CN115828148B - 局部放电波形识别方法、系统和存储介质 - Google Patents
局部放电波形识别方法、系统和存储介质 Download PDFInfo
- Publication number
- CN115828148B CN115828148B CN202310153737.6A CN202310153737A CN115828148B CN 115828148 B CN115828148 B CN 115828148B CN 202310153737 A CN202310153737 A CN 202310153737A CN 115828148 B CN115828148 B CN 115828148B
- Authority
- CN
- China
- Prior art keywords
- waveform
- partial discharge
- pulse data
- data chain
- partial
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 230000006698 induction Effects 0.000 claims description 4
- 230000001939 inductive effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 8
- 238000013528 artificial neural network Methods 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012850 discrimination method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 235000000748 Psidium microphyllum Nutrition 0.000 description 1
- 244000077974 Psidium microphyllum Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Landscapes
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种局部放电波形识别方法、系统和存储介质，可应用于局部放电技术领域。本发明通过对获取的待处理脉冲数据链进行预处理后，得到待识别脉冲数据链，并提取待识别脉冲数据链的若干个有效特征量后，将若干个有效特征量分成第一集合和第二集合，然后根据第一集合内的有效特征量对待识别脉冲数据链进行前置滤噪后得到第一局部波形，根据第二集合内的有效特征量对第一局部波形进行第一次局部放电识别后得到第二局部波形，再根据类库资源的幅值和第二局部波形的幅值的形似度对第二局部波形进行第二次局部放电识别，从而有效利用波形全时域物理量的分析，提高局部放电的识别精度，进而减少不必要告警的发生次数。
Description
技术领域
本发明涉及局部放电技术领域，尤其是一种局部放电波形识别方法、系统和存储介质。
背景技术
相关技术中，局部放电监测系统在正式投运后，每年都有大量的局部放电告警发生。目前，局部放电在线监测系统使用的告警方法是采用多重逻辑门和神经网络得出的综合判断结果进行局部放电识别。分析发现，现有的自动识别机制主要关注f-q-n或PRPD图中检测到的信号的放电量q和放电频次n与相位f之间的关系。现有的识别程序只是关注最大幅值的第1波，没有对局部放电波形全时域物理量进行分析，例如没有对每半波的幅值、波宽、波数和波前后的变化进行分析，从而导致识别精度不高，误判率高。同时，复盘分析也需要花费大量的时间、人力和财力，信号的判别率低。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种局部放电波形识别方法、系统和存储介质，能够有效提高局部放电的识别精度和判别效率。
一方面，本发明实施例提供了一种局部放电波形识别方法，包括以下步骤：
获取局部放电的待处理脉冲数据链，所述待处理脉冲数据链包括时间元素和幅值元素；对所述待处理脉冲数据链进行预处理，得到待识别脉冲数据链，所述预处理包括波形处理；
