CN114254668A - 基于绝缘开关设备放电信号的故障检测方法和装置 - Google Patents

基于绝缘开关设备放电信号的故障检测方法和装置 Download PDF

Info

Publication number
CN114254668A
CN114254668A CN202111425561.2A CN202111425561A CN114254668A CN 114254668 A CN114254668 A CN 114254668A CN 202111425561 A CN202111425561 A CN 202111425561A CN 114254668 A CN114254668 A CN 114254668A
Authority
CN
China
Prior art keywords
trained
partial discharge
model
waveform
feature extraction
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
CN202111425561.2A
Other languages
English (en)
Inventor
符健
辛文成
陈浩敏
姚森敬
于力
席禹
张凡
敖榜
王诗然
陈煜敏
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.)
China Southern Power Grid Digital Grid Technology Guangdong Co ltd
Original Assignee
Southern Power Grid Digital Grid Research Institute 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 Southern Power Grid Digital Grid Research Institute Co Ltd filed Critical Southern Power Grid Digital Grid Research Institute Co Ltd
Priority to CN202111425561.2A priority Critical patent/CN114254668A/zh
Publication of CN114254668A publication Critical patent/CN114254668A/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
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • 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

本申请涉及一种基于绝缘开关设备放电信号的故障检测方法、装置、计算机设备和存储介质。所述方法包括：采集目标绝缘开关设备的局部放电信号；所述局部放电信号为通过设置于所述目标绝缘开关设备上的无源传感器测量得到的；将所述局部放电信号输入至预训练的波形特征提取模型，通过预训练的波形特征提取模型对所述局部放电信号进行特征提取处理，输出波形卷积特征；将所述波形卷积特征输入至预训练的异常识别模型，通过所述预训练的异常识别模型对所述波形卷积特征进行分类处理，得到针对所述目标绝缘开关设备的异常识别结果；根据所述异常识别结果，确定所述目标绝缘开关设备的故障等级信息。采用本方法能够提高绝缘开关设备故障检测效率。

