CN115453286A - Gis局部放电诊断方法、模型训练方法、装置及系统 - Google Patents

Gis局部放电诊断方法、模型训练方法、装置及系统 Download PDF

Info

Publication number
CN115453286A
CN115453286A CN202211062539.0A CN202211062539A CN115453286A CN 115453286 A CN115453286 A CN 115453286A CN 202211062539 A CN202211062539 A CN 202211062539A CN 115453286 A CN115453286 A CN 115453286A
Authority
CN
China
Prior art keywords
partial discharge
gis
training
sensor
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211062539.0A
Other languages
English (en)
Other versions
CN115453286B (zh
Inventor
易孝波
杨开
吴建明
张华�
缪楚声
韩茂文
林海荣
黄浩健
方来金
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.)
Zhuhai Electac High Technology Co ltd
Original Assignee
Zhuhai Electac High 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 Zhuhai Electac High Technology Co ltd filed Critical Zhuhai Electac High Technology Co ltd
Priority to CN202211062539.0A priority Critical patent/CN115453286B/zh
Publication of CN115453286A publication Critical patent/CN115453286A/zh
Application granted granted Critical
Publication of CN115453286B publication Critical patent/CN115453286B/zh
Priority to PCT/CN2023/115797 priority patent/WO2024046363A1/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
    • G01R31/1254—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 gas-insulated power appliances or vacuum gaps

Landscapes

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

Abstract

本申请公开了一种GIS局部放电诊断方法、模型训练方法、装置及系统,各个传感器模块之间相互通信连接，能够确定无线传输网络中各个传感器模块的传感器网络位置分布数据，局部放电诊断模型的训练过程中，引入了局部放电的时空特征，因此，经过训练后的局部放电诊断模型能够适应不同GIS设备以及不同传感器布局的方案，具有较佳的模型通用性以及适用性，大大节省了模型的训练时间，加快的局部放电诊断模型的投入时间。另外，本申请考虑局部放电发生位置以及传感器网络位置分布的关系，该因此本申请训练后的局部放电诊断模型也能够排除发生在GIS外部的放电信号干扰，提高局部放电类型识别的准确率。