提取所述待识别脉冲数据链的若干个有效特征量，将所述若干个有效特征量分成第一集合和第二集合，所述第一集合内的有效特征量包括角度系数、半周期波动态时长和单脉冲，所述第二集合内的有效特征量包括极值半周期波、门槛峰峰最大值总数和半周期波时长之和；
根据所述第一集合内的有效特征量对所述待识别脉冲数据链进行前置滤噪，得到第一局部波形；
根据所述第二集合内的有效特征量对所述第一局部波形进行第一次局部放电识别，得到第二局部波形；
根据类库资源的幅值和所述第二局部波形的幅值的形似度对所述第二局部波形进行第二次局部放电识别，得到目标局部放电信号。
在一些实施例中，所述对所述待处理脉冲数据链进行预处理，得到待识别脉冲数据链，包括：
计算所述待处理脉冲数据链的零基准线；
根据所述零基准线确定所述待处理脉冲数据链的基准点；
根据所述基准点归纳所述待处理脉冲数据链的半周期波；
对所述半周期波进行非负泛化；
对泛化后的半周期波进行筛查，得到目标半周期波作为待识别脉冲数据链。
在一些实施例中，所述根据所述第二集合内的有效特征量对所述第一局部波形进行第一次局部放电识别，得到第二局部波形，包括：
计算极值半周期波的位置；
根据所述极值半周期波的位置对所述第一局部波形进行初次识别；
根据所述半周期波时长之和对初次识别后的第一局部波形进行再次识别；
根据所述门槛峰峰最大值总数对再次识别后的第一局部波形进行最后识别，得到第二局部波形。
在一些实施例中，所述根据所述半周期波时长之和对初次识别后的第一局部波形进行再次识别，包括：
计算前八个周期的半周期波动态时长总和；
根据所述半周期波动态时长总和与极值半周期波时长的倍数关系，对初次识别后的第一局部波形进行再次识别。
在一些实施例中，所述根据所述零基准线确定所述待处理脉冲数据链的基准点，包括：
确定所述待处理脉冲数据链上过零基准线的目标点；
确定两两所述目标点之间的最大点，将所述最大点作为基准点。
在一些实施例中，所述根据所述基准点归纳所述待处理脉冲数据链的半周期波，包括：
根据所述基准点对所述待处理脉冲数据链补充元素点，得到元素数组，所述元素数组的点位于所述目标点和所述最大点之间；
对所述元素数组的元素进行半周期波归纳。
在一些实施例中，所述对泛化后的半周期波进行筛查，包括：
获取每一个半周期波的能量及跨越时长；
根据所述能量及跨越时长对泛化后的半周期波进行筛查。
另一方面，本发明实施例提供了一种局部放电波形识别系统，包括：
获取模块，用于获取局部放电的待处理脉冲数据链，所述待处理脉冲数据链包括时间元素和幅值元素；对所述待处理脉冲数据链进行预处理，得到待识别脉冲数据链，所述预处理包括波形处理；
提取模块，用于提取所述待识别脉冲数据链的若干个有效特征量，将所述若干个有效特征量分成第一集合和第二集合，所述第一集合内的有效特征量包括角度系数、半周期波动态时长和单脉冲，所述第二集合内的有效特征量包括极值半周期波、门槛峰峰最大值总数和半周期波时长之和；
前置滤噪模块，用于根据所述第一集合内的有效特征量对所述待识别脉冲数据链进行前置滤噪，得到第一局部波形；
放电识别模块，用于根据所述第二集合内的有效特征量对所述第一局部波形进行第一次局部放电识别，得到第二局部波形；根据类库资源的幅值和所述第二局部波形的幅值的形似度对所述第二局部波形进行第二次局部放电识别，得到目标局部放电信号。
另一方面，本发明实施例提供了一种局部放电波形识别系统，包括：
至少一个存储器，用于存储程序；
至少一个处理器，用于加载所述程序以执行前述的局部放电波形识别方法。
另一方面，本发明实施例提供了一种计算机可读存储介质，其中存储有计算机可执行的程序，所述计算机可执行的程序被处理器执行时用于实现前述的局部放电波形识别方法。
本发明实施例提供的一种局部放电波形识别方法，具有如下有益效果：
本实施例通过对获取的待处理脉冲数据链进行预处理后，得到待识别脉冲数据链，并提取待识别脉冲数据链的若干个有效特征量后，将若干个有效特征量分成包括有效特征量包括角度系数、半周期波动态时长和单脉冲的第一集合和包括极值半周期波、门槛峰峰最大值总数和半周期波时长之和的第二集合，然后根据第一集合内的有效特征量对待识别脉冲数据链进行前置滤噪后得到第一局部波形，根据第二集合内的有效特征量对第一局部波形进行第一次局部放电识别后得到第二局部波形，再根据类库资源的幅值和第二局部波形的幅值的形似度对第二局部波形进行第二次局部放电识别，从而有效利用波形全时域物理量的分析，提高局部放电的识别精度，进而减少不必要告警的发生次数。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
