CN117054797B - 用于对电气装置进行缺陷检测的方法、装置、设备及介质 - Google Patents
用于对电气装置进行缺陷检测的方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117054797B CN117054797B CN202311314789.3A CN202311314789A CN117054797B CN 117054797 B CN117054797 B CN 117054797B CN 202311314789 A CN202311314789 A CN 202311314789A CN 117054797 B CN117054797 B CN 117054797B
- Authority
- CN
- China
- Prior art keywords
- discharge
- signal
- electrical device
- amplitude
- detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 145
- 230000007547 defect Effects 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000004422 calculation algorithm Methods 0.000 claims description 51
- 238000000354 decomposition reaction Methods 0.000 claims description 28
- 238000003062 neural network model Methods 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 125000004122 cyclic group Chemical group 0.000 claims description 7
- 230000008569 process Effects 0.000 abstract description 14
- 238000003745 diagnosis Methods 0.000 abstract description 5
- 238000009413 insulation Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 18
- 238000004590 computer program Methods 0.000 description 16
- 238000006243 chemical reaction Methods 0.000 description 11
- 230000015654 memory Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000005070 sampling Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 230000010363 phase shift Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000017105 transposition Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 229920003020 cross-linked polyethylene Polymers 0.000 description 2
- 239000004703 cross-linked polyethylene Substances 0.000 description 2
- 238000004870 electrical engineering Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000002923 metal particle Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明提供了一种用于对电气装置进行缺陷检测的方法、装置、设备及介质,可以应用于电气工程领域、设备检测领域、电气设备绝缘状态与故障诊断领域。该方法包括:获取被检测的电气装置在信号采集时间段中生成的放电信号,以及在信号采集时间段中对电气装置提供的检测电压信息,信号采集时间段是基于生成放电信号的放电时刻确定的;基于放电信号的放电幅值,以及检测电压信息中与放电幅值对应的目标电压幅值,确定与放电信号对应的目标电压相位;根据目标电压相位和放电幅值构建局部放电相位谱图;以及根据局部放电相位谱图对电气装置进行缺陷检测,得到检测结果。本发明可以减少缺陷检测过程中所需的数据量,节省存储空间,提升检测效率。
Description
技术领域
本发明涉及电气工程领域、设备检测领域、电气设备绝缘状态与故障诊断领域,具体地涉及一种用于对电气装置进行缺陷检测的方法、装置、设备及介质。
背景技术
交联聚乙烯(Cross-linked Polyethylene, XLPE)电缆因其优良的电、热、机械性能而被广泛的应用于城市配网系统中。相较于电缆本体,电缆附件因复杂的结构,较高的工艺要求而容易留下潜在的人工缺陷,随着运行年限的增加,这些缺陷可能在多种应力共同的影响下进一步发展使局部放电(以下简称“局放”)发生,长期的局放会引起电缆附件绝缘性能的下降,从而导致事故发生。因此,定期对电缆附件进行局放检测与识别能有利于现场工作人员及时发现电缆潜在的缺陷并采取相应的检修措施,提升电缆系统的运行稳定性。
目前,常见的局放分析模式难以针对电缆等电气装置进行精准地击穿检测,且在检测过程中存在处理器计算开销较大、存储空间占用量较大等问题。
发明内容
鉴于上述问题,本发明提供了一种用于对电气装置进行缺陷检测的方法、装置、设备及介质。
根据本发明的第一个方面,提供了一种用于对电气装置进行缺陷检测的方法,包括:
获取被检测的电气装置在信号采集时间段中生成的放电信号,以及在上述信号采集时间段中对上述电气装置提供的检测电压信息,上述信号采集时间段是基于生成上述放电信号的放电时刻确定的;
基于上述放电信号的放电幅值,以及上述检测电压信息中与上述放电幅值对应的目标电压幅值,确定与上述放电信号对应的目标电压相位;
根据上述目标电压相位和上述放电幅值构建局部放电相位谱图;以及
根据上述局部放电相位谱图对上述电气装置进行缺陷检测,得到检测结果。
根据本发明的实施例,上述放电信号包括多个;基于上述放电信号的放电幅值,以及上述检测电压信息中与上述放电幅值对应的目标电压幅值,确定与上述放电信号对应的目标电压相位包括:
基于预设算法对多个上述放电信号进行分类,得到至少一个候选放电信号集;
从至少一个上述候选放电信号集中确定目标放电信号;以及
根据与上述目标放电信号对应的检测电压信息中,与上述目标放电信号的目标放电幅值对应的目标电压幅值,确定与上述目标放电信号对应的目标电压相位。
根据本发明的实施例,基于预设算法对多个上述放电信号进行分类,得到至少一个候选放电信号集包括:
对多个上述放电信号分别进行小波分解,得到与多个上述放电信号各自对应的分解放电信号;
根据上述分解放电信号的分解信号能量,以及上述放电信号的信号能量,确定与上述放电信号相对应的信号能量比;以及
基于聚类算法处理多个上述放电信号各自对应的信号能量比,得到至少一个上述候选放电信号集。
根据本发明的实施例,上述分解信号能量包括N个层级;
其中,根据上述分解放电信号的分解信号能量,以及上述放电信号的信号能量,确定与上述放电信号相对应的信号能量比包括:
根据第i层级上述分解信号能量和上述信号能量之间的比值,确定第一信号能量比;
