
上述电力设备的故障诊断方法、装置、计算机设备和存储介质,通过获取电力设备在局部放电时产生的特高频信号,对所述特高频信号进行时频分析,时频分布图分割,提取矩特征参数和特征选择,得到输入特征,将所述输入特征输入预先训练好的故障诊断模型,获得所述电力设备是否发生故障以及发生故障的故障类型。一方面,通过时频分析,时频分布图分割,提取矩特征参数和特征选择等处理,能够有效提取能够表示特高频信号的输入特征,根据输入特征进行识别能够真实反应特高频信号的原始特征,进而提高识别的准确率,另一方面,采用神经网络模型进行预测,能够降低计算时间,提高诊断效率。
附图说明
图1为一个实施例中电力设备的故障诊断方法的应用环境图;
图2为一个实施例中电力设备的故障诊断方法的流程示意图;
图3a为一个实施例中尖端缺陷故障对应的特高频信号的时频分布图;
图3b为一个实施例中悬浮电位缺陷故障对应的特高频信号的时频分布图;
图3c为一个实施例中金属异物故障对应的特高频信号的时频分布图;
图3d为一个实施例中气泡故障对应的特高频信号的时频分布图;
图4为一个实施例中选择的输入特征散点图;
图5为一个实施例中电力设备的故障诊断装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的电力设备的故障诊断方法,可以应用于如图1所示的应用环境中。其中,包括特高频信号采集装置102、电力设备104以及终端106。其中,特高频信号采集装置102与终端106连接,特高频信号采集装置102采集电力设备104在局部放电时的特高频信号,特高频信号采集装置102将采集的特高频信号发送至终端106,由终端106根据特高频信号对电力设备进行故障诊断。在其它实施例中,也可以将特高频信号采集装置102与终端106集成为一个检测终端。
具体地,终端获取电力设备在局部放电时产生的特高频信号;对特高频信号进行时频分析,得到时频分布图;按频率将时频分布图分割为N个分布图子区域;根据N个分布图子区域的灰度图,提取矩特征参数,获取N个分布图子区域中的三个低阶灰度矩特征;从低阶灰度矩特征中选择输入特征;将输入特征输入预先训练好的故障诊断模型,获得电力设备是否发生故障以及发生故障的故障类型。
其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式设备。
在一个实施例中,如图2所示,提供了一种电力设备故障诊断方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤202,获取电力设备在局部放电时产生的特高频信号。
现场检测时,将特高频信号采集装置贴于被检测的电力设备上,当电力设备存在缺陷或隐患,并在正常工作电压下发生局部放电现象,此时,特高频信号采集装置接收局部放电产生的特高频信号。
其中,特高频(UHF)是指波长范围为1m~1dm,频率为300~3000MHz的无线电波。
步骤204,对特高频信号进行时频分析,得到时频分布图。
时频分析能够将一维时域信号变换到二维的时频平面,反映出特高频信号频率随间变化的局部特征。
其中,时频分析方法基于能量聚集性好和无交叉干扰项的S变换。相比原始波形,时频分布图则同时包含了频率和时间信息。具体地,利用S变换对特高频信号进行时频分析,得到信号频率随时间变化的时频分布图。
其中,S变换(ST)是地球物理学家Stockwell域1996年提出的一种时频分析方法,利用S变换将一维的时域信号映射至二维时频域内。
S变换的窗函数在低频段时,时窗较宽,具有较高的频率分辨率;在高频段时,时窗较窄,具有较高的时间分辨率。S变换的时频分辨率可随频率的变化而自动调节。S变换后得到的时频分布同时包含了频率和时间信息。
在实际应用中,不同故障导致放电的顺时频率存在不同,如图3a和图3b所示,尖端放电和悬浮电位放电的瞬时频率主要集中在0.5~2GHz,如图3c和3d所示,金属异物和气泡的瞬时频率主要集中在0.5~1.5GHz。尖端放电和悬浮放电的能量分布范围较广;金属异物的低频能量持续时间相对较长,高频能量持续时间相对较短;气隙放电的能量分布比较集。因此,通过时频分析能够获取特高频信息的分布特征,进而根据分布特征确实故障类型。
步骤206,按频率将时频分布图分割为N个分布图子区域。
具体地,根据信号的波形、能量、时间等对信号进行主动时频分割,按频率将时频分布图分割为N个子区域。每个子区域对应一个频段,主动将时频分布按频率分割为N个频段对应的子区域。其中,分割的子区域数量为频率跨度有关,若频率跨度大,分割的子区域数量也越多。针对电力设备,可按频率将时频分布图分割为5个分布图子区域。
步骤208,根据N个分布图子区域的灰度图,提取矩特征参数,获取N个分布图子区域中的三个低阶灰度矩特征。
