CN113837003B - 识别局部放电类型方法、装置、存储介质及电子装置 - Google Patents
识别局部放电类型方法、装置、存储介质及电子装置 Download PDFInfo
- Publication number
- CN113837003B CN113837003B CN202110954189.8A CN202110954189A CN113837003B CN 113837003 B CN113837003 B CN 113837003B CN 202110954189 A CN202110954189 A CN 202110954189A CN 113837003 B CN113837003 B CN 113837003B
- Authority
- CN
- China
- Prior art keywords
- pulse
- pulse signal
- pulse signals
- signals
- partial discharge
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 claims abstract description 76
- 238000001514 detection method Methods 0.000 claims abstract description 57
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000005070 sampling Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 abstract description 15
- 208000028659 discharge Diseases 0.000 description 146
- 230000000875 corresponding effect Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 9
- 238000009413 insulation Methods 0.000 description 9
- 230000007547 defect Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 5
- 238000006731 degradation reaction Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了识别局部放电类型方法、装置、存储介质及电子装置，该方法包括：从信号检测序列中逐一提取单个脉冲序列，并从单个脉冲序列中逐一提取脉冲信号；获取脉冲信号的形状特征，基于相关分析法，将信号检测序列中的脉冲信号分类；建立每类脉冲信号对应的局部放电相位分布谱图，根据局部放电相位分布谱图，识别信号检测序列的局部放电类型。本发明有效解决了现有识别局部放电类型方法计算量大识别不准确的问题。
Description
技术领域
本发明涉及领域，具体而言，涉及识别局部放电类型方法、装置、存储介质及电子装置。
背景技术
局部放电是一种电力设备绝缘劣化的早期表现，也是导致绝缘进一步劣化的主要原因，预示着电力设备的绝缘寿命，是一个重要的电力设备状态评估指标。基于局部放电对电力设备绝缘状态进行检测已经成为电网领域的通用手段。常见的局部放电类型包括：针板放电、气隙放电、悬浮放电、电晕放电、沿面放电等，不同的局部放电缺陷展现出来的放电特性也不同，同一种放电类型在不同的放电阶段展现出来的局部放电强度也不同。因此，准确提取局部放电的放电特性能够更好地进行局部放电危险等级评估，可以给电网运维人员提供更加明确的指导。
目前，常用局部放电特性表征方法主要包括放电峰值、放电相位和放电频次等指标，最常用的局部放电特性描述方法就是局部放电相位分布谱图(Phase ResolvedPartial Discharge，PRPD)，不同的放电类型的PRPD谱图存在明显的特征差异。根据PRPD谱图，能够实现局部放电类型识别和缺陷等级评估。然而，大量的实际应用发现，在现场应用过程中，往往存在多个局部放电源的情况，仅仅通过PRPD谱图是无法区分开这些局部放电，导致缺陷类型和危害等级评估不准确。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
基于此，有必要针对上述技术问题，提供一种识别局部放电类型方法、装置、存储介质及电子装置，以至少解决现有局部放电类型评估不准的问题。
一种识别局部放电类型方法，包括：
从信号检测序列中逐一提取单个脉冲序列，并从单个脉冲序列中逐一提取脉冲信号；
获取脉冲信号的形状特征，基于相关分析法，将信号检测序列中的脉冲信号分类；
建立每类脉冲信号对应的局部放电相位分布谱图，根据局部放电相位分布谱图，识别信号检测序列的局部放电类型。
在其中一个实施例中，从单个脉冲序列中逐一提取脉冲信号，包括：
选择固定时长的时间窗长度，通过时间窗口提取脉冲序列的局部信号；
对提取后的局部信号进行降噪处理，获取脉冲信号。
在其中一个实施例中，获取脉冲信号的形状特征，包括：