Description

基于绝缘开关设备放电信号的故障检测方法和装置
技术领域
本申请涉及电力技术领域，特别是涉及一种基于绝缘开关设备放电信号的故障检测方法、装置、计算机设备和存储介质。
背景技术
绝缘开关设备(GIS)采用全封闭结构设计，因使用绝缘性能卓越的六氟化硫气体做绝缘和灭弧介质，能大幅度缩小变电站的体积，实现小型化。且带电部分以金属壳体封闭，对电磁和静电实现屏蔽，噪音小，抗无线电干扰能力强。
然而，由于绝缘开关设备的内部状态不可见，当绝缘开关设备出现缺陷或故障时，通常很难直接进行检测。
因而，相关技术中存在绝缘开关设备故障检测效率不高的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高绝缘开关设备故障检测效率的基于绝缘开关设备放电信号的故障检测方法、装置、计算机设备和存储介质。
一种基于绝缘开关设备放电信号的故障检测方法，包括：
采集目标绝缘开关设备的局部放电信号；所述局部放电信号为通过设置于所述目标绝缘开关设备上的无源传感器测量得到的；
将所述局部放电信号输入至预训练的波形特征提取模型，通过预训练的波形特征提取模型对所述局部放电信号进行特征提取处理，输出波形卷积特征；其中，所述波形卷积特征的特征维度小于所述局部放电信号的特征维度；所述预训练的波形特征提取模型的网络结构为卷积神经网络；
将所述波形卷积特征输入至预训练的异常识别模型，通过所述预训练的异常识别模型对所述波形卷积特征进行分类处理，得到针对所述目标绝缘开关设备的异常识别结果；所述预训练的异常识别模型为通过强化学习训练得到的模型；
根据所述异常识别结果，确定所述目标绝缘开关设备的故障等级信息。
在其中一个实施例中，所述无源传感器的供电方式包括太阳能蓄电池供电、激光供电、大电流感应取能供电、电容分压器供电、振动取能供电和微波供电中的至少一种。
在其中一个实施例中，所述异常识别结果包括设备故障标签，所述根据所述异常识别结果，确定所述目标绝缘开关设备的故障等级信息，包括：
根据所述设备故障标签，在预设的故障数据库中查询到所述目标绝缘开关设备对应的设备故障类型和设备损伤程度；
根据所述设备故障类型和所述设备损伤程度，确定所述目标绝缘开关设备的故障等级信息。
在其中一个实施例中，所述方法还包括：
获取目标训练样本集；每个所述目标训练样本包括局部放电样本信号和对应的设备故障样本标签；所述局部放电样本信号包括通过局部放电模拟实验采集到的模拟局部放电信号和变电站现场采集到的实际局部放电信号中的至少一种；
基于所述局部放电样本信号和对应的设备故障样本标签，对待训练的波形特征提取模型和待训练的异常识别模型进行训练；
当训练后的波形特征提取模型和训练后的异常识别模型满足预设的训练条件时，得到所述预训练的波形特征提取模型和所述预训练的异常识别模型。
在其中一个实施例中，所述获取目标训练样本集，包括：
采集原始局部放电样本信号；每个所述原始局部放电样本信号具有对应的设备故障类型；所述设备故障类型包括尖端电晕缺陷、绝缘类放电缺陷、微粒放电缺陷和悬浮放电缺陷中的至少一种；
对所述原始局部放电样本信号进行数据增强处理，得到虚拟局部放电样本信号；
将所述虚拟局部放电样本信号和所述初始局部放电样本信号，作为所述局部放电样本信号。
在其中一个实施例中，所述对所述原始局部放电样本信号进行数据增强处理，得到虚拟局部放电样本信号，包括：
构建待训练的对抗生成网络；
基于所述初始局部放电样本信号对所述待训练的对抗生成网络进行训练；
当训练后的对抗生成网络满足预设的训练条件时，得到训练后的对抗生成网络；
通过所述训练后的对抗生成网络，输出所述虚拟局部放电样本信号。
在其中一个实施例中，所述基于所述局部放电样本信号和对应的设备故障样本标签，对待训练的波形特征提取模型和待训练的异常识别模型进行训练，包括：
将所述局部放电样本信号输入至所述待训练的波形特征提取模型，通过所述待训练的波形特征提取模型对所述局部放电样本信号进行特征提取处理，输出波形卷积样本特征；
将所述波形卷积样本特征输入至所述待训练的异常识别模型，通过待训练的异常识别模型对所述波形卷积样本特征进行分类处理，得到设备故障预测标签；
根据所述设备故障预测标签和所述设备故障样本标签之间的差异，对所述待训练的波形特征提取模型和所述待训练的异常识别模型的模型参数进行更新；其中，所述待训练的异常识别模型的模型参数更新方法为强化学习模型的模型参数更新方法；
重新训练模型参数更新后的波形特征提取模型和异常识别模型，直到训练后的波形特征提取模型和训练后的异常识别模型满足预设的训练条件。
一种基于绝缘开关设备放电信号的故障检测装置，所述装置包括：
采集模块，用于采集目标绝缘开关设备的局部放电信号；所述局部放电信号为通过设置于所述目标绝缘开关设备上的无源传感器测量得到的；
提取模块，用于将所述局部放电信号输入至预训练的波形特征提取网络，通过预训练的波形特征提取网络中的卷积层对所述局部放电信号进行特征提取处理，输出波形卷积特征；
分类模块，用于将所述波形卷积特征输入至预训练的异常识别模型，通过所述预训练的异常识别模型对所述波形卷积特征进行分类处理，得到针对所述目标绝缘开关设备的异常识别结果；
确定模块，用于根据所述异常识别结果，确定所述目标绝缘开关设备的故障等级信息。
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上述的方法的步骤。
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上述的方法的步骤。
上述基于绝缘开关设备放电信号的故障检测方法、装置、计算机设备和存储介质，通过设置于目标绝缘开关设备上的无源传感器测量得到局部放电信号；并将局部放电信号输入至预训练的波形特征提取模型，通过预训练的波形特征提取模型对局部放电信号进行特征提取处理，输出波形卷积特征；其中，波形卷积特征的特征维度小于局部放电信号的特征维度；其中，预训练的波形特征提取模型的网络结构为卷积神经网络；然后，将波形卷积特征输入至预训练的异常识别模型，通过预训练的异常识别模型对波形卷积特征进行分类处理，得到针对目标绝缘开关设备的异常识别结果；预训练的异常识别模型为通过强化学习训练得到的模型；最后，根据异常识别结果，确定目标绝缘开关设备的故障等级信息；如此，可以通过设置于目标绝缘开关设备上的无源传感器采集到内部处于密封状态的目标绝缘开关设备因故障产生的局部放电信号，并通过预训练的波形特征提取模型，提取出局部放电信号中的波形卷积特征，以及，通过预训练的异常识别模型对波形卷积特征进行分类处理，准确且快速地识别出目标绝缘开关设备的异常识别结果。
附图说明
图1为一个实施例中一种基于绝缘开关设备放电信号的故障检测方法的应用环境图；
图2为一个实施例中一种基于绝缘开关设备放电信号的故障检测方法的流程示意图；
图3为一个实施例中一种无源传感器的布置示意图；
图4为一个实施例中一种波形特征提取模型的卷积神经网络结构示意图；
图5为一个实施例中一种绝缘开关设备的实物故障示意图；
图6为一个实施例中一种绝缘开关设备的典型缺陷示意图；
图7为另一个实施例中一种基于绝缘开关设备放电信号的故障检测方法；
图8为一个实施例中一种基于绝缘开关设备放电信号的故障检测方法的框架图；