其中,矩用来抽取图像(块)的特征。图像中,低阶矩反映低频(主要的)信息,高阶矩反映高频(细节)信息。具体地,采用灰度图提取矩特征参数,获得经分割后时频分布图五个子区域中的三个低阶灰度矩特征,包括一阶原点矩、二阶中心矩、三阶中心矩。阶矩数量具有不同的含义,其中,0阶矩(m00),表示目标区域的面积(质量);1阶矩((m01,m10),表示目标区域的质心;2阶矩(m20,m02,m11),表示目标区域的旋转半径;3阶矩(m30,m03,m12,m21),表示目标区域的方位和斜度,反映目标的扭曲。
原点矩:令k为正整数(或为0),a为任何实数,X为随机变量,则期望值E((X a)k)叫做随机变量X对a的k阶矩,或叫动差。如果a=0,则有E(Xk),叫做k阶原点矩,记作vk(X),也叫k阶矩。
vk(X)=E(Xk),k=1,2,...
显然,一阶原点矩就是数学期望,即
v1(X)=E(X)
中心矩,以目标区域的质心为中心构建中心矩,那么矩的计算永远是目标区域中的点相对于目标区域的质心,而与目标区域的位置无关,即具备了平移不变性。设随机变量X的函数[X-E(X)]k(k=1,2,...)的数学期望存在,则称E{[X-E(X)]k}为X的k阶中心矩,记作μk(X),即
μk(X)=E{[X-E(X)]k},k=1,2,...
易知,一阶中心矩恒等于零,即μ1(X)≡0;二阶中心矩就是方差,即μ2(X)=D(X)。
步骤210,从低阶灰度矩特征中选择输入特征。
具体地,从低阶灰度矩特征中选择有代表性的特征,用于表征特高频信号的特征,作为输入特征,输入特征用于进行故障诊断。
具体地,利用最大类间类内散度比准则从低阶灰度矩特征中,选择J值大于预设值的M个特征,作为输入特征。
最大类间类内散度比准则(也称为J准则)是过滤式特征选择方法中的一种,具有计算简单、快速的优点。最大类间类内散度比准则,又称J准则,利用了一个准则函数J。准则函数J是由类间散度比上类内散度得到的。最大化准则函数J是要求类内散度足够小而类间散度足够大。小的类内散度保证了当前类中的数据足够紧密。大的类间散度保证了这两个类有足够的可分性。类间散度定义为投影后两类样本均值差的平方。类内散度定义为两类样本投影后与各自均值差的和的平方和。
J值为利用准则函数J计算的低阶灰度矩特征各特征的J值,利用J准则进行特征选择,选取J值大于0.2的6个特征作为输入特征。
如图4所示,所选取特征散点图能够较好的区分不同缺陷。
步骤212,将输入特征输入预先训练好的故障诊断模型,获得电力设备是否发生故障的诊断结果以及发生故障时的故障类型。
其中,故障诊断模型是一种预先训练好的神经网络模型,通过预先利用样本集进行训练,对输入特征进行学习,学习故障和无故障,以及各种故障类型的输入特征,以准确识别各种故障类型。
本实施例中,获取利用粒子群优化算法和极限学习机联合训练的故障诊断模型;将输入特征输入故障诊断模型,故障诊断模型输出的诊断分类结果;诊断分类结果包括无故障、尖端缺陷、悬浮电位缺陷、气泡、金属异物。
其中,粒子群优化算法(PSO)是一种基于群体智能的优化算法。PSO首先随机初始化一群粒子,每个粒子的特征由位置、速度和适应度来表示,速度决定了粒子的飞行方向和快慢,适应度的好坏决定了粒子的优劣。
极限学习机(Extreme Learning Machine,ELM)算法是一种新型单隐含层前馈神经网络学习算法。ELM只需提前设置隐含层神经元数目和激活函数类型,然后随机分配输入权重和隐含层偏置,唯一的最优输出权重可通过最小二乘法确定。ELM的整个学习过程只需要一步,无需多次迭代调整网络参数。ELM具有结构简单、极快的学习速度、良好的泛化性能等优点。
其中,故障诊断模型在训练时可预先准备好由各分类的样本组成的样本集,各样本预先标注了分类标签。分类标签对应分类类型,具体的,分类类型包括无故障、尖端缺陷、悬浮电位缺陷、气泡、金属异物。样本集包括了以上五种分类的输入特征,将输入特征输入到故障诊断模型进行预测,得到预测结果,根据预测结果和标分类的差异进行反向传播,调整模型参数。待模型训练稳定后,得到训练好的故障诊断模型。
将输入特征输入到训练好的故障诊断模型,由故障诊断模型进行分类,输出分类结果。分类结果包括无故障、尖端缺陷、悬浮电位缺陷、气泡、金属异物。
上述的电力设备的故障诊断方法,通过获取电力设备在局部放电时产生的特高频信号,对特高频信号进行时频分析,时频分布图分割,提取矩特征参数和特征选择,得到输入特征,将输入特征输入预先训练好的故障诊断模型,获得电力设备是否发生故障以及发生故障的故障类型。一方面,通过时频分析,时频分布图分割,提取矩特征参数和特征选择等处理,能够有效提取能够表示特高频信号的输入特征,根据输入特征进行识别能够真实反应特高频信号的原始特征,进而提高识别的准确率,另一方面,采用神经网络模型进行预测,能够降低计算时间,提高诊断效率。
在另一个实施例中,在对特高频信号进行时频分析,得到时频分布图的步骤之前,还包括:对特高频信号去噪处理。
具体地,通过去噪处理,能够有效去除背景信号,降低背景信号对特高频信号的影响,提高识别精度。