Description

GIS局部放电诊断方法、模型训练方法、装置及系统
技术领域
本发明涉及局部放电诊断方法技术领域，尤其涉及一种GIS局部放电诊断方法、模型训练方法、装置及系统。
背景技术
气体绝缘组合电器(GasInsulatedSwitchgear，GIS)是将断路器、隔离开关、接地开关、母线等多种设备全部封闭在充满六氟化硫气体金属外壳中的组合式开关电器，气体绝缘组合电器是高压输变电工程中的关键设备。一旦出现故障，将可能造成电网重大事故发生，GIS中某些薄弱部位在强电场的作用下发生局部放电(PartialDischarge，PD)是高压绝缘中普遍存在的问题，而局部放电是诊断变电设备绝缘缺陷的有效手段。通过对GIS进行局部放电检测可有效掌握GIS内部绝缘状况，预防GIS绝缘故障跳闸造成电网事故。
目前用于GIS局部放电检测主要有超声波检测法和超高频法(UltraHighFrequency，UHF)，超声波检测法通过超声波探头检测局部放电产生的超声波及振动信号来检测局部放电信号，对GIS内的局部放电水平进行测量。而超高频法(UltraHighFrequency，UHF)通过天线接收PD产生的300～3000MHz频段UHF电磁波信号来检测局部放电信号，进而对对GIS内的局部放电水平进行测量。
传统的局部放电检测由工作人员使用便携式的局部放电检测仪进行检测，但受限于工作人员的经验水平，对局部放电的类型检测并不准确。目前也有通过在GIS上布局传感器的方式进行在线GIS局部放电检测，传感器通过天线耦合检测到的电信号转化为放电谱图，工作人员可以对放电谱图进行分析，进而确定局部放电发生的类型和局部放电在GIS上发生的大概区域，由于不同类型的局部放电有其对应的经典谱图，工作人员通过与不同类型的放电谱图进行对比，进而确定局部放电的类型。由于GIS型号、现场环境和传感器的安装位置不同，现场检测到的局部放电谱图并不一定能够匹配理想状态的经典放电谱图，因此会出现识别不准确和无法识别的情况，另外，由于放电现象并不一定在GIS内部发生，也有可能是外部放电信号例如外部其他电力设备或雷电的干扰(干扰的放电图谱也可能和经典图谱类似)，导致出现错误检测的情况。
发明内容
为解决上述技术问题的至少之一，本申请提供了一种GIS局部放电诊断方法、模型训练方法、装置、系统及计算机可读存储介质，能够提高GIS局部放电检测的准确性和局部放电诊断模型通用性。
根据本申请的第一方面，提供一种GIS局部放电诊断方法，应用于GIS局部放电诊断装置，所述GIS局部放电诊断装置包括监测主机、网络中继装置和分布设置于GIS上的多个传感器模块，所述传感器模块用于监测GIS发生局部放电时产生的特高频信号；所述传感器模块还包括无线传输装置，各个所述传感器模块与所述网络中继装置通信连接，各个所述传感器模块之间通过无线传输装置自组网相互连接构成无线传输网络，所述传感器模块通过无线通信的时间获知与其他所述传感器模块的距离，进而得到所述无线传输网络中各个所述传感器模块的传感器网络位置分布数据，将所述网络位置分布数据发送至网络中继装置，所述监测主机与所述网络中继装置通信连接；
所述检测方法包括：
所述监测主机获取各个所述传感器模块的监测数据，所述监测数据包括各个所述传感器模块监测到的局部放电特高频信号、各个所述传感器模块监测到的所述局部放电特高频信号的接收时间信息和所述无线传输网络的传感器网络位置分布数据；
所述监测主机将所述监测数据输入至所述局部放电诊断模型进行预测处理，确定预测局部放电类型；
其中，所述局部放电诊断模型通过以下训练方法得到：
所述监测主机从训练服务器获取局部放电诊断模型；
所述监测主机获取训练数据，所述训练数据包括训练特征数据和标注信息；所述训练特征数据包括各个所述传感器模块监测到的局部放电特高频信号、各个所述传感器模块监测到的所述局部放电特高频信号的接收时间信息和所述无线传输网络的传感器网络位置分布数据；所述标注信息包括局部放电类型；
所述监测主机将所述训练特征数据输入至所述局部放电诊断模型进行预测处理，确定预测局部放电类型；
所述监测主机根据所述预测局部放电类型，对所述局部放电诊断模型进行修正。
本申请的一些实施例中，所述训练数据还包括信号衰减特征，所述信号衰减特征包括各个所述传感器模块检测到的特高频信号之间的信号幅度差值或各个所述传感器模块的放电图谱中各个测量项之间的差值。
本申请的一些实施例中，所述监测主机获取训练数据，包括以下至少之一的步骤：
从所述训练服务器获取所述训练数据，其中，所述训练数据为预先在其他的GIS局部放电检测设备收集的数据；
或者，从所述监测主机的存储器中获取所述训练数据，其中，所述训练数据为当前所述GIS局部放电诊断装置在先收集的数据；
或者，通过在GIS上设置局部放电产生装置，收集由各个所述传感器模块检测所述局部放电产生装置产生的局部放电特高频信号，并记录各个所述传感器模块接收局部放电特高频信号的时间，各个所述传感器模块相互通信而感知的传感器网络位置分布数据，以及设置局部放电产生装置时确定的局部放电类型，得到所述训练数据。
或者，通过计算机建立的局部放电仿真模型获取所述训练数据，其中，所述训练数据为模拟测试数据。
本申请的一些实施例中，所述将所述训练特征数据输入至所述局部放电诊断模型进行预测处理，确定预测局部放电类型，包括：
将所述局部放电特高频信号进行向量化处理，得到局部放电特高频信号特征；
将所述接收时间信息和所述传感器网络位置分布数据分别进行向量化处理，得到接收时间特征和传感器网络位置分布特征；
将所述接收时间特征和所述传感器网络位置分布特征输入至融合模型进行交叉组合，得到交互特征，所述融合模型将所述接收时间特征、所述传感器网络位置分布特征和所述交互特征进行组合，得到组合属性特征；
将所述组合属性特征与所述局部放电特高频信号特征进行拼接，得到局部放电特高频信号融合特征；
将所述局部放电特高频信号融合特征输入至局部放电诊断模型进行预测处理，确定预测局部放电类型；
所述根据所述预测局部放电类型，对所述局部放电诊断模型进行修正，包括：
根据所述预测局部放电类型，对所述局部放电诊断模型和所述融合模型进行修正。
本申请的一些实施例中，所述融合模型将所述接收时间特征、所述传感器网络位置分布特征和所述交互特征进行组合，得到组合属性特征，包括：
将所述接收时间特征、所述传感器网络位置分布特征和所述交互特征进行加权求和，得到组合属性特征。
本申请的一些实施例中，所述组合属性特征表示为：
SP＝W0+W1d1+W2d2+W3d1d2；
其中，SP为所述组合属性特征，W0，W1，W2和W3为所述融合模型的参数，所述d1为所述接收时间特征的取值，所述d2为所述传感器网络位置分布特征的取值。
本申请的一些实施例中，所述传感器模块外置于GIS，所述GIS包括设置于GIS管道内部的多个预置传感器，所述多个预置传感器用于检测GIS发生局部放电时产生的特高频信号，并输出至监测主机，所述监测主机根据各个所述预置传感器检测到的特高频信号形成第二放电图谱；所述训练特征数据还包括所述第二放电图谱。
本申请的一些实施例中，所述标注信息中的局部放电类型，通过以下步骤获得：
当GIS发生局部放电时，所述监测主机或所述训练服务器获取各个所述传感器模块所监测到的局部放电特高频信号，并根据所述局部放电特高频信号生成监测放电图谱，所述监测主机根据所述监测放电图谱与经典放电图谱，确定局部放电的发生类型，进而确定所述标注信息中的局部放电类型；
所述训练方法还包括：
将所述预测局部放电类型与所述标注信息中的所述局部放电类型进行对比，确定当前训练步骤中所述局部放电诊断模型的预测准确率，当所述预测准确率大于预设值，基于所述训练特征数据中的局部放电特高频信号生成目标放电图谱，根据所述目标放电图谱更新所述经典放电图谱。
根据本申请的第二方面，提供一种GIS具备放电诊断模型的训练方法，应用于GIS局部放电诊断装置，所述GIS局部放电诊断装置包括监测主机、网络中继装置和分布设置于GIS上的多个传感器模块，所述传感器模块用于监测GIS发生局部放电时产生的特高频信号；所述传感器模块还包括无线传输装置，各个所述传感器模块与所述网络中继装置通信连接，各个所述传感器模块之间通过无线传输装置自组网相互连接构成无线传输网络，所述传感器模块通过无线通信的时间获知与其他所述传感器模块的距离，进而得到所述无线传输网络中各个所述传感器模块的传感器网络位置分布数据，将所述网络位置分布数据发送至网络中继装置，所述监测主机与所述网络中继装置通信连接；
所述训练方法包括：
所述监测主机从训练服务器获取局部放电诊断模型；
所述监测主机获取训练数据，所述训练数据包括训练特征数据和标注信息；所述训练特征数据包括各个所述传感器模块监测到的局部放电特高频信号、各个所述传感器模块监测到的所述局部放电特高频信号的接收时间信息和所述无线传输网络的传感器网络位置分布数据；所述标注信息包括局部放电类型；
所述监测主机将所述训练特征数据输入至所述局部放电诊断模型进行预测处理，确定预测局部放电类型；
所述监测主机根据所述预测局部放电类型，对所述局部放电诊断模型进行修正。
根据本申请的第三方面，提供一种GIS局部放电诊断模型的全局训练方法，其特征在于，应用于全局训练系统，其中，所述全局训练系统包括训练服务器，和多个部分设置有不同变电站GIS上的GIS局部放电诊断装置，所述GIS局部放电诊断装置包括包括监测主机、网络中继装置和分布设置于GIS上的多个传感器模块，所述传感器模块用于监测GIS发生局部放电时产生的特高频信号；所述传感器模块还包括无线传输装置，各个所述传感器模块与所述网络中继装置通信连接，各个所述传感器模块之间通过无线传输装置自组网相互连接构成无线传输网络，所述传感器模块通过无线通信的时间获知与其他所述传感器模块的距离，进而得到所述无线传输网络中各个所述传感器模块的传感器网络位置分布数据，将所述网络位置分布数据发送至网络中继装置，所述监测主机与所述网络中继装置通信连接；
所述训练服务器内配置有全局GIS局部放电诊断模型；
所述训练方法包括：
每个所述监测主机从所述训练服务器获取全局GIS局部放电诊断模型，根据所述全局GIS局部放电诊断模型生成对应的局部放电诊断模型；