图9为一个实施例中一种基于绝缘开关设备放电信号的故障检测装置的结构框图；
图10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。
本申请提供的基于绝缘开关设备放电信号的故障检测方法，可以应用于如图1所示的应用环境中。其中，计算机设备110通过网络与无源传感器120进行通信。其中，计算机设备110采集目标绝缘开关设备的局部放电信号；局部放电信号为通过设置于目标绝缘开关设备上的无源传感器测量得到的；然后，计算机设备110将局部放电信号输入至预训练的波形特征提取模型，通过预训练的波形特征提取模型对局部放电信号进行特征提取处理，输出波形卷积特征；其中，波形卷积特征的特征维度小于局部放电信号的特征维度；预训练的波形特征提取模型的网络结构为卷积神经网络；计算机设备110将波形卷积特征输入至预训练的异常识别模型，通过预训练的异常识别模型对波形卷积特征进行分类处理，得到针对目标绝缘开关设备的异常识别结果；预训练的异常识别模型为通过强化学习训练得到的模型；最后，计算机设备110根据异常识别结果，确定目标绝缘开关设备的故障等级信息。实际应用中，计算机设备110可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，也可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种基于绝缘开关设备放电信号的故障检测方法，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S210，采集目标绝缘开关设备的局部放电信号；局部放电信号为通过设置于目标绝缘开关设备上的无源传感器测量得到的。
其中，无源传感器可以是指不需要使用外来接电源的传感器且可以通过外部获取到无限制的能源的感应传感器。实际应用中，无源传感器可以是基于MEMS(Micro-Electro-Mechanical System，微机电系统)的微型贴片型自取能式无源传感器。
其中，微机电系统是集微传感器、微执行器、微机械结构、微电源微能源、信号处理和控制电路、高性能电子集成器件、接口、通信等于一体的微型器件或系统。
其中，无源传感器的供电方式包括太阳能蓄电池供电、激光供电、大电流感应取能供电、电容分压器供电、振动取能供电和微波供电中的至少一种。
其中，无源传感器需要实现交流5A以上电流下电流取电、交流6kV以上电场取电、温差5℃下取电、特定频率范围下振动取电，实现不低于每10分钟/次频度的微功耗测量。
具体实现中，为了采集目标绝缘开关设备的局部放电信号，首先需要在目标绝缘开关设备上设置无源传感器。为了便于本领域技术人员的理解，图3提供了一种无源传感器的布置示意图。无源传感器在检测到目标绝缘开关设备中的局部放电信号后，无源传感器则将局部放电信号发送至计算机设备。
步骤S220，将局部放电信号输入至预训练的波形特征提取模型，通过预训练的波形特征提取模型对局部放电信号进行特征提取处理，输出波形卷积特征。
其中，波形卷积特征的特征维度小于局部放电信号的特征维度；预训练的波形特征提取模型的网络结构为卷积神经网络。
为了便于本领域技术人员的理解，图4提供了一种波形特征提取模型的卷积神经网络结构示意图。其中，通常会设定多个卷积层和多个池化层。保证模型可以快速的实现对输入信号的降维和特征提取。过多的隐层会加重运算负担，而过少的隐层会降低运算效率及存在失真问题。
具体实现中，当计算机设备接收到局部放电信号后，计算机设备则将局部放电信号输入至预训练的波形特征提取模型，通过预训练的波形特征提取模型对局部放电信号进行特征提取处理，输出波形卷积特征。
步骤S230，将波形卷积特征输入至预训练的异常识别模型，通过预训练的异常识别模型对波形卷积特征进行分类处理，得到针对目标绝缘开关设备的异常识别结果。
其中，预训练的异常识别模型为通过强化学习训练得到的模型。实际应用中，预训练的异常识别模型可以是基于强化学习Actor-Critic框架训练得到的神经网络模型(如，MCNN-AC(一种强化学习模型))。
具体实现中，计算机设备获取到波形卷积特征后，计算机设备则将波形卷积特征输入至预训练的异常识别模型，通过预训练的异常识别模型对波形卷积特征进行分类处理，得到针对目标绝缘开关设备的异常识别结果。
步骤S240，根据异常识别结果，确定目标绝缘开关设备的故障等级信息。
其中，异常识别结果包括设备故障标签。
具体实现中，计算机设备在根据异常识别结果，确定目标绝缘开关设备的故障等级信息时，计算机设备可以基于设备故障标签，在预设的故障数据库中查询到目标绝缘开关设备对应的设备故障类型和设备损伤程度；然后，计算机设备在基于设备故障类型和设备损伤程度，确定目标绝缘开关设备的故障等级信息。
上述基于绝缘开关设备放电信号的故障检测方法中，通过设置于目标绝缘开关设备上的无源传感器测量得到局部放电信号；并将局部放电信号输入至预训练的波形特征提取模型，通过预训练的波形特征提取模型对局部放电信号进行特征提取处理，输出波形卷积特征；其中，波形卷积特征的特征维度小于局部放电信号的特征维度；其中，预训练的波形特征提取模型的网络结构为卷积神经网络；然后，将波形卷积特征输入至预训练的异常识别模型，通过预训练的异常识别模型对波形卷积特征进行分类处理，得到针对目标绝缘开关设备的异常识别结果；预训练的异常识别模型为通过强化学习训练得到的模型；最后，根据异常识别结果，确定目标绝缘开关设备的故障等级信息；如此，可以通过设置于目标绝缘开关设备上的无源传感器采集到内部处于密封状态的目标绝缘开关设备因故障产生的局部放电信号，并通过预训练的波形特征提取模型，提取出局部放电信号中的波形卷积特征，以及，通过预训练的异常识别模型对波形卷积特征进行分类处理，准确且快速地识别出目标绝缘开关设备的异常识别结果。
在另一个实施例中，异常识别结果包括设备故障标签，根据异常识别结果，确定目标绝缘开关设备的故障等级信息，包括：根据设备故障标签，在预设的故障数据库中查询到目标绝缘开关设备对应的设备故障类型和设备损伤程度；根据设备故障类型和设备损伤程度，确定目标绝缘开关设备的故障等级信息。
其中，异常识别结果包括设备故障标签。
其中，预设的故障数据库记录有设备故障标签与对应的设备故障类型和设备损伤程度之间的映射关系。
具体实现中，计算机设备在根据异常识别结果，确定目标绝缘开关设备的故障等级信息的过程中，计算机设备可以确定异常识别结果中的设备故障标签；然后，计算机设备再基于该设备故障标签，在预设的故障数据库中查询到目标绝缘开关设备对应的设备故障类型和设备损伤程度。最后，计算机设备根据设备故障类型和设备损伤程度，生成目标绝缘开关设备的故障等级信息。
本实施例的技术方案，通过根据设备故障标签，在预设的故障数据库中查询到目标绝缘开关设备对应的设备故障类型和设备损伤程度，从而可以快速地确定出该目标绝缘开关设备当前所处的故障等级。
在另一个实施例中，方法还包括：获取目标训练样本集；每个目标训练样本包括局部放电样本信号和对应的设备故障样本标签；基于局部放电样本信号和对应的设备故障样本标签，对待训练的波形特征提取模型和待训练的异常识别模型进行训练；当训练后的波形特征提取模型和训练后的异常识别模型满足预设的训练条件时，得到预训练的波形特征提取模型和预训练的异常识别模型。