下面结合附图和实施例对本发明做进一步的说明，其中：
图1为现有技术的一种局部放电在线监测告警判断方法的示意图；
图2为本发明实施例一种局部放电波形识别方法的流程图；
图3为本发明实施例一种对脉冲数据链进行预处理的流程图；
图4为本发明实施例一种半周期波的示意图；
图5为本发明实施例一种非负泛化后的半周期波的示意图；
图6为本发明实施例一种门槛峰峰最大值总数的计算示意图；
图7为本发明实施例一种门槛峰峰最大值总数的示意图；
图8为本发明实施例前置滤噪的阈值阐述即应用过程得到第一局部波形的流程图；
图9为本发明实施例局部波形自动识别的阈值阐述即应用过程得到第二局部波形的流程图；
图10为本发明实施例一种局部放电波形识别方法独立使用的流程图；
图11为本发明实施例一种局部放电波形识别方法与现有判别方法并联的流程图；
图12为本发明实施例另一种局部放电波形识别方法与现有判别方法串联的流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，若干的含义是一个以上，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，除非另有明确的限定，设置等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
本发明的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
目前，局部放电在线监测系统使用的告警判断方法，采用多重逻辑门和神经网络得到一个综合判断后的结果。如图1所示，多重逻辑门判别是通过对物理量放电量q、密度n、信号持续时间t和信号相位特征f组成多重逻辑判别进行阈值判断，例如对q+t、n+t、q+n等进行阈值判断；神经网络对识别机制主要根据信号的相位分辨局部放电PRPD图谱的幅值与相位的关系的识别局放，综合判别基于多重逻辑门和神经网络的关联关系进行综合判别，得到综合判断结果。
从图1可知，现有的局部放电识别机制主要基于特征量q-n-t上的逻辑关系和f-q-n上的神经网络相似度之间的关系，根据信号的相位分布特征进行识别。而根据数据分析表明，局部放电和噪声的时域波形特征是不同的，即除了幅值最大的第1个波外，局部放电脉冲波形也关注每半个波的幅值、波宽、波数和波前后的变化。而现有的局放识别方法并未解析这些波形特征量，导致识别精度不高。
由此可知，目前采用多重逻辑门+神经网络的局部放电在线监测系统判断告警采用的方法，存在以下问题：
第一、误判率高，容易发生不必要的告警。由于目前现有的局放判断方法缺少对波形全时域物理量的分析，在人工对告警的数据进行复盘时发现大多都为误判，也就造成了在对局放进行监测时会出现不必要的告警频繁发生，给人造成困扰。
第二、缺少波形全时域物理量的分析。不管是多重逻辑对q、n、t和f物理量进行分析，还是神经网络对形进行分析，也就是波形的第1波进行分析，都没有对波形的全时域物理量进行分析识别判断，即没有对整个波形数据的物理量进行分析识别判断，而恰好全时域波形也是判别局放的关键因素。
第三、判别效率低。由于缺少对波形全时域物理量的分析，误报的告警数据较多，需要人为复盘告警数据，复盘需要花费过多的时间和精力，导致判别效率低。
基于此，参照图2，本发明实施例提供了一种局部放电波形识别方法，本方法可以应用于局部放电监测平台的后台处理器，也可以应用服务器或云端。
以应用于服务器为例，如图2所示，本实施例的方法包括但不限于以下步骤：
S210、获取局部放电的待处理脉冲数据链。
在本实施例中，待处理脉冲数据链包括时间元素和幅值元素，即可以理解的是，待处理脉冲数据链是一个二维数据对象
，其中二维数据对象
如公式（1）所示：
其中，
，表示待处理脉冲数据链的触发时间元素，
表示第n个元素的触发时间；
表示待处理脉冲数据链的幅值元素，
表示第n个元素的幅值大小。
S220、对待处理脉冲数据链进行预处理，得到待识别脉冲数据链。
在本实施例中，预处理过程包括波形处理。可以理解的是，如图3所示，预处理过程包括但不限于以下步骤：
步骤S221、计算待处理脉冲数据链的零基准线；
在本实施例中，根据公式（2）对获取的待处理脉冲数据链进行计算：
其中，avg表示零基准线。