每个所述监测主机依据本申请第二方面所述的GIS局部放电诊断模型的训练方法进行训练，并获得训练后的所述局部放电诊断模型的网络参数；
每个所述监测主机将所获取的所述网络参数反馈至训练服务器，以使所述训练服务器更新所述全局GIS局部放电诊断模型。
根据本申请的第四方面，提供一种GIS局部放电诊断模型的训练装置，GIS局部放电诊断装置包括监测主机、网络中继装置和分布设置于GIS上的多个传感器模块，传感器模块用于监测GIS发生局部放电时产生的特高频信号；传感器模块还包括无线传输装置，各个传感器模块与网络中继装置通信连接，各个传感器模块之间通过无线传输装置自组网相互连接构成无线传输网络，传感器模块通过无线通信的时间获知与其他传感器模块的距离，进而得到无线传输网络中各个传感器模块的传感器网络位置分布数据，将网络位置分布数据发送至网络中继装置，监测主机与网络中继装置通信连接，
其中，监测主机从训练服务器获取局部放电诊断模型；
监测主机获取训练数据，训练数据包括训练特征数据和标注信息；训练特征数据包括各个传感器模块监测到的局部放电特高频信号、各个传感器模块监测到局部放电特高频信号的接收时间信息和无线传输网络的传感器网络位置分布数据；标注信息包括局部放电类型；
监测主机将训练特征数据输入至局部放电诊断模型进行预测处理，确定预测局部放电类型；
监测主机根据预测局部放电类型，对局部放电诊断模型进行修正。
根据本申请的第五方面，提供一种GIS局部放电诊断模型的全局系统，其中，全局训练系统包括训练服务器，和多个部分设置有不同变电站GIS上的GIS局部放电诊断装置，GIS局部放电诊断装置包括包括监测主机、网络中继装置和分布设置于GIS上的多个传感器模块，传感器模块用于监测GIS发生局部放电时产生的特高频信号；传感器模块还包括无线传输装置，各个传感器模块与网络中继装置通信连接，各个传感器模块之间通过无线传输装置自组网相互连接构成无线传输网络，传感器模块通过无线通信的时间获知与其他传感器模块的距离，进而得到无线传输网络中各个传感器模块的传感器网络位置分布数据，将网络位置分布数据发送至网络中继装置，监测主机与网络中继装置通信连接；
训练服务器内配置有全局GIS局部放电诊断模型；
每个监测主机从训练服务器获取全局GIS局部放电诊断模型，根据全局GIS局部放电诊断模型生成对应的局部放电诊断模型；
每个监测主机依据本申请第四方面的GIS局部放电诊断模型的训练装置对局部放电诊断模型进行训练并获得局部放电诊断模型的网络参数；
每个监测主机将所获取的网络参数反馈至训练服务器，以使训练服务器更新全局GIS局部放电诊断模型。
根据本申请的第六方面，提供一种GIS局部放电诊断装置，包括监测主机、网络中继装置和分布设置于GIS上的多个传感器模块，传感器模块用于监测GIS发生局部放电时产生的特高频信号；传感器模块还包括无线传输装置，各个传感器模块与网络中继装置通信连接，各个传感器模块之间通过无线传输装置自组网相互连接构成无线传输网络，传感器模块通过无线通信的时间获知与其他传感器模块的距离，进而得到无线传输网络中各个传感器模块的传感器网络位置分布数据，将网络位置分布数据发送至网络中继装置，监测主机与网络中继装置通信连接；
监测主机获取各个传感器模块的监测数据，监测数据包括各个传感器模块监测到的局部放电特高频信号、各个传感器模块监测到局部放电特高频信号的接收时间信息和无线传输网络的传感器网络位置分布数据；
监测主机将监测数据输入至局部放电诊断模型进行预测处理，确定预测局部放电类型。
另一方面，本申请实施例还提供了一种电子设备，包括存储器、处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述的GIS局部放电诊断模型的训练方法、GIS局部放电诊断模型的全局训练方法或GIS局部放电诊断方法。
另一方面，本申请实施例还提供了一种计算机可读存储介质，存储介质存储有程序，程序被处理器执行实现上述的GIS局部放电诊断模型的训练方法、GIS局部放电诊断模型的全局训练方法或GIS局部放电诊断方法。
另一方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行实现上述的GIS局部放电诊断模型的训练方法、GIS局部放电诊断模型的全局训练方法或GIS局部放电诊断方法。
本申请实施例的有益效果是：
由于GIS局部放电诊断装置中各个传感器模块之间相互通信连接，因此可以根据通信的时长确定各个传感器模块之间的位置以及与网络中继装置的位置，进而能够确定无线传输网络中各个传感器模块的传感器网络位置分布数据，另外，由于GIS局部放电的反生位置与各个传感器模块之间的距离不同，因此各个传感器模对局部放电特高频信号的时间也不同，这反映了局部放电实际发生位置与传感器网络位置的关系，局部放电诊断模型的训练过程中，考虑各个传感器模块监测到局部放电特高频信号的接收时间信息和无线传输网络的传感器网络位置分布数据，因此，经过训练后的局部放电诊断模型能够适应不同GIS设备以及不同传感器布局的方案，无需针对不同变电站或者不同的传感器布局方案单独进行模型训练，具有较佳的模型通用性以及适用性，新建变电站能够直接应用已经训练好的模型无需重新进行训练，只需要迁移模型后少量地进行训练，大大节省了模型的训练时间，加快的局部放电诊断模型的投入时间。另外，本申请考虑局部放电发生位置以及传感器网络位置分布的关系，该因此本申请训练后的局部放电诊断模型也能够排除发生在GIS外部的放电信号干扰，提高局部放电类型识别的准确率。
附图说明
图1是本申请一个实施例的GIS局部放电诊断模型的全局训练系统的系统原理框图；
图2是本申请一个实施例的GIS局部放电诊断装置的结构原理框图；
图3是本申请一个实施例的传感器模块在GIS上的位置分布示意图；
图4是本申请一个实施例的传感器模块和网络中继装置位置及距离分布的简单示意图；
图5是本申请一个实施例的GIS局部放电诊断模型的训练方法的方法流程图；
图6是图5步骤503的具体方法流程图；
图7是本申请一个实施例的GIS局部放电诊断模型的全局训练方法的方法流程图；
图8是本申请一个实施例的GIS局部放电诊断方法的方法流程图。
具体实施方式
下面结合说明书附图和具体的实施例对本申请进行进一步的说明。所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
目前用于GIS局部放电检测主要有超声波检测法和超高频法(UltraHighFrequency，UHF)，超声波检测法通过超声波探头检测局部放电产生的超声波及振动信号来检测局部放电信号，对GIS内的局部放电水平进行测量。而超高频法(UltraHighFrequency，UHF)通过天线接收PD产生的300～3000MHz频段UHF电磁波信号来检测局部放电信号，进而对对GIS内的局部放电水平进行测量。
传统的局部放电检测由工作人员使用便携式的局部放电检测仪进行检测，但受限于工作人员的经验水平，对局部放电的类型检测并不准确，而且人工寻找局部放电不仅需要花费大量的人工成本，且检测效率低。目前也有通过在GIS上布局传感器的方式进行在线GIS局部放电检测，传感器通过天线耦合检测到的电信号转化为放电谱图，工作人员可以对放电谱图进行分析，进而确定局部放电发生的类型，由于不同类型的局部放电有其对应的经典谱图，工作人员通过与不同类型的放电谱图进行对比，进而确定局部放电的类型。由于GIS型号、现场环境和传感器的安装位置不同，现场检测到的局部放电谱图并不一定能够匹配理想状态的经典放电谱图，因此会出现识别不准确和无法识别的情况，另外，由于放电现象并不一定在GIS内部发生，也有可能是外部放电信号，例如外部其他电力设备或雷电的干扰，而外部信号干扰的放电图谱也可能和经典图谱类似，这样会出现识别出放电类型后，工作人员现场停机检修却找不出问题，导致出现错误检测的情况，人力成本高，会造成不少的经济损失。
目前也有利用神经网络和机器学习等AI的方式实现GIS局部放电的自动分析检测，能够提高局部放电类型的识别率，然而，由于不同型号GIS结构以及传感安装位置的差异，针对某个GIS训练构建的模型并不适用于另一台GIS，需要针对不同的GIS分别进行训练构建模型，模型的通用性及现场适用性较差，反复训练花费的时间较长，训练成本高。
为了解决上述的技术问题，本申请通过引入传感器模块监测到局部放电特高频信号的接收时间信息和无线传输网络的传感器网络位置分布数据进行局部放电诊断模型的训练，局部放电诊断模型能够适应不同GIS设备以及不同传感器布局的方案，能够提高GIS局部放电检测的准确性和局部放电诊断模型通用性，节省训练时间成本。
图1是本申请实施例提供的GIS局部放电诊断模型的全局训练系统，其中，全局训练系统包括负责统筹训练的训练服务器和多个GIS局部放电诊断装置，GIS局部放电诊断装置通过互联网或局域网与训练服务器通信连接，由于变电站通常分别在不同的地区，且变电站内的GIS发对应设置有一个GIS局部放电诊断装置，因此本申请实施例的全局训练系统实际上在远程负责管理分布在不同地区的GIS局部放电诊断装置。有的变电站内设置有2以上的GIS，则需要每台GIS设置一个GIS局部放电诊断装置又或者根据检测需要只为部分的GIS配备GIS局部放电诊断装置。
参见图2所示，GIS局部放电诊断装置包括监测主机、网络中继装置和分布设置于GIS上的多个传感器模块，传感器模块通过网络中继装置与监测主机通信连接。
传感器模块包括耦合天线模块、中央处理单元、信号处理电路、无线传输模块和用于检测局部放电发生时的特高频信号的耦合天线模块，耦合天线模块通过信号处理电路与中央处理单元连接，无线传输模块包括蓝牙通信模块和2.4g通信模块，蓝牙通信模块和2.4g通信模块与中央处理单元连接。其中，信号处理电路包括相继依次连接的前置放大器、滤波器、运算放大器和AD转换器，前置放大器的输入端与耦合天线模块连接，AD转换器的输出端与中央处理单元连接。
一实施例中，耦合天线模块为超高频UHF传感器，超高频UHF传感器用于实时捕获放电统计特征，前置放大器用于将实时信号进行放大处理，滤波器用于整形放大后的脉冲信号，运算放大器用于对整形后的脉冲信号进一步放大处理，A/D转换器用于将整形后的模信号转换为数字信号给中央处理器，中央处理器对放电统计特征的数字信号进行处理，得到局部放电特高频信号，并通过无线传输模块发送至网络中继装置。