其中,上述信号能量比包括上述第一信号能量比,N≥i≥1。
根据本发明的实施例,其中,根据上述分解放电信号的分解信号能量,以及上述放电信号的信号能量,确定与上述放电信号相对应的信号能量比还包括:
根据第j层级上述分解信号能量和第j-1层级上述分解信号能量之间的比值,确定第二信号能量比;
其中,上述信号能量比还包括上述第二信号能量比,N≥j>1。
根据本发明的实施例,上述候选放电信号集包括多个候选放电信号,多个上述候选放电信号按照各自对应的放电时刻的时序关系排列;
其中,从至少一个上述候选放电信号集中确定目标放电信号包括:
按照上述放电时刻由早至晚的确定顺序,从上述候选放电信号集中确定预设数量的目标放电信号。
根据本发明的实施例,根据上述局部放电相位谱图对上述电气装置进行缺陷检测,得到检测结果包括:
将上述局部放电相位谱图输入至神经网络模型,输出上述检测结果。
根据本发明的实施例,上述神经网络模型基于以下至少一种神经网络算法构建得到:卷积神经网络算法、循环神经网络算法、多层感知器算法。
本发明的第二方面提供了一种用于对电气装置进行缺陷检测的装置,包括:
获取模块,用于响应于被检测的电气装置触发预设电平信号,获取所述电气装置在信号采集时间段中生成的放电信号,以及在上述信号采集时间段中对上述电气装置提供的检测电压信息,上述信号采集时间段是基于生成上述放电信号的放电时刻确定的;
目标电压相位确定模块,用于基于上述放电信号的放电幅值,以及上述检测电压信息中与上述放电幅值对应的目标电压幅值,确定与上述放电信号对应的目标电压相位;
局部放电相位谱图构建模块,用于根据上述目标电压相位和上述放电幅值构建局部放电相位谱图;以及
检测结果获得模块,用于根据上述局部放电相位谱图对上述电气装置进行缺陷检测,得到检测结果。
本发明的第三方面提供了一种检测设备,包括:
信号采集装置,与被检测的电气装置电连接,上述信号采集装置被配置为在上述电气装置的放电时刻,采集在信号采集时间段中的放电信号;
供电装置,被配置为对被检测的电气装置供电;上述供电装置与上述电气装置和上述信号采集装置电连接,上述信号采集装置进一步被配置为在上述电气装置的放电时刻,采集在信号采集时间段中的检测电压信息;以及
根据上述的用于对电气装置进行缺陷检测的装置,与上述信号采集装置电连接;
其中,上述用于对电气装置进行缺陷检测的装置被配置为从上述信号采集装置获取上述放电信号和上述检测电压信息。
本发明的第四方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述方法。
根据本发明提供的一种用于对电气装置进行缺陷检测的方法、装置、设备及介质,通过在被检测的电气装置触发预设电平信号的情况下,获取到信号采集时间段中的放电信号和检测电压信息,可以避免持续地对电气装置进行放电信号采集产生的采集数据冗余,减少对于放电信号的信号采集数据量,根据放电幅值和目标电压幅值之间的对应关系确定目标电压相位,并进一步根据目标电压相位和放电幅值构建得到的局部放电相位谱图来进行缺陷检测,至少部分解决了在进行电气装置检测过程中所构建的PRPD(Phase ResolvedPartial Discharge)谱图中存在不同放电特征重叠的问题,减少了缺陷检测所需的数据量,减少存储空间占用和计算开销,提升了缺陷检测效率和识别的准确性。
附图说明
通过以下参照附图对本发明实施例的描述,本发明的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本发明实施例的用于对电气装置进行缺陷检测方法的应用场景图;
图2示意性示出了根据本发明实施例用于对电气装置进行缺陷检测方法的流程图;
图3示意性示出了根据本发明实施例确定与放电信号对应的目标电压相位的流程图;
图4示意性示出了根据本发明实施例的确定候选放电信号集的流程图;
图5示意性示出了根据本发明实施例的用于对电气装置进行缺陷检测方法的优选特征分布图;
图6A示意性示出了根据本发明实施例的用于对电气装置进行缺陷检测方法中不同的目标放电信号数量构成的局部放电相位谱图对应的识别准确率的柱状图;
图6B示意性示出了根据本发明实施例的局部放电相位谱图的示意图;
图7示意性示出了根据本发明实施例的用于对电气装置进行缺陷检测的装置的结构框图;
图8示意性示出了根据本发明实施例基于相位转换转置的局放测试平台构建图;
图9示意性示出了根据本发明实施例基于相位转换转置的单个周期波形图;
图10示意性示出了根据本发明实施例基于相位转换转置的单个脉冲波形图;
图11示意性示出了根据本发明实施例用于对电气装置进行缺陷检测方法的计算机可读存储介质的方框图。
具体实施方式
以下,将参照附图来描述本发明的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本发明的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本发明实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本发明。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
通常的局放分析模式存在两种问题,一种是在存在多放电源时,所构建的特征谱图存在不同放电特征重叠的可能,严重影响识别的准确性。另一种则是对采样频率要求较高,与此同时,对传感器的幅频特性也有一定限制,而由于采样频率越高,所占用的存储空间则会越大。发明人发现,局部放电识别方法通常是以固定采样时间内的放电谱图作为对象,但由于放电过程受到附件与绝缘之间的界面状态影响,放电次数的多少会附件所受应力变化而变化,所以在固定周期内采集到的各缺陷类型放电信号脉冲次数也有所不同,按固定周期数对谱图进行重构则会导致各谱图所包含的信息量不等,部分连续周期内甚至不包含放电信息,无法作为识别的对象。
有鉴于此,本发明的实施例提供了一种用于对电气装置进行缺陷检测的方法、装置、设备及介质,该方法包括:获取被检测的电气装置在信号采集时间段中生成的放电信号,以及在信号采集时间段中对电气装置提供的检测电压信息,信号采集时间段是基于生成放电信号的放电时刻确定的;基于放电信号的放电幅值,以及检测电压信息中与放电幅值对应的目标电压幅值,确定与放电信号对应的目标电压相位;根据目标电压相位和放电幅值构建局部放电相位谱图;以及根据局部放电相位谱图对电气装置进行缺陷检测,得到检测结果。
根据本发明的实施例,出于对识别对象中信息量一致性的考虑,可以按照固定脉冲数对PRPD谱图进行重构并识别,通过获取到信号采集时间段中的放电信号和检测电压信息,可以减少对于放电信号的信号采集数据量,根据放电幅值和目标电压幅值之间的对应关系确定目标电压相位,并进一步根据目标电压相位和放电幅值构建得到的局部放电相位谱图来进行缺陷检测,解决了避免了相关技术中通过直接构建与放电信号相关的特征谱图导致的放电特征重叠的问题,同时可以减少了缺陷检测所需的局部放电相位谱图的数据量,有效降低了进行缺陷检测所需的存储空间和计算开销,提升了缺陷检测效率和缺陷识别的准确性。
在本发明的技术方案中,所涉及的用户信息(包括但不限于用户个人信息、交易行为特征的操作数据、用户设备信息,例如位置信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、存储、使用、加工、传输、提供、公开和应用等处理,均遵守相关国家和地区的相关法律法规和标准,采取了必要保密措施,不违背公序良俗,并提供有相应的操作入口,供用户选择授权或者拒绝。
需要说明的是,本发明提供的用于对电气装置进行缺陷检测的方法和检测装置可用于电气设备绝缘状态与故障诊断领域,例如诊断电缆放电,也可用于除电气设备绝缘状态与故障诊断领域之外的任意领域,例如电线维修,因此,本发明提供的用于对电气装置进行缺陷检测的方法和检测装置的应用领域不做限定。
