CN115389888B - 一种基于高压电缆的局部放电实时监测系统 - Google Patents

一种基于高压电缆的局部放电实时监测系统 Download PDF

Info

Publication number
CN115389888B
CN115389888B CN202211330467.3A CN202211330467A CN115389888B CN 115389888 B CN115389888 B CN 115389888B CN 202211330467 A CN202211330467 A CN 202211330467A CN 115389888 B CN115389888 B CN 115389888B
Authority
CN
China
Prior art keywords
frequency
component
components
frequency component
low
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
CN202211330467.3A
Other languages
English (en)
Other versions
CN115389888A (zh
Inventor
刘杨涛
衣兰晓
赵凯
李洪磊
刘孟伟
季磊
孙媛媛
薛欣科
朱文
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.)
Shandong Kehua Electrical Technology Co ltd
Original Assignee
Shandong Kehua Electrical 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 Shandong Kehua Electrical Technology Co ltd filed Critical Shandong Kehua Electrical Technology Co ltd
Priority to CN202211330467.3A priority Critical patent/CN115389888B/zh
Publication of CN115389888A publication Critical patent/CN115389888A/zh
Application granted granted Critical
Publication of CN115389888B publication Critical patent/CN115389888B/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
    • 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
    • G01R31/1263—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 of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
    • G01R31/1272—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 of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明涉及放电实时监测技术领域，具体涉及一种基于高压电缆的局部放电实时监测系统。该系统包括数据采集模块用于采集高压电缆的电缆信号；对电缆信号进行分解，得到至少两个分量；分量放大模块用于对分量放大；对放大后的分量分类，得到两个类别；分量缩小模块用于区分出高频和低频分量类别，对分量类别进行筛选；对每个分量缩小；判断模块用于基于缩小后的分量重构电缆信号，将重构后电缆信号的特征图输入训练好的神经网络得到放电图像和局部放电标签，当局部放电标签为一时，发生局部放电。本发明实现对电缆信号的重构，完成了噪声信号的筛除，并对局部放电处的实时监测定位。