多个传感器模块分布设置于GIS上，传感器的分布模式可以根据GIS的型号进行标准化的布置，也可以根据GIS的现场布置情况因地制宜地分布设置。参见图3所示，为一个实施例提供的各个传感器模块分布模式。图3所示的GIS中，设置有3个传感器模块，分别A传感器模块31、B传感器模块32和C传感器模块33，其中，A传感器模块31、B传感器模块32、C传感器模块33块分别安装在GIS三个相位的隔间与母线连接的处盆式绝缘子处，网络中继装置37设置于A相的GIS隔间与母线连接的位置，且与A传感器模块31相隔第一预设距离L1。网络中继装置37与监测主机38通过有线连接。
参见图3所示，另一实施例中，设置有6个传感器模块，分别为A传感器模块31、B传感器模块32、C传感器模块33、D传感器模块34、E传感器模块35和F传感器模块36，其中A传感器模块31、B传感器模块32、C传感器模块33块分别安装在GIS三个相位的隔间与母线连接的处盆式绝缘子处，D传感器模块34、E传感器模块35和F传感器模块36分别安装在GIS三个相位的GIS隔间的馈线气室盆式绝缘子处，网络中继装置37设置于A相的GIS隔间与母线连接的位置，且与A传感器模块31相隔第一预设距离L1。
以下实施例中，以3个传感器模块A、B、C进行说明，6个及其他数量的传感器模块布局方式区别在于传感器的数量检测位置范围的不同，具体监测原理近似。
各个传感器模块具备自组网功能，能够相互之间进行通信，构建无线传输网络，例如，传感器模块A、B、C设置为一组后，传感器模块A、B、C能够相互查找并建立通信连接进行组网，其中可以通过设置网络标识号码确定分组，例如配置传感器模块A、B、C的网络标识号码为Y1，A传感器模块上电后，会扫描邻近的无线设备，确定网络标识号码为Y1的B传感器模块和C传感器模块，进而建立握手连接，由于各个传感器模块在建立握手连接时会记录发送接收时间以及时间戳，因而能够确定信号传输的时间差，由于无线信号传输的速度固定(一般为光速)，因此能够确定各个传感器模块之间的距离，例如A传感器模块能够确定与B传感器模块的距离为L2，与C传感器模块的距离为L3，同理传感器模块A、B、C与网络中继装置的距离能够确定。由于网络中继装置与A传感器模块相隔固定距离L1，因此能够确定B传感器模块、C的准确位置。参见图4所示，测得AB传感器模块之间的距离为L2，B传感器模块与网络中继装置的距离为L4，因此在传感器模块A、B传感器模块和网络中继装置构成的三角形中，三角形的边长已知分别为L1，L2和L4，为了便于理解，图4所示的为传感器模块A、B传感器模块和网络中继装置的平面原理图，实际上，可以推广至三维坐标体系，在此不再重复赘述。可见，B传感器模块的位置能够被确定，一实施例中，可以以网络中继装置与A传感器模块构建三维坐标确定B传感器模块的位置，而另一实施例中，由于本申请是局部放电诊断模型的应用，因此输入到局部放电诊断模型的位置信息可以是不同B传感器模块检测到的相对距离特征即可，而无需要计算出各个传感器模块的准确值，实际上，通过构建相对距离矩阵的方式能够让局部放电诊断模型更好地工作。
一实施例中，各个传感器模块通过蓝牙通信模块相互之间进行自组网，构建构成无线传输网络，蓝牙通信模块具有低功耗的特点，能降低传感器模块的功耗，具有节能环保的效果，而且价格低廉，虽然蓝牙通信模块具有数据传输速度慢，带宽小的特点，但是由于本实施例中蓝牙通信模块的主要作用是构建无线传输网络，确定各个传感器模块之间的距离，实际工作过程中只需要传输握手通信所需要的数据，一实施例中，各个传感器模块之间可以维持握手通信，即建立通信连接后持续地发送数据确认对方传感器模块的位置和确认传感器模块是否在线，目前的5.0蓝牙协议具有并发连接的功能。另一实施例中，各个传感器模块可以以轮询的方式建立通信连接，这种模式适用于早期的蓝牙协议，例如，A传感器模块感知到附近存在B传感器模块和C传感器模块，A传感器模块首先与B传感器模块建立通信连接，确定与B传感器模块距离，然后断开B传感器模块的连接，与C传感器模块通信连接，确定与C传感器模块的距离，一实施例中，传感器模块可以循环地与其他传感器模块通信连接，以维持无线传输网络，另一实施例中，传感器模块可以只与各个传感器模块连接一次，记录相互之间的距离并存储，以后的检测均调用该存储的距离信息(即传感器网络位置分布数据初始化后不变)。一实施例中，各个传感器模块通过无线通信模块向网络中继装置发送局部放电特高频信号和传感器网络位置分布数据。由于局部放电特高频信号和传感器网络位置分布数据数据量较大，为了能够及时获取监测数据，选择2.4g无线通信模块或者WiFi、5g模块与网络中继装置进行通信，当然，在通信的过程中，也能够确定各个传感器模块与网络中继装置之间的距离信息。
一实施例中，传感器模块还包括供电模块，供电模块与中央处理单元、信号处理电路、无线传输模块和耦合天线连接以提供电源。一实施例中，供电模块可以是通过市电供电(与监测主机的电源一致)，又或者，一实施例中，供电模块包括蓄电池和太阳能板，通过太阳能板为蓄电池充电，而蓄电池为传感器模块供电。通过该方式，无需考虑传感器模块的供电引线，在布局传感器模块时可以更加灵活及因地制宜，只需要固定好传感器模块的位置，打开各个传感器模块的开关，由太阳能板为传感器模块供电，各个传感器模块即可自动组网并进行局部放电监测，操作简单，现场布置十分方便。
当传感器模块监测到GIS有局部放电产生时，除了记录特高频信号外，还记录了所接收特高频信号的时间，得到接收时间信息，可以理解的是，根据局部放电产生位置的不同，各个传感器模块检测到的特高频信号的时间也不同，而根据局部放电产生类型不同，各个传感器驾车到的特高频信号的时间也有差异，因此通过记录各个传感器模块的接收时间信息能帮助确定局部放电的类型。
一实施例中，网络中继装置设置有两个无线通信模块，其中一个为蓝牙通信模块，另一个为2.4g无线通信模块，其中，2.4g无线通信模块和蓝牙通信模块相隔距离L5设置，各个传感器模块既与网络中继装置的蓝牙通信模块通信连接，又与网络中继装置的2.4g无线通信模块通信连接，因此，能够确定网络中继装置的2.4g无线通信模块和蓝牙通信模块分别与传感器模块的距离，结合网络中继装置与A传感器模块相隔固定距离L1，能够确定各个传感器模块的具体三维坐标关系。
网络中继装置与监测主机通信连接，其中可以通过有线或无线的方式进行通信，由于网络中继装置与监测主机之间的数据传输量较大，因此对于有线的方式可以采用网线或同轴光缆的方式进行连接，若采用无线通信的方式可以采用wifi或5g通信的方式进行。
一实施例中，监测主机用于监控并分析局部放电发生的类型，即确定预测局部放电类型。监测主机通过网络中继装置获取各个传感器模块的监测数据，将监测数据输入至局部放电诊断模型进行预测处理，确定预测局部放电类型。其中，监测数据包括各个传感器模块监测到的局部放电特高频信号、各个传感器模块监测到的局部放电特高频信号的接收时间信息和无线传输网络的传感器网络位置分布数据。其中，监测主机可以为计算机设备或服务器设备。
一实施例中，监测主机还对各个传感器模块检测的特高频信号进行分析，确定传感器模块检测到的特高频信号之间的信号幅度差值或各个传感器模块的放电图谱中各个测量项之间的差值，进而确定信号衰减特征，即上述的监测数据还包括监测主机对特高频信号进行分析处理后的信号衰减特征。
上述的局部放电诊断模型需要进行训练后才能使用，而对局部放电诊断模型的训练也是采用图上述图1、图2所示的GIS局部放电诊断模型的全局训练系统，其中，GIS局部放电诊断装置负责具体局部放电诊断模型的训练工作。
参见图5所示，本申请实施提供一种GIS局部放电诊断模型的训练方法，包括：
步骤501，监测主机从训练服务器获取局部放电诊断模型。
本步骤中，监测主机与训练服务器通信连接获取，局部放电诊断模型，其中，局部放电诊断模型可以是原始模型或标准模型，也可以是迁移的训练模型。一实施例中，监测主机所获取的训练模型为全局训练系统中其他GIS局部放电诊断装置训练完的模型，又或者为其他GIS局部放电诊断装置训练中迁移过来的模型。
步骤502，监测主机获取训练数据，训练数据包括训练特征数据和标注信息；训练特征数据包括各个传感器模块监测到的局部放电特高频信号、各个传感器模块监测到的局部放电特高频信号的接收时间信息和无线传输网络的传感器网络位置分布数据；标注信息包括局部放电类型。
本步骤中，监测主机可以通过以下至少之一的方式获取训练数据：
一实施例中，从训练服务器获取训练数据，其中，训练数据为预先在其他的GIS局部放电检测设备收集的数据，如上文的描述，本申请实施例的全局训练系统分布设置与不同的地域和不同的变电站，因此所获取到的训练数据，可以是其他GIS局部放电检测设备在单独执行训练任务时产生的训练数据，由或者是其他变电站的GIS运行过程中发生局部放电故障时所收集到的数据，这些数据上传到训练服务器中作为其他GIS局部放电检测设备的训练数据，一方面，能有效利用训练资源，节省训练成本，另一方面，能提高训练数据的多样性，使局部放电诊断模型的适用性更好。
另一实施例中，从监测主机的存储器中获取训练数据，其中，训练数据为当前GIS局部放电诊断装置在先收集的数据。本实施例中，可以首先在GIS中布置GIS局部放电诊断装置，然后在GIS运行过程中产生局部放电时几个各个传感器模块的局部放电特高频信号、传感器网络位置分布数据以及接收时间信息，由于每次出现局部放电故障后通常需要人工排查局部放电的发生位置和类型，这样则形成了一条训练数据。由于全局训练系统中可以包含成千上百的个GIS局部放电诊断装置，存储的训练数据也可以通过训练服务器实现资源共享。
另一实施例中，可以通过人工模拟局部放电进行测试，实现训练数据的收集，当GIS局部放电诊断装置在GIS上设置好后，可以在GIS上设置用于模拟产生局部放电的设备(为安全起见，这时GIS局部放电设备未投入电网使用)，这可以是模拟局部放电的方式人为产生局部放电，也可以是模拟局部放电是产生的特高频信号，通过释放特高频信号进行局部放电的模拟，通过收集由各个传感器模块检测局部放电产生装置产生的局部放电特高频信号，并记录各个传感器模块接收局部放电特高频信号的时间，各个传感器模块相互通信而感知的传感器网络位置分布数据，以及设置局部放电产生装置时确定局部放电类型，得到训练数据。