对脉冲信号进行间隔取样，获取脉冲信号的取样点；
连接取样点，提取取样点的连接曲线的形状特征为脉冲信号的形状特征，形状特征包括连接曲线的脉冲幅值和脉冲相位。
在其中一个实施例中，基于相关分析法，将脉冲信号分类，包括：
获取第一脉冲序列，第一脉冲序列包括至少两个第一脉冲信号；
从第一脉冲序列中逐一提取第一脉冲信号，根据第一脉冲信号的形状特征，计算第一脉冲信号之间的第一互相关系数；
根据第一互相关系数，将第一脉冲信号进行分类，得到第一脉冲序列对应的第一分类脉冲信号候选分类；
重复上述步骤，计算每个脉冲序列对应的脉冲信号候选分类，得到信号检测序列的脉冲信号候选分类集合；
计算脉冲信号候选分类之间的第二相互关系数；
根据第二相互关系数，从脉冲信号候选集合中获取脉冲信号分类。
在其中一个实施例中，根据第一互相关系数，将第一脉冲序列的脉冲信号进行分类，包括：
根据第一互相关系数和第一相互关系数阈值，获取第一脉冲信号的第一索引矩阵；
根据第一索引矩阵，计算第一脉冲信号的第一索引值，将第一索引值相同的第一脉冲信号归为一类。
在其中一个实施例中，将第一索引值相同的第一脉冲信号归为一类，包括：
基于线性组合，判断第一脉冲信号的放电组合类型；
在放电组合类型为单一放电模式的情况下，选取第一索引值相同的第一脉冲信号为一类脉冲信号。
在其中一个实施例中，根据第二相互关系数，从脉冲信号候选分类集合中获取脉冲信号分类，包括：
根据第二相互关系数，计算脉冲信号候选分类的第二索引矩阵；
根据第二索引矩阵，计算脉冲候选分类的第二索引值；
选取第二索引值大于第二索引值阈值的候选分类脉冲信号，为脉冲信号分类。
一种识别局部放电类型的装置，包括：
提取单元，用于从信号检测序列中逐一提取单个脉冲序列，并从单个脉冲序列中逐一提取脉冲信号；
分类单元，用于获取脉冲信号的形状特征，基于相关分析法，将信号检测序列中的脉冲信号分类；
识别单元，用于建立每类脉冲信号对应的相位分辨PRPD谱图，根据相位分辨PRPD谱图，识别信号检测序列的局部放电类型。
一种存储介质，其特征在于，存储介质中存储有计算机程序，其中，计算机程序被设置为运行时执行以下步骤：
从信号检测序列中逐一提取单个脉冲序列，并从单个脉冲序列中逐一提取脉冲信号；
获取脉冲信号的形状特征，基于相关分析法，将信号检测序列中的脉冲信号分类；
建立每类脉冲信号对应的局部放电相位分布PRPD谱图，根据局部放电相位分布PRPD谱图，识别信号检测序列的局部放电类型。
一种电子装置，包括存储器和处理器，其特征在于，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行以下步骤：
从信号检测序列中逐一提取单个脉冲序列，并从单个脉冲序列中逐一提取脉冲信号；
获取脉冲信号的形状特征，基于相关分析法，将信号检测序列中的脉冲信号分类；
建立每类脉冲信号对应的局部放电相位分布PRPD谱图，根据局部放电相位分布PRPD谱图，识别信号检测序列的局部放电类型。
本发明公开地识别局部放电类型方法包括：通过从信号检测序列中逐一提取单个脉冲序列，并从单个脉冲序列中逐一提取脉冲信号；获取脉冲信号的形状特征，基于相关分析法，将信号检测序列中的脉冲信号分类；建立每类脉冲信号对应的局部放电相位分布谱图，根据局部放电相位分布谱图，识别信号检测序列的局部放电类型。上述方法基于相关分析法，先计算出脉冲序列中的脉冲信号分类，然后通过脉冲序列的脉冲信号分类计算出信号检测序列的脉冲信号分类，从而可以有效减少信号检测序列判断局部放电类型的计算量，提高识别局部方法类型的准确性。
附图说明
图1为一个实施例中识别局部放电类型方法的流程示意图；
图2为另一个实施例中识别局部放电类型方法的流程示意图；
图3为一个实施例中脉冲序列中的脉冲信号的提取方法示意图；
图4为一个实施例中脉冲信号的等间隔取样方法示意图；
图5为另一个实施例中识别局部放电类型方法的流程示意图；
图6为另一个实施例中识别局部放电类型方法的流程示意图；
图7为一个实施例中各类局部放电类型的波形示意图；
图8为一个实施例中识别局部放电类型方法的实验室试验及算法效果验证图；
图9为一个实施例中识别局部放电类型的装置示意图；
图10为一个实施例中电子装置的结构示意图。
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。
可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种专业名词，但除非特别说明，这些专业名词不受这些术语限制。这些术语仅用于将一个专业名词与另一个专业名词区分。举例来说，在不脱离本申请的范围的情况下，第三预设阈值与第四预设阈值可以相同可以不同。
经过60十年的研究和应用，局部放电已经发展成为一种常规化的电力设备绝缘状态诊断手段，在全世界电网范围内得到了广泛的推广应用。局部放电是一种电力设备绝缘劣化的早期表现也是导致绝缘进一步劣化的主要原因，预示着电力设备的绝缘寿命，是一个重要的电力设备状态评估指标。然而，由于本身具有随机性、多变性、抗干扰能力差和复杂性等的特点，局部放电检测技术到目前为止并未发展到人们所期望的高度。因此，局部放电相关检测技术研究依然是目前国内外学界和工业界研究的热点和难点问题。
