CN117434403A - 电器的局部放电检测方法及装置 - Google Patents
电器的局部放电检测方法及装置 Download PDFInfo
- Publication number
- CN117434403A CN117434403A CN202311407331.2A CN202311407331A CN117434403A CN 117434403 A CN117434403 A CN 117434403A CN 202311407331 A CN202311407331 A CN 202311407331A CN 117434403 A CN117434403 A CN 117434403A
- Authority
- CN
- China
- Prior art keywords
- target
- sample
- ultrahigh frequency
- network
- pulse signal
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 238000012937 correction Methods 0.000 claims abstract description 127
- 238000000034 method Methods 0.000 claims abstract description 67
- 230000008569 process Effects 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 17
- 230000007547 defect Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 17
- 238000004590 computer program Methods 0.000 description 15
- 230000015654 memory Effects 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000009434 installation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material 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
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (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
本发明实施例公开了一种电器的局部放电检测方法及装置。所述方法包括:在接收到基于目标特高频传感器采集的与待检测电器对应的目标脉冲信号的情况下,确定与所述目标特高频传感器对应的目标类别;将所述目标脉冲信号输入至与所述目标类别对应的目标序列纠正网络中进行纠正,得到向所述目标特高频传感器释放的原始脉冲信号;基于所述原始脉冲信号确定所述待检测电器的局部放电状态,其中,所述局部放电状态包括存在局部放电现象和不存在局部放电现象。本发明实施例的技术方案,提高了电器局部放电检测的准确度。
Description
技术领域
本发明实施例涉及计算机技术领域,尤其涉及一种电器的局部放电检测方法及装置。
背景技术
在现实生活中,较多电器会出现局部放电现象。例如,气体绝缘组合电器(GasInsulatedSwitchgear,GIS),GIS是高压输变电工程中的关键设备,广泛应用在电力电网系统。因加工工艺、安装环境和安装水平等原因,GIS设备的实际运行中通常会因局部放电而导致GIS出现停电现象。因此,电器的局部放电检测至关重要。
现有技术中,在电器设备安装大量的基于特高频原理的内部局放电在线监测系统,并在该监测系统中设置大量的特高频传感器的情况下,其通过各特高频传感器对电器局部放电进行检测。
然而,由于特高频传感器的质量良莠不齐且因入网检测能力的限制,一旦较低灵敏度的传感器安装在电器设备上,往往会导致轻微的内部局放电无法捕获,使得电器的局部放电的准确度较低。
发明内容
本发明提供了一种电器的局部放电检测方法及装置,以实现提高电器局部放电检测的准确度。
根据本发明的一方面,提供了一种电器的局部放电检测方法,该方法包括:
在接收到基于目标特高频传感器采集的与待检测电器对应的目标脉冲信号的情况下,确定与所述目标特高频传感器对应的目标类别;
将所述目标脉冲信号输入至与所述目标类别对应的目标序列纠正网络中进行纠正,得到向所述目标特高频传感器释放的原始脉冲信号,其中,所述目标序列纠正网络以与所述目标特高频传感器属于同一类别的样本特高频传感器采集的样本脉冲信号以及与所述样本脉冲信号对应的期望脉冲信号对预先建立的初始序列纠正网络进行训练得到,所述期望脉冲信号为与所述样本脉冲信号对应的向所述样本特高频传感器释放的原始脉冲信号;
基于所述原始脉冲信号确定所述待检测电器的局部放电状态,其中,所述局部放电状态包括存在局部放电现象和不存在局部放电现象。
根据本发明的另一方面,提供了一种电器的局部放电检测装置。该装置包括:
脉冲信号采集模块,用于在接收到基于目标特高频传感器采集的与待检测电器对应的目标脉冲信号的情况下,确定与所述目标特高频传感器对应的目标类别;
脉冲信号纠正模块,用于将所述目标脉冲信号输入至与所述目标类别对应的目标序列纠正网络中进行纠正,得到向所述目标特高频传感器释放的原始脉冲信号,其中,所述目标序列纠正网络以与所述目标特高频传感器属于同一类别的样本特高频传感器采集的样本脉冲信号以及与所述样本脉冲信号对应的期望脉冲信号对预先建立的初始序列纠正网络进行训练得到,所述期望脉冲信号为与所述样本脉冲信号对应的向所述样本特高频传感器释放的原始脉冲信号;
放电状态确定模块,用于基于所述原始脉冲信号确定所述待检测电器的局部放电状态,其中,所述局部放电状态包括存在局部放电现象和不存在局部放电现象。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的电器的局部放电检测方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的电器的局部放电检测方法。
本发明实施例的技术方案,在接收到基于目标特高频传感器采集的与待检测电器对应的目标脉冲信号的情况下,确定与目标特高频传感器对应的目标类别,以针对不同类别的特高频传感器所采集的目标脉冲信号进行分析。将目标脉冲信号输入至与目标类别对应的目标序列纠正网络中进行纠正,得到向目标特高频传感器释放的原始脉冲信号。其中,目标序列纠正网络以与目标特高频传感器属于同一类别的样本特高频传感器采集的样本脉冲信号以及与样本脉冲信号对应的期望脉冲信号对预先建立的初始序列纠正网络进行训练得到,期望脉冲信号为与样本脉冲信号对应的向样本特高频传感器释放的原始脉冲信号。本发明实施例,通过不同类别的目标序列纠正网络具有针对性的对相应类别的特高频传感器所采集的目标脉冲信号进行纠正处理,提升了信号纠正的准确性。基于原始脉冲信号确定待检测电器的局部放电状态,其中,局部放电状态包括存在局部放电现象和不存在局部放电现象。本发明实施例的技术方案,实现了较为有效的对电器的局部放电检测,提升了电器局部放电检测的准确度。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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为本发明实施例一提供的一种电器的局部放电检测方法的流程示意图;
图2为本发明实施例二提供的一种电器的局部放电检测方法的流程示意图;
图3为本发明实施例二提供的适用于电器的局部放电检测方法的初始序列纠正网络的结构示意图;
图4为本发明实施例二提供的适用于电器的局部放电检测方法的目标序列纠正网络的结构示意图;
图5为本发明实施例三提供的一种电器的局部放电检测装置的结构示意图;
图6为本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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,以便这里描述的本发明的实施例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、产品或设备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、产品或设备固有的其它步骤或单元。
可以理解的是,本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
实施例一
图1为本发明实施例一提供的一种电器的局部放电检测方法的流程示意图,本实施例可适用于对电器的局部放电进行检测的情况,该方法可以由电器的局部放电检测装置来执行,该电器的局部放电检测装置可以采用硬件和/或软件的形式实现,该电器的局部放电检测装置可配置于诸如计算机或者服务器等的电子设备中。
如图1所示,本实施例的方法包括:
S110、在接收到基于目标特高频传感器采集的与待检测电器对应的目标脉冲信号的情况下,确定与所述目标特高频传感器对应的目标类别。
其中,目标特高频传感器可以理解为需要对待检测电器进行局部放电检测的特高频传感器。目标特高频传感器的数量可以为一个、两个或两个以上。在实际应用中,目标特高频传感器的数量通常为多个。待检测电器可以理解为需要进行局部放电检测的电器。在发明实施例中,待检测电器可以为GIS设备。目标脉冲信号可以理解为目标特高频传感器针对待检测电器能够识别到的脉冲信号。目标类别可以理解为目标特高频传感器对应的类别。需要说明的是,不同类别的特高频传感器的数量可以相同,也可以不相同。
具体的,在接受到基于各目标特高频传感器采集的与待检测电器对应的目标脉冲信号的情况下,可以针对每个目标特高频传感器采集的目标脉冲信号,可以对所述目标特高频传感器采集的目标脉冲信号进行信号分析。从而可以得到信号分析结果。进而可以根据所述信号分析结果,确定所述目标特高频传感器的类别,即与所述目标特高频传感器对应的目标类别。
S120、将所述目标脉冲信号输入至与所述目标类别对应的目标序列纠正网络中进行纠正,得到向所述目标特高频传感器释放的原始脉冲信号。