其中，目标训练样本集中的每个目标训练样本包括局部放电样本信号和对应的设备故障样本标签。
其中，局部放电样本信号包括通过局部放电模拟实验采集到的模拟局部放电信号和变电站现场采集到的实际局部放电信号中的至少一种。
其中，局部放电模拟实验一共积累了15000条数据，其中包括2200条尖端电晕缺陷样本，2500条绝缘类放电缺陷样本(包括绝缘气隙放电缺陷样本和绝缘沿面放电缺陷样本)，4200条微粒放电缺陷样本和6100条悬浮放电缺陷样本。
对待训练的波形特征提取模型和待训练的异常识别模型进行训练时采用交叉验证法，训练集为10000条图谱数据，测试集为2000条，包含20％尖端电晕缺陷样本，20％绝缘类放电缺陷样本，30％微粒放电缺陷样本和30％悬浮放电缺陷样本。其中，60％来自局部放电模拟实验，40％来自变电站现场检测。样本数据分别来自相同缺陷类型的不同设备、相同设备的相同测试位置以及相同设备的不同放电时间。为了便于本领域技术人员，图5提供了一种绝缘开关设备的实物故障示意图；其中，510为相间放电故障实物图，520为表面放电故障实物图，530为终端放电故障实物图。
具体实现中，计算机设备在获取到局部放电样本信号和对应的设备故障样本标签后，计算机设备则对待训练的波形特征提取模型和待训练的异常识别模型进行训练。
其中，待训练的波形特征提取模型的网络结构为卷积神经网络。在对待训练的波形特征提取模型进行训练过程中，卷积神经网络通常由多隐层神经网络组成。根据训练样本的多少、分类种类数目决定神经网络层数的复杂度。卷积层，池化层与激活层完成对输入信号的特征提取，全连接层完成对提取特征的分类。卷积层的参数如卷积核的数目和尺寸通常人为设定一个区间，自适应的训练出最合适的数目。卷积核的值通过模型对数据训练得到，用于后续的验证与测试。其中卷积运算由最简单的底层特征叠加，逐步提取不同层次的特征。神经网络的前向与反向计算过程可以自动调节卷积核的参数，从而无监督的产生最准确的分类特征。
在计算过随机样本的梯度后，将所有的值求和用以更新模型的权重。进而通过卷积层和池化层的过程，将输入变量的维数变少。输出为齿轮箱轴承高速端温度。D为单个样本的矩阵设置。其中，(n＝1,2,3...10；m＝1,2,3....10)。
如下公式所示：
Figure BDA0003378248250000101
卷积神经网络可以使用了4层卷积层、3层池化层对数据进行特征提取与降维。输入尺寸为1024×1024。具体参数设置如下表1所示：
表1卷积神经网络各层参数设定及变化
Figure BDA0003378248250000102
当计算机设备确定训练后的波形特征提取模型和训练后的异常识别模型满足预设的训练条件时如，训练后的波形特征提取模型和训练后的异常识别模型的损失值小于预设损失值阈值或对训练后的波形特征提取模型和训练后的异常识别模型的训练次数大于预设次数阈值时，计算机设备则将该训练后的波形特征提取模型和训练后的异常识别模型，分别作为预训练的波形特征提取模型和预训练的异常识别模型。
本实施例的技术方案，通过采用局部放电样本信号和对应的设备故障样本标签，对待训练的波形特征提取模型和待训练的异常识别模型进行训练，使得训练得到的波形特征提取模型可以快速且准确地对局部放电信号进行特征提取处理，输出特征维度小于局部放电信号的波形卷积特征；也使得预训练的异常识别模型，可以准确地对波形卷积特征进行分类处理，得到针对目标绝缘开关设备的异常识别结果。
在另一个实施例中，获取目标训练样本集，包括：采集原始局部放电样本信号；每个原始局部放电样本信号具有对应的设备故障类型；对原始局部放电样本信号进行数据增强处理，得到虚拟局部放电样本信号；将虚拟局部放电样本信号和初始局部放电样本信号，作为局部放电样本信号。
其中，设备故障类型包括金属尖端电晕缺陷、绝缘类放电缺陷、自由微粒放电缺陷和悬浮放电缺陷中的至少一种。
为了便于本领域技术人员的理解，图6提供了一种绝缘开关设备的典型缺陷示意图。其中，典型缺陷包括尖端放电、悬浮放电、绝缘间隙放电、自由微粒放电。
具体实现中，计算机设备在获取目标训练样本集的过程中，具体包括：计算机设备采集原始局部放电样本信号；其中，每个原始局部放电样本信号具有对应的设备故障类型。
也就是说，原始局部放电样本信号包括绝缘开关设备出现金属尖端电晕缺陷时检测到的局部放电信号、绝缘开关设备出现绝缘类放电缺陷时检测到的局部放电信号、绝缘开关设备出现自由微粒放电缺陷时检测到的局部放电信号和绝缘开关设备出现悬浮放电缺陷时检测到的局部放电信号。
计算机设备在接收到原始局部放电样本信号后，计算机设备则可以对原始局部放电样本信号进行数据增强处理，生成虚拟局部放电样本信号。
实际应用中，计算机设备可以采用基于原始局部放电样本信号训练得到的对抗生成模型中的预训练的生成器生成该虚拟局部放电样本信号。
其中，该虚拟局部放电样本信号与原始局部放电样本信号之间的相似度大于预设的相似度阈值。
最后，计算机设备将虚拟局部放电样本信号和初始局部放电样本信号，作为局部放电样本信号。
本实施例的技术方案，通过对原始局部放电样本信号进行数据增强处理，可以有效地提高局部放电样本信号的样本量，便于在后续对待训练的波形特征提取模型和待训练的异常识别模型进行充分地训练。
在另一个实施例中，对原始局部放电样本信号进行数据增强处理，得到虚拟局部放电样本信号，包括：构建待训练的对抗生成网络；基于初始局部放电样本信号对待训练的对抗生成网络进行训练；当训练后的对抗生成网络满足预设的训练条件时，得到训练后的对抗生成网络；通过训练后的对抗生成网络，输出虚拟局部放电样本信号。
具体实现中，计算机设备在对原始局部放电样本信号进行数据增强处理，得到虚拟局部放电样本信号的过程中，计算机设备可以构建待训练的对抗生成网络；然后，计算机设备可以基于初始局部放电样本信号对待训练的对抗生成网络进行训练，直至训练后的对抗生成网络满足预设的训练条件时，得到训练后的对抗生成网。最后，计算机设备通过训练后的对抗生成网络，输出虚拟局部放电样本信号。
本实施例的技术方案，通过构建待训练的对抗生成网络；基于初始局部放电样本信号对待训练的对抗生成网络进行训练；当训练后的对抗生成网络满足预设的训练条件时，得到训练后的对抗生成网络；通过训练后的对抗生成网络，输出虚拟局部放电样本信号，从而可以有效地增加局部放电样本信号的样本量，便于在后续对待训练的波形特征提取模型和待训练的异常识别模型进行训练。
在另一个实施例中，基于局部放电样本信号和对应的设备故障样本标签，对待训练的波形特征提取模型和待训练的异常识别模型进行训练，包括：将局部放电样本信号输入至待训练的波形特征提取模型，通过待训练的波形特征提取模型对局部放电样本信号进行特征提取处理，输出波形卷积样本特征；将波形卷积样本特征输入至待训练的异常识别模型，通过待训练的异常识别模型对波形卷积样本特征进行分类处理，得到设备故障预测标签；根据设备故障预测标签和设备故障样本标签之间的差异，对待训练的波形特征提取模型和待训练的异常识别模型的模型参数进行更新；其中，待训练的异常识别模型的模型参数更新方法为强化学习模型的模型参数更新方法；重新训练模型参数更新后的波形特征提取模型和异常识别模型，直到训练后的波形特征提取模型和训练后的异常识别模型满足预设的训练条件。