局部放电的放电特性能够反映绝缘劣化的程度。常见的局部放电类型包括：针板放电、气隙放电、悬浮放电、电晕放电、沿面放电等，不同的局部放电缺陷展现出来的放电特性也不同，同一种放电类型在不同的放电阶段展现出来的局部放电强度也不同。因此，准确提取局部放电的放电特性能够更好地进行局部放电危险等级评估，给电网运维人员提供更加明确的指导。目前，常用局部放电特性表征方法主要包括放电峰值、放电相位和放电频次等指标，最常用的局部放电特性描述方法就是局部放电相位分布谱图(Phase ResolvedPartial Discharge，PRPD)，不同的放电类型的PRPD谱图存在明显的特征差异。根据PRPD谱图，能够实现局部放电类型识别和缺陷等级评估。然而，大量的实际应用发现，在现场应用过程中，往往存在多个局部放电源的情况，仅仅通过PRPD谱图是无法区分开这些局部放电，导致缺陷类型和危害等级评估不准确。
为了区分同一序列中不同放电源产生的局部放电信号，部分学者提出了一些方法，例如采用小波变换方法、经验模态分解方法和人工智能方法分类不同频率成分的脉冲信号。现有技术主要通过一种T-F谱图的分析方法以区别各类局部放电。然而，上述方法都要求处理器具有较高的计算能力。随着我国智能电网建设的快速推进，局部放电在线监测系统大量上线，大部分的监测系统并不具备上述方法所要求的计算能力。因此，开展具有普适性的局部放电识别或多源分类方法研究具有很强的现实意义。
结合上述实施例的内容，在一个实施例中，如图1所示，提供了一种识别局部放电类型方法，以该方法应用于服务器，且执行主体为服务器为例进行说明，该方法包括如下步骤：
S101、从信号检测序列中逐一提取单个脉冲序列，并从单个脉冲序列中逐一提取脉冲信号；
S102、获取脉冲信号的形状特征，基于相关分析法和形状特征，将信号检测序列中的脉冲信号分类；
S103、建立每类所述脉冲信号对应的局部放电相位分布谱图，根据所述局部放电相位分布谱图，识别所述信号检测序列的局部放电类型。
在步骤S101，信号检测序列包含多个脉冲序列，上述脉冲序列的波形基本相同，用于重复计算脉冲序列的波形。如图2所示，上述从单个脉冲序列中逐一提取脉冲信号，包括：
201、选择固定时长的时间窗长度，通过时间窗口提取脉冲序列的局部信号；
202、对提取后的局部信号进行降噪处理，获取脉冲信号。
在步骤201中，时间窗长度包括100纳秒，通过沿时间轴移动该时间窗口，可以在脉冲序列上选取脉冲序列的局部信号。
上述步骤201可以通过时间窗口，可以持续性从脉冲序列中提取局部信号，多次取样，可以得到一组关于基本数据的脉冲序列。
在步骤202中，降噪处理的过程包括：将大于背景噪声电压的点视为脉冲信号的起点，低于背景噪声电压将被视为脉冲信号的终点，从而确定每个脉冲的峰值以及发生脉冲的相应相位。
在上述步骤202中，通过对局部信号进行处理，可以过滤掉干扰信号，得到特征性更明显的脉冲信号。
在一个实施例中，图3为本发明的脉冲序列的局部放电波形提取方法示意图。其中A,B,C,D点的电压为背景噪声电压值，横坐标为时间窗口，纵坐标为脉冲电压的脉冲值。图3提取脉冲信号过程为：选择一个100纳秒的时间窗口，并通过沿时间轴移动该窗口，在相邻的两个时间窗口中，将电压值大于背景噪声电压的点A,C视为脉冲信号的起点，而低于背景噪声电压的点B,D将被视为脉冲的终点，从而确定每个脉冲的峰值以及发生脉冲的相应相位。
在步骤102中，如图4所示，获取脉冲信号的形状特征，包括：对脉冲信号进行间隔取样，获取脉冲信号的取样点，连接取样点，提取取样点连接后的曲线的形状特征作为脉冲信号的形状特征，形状特征包括曲线的脉冲幅值和脉冲相位。
在一个实施例中，以脉冲信号的波形的第一个超过10％峰值的点作为等间隔采样的第一个点，采样间隔设置为100纳秒，直到脉冲波形幅值小于设定的局部放电阈值，从而实现脉冲信号的脉冲波形数据的大幅度压缩，但又基本保持了脉冲波形的大致面貌。
步骤102用相同时间间隔设置采样点，从而提取出脉冲信号的大致近似波形。使用等间隔采样法获取脉冲信号的近似波形可以在降低运算量的同时最大程度地保留脉冲信号的形状特征。
在步骤102中，如图5所示，基于相关分析法和形状特征，将脉冲信号分类，包括：
501、获取第一脉冲序列，第一脉冲序列包括至少两个第一脉冲信号；
502、从第一脉冲序列中逐一提取第一脉冲信号，根据第一脉冲信号的形状特征，计算第一脉冲信号之间的第一互相关系数；
503、根据第一互相关系数，将第一脉冲信号进行分类，得到第一脉冲序列对应的第一脉冲信号候选分类；
504、重复上述步骤，计算每个脉冲序列对应的脉冲信号候选分类，得到信号检测序列的脉冲信号候选分类集合；
505、计算候选分类脉冲信号之间的第二相互关系数；
506、根据第二相互关系数，从脉冲信号候选分类集合中获取脉冲信号分类。
在步骤501中，由于信号检测序列中的脉冲序列波形相同，因此步骤501到步骤503以第一脉冲序列举例说明，信号检测序列中的其余脉冲序列重复第一脉冲序列步骤从而对脉冲序列中的脉冲信号进行分类。
在步骤502中，计算第一脉冲信号的第一相互关系数的公式(1)为：
其中，fi和fj是两个第一脉冲信号的n个采样点的脉冲值，ρij为两个第一脉冲的第一相互关系数，用于表示两个第一脉冲信号的相似值，ρij的值越接近1意味着这两个脉冲具有更大的相似性。