其中,目标序列纠正网络可以理解为用于对目标特高频传感器所采集的目标脉冲信号进行纠正的序列纠正网络,其中,所述目标特高频传感器和目标序列纠正网络属于同一类别。也就是说,针对不同类别的特高频传感器所采集的目标脉冲信号,可以基于与各类别对应序列纠正网络进行纠正处理。可选地,所述目标序列纠正网络可以包括卷积模块、反卷积层、循环跳跃结构、空间金字塔结构、长短期记忆网络和拼接层,所述卷积模块可以包括卷积层、归一化层和激活函数层。原始脉冲信号可以理解为向目标特高频传感器释放的脉冲信号。
具体的,针对每个目标脉冲信号,根据采集所述目标脉冲信号的目标特高频传感器的目标类别,基于类别和序列纠正网络之间的对应关系,可以确定与所述目标类别对应的序列纠正网络,即目标序列纠正网络。进而可以将所述目标脉冲信号输入至所述目标序列纠正网络中进行纠正处理。从而可以得到纠正处理结果,即得到向所述目标特高频传感器释放的原始脉冲信号。
在本发明实施例中,所述目标序列纠正网络可以是基于以与所述目标特高频传感器属于同一类别的样本特高频传感器采集的样本脉冲信号以及与所述样本脉冲信号对应的期望脉冲信号对预先建立的初始序列纠正网络进行训练得到。其中,初始序列纠正网络可以理解为预先构建的用于对样本特高频传感器采集到的脉冲信号进行纠正的序列纠正网络。样本特高频传感器可以理解为与目标特高频传感器属于同一类别的特高频传感器。样本脉冲信号可以理解为样本特高频传感器采集到的脉冲信号。期望脉冲信号可以为与所述样本脉冲信号对应的向所述样本特高频传感器释放的原始脉冲信号。
在本发明实施例中,所述将所述目标脉冲信号输入至与所述目标类别对应的目标序列纠正网络中进行纠正,可以包括:确定与所述目标类别对应的至少一个候选进程;在存在多个所述候选进程的情况下,基于负载均衡机制从多个所述候选进程中确定出目标进程;将所述目标脉冲信号输入至所述目标进程中,以基于所述目标进程中加载的目标序列纠正网络对所述目标脉冲信号进行纠正。
其中,候选进程可以理解为用于理解为预先创建的具有加载目标序列纠正网络,并对目标脉冲信号进行处理功能的可供选择的进程。在本发明实施例中,所述候选进程的数量与所述目标类别对应的样本特高频传感器的数量可以呈正相关关系,这样做的好处在于以通过合理数量的候选进程进行信号处理,不仅可避免进程数量过多而导致空间资源浪费的现象,而且还可以提升信号处理效率。在本发明实施例中,候选进程中可以加载有与所述目标类别对应的目标序列纠正网络。目标进程可以理解为从多个候选进程后选中的用于对目标脉冲信号进行处理的进程。
具体的,预先针对不同类别创建至少一个候选进程。在确定目标类型后,可以基于预先针对不同类别创建的候选进程,确定与所述目标类别对应的候选进程。在存在多个所述候选进程的情况下,可以采用负载均衡机制从多个所述候选进程中选出目标进程。进而可以将所述目标脉冲信号输入至所述目标进程中,以基于所述目标进程中加载的目标序列纠正网络对所述目标脉冲信号进行纠正。
S130、基于所述原始脉冲信号确定所述待检测电器的局部放电状态。
其中,局部放电状态可以包括存在局部放电现象和不存在局部放电现象。
具体的,针对每个目标特高频传感器释放的原始脉冲信号,可以对所述目标特高频传感器释放的原始脉冲信号进行信号分析,从而得到信号分析结果。进而可以基于所述信号分析结果,确定所述待检测电器的局部放电状态。
本发明实施例的技术方案,在接收到基于目标特高频传感器采集的与待检测电器对应的目标脉冲信号的情况下,确定与目标特高频传感器对应的目标类别,以针对不同类别的特高频传感器所采集的目标脉冲信号进行分析。将目标脉冲信号输入至与目标类别对应的目标序列纠正网络中进行纠正,得到向目标特高频传感器释放的原始脉冲信号。其中,目标序列纠正网络以与目标特高频传感器属于同一类别的样本特高频传感器采集的样本脉冲信号以及与样本脉冲信号对应的期望脉冲信号对预先建立的初始序列纠正网络进行训练得到,期望脉冲信号为与样本脉冲信号对应的向样本特高频传感器释放的原始脉冲信号。本发明实施例,通过不同类别的目标序列纠正网络具有针对性的对相应类别的特高频传感器所采集的目标脉冲信号进行纠正处理,提升了信号纠正的准确性。基于原始脉冲信号确定待检测电器的局部放电状态,其中,局部放电状态包括存在局部放电现象和不存在局部放电现象。本发明实施例的技术方案,实现了较为有效的对电器的局部放电检测,提升了电器局部放电检测的准确度。
实施例二
图2为本发明实施例二提供的一种电器的局部放电检测方法的流程示意图,在前述实施例的基础上,可选地,本发明实施的电器的局部放电检测方法还包括:在所述将所述目标脉冲信号输入至与所述目标类别对应的目标序列纠正网络中进行纠正之前,还包括:获取多个样本特高频传感器采集的样本脉冲信号以及与所述样本脉冲信号对应的期望脉冲信号;将所述样本特高频传感器划分为多个类别,针对每个类别的所述样本特高频传感器,基于所述类别中多个所述样本特高频传感器采集的所述样本脉冲信号以及与所述样本脉冲信号对应的所述期望脉冲信号对预先建立的初始序列纠正网络进行训练,得到与所述类别对应的目标序列纠正网络。其中,与上述实施例相同或相似的技术特征在此不再赘述。
如图2所示,本实施例的方法具体包括:
S210、在接收到基于目标特高频传感器采集的与待检测电器对应的目标脉冲信号的情况下,确定与所述目标特高频传感器对应的目标类别。
S220、获取多个样本特高频传感器采集的样本脉冲信号以及与所述样本脉冲信号对应的期望脉冲信号。
S230、将所述样本特高频传感器划分为多个类别,针对每个类别的所述样本特高频传感器,基于所述类别中多个所述样本特高频传感器采集的所述样本脉冲信号以及与所述样本脉冲信号对应的所述期望脉冲信号对预先建立的初始序列纠正网络进行训练,得到与所述类别对应的目标序列纠正网络。
具体的,针对每个样本特高频传感器,确定所述样本特高频传感器的类别。针对每个类别的所述样本特高频传感器,确定所述类别中多个所述样本特高频传感器采集的所述样本脉冲信号以及与所述样本脉冲信号对应的所述期望脉冲信号。进而可以基于所述样本脉冲信号和所述期望脉冲信号对预先建立的初始序列纠正网络进行训练。从而可以得到与所述类别对应的目标序列纠正网络。
作为本发明实施例的一种可选的实施方式,基于所述样本脉冲信号和所述期望脉冲信号对预先建立的初始序列纠正网络进行训练,得到与所述类别对应的目标序列纠正网络,可以包括:将所述样本脉冲信号输入至预先建立的初始序列纠正网络,得到实际脉冲信号。基于所述实际脉冲信号和所述期望脉冲信号,确定所述初始序列纠正网络的损失函数。当损失函数达到收敛时,可以得到训练完成的序列纠正网络,即与所述类别对应的目标序列纠正网络。
作为本发明实施例的另一种可选的实施方式,基于所述样本脉冲信号和所述期望脉冲信号对预先建立的初始序列纠正网络进行训练,得到与所述类别对应的目标序列纠正网络,可以包括:预先建立初始序列纠正网络,并设定迭代次数;基于所述样本脉冲信号和所述期望脉冲信号对预先建立的初始序列纠正网络进行训练;在训练次数到达迭代次数时,结束对初始序列纠正网络的训练,从而得到与所述类别对应的目标序列纠正网络。
在本发明实施例中,所述将所述样本特高频传感器划分为多个类别,可以包括:向多个样本特高频传感器释放多种具有预设缺陷的原始脉冲信号,并分别获取每个所述样本特高频传感器采集的样本脉冲信号,其中,所述原始脉冲信号可以为超高频电磁波信号;针对每个所述样本特高频传感器,可以对所述原始脉冲信号与所述样本脉冲信号执行差分操作,从而得到偏差脉冲信号。进而可以以所述偏差脉冲信号作为特征,使用k均值聚类算法对所述样本特高频传感器进行聚类,以将所述样本特高频传感器划分为多个类别。
其中,超高频电磁波信号为频段在300MHz至3000MHz的电磁波信号。偏差脉冲信号可以是对所述原始脉冲信号与所述样本脉冲信号执行差分操作后得到的脉冲信号。
在本发明实施例中,所述初始序列纠正网络可以包括分类网络和信号重构网络,所述分类网络可以由编码器以及与所述编码器连接的分类头构成。此外,所示分类网络还包括与最后一个分类头连接的全连接层。所述信号重构网络可以由所述编码器以及与所述编码器连接的解码器构成。
如图3所示,编码器可以包括卷积模块Conv、反卷积层Deconv、循环跳跃结构Recurrent-skip以及空间金字塔结构SPFF(Spatial Pyramid Pooling-Fast)。与所述编码器连接的分类头可以包括位于所述SPFF和全连接层FC之间的三个卷积模块Conv。解码器可以包括长短期记忆网络LSTM和拼接层C(Cancat)。图3中Deconv+Conv可以表征为特征的传递。
需要说明的是,本发明实施例中的编码器,主要用于对特征进行下采样处理。编码器中通过设置多个Conv的目的在于便于挖掘出局部多维输入变量和循环层之间的依赖模式,以获取复杂的长期依赖关系。进而通过Recurrent-skip利用了输入时间序列信号的周期性属性,获取长期的依赖模式,使得网络优化更加容易。
还需要说明的是,本发明实施例中的解码器,主要用于对特征进行上采样处理,编码器中设置有多个LSTM,通过各LSTM逐级将非线性层(Conv、Recurrent-skip)的特征合并,使得非线性的深度学习模型对于尺度变化较大的时间序列更具有鲁棒性,从而通过Conv输出预测的序列。
在上述实施例的基础上,所述基于所述类别中多个所述样本特高频传感器采集的所述样本脉冲信号以及与所述样本脉冲信号对应的所述期望脉冲信号对预先建立的初始序列纠正网络进行训练,得到与所述类别对应的目标序列纠正网络,可以包括:分别将所述类别中多个所述样本特高频传感器采集的所述样本脉冲信号输入至所述编码器中,得到样本编码特征;将所述样本编码特征输入至所述分类头中,得到网络分类结果;基于所述网络分类结果与所述样本特高频传感器对应的类别确定与所述分类器对应的分类损失,基于所述分类损失对所述编码器的网络参数进行调整;将所述样本编码特征输入至所述解码器中,得到网络重构信号;基于所述网络重构信号以及与所述样本脉冲信号对应的所述期望脉冲信号确定与所述信号重构网络对应的信号重构损失,基于所述信号重构损失对所述解码器的网络参数进行调整;在检测达到预设的训练结束条件时,将训练完成的所述信号重构网络作为与所述类别对应的目标序列纠正网络。
其中,样本编码特征可以是将样本特高频传感器采集的样本脉冲信号输入至编码器后得到的编码特征。网络分类结果可以是将样本编码特征输入至分类头后得到的分类结果。网络重构信号可以是将样本编码特征输入至所述解码器后得到重构信号。预设的训练结束条件可以根据实际需求进行设置,其在此不做具体限定,例如,预设网络训练的迭代次数或预设损失的收敛阈值等。