Description

一种基于高压电缆的局部放电实时监测系统
技术领域
本发明涉及放电实时监测技术领域，具体涉及一种基于高压电缆的局部放电实时监测系统。
背景技术
高压电缆是由导体、绝缘、内护层、填充物等部分组成，高压电缆主要用于高电压下特殊类别的电力工程传输，因此无论是工程施工还是日常使用对高压电缆具有很高的安全性。高压电缆的局部放电包括电缆本体局部放电、电缆终端局部放电、中间接头处局部放电，不同局部放电现象的原因各不相同，常见的原因有：外绝缘破损，绝缘体中的微孔，绝缘体和工件接口处的气泡或杂质等。高压电缆关系发生局部放电导致电缆故障时，会给电力相关部门带来严重的经济损失，严重的会危及周围环境。因此及时检测到高压电缆中的局部放电现象，对减少电缆故障的发生，保证电力系统安全稳定运行具有重要意义。局部放电的实时监测是指通过对传感器采集到的高压电缆信号进行检测，目的是要保证在使用过程中高压电缆的安全性，除了对高压电缆及其配电设备要满足防护措施之外，提高传感器采集的高压电缆信号的精确程度，实现对高压电缆局部放电的实时监测也是高压电缆安全防护措施中的关键环节。
目前，常见的对高压电缆进行局部放电监测的方法为获取高压电缆上电压波形信号原始信号，利用小波阈值对原始信号进行去噪，电流信号经小波分解后小波系数较大，噪声信号的小波系数较小，将大于阈值的小波系数认为是电流信号产生的，小于阈值的小波系数认为是噪声产生的，置为零，以实现去噪的目的，对去噪后的原始信号进行进一步的局部放电监测。该方法仅考虑了电流信号为高频时对应的小波系数较大，直接通过阈值将电流信号和噪声信号区分开，没有考虑当电流信号为低频时对应的小波系数较小，如何将低频的电流信号和噪声信号区分开的问题。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于高压电缆的局部放电实时监测系统，该系统包括以下模块：
数据采集模块，用于采集高压电缆的电缆信号；对电缆信号进行至少两次分解，得到至少两个分量；
分量放大模块，用于根据采集电缆信号的频率、分量中的频率计算每个分量的放大因子，根据放大因子对分量进行放大；根据不同分量在同一时刻的瞬时频率和瞬时幅值，计算放大后的两个分量的信号特征相似度；基于两个分量对应的信号特征相似度得到聚类度量距离；基于聚类度量距离对分量进行分类，得到两个类别；
分量缩小模块，用于分别根据类别中分量的放大因子计算每个类别的分布关系；比较分布关系的大小从两个类别中区分出高频分量类别和低频分量类别；分别根据高频分量类别和低频分量类别内分量的放大因子，获取高频判断阈值和低频判断阈值，基于高频判断阈值和低频判断阈值对高频分量类别和低频分量类别进行筛选；根据电缆信号的频率、高频分量类别和低频分量类别内分量的频率对每个分量进行缩小；
判断模块，用于基于缩小后的分量重构电缆信号，将重构后电缆信号的特征图输入训练好的神经网络得到放电图像和对应的局部放电标签，当局部放电标签为一时，发生局部放电。
优选的，所述对电缆信号进行至少两次分解，得到至少两个分量，包括：
利用小波包变换对所述电缆信号进行分解，得到两个第一分量，所述第一分量包括第一高频分量和第一低频分量；对所述第一高频分量进行分解，得到两个第二分量，所述第二分量包括第二高频分量和第二低频分量；对所述第一低频分量进行分解，得到两个第三分量，所述第三分量包括第三高频分量和第三低频分量；分别对第二高频分量、第二低频分量、第三高频分量和第三低频分量进行分解，得到两个第四分量、两个第五分量、两个第六分量和两个第七分量，每次分解均得到两个分量。
优选的，所述根据采集电缆信号的频率、分量中的频率计算每个分量的放大因子，包括：
每次分解得到的两个分量一个为高频分量、一个为低频分量；
所述高频分量的放大因子的计算公式为：
Figure 571009DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
为第i个高频分量的放大因子；
Figure 978987DEST_PATH_IMAGE004
为自然常数；
Figure DEST_PATH_IMAGE005
为第i个高频分量中的 频率最大值；
Figure 381150DEST_PATH_IMAGE006
为第i个高频分量中的频率均值；
Figure DEST_PATH_IMAGE007
为电缆信号中频率最大值；
Figure 925395DEST_PATH_IMAGE008
为电缆信 号中频率均值；
所述低频分量的放大因子的计算公式为：
Figure 653179DEST_PATH_IMAGE010
其中，
Figure DEST_PATH_IMAGE011
为第j个低频分量的放大因子；
Figure 610771DEST_PATH_IMAGE012
为第j个低频分量中的频率最小值；
Figure DEST_PATH_IMAGE013
为 第j个低频分量中的频率均值；
Figure 485799DEST_PATH_IMAGE014
为电缆信号中频率最小值。
优选的，所述根据放大因子对分量进行放大，包括：
所述放大因子和所述分量相乘得到放大后的分量。
优选的，所述根据不同分量在同一时刻的瞬时频率和瞬时幅值，计算放大后的两个分量的信号特征相似度，包括：
所述信号特征相似度的计算公式为：
Figure 743605DEST_PATH_IMAGE016
其中，
Figure DEST_PATH_IMAGE017
为所述信号特征相似度；
Figure 314394DEST_PATH_IMAGE018
为频率权重；
Figure DEST_PATH_IMAGE019
为幅值权重；
Figure 493703DEST_PATH_IMAGE020
为频率分布 相似性；
Figure DEST_PATH_IMAGE021
为幅值分布相似性；
所述频率分布相似性的计算公式为：
Figure DEST_PATH_IMAGE023
其中，
Figure 909772DEST_PATH_IMAGE020
为频率分布相似性；
Figure 225347DEST_PATH_IMAGE024
为放大后的任意分量a在t时刻的瞬时频率；
Figure DEST_PATH_IMAGE025
为 除分量a外其他放大后的任意分量b在t时刻的瞬时频率；
Figure 498196DEST_PATH_IMAGE026
为分量的长度；
幅值分布相似性的计算公式为：
Figure 964468DEST_PATH_IMAGE028
其中，
Figure 512124DEST_PATH_IMAGE021
为幅值分布相似性；
Figure DEST_PATH_IMAGE029
为放大后的任意分量a在t时刻的瞬时幅值；
Figure 151047DEST_PATH_IMAGE030
为除分量a外其他放大后的任意分量b在t时刻的瞬时幅值。
优选的，所述基于两个分量对应的信号特征相似度得到聚类度量距离，包括：
一减所述信号特征相似度得到聚类度量距离。
优选的，所述分别根据类别中分量的放大因子计算每个类别的分布关系，包括：
至少两次分解得到至少两个分量均为高频分量或者低频分量；
计算每个类别中分量的放大因子与高频分量的分布关系作为第一分布关系，计算每个类别中分量的放大因子与低频分量的分布关系作为第二分布关系；
所述第一分布关系的计算公式为：
Figure 125956DEST_PATH_IMAGE032
其中，
Figure DEST_PATH_IMAGE033
为所述第一分布关系；
Figure 545436DEST_PATH_IMAGE034
为任意类别A中第
Figure DEST_PATH_IMAGE035
个分量的放大因子；
Figure 568887DEST_PATH_IMAGE036
为所 有高频分量的放大因子的均值；
Figure DEST_PATH_IMAGE037
为类别A中分量的数量；
所述第二分布关系的计算公式为：
Figure DEST_PATH_IMAGE039
其中，
Figure 593475DEST_PATH_IMAGE033
为所述第二分布关系；
Figure 208127DEST_PATH_IMAGE040
为所有低频分量的放大因子的均值。
优选的，所述比较分布关系的大小从两个类别中区分出高频分量类别和低频分量类别，包括：
当任意类别A对应的所述第一分布关系小于所述第二分布关系时，类别A为高频分量类别；当类别A对应的所述第一分布关系大于等于所述第二分布关系时，类别A为低频分量类别。
优选的，所述分别根据高频分量类别和低频分量类别内分量的放大因子，获取高频判断阈值和低频判断阈值，包括：
使高频分量类别内放大因子大于高频分量的最小放大因子的分量作为可参考高频分量；
所述可参考高频分量的放大因子的均值作为高频分量类别对应的高频判断阈值；
所述高频分量类别内分量对应的最小放大因子和所述低频分量对应的最小放大因子的均值作为低频分量类别对应的低频判断阈值。
优选的，所述根据电缆信号的频率、高频分量类别和低频分量类别内分量的频率对每个分量进行缩小，包括：
所述高频分量类别内分量的缩小因子的计算公式为：
Figure 111974DEST_PATH_IMAGE042
其中，
Figure DEST_PATH_IMAGE043
为所述高频分量类别内第h个分量对应的缩小因子；
Figure 735853DEST_PATH_IMAGE007
为电缆信号中频 率最大值；
Figure 880526DEST_PATH_IMAGE008
为电缆信号中频率均值；
Figure 462818DEST_PATH_IMAGE044
为高频分量类别内第h个分量对应的频率；
