CN117269701A - 基于人工智能的高压开关柜局部放电定位方法 - Google Patents

Abstract

本发明涉及局部放电检测技术领域，提出了基于人工智能的高压开关柜局部放电定位方法，包括：获取顶角的超声波信号；基于内涵模态分量的功率谱密度估计结果中的能量分布特征确定每个峰值频率的能量密度；根据功率谱密度估计结果中所有峰值频率的能量密度确定局部放电信号成分频率区间；根据内涵模态分量的局部放电信号成分频率区间确定真实信噪比；基于每个超声波信号包含的所有内涵模态分量的真实信噪比确定真实先验信噪比；基于真实先验信噪比得到有效超声波信号；根据高压开关柜所有顶角的有效超声波信号确定高压开关柜中局部放电的位置信息。本发明利用信号分解算法评估超声波信号的真实先验信噪比，提高了局部放电定位结果的准确率。

Description

基于人工智能的高压开关柜局部放电定位方法

技术领域

本发明涉及局部放电检测技术领域，具体涉及基于人工智能的高压开关柜局部放电定位方法。

背景技术

高压开关柜是一种用于控制和保护高压电力设备的设备。它通常由开关、断路器、保险丝、隔离开关等组成，用于控制电力系统中的电流、电压和功率。其主要功能包括：断开和接通电路、保护电力设备、隔离电路以及测量和监测电力参数。高压开关柜广泛应用于电力系统、工矿企业、建筑、交通等领域，是电力设备的重要组成部分。

高压开关柜局部放电是指在绝缘系统中的某个局部区域发生电击现象，通常由于绝缘材料的缺陷或损坏引起，可能引发电弧放电，产生高温和高能量的电弧，对开关柜和周围设备造成严重的损坏，同时局部放电也会导致电力系统中的能量损耗，降低系统的效率。常用的高压开关柜局部放电检测方法包括暂态电压检测法、超声波检测法等，其中暂态电压检测时通过局部放电时产生的暂态对地电压判断放电点的位置，暂态电压检测法的定位精度取决于暂态电压的采集效果，对采集仪器有较高的要求；而超声波检测法进行局部放电定位时，应用场景中噪声会影响接收的超声波信号，从影响最终定位效果。

发明内容

本发明提供基于人工智能的高压开关柜局部放电定位方法，以解决干扰噪声对超声波检测法定位局部放电位置时造成定位精度误差的问题，所采用的技术方案具体如下：

本发明一个实施例基于人工智能的高压开关柜局部放电定位方法，该方法包括以下步骤：

获取高压开关柜每个顶角的超声波信号；

基于每个内涵模态分量的功率谱密度估计结果中的能量分布特征确定所述功率谱密度估计结果中每个峰值频率的能量密度；根据所述功率谱密度估计结果中所有峰值频率的能量密度确定每个内涵模态分量的局部放电信号成分频率区间；

根据每个内涵模态分量的局部放电信号成分频率区间确定每个内涵模态分量的真实信噪比；基于每个顶角的超声波信号包含的所有内涵模态分量的真实信噪比确定每个顶角的超声波信号的真实先验信噪比；

采用维纳滤波算法基于所述真实先验信噪比得到每个顶角的有效超声波信号；根据高压开关柜所有顶角的有效超声波信号确定高压开关柜中局部放电的位置信息。

优选的，所述基于每个内涵模态分量的功率谱密度估计结果中的能量分布特征确定所述功率谱密度估计结果中每个峰值频率的能量密度的方法为：

利用信号分解算法将每个顶角的超声波信号分解为预设数量个内涵模态分量；将所述每个内涵模态分量作为功率谱密度估计算法的输入得到所述每个内涵模态分量的功率谱密度估计结果；

将所述功率谱密度估计结果中每个极大值点对应的频率作为一个峰值频率，根据所述功率谱密度估计结果中每个峰值频率的局部密度确定所述功率谱密度估计结果中每个峰值频率的频率窗口；

将每个峰值频率的功率谱密度值在所述每个峰值频率的频率窗口上的均值作为每个峰值频率的能量密度。

优选的，所述根据所述功率谱密度估计结果中每个峰值频率的局部密度确定所述功率谱密度估计结果中每个峰值频率的频率窗口的方法为：

将以所述功率谱密度估计结果中每个数据点的频率作为横坐标，每个数据点的功率谱密度估计值作为纵坐标构建的二维坐标系作为特征坐标系，获取所述功率谱密度估计结果中所有数据点在特征坐标系中的映射结果；