图1示意性示出了根据本发明实施例的用于对电气装置进行缺陷检测的方法、装置的应用场景图。
如图1所示,根据该实施例的应用场景100可以包括终端设备101、102、103、网络104、服务器105和待检测的电气装置106。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
电气装置106可以包括应用于电气工程领域的任意类型的电气装置,例如电缆等等,本发明的实施例对电气装置的具体类型不做限定。电气装置可以在施加了检测电压的情况下发射放电信号,可以由安装在电气装置106上的信号采集组件(例如高频传感器)采集到放电信号、检测电压信息等信息,并将采集到的信息通过网络104发送至终端设备101、102、103中的一个或多个,或者发送至服务器105。
需要说明的是,本发明实施例所提供的用于对电气装置进行缺陷检测的方法一般可以由终端设备101、102、103执行。相应地,本发明实施例所提供的用于对电气装置进行缺陷检测的装置一般可以设置于终端设备101、102、103中。
或者,本发明实施例所提供的用于对电气装置进行缺陷检测的方法一般可以由服务器105执行。相应地,本发明实施例所提供的用于对电气装置进行缺陷检测的装置一般可以设置于服务器105中。本发明实施例所提供的用于对电气装置进行缺陷检测的方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本发明实施例所提供的用于对电气装置进行缺陷检测的装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
以下将基于图1描述的场景,通过图2~图6B对公开实施例用于对电气装置进行缺陷检测方法进行详细描述。
图2示意性示出了根据本发明实施例用于对电气装置进行缺陷检测方法的流程图。
如图2所示,该实施例用于对电气装置进行缺陷检测方法包括操作S210~操作S240。
在操作S210,获取被检测的电气装置在信号采集时间段中生成的放电信号,以及在信号采集时间段中对电气装置提供的检测电压信息,信号采集时间段是基于生成放电信号的放电时刻确定的。
根据本发明的实施例,电气装置可以是任意类型的,例如电缆、组合电器等,本发明的实施例对电气装置的具体类型不做限定。
根据本发明的实施例,预设电平信号可以是大于预设幅值的电信号,例如可以是大于背景噪声幅值的两倍的电平信号,当检测到电气装置触发预设电平信号的情况下,可以对电气装置进行放电信号采集,采集到目标时间段中的放电信号的信号波形信息,例如可以根据高频电流传感器采集到的电气装置的局部脉冲信号,在局部脉冲信号大于预设电平的情况下,电气装置触发预设电平信号,触发电平可以为背景噪声幅值的两倍。此外,还可以基于其他的方式来设定放电信号的获取方式本实施例对放电信号的具体获取方式不做限定。
根据本发明的实施例,信号采集时间段可以是获得被检测的电气装置生成放电信号的放电时刻的一次或多次放电时长。本发明实施例对信号采集时间段包含的具体放电次数不做限定。获取到的放电信号可以为局放脉冲信号。
根据本发明的实施例,检测电压可以是对电气装置提供的电压,或者还可以是与对电气装置提供的电压具有相同或相应的相位属性信息的电压,例如可以通过分压器将对电气装置提供的电压进行分压,得到的分压后的电压与对电气装置提供的电压具有相同的相位属性信息,进而可以将分压后的电压作为检测电压,检测电压信息可以是与检测电压的电压值、相位属性信息等信息相关的信息。
根据本发明的实施例,检测电压信息可以通过三角波信号表征,以便于后续根据目标电压幅值与放电幅值之间的映射关系确定唯一的目标电压相位,提升后续构建得到的局部放电相位谱图的准确性。三角波信号的获取可以包括向被检测的电气装置施加工频电压,通过分压器采集工频相位信息,再通过相位转换装置将单个周期内的正弦电压信号转换为三角波信号。但不仅限于此,还可以通过其他的方式来确定检测电压信息,本发明的实施例对检测电压信息的具体获取方式不做限定。
根据本发明的实施例,可以基于触发电平采集到放电信号,例如,可以将采样通道的采样率设置为不低于100MHz,用于采集电压信息的通道采样率为50kHz,单次采集时长(信号采集时间段)可以包含放电信号完整的脉冲波形,信号采集时间段可以设置为2-5μs。例如一个周期内只发生两次放电,一次放电的时长可以为2μs,即一个周期内放电信号时长为4μs,从而可以确定一个周期内的信号采集时间段可以是4μs。相较于传统方法中一个周期的放电信号的需要采集20ms的放电信号以及20ms的工频信号,而本发明实施例获取到的放电信号则只需采集两个放电时刻对应的4μs的放电脉冲信号以及4μs的三角波信号,在采样率相同的情况下,单周期内的存储空间的占用仅为传统方法的0.02%,从而可以通过更短的信号采集时间段来获取到数据量较小的放电信号和检测电压信息,减少后续数据的计算量以及节省数据存储空间。
在操作S220,基于放电信号的放电幅值,以及检测电压信息中与放电幅值对应的目标电压幅值,确定与放电信号对应的目标电压相位。
根据本发明的实施例,获取到的局放脉冲信号的幅值可以表征放电信号的放电幅值,可以将与放电信号波峰对应的电压幅值,确定为检测电压信息中与放电幅值对应的目标电压幅值,从而可以根据检测电压信息中目标电压幅值和电压相位之间的对应关系,得到目标电压相位,这样可以实现通过放电信号的波形信息,来确定放电信号峰值与对电气装置提供的检测电压的电压相位之间的关系。
在操作S230,根据目标电压相位和放电幅值构建局部放电相位谱图。
根据本发明的实施例,根据每类脉冲信号相位(即目标电压相位)和放电幅值的对应关系,在表征一个周期内的检测电压的相位谱图进行重构,例如可以在初始的局部放电相位谱图中的放电幅值和目标电压相位位置添加标识,从而得到局部放电相位谱图。放电相位谱图可以包括两种,一种是基于相位分布(Phase Resolved Partial Discharge,PRPD)的相位谱图,另一种是基于时域分析(Time Resolved Partial Discharge, TRPD)的相位谱图。在本发明实施例中,可以基于PRPD相位谱图得到局部放电相位谱图。
在操作S240,根据局部放电相位谱图对电气装置进行缺陷检测,得到检测结果。
根据本发明的实施例,当根据目标电压相位得到重构之后的局部放电相位谱图,可以局部放电相位谱图进行局放类别的识别从而检测出电气装置的缺陷类型,得到缺陷检测结果。
图3示意性示出了根据本发明实施例确定与放电信号对应的目标电压相位的流程图。
如图3所示,该实施例确定与放电信号对应的目标电压相位包括操作S310~操作S330。
在操作S310,基于预设算法对多个放电信号进行分类,得到至少一个候选放电信号集。
根据本发明的实施例,预设算法可以包括聚类算法,例如Kmeans算法,但不仅限于此,还可以包括其他类型的算法,例如可以包括卷积神经网络算法(Convolutional NeuralNetworks,CNN)、循环神经网络算法(Recurrent Neural Networks,RNN)、基于注意力机制的Transformer网络算法等神经网络算法,本发明的实施例对预设算法的具体算法类型不做限定。
根据本发明的实施例,候选放电信号集可以是通过聚类算法所得到的聚类簇,其中聚类簇是通过使用聚类算法将数据集中无标记的样本划分为若干个不想交的子集,每个子集就是所划分的类别,本发明的实施例对所划分的候选放电信号集个数不做限定。
在操作S320,从至少一个候选放电信号集中确定目标放电信号。
本发明在操作S330,根据与目标放电信号对应的检测电压信息中,与目标放电信号的目标放电幅值对应的目标电压幅值,确定与目标放电信号对应的目标电压相位。
根据本发明的实施例,在确定一个或多个候选放电信号集后,可以从候选放电信号集中确定与候选放电信号集对应的目标放电信号。
