CN114137366A - 一种考虑快速发展型故障的局部放电特征信息提取系统及方法 - Google Patents
一种考虑快速发展型故障的局部放电特征信息提取系统及方法 Download PDFInfo
- Publication number
- CN114137366A CN114137366A CN202111283232.9A CN202111283232A CN114137366A CN 114137366 A CN114137366 A CN 114137366A CN 202111283232 A CN202111283232 A CN 202111283232A CN 114137366 A CN114137366 A CN 114137366A
- Authority
- CN
- China
- Prior art keywords
- characteristic information
- partial discharge
- network
- training
- dae
- 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
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000011161 development Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 58
- 230000007547 defect Effects 0.000 claims abstract description 53
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims description 12
- 230000015556 catabolic process Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 7
- 230000006835 compression Effects 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 6
- 238000013095 identification testing Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 239000002245 particle Substances 0.000 claims description 2
- 230000002250 progressing effect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000123 paper Substances 0.000 description 1
- 239000011087 paperboard Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000004804 winding 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
-
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
-
- 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
- G06F2218/14—Classification; Matching by matching peak patterns
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种考虑快速发展型故障的局部放电特征信息提取系统及方法，它的提取所述局部放电信号采集模块采集的n组局部放电信号的特征信息，根据放电特征的不同变化将每组局部放电信号划分为r个阶段，并针对每个阶段的局部放电信号绘制出4种TARPD谱图，基于每种TARPD谱图提取出3种特征信息，将特征信息分为训练集特征信息和测试集特征信息；以训练集特征信息训练所述SDAE网络获得SDAE网络参数，将确定SDAE网络参数后的SDAE网络与DBSCAN密度聚类算法相结合构建缺陷识别模型；使用缺陷识别模型将测试集特征信息输入缺陷识别模型，得到变压器的故障识别结果。
Description
技术领域
本发明涉及配电设备局部放电技术领域，尤其是一种考虑快速发展型故障的局部放电特征信息提取系统及方法。
背景技术
