CN115186772B - 一种电力设备的局部放电的检测方法、装置及设备 - Google Patents

一种电力设备的局部放电的检测方法、装置及设备 Download PDF

Info

Publication number
CN115186772B
CN115186772B CN202211106623.8A CN202211106623A CN115186772B CN 115186772 B CN115186772 B CN 115186772B CN 202211106623 A CN202211106623 A CN 202211106623A CN 115186772 B CN115186772 B CN 115186772B
Authority
CN
China
Prior art keywords
partial discharge
detected
target
power equipment
phase distribution
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
Application number
CN202211106623.8A
Other languages
English (en)
Other versions
CN115186772A (zh
Inventor
白朋
严川
张博
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.)
Cloudwise Beijing Technology Co Ltd
Original Assignee
Cloudwise Beijing Technology 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 Cloudwise Beijing Technology Co Ltd filed Critical Cloudwise Beijing Technology Co Ltd
Priority to CN202211106623.8A priority Critical patent/CN115186772B/zh
Publication of CN115186772A publication Critical patent/CN115186772A/zh
Application granted granted Critical
Publication of CN115186772B publication Critical patent/CN115186772B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明公开了一种电力设备的局部放电的检测方法、装置及设备，其中方法包括：获取电力设备的待检测局部放电相位分布数据；对所述待检测局部放电相位分布数据进行特征提取，获取待测特征样本集合；根据所述待测特征样本集合和电力设备历史正常状态的局放特征样本集合，得到目标数据集合；对所述目标数据集合进行降维处理，得到目标维度时序样本；对所述目标维度时序样本中的目标待检测局部放电相位分布数据进行异常检测，得到检测结果；根据所述检测结果，进行所述电力设备的局部放电的异常模式识别，得到识别结果。本发明的方案可以实现实时地进行局部放电相位分布数据的异常检测和模式识别。