根据本发明的实施例,确定脉冲信号对应的检测电压信息后,可以将检测电压信息通过三角波信号来表征,目标电压幅值可以与三角波信号的电压幅值对应,从而可以根据目标电压幅值确定与放电信号对应的目标电压相位。
其中,可以通过相位转换装置来将正弦电压信号转换为三角波电压信号,相位转换装置的输入的正弦电压信号的大小不影响输出的三角波信号的电压幅值,可以将每个工频周期内的正弦电压信号转化为同一个三角波信号,0°相位对应的三角波信号为0V,360°相位对应的三角波信号为5V,期间呈线性对应关系,对三角波信号的电压幅值按照如下公式(1)计算即放电时刻对应的目标电压相位,公式(1)如下所示:
(1);
公式(1)中,Vt为三角波电压信号的电压值,Pt为正弦电压信号中与电压值对应的电压相位。
根据本发明的实施例,通过相位转换装置将正弦信号转换为线性对应的三角波信号,在获取放电脉冲的同时获取三角波信号就能获取放电脉冲信号的目标电压相位,相较于传统的采集完整周期内的正弦信号以获取相位的方法,可以减少获取的数据所需的存储空间。
图4示意性示出了根据本发明实施例的确定候选放电信号集的流程图。
如图4所示,确定候选放电信号集可以包括操作S410~操作S430。
在操作S410,对多个放电信号分别进行小波分解,得到与多个放电信号各自对应的分解放电信号。
根据本发明的实施例,小波分解可以包括对放电信号逐层进行的分解,将每层分解得到的低频信号可以代表放电信号的整体趋势,可以对放电信号进行下一层分解直到达到所需分解的层数,最后得到分解放电信号。在此,本发明的实施例对分解层数不做限定。
在操作S420,根据分解放电信号的分解信号能量,以及放电信号的信号能量,确定与放电信号相对应的信号能量比。
根据本发明的实施例,信号能量比可以包括分解放电信号的分解信号能量与放电信号的信号能量的比值,或者还可以包括不同层级的分解放电信号各自的分解信号能量之间的比值。
在操作S430,基于聚类算法处理多个放电信号各自对应的信号能量比,得到至少一个候选放电信号集。
根据本发明的实施例,当得到多个放电信号各自对应的信号能量比后,可以根据信号能量比来确定放电信号各自对应的波形特征,并根据聚类算法处理信号能量比,可以实现对放电信号进行聚类分离,从而得到与放电信号的波形特征对应的候选放电信号集,从而后续根据候选放电信号集来进行缺陷检测,可以对波形特征相似的放电信号进行检测,提升针对缺陷类型的检测精度。 其中,聚类算法可以采用基于密度的聚类算法,但不仅限于此,本发明的实施例对聚类算法不做限定。
根据本发明的实施例,分解信号能量可以包括N个层级。
根据本发明的实施例,根据分解放电信号的分解信号能量,以及放电信号的信号能量,确定与放电信号相对应的信号能量比包括:根据第i层级分解信号能量和信号能量之间的比值,确定第一信号能量比;其中,信号能量比包括第一信号能量比,N≥i≥1。
根据本发明的实施例,分解能量包括N个层级,第i层级分解信号能量可以是第i层级的分解信号对应的分解信号能量,本发明的实施例对于分解能量和分解信号能量的具体层级不做限定,只要满足N≥i≥1即可。
例如,N=5的情况下,可以对放电信号进行5个层级的小波分解,在i=5的情况下,可以将第5层级分解信号能量与放电信号的信号能量之间的比值,确定为第一信号能量比,从而可以根据第一信号能量比得到分解信号能量与信号能量之间的全局信号能量比。
根据本发明的实施例,根据分解放电信号的分解信号能量,以及放电信号的信号能量,确定与放电信号相对应的信号能量比还包括:根据第j层级分解信号能量和第j-1层级分解信号能量之间的比值,确定第二信号能量比;其中,信号能量比还包括所述第二信号能量比,N≥j>1。
根据本发明的实施例,例如,N=5的情况下,即可以对放电信号进行5个层级的小波分解,分解信号能量可以包括5个层级。在j=3d的情况下,可以将第3层级分解信号能量和第2层级分解信号能量之间的比值,确定为第二信号能量比。第二信号能量比可以表征放电信号的局部信号能量比(或称细节能量比)。
根据本发明的实施例,通过聚类算法来处理与放电信号对应的第一信号能量比和第二信号能量比,可以基于放电信号的局部信号能量比和全局信号能量比对数量较多的放电信号进行分类,以便于根据分类后的候选放电信号进行缺陷检测,减少缺陷检测所需的数据量,提升缺陷检测的精度。
根据本发明的实施例,还可以包括如下操作:确定与放电信号对应的多个放点信号属性信息,多个放点信号属性信息中可以包括至少一个局部信号能量比和至少一个全局信号能量比,根据机器学习算法对多个放点信号属性信息进行分类检测,得到第一信号能量比和第二信号能量比。
根据本发明的实施例,可以通过随机森林算法来对多个放点信号属性信息进行分类检测,以便于从多个放点信号属性信息中确定与电气的局部放电类型相关度较高的属性信息,进而得到第一信号能量比和第二信号能量比。
根据本发明的实施例,候选放电信号集包括多个候选放电信号,多个候选放电信号按照各自对应的放电时刻的时序关系排列。
根据本发明的实施例,从至少一个候选放电信号集中确定目标放电信号可以包括:按照放电时刻由早至晚的确定顺序,从候选放电信号集中确定预设数量的目标放电信号。
根据本发明的实施例,候选放电信号集中的候选放电信号可以与缺陷类型相对应,缺陷检测类型可以包括刀痕缺陷放电,外半导电层凸起缺陷放电、金属颗粒缺陷放电、预制件错位缺陷放电等,但不仅限于此,本发明实施例对缺陷类型不做限定。
根据本发明的实施例,候选放电信号集包括多个候选放电信号,根据放电时刻从早到晚的确定顺序从同一个候选放电信号集中选择预设数量的目标放电信号,可以将目标放电信号对应的缺陷检测结果确定为候选放电信号集对应的缺陷检测结果,从而可以减少对放电信号的缺陷类型进项检测的数量,节省存储数据所需的存储空间,减少得到缺陷检测结果的计算开销和计算时长,提升缺陷检测效率。
根据本发明的实施例,还可以基于目标放电信号来生成样本局部放电相位谱图,从而可以根据样本局部放电相位谱图训练神经网络模型,从而实现对于训练数据的自动标注以及减少样本数据的数据量,提升训练效率对于该预设数量可以测试训练,当预设数量定为30个的情况下,其所构成的目标放电信号既可以在保证识别准确率的前提下又采用了较少的数据量,减少了数据所需的存储空间。
根据本发明的实施例,根据局部放电相位谱图对电气装置进行缺陷检测,得到检测结果包括:将局部放电相位谱图输入至神经网络模型,输出检测结果。
根据本发明的实施例,神经网络模型基于以下至少一种神经网络算法构建得到:卷积神经网络算法、循环神经网络算法、多层感知器算法。
在本发明的一个实施例中,可以基于卷积神经网络算法来构建用于进行缺陷检测的神经网络模型。通过神经网络模型中的卷积神经网络算法对局部放电相位谱图进行缺陷类型检测,可以降低模型的计算复杂度,减小神经网络模型在训练过程中的过拟合风险。
本发明根据本发明的实施例,可以通过神经网络模型中的循环神经网络算法对局部放电相位谱图进行训练,循环神经网络的神经元自带反馈,可以处理任意长度的时序数据,对于本发明的实施例放电数据的增加,处理会更加灵活。
根据本发明的实施例,可以通过神经网络模型中的多层感知器算法对局部放电相位谱图进行训练,多层感知器算法可以处理多分类问题,在对放电类型数据进行分类时,可以防止过拟合,具有较好的泛化能力。
根据本发明的实施例,还可以基于注意力网络算法来构建神经网络模型,例如可以基于ViT(Vision Transformer)算法来构建神经网络模型,以便于提升针对局部放电相位谱图的识别能力,提升缺陷检测精度。
根据本发明的实施例,为了说明用于对电气装置进行缺陷检测方法的可行性,可以在实验环境中搭建检测平台,为保证实验过程中不受实验设备的干扰,本公开的实施例采用工频无局放实验装置进行加压,选用4根长2米,型号为YJV22-8.7/15-1*95mm2的电缆,电缆的其中一端按照正常的工艺制作,另一端的终端内分别预制有刀痕缺陷(尺寸为40 mm×1 mm×1 mm(长×宽×深)),三角形半导电层突起缺陷(5 mm×10 mm(底×长)),悬浮金属颗粒缺陷(距离半导电截断处80 mm,大小为1 mm×6 mm(直径×长)),以及预制件搭接错位缺陷(错位30 mm)。