随着特高压交流输电工程建设的深入开展，对特高压交流变压器的产品质量及试验水平也提出了更高的要求。但在超、特高压变压器出厂试验、交接试验时发生了从检测到局部放电表征量到主绝缘击穿或临近击穿仅几小时甚至几分钟的快速发展型故障(即当试验电压不变或缓慢阶梯升高时，变压器油纸绝缘出现每秒平均视在放电量与放电脉冲数快速增大的放电现象)案例。依据传统信息特征捕捉技术提取快速发展型故障特征发现，数据特征之间关联性较差，对超、特高压变压器的综合诊断效果不佳，因此本发明提出一种考虑快速发展型故障的局部放电特征信息提取系统及方法。
发明内容
本发明的目的就是要提供一种考虑快速发展型故障的局部放电特征信息提取系统及方法，考虑到快速发展型故障从起始放电直至击穿过程中绝缘纸板形貌出现的不同特征，将放电过程划分为r个阶段，并提取每个阶段对应的特征信息，采用SDAE网络与DBSCAN密度聚类算法相结合构建出缺陷识别模型，获得变压器的故障识别结果。
为实现此目的，本发明所设计的一种考虑快速发展型故障的局部放电特征信息提取系统，包括局部放电信号采集模块、特征信息提取模块、缺陷识别模型训练模块和缺陷识别测试模块；所述局部放电信号采集模块用于采集模拟变压器典型缺陷的试验装置中从发生快速发展型故障到样品击穿过程所产生的局部放电信号，共采集n组局部放电信号；所述特征信息提取模块用于提取所述局部放电信号采集模块采集的n组局部放电信号的特征信息，根据放电特征的不同变化将每组局部放电信号划分为r个阶段，并针对每个阶段的局部放电信号绘制出4种TARPD谱图，基于每种TARPD谱图提取出3种特征信息，最终，针对n组局部放电信号，每组信号提取r×3种4维特征信息；同时，将所述n组局部放电信号对应的特征信息分为训练集特征信息和测试集特征信息；所述缺陷识别模型训练模块以所述特征信息提取模块提取的训练集特征信息作为栈式降噪自编码器SDAE网络的输入量，训练所述SDAE网络获得SDAE网络参数，将确定SDAE网络参数后的SDAE网络与DBSCAN密度聚类算法相结合构建缺陷识别模型；所述缺陷识别测试模块使用所述缺陷识别模型训练模块构建的缺陷识别模型，将测试集特征信息作为输入量输入缺陷识别模型，得到变压器的故障识别结果。
一种考虑快速发展型故障的局部放电特征信息提取方法，包括如下步骤：
步骤1，采集模拟变压器典型缺陷的试验装置中从发生快速发展型故障到样品击穿过程所产生的局部放电信号，共采集n组局部放电信号；
步骤2，提取步骤1采集到的n组局部放电信号的特征信息，根据放电特征的不同变化将每组局部放电信号划分为r个阶段，并针对每个阶段的局部放电信号绘制出4种TARPD谱图，基于每种TARPD谱图提取出3种特征信息，最终，针对n组局部放电信号，每组信号提取r×3种4维特征信息；同时，将所述n组局部放电信号对应的特征信息分为训练集特征信息和测试集特征信息；
步骤3，以步骤2获得的训练集特征信息作为栈式降噪自编码器SDAE网络的输入量，训练所述SDAE网络获得SDAE网络参数，将确定SDAE网络参数后的SDAE网络与DBSCAN密度聚类算法相结合构建缺陷识别模型；
步骤4，使用步骤3构建的缺陷识别模型，将步骤2获得的测试集特征信息作为输入量输入缺陷识别模型，得到变压器的故障识别结果。
本发明的有益效果为：本发明通过对快速发展型故障局部放电进行不同放电阶段的划分，考虑到了放电过程的特性变化；通过TARPD谱图提取各发展阶段特征信息，有效避免了数据间关联性差的缺点；构建SDAE网络与DBSCAN密度聚类算法相结合构建缺陷识别模型，将所获取的特征信息压缩融合再进行聚类识别进行训练迭代，有效的提高了识别效果。
附图说明
图1为本发明系统结构图；
图2为本发明缺陷识别模型构建方法流程图；
其中，1-局部放电信号采集模块、2-特征信息提取模块、3-缺陷识别模型训练模块和4-缺陷识别测试模块。
具体实施方式
以下结合附图和具体实施例对本发明作进一步的详细说明：
一种考虑快速发展型故障的局部放电特征信息提取系统，如图1所示，包括局部放电信号采集模块1、特征信息提取模块2、缺陷识别模型训练模块3和缺陷识别测试模块4；所述局部放电信号采集模块1用于采集模拟变压器典型缺陷的试验装置中从发生快速发展型故障到样品击穿过程所产生的局部放电信号，共采集n组局部放电信号；所述特征信息提取模块2用于提取所述局部放电信号采集模块1采集的n组局部放电信号的特征信息，根据放电特征的不同变化将每组局部放电信号划分为r个阶段，并针对每个阶段的局部放电信号绘制出4种TARPD谱图，基于每种TARPD谱图提取出3种特征信息，最终，针对n组局部放电信号，每组信号提取r×3种4维特征信息；同时，将所述n组局部放电信号对应的特征信息分为训练集特征信息和测试集特征信息；所述缺陷识别模型训练模块3以所述特征信息提取模块2提取的训练集特征信息作为栈式降噪自编码器SDAE网络的输入量，训练所述SDAE网络获得SDAE网络参数，将确定SDAE网络参数后的SDAE网络与DBSCAN密度聚类算法相结合构建缺陷识别模型；所述缺陷识别测试模块4使用所述缺陷识别模型训练模块3构建的缺陷识别模型，将测试集特征信息作为输入量输入缺陷识别模型，得到变压器的故障识别结果。