Description

一种电力设备的局部放电的检测方法、装置及设备
技术领域
本发明涉及电力设备局放检测技术领域，特别是指一种电力设备的局部放电的检测方法、装置及设备。
背景技术
电力设备的绝缘在强电场作用下局部范围内发生的放电称为局部放电(partialdischarges)，绝缘中的某些薄弱部位在高电场作用下发生局部放电是普遍存在的问题，在一定条件下会导致绝缘劣化甚至击穿，最终将导致设备的绝缘寿命降低，并直接影响设备在长期工作电压作用下的安全可靠运行。
目前局放类型基本可以归纳如下几类：内部气隙放电、沿面放电、尖端放电、悬浮放电以及颗粒放电五种类型。由于不同的类型的局放产生的机理不一样，从而导致其产生的危害行也不一样。因此准确识别设备是否存在局放，并且属于具体哪一种放电类型是一件非常重要的事情。
目前传统的局放检测方法主要有超声波法、高频、特高频法和暂态地电波法，主要是基于传感器采集到的单一特征通过简单规则匹配进行局放类型识别，存在识别精度不高，误判等问题。因此一些基于机器学习的算法被用到局放识别中来，以及近些年来一些基于神经网络的深度学习算法。但这些算法都需要大量的确定的局放故障类型标签去进行模型训练，并且算法都基本只识别发生故障后的局放数据，而不能进行是否存在异常放电进行识别。同时由于电力设备故障现状，即故障发生较少（故障发生会导致较大的经济损失），因此对应的故障数据类别存在严重不平衡。直接采用机器学习、深度学习等算法进行局放类型识别，精度上也会存在严重的有挑战。
发明内容
本发明要解决的技术问题是提供一种电力设备的局部放电的检测方法、装置及设备，能在收集正常局部放电相位分布PRPD（Phase Resolved Partial Discharge）数据和少量局放故障类型PRPD数据的前提下，进行实时的PRPD局放是否异常以及具体局放类型的检测。
为解决上述技术问题，本发明的技术方案如下：
一种电力设备的局部放电的检测方法，包括：
获取电力设备的待检测局部放电相位分布数据；
对所述待检测局部放电相位分布数据进行特征提取，获取待测特征样本集合；
根据所述待测特征样本集合和电力设备历史正常状态的局放特征样本集合，得到目标数据集合；
对所述目标数据集合进行降维处理，得到目标维度时序样本；
对所述目标维度时序样本中的目标待检测局部放电相位分布数据进行异常检测，得到检测结果；
根据所述检测结果，进行所述电力设备的局部放电的异常模式识别，得到识别结果。
可选的，对所述待检测局部放电相位分布数据进行特征提取，获取待测特征样本集合，包括：
对所述待检测局部放电相位分布数据进行等效时宽和等效时频、正负相位上的均值、局放正负相位的区别、正负相位的初始相位的区别、正负电压周期上的脉冲分布的区别、正负电压周期上放电模式的区别、图谱数据峰的数量中的至少一项特征提取，获取待测特征样本集合。
可选的，根据所述待测特征样本集合和电力设备历史正常状态的局放特征样本集合，得到目标数据集合，包括：
将所述待测特征样本集合和电力设备历史正常状态的局放特征样本集合进行拼接，得到目标数据集合，所述目标数据集合表示为：
Figure 100002_DEST_PATH_IMAGE001
；
其中，
Figure 100002_DEST_PATH_IMAGE002
为目标数据集合，N为
Figure 362622DEST_PATH_IMAGE002
的总行数，T为
Figure 380256DEST_PATH_IMAGE002
的总列数，
Figure 100002_DEST_PATH_IMAGE003
表示实数域；
Figure 100002_DEST_PATH_IMAGE004
为电力设备历史正常状态的局放特征样本集合；
Figure 100002_DEST_PATH_IMAGE005
所述待测特征样本集合。
可选的，
对所述目标数据集合进行降维处理，得到目标维度时序样本，包括：
将
Figure 980215DEST_PATH_IMAGE002
从N维单位球面上生成均匀分布M条向量，按列排布，组成投影方向矩阵
Figure 100002_DEST_PATH_IMAGE006
，投影后的数据为：
Figure 100002_DEST_PATH_IMAGE007
，降维后Y所含的一特征列记为一元时序
Figure 100002_DEST_PATH_IMAGE008
。
可选的，对所述目标维度时序样本中的目标待检测局部放电相位分布数据进行异常检测，得到检测结果，包括：
获取预设滑动窗内的待检测局部放电相位分布数据的均值和标准差；
根据所述均值和标准差，确定正常域；
将所述目标维度时序样本的目标待检测局部放电相位分布数据与所述正常域比较，若超出所述正常域，确定所述待检测局部放电相位分布数据为异常数据，否则，确定电力设备无局放产生。
可选的，根据所述检测结果，进行所述电力设备的局部放电的异常模式识别，得到识别结果，包括：
根据所述电力设备的历史故障状态的局放特征样本集合，确定各类故障类型的聚类中心；
根据所述检测结果，将确定为异常的所述待检测局部放电相位分布数据分别到多个聚类中心点的距离，若多个距离中的一最小目标距离小于一预设阈值，输出识别结果，所述识别结果为所述待检测局部放电相位分布数据的放电类型为所述目标最小距离对应的目标聚类对应的放电类型，否则，确定所述待检测局部放电相位分布数据为噪声干扰。
可选的，根据所述电力设备的历史故障状态的局放特征样本集合，确定各类故障类型的聚类中心，包括：
基于所述电力设备的历史故障状态的局放特征样本集合
Figure 100002_DEST_PATH_IMAGE009
，获取各类故障特征样本集合
Figure 100002_DEST_PATH_IMAGE010
，表示一类故障标签对应样本，h表示故障标签；
基于预设高维密度估计算法，获取样本集合X的中心
Figure 100002_DEST_PATH_IMAGE011
，其中，h=1，2，3，…，n；
Figure 100002_DEST_PATH_IMAGE012
分别为构造的各个特征。
本发明的实施例还提供一种电力设备的局部放电的检测装置，包括：
获取模块，用于获取电力设备的待检测局部放电相位分布数据；
处理模块，用于对所述待检测局部放电相位分布数据进行特征提取，获取待测特征样本集合；根据所述待测特征样本集合和电力设备历史正常状态的局放特征样本集合，得到目标数据集合；对所述目标数据集合进行降维处理，得到目标维度时序样本；对所述目标维度时序样本中的目标待检测局部放电相位分布数据进行异常检测，得到检测结果；根据所述检测结果，进行所述电力设备的局部放电的异常模式识别，得到识别结果。