图5示意性示出了根据本发明实施例的用于对电气装置进行缺陷检测方法的特征分布图。
图6A示意性示出了根据本发明实施例的用于对电气装置进行缺陷检测方法中不同的目标放电信号数量构成的局部放电相位谱图对应的识别准确率的柱状图。
图6B示意性示出了根据本发明实施例的局部放电相位谱图的示意图。
在本实施例中,分别对每根电缆开展局放测试,各种缺陷采集400次放电脉冲数据(即放电信号),对其波形的第3层分解信号能量比ED3(第二信号能量比),以及5层分解后的放电信号能量比EA(第一信号能量比)进行提取,并基于聚类算法处理后投影至二维坐标中,得到如图5所示特征分布图。从图5中可以看出,本实施例提供的缺陷检测方法可以通过聚类算法处理第一信号能量比和第二信号能量比,得到优选特征,并通过优选特征图对不同的放电信号按照各自的缺陷类型进行分类。
将聚类后得到的各类放电脉冲数据(候选放电信号)按顺序以20,25,30,35,40次数对局放PRPD谱图进行重构,得到不同脉冲数(预设数量)下的数据集(候选放电信号集)。将数据集按4:1的比例分为训练集与测试集,将训练集输入至卷积神经网络中进行训练,然后利用测试集数据对训练效果进行验证,得到如图6A所示的柱状图。图6A所示的柱状图可以表征不同放电次数构成的PRPD谱图的识别效果。从图6A中可以看出,随着放电次数的增加,放电类型的识别准确率在增加,但当放电次数增加至30次时,识别准确率的增加趋于平缓,更多的放电次数对识别准确率的提升作用不明显,因此可以将预设数量确定为30次,并根据候选放电信号集中的前30个候选放电信号作为目标放电信号,进而构建得到如图6B所示的局部放电相位谱图。将局部放电相位谱图输入至用于检测缺陷类型的神经网络模型,得到样本检测结果。从而使PRPD谱图(局部放电相位谱图)可以作为神经网络模型的训练数据。由此可以得出,采用以30次放电所构成的PRPD谱图作为识别对象可以在保证采用数据量较小的情况下保障识别准确率。
图7示意性示出了根据本发明实施例的用于对电气装置进行缺陷检测的装置的结构框图。
如图7所示,本发明实施例提供的用于对电气装置进行缺陷检测装置700包括:获取模块710、目标电压相位确定模块720、局部放电相位谱图构建模块730和检测结果获得模块740。
获取模块710,用于获取被检测的电气装置在信号采集时间段中生成的放电信号,以及在信号采集时间段中对电气装置提供的检测电压信息,以及在信号采集时间段中对电气装置提供的检测电压信息,信号采集时间段是基于生成放电信号的放电时刻确定的。
目标电压相位确定模块720,用于基于放电信号的放电幅值,以及检测电压信息中与放电幅值对应的目标电压幅值,确定与放电信号对应的目标电压相位。
局部放电相位谱图构建模块730,用于根据目标电压相位和放电幅值构建局部放电相位谱图。
检测结果获得模块740,用于根据局部放电相位谱图对电气装置进行缺陷检测,得到检测结果。
根据本发明的实施例,目标电压相位确定模块包括:信号集得到子模块、目标放电信号确定子模块和目标电压相位确定子模块。
信号集得到子模块,用于基于预设算法对多个放电信号进行分类,得到至少一个候选放电信号集。
目标放电信号确定子模块,用于从至少一个候选放电信号集中确定目标放电信号。
目标电压相位确定子模块,用于根据与目标放电信号对应的检测电压信息中,与目标放电信号的目标放电幅值对应的目标电压幅值,确定与目标放电信号对应的目标电压相位。
根据本发明的实施例,信号集得到子模块包括:分解放电信号得到单元、信号能量比确定单元和放电信号集得到单元。
分解放电信号得到单元,用于对多个放电信号分别进行小波分解,得到与多个放电信号各自对应的分解放电信号。
信号能量比确定单元,用于根据分解放电信号的分解信号能量,以及放电信号的信号能量,确定与放电信号相对应的信号能量比。
放电信号集得到单元,用于基于聚类算法处理多个放电信号各自对应的信号能量比,得到至少一个候选放电信号集。
根据本发明的实施例,信号能量比确定单元包括:第一信号能量比确定子单元和第二信号能量比确定子单元。
第一信号能量比确定子单元,用于根据第i层级分解信号能量和信号能量之间的比值,确定第一信号能量比,其中,信号能量比包括第一信号能量比,N≥i≥1。
第二信号能量比确定子单元,用于根据第j层级分解信号能量和第j-1层级分解信号能量之间的比值,确定第二信号能量比,其中,信号能量比还包括第二信号能量比,N≥j>1。
根据本发明的实施例,候选放电信号集包括多个候选放电信号,多个候选放电信号按照各自对应的放电时刻的时序关系排列;其中,从至少一个候选放电信号集中确定目标放电信号包括:按照放电时刻由早至晚的确定顺序,从候选放电信号集中确定预设数量的目标放电信号。
根据本发明的实施例,检测结果获得模块包括:检测结果输出子模块。
检测结果输出子模块,用于将局部放电相位谱图输入至神经网络模型,输出检测结果。
根据本发明的实施例,神经网络模型基于以下至少一种神经网络算法构建得到:卷积神经网络算法、循环神经网络算法、多层感知器算法。
根据本发明的实施例,获取模块710、目标电压相位确定模块720、局部放电相位谱图构建模块730和检测结果获得模块740中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本发明的实施例,获取模块710、目标电压相位确定模块720、局部放电相位谱图构建模块730和检测结果获得模块740中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,获取模块710、目标电压相位确定模块720、局部放电相位谱图构建模块730和检测结果获得模块740中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
本发明的实施例还提供了一种检测设备,该检测设备包括:信号采集装置、供电装置、供电装置,以及根据本发明实施例提供的用于对电气装置进行缺陷检测的装置。
信号采集装置与被检测的电气装置电连接,信号采集装置被配置为在电气装置的放电时刻,采集在信号采集时间段中的放电信号。
供电装置被配置为对被检测的电气装置供电;供电装置与电气装置和信号采集装置电连接,信号采集装置进一步被配置为在电气装置的放电时刻,采集在信号采集时间段中的检测电压信息。
用于对电气装置进行缺陷检测的装置与信号采集装置电连接;其中,用于对电气装置进行缺陷检测的装置被配置为从信号采集装置获取放电信号和检测电压信息。
根据本发明的实施例,供电装置可以通过无局放变压器,保护电阻,分压器,相位转换装置,高频电流传感器,示波器和带有局放采集软件的计算机组成,但不仅限于此,本发明的实施例对检测设备中的组成部分不做限定。
根据本发明的实施例,信号采集装置还可以包括示波器、HFCT(High FrequencyCurrent Transformer,高频电流互感器)、相位转换装置等,但不仅限于此,本发明的实施例对信号采集装置不做限定。
根据本发明的实施例,供电装置,还可以包括分压器、变压器、调压箱等,但不仅限于此,本发明的实施例对供电装置不做限定。
图8示意性示出了根据本发明实施例的检测设备的应用场景图。
图9示意性示出了根据本发明实施例基于相位转换转置得到的单个周期的波形图。
图10示意性示出了根据本发明实施例基于相位转换转置得到的单个放电信号的波形图。
结合图8至图10所示,该实施例的应用场景可以包括供电装置810、被测电缆820、信号采集装置830、用于对电气装置进行缺陷检测的装置840。其中,供电装置810包括:无局放变压器811、保护电阻812、分压器813、调压箱814。信号采集装置830包括:相位转换装置831、示波器832、HFCT 833。用于对电气装置进行缺陷检测的装置840可以用于执行根据本发明实施例提供的方法。