上述步骤502通过计算两个第一脉冲信号的第一相互关系数，可以判断两个第一脉冲信号的相似度，但仅通过第一相互关系数对脉冲信号分类仍然不够准确。
因此，在步骤503中，如图6所示，上述根据第一互相关系数，将第一脉冲信号进行分类，还包括：
601、根据第一互相关系数和第一相互关系数阈值，获取第一脉冲信号之间的第一索引矩阵；
602、根据第一索引矩阵，计算第一脉冲信号的第一索引值，将第一索引值相同的第一脉冲信号归为第一分类脉冲信号。
由于相互关系数对于脉冲之间的相似性表示不够准确，因此需要基于第一脉冲之间的相互关系数建立索引矩阵。建立第一脉冲信号相互之间的第一关系数的索引矩阵，然后在索引矩阵中索引第一脉冲信号相似度高的第一脉冲信号，索引次数用第一索引值表示，第一索引值为数组，数组中的单个数组，用于表示第一脉冲信号被索引次数，第一索引值中的值越大表明第一脉冲信号之间的相似性越高。
在一个实施例中，设置第一索引值阈值为0.95，因此，将相关系数大于0.95的两个第一信号脉冲被视为相关。根据第一索引值阈值对相互关系数进行复制，在ρij>0.95，则设置第一索引矩阵M(j)＝i，否则设置M(j)＝0。其中，基于根据第一脉冲信号逐一从脉冲序列中提取的顺序对第一脉冲信号进行命名，对于M(j)>0的第j个脉冲，认为第一脉冲信号i和第一脉冲信号j之间相似度较高，第一脉冲信号i无需判断在第一脉冲信号i之后的脉冲信号与第一脉冲信号i之间的相似性。根据索引矩阵M(j)的值，对脉冲进行分类。M(j)的值相同的脉冲，认为脉冲信号在脉冲矩阵中被检索到的次数相同，因此被认为属于同一类型的放电。
在一种实施例中，如图7所示，局部放电类型基本上包括表面放电，空腔放电，电晕放电三种，其中可能由不同放电波形线性组合形成组合放电，三种可以组合成多种放电脉冲类型的集合。因此，步骤602可能会出现两种放电脉冲组合的脉冲波形被归为一类的情况，此时，需要计算放电脉冲与已知放电脉冲之间的组合关系，将判断为两种类型脉冲重叠的放电脉冲从第一分类脉冲剔除。
在一些实施例中，需要对类型为两种放电脉冲的线性组合的脉冲进行评估。在某些情况下，PD脉冲可能是两种类型的PD脉冲重叠的结果。重叠的脉冲是两种已知放电类型的组合，可以识别它们并从脉冲序列中消除。假设两个已知脉冲为f1和f2，具有n个采样点，并且测得的组合脉冲为f12，即f1和f2的线性组合，则等式(2)成立，等式(2)，包括：
f12(k)＝αf1(k-i)+βf2(k-j) (2)
其中，在等式(2)中α和β是两个未知因子，i和j是横向时移。
对于未知因子α和β，需要通过最小化公式(3)中的函数F以及公式(4)和(5)来确定和α和β，如下所示，公式(3)包括：
公式(4)，包括：
公式(5)，包括：
在上述步骤中，求出α和β的值后，需要将α和β以及已知的脉冲f1和f2代入(2)式，得到f1和2的拟合脉冲，评估拟合脉冲和测得的重叠脉冲之间的互相关系数，如果满足两个脉冲之间的相关性标准，则该脉冲可以视为两个原始已知脉冲f1和f2的线性叠加。否则，它被认为是另一种脉冲。
步骤503剔除了多种放电类型组合的放电脉冲，仅保留了一种放电类型脉冲，便于对后续放电脉冲进行识别和分类。
在步骤504中，获取第一脉序列对应的第一脉冲信号候选分类，将第一脉冲信号候选分类存储在第一脉冲序列的数据矩阵DP(1)中，重复提取脉冲序列P，重复上述第一脉冲序列的脉冲信号分类步骤，得到脉冲序列P重复得到第一脉冲分类的过程，得到其余脉冲序列的脉冲信号候选分类，通过脉冲信号候选分类和数据矩阵，获取其余脉冲序列的DP(2)，DP(3)，…，DP(K)。
上述步骤504，重复提取序列脉冲，将序列脉冲重复步骤502至步骤503，可以获得每个序列脉冲的脉冲信号候选分类。在序列脉冲范围内判断脉冲信号候选分类的相似性，可以使得检测序列信号判断更加准确。
在步骤505中，计算K个简化脉冲序列DP(1)，DP(2)，…，DP(K)之间的相关系数，并获得脉冲序列之间的第二索引矩阵MP。
在步骤506中，根据索引矩阵MP的值将脉冲分为几组。MP值相同的脉冲将被分类为同一组。如果MP指示一个脉冲出现等于或大于K次，则表示此PD类型的脉冲在K个交流周期中始终存在，并将被视为一种主要的PD类型。否则，将其视为干扰脉冲。
在一个实施例中，如果大于K次的脉冲存在两个以上，则认为此时脉冲信号包括两种以上的局部放电模式。
在一个实施例中，图8是本发明的实验试验及算法效果验证图。其中A,B,C分别表示表面放电，空腔放电，电晕放电三种类型。通过在实验室制作了这三种放电缺陷，并产生了三种不同类型的放电脉冲，其共有7种不同的组合。将这些脉冲作为输入，根据分类后结果来校验算法的可靠性。可以看出，这7种情况都得到了正确识别。
在图8中，设置第二索引值阈值为10。脉冲数据1、2、3、大于第二索引阈值的值只有一个，因此认为脉冲数据1、2、3对应一个放电脉冲，脉冲数据4、5、6对应两个满足阈值的索引值，因此认为脉冲数据4、5、6包括两种放电脉冲。脉冲对应的对应三个满足阈值的值。因此认为放电脉冲至少有三个放电模式。
在步骤103中，将每类脉冲信号进行线性拟合得到每类的拟合曲线，根据拟合脉冲曲线图像特征，建立每类脉冲信号对应的的相位分辨谱图。进一步可以根据相位分辨谱图，判断信号检测序列的局部放电类型。