Figure DEST_PATH_IMAGE045
为所述 高频分量类别内分量的频率均值；
Figure 794573DEST_PATH_IMAGE004
为自然常数；
所述低频分量类别内分量的缩小因子的计算公式为：
Figure DEST_PATH_IMAGE047
其中，
Figure 159826DEST_PATH_IMAGE048
为所述低频分量类别内第u个分量对应的缩小因子；
Figure 221323DEST_PATH_IMAGE014
为电缆信号中频 率最小值；
Figure DEST_PATH_IMAGE049
为低频分量类别内第u个分量对应的频率；
Figure 443357DEST_PATH_IMAGE050
为所述低频分量类别内分量的 频率均值；
所述缩小因子和放大后的分量相乘得到缩小后的分量。
本发明实施例至少具有如下有益效果：
本发明首先采集高压电缆的电缆信号；对电缆信号进行至少两次分解，每次分解得到两个分量；根据采集电缆信号的频率、分量中的频率对分量进行放大；对分量进行聚类，得到两个类别，并区分出高频分量类别和低频分量类别。进一步分别对高频分量类别和低频分量类别内的分量进行缩小；基于缩小后的分量重构电缆信号，利用神经网络将重构后电缆信号的特征图输入训练好的神经网络中得到放电图像和对应的局部放电标签，当局部放电标签为一时，发生局部放电。本发明利用小波包变换和聚类算法对电缆信号进行放大和缩小，在重构时对高频分量和低频分量分别采用不同的阈值进行筛选，最后实现对电缆信号的重构，重构后的电缆信号完成了噪声信号的筛除，重构后的电缆信号转换的特征图具有更准确的图像信息，利用神经网络实现对高压电缆上局部放电处的实时监测定位。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于高压电缆的局部放电实时监测系统的系统框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于高压电缆的局部放电实时监测系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明实施例提供了一种基于高压电缆的局部放电实时监测系统的具体实施方法，该系统适用于高压电缆局部放电监测场景。该场景下在交联聚乙烯高压电缆上的中间接头和终端头处安装高频电流互感器以获取电缆信号。为了解决没有考虑当电流信号为低频时对应的小波系数较小，如何将低频的电流信号和噪声信号区分开的问题。本发明利用小波包变换和聚类算法对电缆信号进行放大和缩小，在重构时对高频分量和低频分量分别采用不同的阈值进行筛选，最后实现对电缆信号的重构，重构后的电缆信号完成了噪声信号的筛除，重构后的电缆信号转换的特征图具有更准的图像信息，利用神经网络实现对高压电缆上局部放电处的实时监测定位。
下面结合附图具体的说明本发明所提供的一种基于高压电缆的局部放电实时监测系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于高压电缆的局部放电实时监测系统的系统框图，该系统包括以下模块：
数据采集模块10，用于采集高压电缆的电缆信号；对电缆信号进行至少两次分解，得到至少两个分量。
局部放电是指高压设备中的绝缘介质在高电场强度作用下，发生在电极之间的未贯穿的放电。这种放电只存在于绝缘的局部位置，而不会立即形成贯穿性通道，因此称为局部放电。
交联聚乙烯电缆具有输送容量大、重量轻、电能性高等优点，已经成为现阶段高压电缆最常用类型。交联聚乙烯高压电缆的绝缘材料为固态塑料结构，随着制造水平的提高，交联聚乙烯高压电缆的绝缘材料内部质量也在不断提高，交联聚乙烯高压电缆的局部放电现象一般发生在中间接头和终端头上。局部放电发生时，耦合电容和电流会随之发生改变，耦合电容充电后将产生高频的脉冲电流波形，为了采集交联聚乙烯高压电缆的电流信号，依次在交联聚乙烯高压电缆上的中间接头和终端头处安装高频电流互感器，并对每个高频电流互感器赋予唯一的采集设备编号，根据每个设备编号可以在交联聚乙烯高压电缆上定位对应的高频电流互感器。利用高频电流互感器不间断的采集交联聚乙烯电缆的电缆信号，该电缆信号为模拟信号。
由于采集的交联聚乙烯高压电缆的电缆信号会受到噪声干扰，容易发生信号失真现象。如果以失真信号为数据来源进行后续交联聚乙烯电缆上局部放电现象的判断，会严重影响判断结果的准确性，因此需要对采集的交联聚乙烯高压电缆的电缆信号进行有效的降噪。
一旦交联聚乙烯电缆发生局部放电，会形成一个高频脉冲电流信号，但是当出现多个干扰信号源时，噪声信号将会和脉冲电流信号混合在一起，采集信号的图谱中也会出现重叠现象。因此首先通过分析电缆信号中不同类型波形的特点，其次从采集的电缆信号中将有用的电流信号和噪声信号进行分类，将识别出的噪声信号删除对电缆信号进行重建，重建后的电缆信号能够更精准的判断脉冲信号产生时刻，即能提高对局部放电发生位置的检测精度，又能满足实时监测的要求。
小波变换技术利用有限长度且会衰减的小波基对信号进行时频分析，当小波经过不同程度的伸缩、平移与信号波形产生某种重合情况时，小波函数和信号相乘会得到一个较大的值，反映出信号包含较多的这两个频率分量，并且能够知道频率在时域上的具体位置，在每个尺度下经过不断平移和信号做相乘运算后，就能够知道信号在每个位置都包含哪些频率成分。
也即是说，对一个信号进行小波变换后得到的是一个时频谱。
在采集的交联聚乙烯高压电缆的电缆信号中包含的电流信号和噪声信号两类信号，这两类信号是由不同的信号源产生的，例如，噪声信号和电流信号两类信号的幅值大小，频率高低、相位分布等特征值之间存有差异；例如噪声信号和噪声信号、电流信号和电流信号由同一信号源在短时间内产生的信号特征值之间具有较强的相似性。
利用小波包变换对采集的交联聚乙烯高压电缆的电缆信号进行至少两次分解，每次分解得到两个分量，将频带划分成多个层次。具体的：利用小波包变换对电缆信号进行分解，得到两个第一分量，第一分量包括第一高频分量和第一低频分量；对第一高频分量进行分解，得到两个第二分量，第二分量包括第二高频分量和第二低频分量；对第一低频分量进行分解，得到两个第三分量，第三分量包括第三高频分量和第三低频分量；分别对第二高频分量、第二低频分量、第三高频分量和第三低频分量进行分解，得到两个第四分量、两个第五分量、两个第六分量和两个第七分量，每次分解均得到两个分量。每次分解的高频分量均对应一个高频系数。对交联聚乙烯电缆信号进行n个层次的小波包分解后得到不同n个不同层次的分量。
小波包分解后得到不同层次的分量信号，分量信号包括高频分量和低频分量，每次分解的高频分量都会对应一个高频系数，每次分解的低频分量都会对应一个低频系数，在信号处理中，高频系数和低频系数都被称为小波系数，小波系数反映了分解后的分量信号与原始信号之间的相似程度。
分量放大模块20，用于根据采集电缆信号的频率、分量中的频率计算每个分量的放大因子，根据放大因子对分量进行放大；根据不同分量在同一时刻的瞬时频率和瞬时幅值，计算放大后的两个分量的信号特征相似度；基于两个分量对应的信号特征相似度得到聚类度量距离；基于聚类度量距离对分量进行分类，得到两个类别。
每次分解后对分量中高频分量对应的高频系数和低频分量对应的低频系数进行一次放大处理，即电缆信号分解后得到多个高频分量和低频分量；高频分量对应的参数即为高频系数，低频分量对应的参数即为低频系数，对高频系数和低频系数赋予不同的放大因子进行放大处理。进一步的，根据采集电缆信号的频率、分量中的频率计算每个分量的放大因子。由于每次分解得到的两个分量一个为高频分量、一个为低频分量，分别对高频分量和低频分量通过不同的放大因子计算公式进行放大。
高频分量的放大因子的计算公式为：
Figure DEST_PATH_IMAGE051
其中，
Figure 988040DEST_PATH_IMAGE003
为第i个高频分量的放大因子；
Figure 484881DEST_PATH_IMAGE004
为自然常数；
Figure 135305DEST_PATH_IMAGE005
为第i个高频分量中的 频率最大值；
Figure 59399DEST_PATH_IMAGE006
为第i个高频分量中的频率均值；
Figure 631325DEST_PATH_IMAGE007
为电缆信号中频率最大值；
Figure 666277DEST_PATH_IMAGE008
为电缆信 号中频率均值；
低频分量的放大因子的计算公式为：
Figure 171208DEST_PATH_IMAGE052
其中，
Figure 531782DEST_PATH_IMAGE011
为第j个低频分量的放大因子；
Figure 387743DEST_PATH_IMAGE012
为第j个低频分量中的频率最小值；
Figure 164069DEST_PATH_IMAGE013
为 第j个低频分量中的频率均值；
Figure 789085DEST_PATH_IMAGE014
为电缆信号中频率最小值。
当高频分量对应的频率越大时，为了突出频率更大的高频分量的高频系数，其对应的高频分量的放大因子的取值则越大，将高频分量的频率均值作为衡量高频分量的频率大小的参考指标；反之，当高频分量对应的频率越小时，为了降低高频分量对应的高频系数的取值，其对应的高频分量的放大因子的取值则越小。同样的，当低频分量对应的频率越小时，为了突出频率越小的低频分量的低频系数，其对应的低频分量的放大因子的取值则越小，将低频分量的频率均值作为衡量低频分量的频率大小的参考指标；反之，为了突出较低频率的低频分量，当低频分量对应的频率越大时，其对应的高频分量的放大因子的取值则越大。根据放大因子对分量进行放大，放大因子和分量相乘得到放大后的分量。