本发明的实施例还提供一种计算设备，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如上所述的方法。
本发明的实施例还提供一种计算机可读存储介质，存储指令，当所述指令在计算机上运行时，使得计算机执行如上所述的方法。
本发明的上述方案至少包括以下有益效果：
本发明的上述方案，通过获取电力设备的待检测局部放电相位分布数据；对所述待检测局部放电相位分布数据进行特征提取，获取待测特征样本集合；根据所述待测特征样本集合和电力设备历史正常状态的局放特征样本集合，得到目标数据集合；对所述目标数据集合进行降维处理，得到目标维度时序样本；对所述目标维度时序样本中的目标待检测局部放电相位分布数据进行异常检测，得到检测结果；根据所述检测结果，进行所述电力设备的局部放电的异常模式识别，得到识别结果；实现了在收集电力设备正常局部放电相位分布数据PRPD和少量局放故障类型PRPD图谱数据的前提下，可以据此进行实时的PRPD局放是否异常以及具体局放类型检测，能更加准确识别局放是否异常，从而决定是否进行局放类型识别，能在实际生产中提高效率，减少资源消耗。
附图说明
图1为本发明实施例提供的电力设备的局部放电的检测方法流程图；
图2为本发明实施例电力设备的局部放电的检测方法中，局部放电相位分布数据PRPD的一种类型图谱数据示意图；
图3为本发明实施例电力设备的局部放电的检测方法中，局部放电相位分布数据PRPD的另一种类型图谱数据示意图；
图4为本发明实施例电力设备的局部放电的检测方法中，局部放电相位分布数据PRPD的又一种类型图谱数据示意图；
图5为本发明实施例提供的电力设备的局部放电的检测方法的一具体实现流程图；
图6为本发明实施例提供的电力设备的局部放电的检测装置的模块示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示，本发明的实施例提供一种电力设备的局部放电的检测方法，包括：
步骤11，获取电力设备的待检测局部放电相位分布数据；
步骤12，对所述待检测局部放电相位分布数据进行特征提取，获取待测特征样本集合；
步骤13，根据所述待测特征样本集合和电力设备历史正常状态的局放特征样本集合，得到目标数据集合；
步骤14，对所述目标数据集合进行降维处理，得到目标维度时序样本；这里，目标维度小于目标数据集合的原始维度；
步骤15，对所述目标维度时序样本中的目标待检测局部放电相位分布数据进行异常检测，得到检测结果；
步骤16，根据所述检测结果，进行所述电力设备的局部放电的异常模式识别，得到识别结果。
本发明的该实施例，通过获取电力设备的待检测局部放电相位分布数据；对所述待检测局部放电相位分布数据进行特征提取，获取待测特征样本集合；根据所述待测特征样本集合和电力设备历史正常状态的局放特征样本集合，得到目标数据集合；对所述目标数据集合进行降维处理，得到目标维度时序样本；对所述目标维度时序样本中的目标待检测局部放电相位分布数据进行异常检测，得到检测结果；根据所述检测结果，进行所述电力设备的局部放电的异常模式识别，得到识别结果，实现了在收集电力设备正常局部放电相位分布数据PRPD和少量局放故障类型PRPD图谱数据的前提下，可以据此进行实时的PRPD局放是否异常以及具体局放类型检测，能更加准确识别局放是否异常，从而决定是否进行局放类型识别，能在实际生产中提高效率，减少资源消耗。
本发明的一可选的实施例中，步骤12可以包括：
步骤121，对所述待检测局部放电相位分布数据进行等效时宽和等效时频、正负相位上的均值、局放正负相位的区别、正负相位的初始相位的区别、正负电压周期上的脉冲分布的区别、正负电压周期上放电模式的区别、图谱数据峰的数量以下至少一项特征提取，获取待测特征样本集合。
这里，1）等效时宽ET和等效时频EF分别为：
Figure 100002_DEST_PATH_IMAGE013
；
Figure DEST_PATH_IMAGE014
；
其中，
Figure DEST_PATH_IMAGE015
；
Figure DEST_PATH_IMAGE016
；
Figure DEST_PATH_IMAGE017
为图谱序列中第i点对应的时间，
Figure DEST_PATH_IMAGE018
为第i点对应的信号幅值，
Figure DEST_PATH_IMAGE019
为s(i)频域信号第i点对应的频率，
Figure DEST_PATH_IMAGE020
为频域信号第i电对应的幅值。
2）正负相位上的均值为：
Figure DEST_PATH_IMAGE021
，
方差
Figure DEST_PATH_IMAGE022
，
偏度
Figure DEST_PATH_IMAGE023
，
峰度
Figure DEST_PATH_IMAGE024
；
其中，
Figure DEST_PATH_IMAGE025
为第i个相位，
Figure DEST_PATH_IMAGE026
为第i个相位的放电幅值或放电数量，N为相位划分个数。
4）局放正负相位的区别为
Figure DEST_PATH_IMAGE027
，其中
Figure DEST_PATH_IMAGE028
和
Figure DEST_PATH_IMAGE029
分别为正负放电周期上平均脉冲高度分布的放电总量，
Figure DEST_PATH_IMAGE030
和
Figure DEST_PATH_IMAGE031
分别为正负放电周期上平均脉冲高度的放电次数。
5）正负相位的初始相位的区别为
Figure DEST_PATH_IMAGE032
，
Figure DEST_PATH_IMAGE033
和
Figure DEST_PATH_IMAGE034
是正负放电周期上平均脉冲高度的初始相位，以上+和-仅指正负电压的正负半周。
6）正负电压周期上的脉冲分布的区别为：
Figure DEST_PATH_IMAGE035
，
其中，x为正负电压周期上在相窗i上的平均放电大小，N为每半个周期上的相窗数量，若cc=1表示完全相同；cc=0表示完全不同。
7）计算正负电压周期上放电模式的区别
Figure DEST_PATH_IMAGE036
。
8）图谱数据峰的数量Peaks。
本发明的一可选的实施例中，步骤13可以包括：