具体实现中，计算机设备在基于局部放电样本信号和对应的设备故障样本标签，对待训练的波形特征提取模型和待训练的异常识别模型进行训练的过程中，计算机设备可以将局部放电样本信号输入至待训练的波形特征提取模型，通过待训练的波形特征提取模型对局部放电样本信号进行特征提取处理，输出波形卷积样本特征。
然后，计算机设备再将将波形卷积样本特征输入至待训练的异常识别模型，通过待训练的异常识别模型对波形卷积样本特征进行分类处理，得到设备故障预测标签；根据设备故障预测标签和设备故障样本标签之间的差异，对待训练的波形特征提取模型和待训练的异常识别模型的模型参数进行更新；其中，待训练的异常识别模型的模型参数更新方法为强化学习模型的模型参数更新方法(如，Actor-Critic算法，执行器-评价器学习算法)。
其中，Actor-Critic算法是一种重要的强化学习算法。其融合了以值函数为基础的Critic-only和以动作选择为基础的Actor-only两种方法的特点，同时对马氏决策过程的值函数和策略函数进行逼近。Actor-Critic学习模型最主要分为两大部分：执行器(Actor)部分和评价器(Critic)部分。Actor-Critic学习可对值函数和策略函数进行逼近，其中策略估计由Actor部分通过策略梯度估计方法进行梯度下降学习来实现；而值函数估计由Critic部分采用TD学习算法实现。对于状态s，执行器根据当前策略选择动作a，状态s接受动作a的作用后，转移到状态s+1，同时产生一个回报信号r；状态s和回报信号r作为评价器的输入，其输出为值函数的估计，并产生一个TD误差信号，用于评价器和执行器网络的更新学习，对选择的动作做出评价，以修正执行器的动作选择策略。Critic对值函数估计采用如下学习算法：
wt+1＝wt+α[rt+γV(st+1)-V(st)]zt；
其中，wt为权值向量，st+1和st分别为t+1和t时刻的状态，V(st)为t时刻状态下的值函数估计，zt为适合度轨迹，定义为：
Figure BDA0003378248250000141
假定Actor的输出为一维，设Actor的输出为：
Figure BDA0003378248250000142
经过高斯分布函数后，实际控制量输出为：
Figure BDA0003378248250000143
式中方差的计算公式为：
Figure BDA0003378248250000144
其中k1，k2均为常数。
Actor的学习算法采用如下的近似策略梯度估计算法：
Figure BDA0003378248250000145
其中，Jπ为系统学习性能指标，
Figure BDA0003378248250000146
为内部回报，由Critic的时域差值信号来提供:
Figure BDA0003378248250000147
Actor的权值学习算法作为一种近似的策略梯度估计方法，以极大化回报性能指标为学习目标。值函数估计的正确性能够直接影响Actor的行为选择和参数更新等，是算法求解学习控制问题的关键一环。
为了便于本领域技术人员的理解，表2提供了本申请中的异常识别模型(MCNN-AC)与其他神经网络模型(LSTM、Mobilenet、Alexnet、Lenet5和Inception模型)的识别率。
表2
Figure BDA0003378248250000151
其中，M为自由金属颗粒缺陷，N为金属尖端缺陷，P为气隙缺陷和O为浮置电极缺陷。
可以看出，MCNN-AC模型的整体识别率为92.3％，高于LSTM的89.1％，Mobilenet的79.77％，Alexnet的80.8％，Lenet5的75.15％，Inception的89.25％。Lenet5模型对局部放电模式的识别率较低，是由于模型的特征学习远远不够及图像功能过度丢失造成的。模型的输入大小,较浅的模型深度也导致了其无法完全提取GIS PD特征信息的原因。对于传统的机器学习方法，特征参数导致其识别率较低是因为在减少特征维数之后，过多的人工干预导致对GIS PD特征信息的利用不足。
在所有模式识别方法中，P型缺陷的识别率相对较低。由于模塑树脂中的小间隙或绝缘材料与金属插件之间的分层区域中的空隙往往会随着时间的流逝而积累电场，这可能进一步导致PD(Partial Discharge，局部放电)的不稳定性。总体而言，MCNN-AC是上述模型中最好的模式识别方法。同时结合已知故障数据库的标签，可识别出具体的故障类型和损伤程度，给出更为准确的故障级别。
本实施例的技术方案，通过将局部放电样本信号输入至待训练的波形特征提取模型，通过待训练的波形特征提取模型对局部放电样本信号进行特征提取处理，输出波形卷积样本特征；将波形卷积样本特征输入至待训练的异常识别模型，通过待训练的异常识别模型对波形卷积样本特征进行分类处理，得到设备故障预测标签；根据设备故障预测标签和设备故障样本标签之间的差异，对待训练的波形特征提取模型和待训练的异常识别模型的模型参数进行准确地更新；其中，待训练的异常识别模型的模型参数更新方法为强化学习模型的模型参数更新方法；重新训练模型参数更新后的波形特征提取模型和异常识别模型，直到训练后的波形特征提取模型和训练后的异常识别模型满足预设的训练条件。
在另一个实施例中，如图7所示，提供了一种基于绝缘开关设备放电信号的故障检测方法，以该方法应用于图1中的计算机设备110为例进行说明，包括以下步骤：步骤S702，获取目标训练样本集；每个所述目标训练样本包括局部放电样本信号和对应的设备故障样本标签；所述局部放电样本信号包括通过局部放电模拟实验采集到的模拟局部放电信号和变电站现场采集到的实际局部放电信号中的至少一种。步骤S704，将所述局部放电样本信号输入至所述待训练的波形特征提取模型，通过所述待训练的波形特征提取模型对所述局部放电样本信号进行特征提取处理，输出波形卷积样本特征。步骤S706，将所述波形卷积样本特征输入至所述待训练的异常识别模型，通过待训练的异常识别模型对所述波形卷积样本特征进行分类处理，得到设备故障预测标签。步骤S708，根据所述设备故障预测标签和所述设备故障样本标签之间的差异，对所述待训练的波形特征提取模型和所述待训练的异常识别模型的模型参数进行更新；其中，所述待训练的异常识别模型的模型参数更新方法为强化学习模型的模型参数更新方法。步骤S710，重新训练模型参数更新后的波形特征提取模型和异常识别模型，直到训练后的波形特征提取模型和训练后的异常识别模型满足预设的训练条件，得到所述预训练的波形特征提取模型和所述预训练的异常识别模型。步骤S712，采集目标绝缘开关设备的局部放电信号；所述局部放电信号为通过设置于所述目标绝缘开关设备上的无源传感器测量得到的；所述无源传感器的供电方式包括太阳能蓄电池供电、激光供电、大电流感应取能供电、电容分压器供电、振动取能供电和微波供电中的至少一种。步骤S714，将所述局部放电信号输入至预训练的波形特征提取模型，通过预训练的波形特征提取模型对所述局部放电信号进行特征提取处理，输出波形卷积特征；其中，所述波形卷积特征的特征维度小于所述局部放电信号的特征维度；所述预训练的波形特征提取模型的网络结构为卷积神经网络。步骤S716，将所述波形卷积特征输入至预训练的异常识别模型，通过所述预训练的异常识别模型对所述波形卷积特征进行分类处理，得到针对所述目标绝缘开关设备的异常识别结果；所述预训练的异常识别模型为通过强化学习训练得到的模型。步骤S718，根据所述设备故障标签，在预设的故障数据库中查询到所述目标绝缘开关设备对应的设备故障类型和设备损伤程度。步骤S720，根据所述设备故障类型和所述设备损伤程度，确定所述目标绝缘开关设备的故障等级信息。需要说明的是，上述步骤的具体限定可以参见上文对一种基于绝缘开关设备放电信号的故障检测方法的具体限定。