在本发明实施中,在检测达到预设的训练结束条件时,将训练完成的所述信号重构网络作为与所述类别对应的目标序列纠正网络,可以为,在检测当前训练次数达到预设迭代次数时;或者,在检测到分类损失和信号重构损失均收敛时,可以结束针对初始序列纠正网络的训练。从而可以得到训练完成的所述信号重构网络,并将训练完成的所述信号重构网络作为与所述类别对应的目标序列纠正网络(参见图4)。
可选地,所述基于所述网络分类结果与所述样本特高频传感器对应的类别确定与所述分类器对应的分类损失,可以包括:基于交叉熵损失函数计算所述网络分类结果与所述样本特高频传感器对应的类别之间的第一损失,将所述第一损失作为与所述分类器对应的分类损失。其中,第一损失可以理解为基于交叉熵损失函数计算得到的所述网络分类结果与所述样本特高频传感器对应的类别之间的损失。
可选地,基于所述网络重构信号以及与所述样本脉冲信号对应的所述期望脉冲信号确定与所述信号重构网络对应的信号重构损失,可以包括:基于欧式距离损失函数计算所述网络重构信号以及与所述样本脉冲信号对应的所述期望脉冲信号之间的第二损失,将所述第二损失作为与所述信号重构网络对应的信号重构损失。其中,第二损失可以理解为基于欧式距离损失函数计算得到的所述网络重构信号以及与所述样本脉冲信号对应的所述期望脉冲信号之间的损失。
S240、将所述目标脉冲信号输入至与所述目标类别对应的目标序列纠正网络中进行纠正,得到向所述目标特高频传感器释放的原始脉冲信号。
S250、基于所述原始脉冲信号确定所述待检测电器的局部放电状态。
在上述实施的基础上,所述确定与所述目标特高频传感器对应的目标类别,可以包括:基于所述目标特高频传感器的传感器标识确定与所述目标特高频传感器匹配的所述样本特高频传感器,作为参照特高频传感器;将所述参照特高频传感器所属的类别作为与所述目标特高频传感器对应的目标类别。
其中,传感器标识可以用于区分不同类别的特高频传感器。参照特高频传感器可以理解为与目标特高频传感器匹配的样本特高频传感器。
具体的,获取所述目标特高频传感器的传感器标识。从而可以根据所述传感器标识,从多个样本特高频传感器匹配与所述目标特高频传感器匹配的所述样本特高频传感器。进而可以将匹配到的样本特高频传感器作为参照特高频传感器。在得到参照特高频传感器后,可以确定所述参照特高频传感器所属的类别。进而可以将所述参照特高频传感器所属的类别作为与所述目标特高频传感器对应的目标类别。
本发明实施例的技术方案,在所述将所述目标脉冲信号输入至与所述目标类别对应的目标序列纠正网络中进行纠正之前,通过获取多个样本特高频传感器采集的样本脉冲信号以及与所述样本脉冲信号对应的期望脉冲信号;将所述样本特高频传感器划分为多个类别,针对每个类别的所述样本特高频传感器,基于所述类别中多个所述样本特高频传感器采集的所述样本脉冲信号以及与所述样本脉冲信号对应的所述期望脉冲信号对预先建立的初始序列纠正网络进行训练,得到与所述类别对应的目标序列纠正网络,实现了不同类别的目标序列纠正网络的训练,以使各目标序列纠正网络具有针对性的对相应目标脉冲信号进行纠正,从而提升信号处理的准确性。
实施例三
图5为本发明实施例三提供的一种电器的局部放电检测装置的结构示意图。如图5所示,该装置包括:脉冲信号采集模块310、脉冲信号纠正模块320和放电状态确定模块330。
其中,脉冲信号采集模块310,用于在接收到基于目标特高频传感器采集的与待检测电器对应的目标脉冲信号的情况下,确定与所述目标特高频传感器对应的目标类别;脉冲信号纠正模块320,用于将所述目标脉冲信号输入至与所述目标类别对应的目标序列纠正网络中进行纠正,得到向所述目标特高频传感器释放的原始脉冲信号,其中,所述目标序列纠正网络以与所述目标特高频传感器属于同一类别的样本特高频传感器采集的样本脉冲信号以及与所述样本脉冲信号对应的期望脉冲信号对预先建立的初始序列纠正网络进行训练得到,所述期望脉冲信号为与所述样本脉冲信号对应的向所述样本特高频传感器释放的原始脉冲信号;放电状态确定模块330,用于基于所述原始脉冲信号确定所述待检测电器的局部放电状态,其中,局部放电状态包括存在局部放电现象和不存在局部放电现象。
本发明实施例的技术方案,在接收到基于目标特高频传感器采集的与待检测电器对应的目标脉冲信号的情况下,确定与目标特高频传感器对应的目标类别,以针对不同类别的特高频传感器所采集的目标脉冲信号进行分析。将目标脉冲信号输入至与目标类别对应的目标序列纠正网络中进行纠正,得到向目标特高频传感器释放的原始脉冲信号。其中,目标序列纠正网络以与目标特高频传感器属于同一类别的样本特高频传感器采集的样本脉冲信号以及与样本脉冲信号对应的期望脉冲信号对预先建立的初始序列纠正网络进行训练得到,期望脉冲信号为与样本脉冲信号对应的向样本特高频传感器释放的原始脉冲信号。本发明实施例,通过不同类别的目标序列纠正网络具有针对性的对相应类别的特高频传感器所采集的目标脉冲信号进行纠正处理,提升了信号纠正的准确性。基于原始脉冲信号确定待检测电器的局部放电状态,其中,局部放电状态包括存在局部放电现象和不存在局部放电现象。本发明实施例的技术方案,实现了较为有效的对电器的局部放电检测,提升了电器局部放电检测的准确度。