通过放大因子对分量中的高频分量和低频分量分别进行放大，使频率较大的高频分量对应的高频系数和频率较小的低频分量对应的低频系数更加突出。
对交联聚乙烯高压电缆的电缆信号进行n个层次的小波包分解后得到不同n个不同层次的分量信号，也即得到n个高频分量和n个低频分量。进一步的考虑分解后的分量信号与原始信号的相似性，也即原始的电缆信号、各层次高频分量和低频分量之间的相似性，如果是同一信号源产生的信号，那么对应的高频分量之间应该具有较高的相似性，同样的统一信号源产生的低频分量之间也应该具有较高的相似性。
通过聚类的方式，考虑不同层次的频率分量之间的相似性，对于任意两个信号，如果两个信号具有较高的相似度，那么在聚类过程中这两个信号应当被划分到同一类，此处构建信号特征相似度S。具体的：根据不同分量在同一时刻的瞬时频率和瞬时幅值，计算放大后的两个分量的信号特征相似度，用于表征任意两个分量信号之间的相似性，计算分量信号a和b之间的信号特征相似度。需要说明的是，当两个分量信号的长度不相同时，根据两个分量中较长的分量的长度对较短的分量进行补零，使得两个分量信号的长度相同，然后再计算分量信号之间的相似度。
信号特征相似度的计算公式为：
Figure 320561DEST_PATH_IMAGE016
其中，
Figure 398238DEST_PATH_IMAGE017
为信号特征相似度；
Figure 240905DEST_PATH_IMAGE018
为频率权重；
Figure 986007DEST_PATH_IMAGE019
为幅值权重；
Figure 626067DEST_PATH_IMAGE020
为频率分布相似 性；
Figure 191040DEST_PATH_IMAGE021
为幅值分布相似性。
其中，频率分布相似性越大，且幅值分布相似性越大，对应的信号特征相似度的取 值则越大。将频率分布相似性的计算结果和幅值分布相似性的计算结果进行加权求和得到 信号特征相似度
Figure 371486DEST_PATH_IMAGE017
，
Figure 971095DEST_PATH_IMAGE018
是频率分布相似性对应的权值，
Figure 782056DEST_PATH_IMAGE019
是幅值分布相似性对应的权值， 在本发明实施例中频率权重
Figure 99905DEST_PATH_IMAGE018
和幅值权重
Figure 818462DEST_PATH_IMAGE019
的经验值分别取0.5，在其他实施例中实施者 可根据实际情况调整该取值。
频率分布相似性的计算公式为：
Figure 475839DEST_PATH_IMAGE023
其中，
Figure 254439DEST_PATH_IMAGE020
为频率分布相似性；
Figure 59584DEST_PATH_IMAGE024
为放大后的任意分量a在t时刻的瞬时频率；
Figure 584762DEST_PATH_IMAGE025
为除分量a外其他放大后的任意分量b在t时刻的瞬时频率；
Figure 96646DEST_PATH_IMAGE026
为分量的长度；
幅值分布相似性的计算公式为：
Figure 311727DEST_PATH_IMAGE028
其中，
Figure 73010DEST_PATH_IMAGE021
为幅值分布相似性；
Figure 602211DEST_PATH_IMAGE029
为放大后的任意分量a在t时刻的瞬时幅值；
Figure 30918DEST_PATH_IMAGE030
为除分量a外其他放大后的任意分量b在t时刻的瞬时幅值。
通过分别将两个分量在每个时刻的瞬时频率相乘与总的瞬时频率的乘积相比较，反映分量的瞬时频率的相似程度，降低瞬时频率在某一时刻突变时对整体相似性的评价，通过整体相似程度反映了两个分量的瞬时频率的相似性；同样的，通过分别将两个分量在每个时刻的瞬时幅值相乘与总的瞬时幅值的乘积相比较，反映分量的瞬时幅值的相似程度，降低瞬时幅值在某一时刻突变时对整体相似性的评价，通过整体相似程度反映了两个分量的瞬时幅值的相似性。
幅值分布相似性和频率分布相似性加权求和得到信号特征相似度，该信号特征相似度的取值越接近于1，说明两个信号之间的相似度越高；该信号特征相似度的取值越接近于0，说明两个信号之间的相似度越低。并对得到的信号特征相似度进行归一化。
遍历n次小波分解后的不同频率的分量信号，将每个分量看成单独的一类。基于两个分量对应的信号特征相似度得到聚类度量距离，计算任一两个分量信号之间的聚类度量距离，将满足聚类度量距离的两个分量信号聚为同一类，通过不停的迭代计算，直到将n次小波分解后的不同频率的分量信号聚为两类为止。计算两个分量信号之间的聚类度量距离，具体的：一减信号特征相似度得到聚类度量距离。
该聚类度量距离的计算公式为：
Figure 354583DEST_PATH_IMAGE054
其中，
Figure DEST_PATH_IMAGE055
为分量x和分量y对应的聚类度量距离；
Figure 806424DEST_PATH_IMAGE056
是两个分量x，y之间的信号特 征相似度。
两个分量对应的信号特征相似度越大，则两个分量分至同一个类别的概率越大，则对应的两个分量的聚类度量距离越小；反之，两个分量对应的信号特征相似度越小，则两个分量分至不同类别的概率越大，则对应的两个分量的聚类度量距离越大。
假设进行n次小波分解后共得到N个分量信号，也就是说初始聚类的类别共有N类， 进行一次聚类度量距离计算后得到
Figure DEST_PATH_IMAGE057
个聚类度量距离，将具有最大聚类度量距离的两 个分量信号作为第二次聚类的中心点，记为
Figure 404896DEST_PATH_IMAGE058
和
Figure DEST_PATH_IMAGE059
，计算剩余所有分量与这两个类中心点
Figure 91705DEST_PATH_IMAGE058
和
Figure 648588DEST_PATH_IMAGE059
之间的聚类度量距离，比较各分量至两个中心点
Figure 650042DEST_PATH_IMAGE058
和
Figure 52205DEST_PATH_IMAGE059
之间的聚类度量距离，将与
Figure 189925DEST_PATH_IMAGE058
的聚类度量距离较小的分量分至A类，将与
Figure 120972DEST_PATH_IMAGE059
的聚类度量距离较小的分量分至B类，为了 避免出现一个分量与两个类中点的聚类度量距离出现相等造成的难以分类的问题，每次分 类后，都对两个类的类别信号特征相似度进行更新，当出现一个分量α与两个类中点的聚类 度量距离相等的情况时，分别将分量α分至两个类别中，然后计算两个类别的类别信号特征 相似度，最终将该分量α分至两个类别信号特征相似度中数值较大的类别中，通过不断的迭 代计算，直至所有分量分至两个类。该类别信号特征相似度的计算公式为：
Figure DEST_PATH_IMAGE061
其中，
Figure 812984DEST_PATH_IMAGE062
为类别A的类别信号特征相似度；
Figure 487679DEST_PATH_IMAGE037
为类别A内的分量的数量；
Figure DEST_PATH_IMAGE063
为第c 个分量至类别A的中心点
Figure 214327DEST_PATH_IMAGE058
之间的信号特征相似度。
该类别信号特征相似度也即类别A内的分量与类别内的中心点的信号特征相似度。同理，可计算类别B的类别信号特征相似度，同样的，也是类别B内的分量与类别内的中心点的信号特征相似度的均值。
分量缩小模块30，用于分别根据类别中分量的放大因子计算每个类别的分布关系；比较分布关系的大小从两个类别中区分出高频分量类别和低频分量类别；分别根据高频分量类别和低频分量类别内分量的放大因子，获取高频判断阈值和低频判断阈值，基于高频判断阈值和低频判断阈值对高频分量类别和低频分量类别进行筛选；根据电缆信号的频率、高频分量类别和低频分量类别内分量的频率对每个分量进行缩小。
数据采集模块10中每次分解得到两个分量，包括一个高频分量和低频分量，多次分解也即至少两次分解得到至少两个分量，均为高频分量或者低频分量。
计算每个类别中分量的放大因子与高频分量的分布关系作为第一分布关系，计算每个类别中分量的放大因子与低频分量的分布关系作为第二分布关系。通过这个分布关系反映类别内的分量是更接近于高频分量，还是更接近于低频分量，以此实现对类别是高频分量类别还是低频分量类别的判断。
第一分布关系的计算公式为：
Figure 50696DEST_PATH_IMAGE064
其中，
Figure 853890DEST_PATH_IMAGE033
为第一分布关系；
Figure 66697DEST_PATH_IMAGE034
为任意类别A中第
Figure 179010DEST_PATH_IMAGE035
个分量的放大因子；
Figure 451859DEST_PATH_IMAGE036
为所有高 频分量的放大因子的均值；
Figure 649622DEST_PATH_IMAGE037
为类别A中分量的数量；
第二分布关系的计算公式为：
Figure DEST_PATH_IMAGE065
其中，
Figure 134961DEST_PATH_IMAGE033
为所述第二分布关系；
Figure 367360DEST_PATH_IMAGE040
为所有低频分量的放大因子的均值。