具体地,对特高频信号去噪处理的步骤,包括:对特高频信号进行小波分解;利用固定阈值规则和硬阈值法对小波分解系数进行阈值处理;依据阈值处理后的小波系数,通过离散小波逆变换重构,得到去噪后的信号。
具体地,去噪是对特高频信号预处理的一种方式,是实现PD源识别的关键步骤之一。特高频信号预处理方法采用小波阈值去噪,利用小波阈值去燥法。首先对原始信号进行小波分解,然后利用通用阈值(sqtwolog)规则和硬阈值法对小波分解系数进行阈值处理,最后依据阈值处理后的小波系数,通过离散小波逆变换重构去噪后的信号。
利用噪声抑制比ρNRR和幅值衰减比ρARR作为实测信号的去噪评价参数,sqtwolog规则的去噪效果好于rigresure(小波变换)规则和最大最小极方关(minimaxi)规则。
如表1所示,采用本申请的方法,基于自主频段分割,对电力设备局部放电特高频信号模式识别,能够有效识别尖端缺陷、悬浮电位缺陷、金属异物缺陷、气泡等四种缺陷,准确率均高于90%。
表1识别效果分析
本申请的电力设备的故障诊断方法,包括信号降噪处理、时频分析方法、主动频段分割处理、特征参数提取、基于J准则的特征参量选择、信号分类表征方法等步骤。可以实现对电力设备内金属尖端、悬浮电位缺陷,金属异物缺陷、气泡缺陷等四种典型故障的有效诊断,准备率高于90%。该方法能提高电力设备状态评估的准确率,及时发现内部的潜伏性缺陷,降低设备因缺陷放电而造成的故障率,进一步有效提高设备的安全和电网的稳定。
应该理解的是,虽然图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种电力设备的故障诊断装置,包括:
信号获取模块502,用于获取电力设备在局部放电时产生的特高频信号。
时频分析模块504,用于对特高频信号进行时频分析,得到时频分布图。
分割模块506,用于按频率将时频分布图分割为N个分布图子区域。
矩特征获取模块508,用于根据N个分布图子区域的灰度图,提取矩特征参数,获取N个分布图子区域中的三个低阶灰度矩特征。
特征选择模块510,用于从低阶灰度矩特征中选择输入特征。
识别模块512,用于将输入特征输入预先训练好的故障诊断模型,获得电力设备是否发生故障的诊断结果以及发生故障时的故障类型。
上述电力设备的故障诊断装置,通过获取电力设备在局部放电时产生的特高频信号,对特高频信号进行时频分析,时频分布图分割,提取矩特征参数和特征选择,得到输入特征,将输入特征输入预先训练好的故障诊断模型,获得电力设备是否发生故障以及发生故障的故障类型。一方面,通过时频分析,时频分布图分割,提取矩特征参数和特征选择等处理,能够有效提取能够表示特高频信号的输入特征,根据输入特征进行识别能够真实反应特高频信号的原始特征,进而提高识别的准确率,另一方面,采用神经网络模型进行预测,能够降低计算时间,提高诊断效率。
在其中一个实施例中,电力设备的故障诊断装置还包括:
去噪模块,用于对特高频信号去噪处理。
具体地,对特高频信号进行小波分解;利用固定阈值规则和硬阈值法对小波分解系数进行阈值处理;依据阈值处理后的小波系数,通过离散小波逆变换重构,得到去噪后的信号。
在另一个实施例中,分割模块,用于对N个分布图子区域进行灰度处理,得到N个分布图子区域的灰度图;采用分布图子区域的灰度图提取矩特征参数,得到N个分布图子区域中的一阶原点矩、二阶中心矩和三阶中心矩。
在另一个实施例中,特征选择模块,用于利用最大类间类内散度比准则从低阶灰度矩特征中,选择J值大于预设值的M个特征,作为输入特征。
在另一个实施例中,识别模块,用于获取利用粒子群优化算法和极限学习机联合训练的故障诊断模型;将输入特征输入故障诊断模型,故障诊断模型输出的诊断分类结果;诊断分类结果包括无故障、尖端缺陷、悬浮电位缺陷、气泡、金属异物。
在另一个实施例中,时频分析模块,用于利用S变换对特高频信号进行时频分析,得到信号频率随时间变化的时频分布图。
关于电力设备的故障诊断装置的具体限定可以参见上文中对于电力设备的故障诊断方法的限定,在此不再赘述。上述电力设备的故障诊断装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种电力设备的故障诊断方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取电力设备在局部放电时产生的特高频信号;
对特高频信号进行时频分析,得到时频分布图;
按频率将时频分布图分割为N个分布图子区域;
根据N个分布图子区域的灰度图,提取矩特征参数,获取N个分布图子区域中的三个低阶灰度矩特征;
从低阶灰度矩特征中选择输入特征;
将输入特征输入预先训练好的故障诊断模型,获得电力设备是否发生故障的诊断结果以及发生故障时的故障类型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对特高频信号去噪处理。