为了便于本领域技术人员的理解，图8提供了一种基于绝缘开关设备放电信号的故障检测方法的框架图；其中，首先需要进行传感器设计与优化；例如，将无源传感器设于目标绝缘开关设备上。然后，计算机设备进行数据采集后预处理分类打包；其中，计算机设备可以通过局部放电模拟实验采集到模拟局部放电信号和通过变电站现场采集到实际局部放电信号，并将模拟局部放电信号和实际局部放电信号作为局部放电样本信号。然后，通过对抗神经网络对采集到的局部放电样本信号进行数据增强处理，并建立数据库以及标签分类，得到目标训练样本集。然后，计算机设备可以采用目标训练样本集对待训练的波形特征提取模型和待训练的异常识别模型进行训练，得到预训练的波形特征提取模型和预训练的异常识别模型。
如此，计算机设备可以采集目标绝缘开关设备的局部放电信号；局部放电信号为通过设置于目标绝缘开关设备上的无源传感器测量得到的；计算机设备将局部放电信号输入至预训练的波形特征提取模型，通过预训练的波形特征提取模型对局部放电信号进行特征提取处理，输出波形卷积特征；其中，波形卷积特征的特征维度小于局部放电信号的特征维度；预训练的波形特征提取模型的网络结构为卷积神经网络；计算机设备将波形卷积特征输入至预训练的异常识别模型，通过预训练的异常识别模型对波形卷积特征进行分类处理，得到针对目标绝缘开关设备的异常识别结果；预训练的异常识别模型为通过强化学习训练得到的模型；计算机设备根据异常识别结果，确定目标绝缘开关设备的故障等级信息。
应该理解的是，虽然图2、图7和图8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、图7和图8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9所示，提供了一种基于绝缘开关设备放电信号的故障检测装置，包括：采集模块910、提取模块920、分类模块930和确定模块940，其中：
采集模块910，用于采集目标绝缘开关设备的局部放电信号；所述局部放电信号为通过设置于所述目标绝缘开关设备上的无源传感器测量得到的；
提取模块920，用于将所述局部放电信号输入至预训练的波形特征提取网络，通过预训练的波形特征提取网络中的卷积层对所述局部放电信号进行特征提取处理，输出波形卷积特征；
分类模块930，用于将所述波形卷积特征输入至预训练的异常识别模型，通过所述预训练的异常识别模型对所述波形卷积特征进行分类处理，得到针对所述目标绝缘开关设备的异常识别结果；
确定模块940，用于根据所述异常识别结果，确定所述目标绝缘开关设备的故障等级信息。
在其中一个实施例中，所述无源传感器的供电方式包括太阳能蓄电池供电、激光供电、大电流感应取能供电、电容分压器供电、振动取能供电和微波供电中的至少一种。
在其中一个实施例中，所述异常识别结果包括设备故障标签，所述确定模块940，具体用于根据所述设备故障标签，在预设的故障数据库中查询到所述目标绝缘开关设备对应的设备故障类型和设备损伤程度；根据所述设备故障类型和所述设备损伤程度，确定所述目标绝缘开关设备的故障等级信息。
在其中一个实施例中，所述一种基于绝缘开关设备放电信号的故障检测装置，还包括：样本获取模块，用于获取目标训练样本集；每个所述目标训练样本包括局部放电样本信号和对应的设备故障样本标签；所述局部放电样本信号包括通过局部放电模拟实验采集到的模拟局部放电信号和变电站现场采集到的实际局部放电信号中的至少一种；训练模块，用于基于所述局部放电样本信号和对应的设备故障样本标签，对待训练的波形特征提取模型和待训练的异常识别模型进行训练；模型确定模块，用于当训练后的波形特征提取模型和训练后的异常识别模型满足预设的训练条件时，得到所述预训练的波形特征提取模型和所述预训练的异常识别模型。
在其中一个实施例中，所述样本获取模块，具体用于采集原始局部放电样本信号；每个所述原始局部放电样本信号具有对应的设备故障类型；所述设备故障类型包括尖端电晕缺陷、绝缘类放电缺陷、微粒放电缺陷和悬浮放电缺陷中的至少一种；对所述原始局部放电样本信号进行数据增强处理，得到虚拟局部放电样本信号；将所述虚拟局部放电样本信号和所述初始局部放电样本信号，作为所述局部放电样本信号。
在其中一个实施例中，所述样本获取模块，具体用于构建待训练的对抗生成网络；基于所述初始局部放电样本信号对所述待训练的对抗生成网络进行训练；当训练后的对抗生成网络满足预设的训练条件时，得到训练后的对抗生成网络；通过所述训练后的对抗生成网络，输出所述虚拟局部放电样本信号。
在其中一个实施例中，所述训练模块，具体用于将所述局部放电样本信号输入至所述待训练的波形特征提取模型，通过所述待训练的波形特征提取模型对所述局部放电样本信号进行特征提取处理，输出波形卷积样本特征；将所述波形卷积样本特征输入至所述待训练的异常识别模型，通过待训练的异常识别模型对所述波形卷积样本特征进行分类处理，得到设备故障预测标签；根据所述设备故障预测标签和所述设备故障样本标签之间的差异，对所述待训练的波形特征提取模型和所述待训练的异常识别模型的模型参数进行更新；其中，所述待训练的异常识别模型的模型参数更新方法为强化学习模型的模型参数更新方法；重新训练模型参数更新后的波形特征提取模型和异常识别模型，直到训练后的波形特征提取模型和训练后的异常识别模型满足预设的训练条件。
关于一种基于绝缘开关设备放电信号的故障检测装置的具体限定可以参见上文中对于一种基于绝缘开关设备放电信号的故障检测方法的限定，在此不再赘述。上述一种基于绝缘开关设备放电信号的故障检测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绝缘开关设备的故障检测数据。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基于绝缘开关设备放电信号的故障检测方法。
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，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述一种基于绝缘开关设备放电信号的故障检测方法的步骤。此处一种基于绝缘开关设备放电信号的故障检测方法的步骤可以是上述各个实施例的一种基于绝缘开关设备放电信号的故障检测方法中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述一种基于绝缘开关设备放电信号的故障检测方法的步骤。此处一种基于绝缘开关设备放电信号的故障检测方法的步骤可以是上述各个实施例的一种基于绝缘开关设备放电信号的故障检测方法中的步骤。
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)