根据本发明的实施例,为了说明检测设备的有效性,在实验环境中搭建局放测试平台,如图8所示,为保证实验过程中不受实验设备的干扰,本实验采用工频无局放实验装置进行加压,并采用一根预制有人工缺陷的电缆作为被测电缆820进行测试,该电缆的型号为YJV22-8.7/15-1*95mm2,长2米,其中一端的终端内预制有刀痕缺陷(尺寸为40mm×1mm×1mm(长×宽×深)),另外一端的电缆终端按照正常的工艺制作。
在图8中,调压箱814与无局放变压器811相连接,用于控制产生高幅值工频电压;无局放变压器811输出接保护电阻812的一端,用于限制电路中可能出现的电流,保护实验设备;保护电阻812的另一端分别接到被测电缆820与分压器813的输入端,向被测电缆820施加工频电压;分压器813的输出端与相位转换装置831的输入端相连接,相位转换装置831则将输入的工频信号转换为三角波信号,并且用示波器832对放电信号进行采集;在被测电缆820的地线上安装有一高频电流传感器(HFCT833),HFCT833的输出端与示波器832相连,用于采集放电脉冲信号;最终,示波器832通过USB端口与计算机用于对电气装置进行缺陷检测的装置840相连接,用于对电气装置进行缺陷检测的装置840则对采集到的数据进行存储与处理。需要说明的是,用于对电气装置进行缺陷检测的装置840可以是计算机。
对被测电缆进行局放测试,其发生局放时的单周期内的波形如图9所示,图中可以看出,在单个周期内的正弦信号被相位转换装置转换为三角波信号,且幅值与相位呈现线性对应的关系。实际采集时,以放电信号的上升沿作为触发,对一定时间长度内的放电脉冲信号和三角波信号进行采集即可同时获取脉冲信号的波形和相位,采集时触发电平设置为2倍的背景噪声幅值,以避免误触发。如图10所示,当局放发生时可以采集到的单个放电信号1010(即脉冲波形)以及与放电信号1010对应的三角波信号1020。由于2.8μs的时间长度远短于20ms,所以在采集单个脉冲波形时对应的三角波信号的幅值几乎不变,此时三角波信号的幅值为3.06V,计算的到该脉冲应用的相位为220°,放电发生于第三象限。由此可说明本方法可实现在采集短时脉冲波形的同时获取脉冲发生的相位,避免了对完整周期信号的采集,可大大减少局放数据所需的存储空间。
图11示意性示出了根据本发明实施例的用于对电气装置进行缺陷检测方法的电子设备的方框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其他适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、可穿戴设备和其他类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为实例,并且不意在限制文本中描述的和/或者要求的本发明的实现。
如图11所示,根据本发明实施例的电子设备1100包括处理器1101,其可以根据存储在只读存储器(ROM)1102中的程序或者从存储部分1108加载到随机访问存储器(RAM)1103中的程序而执行各种适当的动作和处理。处理器1101例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器1101还可以包括用于缓存用途的板载存储器。处理器1101可以包括用于执行根据本发明实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 1103中,存储有电子设备1100操作所需的各种程序和数据。处理器 1101、ROM 1102以及RAM 1103通过总线1104彼此相连。处理器1101通过执行ROM 1102和/或RAM1103中的程序来执行根据本发明实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 1102和RAM 1103以外的一个或多个存储器中。处理器1101也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本发明实施例的方法流程的各种操作。
根据本发明的实施例,电子设备1100还可以包括输入/输出(I/O)接口1105,输入/输出(I/O)接口1105也连接至总线1104。电子设备1100还可以包括连接至I/O接口1105的以下部件中的一项或多项:包括键盘、鼠标等的输入部分1106;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1107;包括硬盘等的存储部分1108;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至I/O接口1105。可拆卸介质1111,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1110上,以便于从其上读出的计算机程序根据需要被安装入存储部分1108。
本发明还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本发明实施例的方法。
根据本发明的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本发明的实施例,计算机可读存储介质可以包括上文描述的ROM 1102和/或RAM 1103和/或ROM 1102和RAM 1103以外的一个或多个存储器。
本发明的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本发明实施例所提供的方法。
在该计算机程序被处理器1101执行时执行本发明实施例的系统/装置中限定的上述功能。根据本发明的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分1109被下载和安装,和/或从可拆卸介质1111被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分1109从网络上被下载和安装,和/或从可拆卸介质1111被安装。在该计算机程序被处理器1101执行时,执行本发明实施例的系统中限定的上述功能。根据本发明的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本发明的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本发明的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本发明中。特别地,在不脱离本发明精神和教导的情况下,本发明的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本发明的范围。
以上对本发明的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本发明的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本发明的范围由所附权利要求及其等同物限定。不脱离本发明的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本发明的范围之内。
Claims (11)
1.一种用于对电气装置进行缺陷检测的方法,其特征在于,包括:
获取被检测的电气装置在信号采集时间段中生成的放电信号,以及在所述信号采集时间段中对所述电气装置提供的检测电压信息,所述信号采集时间段是基于生成所述放电信号的放电时刻确定的,所述信号采集时间段包括获得被检测的所述电气装置生成所述放电信号的放电时刻的一次或多次放电时长;
基于所述放电信号的放电幅值,以及所述检测电压信息中与所述放电幅值对应的目标电压幅值,确定与所述放电信号对应的目标电压相位;