在其中一个实施例中,对特高频信号去噪处理的步骤,包括:
对特高频信号进行小波分解;
利用固定阈值规则和硬阈值法对小波分解系数进行阈值处理;
依据阈值处理后的小波系数,通过离散小波逆变换重构,得到去噪后的信号。
在其中一个实施例中,根据N个分布图子区域的灰度图,提取矩特征参数,获取N个分布图子区域中的三个低阶灰度矩特征,包括:
对N个分布图子区域进行灰度处理,得到N个分布图子区域的灰度图;
采用分布图子区域的灰度图提取矩特征参数,得到N个分布图子区域中的一阶原点矩、二阶中心矩和三阶中心矩。
在其中一个实施例中,从低阶灰度矩特征中选择输入特征,包括:
利用最大类间类内散度比准则从低阶灰度矩特征中,选择J值大于预设值的M个特征,作为输入特征。
在其中一个实施例中,将输入特征输入预先训练好的故障诊断模型,获得电力设备是否发生故障的故障诊断结果以及发生故障时的故障类型,包括:
获取利用粒子群优化算法和极限学习机联合训练的故障诊断模型;
将输入特征输入故障诊断模型,故障诊断模型输出的诊断分类结果;诊断分类结果包括无故障、尖端缺陷、悬浮电位缺陷、气泡、金属异物。
在其中一个实施例中,对特高频信号进行时频分析,得到时频分布图,包括:
利用S变换对特高频信号进行时频分析,得到信号频率随时间变化的时频分布图。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取电力设备在局部放电时产生的特高频信号;
对特高频信号进行时频分析,得到时频分布图;
按频率将时频分布图分割为N个分布图子区域;
根据N个分布图子区域的灰度图,提取矩特征参数,获取N个分布图子区域中的三个低阶灰度矩特征;
从低阶灰度矩特征中选择输入特征;
将输入特征输入预先训练好的故障诊断模型,获得电力设备是否发生故障的诊断结果以及发生故障时的故障类型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对特高频信号去噪处理。
在其中一个实施例中,对特高频信号去噪处理的步骤,包括:
对特高频信号进行小波分解;
利用固定阈值规则和硬阈值法对小波分解系数进行阈值处理;
依据阈值处理后的小波系数,通过离散小波逆变换重构,得到去噪后的信号。
在其中一个实施例中,根据N个分布图子区域的灰度图,提取矩特征参数,获取N个分布图子区域中的三个低阶灰度矩特征,包括:
对N个分布图子区域进行灰度处理,得到N个分布图子区域的灰度图;
采用分布图子区域的灰度图提取矩特征参数,得到N个分布图子区域中的一阶原点矩、二阶中心矩和三阶中心矩。
在其中一个实施例中,从低阶灰度矩特征中选择输入特征,包括:
利用最大类间类内散度比准则从低阶灰度矩特征中,选择J值大于预设值的M个特征,作为输入特征。
在其中一个实施例中,将输入特征输入预先训练好的故障诊断模型,获得电力设备是否发生故障的故障诊断结果以及发生故障时的故障类型,包括:
获取利用粒子群优化算法和极限学习机联合训练的故障诊断模型;
将输入特征输入故障诊断模型,故障诊断模型输出的诊断分类结果;诊断分类结果包括无故障、尖端缺陷、悬浮电位缺陷、气泡、金属异物。
在其中一个实施例中,对特高频信号进行时频分析,得到时频分布图,包括:
利用S变换对特高频信号进行时频分析,得到信号频率随时间变化的时频分布图。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种电力设备的故障诊断方法,其特征在于,所述方法包括:
获取电力设备在局部放电时产生的特高频信号;
对所述特高频信号进行时频分析,得到时频分布图;
按频率将所述时频分布图分割为N个分布图子区域;
根据所述N个分布图子区域的灰度图,提取矩特征参数,获取N个分布图子区域中的三个低阶灰度矩特征;
从所述低阶灰度矩特征中选择输入特征;
将所述输入特征输入预先训练好的故障诊断模型,获得所述电力设备是否发生故障的诊断结果以及发生故障时的故障类型。
2.根据权利要求1所述的方法,其特征在于,在所述对所述特高频信号进行时频分析,得到时频分布图的步骤之前,还包括:
对所述特高频信号去噪处理。
3.根据所述权利要求2所述的方法,其特征在于,所述对所述特高频信号去噪处理的步骤,包括:
对所述特高频信号进行小波分解;
利用固定阈值规则和硬阈值法对小波分解系数进行阈值处理;
依据阈值处理后的小波系数,通过离散小波逆变换重构,得到去噪后的信号。
4.根据权利要求1所述的方法,其特征在于,根据N个分布图子区域的灰度图,提取矩特征参数,获取N个分布图子区域中的三个低阶灰度矩特征,包括:
对所述N个分布图子区域进行灰度处理,得到N个分布图子区域的灰度图;
采用所述分布图子区域的灰度图提取矩特征参数,得到N个分布图子区域中的一阶原点矩、二阶中心矩和三阶中心矩。
5.根据权利要求1所述的方法,其特征在于,从所述低阶灰度矩特征中选择输入特征,包括:
利用最大类间类内散度比准则从所述低阶灰度矩特征中,选择J值大于预设值的M个特征,作为输入特征。
6.根据权利要求1所述的方法,其特征在于,将所述输入特征输入预先训练好的故障诊断模型,获得所述电力设备是否发生故障的故障诊断结果以及发生故障时的故障类型,包括:
获取利用粒子群优化算法和极限学习机联合训练的故障诊断模型;
将所述输入特征输入所述故障诊断模型,所述故障诊断模型输出的诊断分类结果;所述诊断分类结果包括无故障、尖端缺陷、悬浮电位缺陷、气泡、金属异物。
7.根据权利要求1所述的方法,其特征在于,所述对所述特高频信号进行时频分析,得到时频分布图,包括:
利用S变换对所述特高频信号进行时频分析,得到信号频率随时间变化的时频分布图。
8.一种电力设备的故障诊断装置,其特征在于,所述装置包括:
信号获取模块,用于获取电力设备在局部放电时产生的特高频信号;
时频分析模块,用于对所述特高频信号进行时频分析,得到时频分布图;
分割模块,用于按频率将所述时频分布图分割为N个分布图子区域;
矩特征获取模块,用于根据所述N个分布图子区域的灰度图,提取矩特征参数,获取N个分布图子区域中的三个低阶灰度矩特征;
特征选择模块,用于从所述低阶灰度矩特征中选择输入特征;
识别模块,用于将所述输入特征输入预先训练好的故障诊断模型,获得所述电力设备是否发生故障的诊断结果以及发生故障时的故障类型。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011452611.1A CN112464876A (zh) | 2020-12-12 | 2020-12-12 | 电力设备的故障诊断方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011452611.1A CN112464876A (zh) | 2020-12-12 | 2020-12-12 | 电力设备的故障诊断方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112464876A true CN112464876A (zh) | 2021-03-09 |
Family
ID=74801453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011452611.1A Pending CN112464876A (zh) | 2020-12-12 | 2020-12-12 | 电力设备的故障诊断方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112464876A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115019159A (zh) * | 2022-08-09 | 2022-09-06 | 济宁安泰矿山设备制造有限公司 | 一种泵轴承故障快速识别方法 |
CN116881703A (zh) * | 2023-09-06 | 2023-10-13 | 国网上海市电力公司 | 一种电缆多源信号识别方法、装置及存储介质 |
CN117668751A (zh) * | 2023-11-30 | 2024-03-08 | 广东一业建设股份有限公司 | 一种高低压电力系统故障诊断方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101574613B1 (ko) * | 2015-05-27 | 2015-12-11 | 지투파워(주) | 원격 설정 기능이 있는 초고주파 전기신호 검출에 의한 부분방전 감시진단 시스템 |
CN105223482A (zh) * | 2015-10-22 | 2016-01-06 | 西安交通大学 | 局部放电特高频信号波形的小波分解二值去噪方法 |
CN106405339A (zh) * | 2016-11-11 | 2017-02-15 | 中国南方电网有限责任公司 | 基于高低频小波特征关联的输电线路故障原因辨识方法 |
CN106443379A (zh) * | 2016-09-22 | 2017-02-22 | 广州供电局有限公司 | 变压器局部放电故障类型的识别方法和装置 |
CN109829416A (zh) * | 2019-01-28 | 2019-05-31 | 国网山东省电力公司日照供电公司 | 一种从随机噪声中检测出特高频局部放电信号的方法和系统 |
US20190243735A1 (en) * | 2018-02-05 | 2019-08-08 | Wuhan University | Deep belief network feature extraction-based analogue circuit fault diagnosis method |