另一实施例中，可以通过计算机建立的局部放电仿真模型获取训练数据，其中，训练数据为模拟测试数据。
一实施例中，可以组合上述不同实施例的训练数据获取方式，例如从训练服务器获取其他GIS局部放电诊断装置收集的训练数据之外，还收集现场人工模拟的局部放电训练数据。
本步骤502中，训练数据包括训练特征数据和标注信息，其中训练特征数据中的局部放电特高频信号为放电信号的放电统计特征，监测主机会对各个传感器模块检测的放电信号进行统计，得到上述的放电统计特征作为局部放电特高频信号，一实施例中，局部放电特高频信号为第一放电图谱，例如可以采用局部放电相位分布图谱PRPD或局部放电脉冲信号图谱PRPS，其中，PRPD是将将局部放电产生的脉冲信号(携带相位)显示在二维坐标系中，而PRPS将局部放电产生的带相位的脉冲信号按照时间先后顺序显示在三维坐标系中，另一实施例中，也可以将PRPD图谱和PRPS图谱进行组合使用(即将PRPD图谱和PRPS图谱均作为训练数据中的局部放电特高频信号)，能够提高训练和模型识别的准确性，局部放电训练数据以数字信号编码的方式进行表示，在本申请中以特征G表示。对于训练数据中的接收时间信息，可以根据传感器模块的编号顺序依次排列，以3个传感器模块A、B、C为例，可以记为特征T(TA,TB,TC)。对于各个传感器模块的传感器网络位置分布数据，以各个传感器模块的相对距离来表示，以3个传感器模块A、B、C为例，A传感器模块与网络中继装置、B传感器模块、C传感器模块的距离可以分别记为Lax，Lab，Lac，其他传感器以此类推，因此，一实施例中，训练数据中的训练特征数据可以如下表所示：
Figure BDA0003826877460000101
表1训练特征数据格式示意图
上述表1中N表示没有测量数据，随着传感器的增多，该表格可以继续延伸，例如当存D传感器模块时，上述表1则增加AD距离列和BD、CD距离列，如此类推。在实际训练过程中，为了适配更多的传感器模块数量，默认的表格列数预留较多，例如有20列的相互距离数据，实际应用的传感器模块数量较少，则没有的表格内容填写N表示没有数据即可，例如20列的相互距离数据只有AB,AC，BC列填写数据，其余填N。
当然，另一实施例中也可以不用各个传感器模块之间的相对距离表示传感器网络位置分布数据，也可以通过构建坐标系确定各个传感器的三维坐标进行表示。然而申请人经过实践分析发现相对位置的表示方式对局部放电诊断模型的训练成功率更高，模型的适用性更强。
本步骤502中，标注信息包括局部放电类型，一实施例中，可以包括以下类型：
(1)自由金属颗粒放电；
(2)悬浮电位体放电；
(3)绝缘件内部气隙放电；
(4)金属尖端放电；
(5)机械震动(非局部放电)；
(6)外部干扰信号。
一实施例中，也可以用一个特征来标记局部放电的类型，例如采用上述不同的标号标记局部放电类型，可以采用数字或文字进行标记。
步骤503，监测主机将训练特征数据输入至局部放电诊断模型进行预测处理，确定预测局部放电类型。
本步骤中，监测主机上步骤502所获取的训练特征数据输入至上述步骤501所获取的局部放电诊断模型进行预测处理，一实施例中，监测主机会根据局部放电诊断模型的输入要求对训练特征数据进行预处理后再输入至局部放电诊断模型，一实施例中，监测主机首先对训练特征数据进行向量化处理，以获得特征数据的向量化表示后输入至局部放电诊断模型。另一实施例中，上述步骤502获取的训练特征数据就已经是向量化表示的数据时，监测主机就不用对训练特征数据进行处理，直接输入至局部放电诊断模型即可。由于训练特征数据除了局部放电特高频信号还有其他类型的接收时间信息和传感器网络位置分布数据，一实施例中，监测主机可以采用拼接的方式对接收时间信息、传感器网络位置分布数据与局部放电特高频信号进行拼接或组合输出，其中拼接是指分别将局部放电特高频信号、接收时间信息和传感器网络位置分布数据分别进行向量话处理后再进行拼接，组合是指例如就上述表1中的数据转换为行列表示的矩阵数据，再对该矩阵数据进行向量化处理。
训练特征数据输入至局部放电诊断模型后，局部放电诊断模型进行预测处理后输出局部放电类型。
步骤504，监测主机根据预测局部放电类型，对局部放电诊断模型进行修正。
本步骤中，通过将标注信息与预测局部放电类型进行对比，计算交叉熵，然后通过BP(Backpropagation，即误差反向传播)算法，来更新关系目标模型的参数。BP网络的输入输出关系实质上是一种映射关系：一个输入m个输出的BP神经网络所完成的功能是从一维欧氏空间向m维欧氏空间中一有限域的连续映射，这一映射具有高度非线性。它的信息处理能力来源于简单非线性函数的多次复合，因此具有很强的函数复现能力。这是BP算法得以应用的基础。反向传播算法主要由两个环节(激励传播、权重更新)反复循环迭代，直到网络的对输入的响应达到预定的目标范围为止。在模型学习级阶段，如果在输出层得不到期望的输出值，则取输出与期望的误差的平方和作为目标函数，转入反向传播，逐层求出目标函数对各神经元权值的偏导数，构成目标函数对权值向量的梯量，作为修改权值的依据，网络的学习在权值修改过程中完成，当误差达到所期望值时，网络学习结束。
本申请实施例提供的GIS局部放电诊断模型的训练方法，由于GIS局部放电诊断装置中各个传感器模块之间相互通信连接，因此可以根据通信的时长确定各个传感器模块之间的位置以及与网络中继装置的位置，因此能够确定无线传输网络中各个传感器模块的传感器网络位置分布数据，另外，由于GIS局部放电的反生位置与各个传感器模块之间的距离不同，因此各个传感器模对局部放电特高频信号的时间也不同，这反映了局部放电实际发生位置与传感器网络位置的关系，也能较好地放大外部干扰电信号与GIS内部局部放电信号的区别，局部放电诊断模型的训练过程中，考虑各个传感器模块监测到局部放电特高频信号的接收时间信息和无线传输网络的传感器网络位置分布数据，经过训练后的局部放电诊断模型能够适应不同GIS设备以及不同传感器布局的方案，无需针对不同变电站或者不同的传感器布局方案单独进行模型训练，具有较佳的模型通用性以及适用性，新建变电站能够直接应用已经训练好的模型无需重新进行训练，只需要迁移模型后少量地进行训练，大大节省了模型的训练时间，加快的局部放电诊断模型的投入时间。另外，本申请考虑局部放电发生位置以及传感器网络位置分布的关系，该因此本申请训练后的局部放电诊断模型也能够排除发生在GIS外部的放电信号干扰，提高局部放电类型识别的准确率。
一实施例中，监测主机还对各个传感器模块检测的特高频信号进行分析，确定传感器模块检测到的特高频信号之间的信号幅度差值或各个传感器模块的放电图谱中各个测量项之间的差值，进而确定信号衰减特征，即上述的监测数据还包括监测主机对特高频信号进行分析处理后的信号衰减特征，信号衰减特征包括各个传感器模块检测到的特高频信号之间的信号幅度差值或各个传感器模块的放电图谱中各个测量项之间的差值。由于各个传感器模块所检测到的信号衰减的差值可以类似于表1中的相对距离表示，例如增加一列特征表示，A传感器模块和B传感器模块之间的信号衰减特征Sab，如此类推。本申请实施例中局部放电特高频信号以放电图谱进行暂时，而放电图谱本身已经综合了各个传感器模块的放电信号特征(例如表1中传感器模块A、B、C共用局部放电特高频信号特征G)，本实施例中，本实施例中通过提取局部放电特高频信号中各个传感器模块之间的衰减特征，引入了各个传感器模块之间的差异特征，丰富了训练特征数据的训练维度，对局部放电诊断模型的训练效果更好。一实施例中，可以将衰减特征与局部放电特高频信号、接收时间信息和传感器网络位置分布数据进行拼接或以矩阵的方式进行组合后输入至局部放电诊断模型总进行预测处理。
一实施例中，传感器模块为参见图3所示的外置式传感器模块，使用外置式传感器模块能够便于对现有的GIS进行升级改造，例如现有的GIS并没有在线检测局部放电的功能，通过本申请实施例中的GIS局部放电诊断装置即可实现该功能的升级。一实施例中，GIS包括设置于GIS管道内部的多个预置传感器，这些预置传感器也用于检测GIS发生局部放电时产生的特高频信号，然而，这些预置传感器并未配置无线传输装置，因此各个预置传感器之间的相互位置关系无法感知，对于这些GIS，通过加装GIS局部放电诊断装置即可实现升级，同时，也可以利用原来的多个预置传感器的在线检测数据，只需要将原来的多个预置传感器的有线接口连接在本申请实施例中的监测主机上即可，当发生局部放电时，各个外置的传感器模块检测到局部放电特高频信号，各个内置于GIS的预置传感器也能检测到特高频信号，进而检测主机能够对各个预置传感器的检测数据进行分析统计处理，得到第二放电图谱，因此也可以将该第二放电图谱应用于训练局部放电诊断模型，提高局部放电诊断模型的预测准确性。相应地，可以将第二放电图谱与局部放电特高频信号、接收时间信息和传感器网络位置分布数据进行拼接或以矩阵的方式进行组合后输入至局部放电诊断模型总进行预测处理。
参见图6所示，一实施例中，上述步骤503，具体包括以下步骤：
步骤601，将局部放电特高频信号进行向量化处理，得到局部放电特高频信号特征。
本步骤中，监测主机通过对局部放电特高频信号进行向量化处理，得到局部放电特高频信号特征。一实施例中，局部放电特高频信号为监测主机根据各个传感器模块检测到的特高频放电信号统计出来的放电图谱(例如PRPD图谱或者PRPS图谱)，由于放电图谱特征为图像特征，因此能够使用向量表示各个采样的象素，进而将局部放电特高频信号转换为局部放电特高频信号特征。若存在多个图谱数据，例如包括PRPD图谱、PRPS图谱和GIS的内部传感器说监测的第二放电图谱，以及各个传感器模块之间的信号衰减特征，可以将特征进行拼接或加权处理得到局部放电特高频信号特征。一实施例中，若局部放电特高频信号并非以图谱的方式进行表示，则可将对应的数字信号输入至深度序列模型中进行向量化表示。
步骤602，将接收时间信息和传感器网络位置分布数据分别进行向量化处理，得到接收时间特征和传感器网络位置分布特征。