根据所述目标电压相位和所述放电幅值构建局部放电相位谱图;以及
根据所述局部放电相位谱图对所述电气装置进行缺陷检测,得到检测结果。
2.根据权利要求1所述的方法,其特征在于,所述放电信号包括多个;
其中,基于所述放电信号的放电幅值,以及所述检测电压信息中与所述放电幅值对应的目标电压幅值,确定与所述放电信号对应的目标电压相位包括:
基于预设算法对多个所述放电信号进行分类,得到至少一个候选放电信号集;
从至少一个所述候选放电信号集中确定目标放电信号;以及
根据与所述目标放电信号对应的检测电压信息中,与所述目标放电信号的目标放电幅值对应的目标电压幅值,确定与所述目标放电信号对应的目标电压相位。
3.根据权利要求2所述的方法,其特征在于,基于预设算法对多个所述放电信号进行分类,得到至少一个候选放电信号集包括:
对多个所述放电信号分别进行小波分解,得到与多个所述放电信号各自对应的分解放电信号;
根据所述分解放电信号的分解信号能量,以及所述放电信号的信号能量,确定与所述放电信号相对应的信号能量比;以及
基于聚类算法处理多个所述放电信号各自对应的信号能量比,得到至少一个所述候选放电信号集。
4.根据权利要求3所述的方法,其特征在于,所述分解信号能量包括N个层级;
其中,根据所述分解放电信号的分解信号能量,以及所述放电信号的信号能量,确定与所述放电信号相对应的信号能量比包括:
根据第i层级所述分解信号能量和所述信号能量之间的比值,确定第一信号能量比;
其中,所述信号能量比包括所述第一信号能量比,N≥i≥1。
5.根据权利要求4所述的方法,其特征在于,其中,根据所述分解放电信号的分解信号能量,以及所述放电信号的信号能量,确定与所述放电信号相对应的信号能量比还包括:
根据第j层级所述分解信号能量和第j-1层级所述分解信号能量之间的比值,确定第二信号能量比;
其中,所述信号能量比还包括所述第二信号能量比,N≥j>1。
6.根据权利要求2所述的方法,其特征在于,所述候选放电信号集包括多个候选放电信号,多个所述候选放电信号按照各自对应的放电时刻的时序关系排列;
其中,从至少一个所述候选放电信号集中确定目标放电信号包括:
按照所述放电时刻由早至晚的确定顺序,从所述候选放电信号集中确定预设数量的目标放电信号。
7.根据权利要求1所述的方法,其特征在于,根据所述局部放电相位谱图对所述电气装置进行缺陷检测,得到检测结果包括:
将所述局部放电相位谱图输入至神经网络模型,输出所述检测结果。
8.根据权利要求7所述的方法,其特征在于,所述神经网络模型基于以下至少一种神经网络算法构建得到:
卷积神经网络算法、循环神经网络算法、多层感知器算法。
9.一种用于对电气装置进行缺陷检测的装置,其特征在于,包括:
获取模块,用于获取被检测的电气装置在信号采集时间段中生成的放电信号,以及在所述信号采集时间段中对所述电气装置提供的检测电压信息,所述信号采集时间段是基于生成所述放电信号的放电时刻确定的,所述信号采集时间段包括获得被检测的所述电气装置生成所述放电信号的放电时刻的一次或多次放电时长;
目标电压相位确定模块,用于基于所述放电信号的放电幅值,以及所述检测电压信息中与所述放电幅值对应的目标电压幅值,确定与所述放电信号对应的目标电压相位;
局部放电相位谱图构建模块,用于根据所述目标电压相位和所述放电幅值构建局部放电相位谱图;以及
检测结果获得模块,用于根据所述局部放电相位谱图对所述电气装置进行缺陷检测,得到检测结果。
10.一种检测设备,其特征在于,包括:
信号采集装置,与被检测的电气装置电连接,所述信号采集装置被配置为在所述电气装置的放电时刻,采集在信号采集时间段中的放电信号;
供电装置,被配置为对被检测的电气装置供电;所述供电装置与所述电气装置和所述信号采集装置电连接,所述信号采集装置进一步被配置为在所述电气装置的放电时刻,采集在信号采集时间段中的检测电压信息;以及
根据权利要求9所述的用于对电气装置进行缺陷检测的装置,与所述信号采集装置电连接;
其中,所述用于对电气装置进行缺陷检测的装置被配置为从所述信号采集装置获取所述放电信号和所述检测电压信息。
11.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311314789.3A CN117054797B (zh) | 2023-10-12 | 2023-10-12 | 用于对电气装置进行缺陷检测的方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311314789.3A CN117054797B (zh) | 2023-10-12 | 2023-10-12 | 用于对电气装置进行缺陷检测的方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117054797A CN117054797A (zh) | 2023-11-14 |
CN117054797B true CN117054797B (zh) | 2024-01-26 |
Family
ID=88653953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311314789.3A Active CN117054797B (zh) | 2023-10-12 | 2023-10-12 | 用于对电气装置进行缺陷检测的方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117054797B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103645425A (zh) * | 2013-11-15 | 2014-03-19 | 广东电网公司电力科学研究院 | 一种高压电缆绝缘缺陷局部放电在线监测诊断方法 |
CN104965161A (zh) * | 2015-05-29 | 2015-10-07 | 广西电网有限责任公司电力科学研究院 | 一种电缆绝缘介质谱及局部放电缺陷检测方法及装置 |
CN106501690A (zh) * | 2016-10-28 | 2017-03-15 | 国网辽宁省电力有限公司辽阳供电公司 | 一种xlpe电力电缆局部放电诊断方法及系统 |
CN111398761A (zh) * | 2020-04-03 | 2020-07-10 | 苏州华电电气股份有限公司 | 局部放电信号采集装置和局部放电采集分析仪 |
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 |
CN116643127A (zh) * | 2023-05-15 | 2023-08-25 | 国网江西省电力有限公司电力科学研究院 | 一种gis绝缘件的有效性检测评价方法及装置 |
-
2023
- 2023-10-12 CN CN202311314789.3A patent/CN117054797B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103645425A (zh) * | 2013-11-15 | 2014-03-19 | 广东电网公司电力科学研究院 | 一种高压电缆绝缘缺陷局部放电在线监测诊断方法 |
CN104965161A (zh) * | 2015-05-29 | 2015-10-07 | 广西电网有限责任公司电力科学研究院 | 一种电缆绝缘介质谱及局部放电缺陷检测方法及装置 |
CN106501690A (zh) * | 2016-10-28 | 2017-03-15 | 国网辽宁省电力有限公司辽阳供电公司 | 一种xlpe电力电缆局部放电诊断方法及系统 |
CN111398761A (zh) * | 2020-04-03 | 2020-07-10 | 苏州华电电气股份有限公司 | 局部放电信号采集装置和局部放电采集分析仪 |