1.一种基于绝缘开关设备放电信号的故障检测方法，其特征在于，包括：
采集目标绝缘开关设备的局部放电信号；所述局部放电信号为通过设置于所述目标绝缘开关设备上的无源传感器测量得到的；
将所述局部放电信号输入至预训练的波形特征提取模型，通过预训练的波形特征提取模型对所述局部放电信号进行特征提取处理，输出波形卷积特征；其中，所述波形卷积特征的特征维度小于所述局部放电信号的特征维度；所述预训练的波形特征提取模型的网络结构为卷积神经网络；
将所述波形卷积特征输入至预训练的异常识别模型，通过所述预训练的异常识别模型对所述波形卷积特征进行分类处理，得到针对所述目标绝缘开关设备的异常识别结果；所述预训练的异常识别模型为通过强化学习训练得到的模型；
根据所述异常识别结果，确定所述目标绝缘开关设备的故障等级信息。
2.根据权利要求1所述的方法，其特征在于，所述无源传感器的供电方式包括太阳能蓄电池供电、激光供电、大电流感应取能供电、电容分压器供电、振动取能供电和微波供电中的至少一种。
3.根据权利要求1所述的方法，其特征在于，所述异常识别结果包括设备故障标签，所述根据所述异常识别结果，确定所述目标绝缘开关设备的故障等级信息，包括：
根据所述设备故障标签，在预设的故障数据库中查询到所述目标绝缘开关设备对应的设备故障类型和设备损伤程度；
根据所述设备故障类型和所述设备损伤程度，确定所述目标绝缘开关设备的故障等级信息。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取目标训练样本集；每个所述目标训练样本包括局部放电样本信号和对应的设备故障样本标签；所述局部放电样本信号包括通过局部放电模拟实验采集到的模拟局部放电信号和变电站现场采集到的实际局部放电信号中的至少一种；
基于所述局部放电样本信号和对应的设备故障样本标签，对待训练的波形特征提取模型和待训练的异常识别模型进行训练；
当训练后的波形特征提取模型和训练后的异常识别模型满足预设的训练条件时，得到所述预训练的波形特征提取模型和所述预训练的异常识别模型。
5.根据权利要求4所述的方法，其特征在于，所述获取目标训练样本集，包括：
采集原始局部放电样本信号；每个所述原始局部放电样本信号具有对应的设备故障类型；所述设备故障类型包括尖端电晕缺陷、绝缘类放电缺陷、微粒放电缺陷和悬浮放电缺陷中的至少一种；
对所述原始局部放电样本信号进行数据增强处理，得到虚拟局部放电样本信号；
将所述虚拟局部放电样本信号和所述初始局部放电样本信号，作为所述局部放电样本信号。
6.根据权利要求5所述的方法，其特征在于，所述对所述原始局部放电样本信号进行数据增强处理，得到虚拟局部放电样本信号，包括：
构建待训练的对抗生成网络；
基于所述初始局部放电样本信号对所述待训练的对抗生成网络进行训练；
当训练后的对抗生成网络满足预设的训练条件时，得到训练后的对抗生成网络；
通过所述训练后的对抗生成网络，输出所述虚拟局部放电样本信号。
7.根据权利要求4所述的方法，其特征在于，所述基于所述局部放电样本信号和对应的设备故障样本标签，对待训练的波形特征提取模型和待训练的异常识别模型进行训练，包括：
将所述局部放电样本信号输入至所述待训练的波形特征提取模型，通过所述待训练的波形特征提取模型对所述局部放电样本信号进行特征提取处理，输出波形卷积样本特征；
将所述波形卷积样本特征输入至所述待训练的异常识别模型，通过待训练的异常识别模型对所述波形卷积样本特征进行分类处理，得到设备故障预测标签；
根据所述设备故障预测标签和所述设备故障样本标签之间的差异，对所述待训练的波形特征提取模型和所述待训练的异常识别模型的模型参数进行更新；其中，所述待训练的异常识别模型的模型参数更新方法为强化学习模型的模型参数更新方法；
重新训练模型参数更新后的波形特征提取模型和异常识别模型，直到训练后的波形特征提取模型和训练后的异常识别模型满足预设的训练条件。
8.一种基于绝缘开关设备放电信号的故障检测装置，其特征在于，所述装置包括：
采集模块，用于采集目标绝缘开关设备的局部放电信号；所述局部放电信号为通过设置于所述目标绝缘开关设备上的无源传感器测量得到的；
提取模块，用于将所述局部放电信号输入至预训练的波形特征提取网络，通过预训练的波形特征提取网络中的卷积层对所述局部放电信号进行特征提取处理，输出波形卷积特征；
分类模块，用于将所述波形卷积特征输入至预训练的异常识别模型，通过所述预训练的异常识别模型对所述波形卷积特征进行分类处理，得到针对所述目标绝缘开关设备的异常识别结果；
确定模块，用于根据所述异常识别结果，确定所述目标绝缘开关设备的故障等级信息。
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中任一项所述的方法的步骤。
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。
CN202111425561.2A 2021-11-26 2021-11-26 基于绝缘开关设备放电信号的故障检测方法和装置 Pending CN114254668A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111425561.2A CN114254668A (zh) 2021-11-26 2021-11-26 基于绝缘开关设备放电信号的故障检测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111425561.2A CN114254668A (zh) 2021-11-26 2021-11-26 基于绝缘开关设备放电信号的故障检测方法和装置