本步骤中，对接收时间信息和传感器网络位置分布数据的向量化处理可以参考步骤601，在此不再赘述。
步骤603，将接收时间特征和传感器网络位置分布特征输入至融合模型进行交叉组合，得到交互特征，将融合模型将接收时间特征、传感器网络位置分布特征和交互特征进行组合，得到组合属性特征。
本步骤中，融合模型为预先训练好的机器学习模型，用于对输入的接收时间特征和传感器网络位置分布特征进行融合交互，融合交互的过程为：将接收时间特征和传感器网络位置分布特征进行交叉组合形成交互特征，然后将融合模型将接收时间特征、传感器网络位置分布特征和交互特征进行组合，得到组合属性特征。也就是说，组合属性特征包括接收时间特征、传感器网络位置分布特征以及接收时间特征和传感器网络位置分布特征交叉组合的交互特征。
步骤604，将组合属性特征与局部放电特高频信号特征进行拼接，得到局部放电特高频信号融合特征。
本步骤中，监测主机将组合属性特征与局部放电特高频信号特征进行拼接，得到局部放电特高频信号融合特征。一实施例中，可以将组合属性特征拼接于局部放电特高频信号特征的尾部。
步骤605，将局部放电特高频信号融合特征输入至局部放电诊断模型进行预测处理，确定预测局部放电类型。
本步骤中，的预测处理方法在上述步骤503已经描述，在此不再赘述。
一实施例中，基于上述步骤601至步骤605，上述步骤504，包括：
根据预测局部放电类型，对局部放电诊断模型和融合模型进行修正。
本步骤中，可以同时对局部放电诊断模型和融合模型进行联合训练，以调整各个模型的参数。也可以单独训练调整某个学习模型的参数，例如单独调节局部放电诊断模型的参数，或者固定一个模型而训练其他学习模型的参数，例如固定局部放电诊断模型，对融合模型进行联合训练。
本申请实施例中，通过进一步将接收时间特征和传感器网络位置分布特征进行交叉融合，由于局部放电发生的位置和传感器网络位置分布以及各个传感器模块接收局部放电信号的时间有较强的关联，特别是当放电信号为外部的干扰信号时，传感器网络位置分布对检测外部信号的位置有较高的灵敏度，另外通过对接收时间特征和传感器网络位置分布特征进行交叉融合，得到交互特征，能够有效提取两个特征的关联性，而将融合模型将接收时间特征、传感器网络位置分布特征和交互特征进行组合，得到组合属性特征，又能保护接收时间特征和传感器网络位置分布特征的独立特征，本申请实施例中，并非简单提取拼接时空特征，而是通过融合模型选择接收时间特征、传感器网络位置分布特征和交互特征之间的配比，使组合属性特征的应用更加合适。另外，通过同时对局部放电诊断模型和融合模型进行联合训练，则可以提高模型的训练效果，使局部放电诊断模型的预测准确性大大提高。
一实施例中，上述步骤将融合模型将接收时间特征、传感器网络位置分布特征和交互特征进行组合，得到组合属性特征，其中，通过加权求和的方式将接收时间特征、传感器网络位置分布特征和交互特征进行组合，具体可以表示为：
SP＝W0+W1d1+W2d2+W3d1d2；
其中，SP为组合属性特征，W0，W1，W2和W3为融合模型的参数，d1为接收时间特征的取值，d2为传感器网络位置分布特征的取值。一实施例中，d1和d2为矩阵，相应地，WO,W1和W2也是矩阵权重。
融合模型可以进一步加强位置分布属性和接收时间属性之间的交互，创造性地提出了交叉项，并利用隐向量的方式解决了交叉项参数系统的问题，可以更好地提取样本中的低阶项。
一实施例中，可以通过局部放电诊断模型的预测结果，提高对标注信息中局部放电类型的标注准确度，如上述实施例的描述，训练数据可以在GIS运行过程中收集：当GIS发生局部放电时，监测主机或训练服务器获取各个传感器模块所监测到的局部放电特高频信号，并根据局部放电特高频信号生成监测放电图谱，监测主机根据监测放电图谱与经典放电图谱进行对比，确定局部放电的发生类型和标注信息中的局部放电类型，进而生成一条训练数据。一实施例中，监测主机根据近似度算法对比监测放电图谱与不同的经典放电图谱的近似度进而确确定局部放电的发生类型，另一实施例中，监测主机可以显示监测放电图谱，让有相关经验的工作人员与经典放电图片进行对比，由工作人员通过人工对比经典放电图谱后确定局部放电的发生类型。基于此，一实施例中，GIS局部放电诊断模型的训练方法还包括以下步骤：
步骤505，将预测局部放电类型与标注信息中的局部放电类型进行对比确定当前训练步骤中局部放电诊断模型的预测准确率，当预测准确率大于预设值，基于训练特征数据中的局部放电特高频信号生成目标放电图谱，根据目标放电图谱更新经典放电图谱。
本步骤为对上述步骤504中局部放电诊断模型的输出与期望的误差的进一步利用。当局部放电诊断模型输出的预测结果与标注信息相比预测准确率(即误差与期望的比值)达到预设值时，例如达到90％至100％时，证明局部放电放电诊断模型的预测准确率较高，基于这些搞预测准确率的局部放电特高频信号生成对应的目标放电图谱，以对经典放电图谱进行更新。例如在进行1000条的模型预测训练中，当训练至890条后局部放电诊断模型的预测准确率达到90％，这时继续对局部放电诊断模型进行训练，在训练的同时，对于预测准确率高于90％部分的训练数据进行提取，生成对应的目标放电图谱，以更新经典放电图谱。
由于本申请实施例中标注信息是参照经典理论的放电图谱进行标注的，因此标注信息只是正确率较高但并非绝对正确，然而传感器模块所监测到的局部放电特高频信号是自然的客观规律，因此可依据该自然客观规律对经典放电图片进行更新维护，使其更加接近实际，整个模型训练构成了一种类似闭环的迭代更新状态，使预测结果越来越接近真实，整个模型训练也更加容易收敛。一实施例中，可以收集预测正确率在90％以上的训练特征数据，对该些训练特征数据进行分析、统计或者特征提取，以确定新的经典放电图谱。另一实施例中，也可以根据当前的经典放电图谱结合预测正确率在90％以上的训练特征数据进行修正，以确定新的经典放电图谱，进一步提高局部放电诊断模型的预测效果。
本申请实施例提供一种GIS局部放电诊断模型的训练装置，为GIS局部放电诊断装置应用上述实施例中的GIS局部放电诊断模型的训练方法。
参见图7所示，本申请实施例提供一种GIS局部放电诊断模型的全局训练方法，应用于如图2所示的全局训练系统，其中，训练服务器配置有全局GIS局部放电诊断模型，全局训练方法包括以下步骤：
步骤701，每个监测主机从训练服务器获取全局GIS局部放电诊断模型，根据全局GIS局部放电诊断模型生成对应的局部放电诊断模型。
本步骤中，全局训练系统内的各个监测主机从训练服务器获取GIS局部放电诊断模型。
步骤702，每个监测主机依据上述任一实施例提供的GIS局部放电诊断模型的训练方法进行训练，并获得训练后的局部放电诊断模型的网络参数。
步骤703，每个监测主机将所获取的网络参数反馈至训练服务器，以使训练服务器更新全局GIS局部放电诊断模型。
本步骤中，网络参数包括GIS局部放电诊断模型的梯度参数。
本申请实施例提供的信号灯模型的全局训练方法，可以由多个GIS局部放电诊断装置中的监测主机并行进行模型训练,各个监测主机向训练服务器反馈局部放电诊断模型的网络参数，对训练服务器中的全局GIS局部放电诊断模型进行更新。一实施例中，各个正在训练的监测主机在每次训练的时候从训练服务器中获取最新的全局GIS局部放电诊断模型，并基于全局GIS局部放电诊断模型更新监测主机内存储的局部放电诊断模型，由于局部放电诊断模型是所有GIS局部放电诊断装置的训练结晶，因此能够提高局部放电诊断模型的训练效果，虽然更新后的局部放电诊断模型会降低当前现场的预测结果准确性，延长训练时间，但是会增加局部放电诊断模型的适用性(因为考虑各种不同型号GIS，不同的传感器模块分布模式)，能够提高局部放电诊断模型的适应性和多样性，以训练局部放电诊断模型具有较佳适用性的目标下，能大大提高局部放电诊断模型的训练效率，提高局部放电诊断模型的预测准确性和适用性。上述的全局训练方案，特别适用于现场人工模拟局部放电测试的训练数据收集模式，但同时多个GIS局部放电诊断装置进行训练的场景下，能有效减少训练所需要的时间。
参见图8所示，为本申请实施例提供的一种GIS局部放电诊断方法，为GIS局部放电诊断装置对上述实施例中训练好的局部放电诊断模型的应用，其中包括以下步骤：
步骤801，监测主机获取各个传感器模块的监测数据，监测数据包括各个传感器模块监测到的局部放电特高频信号、各个传感器模块监测到的局部放电特高频信号的接收时间信息和无线传输网络的传感器网络位置分布数据。
本步骤中，监测主机通过网络中继装置获取各个传感器模块的监测数据，具体的检测数据获取方式可以参照上文中对于GIS局部放电诊断装置的结构描述。在此不再赘述。由于局部放电诊断模型的应用输入数据需要和训练时的数据格式一致，因此，本实施例中的检测数据的数据格式可以对应上述步骤502中训练特征数据的描述。例如，局部放电特高频信号可以为放电信号图谱(PRPS或者PRPD、也可以同时包括PRPS和PRPD)，也可以包括预置传感器所监测的第二放电图谱。监测数据的数据格式也和上述表1中训练特征数据格式及其相关实施例的描述完全一致。
步骤802，监测主机将监测数据输入至局部放电诊断模型进行预测处理，确定预测局部放电类型。
本步骤中，监测主机将监测数据输入至局部放电诊断模型进行预测处理与上述步骤503及其相关实施例中训练特征数据的处理方式相同。另外，对于接收时间信息和无线传输网络的传感器网络位置分布数的处理方式，也可以参照上述实施例中步骤503及其相关实施例、步骤601至步骤604的处理及其相关实施例的相同处理方式。在此不再赘述。
本申请实施例还提供了一种电子设备，包括存储器、处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述的GIS局部放电诊断模型的训练方法、GIS局部放电诊断模型的全局训练方法或GIS局部放电诊断方法。
本申请实施例还提供了一种计算机可读存储介质，存储介质存储有程序，程序被处理器执行实现上述的GIS局部放电诊断模型的训练方法、GIS局部放电诊断模型的全局训练方法或GIS局部放电诊断方法。