可选地,该装置还包括:目标序列纠正网络得到模块,用于:
在所述将所述目标脉冲信号输入至与所述目标类别对应的目标序列纠正网络中进行纠正之前,获取多个样本特高频传感器采集的样本脉冲信号以及与所述样本脉冲信号对应的期望脉冲信号;
将所述样本特高频传感器划分为多个类别,针对每个类别的所述样本特高频传感器,基于所述类别中多个所述样本特高频传感器采集的所述样本脉冲信号以及与所述样本脉冲信号对应的所述期望脉冲信号对预先建立的初始序列纠正网络进行训练,得到与所述类别对应的目标序列纠正网络。
可选地,目标序列纠正网络得到模块,用于:
向多个样本特高频传感器释放多种具有预设缺陷的原始脉冲信号,并分别获取每个所述样本特高频传感器采集的样本脉冲信号,其中,所述原始脉冲信号为超高频电磁波信号;
针对每个所述样本特高频传感器,对所述原始脉冲信号与所述样本脉冲信号执行差分操作,得到偏差脉冲信号;
以所述偏差脉冲信号作为特征,使用k均值聚类算法对所述样本特高频传感器进行聚类,以将所述样本特高频传感器划分为多个类别。
可选地,目标序列纠正网络得到模块,用于:
基于所述目标特高频传感器的传感器标识确定与所述目标特高频传感器匹配的所述样本特高频传感器,作为参照特高频传感器;
将所述参照特高频传感器所属的类别作为与所述目标特高频传感器对应的目标类别。
可选地,所述初始序列纠正网络包括分类网络和信号重构网络,所述分类网络由编码器以及与所述编码器连接的分类头构成,所述信号重构网络由所述编码器以及与所述编码器连接的解码器构成;目标序列纠正网络得到模块,用于:
分别将所述类别中多个所述样本特高频传感器采集的所述样本脉冲信号输入至所述编码器中,得到样本编码特征;
将所述样本编码特征输入至所述分类头中,得到网络分类结果;
基于所述网络分类结果与所述样本特高频传感器对应的类别确定与所述分类器对应的分类损失,基于所述分类损失对所述编码器的网络参数进行调整;
将所述样本编码特征输入至所述解码器中,得到网络重构信号;
基于所述网络重构信号以及与所述样本脉冲信号对应的所述期望脉冲信号确定与所述信号重构网络对应的信号重构损失,基于所述信号重构损失对所述解码器的网络参数进行调整;
在检测达到预设的训练结束条件时,将训练完成的所述信号重构网络作为与所述类别对应的目标序列纠正网络。
可选地,目标序列纠正网络得到模块,用于:
基于交叉熵损失函数计算所述网络分类结果与所述样本特高频传感器对应的类别之间的第一损失,将所述第一损失作为与所述分类器对应的分类损失。
可选地,目标序列纠正网络得到模块,用于:
基于欧式距离损失函数计算所述网络重构信号以及与所述样本脉冲信号对应的所述期望脉冲信号之间的第二损失,将所述第二损失作为与所述信号重构网络对应的信号重构损失。
可选地,脉冲信号纠正模块320,用于:
确定与所述目标类别对应的至少一个候选进程,其中,所述候选进程的数量与所述目标类别对应的样本特高频传感器的数量呈正相关关系,所述候选进程中加载有与所述目标类别对应的目标序列纠正网络;
在存在多个所述候选进程的情况下,基于负载均衡机制从多个所述候选进程中确定出目标进程;
将所述目标脉冲信号输入至所述目标进程中,以基于所述目标进程中加载的目标序列纠正网络对所述目标脉冲信号进行纠正。
可选地,所述目标序列纠正网络包括卷积模块、反卷积层、循环跳跃结构、空间金字塔结构、长短期记忆网络和拼接层,所述卷积模块包括卷积层、归一化层和激活函数层。
本发明实施例所提供的电器的局部放电检测装置可执行本发明任意实施例所提供的电器的局部放电检测方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,上述电器的局部放电检测装置所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明实施例的保护范围。
实施例四
图6示出了可以用来实施本发明的实施例的电子设备10的结构示意图。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、和其它适合的计算机。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、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。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示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图6所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如电器的局部放电检测方法。
在一些实施例中,电器的局部放电检测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的电器的局部放电检测方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行电器的局部放电检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种电器的局部放电检测方法,其特征在于,包括:
在接收到基于目标特高频传感器采集的与待检测电器对应的目标脉冲信号的情况下,确定与所述目标特高频传感器对应的目标类别;
将所述目标脉冲信号输入至与所述目标类别对应的目标序列纠正网络中进行纠正,得到向所述目标特高频传感器释放的原始脉冲信号,其中,所述目标序列纠正网络以与所述目标特高频传感器属于同一类别的样本特高频传感器采集的样本脉冲信号以及与所述样本脉冲信号对应的期望脉冲信号对预先建立的初始序列纠正网络进行训练得到,所述期望脉冲信号为与所述样本脉冲信号对应的向所述样本特高频传感器释放的原始脉冲信号;
基于所述原始脉冲信号确定所述待检测电器的局部放电状态,其中,所述局部放电状态包括存在局部放电现象和不存在局部放电现象。
2.根据权利要求1所述的方法,其特征在于,在所述将所述目标脉冲信号输入至与所述目标类别对应的目标序列纠正网络中进行纠正之前,还包括:
获取多个样本特高频传感器采集的样本脉冲信号以及与所述样本脉冲信号对应的期望脉冲信号;
将所述样本特高频传感器划分为多个类别,针对每个类别的所述样本特高频传感器,基于所述类别中多个所述样本特高频传感器采集的所述样本脉冲信号以及与所述样本脉冲信号对应的所述期望脉冲信号对预先建立的初始序列纠正网络进行训练,得到与所述类别对应的目标序列纠正网络。
3.根据权利要求2所述的方法,其特征在于,所述将所述样本特高频传感器划分为多个类别,包括:
向多个样本特高频传感器释放多种具有预设缺陷的原始脉冲信号,并分别获取每个所述样本特高频传感器采集的样本脉冲信号,其中,所述原始脉冲信号为超高频电磁波信号;
针对每个所述样本特高频传感器,对所述原始脉冲信号与所述样本脉冲信号执行差分操作,得到偏差脉冲信号;
以所述偏差脉冲信号作为特征,使用k均值聚类算法对所述样本特高频传感器进行聚类,以将所述样本特高频传感器划分为多个类别。
4.根据权利要求3所述的方法,其特征在于,所述确定与所述目标特高频传感器对应的目标类别,包括:
基于所述目标特高频传感器的传感器标识确定与所述目标特高频传感器匹配的所述样本特高频传感器,作为参照特高频传感器;
将所述参照特高频传感器所属的类别作为与所述目标特高频传感器对应的目标类别。
5.根据权利要求2所述的方法,其特征在于,所述初始序列纠正网络包括分类网络和信号重构网络,所述分类网络由编码器以及与所述编码器连接的分类头构成,所述信号重构网络由所述编码器以及与所述编码器连接的解码器构成;
所述基于所述类别中多个所述样本特高频传感器采集的所述样本脉冲信号以及与所述样本脉冲信号对应的所述期望脉冲信号对预先建立的初始序列纠正网络进行训练,得到与所述类别对应的目标序列纠正网络,包括:
分别将所述类别中多个所述样本特高频传感器采集的所述样本脉冲信号输入至所述编码器中,得到样本编码特征;
将所述样本编码特征输入至所述分类头中,得到网络分类结果;
基于所述网络分类结果与所述样本特高频传感器对应的类别确定与所述分类器对应的分类损失,基于所述分类损失对所述编码器的网络参数进行调整;
将所述样本编码特征输入至所述解码器中,得到网络重构信号;
基于所述网络重构信号以及与所述样本脉冲信号对应的所述期望脉冲信号确定与所述信号重构网络对应的信号重构损失,基于所述信号重构损失对所述解码器的网络参数进行调整;
在检测达到预设的训练结束条件时,将训练完成的所述信号重构网络作为与所述类别对应的目标序列纠正网络。
6.根据权利要求5所述的方法,其特征在于,所述基于所述网络分类结果与所述样本特高频传感器对应的类别确定与所述分类器对应的分类损失,包括:
基于交叉熵损失函数计算所述网络分类结果与所述样本特高频传感器对应的类别之间的第一损失,将所述第一损失作为与所述分类器对应的分类损失。
7.根据权利要求5所述的方法,其特征在于,基于所述网络重构信号以及与所述样本脉冲信号对应的所述期望脉冲信号确定与所述信号重构网络对应的信号重构损失,包括:
基于欧式距离损失函数计算所述网络重构信号以及与所述样本脉冲信号对应的所述期望脉冲信号之间的第二损失,将所述第二损失作为与所述信号重构网络对应的信号重构损失。
8.根据权利要求1所述的方法,其特征在于,所述将所述目标脉冲信号输入至与所述目标类别对应的目标序列纠正网络中进行纠正,包括:
确定与所述目标类别对应的至少一个候选进程,其中,所述候选进程的数量与所述目标类别对应的样本特高频传感器的数量呈正相关关系,所述候选进程中加载有与所述目标类别对应的目标序列纠正网络;
在存在多个所述候选进程的情况下,基于负载均衡机制从多个所述候选进程中确定出目标进程;
将所述目标脉冲信号输入至所述目标进程中,以基于所述目标进程中加载的目标序列纠正网络对所述目标脉冲信号进行纠正。
9.根据权利要求1所述的方法,其特征在于,所述目标序列纠正网络包括卷积模块、反卷积层、循环跳跃结构、空间金字塔结构、长短期记忆网络和拼接层,所述卷积模块包括卷积层、归一化层和激活函数层。
10.一种电器的局部放电检测装置,其特征在于,包括:
脉冲信号采集模块,用于在接收到基于目标特高频传感器采集的与待检测电器对应的目标脉冲信号的情况下,确定与所述目标特高频传感器对应的目标类别;
脉冲信号纠正模块,用于将所述目标脉冲信号输入至与所述目标类别对应的目标序列纠正网络中进行纠正,得到向所述目标特高频传感器释放的原始脉冲信号,其中,所述目标序列纠正网络以与所述目标特高频传感器属于同一类别的样本特高频传感器采集的样本脉冲信号以及与所述样本脉冲信号对应的期望脉冲信号对预先建立的初始序列纠正网络进行训练得到,所述期望脉冲信号为与所述样本脉冲信号对应的向所述样本特高频传感器释放的原始脉冲信号;
放电状态确定模块,用于基于所述原始脉冲信号确定所述待检测电器的局部放电状态,其中,所述局部放电状态包括存在局部放电现象和不存在局部放电现象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311407331.2A CN117434403A (zh) | 2023-10-26 | 2023-10-26 | 电器的局部放电检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311407331.2A CN117434403A (zh) | 2023-10-26 | 2023-10-26 | 电器的局部放电检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117434403A true CN117434403A (zh) | 2024-01-23 |
Family
ID=89557949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311407331.2A Pending CN117434403A (zh) | 2023-10-26 | 2023-10-26 | 电器的局部放电检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117434403A (zh) |
-
2023
- 2023-10-26 CN CN202311407331.2A patent/CN117434403A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111695620A (zh) | 一种电力系统时间序列异常数据检测与修正方法及系统 | |
CN116010220A (zh) | 一种告警诊断方法、装置、设备及存储介质 | |
CN113963197A (zh) | 图像识别方法、装置、电子设备和可读存储介质 | |
CN116338391A (zh) | 一种绝缘子状态检测方法、装置、电子设备以及介质 | |
CN115600607A (zh) | 一种日志检测方法、装置、电子设备及介质 | |
CN115951344A (zh) | 雷达与相机的数据融合方法、装置、电子设备及存储介质 | |
CN115794473A (zh) | 一种根因告警的定位方法、装置、设备及介质 | |
CN117434403A (zh) | 电器的局部放电检测方法及装置 | |
CN114818830A (zh) | 一种基于图谱的放电类型识别方法、装置、设备及介质 | |
CN114896418A (zh) | 知识图谱构建方法、装置、电子设备及存储介质 | |
CN117395071B (zh) | 一种异常检测方法、装置、设备及存储介质 | |
CN117827710B (zh) | 基于ai芯片的dma带宽确定方法、装置、设备及介质 | |
CN115829160B (zh) | 一种时序异常预测方法、装置、设备及存储介质 | |
CN117194018A (zh) | 一种多核多芯片环境下系统控温算法的处理方法及装置 | |
CN117454174A (zh) | 异常检测模型训练、数据检测方法、装置、设备及介质 | |
CN116628491A (zh) | 一种二分类模型的训练方法、装置、电子设备和存储介质 | |
CN117667587A (zh) | 一种异常检测方法、装置、电子设备及存储介质 | |
CN117493060A (zh) | 数据库组件异常检测方法、装置、设备及介质 | |
CN118196479A (zh) | Gis设备局部放电类型确定方法、装置、设备及存储介质 | |
KR20220025148A (ko) | 웨이크업 지표 모니터링 방법, 장치 및 전자 기기 | |
CN116111562A (zh) | 一种配电网可靠性确定方法、装置、设备及存储介质 | |
CN118074625A (zh) | 设备故障检测方法、装置、设备及存储介质 | |
CN116383498A (zh) | 数据匹配方法、装置、电子设备及存储介质 | |
CN117609723A (zh) | 一种对象识别方法、装置、电子设备及存储介质 | |
CN115455019A (zh) | 一种基于用户行为分析的搜索意图识别方法、装置及设备 |
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 |