上述技术方案中，所述快速发展型故障的局部放电，经常发生在变压器围屏处、没有电屏蔽的铁心柱楞角处、绕组端部对绝缘压板的压钉处等，其主要是在极不均匀电场下发生。
上述技术方案中，所述局部放电信号采集模块1中模拟变压器典型缺陷包括尖端放电，油中沿面放电、间隙放电和悬浮颗粒放电。
上述技术方案中，所述特征信息提取模块2中的放电特征包括平均视在放电量、放电重复率和放电功率；
上述技术方案中，所述特征信息提取模块2中的4种TARPD图谱包括qmean-Δtpre、qmean-Δtsuc、qmax-Δtpre和qmax-Δtsuc；其中，qmean为所述试验装置的平均放电量；qmax为所述试验装置的最大放电量；Δtpre为当前放电信号与前一次放电信号之间的时间间隔；Δtsuc为当前放电信号与下一次放电信号之间的时间间隔；
上述技术方案中，所述特征信息提取模块2中的3种特征信息包括偏斜度Sk、陡峭度Ku和峰值个数Pk；
所述偏斜度Sk用于描述TARPD谱图相较于正态分布的偏斜程度，定义为：
Sk＝∑(xi-μ)3*Pi/σ3
所述陡峭度Ku用于描述TARPD谱图形状相较于正态分布的突起程度，定义为：
Ku＝[∑(xi-μ)3*Pi/σ3]-3
所述峰值个数Pk用于描述放电信号中的最大放电量，定义为；
Pk＝∑Peak(xi)
其中，xi表示不同TARPD谱图对应的时间间隔；Pi表示xi出现的概率；μ表示xi出现的均值；σ表示xi出现的方差。
上述技术方案中，所述缺陷识别模型训练模块3中的缺陷识别模型的构建方法为：如图2所示，以SDAE网络为信息压缩单元，将所述特征信息提取模块2提取的4维特征信息压缩成1维特征信息，同时，计算所述1维特征信息的信息增益值，选择信息增益值大于0.5的特征信息为目标特征，所述信息增益值越大，表明其分类性能越高；然后采用DBSCAN密度聚类算法分类融合所述目标特征。与BP神经网络相比，SDAE网络与DBSCAN密度聚类算法相结合的方法以栈式降噪自编码器挑选更适合进行模式识别的特征，再以DBSCAN为分类器进行聚类。由于特征信息的有效压缩融合这一优异特性，SDAE网络与DBSCAN密度聚类算法相结合的方法实现了变压器快速发展型故障的高效识别。
上述技术方案中，所述SDAE网络包含m层DAE网络，所述m层DAE网络的连接方式为按照1、2...m层序号顺序连接，所述SDAE网络的训练方法包括预训练和微调两个步骤；
所述预训练的具体方法为：先随机初始化所述m层DAE网络的网络参数，各DAE网络的参数之间相互独立；然后采用DAE网络训练方法训练第1层DAE网络的参数，将其参数固定，以第1层DAE网络的输出作为第2层DAE网络的输入，采用DAE网络训练方法训练第2层DAE网络的参数，依次完成所述m层DAE网络的训练得到m层DAE网络参数；
所述微调段的具体方法为：将所述m层DAE网络顺序连接，所述m层DAE网络的参数取值为预训练得到的所述m层DAE网络参数，以训练集特征信息为第1层DAE网络的输入，以第m层DAE网络的输出作为所述SDAE网络输出，以所述SDAE网络的重构误差最小值为优化目标训练所述m层DAE网络的参数，训练完毕后，所述第m层DAE网络的输出为压缩得到的目标特征。
上述技术方案中，所述DAE网络包括输入层和隐藏层，所述输入层通过映射Sf(x)得到，所述Sf(x)为输入层的非线性激活函数，取sigm函数或者tanh函数，一般称之为编码过程，所述隐藏层通过映射Sg(x)得到，所述Sg(x)为隐藏层的非线性激活函数，取sigm函数或者tanh函数，一般称为解码过程，所述输入层和隐藏层之间包括连接矩阵W和偏置项b两个网络参数(W，b)；
所述DAE网络训练方法为：将网络输入数据X按照随机概率将所述网络输入数据X进行污染，如随机将10％的数据置0，获得污染后的数据Y，以所述污染后的数据Y为所述DAE网络的输入，通过所述输入层和所述隐藏层获得所述DAE网络的输出数据Z，以输出数据Z与网络输入数据X的重构误差L最小为条件训练获得所述网络参数(W，b)。
上述技术方案中，所述信息增益值即基于可分性准则计算所述特征信息的信息熵；
所述DBSCAN密度聚类算法的方法为：
步骤3.1，将经过SDAE网络压缩获得的目标特征记录为v1,v2,...,vk，所述变压器典型缺陷r个阶段的目标特征可以记录为：
Vij＝{v1,v2,...vk|(Fi,Sj)}，i∈{1,2,3,4}，j∈{1,2,3,...,r}
其中，Fi表示所述局部放电信号采集模块1中的不同放电类型，Sj表示所述特征信息提取模块2中局部放电信号的r个阶段；
步骤3.2，确定邻域距离Eps以及邻域密度阈值MinPts两个指标；