将所述待测特征样本集合和电力设备历史正常状态的局放特征样本集合进行拼接，得到目标数据集合，所述目标数据集合表示为：
Figure 293253DEST_PATH_IMAGE001
；
其中，
Figure 928372DEST_PATH_IMAGE002
为目标数据集合，N为
Figure 800513DEST_PATH_IMAGE002
的总行数，T为
Figure 997139DEST_PATH_IMAGE002
的总列数，
Figure 689152DEST_PATH_IMAGE003
表示实数域；
Figure 629426DEST_PATH_IMAGE004
为电力设备历史正常状态的局放特征样本集合；
Figure 586100DEST_PATH_IMAGE005
所述待测特征样本集合。
设备正常状态下的局放特征样本集合
Figure DEST_PATH_IMAGE037
，对局部放电相位分布数据通过上述特征提取处理得到。
本发明的一可选的实施例中，步骤14可以包括：
步骤141，将
Figure 156889DEST_PATH_IMAGE002
从N维单位球面上生成均匀分布M条向量，按列排布，组成投影方向矩阵
Figure 303575DEST_PATH_IMAGE006
；投影后的数据为：
Figure 781960DEST_PATH_IMAGE007
，降维后Y所含的任一特征列记为一元时序
Figure 363115DEST_PATH_IMAGE008
。
本发明的一可选的实施例中，步骤15可以包括：
步骤151，获取预设滑动窗内的待检测局部放电相位分布数据的均值和标准差；
步骤152，根据所述均值和标准差，确定正常域；
步骤153，将所述目标维度时序样本的目标待检测局部放电相位分布数据与所述正常域比较，若超出所述正常域，确定所述待检测局部放电相位分布数据为异常数据，否则，确定电力设备无局放产生。
这里，步骤151中，预设滑动窗的窗宽为h则：
Figure DEST_PATH_IMAGE038
，表示第t个时间点，
Figure DEST_PATH_IMAGE039
表示选取的时间窗h的第i个点；
Figure DEST_PATH_IMAGE040
，
Figure DEST_PATH_IMAGE041
；
Figure DEST_PATH_IMAGE042
；表示滑动窗宽h里的样本；
Figure DEST_PATH_IMAGE043
表示滑动窗宽h里的样本加权平均值；
Figure DEST_PATH_IMAGE044
表示滑动窗宽h里的样本加权标准差；
其中，
Figure DEST_PATH_IMAGE045
为指数平均的参数，正常域由加权均值上下数倍（默认5）标准差得到，异常点的显著性水平由超出正常域除以标准差得到，即：
Figure DEST_PATH_IMAGE046
。
其中，upperbound表示正常域上界，lowerbound表示正常域下界。
本发明的一可选的实施例中，步骤16，可以包括：
步骤161，根据所述电力设备的历史故障状态的局放特征样本集合，确定各类故障类型的聚类中心；
具体的，基于所述电力设备的历史故障状态的局放特征样本集合
Figure DEST_PATH_IMAGE047
，获取各类故障特征样本集合
Figure 75112DEST_PATH_IMAGE010
，表示一类故障标签对应样本，h表示故障标签；
基于预设高维密度估计算法，获取样本集合X的中心
Figure 526339DEST_PATH_IMAGE011
，其中，h=1，2，3，…，n；
Figure 542836DEST_PATH_IMAGE012
分别为构造的各个特征；
步骤162，根据所述检测结果，将确定为异常的所述待检测局部放电相位分布数据分别到多个聚类中心点的距离，若多个距离中的一最小目标距离小于一预设阈值，输出识别结果，所述识别结果为所述待检测局部放电相位分布数据的放电类型为所述目标最小距离对应的目标聚类对应的放电类型，否则，确定所述待检测局部放电相位分布数据为噪声干扰。
该实施例中，各聚类中心具体通过以下过程确定：
步骤1、收集目标电力设备历史的PRPD局部放电相位分布数据，其中包括设备正常历史PRPD图谱数据
Figure DEST_PATH_IMAGE048
以及各种局放故障类型及标签数据
Figure DEST_PATH_IMAGE049
。
步骤2、分别对正常和故障PRPD图谱数据进行特征提取，方式如下：
(1)、将PRPD图谱数据分解为以下三种图谱数据：
(a)最大局放幅值vs相位角，简写为
Figure DEST_PATH_IMAGE050
，如图2所示；
(b)平均局放幅值vs相位角，简写为
Figure DEST_PATH_IMAGE051
，如图3所示；
(c)放电数量vs相位角，简写为
Figure DEST_PATH_IMAGE052
，如图4所示；
在得到
Figure 431027DEST_PATH_IMAGE050
、
Figure 907401DEST_PATH_IMAGE051
、
Figure 795723DEST_PATH_IMAGE052
图谱数据后，分别对每个图谱数据构造如下特征指标：
(2)、等效时宽ET和等效时频EF分别为：
Figure DEST_PATH_IMAGE053
；
Figure DEST_PATH_IMAGE054
；
其中，
Figure DEST_PATH_IMAGE055
；
Figure DEST_PATH_IMAGE056
；
Figure 661916DEST_PATH_IMAGE017
为图谱序列中第i点对应的时间，
Figure 952083DEST_PATH_IMAGE018
为第i点对应的信号幅值，
Figure 832315DEST_PATH_IMAGE019
为s(i)频域信号第i点对应的频率，
Figure 703538DEST_PATH_IMAGE020
为频域信号第i电对应的幅值。
(3)、计算各图谱数据在正负相位上的均值
Figure 796259DEST_PATH_IMAGE021
，
方差
Figure 472091DEST_PATH_IMAGE022
，
偏度
Figure 523223DEST_PATH_IMAGE023
，
峰度
Figure 150251DEST_PATH_IMAGE024
；
其中，