当第一分布关系越大，则反映类别内的分量的放大因子与对应的高频分量的放大 因子越接近，对应的该类别的分量为高频分量的概率越大；反之，当第二分布关系越大时则 反映类别内的分量的放大因子与对应的低频分量的放大因子越接近，对应的该类别的分量 为低频分量的概率越大。也即在得到第一分布关系和第二分布关系之后，比较第一分布关 系和第二分布关系的大小，从两个类别中区分出高频分量类别和低频分量类别。如果满足
Figure 545531DEST_PATH_IMAGE066
，则认为A类是由较多的高频分量组成的一类，那么B类就是由大多数低频分量组 成的一类，否则认为B类是由小波树中较多的高频分量组成的一类。也即当任意类别A对应 的第一分布关系小于第二分布关系时，类别A为高频分量类别；当类别A对应的第一分布关 系大于等于第二分布关系时，类别A为低频分量类别。
这里对高频分量和低频分量进行数据处理，再对其进行分类分至高频分量类别和低频分量类别是因为多层小波包变换将原始的电缆信号进行分割得到的是高频分量和低频分量，得到的高频分量类别和低频分量类别是根据分量信号之间的相似性进行度量分割的，是为了后续需要挑选能够用来重构信号时的分量信号，此时的分量信号需要从高频分量类别和低频分量类别中筛选，这是因为局部放电的原始电缆信号就是高频的，分类的好处是能够将噪声去除的更彻底，用于重构的信号与局部放电的原始电缆信号更接近。
根据对比结果对高频分量类别和低频分量类别中所有分量信号进行筛选，在小波 域上对分类后的高频系数和低频系数进行阈值判断，将大于高频判断阈值的高频系数保 留，小于等于高频判断阈值的高频系数置为0；同样的，将大于低频判断阈值的低频系数保 留，小于等于低频判断阈值的低频系数置为0。因为高压电缆中局部放电现象发生时产生的 脉冲电流是高频信号，噪声的信号的频率是低于脉冲电流的频率的，因此可以通过下式分 别计算高频分量类别和低频分量类别的高频判断阈值
Figure DEST_PATH_IMAGE067
和低频判断阈值
Figure 965011DEST_PATH_IMAGE068
。具体的：使高 频分量类别内放大因子大于高频分量的最小放大因子的分量作为可参考高频分量；可参考 高频分量的放大因子的均值作为高频分量类别对应的高频判断阈值；高频分量类别内分量 对应的最小放大因子和低频分量对应的最小放大因子的均值作为低频分量类别对应的低 频判断阈值。
该高频判断阈值的计算公式为：
Figure 782270DEST_PATH_IMAGE070
其中，
Figure 806858DEST_PATH_IMAGE067
为高频判断阈值；
Figure DEST_PATH_IMAGE071
为可参考高频分量的数量；
Figure 155931DEST_PATH_IMAGE003
为第i个可参考高频分 量的放大因子。
Figure DEST_PATH_IMAGE073
其中，
Figure 390DEST_PATH_IMAGE068
为低频判断阈值；
Figure 358690DEST_PATH_IMAGE074
为高频分量类别内分量对应的最小放大因子；
Figure DEST_PATH_IMAGE075
为低频分量对应的最小放大因子。
由高频分量类别内的分量的放大因子调节高频判断阈值，由低频分量类别内的分量的放大因子和低频分量的放大因子调节低频判断阈值；因为低频类别分量中可能存在混入的高频分量，故将低频类别分量对应的低频判断阈值设置一个大于低频分量内最小放大因子的值。
依次对比高频分量类别中的所有分量信号与高频判断阈值，对比低频分量类别中的所有分量信号与低频判断阈值，保留大于对应的判断阈值的小波系数，需要说明的是，小波系数既包含了高频系数和低频系数。实现了基于高频判断阈值和低频判断阈值对高频分量类别和低频分量类别进行筛选。
进一步的，为了对信号的高频系数和低频系数进行对应的缩小，进而实现信号重构，计算A，B类中所有被保留的分量信号的缩小因子。根据电缆信号的频率、高频分量类别和低频分量类别内分量的频率对每个分量进行缩小。
所述高频分量类别内分量的缩小因子的计算公式为：
Figure 237784DEST_PATH_IMAGE042
其中，
Figure 23338DEST_PATH_IMAGE043
为所述高频分量类别内第h个分量对应的缩小因子；
Figure 685919DEST_PATH_IMAGE007
为电缆信号中频 率最大值；
Figure 582331DEST_PATH_IMAGE008
为电缆信号中频率均值；
Figure 643828DEST_PATH_IMAGE044
为高频分量类别内第h个分量对应的频率；
Figure 600282DEST_PATH_IMAGE045
为所 述高频分量类别内分量的频率均值；
Figure 216071DEST_PATH_IMAGE004
为自然常数；
所述低频分量类别内分量的缩小因子的计算公式为：
Figure 978491DEST_PATH_IMAGE076
其中，
Figure 832178DEST_PATH_IMAGE048
为所述低频分量类别内第u个分量对应的缩小因子；
Figure 756271DEST_PATH_IMAGE014
为电缆信号中频 率最小值；
Figure 390515DEST_PATH_IMAGE049
为低频分量类别内第u个分量对应的频率；
Figure 628729DEST_PATH_IMAGE050
为所述低频分量类别内分量的 频率均值；
缩小因子和放大后的分量相乘得到缩小后的分量。
分量放大模块20中为了突出频率更大的高频分量的高频系数，对其赋予的放大因子较大，故缩小时为了使其接近于未放大之前的高频系数，随着高频分量类别内对应的频率越大，对其赋予的缩小因子越小，将高频分量类别内分量的频率均值作为筛除高频分量类别内的分量的参考指标；反之，当高频分量对应的频率越小时，由于之前对其进行放大时放大因子较小，则对应的缩小因子较大，也是为了将放大再缩放之后的分量的高频系数接近于之前的高频系数，避免出现放大程度较小，但对其缩小较大的情况出现。同样的，分量放大模块20中为了突出频率更小的低频分量的低频系数，对其赋予的放大因子较小，故缩小时为了使其接近于未放大之前的低频系数，随着低频分量类别内对应的频率越小，对其赋予的缩小因子越大，将低频分量类别内分量的频率均值作为筛除低频分量类别内的分量的参考指标；反之，当低频分量对应的频率越大时，由于之前对其进行放大时放大因子较大，则对应的缩小因子较小，也是为了将放大再缩放之后的分量的低频系数接近于之前的低频系数，避免出现放大程度较大，但对其缩小较小的情况出现。缩小因子和放大后的分量相乘即得到缩小后的分量。
判断模块40，用于基于缩小后的分量重构电缆信号，将重构后电缆信号的特征图输入训练好的神经网络得到放电图像和对应的局部放电标签，当局部放电标签为一时，发生局部放电。
基于缩小因子和被保留的小波系数的频率分量对采集的交联聚乙烯高压电缆的电缆信号进行重构，即可得到筛除噪声后的电缆信号，利用小波逆变换技术实现信号重构。需要说明的是，小波逆变换技术为本领域技术人员的公知技术，具体过程在此不再详细赘述。
将所有高频电流互感器采集的电缆信号进行重构，并转换成对应的特征图，以重构后电缆信号的特征图为图像数据，利用训练好的神经网络实现对高压电缆局部放电现象的判断。本发明实施例中特征图是指电缆信号的语谱图。需要说明的是，获取电缆信号的语谱图为本领域技术人员的公知技术，在此不再详细赘述。
将每个高频电流互感器采集的电缆信号的特征图与对应的标签数据进行编码，将编码结果输入到训练好的神经网络中输出放电图像，放电图像对应的局部放电标签反映了局部放电情况，本发明中神经网络结构是RPN网络，网络训练时图像数据的标签是人为标注的，发生局部放电的标签记为1，未发生局部放电的标签记为0，分类函数采用Softmax函数，最终输出特征图是否对应局部放电产生信号，神经网络的损失函数为交叉熵函数。
利用神经网络将重构后电缆信号的特征图输入训练好的神经网络中得到放电图像和对应的局部放电标签，根据神经网络的输出结果判断输入的特征图是否对应局部放电时的信号，当神经网络输出放电图像的局部放电标签为1时，反映发生了局部放电现象，获取此电缆信号的采集设备的设备编号，也即获取该高频电流互感器的设备编号，根据设备编号确定交联聚乙烯高压电缆上局部放电现象的发生位置。进一步的，可通过重构脉冲电流信号的幅值大小和发生的频度反映电缆局部放电的严重程度，实现对交联聚乙烯高压电缆的局部放电的实时监测。
综上所述，本发明涉及放电实时监测技术领域。本发明首先采集高压电缆的电缆信号；对电缆信号进行至少两次分解，每次分解得到两个分量；根据采集电缆信号的频率、分量中的频率对分量进行放大；根据不同分量在同一时刻的瞬时频率和瞬时幅值，计算放大后的两个分量的信号特征相似度和聚类度量距离；基于聚类度量距离对分量分类，得到两个类别；分别根据类别中分量的放大因子计算每个类别的分布关系；比较分布关系的大小从两个类别中区分出高频分量类别和低频分量类别；分别根据高频分量类别和低频分量类别内分量的放大因子，获取高频分量类别的高频判断阈值和低频分量类别的低频判断阈值，基于高频判断阈值和低频判断阈值对高频分量类别和低频分量类别进行筛选；根据电缆信号的频率、高频分量类别和低频分量类别内分量的频率对每个分量进行缩小；基于缩小后的分量重构电缆信号，利用神经网络将重构后电缆信号的特征图输入训练好的神经网络中得到放电图像和对应的局部放电标签，当局部放电标签为一时，发生局部放电。本发明利用小波包变换对电缆信号进行重构，重构后的电缆信号转换的特征图具有更准的图像信息，利用神经网络实现对高压电缆上局部放电处的实时监测定位。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (7)