-
2020
- 2020-12-12 CN CN202011452611.1A patent/CN112464876A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101574613B1 (ko) * | 2015-05-27 | 2015-12-11 | 지투파워(주) | 원격 설정 기능이 있는 초고주파 전기신호 검출에 의한 부분방전 감시진단 시스템 |
CN105223482A (zh) * | 2015-10-22 | 2016-01-06 | 西安交通大学 | 局部放电特高频信号波形的小波分解二值去噪方法 |
CN106443379A (zh) * | 2016-09-22 | 2017-02-22 | 广州供电局有限公司 | 变压器局部放电故障类型的识别方法和装置 |
CN106405339A (zh) * | 2016-11-11 | 2017-02-15 | 中国南方电网有限责任公司 | 基于高低频小波特征关联的输电线路故障原因辨识方法 |
US20190243735A1 (en) * | 2018-02-05 | 2019-08-08 | Wuhan University | Deep belief network feature extraction-based analogue circuit fault diagnosis method |
CN109829416A (zh) * | 2019-01-28 | 2019-05-31 | 国网山东省电力公司日照供电公司 | 一种从随机噪声中检测出特高频局部放电信号的方法和系统 |
Non-Patent Citations (1)
Title |
---|
BIN FENG: "Identification of ultra‐high‐frequency PD signals in gas‐insulated switchgear based on moment", 《HIGH VOLTAGE》, 1 December 2020 (2020-12-01), pages 688 - 694 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115019159A (zh) * | 2022-08-09 | 2022-09-06 | 济宁安泰矿山设备制造有限公司 | 一种泵轴承故障快速识别方法 |
CN115019159B (zh) * | 2022-08-09 | 2022-10-25 | 济宁安泰矿山设备制造有限公司 | 一种泵轴承故障快速识别方法 |
CN116881703A (zh) * | 2023-09-06 | 2023-10-13 | 国网上海市电力公司 | 一种电缆多源信号识别方法、装置及存储介质 |
CN116881703B (zh) * | 2023-09-06 | 2023-12-08 | 国网上海市电力公司 | 一种电缆多源信号识别方法、装置及存储介质 |
CN117668751A (zh) * | 2023-11-30 | 2024-03-08 | 广东一业建设股份有限公司 | 一种高低压电力系统故障诊断方法及装置 |
CN117668751B (zh) * | 2023-11-30 | 2024-04-26 | 广东一业建设股份有限公司 | 一种高低压电力系统故障诊断方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112464876A (zh) | 电力设备的故障诊断方法、装置、计算机设备和存储介质 | |
Xu et al. | Roller bearing fault diagnosis using stacked denoising autoencoder in deep learning and Gath–Geva clustering algorithm without principal component analysis and data label | |
Do et al. | Convolutional-neural-network-based partial discharge diagnosis for power transformer using UHF sensor | |
CN112347854A (zh) | 滚动轴承故障诊断方法、系统、存储介质、设备及应用 | |
Jee Keen Raymond et al. | Classification of partial discharge measured under different levels of noise contamination | |