采用密度峰值聚类算法基于所述映射结果得到每个数据点所在的聚类簇；基于每个峰值频率对应数据点所在聚类簇的类内距离确定每个峰值频率的频率窗口。

优选的，所述基于每个峰值频率对应数据点所在聚类簇的类内距离确定每个峰值频率的频率窗口的方法为：

将任意一个峰值频率对应数据点作为一个目标点，获取每个目标点与其所在聚类簇内其余数据之间欧氏距离的均值作为分子，将每个目标点与其所在聚类簇内其余数据之间欧氏距离的最大值作为分母，将分子与分母的比值作为频率扩散比例；

将预设参数与频率扩散比例的差值作为第一比例系数，将预设参数与频率扩散比例的和作为第二比例系数；

将每个峰值频率与第一比例系数乘积的取整结果作为频率下限，将每个峰值频率与第二比例系数乘积的取整结果作为频率上限，将频率下限和频率上限确定的频率区间作为每个峰值频率的频率窗口。

优选的，所述根据所述功率谱密度估计结果中所有峰值频率的能量密度确定每个内涵模态分量的局部放电信号成分频率区间的方法为：

分别获取每个内涵模态分量的功率谱密度估计结果中所有所述能量密度中最大值对应的峰值频率作为目标频率，将目标频率对应的频率窗口作为每个内涵模态分量的局部放电信号成分频率区间。

优选的，所述根据每个内涵模态分量的局部放电信号成分频率区间确定每个内涵模态分量的真实信噪比的方法为：

将每个去除DC直流分量、去除所述局部放电信号成分频率区间内的峰值频率后的内涵模态分量作为一个有效估计分量；将所述有效估计分量中峰值频率最大值对应的超声波波段上的功率和作为每个内涵模态分量的信号平均功率；

将每个去除预设次谐波波段后的有效估计分量作为一个噪声估计分量；将每个噪声估计分量中所有频率对应功率的中值作为第一估计值；将第一估计值作为每个噪声估计分量中所有去除频率的功率值，将每个噪声估计分量中所有频率对应功率、所述所有去除频率的功率值的累加和作为每个内涵模态分量的噪声平均功率；

基于每个内涵模态分量的信号平均功率与噪声平均功率得到每个内涵模态分量的真实信噪比。

优选的，所述基于每个顶角的超声波信号包含的所有内涵模态分量的真实信噪比确定每个顶角的超声波信号的真实先验信噪比的方法为：

基于每个内涵模态分量的局部放电信号成分频率区间确定每个内涵模态分量的成分权重；

将每个内涵模态分量的成分权重与每个内涵模态分量的真实信噪比的乘积作为第一累加因子；将第一累加因子在每个顶角的超声波信号包含的所有内涵模态分量上的累加结果作为每个顶角的超声波信号的真实先验信噪比。