1.一种基于高压电缆的局部放电实时监测系统，其特征在于，该系统包括以下模块：
数据采集模块，用于采集高压电缆的电缆信号；对电缆信号进行至少两次分解，得到至少两个分量；
分量放大模块，用于根据采集电缆信号的频率、分量中的频率计算每个分量的放大因子，根据放大因子对分量进行放大；根据不同分量在同一时刻的瞬时频率和瞬时幅值，计算放大后的两个分量的信号特征相似度；基于两个分量对应的信号特征相似度得到聚类度量距离；基于聚类度量距离对分量进行分类，得到两个类别；
分量缩小模块，用于分别根据类别中分量的放大因子计算每个类别的分布关系；比较分布关系的大小从两个类别中区分出高频分量类别和低频分量类别；分别根据高频分量类别和低频分量类别内分量的放大因子，获取高频判断阈值和低频判断阈值，基于高频判断阈值和低频判断阈值对高频分量类别和低频分量类别进行筛选；根据电缆信号的频率、高频分量类别和低频分量类别内分量的频率对每个分量进行缩小；
判断模块，用于基于缩小后的分量重构电缆信号，将重构后电缆信号的特征图输入训练好的神经网络得到放电图像和对应的局部放电标签，当局部放电标签为一时，发生局部放电；
其中，所述对电缆信号进行至少两次分解，得到至少两个分量，包括：
利用小波包变换对所述电缆信号进行分解，得到两个第一分量，所述第一分量包括第一高频分量和第一低频分量；对所述第一高频分量进行分解，得到两个第二分量，所述第二分量包括第二高频分量和第二低频分量；对所述第一低频分量进行分解，得到两个第三分量，所述第三分量包括第三高频分量和第三低频分量；分别对第二高频分量、第二低频分量、第三高频分量和第三低频分量进行分解，得到两个第四分量、两个第五分量、两个第六分量和两个第七分量，每次分解均得到两个分量；
其中，所述根据采集电缆信号的频率、分量中的频率计算每个分量的放大因子，包括：所述高频分量的放大因子的计算公式为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为第i个高频分量的放大因子；
Figure DEST_PATH_IMAGE006
为自然常数；
Figure DEST_PATH_IMAGE008
为第i个高频分量中的频率最大值；
Figure DEST_PATH_IMAGE010
为第i个高频分量中的频率均值；
Figure DEST_PATH_IMAGE012
为电缆信号中频率最大值；
Figure DEST_PATH_IMAGE014
为电缆信号中频率均值；
所述低频分量的放大因子的计算公式为：
Figure DEST_PATH_IMAGE016
其中，
Figure DEST_PATH_IMAGE018
为第j个低频分量的放大因子；
Figure DEST_PATH_IMAGE020
为第j个低频分量中的频率最小值；
Figure DEST_PATH_IMAGE022
为第j个低频分量中的频率均值；
Figure DEST_PATH_IMAGE024
为电缆信号中频率最小值；
其中，所述分别根据高频分量类别和低频分量类别内分量的放大因子，获取高频判断阈值和低频判断阈值，包括：
使高频分量类别内放大因子大于高频分量的最小放大因子的分量作为可参考高频分量；
所述可参考高频分量的放大因子的均值作为高频分量类别对应的高频判断阈值；
所述高频分量类别内分量对应的最小放大因子和所述低频分量对应的最小放大因子的均值作为低频分量类别对应的低频判断阈值。
2.根据权利要求1所述的一种基于高压电缆的局部放电实时监测系统，其特征在于，所述根据放大因子对分量进行放大，包括：
所述放大因子和所述分量相乘得到放大后的分量。
3.根据权利要求1所述的一种基于高压电缆的局部放电实时监测系统，其特征在于，所述根据不同分量在同一时刻的瞬时频率和瞬时幅值，计算放大后的两个分量的信号特征相似度，包括：
所述信号特征相似度的计算公式为：
Figure DEST_PATH_IMAGE026
其中，
Figure DEST_PATH_IMAGE028
为所述信号特征相似度；
Figure DEST_PATH_IMAGE030
为频率权重；
Figure DEST_PATH_IMAGE032
为幅值权重；
Figure DEST_PATH_IMAGE034
为频率分布相似性；
Figure DEST_PATH_IMAGE036
为幅值分布相似性；
所述频率分布相似性的计算公式为：
Figure DEST_PATH_IMAGE038
其中，
Figure 884838DEST_PATH_IMAGE034
为频率分布相似性；
Figure DEST_PATH_IMAGE040
为放大后的任意分量a在t时刻的瞬时频率；
Figure DEST_PATH_IMAGE042
为除分量a外其他放大后的任意分量b在t时刻的瞬时频率；
Figure DEST_PATH_IMAGE044
为分量的长度；
幅值分布相似性的计算公式为：
Figure DEST_PATH_IMAGE046
其中，
Figure 313896DEST_PATH_IMAGE036
为幅值分布相似性；
Figure DEST_PATH_IMAGE048
为放大后的任意分量a在t时刻的瞬时幅值；
Figure DEST_PATH_IMAGE050
为除分量a外其他放大后的任意分量b在t时刻的瞬时幅值。
4.根据权利要求1所述的一种基于高压电缆的局部放电实时监测系统，其特征在于，所述基于两个分量对应的信号特征相似度得到聚类度量距离，包括：
一减所述信号特征相似度得到聚类度量距离。
5.根据权利要求1所述的一种基于高压电缆的局部放电实时监测系统，其特征在于，所述分别根据类别中分量的放大因子计算每个类别的分布关系，包括：
计算每个类别中分量的放大因子与高频分量的分布关系作为第一分布关系，计算每个类别中分量的放大因子与低频分量的分布关系作为第二分布关系；
所述第一分布关系的计算公式为：
Figure DEST_PATH_IMAGE052
其中，
Figure DEST_PATH_IMAGE054
为所述第一分布关系；
Figure DEST_PATH_IMAGE056
为任意类别A中第
Figure DEST_PATH_IMAGE058
个分量的放大因子；
Figure DEST_PATH_IMAGE060
为所有高频分量的放大因子的均值；
Figure DEST_PATH_IMAGE062
为类别A中分量的数量；
所述第二分布关系的计算公式为：
Figure DEST_PATH_IMAGE064
其中，
Figure 267202DEST_PATH_IMAGE054
为所述第二分布关系；
Figure DEST_PATH_IMAGE066
为所有低频分量的放大因子的均值。
6.根据权利要求5所述的一种基于高压电缆的局部放电实时监测系统，其特征在于，所述比较分布关系的大小从两个类别中区分出高频分量类别和低频分量类别，包括：
当任意类别A对应的所述第一分布关系小于所述第二分布关系时，类别A为高频分量类别；当类别A对应的所述第一分布关系大于等于所述第二分布关系时，类别A为低频分量类别。
7.根据权利要求1所述的一种基于高压电缆的局部放电实时监测系统，其特征在于，所述根据电缆信号的频率、高频分量类别和低频分量类别内分量的频率对每个分量进行缩小，包括：
所述高频分量类别内分量的缩小因子的计算公式为：
Figure DEST_PATH_IMAGE068
其中，
Figure DEST_PATH_IMAGE070
为所述高频分量类别内第h个分量对应的缩小因子；
Figure 239575DEST_PATH_IMAGE012
为电缆信号中频率最大值；
Figure 726051DEST_PATH_IMAGE014
为电缆信号中频率均值；
Figure DEST_PATH_IMAGE072
为高频分量类别内第h个分量对应的频率；
Figure DEST_PATH_IMAGE074
为所述高频分量类别内分量的频率均值；
Figure 935797DEST_PATH_IMAGE006
为自然常数；
所述低频分量类别内分量的缩小因子的计算公式为：
Figure DEST_PATH_IMAGE076
其中，
Figure DEST_PATH_IMAGE078
为所述低频分量类别内第u个分量对应的缩小因子；
Figure 655360DEST_PATH_IMAGE024
为电缆信号中频率最小值；
Figure DEST_PATH_IMAGE080
为低频分量类别内第u个分量对应的频率；
Figure DEST_PATH_IMAGE082
为所述低频分量类别内分量的频率均值；
所述缩小因子和放大后的分量相乘得到缩小后的分量。
CN202211330467.3A 2022-10-28 2022-10-28 一种基于高压电缆的局部放电实时监测系统 Active CN115389888B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211330467.3A CN115389888B (zh) 2022-10-28 2022-10-28 一种基于高压电缆的局部放电实时监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211330467.3A CN115389888B (zh) 2022-10-28 2022-10-28 一种基于高压电缆的局部放电实时监测系统