步骤S222、根据零基准线确定脉冲数据链的基准点；
在本实施例中，如图4所示，可以通过先确定待处理脉冲数据链上过零基准线的目标点A，然后确定两两目标点A之间的最大点P，将最大点A作为基准点。多个基准点组成基准点数组
。其中，基准点数组
如公式（3）所示：
步骤S223、根据基准点归纳待处理脉冲数据链的半周期波；
在本实施例中，可以先根据基准点对待处理脉冲数据链补充元素点，得到点位于目标点和最大点之间的元素数组，然后对元素数组的元素进行半周期波归纳。可以理解的是，如图4所示，在基准点数组
的基础上补足元素点，可以先补足
到
之间的元素点
，再补足
到
之间的元素点
，补足元素后得到元素数组
，其中，元素数组
如公式（4）所示：
由图4可知，元素数组
介于过零基准线的点与最大点之间的元素数组。
把元素数组
中
~
、
~
、…、
~
的元素各归纳为1个半周期波，所有的半周期波
如公式（5）所示：
其中，
；
；
。
步骤S224、对半周期波进行非负泛化；
在本实施例中，通过对半周期波
取绝对值。示例性地，如图4所示的半周期波，取绝对值后，得到图5所示的非负泛化后的半周期波。
步骤S225、对泛化后的半周期波进行筛查，得到目标半周期波作为待识别脉冲数据链。
在本实施例中，对泛化后的半周期波
进行净化，可以是对所有半周期波进行筛查，屏蔽掉无关的半周期波。例如，可以通过考察每一个半周期波的能量及跨越时长，根据能量及跨越时长对泛化后的半周期波进行筛查，得到净化后的HW，其中，
。
S230、提取待识别脉冲数据链的若干个有效特征量，将若干个有效特征量分成第一集合和第二集合。
在本实施例中，第一集合内的有效特征量包括角度系数、半周期波动态时长和单脉冲，第二集合内的有效特征量包括极值半周期波、门槛峰峰最大值总数和半周期波时长之和。具体地，如图5所示，极值是数据长度中
中V的最大值
。如图4所示，极值半周期波是指极值
所在的半周期波MAHW；正周期半波是零基准线上方的半周期波PHW，其中，
；负周期半波是零基准线下方的半周期波NHW，其中，
；动态门槛是指极值25%的位置
，即
；角度系数是指最靠近动态门槛（与动态门槛相交的点
）上下两数据点
、
形成直线斜率K；半周期波动态时长是指半周期波与动态门槛相交的两数据点
、
的时间差HWW；半周期波时长之和是指所有半周期波时长的总和SHWW；单脉冲是指所有正半周期波中，极值半周期波MAHW的前、后一个半周期波
、
的最大幅值
与
的比Rps。如图6和图7所示，门槛峰峰最大值总数是指两个半周期波的最大幅值（
与
的累积，
与
的累积）累积
，所有
的数量总和为NVp。
S240、根据第一集合内的有效特征量对待识别脉冲数据链进行前置滤噪，得到第一局部波形。
在本实施例中，可以通过第一集合内的角度系数、半周期波动态时长和单脉冲这三个物理量进行计算后，自动调节阈值实现前置滤噪。示例性地，如图8所示，本实施的阈值的调节是指在第一集合内的角度系数阈值包括第一阈值和第二阈值、半周期波动态时长阈值包括第三阈值和第四阈值、单脉冲阈值包括第五阈值和第六阈值中，根据不同特征的波形数据链进行选择调节阈值。在应用过程中，当波形数据链的角度系数特征满足第一阈值，则会直接被当做噪音过滤掉；如果是在第一阈值和第二阈值之间，则会进入到半周期波动态时长的阈值判断，依次类推，直到第三个特征判断完成，即实现完整的前置滤噪。其中，角度系数的计算公式如公式（6）所示、半周期波动态时长如公式（7）所示、单脉冲有效值的计算公式如公式（8）或公式（9）所示：
S250、根据第二集合内的有效特征量对第一局部波形进行第一次局部放电识别，得到第二局部波形；
在本实施例中，在前置滤噪后得到第一局部波形后，可以根据第二集合内的极值半周期波、半周期波时长之和、门槛峰峰最大值总数这三个物理量进行计算，然后动态调整阈值实现局部波形自动识别。示例性地，如图9所示，本实施例阈值的调节是指在第二集合内的极值半周期波的阈值包括第七阈值和第八阈值、半周期波时长之和的阈值包括第九阈值、第十阈值和第十一阈值、门槛峰峰最大值总数的阈值包括第十二阈值和第十三阈值，根据不同特征的波形数据链进行选择调节阈值。在应用过程中，当波形数据链的极值半周期波特征满足第七阈值，则会进入到半周期波时长之和进行二次特征识别，此时选择半周期波时长之和的第九阈值，反之进入半周期波时长之和计算时，不能再用第七阈值，而要选择别的阈值进行识别判断，依次类推，直到门槛峰峰最大值总数识别判断完成，即实现局部波形自动识别。具体地，先计算极值半周期波的位置