优选的，所述基于每个内涵模态分量的局部放电信号成分频率区间确定每个内涵模态分量的成分权重的方法为：

将每个顶角的超声波信号包含的第一个内涵模态分量的局部放电信号成分频率区间占所述第一个内涵模态分量的频率区间的比例作为所述第一个内涵模态分量的成分权重；

基于每个顶角的超声波信号包含的每个内涵模态分量的次序值确定所述每个内涵模态分量的权重因子；

将所述第一个内涵模态分量的成分权重与所述每个内涵模态分量的权重因子的乘积作为所述每个内涵模态分量的成分权重。

优选的，所述采用维纳滤波算法基于所述真实先验信噪比得到每个顶角的有效超声波信号的方法为：

将每个顶角的超声波信号作为输入，将每个顶角的超声波信号的真实先验信噪比作为维纳滤波去噪算法中的信噪比参数，将维纳滤波去噪算法的输出作为每个顶角的有效超声波信号。

优选的，所述根据高压开关柜所有顶角的有效超声波信号确定高压开关柜中局部放电的位置信息的方法为：

分别获取高压开关柜所有顶角的有效超声波信号的接收时间、基于所述接收时间之间的时间差以及所述有效超声波信号的幅值得到高压开关柜内局部放电位置的坐标信息。

本发明的有益效果是：本发明通过分析每个顶角的超声波信号中噪声信号、局部放电信号之间的差异，基于内涵模态分量的功率谱密度估计结果确定每个内涵模态分量中局部放电信号对应的局部放电信号成分频率区间；并根据信号分解过程中每个内涵模态分量携带的信息量不同构建成分权重，基于成分权重以及内涵模态分量的真实信噪比确定真实先验信噪比；基于真实先验信噪比得到有效超声波信号，有益效果在于通过去除超声波信号中的噪声信号，得到不同超声波传感器之间有效超声波信号传播的时间差，提高了高压开关柜内局部放电的定位精度；其次通过多次三角定位的方法得到多个高压开关柜内局部放电的位置信息，避免一次定位产生误差，提高高压开关柜内局部放电坐标的定位准确率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一个实施例所提供的基于人工智能的高压开关柜局部放电定位方法的流程示意图；

图2为本发明一个实施例所提供的内涵模态分量的功率谱密度估计结果的示意图；

图3为本发明一个实施例所提供的基于人工智能的高压开关柜局部放电定位方法的实施流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

请参阅图1，其示出了本发明一个实施例提供的基于人工智能的高压开关柜局部放电定位方法流程图，该方法包括以下步骤：

步骤S001，获取高压开关柜每个顶角的超声波信号。

在高压开关柜中，局部放电的过程是一个能量瞬时爆发的过程，电气击穿发生在空气的间隙，电能在一瞬间转化为热能，放电中心的气体受到热能的作用会发生膨胀，通过声波向外传播，因此本发明考虑利用高压开关柜内的超声波信号确定高压开关柜发生局部放电的位置。

在高压开关柜内部八个顶角分别放置一个超声波传感器，用于收集高压开关柜内的超声波信号，将采集到的超声波信号分别记为：，其中N表示顶角放置超声波传感器的数量，在本发明中N的值为8。

至此，得到高压开关柜每个顶角的超声波信号，用于后续确定高压开关柜内局部放电的定位信息。

步骤S002，基于每个内涵模态分量的功率谱密度估计结果中的能量分布特征确定所述功率谱密度估计结果中每个峰值频率的能量密度，根据所述功率谱密度估计结果中所有峰值频率的能量密度确定每个内涵模态分量的局部放电信号成分频率区间。

在高压开关柜发生局部放电时，每个顶角采集到的超声波信号中除了局部放电信号之外，还包含噪声，所述噪声包括环境噪声、电子噪声，所述环境噪声是指采集超声波信号的过程中周围环境内其余设备产生的噪声，例如冷却风扇以及其他机械设备造成的高频振动噪声；所述电子噪声是指超声波传感器本身的噪声，可能由电子元器件所引起，也可能是由于电流以及电磁场变化引起的。在基于多个超声波信号进行局部放电定位时，上述各类噪声的存在会影响定位精度，所以在从超声波信号中提取局部放电信号前需要进行降噪处理，以消除噪声对局部放电信号产生的影响。

对于任意一个顶角的超声波信号进行信号分解处理，举例而言，将第2个顶角的超声波信号作为经验模态分解EMD（Empirical Mode Decomposition）算法的输入，采用EMD算法将超声波信号/>分解为A个内涵模态分量和一个残波，将/>的第a个/>内涵模态分量记为/>，EMD算法为公知技术，具体过程不再赘述。由于高压开关柜内设备的工作状态一般处于相对稳定的状态，局部放电现象是随机产生的，因此超声波信号中的噪声信号相较于局部放电信号更为平稳，因此在内涵模态分量中噪声信号通常具有较大的频谱贷款。

进一步的，对任意一个内涵模态分量进行功率谱密度估计，根据所述功率谱密度估计结果获取每个内涵模态分量中每个峰值频率的能量密度。具体地，以第a个内涵模态分量为例，将内涵模态分量/>作为伯格Burg算法的输入，算法输出为内涵模态分量/>的功率谱密度估计结果，如图2所示。需要说明的是，本发明中利用赤池信息准则AIC确定Burg算法中的自回归模型阶数，所述赤池信息准则AIC、Burg算法为公知技术，具体过程不再赘述。