本发明提出了基于相关性分析方法的多源局部放电类型的识别方法，能够准确实现同一检测序列中的多种局部放电脉冲的分类，为局部放电现场测试提供一个工准确可靠的解决办法。本发明利用离散化的近似脉冲波形特征作为分类依据，可显著减少分类过程的计算量，具有可靠性高，可实施性强的特点。本发明提出的算法的适用对象的最小单位是一个检测节点，因此适合在绝大多数的局部放电检测系统中集成使用(可以边缘计算的形式集成于各个检测或监测节点中)，适用性较强，适应范围很广。
结合上述实施例的内容，在一个实施例中，如图9所示，提供了一种识别局部放电类型装置，包括：提取单元901、分类单元902及识别单元903，其中，识别局部放电类型的装置，包括：
提取单元901，用于从信号检测序列中逐一提取单个脉冲序列，并从单个脉冲序列中逐一提取脉冲信号；
分类单元902，用于获取脉冲信号的形状特征，基于相关分析法和形状特征，将信号检测序列中的脉冲信号分类；
识别单元903，用于建立每类脉冲信号对应的局部放电相位分布谱图，根据局部放电相位分布谱图，识别信号检测序列的局部放电类型；
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服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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、计算机程序和数据库。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。该计算机设备的数据库用于存储预设阈值。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种高空抛物检测方法。
本领域技术人员可以理解，图10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：
从信号检测序列中逐一提取单个脉冲序列，并从单个脉冲序列中逐一提取脉冲信号；
获取脉冲信号的形状特征，基于相关分析法，将信号检测序列中的脉冲信号分类；
建立每类脉冲信号对应的局部放电相位分布谱图，根据局部放电相位分布谱图，识别信号检测序列的局部放电类型。
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：
选择固定时长的时间窗长度，通过时间窗口提取脉冲序列的局部信号；
对提取后的局部信号进行降噪处理，获取脉冲信号。
在其中一个实施例中，获取脉冲信号的形状特征，包括：
对脉冲信号进行间隔取样，获取脉冲信号的取样点；
连接取样点，提取取样点的连接曲线的形状特征为脉冲信号的形状特征，形状特征包括连接曲线的脉冲幅值和脉冲相位。
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：
获取第一脉冲序列，第一脉冲序列包括至少两个第一脉冲信号；
从第一脉冲序列中逐一提取第一脉冲信号，根据第一脉冲信号的形状特征，计算第一脉冲信号之间的第一互相关系数；
根据第一互相关系数，将第一脉冲信号进行分类，得到第一脉冲序列对应的第一分类脉冲信号候选分类；
重复上述步骤，计算每个脉冲序列对应的脉冲信号候选分类，得到信号检测序列的脉冲信号候选分类集合；
计算脉冲信号候选分类之间的第二相互关系数；
根据第二相互关系数，从脉冲信号候选集合中获取脉冲信号分类。
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：
根据第一互相关系数和第一相互关系数阈值，获取第一脉冲信号的第一索引矩阵；
根据第一索引矩阵，计算第一脉冲信号的第一索引值，将第一索引值相同的第一脉冲信号归为一类。
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：
基于线性组合，判断第一脉冲信号的放电组合类型；
在放电组合类型为单一放电模式的情况下，选取第一索引值相同的第一脉冲信号为一类脉冲信号。
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：根据第二相互关系数，计算脉冲信号候选分类的第二索引矩阵；
根据第二索引矩阵，计算脉冲候选分类的第二索引值；
选取第二索引值大于第二索引值阈值的候选分类脉冲信号，为脉冲信号分类。
一种存储介质，其特征在于，存储介质中存储有计算机程序，其中，计算机程序被设置为运行时执行以下步骤：
从信号检测序列中逐一提取单个脉冲序列，并从单个脉冲序列中逐一提取脉冲信号；
获取脉冲信号的形状特征，基于相关分析法，将信号检测序列中的脉冲信号分类；
建立每类脉冲信号对应的局部放电相位分布谱图，根据局部放电相位分布谱图，识别信号检测序列的局部放电类型。
一种电子装置，包括存储器和处理器，其特征在于，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行以下步骤：
从信号检测序列中逐一提取单个脉冲序列，并从单个脉冲序列中逐一提取脉冲信号；
获取脉冲信号的形状特征，基于相关分析法，将信号检测序列中的脉冲信号分类；