Publications (2)

Publication Number Publication Date
CN115389888A CN115389888A (zh) 2022-11-25
CN115389888B true CN115389888B (zh) 2023-01-31

Family

ID=84115255

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211330467.3A Active CN115389888B (zh) 2022-10-28 2022-10-28 一种基于高压电缆的局部放电实时监测系统

Country Status (1)

Country Link
CN (1) CN115389888B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117786466B (zh) * 2024-02-23 2024-04-26 兰州交通大学 基于智能频谱感知的信号盲识别方法

Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07262866A (ja) * 1994-03-23 1995-10-13 Tokyo Electric Power Co Inc:The 部分放電検出方法
CN1790041A (zh) * 2004-12-16 2006-06-21 日本Ae帕瓦株式会社 气体绝缘设备的局部放电诊断方法及系统
JP2007155512A (ja) * 2005-12-06 2007-06-21 Kansai Electric Power Co Inc:The 電力ケーブル部分放電検出方法及びこれを用いた電力ケーブル部分放電検出装置
CN102184451A (zh) * 2011-03-24 2011-09-14 杭州电子科技大学 一种基于多小波融合特征的神经元动作特征提取方法
JP2012058046A (ja) * 2010-09-08 2012-03-22 Nissin Electric Co Ltd 電力機器の異常診断装置
CN102590716A (zh) * 2012-02-11 2012-07-18 广东电网公司电力科学研究院 一种基于小波分析的电力电缆局部放电信号去噪方法
CN103630808A (zh) * 2013-11-11 2014-03-12 华南理工大学 一种基于提升小波变换的局部放电信号去噪方法
CN103995950A (zh) * 2014-01-13 2014-08-20 哈尔滨工程大学 基于空域相关修正阈值的变小波系数局部放电信号消噪方法
CN104615877A (zh) * 2015-01-28 2015-05-13 辽宁工程技术大学 一种基于小波包进行信号去噪的方法
CN105738948A (zh) * 2016-02-24 2016-07-06 重庆地质矿产研究院 一种基于小波变换的微地震数据降噪方法
CN106353649A (zh) * 2016-09-18 2017-01-25 广东电网有限责任公司珠海供电局 一种基于提升小波变换的局部放电信号去噪方法
CN106569034A (zh) * 2016-10-21 2017-04-19 江苏大学 一种基于小波和高阶pde的局部放电信号去噪方法
CN107590455A (zh) * 2017-09-05 2018-01-16 北京华电智成电气设备有限公司 一种基于小波分解的高频局放自适应滤波聚类方法及装置
CN109001703A (zh) * 2018-08-10 2018-12-14 南京信息工程大学 一种基于小波包多阈值处理的海杂波去噪办法
CN109239554A (zh) * 2018-09-28 2019-01-18 山东康威通信技术股份有限公司 一种电力电缆局部放电信号去噪及有效信号提取方法及系统
CN109596715A (zh) * 2018-12-18 2019-04-09 龙口盛福达食品有限公司 一种基于霍普菲尔德神经网络的鸡蛋散黄无损检测方法
CN110175508A (zh) * 2019-04-09 2019-08-27 杭州电子科技大学 一种应用于超声波局放检测的特征值提取方法
CN110349101A (zh) * 2019-06-26 2019-10-18 上海集成电路研发中心有限公司 一种多尺度联合的小波图像去噪方法
JP2019184322A (ja) * 2018-04-04 2019-10-24 株式会社東芝 部分放電検出装置および部分放電検出方法
CN113221615A (zh) * 2020-12-31 2021-08-06 中国石油化工股份有限公司 一种基于降噪聚类的局部放电脉冲提取方法
CN113887362A (zh) * 2021-09-24 2022-01-04 上海电力大学 一种局部放电信号的特征提取方法
CN114500335A (zh) * 2022-01-21 2022-05-13 重庆邮电大学 基于模糊c均值和混合核最小二乘支持向量机的sdn网络流程控制方法
CN114492528A (zh) * 2022-01-27 2022-05-13 中国农业银行股份有限公司 一种脉象信号消噪方法、装置、电子设备及存储介质