其次，将内涵模态分量的功率谱密度估计结果中每个数据点的频率作为横坐标，每个数据点的功率谱密度估计值作为纵坐标构建的二维坐标系作为特征坐标系，获取将内涵模态分量/>的功率谱密度估计结果中所有数据点在特征坐标系中的映射结果。进一步地，将所述映射结果中的所有数据点作为聚类算法的输入，采用密度峰值聚类算法获取所述映射结果的聚类结果。在聚类过程中，属于噪声信号的数据点将会划分到同一聚类簇中，且噪声越集中的频率区间内的数据点越有可能成为一个聚类簇中心点；同理，属于局部放电信号的数据点将会划分到同一聚类簇中，且由于局部放电信号的随机性，局部放电信号对应的聚类簇内数据点的局部密度更大，密度峰值聚类算法为公知技术，具体过程不再赘述。

具体地，利用峰值检测算法PDA(Peak detection algorithm)获取内涵模态分量的功率谱密度估计结果中的所有极大值点，并将内涵模态分量/>的功率谱密度估计结果中每个极大值点对应的频率作为内涵模态分量/>的一个峰值频率，将内涵模态分量/>的第i个极值点对应的频率记为峰值频率/>。峰值检测算法PDA为公知技术，具体检测过程不再赘述。根据每个峰值频率对应数据点所在的聚类簇确定每个峰值频率的频率窗口，将对应的数据点记为/>，将数据点/>所在的聚类簇记为/>，计算峰值频率/>对应的频率窗口/>，/>，其中，/>、/>分别是频率窗口的频率下限、频率上限。具体计算公式如下：/>

式中，是峰值频率/>的频率扩散比例，/>是数据点/>与聚类簇/>内所有数据点之间欧式距离的均值，/>是数据点/>与聚类簇/>内所有数据点之间欧式距离的最大值；/>、/>分别是峰值频率/>所在频率窗口的频率下限、频率上限，/>是四舍五入取整函数。

其中，聚类簇内数据点的局部密度越大，/>的值越小，数据点/>与聚类簇/>内所有数据点之间欧式距离的均值/>与最大值/>越接近，/>越大，第一比例系数的值越小，相应的频率下限/>的值越小；第二比例系数/>的值越大，相应的频率上限/>的值越大，则峰值频率所在频率窗口越大，峰值频率与相邻频率的功率谱密度估计值越相似，即/>的范围越大，在内涵模态分量/>的功率谱密度估计结果中越有可能是局部密度较大的局部放电信号。

根据上述步骤，分别获取内涵模态分量对应的每个峰值频率的频率窗口。基于每个峰值频率所在频率窗口的大小计算每个峰值频率的能量密度，计算峰值频率/>的能量密度/>：

式中，是峰值频率/>的能量密度，/>、/>分别是所在频率区间的频率下限、频率上限，/>是频率区间内的一个频率值，需要说明的是：/>的含义为计算频率区间内所有频率的功率谱密度估计值的累加和，这样计算的原因在于功率谱密度估计结果是连续型数据，而不是离散型数据。

根据上述步骤，分别获取内涵模态分量对应的每个峰值频率的频率窗口以及能量密度，获取内涵模态分量/>对应的所有能量密度中最大值，将所述能量密度最大值对应的峰值频率所在的频率窗口作为内涵模态分量/>的局部放电信号成分频率区间。

至此，每个内涵模态分量的局部放电信号成分频率区间，用于后续对超声波信号的去噪处理。

步骤S003，根据每个内涵模态分量的局部放电信号成分频率区间确定每个内涵模态分量的真实信噪比；基于每个顶角的超声波信号包含的所有内涵模态分量的真实信噪比确定每个顶角的超声波信号的真实先验信噪比。