步骤3.3，以样本点集合Vij中某一个点vk出发，若点vk的邻域距离Eps范围内包含点多于所述邻域密度阈值MinPts，表明点vk是核心对象，则创建以点vk为核心的簇，将其邻域距离Eps中的点加入该簇中，并将与该簇中其他样本点密度直达的点也加入簇中，迭代计算直至所有与点vk密度相连的点都加入簇中；
步骤3.4，选定尚未被加入任意簇的另一个点出发，重复步骤3.3，直至没有新的点可加入任意簇中时。对本发明而言，不同的簇代表不同缺陷的不同放电阶段，未被加入任何簇的点则表示噪声点。
一种考虑快速发展型故障的局部放电特征信息提取方法，包括如下步骤：
步骤1，采集模拟变压器典型缺陷的试验装置中从发生快速发展型故障到样品击穿过程所产生的局部放电信号，共采集n组局部放电信号；
步骤2，提取步骤1采集到的n组局部放电信号的特征信息，根据放电特征的不同变化将每组局部放电信号划分为r个阶段，并针对每个阶段的局部放电信号绘制出4种TARPD谱图，基于每种TARPD谱图提取出3种特征信息，最终，针对n组局部放电信号，每组信号提取r×3种4维特征信息；同时，将所述n组局部放电信号对应的特征信息分为训练集特征信息和测试集特征信息；
步骤3，以步骤2获得的训练集特征信息作为栈式降噪自编码器SDAE网络的输入量，训练所述SDAE网络获得SDAE网络参数，将确定SDAE网络参数后的SDAE网络与DBSCAN密度聚类算法相结合构建缺陷识别模型；
步骤4，使用步骤3构建的缺陷识别模型，将步骤2获得的测试集特征信息作为输入量输入缺陷识别模型，得到变压器的故障识别结果。
本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。本专利软件实现的计算机环境，建议CPU3.2GHz、内存16GB、硬盘250GB或更高配置。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (11)
1.一种考虑快速发展型故障的局部放电特征参数提取系统，其特征在于：
局部放电信号采集模块(1)用于采集模拟变压器典型缺陷的试验装置中从发生快速发展型故障到样品击穿过程所产生的局部放电信号，共采集n组局部放电信号；
特征信息提取模块(2)用于提取所述局部放电信号采集模块(1)采集的n组局部放电信号的特征信息，根据放电特征的不同变化将每组局部放电信号划分为r个阶段，并针对每个阶段的局部放电信号绘制出4种TARPD谱图，基于每种TARPD谱图提取出3种特征信息，最终，针对n组局部放电信号，每组信号提取r×3种4维特征信息；同时，将所述n组局部放电信号对应的特征信息分为训练集特征信息和测试集特征信息；
缺陷识别模型训练模块(3)以所述特征信息提取模块(2)提取的训练集特征信息作为栈式降噪自编码器SDAE网络的输入量，训练所述SDAE网络获得SDAE网络参数，将确定SDAE网络参数后的SDAE网络与DBSCAN密度聚类算法相结合构建缺陷识别模型；
缺陷识别测试模块(4)使用所述缺陷识别模型训练模块(3)构建的缺陷识别模型，将测试集特征信息作为输入量输入缺陷识别模型，得到变压器的故障识别结果。
2.基于权利要求1所述的一种考虑快速发展型故障的局部放电特征信息提取系统，其特征在于：
所述局部放电信号采集模块(1)中模拟变压器典型缺陷包括尖端放电，油中沿面放电、间隙放电和悬浮颗粒放电。
3.基于权利要求1所述的一种考虑快速发展型故障的局部放电特征信息提取系统，其特征在于：
所述特征信息提取模块(2)中的放电特征包括平均视在放电量、放电重复率和放电功率。
4.基于权利要求1所述的一种考虑快速发展型故障的局部放电特征信息提取系统，其特征在于：
所述特征信息提取模块(2)中的4种TARPD图谱包括qmean-Δtpre、qmean-Δtsuc、qmax-Δtpre和qmax-Δtsuc；
其中，qmean为所述试验装置的平均放电量；qmax为所述试验装置的最大放电量；Δtpre为当前放电信号与前一次放电信号之间的时间间隔；Δtsuc为当前放电信号与下一次放电信号之间的时间间隔。
5.基于权利要求1所述的一种考虑快速发展型故障的局部放电特征信息提取系统，其特征在于：
所述特征信息提取模块(2)中的3种特征信息包括偏斜度Sk、陡峭度Ku和峰值个数Pk；
所述偏斜度Sk用于描述TARPD谱图相较于正态分布的偏斜程度，定义为：
Sk＝∑(xi-μ)3*Pi/σ3
所述陡峭度Ku用于描述TARPD谱图形状相较于正态分布的突起程度，定义为：
Ku＝[∑(xi-μ)3*Pi/σ3]-3
所述峰值个数Pk用于描述放电信号中的最大放电量，定义为；
Pk＝∑Peak(xi)
其中，xi表示不同TARPD谱图对应的时间间隔；Pi表示xi出现的概率；μ表示xi出现的均值；σ表示xi出现的方差。
6.基于权利要求1所述的一种考虑快速发展型故障的局部放电特征信息提取系统，其特征在于：