本申请实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行实现上述的GIS局部放电诊断模型的训练方法、GIS局部放电诊断模型的全局训练方法或GIS局部放电诊断方法。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或装置不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或装置固有的其他步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
对于上述方法实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
以上是对本申请的较佳实施进行了具体说明，但本申请并不限于所述实施例，熟悉本领域的技术人员在不违背本申请精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种GIS局部放电诊断方法，其特征在于，应用于GIS局部放电诊断装置，所述GIS局部放电诊断装置包括监测主机、网络中继装置和分布设置于GIS上的多个传感器模块，所述传感器模块用于监测GIS发生局部放电时产生的特高频信号；所述传感器模块还包括无线传输装置，各个所述传感器模块与所述网络中继装置通信连接，各个所述传感器模块之间通过无线传输装置自组网相互连接构成无线传输网络，所述传感器模块通过无线通信的时间获知与其他所述传感器模块的距离，进而得到所述无线传输网络中各个所述传感器模块的传感器网络位置分布数据，将所述网络位置分布数据发送至网络中继装置，所述监测主机与所述网络中继装置通信连接；
所述检测方法包括：
所述监测主机获取各个所述传感器模块的监测数据，所述监测数据包括各个所述传感器模块监测到的局部放电特高频信号、各个所述传感器模块监测到的所述局部放电特高频信号的接收时间信息和所述无线传输网络的传感器网络位置分布数据；
所述监测主机将所述监测数据输入至所述局部放电诊断模型进行预测处理，确定预测局部放电类型；
其中，所述局部放电诊断模型通过以下训练方法得到：
所述监测主机从训练服务器获取局部放电诊断模型；
所述监测主机获取训练数据，所述训练数据包括训练特征数据和标注信息；所述训练特征数据包括各个所述传感器模块监测到的局部放电特高频信号、各个所述传感器模块监测到的所述局部放电特高频信号的接收时间信息和所述无线传输网络的传感器网络位置分布数据；所述标注信息包括局部放电类型；
所述监测主机将所述训练特征数据输入至所述局部放电诊断模型进行预测处理，确定预测局部放电类型；
所述监测主机根据所述预测局部放电类型，对所述局部放电诊断模型进行修正。
2.根据权利要求1所述的GIS局部放电诊断方法，其特征在于，所述训练数据还包括信号衰减特征，所述信号衰减特征包括各个所述传感器模块检测到的特高频信号之间的信号幅度差值或各个所述传感器模块的放电图谱中各个测量项之间的差值。
3.根据权利要求1或2所述的GIS局部放电诊断方法，其特征在于，所述监测主机获取训练数据，包括以下至少之一的步骤：
从所述训练服务器获取所述训练数据，其中，所述训练数据为预先在其他的GIS局部放电检测设备收集的数据；
或者，从所述监测主机的存储器中获取所述训练数据，其中，所述训练数据为当前所述GIS局部放电诊断装置在先收集的数据；
或者，通过在GIS上设置局部放电产生装置，收集由各个所述传感器模块检测所述局部放电产生装置产生的局部放电特高频信号，并记录各个所述传感器模块接收局部放电特高频信号的时间，各个所述传感器模块相互通信而感知的传感器网络位置分布数据，以及设置局部放电产生装置时确定的局部放电类型，得到所述训练数据。
或者，通过计算机建立的局部放电仿真模型获取所述训练数据，其中，所述训练数据为模拟测试数据。
4.根据权利要求1至3任意一项所述的GIS局部放电诊断方法，其特征在于，所述将所述训练特征数据输入至所述局部放电诊断模型进行预测处理，确定预测局部放电类型，包括：
将所述局部放电特高频信号进行向量化处理，得到局部放电特高频信号特征；
将所述接收时间信息和所述传感器网络位置分布数据分别进行向量化处理，得到接收时间特征和传感器网络位置分布特征；
将所述接收时间特征和所述传感器网络位置分布特征输入至融合模型进行交叉组合，得到交互特征，所述融合模型将所述接收时间特征、所述传感器网络位置分布特征和所述交互特征进行组合，得到组合属性特征；
将所述组合属性特征与所述局部放电特高频信号特征进行拼接，得到局部放电特高频信号融合特征；
将所述局部放电特高频信号融合特征输入至局部放电诊断模型进行预测处理，确定预测局部放电类型；
所述根据所述预测局部放电类型，对所述局部放电诊断模型进行修正，包括：
根据所述预测局部放电类型，对所述局部放电诊断模型和所述融合模型进行修正。
5.根据权利要求4所述的GIS局部放电诊断方法，其特征在于，所述融合模型将所述接收时间特征、所述传感器网络位置分布特征和所述交互特征进行组合，得到组合属性特征，包括：
将所述接收时间特征、所述传感器网络位置分布特征和所述交互特征进行加权求和，得到组合属性特征。
6.根据权利要求5所述的GIS局部放电诊断方法，其特征在于，所述组合属性特征表示为：
SP＝W0+W1d1+W2d2+W3d1d2；
其中，SP为所述组合属性特征，W0，W1，W2和W3为所述融合模型的参数，所述d1为所述接收时间特征的取值，所述d2为所述传感器网络位置分布特征的取值。
7.根据权利要求1所述的GIS局部放电诊断方法，其特征在于，所述传感器模块外置于GIS，所述GIS包括设置于GIS管道内部的多个预置传感器，所述多个预置传感器用于检测GIS发生局部放电时产生的特高频信号，并输出至监测主机，所述监测主机根据各个所述预置传感器检测到的特高频信号形成第二放电图谱；所述训练特征数据还包括所述第二放电图谱。
8.根据权利要求1所述的GIS局部放电诊断方法，其特征在于，所述标注信息中的局部放电类型，通过以下步骤获得：
当GIS发生局部放电时，所述监测主机或所述训练服务器获取各个所述传感器模块所监测到的局部放电特高频信号，并根据所述局部放电特高频信号生成监测放电图谱，所述监测主机根据所述监测放电图谱与经典放电图谱，确定局部放电的发生类型，进而确定所述标注信息中的局部放电类型；
所述训练方法还包括：
将所述预测局部放电类型与所述标注信息中的所述局部放电类型进行对比，确定当前训练步骤中所述局部放电诊断模型的预测准确率，当所述预测准确率大于预设值，基于所述训练特征数据中的局部放电特高频信号生成目标放电图谱，根据所述目标放电图谱更新所述经典放电图谱。
9.一种GIS具备放电诊断模型的训练方法，其特征在于，应用于GIS局部放电诊断装置，所述GIS局部放电诊断装置包括监测主机、网络中继装置和分布设置于GIS上的多个传感器模块，所述传感器模块用于监测GIS发生局部放电时产生的特高频信号；所述传感器模块还包括无线传输装置，各个所述传感器模块与所述网络中继装置通信连接，各个所述传感器模块之间通过无线传输装置自组网相互连接构成无线传输网络，所述传感器模块通过无线通信的时间获知与其他所述传感器模块的距离，进而得到所述无线传输网络中各个所述传感器模块的传感器网络位置分布数据，将所述网络位置分布数据发送至网络中继装置，所述监测主机与所述网络中继装置通信连接；
所述训练方法包括：
所述监测主机从训练服务器获取局部放电诊断模型；
所述监测主机获取训练数据，所述训练数据包括训练特征数据和标注信息；所述训练特征数据包括各个所述传感器模块监测到的局部放电特高频信号、各个所述传感器模块监测到的所述局部放电特高频信号的接收时间信息和所述无线传输网络的传感器网络位置分布数据；所述标注信息包括局部放电类型；
所述监测主机将所述训练特征数据输入至所述局部放电诊断模型进行预测处理，确定预测局部放电类型；
所述监测主机根据所述预测局部放电类型，对所述局部放电诊断模型进行修正。
10.一种GIS局部放电诊断模型的全局训练方法，其特征在于，应用于全局训练系统，其中，所述全局训练系统包括训练服务器，和多个部分设置有不同变电站GIS上的GIS局部放电诊断装置，所述GIS局部放电诊断装置包括包括监测主机、网络中继装置和分布设置于GIS上的多个传感器模块，所述传感器模块用于监测GIS发生局部放电时产生的特高频信号；所述传感器模块还包括无线传输装置，各个所述传感器模块与所述网络中继装置通信连接，各个所述传感器模块之间通过无线传输装置自组网相互连接构成无线传输网络，所述传感器模块通过无线通信的时间获知与其他所述传感器模块的距离，进而得到所述无线传输网络中各个所述传感器模块的传感器网络位置分布数据，将所述网络位置分布数据发送至网络中继装置，所述监测主机与所述网络中继装置通信连接；
所述训练服务器内配置有全局GIS局部放电诊断模型；
所述训练方法包括：
每个所述监测主机从所述训练服务器获取全局GIS局部放电诊断模型，根据所述全局GIS局部放电诊断模型生成对应的局部放电诊断模型；
每个所述监测主机依据权利要求9所述的GIS局部放电诊断模型的训练方法进行训练，并获得训练后的所述局部放电诊断模型的网络参数；
每个所述监测主机将所获取的所述网络参数反馈至训练服务器，以使所述训练服务器更新所述全局GIS局部放电诊断模型。
CN202211062539.0A 2022-09-01 2022-09-01 Gis局部放电诊断方法、模型训练方法、装置及系统 Active CN115453286B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211062539.0A CN115453286B (zh) 2022-09-01 2022-09-01 Gis局部放电诊断方法、模型训练方法、装置及系统
PCT/CN2023/115797 WO2024046363A1 (zh) 2022-09-01 2023-08-30 Gis局部放电诊断方法、模型训练方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211062539.0A CN115453286B (zh) 2022-09-01 2022-09-01 Gis局部放电诊断方法、模型训练方法、装置及系统