，然后进行阈值动态调节实现局部波形的初次识别。计算半周期波时长
，然后计算前八个半周期波时长总和
，在智能对比半周期波时长总和与极值半周期波时长的倍数关系，对初次识别后的第一局部波形进行再次识别。计算门槛峰峰最大幅值总数
，
，然后进行阈值智能设置后对再次识别后的第一局部波形进行最后识别，得到第二局部波形。
S260、根据类库资源的幅值和第二局部波形的幅值的形似度对第二局部波形进行第二次局部放电识别，得到目标局部放电信号。
在本实施例中，对半周期波形的幅值、时间进行同属归一后，取同一时间点上的幅值V与类库资源做形似度对比计算后，识别得到目标局部放电信号。其中，形似度如公式（10）所示：
在一些实施例中，如图10所示，当待处理脉冲数据链录入程序后，进行局部放电波形智能计算，直接得到判断结果。
在另一些实施例中，如图11所示，将本实施例提供的局部放电波形识别方法与多重逻辑门和神经网络形成并列的判别方法。当待处理脉冲数据链录入程序后，分别通过多重逻辑门设置逻辑阈值（逻辑阈值q-n-t同时超过设定值则满足）、神经网络(神经网络的学习结果为90%以上，则满足)、局部放电全时域波形智能计算三种计算方法形成串联式判断，最终得到三个判断方法的综合判断结果。
在另一些实施例中，如图12所示，将本实施例提供的局部放电波形识别方法与多重逻辑门和神经网络形成串联的判别方法。当待处理脉冲数据链录入程序后，先进行局部放电全时域波形智能计算，然后将识别到的结果再分别进行多重逻辑门与神经网络的综合判断，得到最终的判断结果。
综上可知，本实施例提供的局部放电波形识别方法，具有如下有益效果：
第一、利用利用波形全时域物理量的数据特征，进行拓展分析，在现有判断方法的基础上进行完善计算提高对局放判别的正确率，从而减少不必要的误判事件频繁发生；
第二、利用全时域波形的全自动识别，包括脉冲数据链特征量的门值自动动态调节，当系统发生局部放电告警时，能自动识别出有意义的局放波形，并根据识别出来的局放波形自动累积对应的PRPD图谱，使得局放信号判别效率提升，即人为复盘数据时也无需再对大量数据进行一条一条分析确认，大大减少了人力物力及财力的投入。
第三、使用方式灵活多变，可独立使用，独立使用时仅仅根据波形数据链就可快速自动识别出局放信号效率高，也可与现有方法综合使用。
本发明实施例提供了一种局部放电波形识别系统，包括：
获取模块，用于获取局部放电的待处理脉冲数据链，所述待处理脉冲数据链包括时间元素和幅值元素；对所述待处理脉冲数据链进行预处理，得到待识别脉冲数据链，所述预处理包括波形处理；
提取模块，用于提取所述待识别脉冲数据链的若干个有效特征量，将所述若干个有效特征量分成第一集合和第二集合，所述第一集合内的有效特征量包括角度系数、半周期波动态时长和单脉冲，所述第二集合内的有效特征量包括极值半周期波、门槛峰峰最大值总数和半周期波时长之和；
前置滤噪模块，用于根据所述第一集合内的有效特征量对所述待识别脉冲数据链进行前置滤噪，得到第一局部波形；
放电识别模块，用于根据所述第二集合内的有效特征量对所述第一局部波形进行第一次局部放电识别，得到第二局部波形；根据类库资源的幅值和所述第二局部波形的幅值的形似度对所述第二局部波形进行第二次局部放电识别，得到目标局部放电信号。
本发明方法实施例的内容均适用于本系统实施例，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。
本发明实施例提供了一种局部放电波形识别系统，包括：
至少一个存储器，用于存储程序；
至少一个处理器，用于加载所述程序以执行图2所示的局部放电波形识别方法。
本发明方法实施例的内容均适用于本系统实施例，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。
本发明实施例提供了一种计算机可读存储介质，其中存储有计算机可执行的程序，所述计算机可执行的程序被处理器执行时用于实现图2所示的局部放电波形识别方法。
本发明方法实施例的内容均适用于本存储介质实施例，本存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。