Figure 577822DEST_PATH_IMAGE025
为第i个相位，
Figure 577002DEST_PATH_IMAGE026
为第i个相位的放电幅值或放电数量，N为相位划分个数。
(4)、计算局放正负相位的区别
Figure 64615DEST_PATH_IMAGE027
，其中
Figure 149246DEST_PATH_IMAGE028
和
Figure 616392DEST_PATH_IMAGE029
分别为正负放电周期上平均脉冲高度分布的放电总量，
Figure 1237DEST_PATH_IMAGE030
和
Figure 394173DEST_PATH_IMAGE031
分别为正负放电周期上平均脉冲高度的放电次数。
(5)、计算正负相位的初始相位的区别
Figure 231679DEST_PATH_IMAGE032
，
Figure 499587DEST_PATH_IMAGE033
和
Figure 4517DEST_PATH_IMAGE034
是正负放电周期上平均脉冲高度的初始相位，以上+和-仅指正负电压的正负半周。
(6)、计算正负电压周期上的脉冲分布的区别
Figure DEST_PATH_IMAGE057
，
其中，x为正负电压周期上在相窗i上的平均放电大小，N为每半个周期上的相窗数量，若cc=1表示完全相同；cc=0表示完全不同。
(7)、计算正负电压周期上放电模式的区别
Figure 240458DEST_PATH_IMAGE036
。
(8)、图谱数据峰的数量Peaks。
在经过上述特征提取后，得到设备正常状态下的局放特征时间序列集合
Figure 830839DEST_PATH_IMAGE037
和故障状态下的带标签的局放特征集合
Figure 633929DEST_PATH_IMAGE047
。
步骤3、对故障特征集合
Figure 337574DEST_PATH_IMAGE047
中的每种放电类型的数据进行密度估计，并取密度最大值点对应的各特征的值作为对应故障的聚类中心
Figure DEST_PATH_IMAGE058
，n为计算的样本特征个数。
具体方法如下：
记对各类别故障数据集
Figure DEST_PATH_IMAGE059
，h表示一类故障类型对应标签，则X的密度估计表示为：
Figure DEST_PATH_IMAGE060
；
其中，K为对称核函数，且
Figure DEST_PATH_IMAGE061
，
Figure DEST_PATH_IMAGE062
，对角阵
Figure DEST_PATH_IMAGE063
；
进一步，可得：
Figure DEST_PATH_IMAGE064
；
然后分别对每一个h，可得其样本中心：
Figure DEST_PATH_IMAGE065
。
这里，计算样本
Figure DEST_PATH_IMAGE066
到各故障标签对应的聚类中心点：
Figure DEST_PATH_IMAGE067
的距离，
即：
Figure DEST_PATH_IMAGE068
，选取使得
Figure DEST_PATH_IMAGE069
最大的h，即对应的局放类型。
这里若
Figure 885361DEST_PATH_IMAGE069
>thr，则输出
Figure DEST_PATH_IMAGE070
对应的放电类型为h故障标签对应的放电类型，并输出告警，否则输出
Figure 130748DEST_PATH_IMAGE070
为噪声干扰，不存在局部放电，例如距离最小0.5，thr小于0.5，如果当前目标距离小于thr，则认为是噪声。
这里thr为阈值，需要人工进行干预，若想要告警更灵敏，只需将其设置较小一点，反之则设置更大一点。
如图5所示，为本发明的上述实施例的具体实现过程：
1）获取待测PRPD数据、历史正常PRPD数据和故障PRPD局放标签数据；
2）对待测PRPD数据进行特征提取，得到待测PRPD样本特征集合
Figure 507503DEST_PATH_IMAGE066
，对正常PRPD数据进行特征提取，得到
Figure DEST_PATH_IMAGE071
，对故障PRPD局放标签数据进行特征提取，得到
Figure 659129DEST_PATH_IMAGE047
；
3）将
Figure 63304DEST_PATH_IMAGE066
与
Figure 362698DEST_PATH_IMAGE071
拼接后得到目标数据集合，对目标数据集合进行降维处理，得到目标维度时序样本；这里，目标维度小于目标数据集合的原始维度；；
4）对目标维度时序样本中的数据进行异常检测；
5）若检测结果为异常，求
Figure 11985DEST_PATH_IMAGE066
与各聚类中心的距离；这里，聚类中心是根据
Figure 80435DEST_PATH_IMAGE047
，通过密度估计求得；
6）进一步地，若多个距离中的目标距离大于一预设阈值thr，确定待测PRPD数据为该目标距离对应的聚类对应的局放类型，否则，确定待测PRPD数据为噪声，无局放发生。
本发明的上述实施例所述的方法，能在收集设备正常局部放电相位分布PRPD数据和少量局放故障类型PRPD图谱数据的前提下，进行实时的PRPD局放是否异常以及具体局放类型识别，通过密度估计寻求各类局放类型数据特征中心，相比于传统的聚类算法，更能适应样本分布，使得聚类中心更准确。同时基于多维度异常检测算法，能更加准确识别局放是否异常从而决定是否进行局放类型识别，能在实际生产中提高效率，减少资源消耗。
如图6所示，本发明的实施例还提供一种电力设备的局部放电的检测装置60，包括：
获取模块61，用于获取电力设备的待检测局部放电相位分布数据；
处理模块62，用于对所述待检测局部放电相位分布数据进行特征提取，获取待测特征样本集合；根据所述待测特征样本集合和电力设备历史正常状态的局放特征样本集合，得到目标数据集合；对所述目标数据集合进行降维处理，得到目标维度时序样本；对所述目标维度时序样本中的目标待检测局部放电相位分布数据进行异常检测，得到检测结果；根据所述检测结果，进行所述电力设备的局部放电的异常模式识别，得到识别结果。
可选的，对所述待检测局部放电相位分布数据进行特征提取，获取待测特征样本集合，包括：
对所述待检测局部放电相位分布数据进行以下至少一项特征提取：等效时宽和等效时频、正负相位上的均值、局放正负相位的区别、正负相位的初始相位的区别、正负电压周期上的脉冲分布的区别、正负电压周期上放电模式的区别、图谱数据峰的数量，获取待测特征样本集合。