CN107808138B (zh) | 一种基于FasterR-CNN的通信信号识别方法 | |
Motlagh et al. | Power quality disturbances recognition using adaptive chirp mode pursuit and grasshopper optimized support vector machines | |
Zhou et al. | CANet: An unsupervised deep convolutional neural network for efficient cluster-analysis-based multibaseline InSAR phase unwrapping | |
CN107462785A (zh) | 基于ga‑svm的电能质量多扰动信号分类识别方法 | |
CN111127387B (zh) | 无参考图像的质量的评价方法 | |
CN106778908A (zh) | 一种新异类检测方法与装置 | |
CN111415323B (zh) | 图像的检测方法及装置,神经网络的训练方法及装置 | |
CN114237046B (zh) | 一种基于sift数据特征提取算法与bp神经网络模型的局部放电模式识别方法 | |
CN108564083A (zh) | 一种遥感图像变化检测方法及装置 | |
Khayer et al. | Target-Oriented fusion of attributes in data level for salt dome geobody delineation in seismic data | |
Li et al. | Desert seismic random noise reduction framework based on improved PSO–SVM | |
Zhao et al. | Fault diagnosis of rolling element bearing based on S transform and gray level co-occurrence matrix | |
Li et al. | A new denoising method based on decomposition mixing of hydro-acoustic signal | |
Chen et al. | Regional classification of urban land use based on fuzzy rough set in remote sensing images | |
CN113191996A (zh) | 一种遥感影像变化检测方法、装置及其电子设备 | |
Chen et al. | Classification of solar radio spectrum based on VGG16 transfer learning | |
CN116842827A (zh) | 一种无人机飞控系统电磁性能边界模型构建方法 | |
CN113688655B (zh) | 干扰信号的识别方法、装置、计算机设备和存储介质 | |
Lazzaretti et al. | New trends in power quality event analysis: novelty detection and unsupervised classification | |
Wenyan et al. | SAR image change detection based on equal weight image fusion and adaptive threshold in the NSST domain |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230412 Address after: Full Floor 14, Unit 3, Building 2, No. 11, Middle Spectra Road, Huangpu District, Guangzhou, Guangdong 510700 Applicant after: China Southern Power Grid Digital Grid Technology (Guangdong) Co.,Ltd. Address before: Room 86, room 406, No.1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou City, Guangdong Province Applicant before: Southern Power Grid Digital Grid Research Institute Co.,Ltd. |