对于每个顶角的超声波信号而言，超声波信号中包含的噪声信号是未知的，因此本发明通过参数估计的方式获取每个超声波信号中每个内涵模态分量中信号平均功率、噪声平均功率。举例而言，以内涵模态分量为例，首先利用直接差分法去除内涵模态分量/>中的DC直流分量，其次在去除DC直流分量的基础上再去除内涵模态分量的局部放电信号成分频率区间内包含的所有峰值频率，将经过上述步骤得到的结果作为内涵模态分量/>的有效估计分量/>。由于每个超声波信号中不仅包括局部放电信号、噪声信号还包括基础的谐波信号，因此为了得到更符合实际的估计结果，从有效估计分量中去除/>次的谐波波段，将去除上述谐波波段后的结果作为内涵模态分量的噪声估计分量/>，本发明中，/>、/>的大小分别取经验值2、6，实施者可根据高压开关柜的具体使用情况选择合适的/>、/>。根据有效估计分量/>、噪声估计分量/>获取内涵模态分量/>的真实信噪比/>：

式中，是内涵模态分量/>的信号平均功率,/> 、/>分别是有效估计分量/>中峰值频率最大值对应超声波波段的频率区间的上限、下限，/>是所述超声波波段的频率区间/>内任意一个频率的功率值；

是内涵模态分量/>的噪声平均功率，/>、/>分别是噪声估计分量中频率的最大值、最小值，/>是频率区间内任意一个非去除频率的功率值；j是噪声估计分量/>中第j个被去除的频率，/>是第j个被去除的频率的功率值，/>的大小等于噪声估计分量/>中所有非去除频率对应功率的中值，n是去除频率的数量；

是内涵模态分量/>的真实信噪比，/>是以10为底数的对数函数。

其中，内涵模态分量的局部放电信号成分频率区间内包含的峰值频率越少，有效估计分量/>中所包含的内涵模态分量/>中的频率越多，/>的值越大；噪声估计分量中去除的频率越多，越多被去除的频率的功率值等于噪声估计分量/>中所有非去除频率对应功率的中值，/>的值越小，相应的，真实信噪比/>的值越大。

根据上述步骤，分别获取每个顶角的超声波信号包含的每个内涵模态分量的真实信噪比，并基于每个顶角的超声波信号包含的所有内涵模态分量的真实信噪比获取每个顶角的超声波信号的真实先验信噪比。计算第2个顶角的超声波信号的真实先验信噪比：

式中，是超声波信号/>包含第一个内涵模态分量的成分权重，/>、是超声波信号/>包含第一个内涵模态分量对应局部放电信号成分频率区间的频率上限、频率下限；/>、/>分别是超声波信号/>包含第一个内涵模态分量中频率最大值、频率最小值；

是超声波信号/>包含第b个内涵模态分量的成分权重；

是超声波信号/>的真实先验信噪比，A是超声波信号/>包含的内涵模态分量的数量，/>是超声波信号/>包含第b个内涵模态分量的真实信噪比。

其中，超声波信号包含第一个内涵模态分量对应局部放电信号成分频率区间的范围越大，超声波信号/>包含第一个内涵模态分量中的噪声含量越少，超声波信号包含第一个内涵模态分量的真实信噪比对超声波信号信噪比的影响越大，的值越大，/>的值越大；在经验模态分解信号过程中，内涵模态分量的次序越低，内涵模态分量所包含的频率成分也逐渐降低，内涵模态分量的真实信噪比对超声波信号信噪比的影响越小，/>的值越大，权重因子/>的值越小，/>的值越小，第一累加因子/>的值越小。

至此，得到每个顶角的超声波信号的真实先验信噪比，用于后续获取每个顶角的有效超声波信号。

步骤S004，采用维纳滤波算法基于所述真实先验信噪比得到每个顶角的有效超声波信号；根据高压开关柜所有顶角的有效超声波信号确定高压开关柜中局部放电的位置信息。

根据上述步骤，分别获取每个顶角的超声波信号的真实先验信噪比。其次分别将每个顶角的超声波信号作为维纳滤波去噪算法的输入，将所述超声波信号的真实先验信噪比作为维纳滤波去噪算法中的信噪比参数，利用维纳滤波去噪算法输出每个顶角的超声波信号去噪后的有效超声波信号，将超声波信号对应的有效超声波信号记为/>，维纳滤波去噪算法为公知技术，具体过程不再赘述。