可选的，根据所述待测特征样本集合和电力设备历史正常状态的局放特征样本集合，得到目标数据集合，包括：
将所述待测特征样本集合和电力设备历史正常状态的局放特征样本集合进行拼接，得到目标数据集合，所述目标数据集合表示为：
Figure 924020DEST_PATH_IMAGE001
；
其中，
Figure 445131DEST_PATH_IMAGE002
为目标数据集合，N为
Figure 898109DEST_PATH_IMAGE002
的总行数，T为
Figure 821066DEST_PATH_IMAGE002
的总列数，
Figure 334087DEST_PATH_IMAGE003
表示实数域；
Figure 106608DEST_PATH_IMAGE004
为电力设备历史正常状态的局放特征样本集合；
Figure 97698DEST_PATH_IMAGE005
所述待测特征样本集合。
可选的，对所述目标数据集合进行降维处理，得到目标维度时序样本，包括：
将
Figure 140740DEST_PATH_IMAGE002
从N维单位球面上生成均匀分布M条向量，按列排布，组成投影方向矩阵
Figure 824663DEST_PATH_IMAGE006
，投影后的数据为：
Figure 54787DEST_PATH_IMAGE007
，降维后Y所含的一特征列记为一元时序
Figure 634190DEST_PATH_IMAGE008
。
可选的，对所述目标维度时序样本中的目标待检测局部放电相位分布数据进行异常检测，得到检测结果，包括：
获取预设滑动窗内的待检测局部放电相位分布数据的均值和标准差；
根据所述均值和标准差，确定正常域；
将所述目标维度时序样本的目标待检测局部放电相位分布数据与所述正常域比较，若超出所述正常域，确定所述待检测局部放电相位分布数据为异常数据，否则，确定电力设备无局放产生。
可选的，根据所述检测结果，进行所述电力设备的局部放电的异常模式识别，得到识别结果，包括：
根据所述电力设备的历史故障状态的局放特征样本集合，确定各类故障类型的聚类中心；
根据所述检测结果，将确定为异常的所述待检测局部放电相位分布数据分别到多个聚类中心点的距离，若多个距离中的一最小目标距离小于一预设阈值，输出识别结果，所述识别结果为所述待检测局部放电相位分布数据的放电类型为所述目标最小距离对应的目标聚类对应的放电类型，否则，确定所述待检测局部放电相位分布数据为噪声干扰。
可选的，根据所述电力设备的历史故障状态的局放特征样本集合，确定各类故障类型的聚类中心，包括：
基于所述电力设备的历史故障状态的局放特征样本集合
Figure 266159DEST_PATH_IMAGE009
，获取各类故障特征样本集合
Figure 120983DEST_PATH_IMAGE010
，表示一类故障标签对应样本，h表示故障标签；
基于预设高维密度估计算法，获取样本集合X的中心
Figure 103982DEST_PATH_IMAGE011
，其中，h=1，2，3，…，n；
Figure 200989DEST_PATH_IMAGE012
分别为构造的各个特征。
需要说明的是，该实施例是与上述方法实施例对应的装置实施例，上述方法实施例中的所有实现方式均适用于该装置的实施例中，也能达到相同的技术效果。
本实施例还提供一种计算设备，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如上所述的方法。
本实施例还提供一种计算机可读存储介质，其存储指令，当所述指令在计算机上运行时，使得计算机执行如上所述的方法。
该计算设备可以包括：处理器(processor)、通信接口(CommunicationsInterface)、存储器(memory)、以及通信总线。
其中：处理器、通信接口、以及存储器通过通信总线完成相互间的通信。通信接口，用于与其它设备比如客户端或其它服务器等的网元通信。处理器，用于执行程序，具体可以执行上述实施例中的相关步骤。
具体地，程序可以包括程序代码，该程序代码包括计算机操作指令。
处理器可能是中央处理器CPU，或者是特定集成电路ASIC（Application SpecificIntegrated Circuit），或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器，用于存放程序。存储器可能包含高速RAM存储器，也可能还包括非易失性存储器（non-volatile memory），例如至少一个磁盘存储器。
程序具体可以用于使得处理器执行上述任意方法实施例中的方法。程序中各步骤的具体实现可以参见上述实施例中的相应步骤和单元中对应的描述，在此不赘述。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程描述，在此不再赘述。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明实施例的内容，并且上面对特定语言所做的描述是为了披露本发明实施例的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明实施例并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书（包括伴随的权利要求、摘要和附图）中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书（包括伴随的权利要求、摘要和附图）中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器（DSP）来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者系统程序（例如，计算机程序和计算机程序产品）。这样的实现本发明实施例的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明实施例进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干系统的单元权利要求中，这些系统中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。

