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 PDFInfo
- 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
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
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:
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:
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:
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:
6)正负电压周期上的脉冲分布的区别为:
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。
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:
本发明的一可选的实施例中,步骤14可以包括:
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:
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;
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:
(2)、等效时宽ET和等效时频EF分别为:
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。
(8)、图谱数据峰的数量Peaks。
具体方法如下:
进一步,可得:
然后分别对每一个h,可得其样本中心:
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;
4)对目标维度时序样本中的数据进行异常检测;
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:
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:
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:
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:
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。
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。
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:
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。
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)
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)
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 |
-
2022
- 2022-09-13 CN CN202211106623.8A patent/CN115186772B/zh active Active
Patent Citations (7)
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 |