本发明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可以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图2所示的局部放电波形识别方法。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。此外，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
Claims (10)
1.一种局部放电波形识别方法，其特征在于，包括以下步骤：
获取局部放电的待处理脉冲数据链，所述待处理脉冲数据链包括时间元素和幅值元素；
对所述待处理脉冲数据链进行预处理，得到待识别脉冲数据链，所述预处理包括波形处理；
提取所述待识别脉冲数据链的若干个有效特征量，将所述若干个有效特征量分成第一集合和第二集合，所述第一集合内的有效特征量包括角度系数、半周期波动态时长和单脉冲，所述第二集合内的有效特征量包括极值半周期波、门槛峰峰最大值总数和半周期波时长之和；
根据所述第一集合内的有效特征量对所述待识别脉冲数据链进行前置滤噪，得到第一局部波形；
根据所述第二集合内的有效特征量对所述第一局部波形进行第一次局部放电识别，得到第二局部波形；
根据类库资源的幅值和所述第二局部波形的幅值的形似度对所述第二局部波形进行第二次局部放电识别，得到目标局部放电信号。
2.根据权利要求1所述的一种局部放电波形识别方法，其特征在于，所述对所述待处理脉冲数据链进行预处理，得到待识别脉冲数据链，包括：
计算所述待处理脉冲数据链的零基准线；
根据所述零基准线确定所述待处理脉冲数据链的基准点；
根据所述基准点归纳所述待处理脉冲数据链的半周期波；
对所述半周期波进行非负泛化；
对泛化后的半周期波进行筛查，得到目标半周期波作为待识别脉冲数据链。
3.根据权利要求1所述的一种局部放电波形识别方法，其特征在于，所述根据所述第二集合内的有效特征量对所述第一局部波形进行第一次局部放电识别，得到第二局部波形，包括：
计算极值半周期波的位置；
根据所述极值半周期波的位置对所述第一局部波形进行初次识别；
根据所述半周期波时长之和对初次识别后的第一局部波形进行再次识别；
根据所述门槛峰峰最大值总数对再次识别后的第一局部波形进行最后识别，得到第二局部波形。
4.根据权利要求3所述的一种局部放电波形识别方法，其特征在于，所述根据所述半周期波时长之和对初次识别后的第一局部波形进行再次识别，包括：
计算前八个周期的半周期波动态时长总和；
根据所述半周期波动态时长总和与极值半周期波时长的倍数关系，对初次识别后的第一局部波形进行再次识别。
5.根据权利要求2所述的一种局部放电波形识别方法，其特征在于，所述根据所述零基准线确定所述待处理脉冲数据链的基准点，包括：
确定所述待处理脉冲数据链上过零基准线的目标点；
确定两两所述目标点之间的最大点，将所述最大点作为基准点。
6.根据权利要求5所述的一种局部放电波形识别方法，其特征在于，所述根据所述基准点归纳所述待处理脉冲数据链的半周期波，包括：
根据所述基准点对所述待处理脉冲数据链补充元素点，得到元素数组，所述元素数组的点位于所述目标点和所述最大点之间；
对所述元素数组的元素进行半周期波归纳。
7.根据权利要求2所述的一种局部放电波形识别方法，其特征在于，所述对泛化后的半周期波进行筛查，包括：
获取每一个半周期波的能量及跨越时长；
根据所述能量及跨越时长对泛化后的半周期波进行筛查。
8.一种局部放电波形识别系统，其特征在于，包括：
获取模块，用于获取局部放电的待处理脉冲数据链，所述待处理脉冲数据链包括时间元素和幅值元素；对所述待处理脉冲数据链进行预处理，得到待识别脉冲数据链，所述预处理包括波形处理；
提取模块，用于提取所述待识别脉冲数据链的若干个有效特征量，将所述若干个有效特征量分成第一集合和第二集合，所述第一集合内的有效特征量包括角度系数、半周期波动态时长和单脉冲，所述第二集合内的有效特征量包括极值半周期波、门槛峰峰最大值总数和半周期波时长之和；
前置滤噪模块，用于根据所述第一集合内的有效特征量对所述待识别脉冲数据链进行前置滤噪，得到第一局部波形；
放电识别模块，用于根据所述第二集合内的有效特征量对所述第一局部波形进行第一次局部放电识别，得到第二局部波形；根据类库资源的幅值和所述第二局部波形的幅值的形似度对所述第二局部波形进行第二次局部放电识别，得到目标局部放电信号。
9.一种局部放电波形识别系统，其特征在于，包括：