Claims (9)

1.一种电力设备的局部放电的检测方法，其特征在于，包括：
获取电力设备的待检测局部放电相位分布数据；
对所述待检测局部放电相位分布数据进行特征提取，获取待测特征样本集合；
根据所述待测特征样本集合和电力设备历史正常状态的局放特征样本集合，得到目标数据集合；
对所述目标数据集合进行降维处理，得到目标维度时序样本；
对所述目标维度时序样本中的目标待检测局部放电相位分布数据进行异常检测，得到检测结果；
根据所述检测结果，进行所述电力设备的局部放电的异常模式识别，得到识别结果；
其中，根据所述待测特征样本集合和电力设备历史正常状态的局放特征样本集合，得到目标数据集合，包括：
将所述待测特征样本集合和电力设备历史正常状态的局放特征样本集合进行拼接，得到目标数据集合，所述目标数据集合表示为：
Figure DEST_PATH_IMAGE001
；
其中，
Figure DEST_PATH_IMAGE002
为目标数据集合，N为
Figure 549664DEST_PATH_IMAGE002
的总行数，T为
Figure 732383DEST_PATH_IMAGE002
的总列数，
Figure DEST_PATH_IMAGE003
表示实数域；
Figure DEST_PATH_IMAGE004
为电力设备历史正常状态的局放特征样本集合；
Figure DEST_PATH_IMAGE005
所述待测特征样本集合。
2.根据权利要求1所述的电力设备的局部放电的检测方法，其特征在于，对所述待检测局部放电相位分布数据进行特征提取，获取待测特征样本集合，包括：
对所述待检测局部放电相位分布数据进行等效时宽和等效时频、正负相位上的均值、局放正负相位的区别、正负相位的初始相位的区别、正负电压周期上的脉冲分布的区别、正负电压周期上放电模式的区别、图谱数据峰的数量中的至少一项特征提取，获取待测特征样本集合。
3.根据权利要求1所述的电力设备的局部放电的检测方法，其特征在于，对所述目标数据集合进行降维处理，得到目标维度时序样本，包括：
将
Figure 653066DEST_PATH_IMAGE002
从N维单位球面上生成均匀分布M条向量，按列排布，组成投影方向矩阵
Figure DEST_PATH_IMAGE006
，投影后的数据为：
Figure DEST_PATH_IMAGE007
，降维后
Figure DEST_PATH_IMAGE008
所含的任一特征列记为一元时序
Figure DEST_PATH_IMAGE009
。
4.根据权利要求3所述的电力设备的局部放电的检测方法，其特征在于，对所述目标维度时序样本中的目标待检测局部放电相位分布数据进行异常检测，得到检测结果，包括：
获取预设滑动窗内的待检测局部放电相位分布数据的均值和标准差；
根据所述均值和标准差，确定正常域；
将所述目标维度时序样本的目标待检测局部放电相位分布数据与所述正常域比较，若超出所述正常域，确定所述待检测局部放电相位分布数据为异常数据，否则，确定电力设备无局放产生。
5.根据权利要求1或4所述的电力设备的局部放电的检测方法，其特征在于，根据所述检测结果，进行所述电力设备的局部放电的异常模式识别，得到识别结果，包括：
根据所述电力设备的历史故障状态的局放特征样本集合，确定各类故障类型的聚类中心；
根据所述检测结果，获取确定为异常的所述待检测局部放电相位分布数据分别到多个聚类中心点的距离；
若多个距离中的一最小目标距离小于一预设阈值，输出识别结果，所述识别结果为所述待检测局部放电相位分布数据的放电类型，所述放电类型为所述最小目标距离对应的目标聚类对应的放电类型，否则，确定所述待检测局部放电相位分布数据为噪声干扰。
6.根据权利要求5所述的电力设备的局部放电的检测方法，其特征在于，根据所述电力设备的历史故障状态的局放特征样本集合，确定各类故障类型的聚类中心，包括：
基于所述电力设备的历史故障状态的局放特征样本集合
Figure DEST_PATH_IMAGE010
，获取各类故障特征样本集合
Figure DEST_PATH_IMAGE011
，h表示故障标签；
基于预设高维密度估计算法，获取故障特征样本集合X的中心
Figure DEST_PATH_IMAGE012
，其中，h=1，2，3，…，n；
Figure DEST_PATH_IMAGE013
分别为构造的各个特征。
7.一种电力设备的局部放电的检测装置，其特征在于，包括：
获取模块，用于获取电力设备的待检测局部放电相位分布数据；
处理模块，用于对所述待检测局部放电相位分布数据进行特征提取，获取待测特征样本集合；根据所述待测特征样本集合和电力设备历史正常状态的局放特征样本集合，得到目标数据集合；对所述目标数据集合进行降维处理，得到目标维度时序样本；对所述目标维度时序样本中的目标待检测局部放电相位分布数据进行异常检测，得到检测结果；根据所述检测结果，进行所述电力设备的局部放电的异常模式识别，得到识别结果；
其中，根据所述待测特征样本集合和电力设备历史正常状态的局放特征样本集合，得到目标数据集合，包括：
将所述待测特征样本集合和电力设备历史正常状态的局放特征样本集合进行拼接，得到目标数据集合，所述目标数据集合表示为：
Figure 799008DEST_PATH_IMAGE001
；
其中，
Figure 878959DEST_PATH_IMAGE002
为目标数据集合，N为
Figure 116735DEST_PATH_IMAGE002
的总行数，T为
Figure 914927DEST_PATH_IMAGE002
的总列数，
Figure 254773DEST_PATH_IMAGE003
表示实数域；
Figure 454810DEST_PATH_IMAGE004
为电力设备历史正常状态的局放特征样本集合；
Figure 713753DEST_PATH_IMAGE005
所述待测特征样本集合。
8.一种计算设备，其特征在于，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如权利要求1至6任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，存储指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1至6任一项所述的方法。
CN202211106623.8A 2022-09-13 2022-09-13 一种电力设备的局部放电的检测方法、装置及设备 Active CN115186772B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211106623.8A CN115186772B (zh) 2022-09-13 2022-09-13 一种电力设备的局部放电的检测方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211106623.8A CN115186772B (zh) 2022-09-13 2022-09-13 一种电力设备的局部放电的检测方法、装置及设备