Patent Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07262866A (ja) * 1994-03-23 1995-10-13 Tokyo Electric Power Co Inc:The 部分放電検出方法
CN1790041A (zh) * 2004-12-16 2006-06-21 日本Ae帕瓦株式会社 气体绝缘设备的局部放电诊断方法及系统
JP2007155512A (ja) * 2005-12-06 2007-06-21 Kansai Electric Power Co Inc:The 電力ケーブル部分放電検出方法及びこれを用いた電力ケーブル部分放電検出装置
JP2012058046A (ja) * 2010-09-08 2012-03-22 Nissin Electric Co Ltd 電力機器の異常診断装置
CN102184451A (zh) * 2011-03-24 2011-09-14 杭州电子科技大学 一种基于多小波融合特征的神经元动作特征提取方法
CN102590716A (zh) * 2012-02-11 2012-07-18 广东电网公司电力科学研究院 一种基于小波分析的电力电缆局部放电信号去噪方法
CN103630808A (zh) * 2013-11-11 2014-03-12 华南理工大学 一种基于提升小波变换的局部放电信号去噪方法
CN103995950A (zh) * 2014-01-13 2014-08-20 哈尔滨工程大学 基于空域相关修正阈值的变小波系数局部放电信号消噪方法
CN104615877A (zh) * 2015-01-28 2015-05-13 辽宁工程技术大学 一种基于小波包进行信号去噪的方法
CN105738948A (zh) * 2016-02-24 2016-07-06 重庆地质矿产研究院 一种基于小波变换的微地震数据降噪方法
CN106353649A (zh) * 2016-09-18 2017-01-25 广东电网有限责任公司珠海供电局 一种基于提升小波变换的局部放电信号去噪方法
CN106569034A (zh) * 2016-10-21 2017-04-19 江苏大学 一种基于小波和高阶pde的局部放电信号去噪方法
CN107590455A (zh) * 2017-09-05 2018-01-16 北京华电智成电气设备有限公司 一种基于小波分解的高频局放自适应滤波聚类方法及装置
JP2019184322A (ja) * 2018-04-04 2019-10-24 株式会社東芝 部分放電検出装置および部分放電検出方法
CN109001703A (zh) * 2018-08-10 2018-12-14 南京信息工程大学 一种基于小波包多阈值处理的海杂波去噪办法
CN109239554A (zh) * 2018-09-28 2019-01-18 山东康威通信技术股份有限公司 一种电力电缆局部放电信号去噪及有效信号提取方法及系统
CN109596715A (zh) * 2018-12-18 2019-04-09 龙口盛福达食品有限公司 一种基于霍普菲尔德神经网络的鸡蛋散黄无损检测方法
CN110175508A (zh) * 2019-04-09 2019-08-27 杭州电子科技大学 一种应用于超声波局放检测的特征值提取方法
CN110349101A (zh) * 2019-06-26 2019-10-18 上海集成电路研发中心有限公司 一种多尺度联合的小波图像去噪方法
CN113221615A (zh) * 2020-12-31 2021-08-06 中国石油化工股份有限公司 一种基于降噪聚类的局部放电脉冲提取方法
CN113887362A (zh) * 2021-09-24 2022-01-04 上海电力大学 一种局部放电信号的特征提取方法
CN114500335A (zh) * 2022-01-21 2022-05-13 重庆邮电大学 基于模糊c均值和混合核最小二乘支持向量机的sdn网络流程控制方法
CN114492528A (zh) * 2022-01-27 2022-05-13 中国农业银行股份有限公司 一种脉象信号消噪方法、装置、电子设备及存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
System of wavelet transform on partial discharge signal denoising;Umar Khayam 等;《2016 2nd International Conference of Industrial, Mechanical, Electrical, and Chemical Engineering (ICIMECE)》;20170427;全文 *
Threshold selection for wavelet denoising of partial discharge data;P.D. Agoris 等;《Conference Record of the 2004 IEEE International Symposium on Electrical Insulation》;20050117;全文 *
基于小波阈值的局部放电去噪新方法;张建文 等;《电工电能新技术》;20170831;第36卷(第8期);全文 *
基于最优小波包基的降噪方法及其应用;杜立志等;《工程地球物理学报》;20080215(第01期);全文 *
基于自适应阀值的小波全频降噪方法研究及实现;吕泽承 等;《广西电力》;20191231;第42卷(第6期);全文 *

Also Published As

Publication number Publication date
CN115389888A (zh) 2022-11-25

Similar Documents

Publication Publication Date Title
WO2021068454A1 (zh) 一种基于bp神经网络的微能源器件能量识别方法
CN110175508B (zh) 一种应用于超声波局放检测的特征值提取方法
Kashyap et al. Classification of power system faults using wavelet transforms and probabilistic neural networks
Chang et al. Separation of corona using wavelet packet transform and neural network for detection of partial discharge in gas-insulated substations
Flores State of the art in the classification of power quality events, an overview
CN115389888B (zh) 一种基于高压电缆的局部放电实时监测系统
Su et al. Classification of partial discharge events in GILBS using probabilistic neural networks and the fuzzy c-means clustering approach
CN111783696A (zh) 一种基于pv关系的低压分支拓扑实时分析的边缘计算方法
CN114781430A (zh) 一种局部放电信号去噪方法
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
Xu et al. Novel fault location for high permeability active distribution networks based on improved VMD and S-transform
CN110458071B (zh) 一种基于dwt-dfpa-gbdt的光纤振动信号特征提取与分类方法
CN111553308A (zh) 一种电力变压器局部放电信号的重构方法
CN117289067B (zh) 一种变压器运行状态在线监测系统
Azami et al. Automatic signal segmentation using the fractal dimension and weighted moving average filter
CN114397569A (zh) 基于vmd参数优化、样本熵的断路器故障电弧检测方法
CN116189711B (zh) 基于声波信号监测的变压器故障识别方法及装置
CN113514743A (zh) 一种基于多维特征的gis局部放电模式识别系统构建方法
CN116667920A (zh) 结合主成分分析与希尔伯特-黄变换的瞬态信号检测方法
Su et al. Phase determination of partial discharge source in three-phase transmission lines using discrete wavelet transform and probabilistic neural networks
Jin et al. A review of fault diagnosis research on on-load tap-changers
CN109712639A (zh) 一种基于小波阈值滤波的音频采集系统及方法
CN115293219A (zh) 一种融合小波和峭度的脉冲信号去噪方法
Perera et al. On-line discrete wavelet transform in EMTP environment and applications in protection relaying
Sima et al. A framework for automatically cleansing overvoltage data measured from transmission and distribution systems

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A real-time monitoring system for partial discharge based on high-voltage cables

Effective date of registration: 20230829

Granted publication date: 20230131

Pledgee: Jinan Shengfu Branch of Qilu Bank Co.,Ltd.

Pledgor: SHANDONG KEHUA ELECTRICAL TECHNOLOGY CO.,LTD.

Registration number: Y2023980054393

PE01 Entry into force of the registration of the contract for pledge of patent right