进一步地，根据高压开关柜上每个顶角的有效超声波信号获取高压开关柜中局部放电的位置信息，具体实施流程如图3所示。对于任意一个顶角的超声波传感器，利用超声波传感器获取向高压开关柜发送超声波信号的发射时间，其次将其余任意一个超声波传感器作为信号接收器，利用所述信号接收器获取有效超声波信号的接收时间。举例而言，将第2个顶角的超声波传感器向高压开关柜发射超声波信号，并将超声波信号/>的发射时间记录为/>，将第1个顶角的超声波传感器作为信号接收器，将第1个顶角的超声波传感器接收到有效超声波信号/>的接收时间记录为/>，基于超声波信号在第2个顶角、第1个顶角的超声波传感器之间的时间差/>以及超声波信号的传播速度获取第2个顶角、第1个顶角的超声波传感器之间的空间距离/>。重复上述流程获取高压开关柜上任意两个顶角传感器之间的空间距离D。

其次利用三角定位的方法基于高压开关柜上两个顶角传感器之间的空间距离计算局部放电的坐标信息。举例而言，将第1个顶角、第2个顶角、第N个顶角的超声波传感器的坐标信息分别记为、/>、/>，将第一次三角定位方法计算局部放电的坐标设为/>，则根据/>、/>以及第2个顶角、第1个顶角的超声波传感器之间的空间距离/>可得一组三元一次方程：

根据每组三元一次方程可以确定一个局部放电的坐标，为了提高定位结果的可信度，本发明中，连续计算N组局部放电的坐标，N的大小取经验值6，将所述N组局部放电的坐标的均值作为最终的定位坐标，操作人员根据最终的定位坐标采取必要的维护措施，确保高压开关柜的安全运行。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于人工智能的高压开关柜局部放电定位方法，其特征在于，该方法包括以下步骤：

获取高压开关柜每个顶角的超声波信号；

基于每个内涵模态分量的功率谱密度估计结果中的能量分布特征确定所述功率谱密度估计结果中每个峰值频率的能量密度；根据所述功率谱密度估计结果中所有峰值频率的能量密度确定每个内涵模态分量的局部放电信号成分频率区间；

根据每个内涵模态分量的局部放电信号成分频率区间确定每个内涵模态分量的真实信噪比；基于每个顶角的超声波信号包含的所有内涵模态分量的真实信噪比确定每个顶角的超声波信号的真实先验信噪比；

采用维纳滤波算法基于所述真实先验信噪比得到每个顶角的有效超声波信号；根据高压开关柜所有顶角的有效超声波信号确定高压开关柜中局部放电的位置信息。

2.根据权利要求1所述的基于人工智能的高压开关柜局部放电定位方法，其特征在于，所述基于每个内涵模态分量的功率谱密度估计结果中的能量分布特征确定所述功率谱密度估计结果中每个峰值频率的能量密度的方法为：

利用信号分解算法将每个顶角的超声波信号分解为预设数量个内涵模态分量；将所述每个内涵模态分量作为功率谱密度估计算法的输入得到所述每个内涵模态分量的功率谱密度估计结果；

将所述功率谱密度估计结果中每个极大值点对应的频率作为一个峰值频率，根据所述功率谱密度估计结果中每个峰值频率的局部密度确定所述功率谱密度估计结果中每个峰值频率的频率窗口；

将每个峰值频率的功率谱密度值在所述每个峰值频率的频率窗口上的均值作为每个峰值频率的能量密度。

3.根据权利要求2所述的基于人工智能的高压开关柜局部放电定位方法，其特征在于，所述根据所述功率谱密度估计结果中每个峰值频率的局部密度确定所述功率谱密度估计结果中每个峰值频率的频率窗口的方法为：

将以所述功率谱密度估计结果中每个数据点的频率作为横坐标，每个数据点的功率谱密度估计值作为纵坐标构建的二维坐标系作为特征坐标系，获取所述功率谱密度估计结果中所有数据点在特征坐标系中的映射结果；

采用密度峰值聚类算法基于所述映射结果得到每个数据点所在的聚类簇；基于每个峰值频率对应数据点所在聚类簇的类内距离确定每个峰值频率的频率窗口。

4.根据权利要求3所述的基于人工智能的高压开关柜局部放电定位方法，其特征在于，所述基于每个峰值频率对应数据点所在聚类簇的类内距离确定每个峰值频率的频率窗口的方法为：