Publications (2)

Publication Number Publication Date
CN115186772A CN115186772A (zh) 2022-10-14
CN115186772B true CN115186772B (zh) 2023-02-07

Family

ID=83524226

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211106623.8A Active CN115186772B (zh) 2022-09-13 2022-09-13 一种电力设备的局部放电的检测方法、装置及设备

Country Status (1)

Country Link
CN (1) CN115186772B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024114948A1 (en) * 2022-12-02 2024-06-06 Eaton Intelligent Power Limited Method and system to classify partial discharge severity

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015070513A1 (zh) * 2013-11-14 2015-05-21 国家电网公司 一种三相共筒式超高压gis局部放电的模式识别方法
CN108334898A (zh) * 2018-01-23 2018-07-27 华中科技大学 一种多模态工业过程模态辨识与故障分类方法
CN108957251A (zh) * 2018-05-18 2018-12-07 深圳供电局有限公司 一种电缆接头局部放电模式识别方法
CN110703057A (zh) * 2019-11-04 2020-01-17 国网山东省电力公司电力科学研究院 基于数据增强和神经网络的电力设备局部放电诊断方法
CN111178456A (zh) * 2020-01-15 2020-05-19 腾讯科技（深圳）有限公司 异常指标检测方法、装置、计算机设备和存储介质
CN112070104A (zh) * 2020-07-10 2020-12-11 国网浙江平阳县供电有限责任公司 主变压器局部放电识别方法
CN114325256A (zh) * 2021-11-25 2022-04-12 中国电力科学研究院有限公司 一种电力设备局部放电识别方法、系统、设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015070513A1 (zh) * 2013-11-14 2015-05-21 国家电网公司 一种三相共筒式超高压gis局部放电的模式识别方法
CN108334898A (zh) * 2018-01-23 2018-07-27 华中科技大学 一种多模态工业过程模态辨识与故障分类方法
CN108957251A (zh) * 2018-05-18 2018-12-07 深圳供电局有限公司 一种电缆接头局部放电模式识别方法
CN110703057A (zh) * 2019-11-04 2020-01-17 国网山东省电力公司电力科学研究院 基于数据增强和神经网络的电力设备局部放电诊断方法
CN111178456A (zh) * 2020-01-15 2020-05-19 腾讯科技（深圳）有限公司 异常指标检测方法、装置、计算机设备和存储介质
CN112070104A (zh) * 2020-07-10 2020-12-11 国网浙江平阳县供电有限责任公司 主变压器局部放电识别方法
CN114325256A (zh) * 2021-11-25 2022-04-12 中国电力科学研究院有限公司 一种电力设备局部放电识别方法、系统、设备及存储介质

Also Published As

Publication number Publication date
CN115186772A (zh) 2022-10-14

Similar Documents

Publication Publication Date Title
CN103076547B (zh) 基于支持向量机的gis局部放电故障类型模式识别方法
Haroun et al. Multiple features extraction and selection for detection and classification of stator winding faults
EP3894872A1 (en) Condition monitoring via energy consumption audit in electrical devices and electrical waveform audit in power networks
CN109188211B (zh) 一种高压设备绝缘故障诊断方法和系统
CN107480386B (zh) 一种基于响应混叠性度量与遗传算法的测试激励优选方法
CN116167010B (zh) 具有智能迁移学习能力的电力系统异常事件快速识别方法
CN115186772B (zh) 一种电力设备的局部放电的检测方法、装置及设备
CN112085111B (zh) 一种负荷辨识方法和装置
CN114417926A (zh) 一种基于深度卷积生成对抗网络的电力设备局部放电模式识别方法及系统
CN112036450B (zh) 一种基于迁移学习的高压电缆局放模式识别方法及系统
CN116975741B (zh) 基于物联网的能源设备故障预测方法、装置及电子设备
CN113655348A (zh) 一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统终端及可读存储介质
CN109902731B (zh) 一种基于支持向量机的性能故障的检测方法及装置
CN110858072A (zh) 设备运行状态的确定方法及装置
CN216848010U (zh) 一种边缘计算的电缆局放在线监测装置
EP3012643B1 (en) Method and apparatus for identifying causes for cable overcurrent
CN116593145A (zh) 故障检测方法、装置、计算机设备和存储介质
Yang et al. Fault Classification in Distribution Systems Using Deep Learning With Data Preprocessing Methods Based on Fast Dynamic Time Warping and Short-Time Fourier Transform
CN116611003A (zh) 一种变压器故障诊断方法、装置、介质
CN116543538A (zh) 一种物联网消防电气预警方法及预警系统
CN115343579A (zh) 一种电网故障分析方法、装置及电子设备
CN114609483A (zh) 一种基于Hilbert变换的GIS局部放电信号特征提取方法
Haroun et al. Self-Organizing Map and feature selection for of IM broken rotor bars faults detection and diagnosis
JP2021111034A (ja) 異常検知プログラム、異常検知方法、および情報処理装置
CN111597934A (zh) 用于为统计应用处理训练数据的系统和方法

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