Publications (1)

Publication Number Publication Date
CN114254668A true CN114254668A (zh) 2022-03-29

Family

ID=80791247

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111425561.2A Pending CN114254668A (zh) 2021-11-26 2021-11-26 基于绝缘开关设备放电信号的故障检测方法和装置

Country Status (1)

Country Link
CN (1) CN114254668A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114609493A (zh) * 2022-05-09 2022-06-10 杭州兆华电子股份有限公司 一种信号数据增强的局部放电信号识别方法
CN115146084A (zh) * 2022-07-14 2022-10-04 贵州电网有限责任公司 从非结构化数据获取设备故障及维修数据的方法及装置
CN115453297A (zh) * 2022-10-10 2022-12-09 东莞市昌晖电气工程有限公司 一种变压器局部放电在线监测系统及监测方法
CN115993511A (zh) * 2023-03-22 2023-04-21 武汉纺织大学 一种局部放电类型高精度检测识别装置、方法和设备
CN116381429A (zh) * 2023-03-29 2023-07-04 上海莫克电子技术有限公司 在线局部放电检测结果的矫正方法及其系统

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114609493A (zh) * 2022-05-09 2022-06-10 杭州兆华电子股份有限公司 一种信号数据增强的局部放电信号识别方法
CN114609493B (zh) * 2022-05-09 2022-08-12 杭州兆华电子股份有限公司 一种信号数据增强的局部放电信号识别方法
CN115146084A (zh) * 2022-07-14 2022-10-04 贵州电网有限责任公司 从非结构化数据获取设备故障及维修数据的方法及装置
CN115146084B (zh) * 2022-07-14 2023-11-24 贵州电网有限责任公司 从非结构化数据获取设备故障及维修数据的方法及装置
CN115453297A (zh) * 2022-10-10 2022-12-09 东莞市昌晖电气工程有限公司 一种变压器局部放电在线监测系统及监测方法
CN115453297B (zh) * 2022-10-10 2024-01-30 东莞市昌晖电气工程有限公司 一种变压器局部放电在线监测系统及监测方法
CN115993511A (zh) * 2023-03-22 2023-04-21 武汉纺织大学 一种局部放电类型高精度检测识别装置、方法和设备
CN116381429A (zh) * 2023-03-29 2023-07-04 上海莫克电子技术有限公司 在线局部放电检测结果的矫正方法及其系统
CN116381429B (zh) * 2023-03-29 2024-03-29 上海莫克电子技术有限公司 在线局部放电检测结果的矫正方法及其系统

Similar Documents

Publication Publication Date Title
CN114254668A (zh) 基于绝缘开关设备放电信号的故障检测方法和装置
Zhou et al. A novel data-driven approach for transient stability prediction of power systems considering the operational variability
Peng et al. A convolutional neural network-based deep learning methodology for recognition of partial discharge patterns from high-voltage cables
Huang et al. Support vector machine with genetic algorithm for machinery fault diagnosis of high voltage circuit breaker
Do et al. Convolutional-neural-network-based partial discharge diagnosis for power transformer using UHF sensor
Jee Keen Raymond et al. Classification of partial discharge measured under different levels of noise contamination
Veerasamy et al. High-impedance fault detection in medium-voltage distribution network using computational intelligence-based classifiers
CN111428418A (zh) 一种轴承故障的诊断方法、装置、计算机设备和存储介质
Wu et al. Defect recognition and condition assessment of epoxy insulators in gas insulated switchgear based on multi-information fusion
Tran et al. Algorithm for estimating online bearing fault upon the ability to extract meaningful information from big data of intelligent structures
Zhu et al. Adaptive fault diagnosis of HVCBs based on P-SVDD and P-KFCM
CN108918111A (zh) 基于k-近邻贝叶斯多标签分类的断路器机械故障诊断方法
CN112241605A (zh) 声振信号构造cnn特征矩阵的断路器储能过程状态辨识方法
Jia et al. Validity evaluation of transformer DGA online monitoring data in grid edge systems
Li et al. An optimal stacking ensemble for remaining useful life estimation of systems under multi-operating conditions
Wang et al. Gas-insulated switchgear insulation defect diagnosis via a novel domain adaptive graph convolutional network
Sá et al. A multilayer perceptron-based approach for stator fault detection in permanent magnet wind generators
Fahim et al. An unsupervised protection scheme for overhead transmission line with emphasis on situations during line and source parameter variation
Nguyen et al. Spatial-temporal recurrent graph neural networks for fault diagnostics in power distribution systems
Harish et al. Fault detection and classification for wide area backup protection of power transmission lines using weighted extreme learning machine
Ogar et al. The use of artificial neural network for low latency of fault detection and localisation in transmission line
CN116400244B (zh) 储能电池的异常检测方法及装置
Raymond et al. Novel data augmentation for improved insulation fault diagnosis under nonideal condition
Omran et al. Utilizing different types of deep learning models for classification of series arc in photovoltaics systems
Wang et al. A novel domain adversarial graph convolutional network for insulation defect diagnosis in gas-insulated substations

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: 20230404

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.