Publications (2)

Publication Number Publication Date
CN115453286A true CN115453286A (zh) 2022-12-09
CN115453286B CN115453286B (zh) 2023-05-05

Family

ID=84301360

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211062539.0A Active CN115453286B (zh) 2022-09-01 2022-09-01 Gis局部放电诊断方法、模型训练方法、装置及系统

Country Status (2)

Country Link
CN (1) CN115453286B (zh)
WO (1) WO2024046363A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116699335A (zh) * 2023-06-16 2023-09-05 广州友智电气技术有限公司 一种高压电力设备的局部放电监测方法及系统
WO2024046363A1 (zh) * 2022-09-01 2024-03-07 珠海市伊特高科技有限公司 Gis局部放电诊断方法、模型训练方法、装置及系统

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117929909B (zh) * 2024-03-25 2024-05-24 甘肃巨腾电力设备有限公司 一种高压开关柜隐患检测系统
CN117972398A (zh) * 2024-03-28 2024-05-03 北京索弗电气科技有限公司 一种断路器故障特征信息提取方法及系统

Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6313640B1 (en) * 1998-02-03 2001-11-06 Abb Power T & D Company, Inc. System and method for diagnosing and measuring partial discharge
US6418385B1 (en) * 1997-04-16 2002-07-09 Siemens Aktiengesellschaft Method for determining the location of a partial discharge
GB0600677D0 (en) * 2005-10-27 2006-02-22 Korea Electric Power Corp Input vector formation method of neural networks for auto-identification of partial discharge source
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
KR20100044425A (ko) * 2008-10-22 2010-04-30 현대중공업 주식회사 부분방전 감시기능을 갖는 가스절연차단기 예방진단 시스템
CN102645621A (zh) * 2012-05-17 2012-08-22 广东电网公司电力科学研究院 基于空间特征参数的变电站多源局部放电检测方法及装置
US20130179100A1 (en) * 2012-01-11 2013-07-11 Utilx Corporation System for analyzing and locating partial discharges
US20130211750A1 (en) * 2010-05-26 2013-08-15 Union Fenosa Distribucion S.A. METHOD FOR THE CONTINUOUS MONITORING AND DIAGNOSIS OF SOURCES OF PARTIAL DISCHARGES (PDs) IN HIGH VOLTAGE CABLES DURING CONNECTION TO, AND OPERATION IN THE POWER GRID, AND PHYSICAL SYSTEM FOR CARRYING OUT SAME
CN203811762U (zh) * 2014-04-23 2014-09-03 国家电网公司 一种gis局部放电监测装置
CN105676085A (zh) * 2016-01-31 2016-06-15 国家电网公司 基于多传感器信息融合的特高压gis局部放电检测方法
CN106353651A (zh) * 2016-09-30 2017-01-25 国家电网公司 基于bp网络的gis局放声电联合检测故障定位方法
CN107505549A (zh) * 2017-08-30 2017-12-22 国网上海市电力公司 一种智能型多功能局部放电在线监测系统
CN107831422A (zh) * 2017-11-02 2018-03-23 广东电网有限责任公司电力科学研究院 一种gis设备局部放电诊断方法及系统
CN109116203A (zh) * 2018-10-31 2019-01-01 红相股份有限公司 基于卷积神经网络的电力设备局部放电故障诊断方法
CN109116204A (zh) * 2018-11-05 2019-01-01 国网四川省电力公司电力科学研究院 一种变压器局部放电信号分类装置及故障检测装置
CN111007365A (zh) * 2019-11-25 2020-04-14 国网四川省电力公司广安供电公司 一种基于神经网络的超声波局部放电识别方法及系统
US20200271714A1 (en) * 2019-02-22 2020-08-27 Ormazabal Corporate Technology, A.I.E. Method and system of partial discharge recognition for diagnosing electrical networks
CN111638046A (zh) * 2020-05-25 2020-09-08 国网河北省电力有限公司电力科学研究院 一种gis设备在线监测系统及方法
CN111856224A (zh) * 2020-06-29 2020-10-30 国网河南省电力公司周口供电公司 一种高压开关柜的局部放电多源融合检测系统和方法
CN112630585A (zh) * 2020-11-06 2021-04-09 国网山东省电力公司济宁供电公司 一种配电电缆局部放电带电检测系统及检测方法
CN114355114A (zh) * 2021-10-18 2022-04-15 广东电网有限责任公司 一种gis局部放电检测方法、装置、介质及终端设备
CN114527360A (zh) * 2022-01-25 2022-05-24 深圳泰豪数字科技有限公司 开关柜的局部放电检测方法、装置及存储介质
CN114707458A (zh) * 2022-03-02 2022-07-05 贵州电网有限责任公司 一种适用于开关柜局部放电监测的传感器部署方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200131492A (ko) * 2019-05-14 2020-11-24 한국전력공사 무선용 부분방전 위치검출 시스템 및 그 방법
CN110579693A (zh) * 2019-09-20 2019-12-17 国网浙江省电力有限公司检修分公司 基于无线传输的高处gis局放在线监测装置及在线监测方法
CN111638431A (zh) * 2020-07-14 2020-09-08 国网山东省电力公司烟台供电公司 一种基于超声波检测法的开关柜局部放电检测识别设备
CN112034310A (zh) * 2020-07-31 2020-12-04 国网山东省电力公司东营供电公司 一种组合电器局部放电缺陷诊断方法及系统
CN114839482A (zh) * 2022-04-06 2022-08-02 国网山西省电力公司电力科学研究院 低压综合配电箱的工频耐压击穿位置定位方法及装置
CN115453286B (zh) * 2022-09-01 2023-05-05 珠海市伊特高科技有限公司 Gis局部放电诊断方法、模型训练方法、装置及系统

Patent Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6418385B1 (en) * 1997-04-16 2002-07-09 Siemens Aktiengesellschaft Method for determining the location of a partial discharge
US6313640B1 (en) * 1998-02-03 2001-11-06 Abb Power T & D Company, Inc. System and method for diagnosing and measuring partial discharge
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
GB0600677D0 (en) * 2005-10-27 2006-02-22 Korea Electric Power Corp Input vector formation method of neural networks for auto-identification of partial discharge source
KR20100044425A (ko) * 2008-10-22 2010-04-30 현대중공업 주식회사 부분방전 감시기능을 갖는 가스절연차단기 예방진단 시스템
US20130211750A1 (en) * 2010-05-26 2013-08-15 Union Fenosa Distribucion S.A. METHOD FOR THE CONTINUOUS MONITORING AND DIAGNOSIS OF SOURCES OF PARTIAL DISCHARGES (PDs) IN HIGH VOLTAGE CABLES DURING CONNECTION TO, AND OPERATION IN THE POWER GRID, AND PHYSICAL SYSTEM FOR CARRYING OUT SAME
US20130179100A1 (en) * 2012-01-11 2013-07-11 Utilx Corporation System for analyzing and locating partial discharges
CN102645621A (zh) * 2012-05-17 2012-08-22 广东电网公司电力科学研究院 基于空间特征参数的变电站多源局部放电检测方法及装置
CN203811762U (zh) * 2014-04-23 2014-09-03 国家电网公司 一种gis局部放电监测装置
CN105676085A (zh) * 2016-01-31 2016-06-15 国家电网公司 基于多传感器信息融合的特高压gis局部放电检测方法
CN106353651A (zh) * 2016-09-30 2017-01-25 国家电网公司 基于bp网络的gis局放声电联合检测故障定位方法
CN107505549A (zh) * 2017-08-30 2017-12-22 国网上海市电力公司 一种智能型多功能局部放电在线监测系统
CN107831422A (zh) * 2017-11-02 2018-03-23 广东电网有限责任公司电力科学研究院 一种gis设备局部放电诊断方法及系统
CN109116203A (zh) * 2018-10-31 2019-01-01 红相股份有限公司 基于卷积神经网络的电力设备局部放电故障诊断方法
CN109116204A (zh) * 2018-11-05 2019-01-01 国网四川省电力公司电力科学研究院 一种变压器局部放电信号分类装置及故障检测装置
US20200271714A1 (en) * 2019-02-22 2020-08-27 Ormazabal Corporate Technology, A.I.E. Method and system of partial discharge recognition for diagnosing electrical networks
CN111007365A (zh) * 2019-11-25 2020-04-14 国网四川省电力公司广安供电公司 一种基于神经网络的超声波局部放电识别方法及系统
CN111638046A (zh) * 2020-05-25 2020-09-08 国网河北省电力有限公司电力科学研究院 一种gis设备在线监测系统及方法
CN111856224A (zh) * 2020-06-29 2020-10-30 国网河南省电力公司周口供电公司 一种高压开关柜的局部放电多源融合检测系统和方法
CN112630585A (zh) * 2020-11-06 2021-04-09 国网山东省电力公司济宁供电公司 一种配电电缆局部放电带电检测系统及检测方法
CN114355114A (zh) * 2021-10-18 2022-04-15 广东电网有限责任公司 一种gis局部放电检测方法、装置、介质及终端设备
CN114527360A (zh) * 2022-01-25 2022-05-24 深圳泰豪数字科技有限公司 开关柜的局部放电检测方法、装置及存储介质
CN114707458A (zh) * 2022-03-02 2022-07-05 贵州电网有限责任公司 一种适用于开关柜局部放电监测的传感器部署方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
J.FUHR 等: "Detection and location of Internal defects in the insulation of power transformers", IEEE TRANSACTIONS ON ELECTRICAL INSULATION *
THE-DUONG DO: "convolutional-neutral-network-based partial discharge diagnosis for power transform using UHF sensor", IEEE ACCESS *
张新伯: "基于深度学习的局部放电模式识别方法研究", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑 *
杨刚: "典型缺陷局部放电超声信号的特征与模式识别方法研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑 *
马志广;冯新岩;: "基于特高频带电检测技术的GIS局部放电缺陷的识别与诊断", 国网技术学院学报 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024046363A1 (zh) * 2022-09-01 2024-03-07 珠海市伊特高科技有限公司 Gis局部放电诊断方法、模型训练方法、装置及系统
CN116699335A (zh) * 2023-06-16 2023-09-05 广州友智电气技术有限公司 一种高压电力设备的局部放电监测方法及系统
CN116699335B (zh) * 2023-06-16 2024-03-08 广州友智电气技术有限公司 一种高压电力设备的局部放电监测方法及系统

Also Published As

Publication number Publication date
CN115453286B (zh) 2023-05-05
WO2024046363A1 (zh) 2024-03-07

Similar Documents

Publication Publication Date Title
CN115453286A (zh) Gis局部放电诊断方法、模型训练方法、装置及系统
CN103558529B (zh) 一种三相共筒式超高压gis局部放电的模式识别方法
CN112147444B (zh) 一种电力变压器工作状态监测方法及系统
CN102445641A (zh) 移动式变电站电力设备局部放电检测装置和定位方法
CN104931793B (zh) 一种变电站接地网接地阻抗获取方法
CN105319487A (zh) 变电站局部放电信号检测和定位系统及方法
CN102156272A (zh) 电能计量检定方法、装置和系统
CN110647924B (zh) 一种基于支持向量描述与k近邻算法的gis设备状态评估方法
CN105911499A (zh) 现场环境下超声波局部放电计量系统及方法
CN104360240A (zh) 变电站缺陷设备快速检测装置及检测方法
CN106443380B (zh) 一种配电电缆局部放电信号识别方法及装置
CN110703078A (zh) 基于频谱能量分析与自组织竞争算法的gis故障诊断方法
CN104635124A (zh) 一种局部放电模式的模拟装置
CN103698677A (zh) 低压电弧故障测试与分析系统
CN112986870A (zh) 基于振动法的分布式电力变压器绕组状态监测方法及系统
CN108008254A (zh) 一种变电站接地网故障诊断方法及装置
CN106019098A (zh) 局部放电定位方法、装置及系统
CN110673075B (zh) 一种特高频局部放电检测仪抗电磁干扰性能的评价方法
CN204203408U (zh) 变电站缺陷设备快速检测装置
CN109142966A (zh) 基于线路实测数据的故障测距方法、装置、设备及介质
CN115993511A (zh) 一种局部放电类型高精度检测识别装置、方法和设备
CN113671363A (zh) 一种高压断路器状态辨识系统及方法
Said et al. Support vector machine parameters optimization for 500 kv long ohtl fault diagnosis
CN112307093B (zh) 一种电数字数据处理分析装置及方法
CN116520068B (zh) 一种电力数据的诊断方法、装置、设备及存储介质

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