将同一类的脉冲信号之间进行拟合，获取每类脉冲信号对应的拟合脉冲曲线；
根据拟合脉冲曲线，建立每类脉冲信号对应的相位分辨谱图；
根据相位分辨谱图，判断信号检测序列的局部放电类型。
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，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-OnlyMemory，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 (7)
1.一种识别局部放电类型方法，其特征在于，包括：
从信号检测序列中逐一提取单个脉冲序列，并选择固定时长的时间窗长度，通过时间窗口提取所述脉冲序列的局部信号；在相邻的两个时间窗口内，将电压值大于背景噪声电压的点作为脉冲信号的起点，低于背景噪声电压的点作为脉冲信号的终点，获取所述脉冲信号；
获取所述脉冲信号的形状特征，获取第一脉冲序列，所述第一脉冲序列包括至少两个第一脉冲信号；从所述第一脉冲序列中逐一提取所述第一脉冲信号，根据所述第一脉冲信号的形状特征，计算所述第一脉冲信号之间的第一互相关系数；根据所述第一互相关系数和第一相互关系数阈值，获取所述第一脉冲信号的第一索引矩阵；根据所述第一索引矩阵，计算所述第一脉冲信号的第一索引值，所述第一索引值用于表征所述第一脉冲信号被索引次数，所述第一索引值中的值越大表明所述第一脉冲信号之间的相似性越高，将所述第一索引值相同的第一脉冲信号归为一类，得到所述第一脉冲序列对应的第一脉冲信号候选分类；重复上述步骤，计算每个所述脉冲序列对应的脉冲信号候选分类，得到所述信号检测序列的脉冲信号候选分类集合；计算所述脉冲信号候选分类之间的第二相互关系数；根据所述第二相互关系数，从所述脉冲信号候选分类集合中获取所述脉冲信号分类；
建立每类所述脉冲信号对应的局部放电相位分布谱图，根据所述局部放电相位分布谱图，识别所述信号检测序列的局部放电类型。
2.根据权利要求1所述的方法，其特征在于，所述获取所述脉冲信号的形状特征，包括：
对所述脉冲信号进行间隔取样，获取所述脉冲信号的取样点；
连接所述取样点，提取所述取样点的连接曲线的形状特征为所述脉冲信号的形状特征，所述形状特征包括所述连接曲线的脉冲幅值和脉冲相位。
3.根据权利要求1所述的方法，其特征在于，所述将所述第一索引值相同的第一脉冲信号归为一类，包括：
基于线性组合，判断所述第一脉冲信号的放电组合类型；
在所述放电组合类型为单一放电模式的情况下，选取所述第一索引值相同的第一脉冲信号为一类脉冲信号。
4.根据权利要求1所述的方法，其特征在于，所述根据所述第二相互关系数，从所述脉冲信号候选分类集合中获取所述脉冲信号分类，包括：
根据所述第二相互关系数，计算所述脉冲信号候选分类的第二索引矩阵；
根据所述第二索引矩阵，计算所述脉冲候选分类的第二索引值；
选取所述第二索引值大于第二索引值阈值的候选分类脉冲信号，为所述脉冲信号分类。
5.一种识别局部放电类型的装置，其特征在于，包括：
提取单元，用于从信号检测序列中逐一提取单个脉冲序列，并选择固定时长的时间窗长度，通过时间窗口提取所述脉冲序列的局部信号；在相邻的两个时间窗口内，将电压值大于背景噪声电压的点作为脉冲信号的起点，低于背景噪声电压的点作为脉冲信号的终点，获取所述脉冲信号；
分类单元，用于获取所述脉冲信号的形状特征，获取第一脉冲序列，所述第一脉冲序列包括至少两个第一脉冲信号；从所述第一脉冲序列中逐一提取所述第一脉冲信号，根据所述第一脉冲信号的形状特征，计算所述第一脉冲信号之间的第一互相关系数；根据所述第一互相关系数和第一相互关系数阈值，获取所述第一脉冲信号的第一索引矩阵；根据所述第一索引矩阵，计算所述第一脉冲信号的第一索引值，所述第一索引值用于表征所述第一脉冲信号被索引次数，所述第一索引值中的值越大表明所述第一脉冲信号之间的相似性越高，将所述第一索引值相同的第一脉冲信号归为一类，得到所述第一脉冲序列对应的第一脉冲信号候选分类；重复上述步骤，计算每个所述脉冲序列对应的脉冲信号候选分类，得到所述信号检测序列的脉冲信号候选分类集合；计算所述脉冲信号候选分类之间的第二相互关系数；根据所述第二相互关系数，从所述脉冲信号候选分类集合中获取所述脉冲信号分类；
识别单元，用于建立每类所述脉冲信号对应的相位分辨PRPD谱图，根据所述相位分辨PRPD谱图，识别所述信号检测序列的局部放电类型。
6.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至4任一项中所述的方法。
7.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至4任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110954189.8A CN113837003B (zh) | 2021-08-19 | 2021-08-19 | 识别局部放电类型方法、装置、存储介质及电子装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110954189.8A CN113837003B (zh) | 2021-08-19 | 2021-08-19 | 识别局部放电类型方法、装置、存储介质及电子装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113837003A CN113837003A (zh) | 2021-12-24 |