至少一个存储器，用于存储程序；
至少一个处理器，用于加载所述程序以执行如权利要求1-7任一项所述的局部放电波形识别方法。
10.一种计算机可读存储介质，其特征在于，其中存储有计算机可执行的程序，所述计算机可执行的程序被处理器执行时用于实现如权利要求1-7任一项所述的局部放电波形识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310153737.6A CN115828148B (zh) | 2023-02-23 | 2023-02-23 | 局部放电波形识别方法、系统和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310153737.6A CN115828148B (zh) | 2023-02-23 | 2023-02-23 | 局部放电波形识别方法、系统和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115828148A CN115828148A (zh) | 2023-03-21 |
| CN115828148B true CN115828148B (zh) | 2023-05-05 |
Family
ID=85522172
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310153737.6A Active CN115828148B (zh) | 2023-02-23 | 2023-02-23 | 局部放电波形识别方法、系统和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115828148B (zh) |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19758087A1 (de) * | 1997-12-30 | 1999-07-01 | Hossein Prof Dr Ing Borsi | Verfahren und Vorrichtung zur Teilentladungserkennung und -überwachung von ölgefüllten Transformatoren |
| JP4094469B2 (ja) * | 2003-04-07 | 2008-06-04 | 株式会社東芝 | 部分放電計測装置およびこの装置に用いる信号処理回路 |
| FR2981457B1 (fr) * | 2011-10-12 | 2015-04-03 | Michel Gaeta | Procede et dispositif de detection d'un dysfonctionnement dans un reseau electrique |
| JP6051951B2 (ja) * | 2013-03-01 | 2016-12-27 | 株式会社明電舎 | 部分放電検出装置及び部分放電検出方法 |
| JP2019039845A (ja) * | 2017-08-28 | 2019-03-14 | 株式会社明電舎 | 部分放電診断装置および部分放電診断方法 |
| JP7279316B2 (ja) * | 2018-01-31 | 2023-05-23 | 富士電機株式会社 | 放電監視システム、及び放電監視方法 |
| CN112834875A (zh) * | 2020-12-31 | 2021-05-25 | 康威通信技术股份有限公司 | 一种局部放电脉冲分割方法及系统 |
| CN112698170A (zh) * | 2021-01-18 | 2021-04-23 | 上海格鲁布科技有限公司 | 基于时域波形的特高频局部放电检测抗干扰方法 |
| CN113238128B (zh) * | 2021-05-11 | 2022-07-22 | 广州智丰电气科技有限公司 | 一种循环渐进式局部放电判别方法 |
| 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 |
-
2023
- 2023-02-23 CN CN202310153737.6A patent/CN115828148B/zh active Active