所述缺陷识别模型训练模块(3)中的缺陷识别模型的构建方法为：以SDAE网络为信息压缩单元，将所述特征信息提取模块(2)提取的4维特征信息压缩成1维特征信息，同时，计算所述1维特征信息的信息增益值，选择信息增益值大于0.5的特征信息为目标特征；然后采用DBSCAN密度聚类算法分类融合所述目标特征。
7.基于权利要求1所述的一种考虑快速发展型故障的局部放电特征信息提取系统，其特征在于：
所述SDAE网络包含m层DAE网络，所述m层DAE网络的连接方式为按照1、2...m层序号顺序连接，所述SDAE网络的训练方法包括预训练和微调两个步骤；
所述预训练的具体方法为：先随机初始化所述m层DAE网络的网络参数；然后采用DAE网络训练方法训练第1层DAE网络的参数，将其参数固定，以第1层DAE网络的输出作为第2层DAE网络的输入，采用DAE网络训练方法训练第2层DAE网络的参数，依次完成所述m层DAE网络的训练得到m层DAE网络参数；
所述微调段的具体方法为：将所述m层DAE网络顺序连接，所述m层DAE网络的参数取值为预训练得到的所述m层DAE网络参数，以训练集特征信息为第1层DAE网络的输入，以第m层DAE网络的输出作为所述SDAE网络输出，以所述SDAE网络的重构误差最小值为优化目标训练所述m层DAE网络的参数，训练完毕后，所述第m层DAE网络的输出为压缩得到的目标特征。
8.基于权利要求7所述的一种考虑快速发展型故障的局部放电特征信息提取系统，其特征在于：
所述DAE网络包括输入层和隐藏层，所述输入层通过映射Sf(x)得到，所述Sf(x)为输入层的非线性激活函数，取sigm函数或者tanh函数，所述隐藏层通过映射Sg(x)得到，所述Sg(x)为隐藏层的非线性激活函数，取sigm函数或者tanh函数，所述输入层和隐藏层之间包括连接矩阵W和偏置项b两个网络参数(W，b)；
所述DAE网络训练方法为：将网络输入数据X按照随机概率将所述网络输入数据X进行污染，获得污染后的数据Y，以所述污染后的数据Y为所述DAE网络的输入，通过所述输入层和所述隐藏层获得所述DAE网络的输出数据Z，以输出数据Z与网络输入数据X的重构误差L最小为条件训练获得所述网络参数(W，b)。
9.基于权利要求6所述的一种考虑快速发展型故障的局部放电特征信息提取系统，其特征在于：
所述信息增益值即基于可分性准则计算所述特征信息的信息熵；
所述DBSCAN密度聚类算法的方法为：
步骤3.1，将经过SDAE网络压缩获得的目标特征记录为v1,v2,…,vk，所述变压器典型缺陷r个阶段的目标特征可以记录为：
Vij＝{v1,v2,...vk|(Fi,Sj)}，i∈{1,2,3,4}，j∈{1,2,3,...,r}
其中，Fi表示所述局部放电信号采集模块(1)中的不同放电类型，Sj表示所述特征信息提取模块(2)中局部放电信号的r个阶段；
步骤3.2，确定邻域距离Eps以及邻域密度阈值MinPts两个指标；
步骤3.3，以样本点集合Vij中某一个点vk出发，若点vk的邻域距离Eps范围内包含点多于所述邻域密度阈值MinPts，表明点vk是核心对象，则创建以点vk为核心的簇，将其邻域距离Eps中的点加入该簇中，并将与该簇中其他样本点密度直达的点也加入簇中，迭代计算直至所有与点vk密度相连的点都加入簇中；
步骤3.4，选定尚未被加入任意簇的另一个点出发，重复步骤3.3，直至没有新的点可加入任意簇中时。
10.一种考虑快速发展型故障的局部放电特征信息提取方法，其特征在于，包括如下步骤：
步骤1，采集模拟变压器典型缺陷的试验装置中从发生快速发展型故障到样品击穿过程所产生的局部放电信号，共采集n组局部放电信号；
步骤2，提取步骤1采集到的n组局部放电信号的特征信息，根据放电特征的不同变化将每组局部放电信号划分为r个阶段，并针对每个阶段的局部放电信号绘制出4种TARPD谱图，基于每种TARPD谱图提取出3种特征信息，最终，针对n组局部放电信号，每组信号提取r×3种4维特征信息；同时，将所述n组局部放电信号对应的特征信息分为训练集特征信息和测试集特征信息；
步骤3，以步骤2获得的训练集特征信息作为栈式降噪自编码器SDAE网络的输入量，训练所述SDAE网络获得SDAE网络参数，将确定SDAE网络参数后的SDAE网络与DBSCAN密度聚类算法相结合构建缺陷识别模型；
步骤4，使用步骤3构建的缺陷识别模型，将步骤2获得的测试集特征信息作为输入量输入缺陷识别模型，得到变压器的故障识别结果。
11.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序在运行时执行如权利要求10中所述的考虑快速发展型故障的局部放电特征信息提取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111283232.9A CN114137366B (zh) | 2021-11-01 | 2021-11-01 | 一种考虑快速发展型故障的局部放电特征信息提取系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111283232.9A CN114137366B (zh) | 2021-11-01 | 2021-11-01 | 一种考虑快速发展型故障的局部放电特征信息提取系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114137366A true CN114137366A (zh) | 2022-03-04 |