| CN113837003B true CN113837003B (zh) | 2024-05-14 |
Family
ID=78960843
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110954189.8A Active CN113837003B (zh) | 2021-08-19 | 2021-08-19 | 识别局部放电类型方法、装置、存储介质及电子装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113837003B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114403831B (zh) * | 2022-03-25 | 2022-06-14 | 广东玖智科技有限公司 | 一种ppg波形脉冲提取方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6445189B1 (en) * | 1999-10-19 | 2002-09-03 | Abb Substation Automation Oy | Method and system for identifying cause of partial discharges |
| CN103091612A (zh) * | 2013-01-16 | 2013-05-08 | 重庆市电力公司电力科学研究院 | 一种变压器油纸绝缘多局部放电源信号的分离与识别算法 |
| CN104198898A (zh) * | 2014-08-04 | 2014-12-10 | 西安交通大学 | 基于脉冲序列分析的局部放电发展过程诊断方法 |
| CN107942210A (zh) * | 2017-11-14 | 2018-04-20 | 国网上海市电力公司 | 变压器脉冲电流局部放电波形的分类和去噪方法及系统 |
| CN109901031A (zh) * | 2019-02-27 | 2019-06-18 | 西安电子科技大学 | 用于局部放电信号的信噪分离方法、信息数据处理终端 |
| CN112710928A (zh) * | 2020-12-10 | 2021-04-27 | 国网宁夏电力有限公司电力科学研究院 | 基于自相关性分析的直流局部放电波形去干扰方法及系统 |
| CN112763871A (zh) * | 2020-12-30 | 2021-05-07 | 珠海华网科技有限责任公司 | 一种局部放电分类识别方法 |
-
2021
- 2021-08-19 CN CN202110954189.8A patent/CN113837003B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6445189B1 (en) * | 1999-10-19 | 2002-09-03 | Abb Substation Automation Oy | Method and system for identifying cause of partial discharges |
| CN103091612A (zh) * | 2013-01-16 | 2013-05-08 | 重庆市电力公司电力科学研究院 | 一种变压器油纸绝缘多局部放电源信号的分离与识别算法 |
| CN104198898A (zh) * | 2014-08-04 | 2014-12-10 | 西安交通大学 | 基于脉冲序列分析的局部放电发展过程诊断方法 |
| CN107942210A (zh) * | 2017-11-14 | 2018-04-20 | 国网上海市电力公司 | 变压器脉冲电流局部放电波形的分类和去噪方法及系统 |
| CN109901031A (zh) * | 2019-02-27 | 2019-06-18 | 西安电子科技大学 | 用于局部放电信号的信噪分离方法、信息数据处理终端 |
| CN112710928A (zh) * | 2020-12-10 | 2021-04-27 | 国网宁夏电力有限公司电力科学研究院 | 基于自相关性分析的直流局部放电波形去干扰方法及系统 |
| CN112763871A (zh) * | 2020-12-30 | 2021-05-07 | 珠海华网科技有限责任公司 | 一种局部放电分类识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 局部放电脉冲群的实用快速分类技术及应用;司文荣;李军浩;杨景刚;黎大健;梁永春;李彦明;;西安交通大学学报;20080810(第08期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113837003A (zh) | 2021-12-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109901031B (zh) | 用于局部放电信号的信噪分离方法、信息数据处理终端 | |