将任意一个峰值频率对应数据点作为一个目标点，获取每个目标点与其所在聚类簇内其余数据之间欧氏距离的均值作为分子，将每个目标点与其所在聚类簇内其余数据之间欧氏距离的最大值作为分母，将分子与分母的比值作为频率扩散比例；

将预设参数与频率扩散比例的差值作为第一比例系数，将预设参数与频率扩散比例的和作为第二比例系数；

将每个峰值频率与第一比例系数乘积的取整结果作为频率下限，将每个峰值频率与第二比例系数乘积的取整结果作为频率上限，将频率下限和频率上限确定的频率区间作为每个峰值频率的频率窗口。

5.根据权利要求1所述的基于人工智能的高压开关柜局部放电定位方法，其特征在于，所述根据所述功率谱密度估计结果中所有峰值频率的能量密度确定每个内涵模态分量的局部放电信号成分频率区间的方法为：

分别获取每个内涵模态分量的功率谱密度估计结果中所有所述能量密度中最大值对应的峰值频率作为目标频率，将目标频率对应的频率窗口作为每个内涵模态分量的局部放电信号成分频率区间。

6.根据权利要求1所述的基于人工智能的高压开关柜局部放电定位方法，其特征在于，所述根据每个内涵模态分量的局部放电信号成分频率区间确定每个内涵模态分量的真实信噪比的方法为：

将每个去除DC直流分量、去除所述局部放电信号成分频率区间内的峰值频率后的内涵模态分量作为一个有效估计分量；将所述有效估计分量中峰值频率最大值对应的超声波波段上的功率和作为每个内涵模态分量的信号平均功率；

将每个去除预设次谐波波段后的有效估计分量作为一个噪声估计分量；将每个噪声估计分量中所有频率对应功率的中值作为第一估计值；将第一估计值作为每个噪声估计分量中所有去除频率的功率值，将每个噪声估计分量中所有频率对应功率、所述所有去除频率的功率值的累加和作为每个内涵模态分量的噪声平均功率；

基于每个内涵模态分量的信号平均功率与噪声平均功率得到每个内涵模态分量的真实信噪比。

7.根据权利要求1所述的基于人工智能的高压开关柜局部放电定位方法，其特征在于，所述基于每个顶角的超声波信号包含的所有内涵模态分量的真实信噪比确定每个顶角的超声波信号的真实先验信噪比的方法为：

基于每个内涵模态分量的局部放电信号成分频率区间确定每个内涵模态分量的成分权重；

将每个内涵模态分量的成分权重与每个内涵模态分量的真实信噪比的乘积作为第一累加因子；将第一累加因子在每个顶角的超声波信号包含的所有内涵模态分量上的累加结果作为每个顶角的超声波信号的真实先验信噪比。

8.根据权利要求7所述的基于人工智能的高压开关柜局部放电定位方法，其特征在于，所述基于每个内涵模态分量的局部放电信号成分频率区间确定每个内涵模态分量的成分权重的方法为：

将每个顶角的超声波信号包含的第一个内涵模态分量的局部放电信号成分频率区间占所述第一个内涵模态分量的频率区间的比例作为所述第一个内涵模态分量的成分权重；

基于每个顶角的超声波信号包含的每个内涵模态分量的次序值确定所述每个内涵模态分量的权重因子；

将所述第一个内涵模态分量的成分权重与所述每个内涵模态分量的权重因子的乘积作为所述每个内涵模态分量的成分权重。

9.根据权利要求1所述的基于人工智能的高压开关柜局部放电定位方法，其特征在于，所述采用维纳滤波算法基于所述真实先验信噪比得到每个顶角的有效超声波信号的方法为：

将每个顶角的超声波信号作为输入，将每个顶角的超声波信号的真实先验信噪比作为维纳滤波去噪算法中的信噪比参数，将维纳滤波去噪算法的输出作为每个顶角的有效超声波信号。

10.根据权利要求1所述的基于人工智能的高压开关柜局部放电定位方法，其特征在于，所述根据高压开关柜所有顶角的有效超声波信号确定高压开关柜中局部放电的位置信息的方法为：

分别获取高压开关柜所有顶角的有效超声波信号的接收时间、基于所述接收时间之间的时间差以及所述有效超声波信号的幅值得到高压开关柜内局部放电位置的坐标信息。