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 |
CN116643127A (zh) * | 2023-05-15 | 2023-08-25 | 国网江西省电力有限公司电力科学研究院 | 一种gis绝缘件的有效性检测评价方法及装置 |
Non-Patent Citations (2)
Title |
---|
基于高频局放检测的电缆绝缘诊断系统设计研究;杨玉新;李盛;邢耀敏;杨海超;王勇林;;电力学报(03);全文 * |
高灵敏度储能电容器直流局部放电测试分析系统;张血琴;吴广宁;李晓华;边姗姗;彭倩;;电力自动化设备(07);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117054797A (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11349306B2 (en) | Distribution grid fault analysis under load and renewable energy uncertainties | |
Barrios et al. | Partial discharge classification using deep learning methods—Survey of recent progress | |
Luo et al. | A review of online partial discharge measurement of large generators | |
Peng et al. | Random forest based optimal feature selection for partial discharge pattern recognition in HV cables | |
Manohar et al. | Spatio-temporal information based protection scheme for PV integrated microgrid under solar irradiance intermittency using deep convolutional neural network | |
Misák et al. | A complex classification approach of partial discharges from covered conductors in real environment | |
CN109340586A (zh) | 一种供水管道泄露的检测方法及系统 | |
Hussain et al. | Hybrid sensing of internal and surface partial discharges in air-insulated medium voltage switchgear | |
Liu et al. | Dual-channel convolutional network-based fault cause identification for active distribution system using realistic waveform measurements | |
Florkowski | Influence of harmonics on partial discharge measurements and interpretation of phase-resolved patterns | |
Liu et al. | A multidimensional feature-driven ensemble model for accurate classification of complex power quality disturbance | |
Hou et al. | Fault identification method for distribution network based on parameter optimized variational mode decomposition and convolutional neural network | |
CN117054797B (zh) | 用于对电气装置进行缺陷检测的方法、装置、设备及介质 | |
Yang et al. | Fault Classification in Distribution Systems using Deep Learning with Data Preprocessing Methods based on Fast-DTW and Short-Time Fourier Transform | |
Beg et al. | Feed-forward artificial neural network–discrete wavelet transform approach to classify power system transients | |
Xi et al. | Fault detection and classification on insulated overhead conductors based on MCNN‐LSTM | |
Khokhar et al. | Automatic pattern recognition of single and multiple power quality disturbances | |
Akkaya et al. | A new comparative approach based on features of subcomponents and machine learning algorithms to detect and classify power quality disturbances | |
CN117289097A (zh) | 电力设备局部放电检测方法、模型训练方法、装置和设备 | |
Petri et al. | A portable system for the evaluation of the degree of pollution of transmission line insulators | |
CN116520191A (zh) | 一种小电流接地故障选线方法及装置 | |
Luo et al. | Stacked denoising autoencoder based fault location in voltage source converters‐high voltage direct current | |
US11300603B2 (en) | Method and system for condition monitoring electrical equipment | |
Maslej‐Krešňáková et al. | Automatic detection of atmospherics and tweek atmospherics in radio spectrograms based on a deep learning approach | |
Kakimoto et al. | Identification of Partial Discharge Source in Power Apparatus in Practical Substation Utilizing Artificial Neural Network |
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 |