| CN114137366B CN114137366B (zh) | 2024-08-09 |
Family
ID=80392185
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111283232.9A Active CN114137366B (zh) | 2021-11-01 | 2021-11-01 | 一种考虑快速发展型故障的局部放电特征信息提取系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114137366B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160093048A1 (en) * | 2014-09-25 | 2016-03-31 | Siemens Healthcare Gmbh | Deep similarity learning for multimodal medical images |
| US20200184210A1 (en) * | 2018-12-06 | 2020-06-11 | International Business Machines Corporation | Multi-modal document feature extraction |
| CN111476263A (zh) * | 2019-12-27 | 2020-07-31 | 江苏科技大学 | 基于sdae和改进gwo-svm的轴承缺陷识别方法 |
| CN111999382A (zh) * | 2020-09-17 | 2020-11-27 | 海南电网有限责任公司电力科学研究院 | 一种考虑绝缘老化的电缆局部放电特征参数提取方法 |
| CN112014700A (zh) * | 2020-08-28 | 2020-12-01 | 武汉大学 | 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 |
| CN112180221A (zh) * | 2020-08-17 | 2021-01-05 | 国网浙江省电力有限公司电力科学研究院 | 基于双测度监督规则的gis未知类别局部放电识别方法 |
| WO2021137745A1 (en) * | 2019-12-30 | 2021-07-08 | Unibap Ab | A method for detection of imperfections in products |
-
2021
- 2021-11-01 CN CN202111283232.9A patent/CN114137366B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160093048A1 (en) * | 2014-09-25 | 2016-03-31 | Siemens Healthcare Gmbh | Deep similarity learning for multimodal medical images |
| US20200184210A1 (en) * | 2018-12-06 | 2020-06-11 | International Business Machines Corporation | Multi-modal document feature extraction |
| CN111476263A (zh) * | 2019-12-27 | 2020-07-31 | 江苏科技大学 | 基于sdae和改进gwo-svm的轴承缺陷识别方法 |
| WO2021137745A1 (en) * | 2019-12-30 | 2021-07-08 | Unibap Ab | A method for detection of imperfections in products |
| CN112180221A (zh) * | 2020-08-17 | 2021-01-05 | 国网浙江省电力有限公司电力科学研究院 | 基于双测度监督规则的gis未知类别局部放电识别方法 |