| CN104198898B (zh) | 基于脉冲序列分析的局部放电发展过程诊断方法 | |
| Chan et al. | Time-frequency sparsity map on automatic partial discharge sources separation for power transformer condition assessment | |
| EP3699614B1 (en) | Method and system of partial discharge recognition for diagnosing electrical networks | |
| CN110108992B (zh) | 基于改进随机森林算法的电缆局放故障识别方法、系统 | |
| CN109596955B (zh) | 局部放电状态确定方法及装置 | |
| CN108051711B (zh) | 基于状态特征映射的固体绝缘表面缺陷诊断方法 | |
| Contin et al. | Classification and separation of partial discharge signals by means of their auto-correlation function evaluation | |
| Seo et al. | Probabilistic wavelet transform for partial discharge measurement of transformer | |
| CN112014700A (zh) | 基于局部放电多信息融合的gis绝缘子缺陷识别方法及系统 | |
| CN114325256A (zh) | 一种电力设备局部放电识别方法、系统、设备及存储介质 | |
| CN114217164B (zh) | 一种基于放电波形智能识别的电缆故障测距方法及系统 | |
| CN112763871A (zh) | 一种局部放电分类识别方法 | |
| CN113837003B (zh) | 识别局部放电类型方法、装置、存储介质及电子装置 | |
| CN113805018A (zh) | 一种配电网10kV电缆局部放电故障类型智能识别方法 | |
| CN106326918A (zh) | 一种变压器局部放电超高频信号多尺度能量特征线性识别方法 | |
| Janani et al. | Statistical feature extraction and system identification algorithms for partial discharge signal classification using laguerre polynomial expansion | |
| Kiitam et al. | Characteristic pulse pattern features of different types of partial discharge sources in power cables | |
| Fu et al. | A Partial Discharge Signal Separation Method Applicable for Various Sensors Based on Time-Frequency Feature Extraction of t-SNE | |
| Mishra et al. | Diagnostics analysis of partial discharge events of the power cables at various voltage levels using ramping behavior analysis method | |
| Seo et al. | A novel signal extraction technique for online partial discharge (PD) measurement of transformers | |
| Hochbrückner et al. | Comparison of algorithms for clustering of partial discharge signals under DC voltage | |
| CN116008735A (zh) | 一种基于密度的局部放电信号提取方法及系统 | |
| Quizhpi-Cuesta et al. | Classification of partial discharge in pin type insulators using fingerprints and neural networks | |
| CN111929720B (zh) | 中子探测器性能检测方法、装置、系统和计算机设备 |
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 |