Non-Patent Citations (1)
| Title |
|---|
| 基于密度峰值聚类算法的局部放电脉冲分割;朱永利;蒋伟;刘刚;;电工技术学报(第06期);第229-238页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115828148A (zh) | 2023-03-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101546556A (zh) | 用于音频内容识别的分类系统 | |
| CN112068120A (zh) | 基于二维傅里叶变换的微多普勒时频平面单兵小分队识别方法 | |
| CN104751474A (zh) | 一种级联式快速图像缺陷分割方法 | |
| CN108009574B (zh) | 一种轨道扣件检测方法 | |
| CN103279744A (zh) | 基于多尺度三模式纹理特征的仿造指纹检测方法和系统 | |
| Zhang et al. | Inspection of surface defects in copper strip using multivariate statistical approach and SVM | |
| CN113283331A (zh) | 用于无人值守传感器系统的多类别目标识别方法及系统 | |
| CN114581692A (zh) | 一种基于智能图形识别的防振锤故障检测方法及系统 | |
| Yang et al. | Radar emitter signal recognition based on time-frequency analysis | |
| CN114266770B (zh) | 通过神经网络学习方法检测高铁接触网吊弦缺陷的方法 | |
| Xie et al. | Application of image processing techniques for frog call classification | |
| CN115828148B (zh) | 局部放电波形识别方法、系统和存储介质 | |
| CN117708760A (zh) | 基于多模型融合的开关柜多源局放模式识别方法及系统 | |
| Astapov et al. | A multistage procedure of mobile vehicle acoustic identification for single-sensor embedded device | |
| CN110740107B (zh) | 一种基于极值特征的复杂pri调制类型识别算法 | |
| CN114842280A (zh) | 一种基于卷积神经网络的自动识别微地震信号算法 | |
| Jiang | Fingerprint image ridge frequency estimation by higher order spectrum | |
| CN114239757B (zh) | 一种电磁时间序列数据的去噪方法及系统 | |
| Shi et al. | A wavelet-based image edge detection and estimation method with adaptive scale selection | |
| CN112419304B (zh) | 一种面向一维数据的多阶段目标检测方法及装置 | |
| CN115078616A (zh) | 基于信噪比的多窗口谱峰识别方法、设备、介质及产品 | |
| Changjun et al. | The research of vehicle classification using SVM and KNN in a ramp | |
| CN115187886A (zh) | 一种车辆违规行为检测方法、装置及电子设备 | |
| CN113177514A (zh) | 无人机信号检测方法、装置及计算机可读存储介质 | |
| Wang et al. | Woven fabric defect detection based on the cascade classifier |
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 |