| CN112014700A (zh) * | 2020-08-28 | 2020-12-01 | 武汉大学 | 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 |
| CN111999382A (zh) * | 2020-09-17 | 2020-11-27 | 海南电网有限责任公司电力科学研究院 | 一种考虑绝缘老化的电缆局部放电特征参数提取方法 |
Non-Patent Citations (1)
| Title |
|---|
| 郑鹏程: "基于可闻声波信号分析的配电变压器内部绝缘缺陷识别方法", 《自动化技术与应用》, vol. 39, no. 6, 30 June 2020 (2020-06-30), pages 103 - 106 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114137366B (zh) | 2024-08-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gamper et al. | Blind reverberation time estimation using a convolutional neural network | |
| Majidi et al. | Partial discharge pattern recognition via sparse representation and ANN | |
| CN107909118B (zh) | 一种基于深度神经网络的配电网工况录波分类方法 | |
| CN112634875B (zh) | 语音分离方法、语音分离装置、电子设备及存储介质 | |
| 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 | |
| CN112014700B (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 | |
| CN111259921A (zh) | 一种基于改进小波包和深度学习的变压器声音异常检测方法 | |
| CN111353395A (zh) | 一种基于长短期记忆网络的换脸视频检测方法 | |
| CN112699605B (zh) | 一种充电桩故障元件预测方法及系统 | |
| CN110147739A (zh) | 一种基于多重分形谱算法的电抗器故障识别方法 | |
| 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 | |
| CN114596879A (zh) | 一种虚假语音的检测方法、装置、电子设备及存储介质 | |
| CN112486137A (zh) | 有源配电网故障特征库构建方法、系统及故障诊断方法 | |
| CN109557434B (zh) | 基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法 | |
| CN108108659B (zh) | 基于经验模态分解的孤岛检测关键特征提取方法 | |
| CN108055042B (zh) | 基于斜率分布的离散波形数据压缩方法 | |
| CN114137366B (zh) | 一种考虑快速发展型故障的局部放电特征信息提取系统及方法 | |
| CN111588375B (zh) | 一种基于栈式稀疏自编码模型的涟波和快速涟波检测方法 | |
| CN113627337B (zh) | 一种基于堆栈式自动编码的力触觉信号处理方法 | |
| CN112560674B (zh) | 一种声音信号质量的检测方法及系统 | |
| CN112731080A (zh) | 一种快速发展型局部放电油纸绝缘劣化状态的诊断方法 | |
| Prabhu et al. | Deep Learning Based Power Transformer Monitoring Using Partial Discharge Patterns. | |
| CN115859042A (zh) | 一种电力电缆局部放电模式识别方法及装置 | |
| Organiściak et al. | Single-ended quality measurement of a music content via convolutional recurrent neural networks | |
| KR102592309B1 (ko) | 송전케이블의 부분방전 Pulse를 이용한 자동 판정 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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |