ES1302816U - Sistema de reconocimiento de descargas parciales para diagnóstico de redes eléctricas - Google Patents
Sistema de reconocimiento de descargas parciales para diagnóstico de redes eléctricas Download PDFInfo
- Publication number
- ES1302816U ES1302816U ES202230423U ES202230423U ES1302816U ES 1302816 U ES1302816 U ES 1302816U ES 202230423 U ES202230423 U ES 202230423U ES 202230423 U ES202230423 U ES 202230423U ES 1302816 U ES1302816 U ES 1302816U
- Authority
- ES
- Spain
- Prior art keywords
- partial discharge
- neural network
- post
- signals
- processing
- 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
Links
- 230000036961 partial effect Effects 0.000 title claims abstract description 123
- 238000003745 diagnosis Methods 0.000 title claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims abstract description 30
- 238000012805 post-processing Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 62
- 238000012549 training Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 8
- 238000000034 method Methods 0.000 description 29
- 238000004458 analytical method Methods 0.000 description 13
- 230000006978 adaptation Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 239000003989 dielectric material Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 238000000752 ionisation method Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Landscapes
- Testing Electric Properties And Detecting Electric Faults (AREA)
- Testing Relating To Insulation (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
Sistema de reconocimiento de descargas parciales (2) para diagnóstico de redes eléctricas en tensión, caracterizado porque comprende: - una unidad de reconocimiento (3) que comprende un primer módulo de post-procesamiento (4) de señales de descargas parciales y un segundo módulo (5) de red neuronal; - una unidad (8) de adquisición de señales de descargas parciales que comprende al menos un sensor (1) configurado para la adquisición (11) de al menos una señal de descarga parcial; - una unidad de pre-procesamiento (9) de las señales de descargas parciales adquiridas por la unidad (8) de adquisición configurada para el pre-procesamiento (12) de la señal de descarga parcial adquirida a través del sensor (1), con objeto de delimitar dicha señal dentro de un rango de frecuencias y eliminar el ruido eléctrico; donde el primer módulo de post-procesamiento (4) de señales de descargas parciales está configurado para el post-procesamiento (13) de la señal de descarga parcial pre-procesada y adquirida a través del sensor (1), donde el segundo módulo (5) de red neuronal comprende una red neuronal y está configurado para el reconocimiento (17) de la señal de descarga parcial post-procesada, y donde el paso de post-procesamiento (13) de la señal de descarga parcial pre-procesada comprende una etapa de obtención de un escalograma de la señal de descarga parcial pre-procesada basado en la transformada de wavelet.
Description
DESCRIPCIÓN
Sistema de reconocimiento de descargas parciales para diagnóstico de redes eléctricas
OBJETO DE LA INVENCIÓN
El sistema de reconocimiento de descargas parciales, en concreto para diagnóstico de redes eléctricas en tensión, permite reconocer las fuentes de descargas parciales utilizando una red neuronal convolucional existente, previamente adaptada y posteriormente entrenada mediante representaciones graficas de las señales de descargas parciales reales de fuentes conocidas y adquiridas en redes eléctricas.
ANTECEDENTES DE LA INVENCIÓN
Una descarga parcial es un fenómeno de ruptura dieléctrica que está confinado y localizado en la región de un medio aislante, entre dos conductores que se encuentran a diferente potencial. Los fenómenos de descargas parciales son en la mayoría de los casos debido a defectos de aislamiento en los elementos que forman parte de una red eléctrica, pudiendo consistir dichos elementos por ejemplo en cables, transformadores, interruptores, conexiones eléctricas, etc.
Las descargas parciales se pueden caracterizar en tres tipos dependiendo de las propiedades del medio existente entre las piezas conductoras. Pueden ser externas, también denominadas como corona, que ocurren normalmente por el proceso de ionización del aire contenido entre las piezas conductoras. También pueden ser superficiales, producidas en la superficie de contacto de dos materiales aislantes diferentes o pueden ser internas, producidas en cavidades internas de un material dieléctrico sólido.
Las descargas parciales tienen efectos perjudiciales sobre el medio en que se producen. En medio sólido o líquido producen una degradación lenta pero continuada, que termina por la ruptura dieléctrica del medio aislante. En un medio gaseoso, como por ejemplo el aire, las descargas parciales producen el conocido efecto corona, que comprende consecuencias apreciables directamente mediante la vista, oído u olfato. Sin embargo, existen otras consecuencias que no son detectables a simple vista, como pueden ser la generación de calor, pérdidas de potencia, erosión mecánica de las superficies que son bombardeadas iónicamente, interferencias con las ondas de radio, etc.
Si se producen y pasan desapercibidas pueden tener consecuencias muy graves. La sustitución o reparación de los elementos de la red eléctrica dañados puede ser muy costosa y puede suponer un corte de suministro en la red durante un largo periodo de tiempo, así como pérdidas económicas importantes para las compañías eléctricas. La clave para prevenir cualquier problema posible es la detección y reconocimiento de las descargas parciales. El reconocimiento de descargas parciales puede ayudar a evitar riesgos y realizar un mantenimiento adecuado de las instalaciones. En definitiva, la realización de un control riguroso puede ahorrar una gran cantidad de tiempo y dinero.
Existen métodos de reconocimiento de descargas parciales basados en redes neuronales artificiales, como puede ser por ejemplo una red neuronal convolucional (CNN), que se trata de un tipo de red neuronal artificial efectiva para tareas de reconocimiento y clasificación de imágenes. Las CNN necesitan relativamente poco pre-procesamiento de las señales en comparación con otros algoritmos de clasificación de imágenes. Esto significa que esta red neuronal aprende características particulares de las señales que en los algoritmos tradicionales se diseñan a mano. Esta independencia del conocimiento previo y del esfuerzo humano en el diseño de las características representativas de una señal de descarga parcial es una característica de las CNN que aporta una gran ventaja frente al resto de redes neuronales.
En relación con este tipo de red neuronal, donde los valores de entrada (o “input” en su versión inglesa del término) deben ser imágenes, estudios recientes demuestran que las CNN han mejorado su desempeño de clasificación de las descargas parciales, es decir, en su función de reconocimiento de las fuentes de descargas parciales. Las CNN deben de ser previamente entrenadas mediante imágenes que representen a las señales de fuentes de descarga parcial conocidas, y en este sentido, existen ejemplos de métodos de reconocimiento de descargas parciales que emplean como entrada para el entrenamiento de la CNN imágenes de señales de descargas parciales simuladas, es decir, no adquiridas en una red eléctrica. Sin embargo, la utilización de señales no reales en el paso de entrenamiento de la CNN tiene el inconveniente de que después, a la hora de realizar un reconocimiento de señales adquiridas por sensores en campo, la precisión del resultado (o “output” en su versión inglesa del término) obtenido sea menor o que el resultado sea menos fiable. Por el contrario, existen otros ejemplos en los que como entrada para el entrenamiento de la CNN se emplean imágenes de señales de descargas parciales reales adquiridas por sensores en campo, con lo cual la precisión de los resultados obtenidos en los reconocimientos de descargas parciales es mayor.
Para la obtención de las imágenes que representan a las señales de descargas parciales reales adquiridas por sensores en campo, existen métodos de reconocimiento de descargas parciales en donde a dichas señales se les aplica un post-procesamiento. Las técnicas de post-procesamiento habituales se basan en el análisis de las señales de descargas parciales en el dominio del tiempo, en el dominio de la frecuencia o en la combinación de ambos dominios.
En el caso del dominio del tiempo, es posible extraer características de la forma de onda de la señal, tales como ocurrencia del evento, amplitud, tiempo de subida, tiempo de bajada, duración, etc. La PRPD (técnica denominada en inglés como "phase-resolved partial discharge”) es una técnica que realiza un análisis basado en el dominio del tiempo para obtener una imagen de los eventos de descargas parciales con respecto a la onda de alimentación, y consiste en representar en un diagrama tridimensional tres componentes; O, q, n, que representan respectivamente la fase, la carga y el número de apariciones de descargas parciales durante un determinado tiempo. La generación de estos patrones dependerá de la tasa de descarga parcial en cada ciclo y la cantidad de ciclos considerados para tener un patrón representativo, por lo que comprende el inconveniente de que el tiempo de registro para cada tipo de descarga parcial sea muy subjetivo. Este patrón también se ve fuertemente influenciado por el ruido externo y por la tensión de la red eléctrica, con lo cual la ambigüedad de esta imagen supondría un problema para entrenar correctamente una CNN.
En el caso del análisis de las señales de descargas parciales en base al dominio de la frecuencia, existen técnicas como la Transformada de Fourier (técnica denominada en inglés como "Fourier Transform” FT) que permite determinar las componentes frecuenciales de la señal de descarga parcial. Sin embargo, la Transformada de Fourier (FT) no es eficiente para analizar descargas parciales debido a que ignora o estima de manera errónea las variaciones rápidas de frecuencia de la señal. La Transformada de Fourier es ampliamente utilizada en el procesamiento y análisis de señales y con resultados satisfactorios en los casos en que estas señales son periódicas y lo suficientemente regulares, pero no ocurre lo mismo para el procesamiento y análisis de señales cuyo espectro varía con el tiempo (señales no periódicas). La Transformada de Fourier detecta la presencia de una determinada frecuencia, pero no brinda información acerca de la evolución en el tiempo de las características espectrales de la señal. Muchos aspectos temporales de la señal, tales como el comienzo y el fin de una señal finita y el instante de aparición de una singularidad en una señal transitoria, no pueden ser analizados adecuadamente por el análisis de Fourier.
Sin embargo, otras técnicas combinan el análisis de tiempo-frecuencia y proveen información de los niveles de amplitud y de concentración de energía de la señal en el espectro tiempofrecuencia. Es decir, proporcionan de forma simultánea las características en tiempo y frecuencia de la señal. En este sentido, es posible representar gráficamente una señal de descarga parcial por medio de un Espectrograma obtenido al aplicar la Trasformada de Fourier de tiempo corto (técnica conocida en inglés como "Short-time Fourier transform” STFT) a la señal de descarga parcial. La STFT es una de las más comunes para el análisis tiempofrecuencia. En esta técnica, la señal bajo estudio es dividida en segmentos que se multiplican por una función ventana para luego calcular la Transformada de Fourier (FT) clásica. La STFT es simple de implementar, pero para el análisis de señales variables en el tiempo proporciona baja resolución. La estructura del Espectrograma en sí requiere una resolución de la señal en tiempo y frecuencia. La elección de la ventana de análisis de corta duración garantiza una buena localización del tiempo, pero a expensas de una pobre resolución en frecuencia (por dualidad de Fourier) y viceversa. Además, una vez que se ha elegido una ventana de análisis, las capacidades de resolución del Espectrograma permanecen fijas para todos los parámetros de tiempo y frecuencia.
En definitiva, mediante la utilización de las técnicas anteriormente citadas en el post procesamiento de las señales para la entrada de la CNN, se obtiene una representación gráfica de las señales poco representativa del fenómeno de descargas parciales y en consecuencia la salida o resultado de la CNN tiene poca precisión o no es fiable.
Se pueden citar ejemplos del estado de la técnica sobre métodos de reconocimiento en los que la red neuronal utilizada es una CNN y en donde dicha CNN es entrenada con imágenes que representan señales de descargas parciales reales adquiridas por sensores en campo. Así, se podrían citar la US2015301102A1, CN107907799A y CN107238507A. En los métodos de reconocimiento que se definen en ellas se emplea la Transformada de Fourier en el post procesamiento de las señales y, por tanto, tal y como se ha mencionado anteriormente, la representación gráfica de las señales carece de resolución y por tanto la fiabilidad del resultado de la CNN es muy baja.
DESCRIPCIÓN DE LA INVENCIÓN
La presente invención se refiere a un sistema de reconocimiento de descargas parciales, en concreto para diagnóstico de redes eléctricas en tensión, que pretende resolver todos y cada
uno de los problemas mencionados anteriormente. El sistema tiene asociado un método que comprende una serie de pasos, entre los cuales se encuentra un paso de post-procesamiento de señales, que mediante la combinación de este paso y una red neuronal artificial como por ejemplo una red neuronal convolucional (CNN), permite reconocer las fuentes de descargas parciales con un alto grado de precisión, de forma que se ayuda en la gestión de las instalaciones, entendiendo por gestión todas aquellas labores que permitan la optimización del mantenimiento de la red eléctrica, determinando donde realizar una intervención con el fin de evitar faltas, cortes de servicio que dejen sin suministro eléctrico a los consumidores, y minimizando los costes para las compañías eléctricas, llevando a cabo para ello la realización de diferentes análisis, alarmas, etc.
El método de reconocimiento de descargas parciales comprende, de forma general, los pasos siguientes:
- Adquisición de al menos una señal de descarga parcial a través de al menos un sensor, - Pre-procesamiento de la señal de descarga parcial adquirida a través del sensor, - Post-procesamiento de la señal de descarga parcial pre-procesada y adquirida a través del sensor, y
- Reconocimiento mediante una red neuronal de la señal de descarga parcial post procesada.
Más concretamente, la adquisición de las señales de descargas parciales se lleva a cabo a través de sensores y son señales de descargas parciales reales adquiridas por sensores en campo, tales como señales producidas por un fallo de aislamiento que son captadas por ejemplo por sensores capacitivos o inductivos instalados en la red eléctrica. Estas señales adquiridas en un siguiente paso son pre-procesadas, es decir, llevándose a cabo un primer filtrado o tratamiento de las señales con objeto de delimitar dichas señales dentro de un rango de frecuencias y eliminar el ruido eléctrico.
El método de reconocimiento también comprende un paso de post-procesamiento de las señales de descargas parciales pre-procesadas en el paso anterior. Este paso de post procesamiento se refiere a un segundo filtrado o tratamiento de las señales, en donde se obtiene un escalograma, es decir, una imagen o representación gráfica de gran resolución en el espectro de frecuencia y tiempo de las señales de descargas parciales, empleando para ello una técnica ya conocida denominada Transformada de Wavelet. Mediante la Transformada de Wavelet se establece una buena localización de las señales de descargas parciales en tiempo y en frecuencia, de forma que mediante esta técnica se afronta uno de
los problemas fundamentales en el tratamiento de las señales, como puede ser la reducción del ruido eléctrico, de tal manera que se obtiene una representación o imagen de las señales de descargas parciales con mayor resolución en el dominio de tiempo y frecuencia, evitando problemas de análisis de las señales no estacionarias y de rápida transitoriedad, y mapeando las señales en una representación de tiempo-frecuencia.
Además, el método también comprende un paso de construcción de una librería de señales de descargas parciales de fuentes conocidas, habiendo sido estas señales adquiridas, pre procesadas y post-procesadas en los pasos anteriores. Estas señales posteriormente son empleadas en otro paso que comprende el método para el entrenamiento de la red neuronal convolucional (CNN).
No obstante, antes del entrenamiento de la red neuronal convolucional (CNN), el método de reconocimiento comprende un paso de adaptación de la red neuronal, ya que la red neuronal convolucional (CNN) empleada se refiere a una red neuronal existente, es decir, no se trata de una red neuronal construida expresamente para ser utilizada en el método descrito. Este paso de adaptación de la red neuronal permite adaptar los parámetros de entrada de la red neuronal conforme al formato de las señales post-procesadas (entrada) y los parámetros de salida de la red neuronal conforme a los objetivos deseados.
Una vez adaptada la red neuronal convolucional (CNN) existente, el siguiente paso es el del entrenamiento de dicha red neuronal, empleando para ello la librería de señales de descargas parciales de fuentes conocidas. De esta manera, con la red neuronal convolucional (CNN) entrenada, ésta puede recibir entradas de imágenes que representan señales de descargas parciales de fuentes desconocidas y proporcionar resultados de alto grado de precisión en la identificación de dichas fuentes.
Finalmente, estos resultados obtenidos en un paso posterior de verificación de las descargas parciales reconocidas por la red neuronal convolucional (CNN) permiten tomar acciones relevantes de mantenimiento de la red eléctrica, así como realimentar la librería de señales de descargas parciales de fuentes conocidas mediante estos nuevos resultados, con lo cual se asegura una mayor precisión en reconocimientos futuros. Este paso de verificación de las descargas parciales reconocidas por la red neuronal convolucional (CNN) se refiere a la comprobación por un operario in-situ (en campo) del resultado proveído por la CNN. Si el operario confirma que el resultado es acertado, éste se incluye en la librería junto con las señales de descarga parcial conocidas. Si el operario confirma que el resultado no es
acertado, éste también se incluirá en la librería como nueva fuente de señales de descarga parcial.
De acuerdo con el objeto de la invención, se describe a continuación un sistema de reconocimiento de descargas parciales en donde es de aplicación el método de reconocimiento arriba descrito.
El sistema comprende una unidad de reconocimiento que comprende un primer módulo de post-procesamiento de señales de descargas parciales y un segundo módulo correspondiente a la red neuronal, como puede ser por ejemplo una red neuronal convolucional (CNN). El primer módulo de post-procesamiento alimenta al segundo módulo de la red neuronal convolucional (CNN) mediante entradas de alta resolución de señales de descargas parciales, de forma que la combinación de ambos módulos permite obtener unas salidas o resultados de alta precisión. Asimismo, la unidad de reconocimiento comprende un tercer módulo correspondiente a la librería de señales de descargas parciales de fuentes conocidas, así como un cuarto módulo de entrenamiento de la red neuronal convolucional (CNN) y un quinto módulo de verificación de las descargas parciales reconocidas por el segundo módulo de red neuronal.
Por último, el sistema de reconocimiento de descargas parciales comprende una unidad de adquisición de señales de descargas parciales, como puede ser por ejemplo un sensor, y una unidad de pre-procesamiento de las señales de descargas parciales adquiridas por la unidad de adquisición.
DESCRIPCIÓN DE LAS FIGURAS
Figura 1.- Muestra un diagrama de bloques del método de reconocimiento de descargas parciales.
Figura 2.- Muestra un diagrama de bloques del sistema de reconocimiento de descargas parciales en donde es de aplicación el método de reconocimiento de la figura 1.
REALIZACIÓN PREFERENTE DE LA INVENCIÓN
Se describe a continuación un ejemplo de realización preferente haciendo mención a las figuras arriba citadas, sin que ello limite o reduzca el ámbito de protección de la presente invención.
En la figura 1 se muestra un método de reconocimiento de señales de descargas parciales basado en la utilización de una red neuronal convolucional (CNN) existente, por lo que en dicho método también se definen los pasos a seguir para la adaptación (15) y entrenamiento (16) de la red neuronal existente mediante señales de descargas parciales de fuentes conocidas.
En el paso de adaptación (15) de la red neuronal convolucional (CNN) existente se adaptan los parámetros de entrada de la red neuronal conforme al formato de las señales de entrada y los parámetros de salida de la red neuronal conforme a los objetivos deseados.
El método comprende un paso de adquisición (11) de al menos una señal de descarga parcial real a través de al menos un sensor (1) en campo. Posteriormente, esta señal adquirida es sometida a un primer filtrado en un paso de pre-procesamiento (12) y después es sometida a un segundo filtrado en un paso de post-procesamiento (13) empleando para ello la Transformada de Wavelet, obteniendo así un escalograma o representación gráfica (imagen) de la señal de descarga parcial de gran resolución en el espectro de frecuencia y tiempo.
En el caso de señales de descargas parciales de fuentes conocidas, una vez las señales han pasado por el paso de post-procesamiento (13), en un paso (14) siguiente se construye una librería que incluye todas estas señales de descargas parciales de fuentes conocidas. Esta librería de señales de descargas parciales de fuentes conocidas es empleada en un paso posterior de entrenamiento (16) de la red neuronal convolucional (CNN), de manera que, con la red neuronal convolucional (CNN) entrenada se pueden recibir entradas (imágenes) de señales de descargas parciales de fuentes desconocidas y proporcionar salidas o resultados de alto grado de precisión en la identificación de dichas fuentes.
Tal y como se puede observar en la figura 1, el método de reconocimiento de descargas parciales comprende los siguientes pasos de aplicación en señales de fuentes desconocidas y para la identificación de las mismas:
- Adquisición (11) de al menos una señal de descarga parcial a través de al menos un sensor (1),
- Pre-procesamiento (12) de la señal de descarga parcial adquirida a través del sensor (1),
- Post-procesamiento (13) de la señal de descarga parcial pre-procesada y adquirida a través del sensor (1), y
- Reconocimiento (17) mediante la red neuronal convolucional (CNN) de la señal de descarga parcial post-procesada.
- Verificación (18) de la descarga parcial reconocida por la red neuronal convolucional (CNN).
Una vez que las señales de descarga parcial han sido verificadas y aceptadas se incorporan en la librería de señales de descargas parciales de fuentes conocidas, ampliando dicha librería con nuevos datos que aseguraran una mayor precisión en reconocimientos futuros. Este paso de verificación (18) de las descargas parciales reconocidas por la red neuronal convolucional (CNN) se refiere a la comprobación por un operario in-situ (en campo) del resultado proveído por la CNN. Si el operario confirma que el resultado es acertado, éste se incluye en la librería junto con las señales de descarga parcial conocida. Si el operario confirma que el resultado no es acertado, éste también se incluirá en la librería como nueva fuente de señales de descarga parcial.
En la figura 2 se representa el sistema de reconocimiento de descargas parciales (2) en donde es de aplicación el método anteriormente descrito. El sistema de reconocimiento de descargas parciales (2) comprende una unidad de reconocimiento (3) que comprende un primer módulo de post-procesamiento (4) de señales de descargas parciales y un segundo módulo (5) correspondiente a la red neuronal, como puede ser por ejemplo una red neuronal convolucional (CNN). El primer módulo de post-procesamiento (4) alimenta al segundo módulo (5) de la red neuronal convolucional (CNN) mediante entradas (imágenes) de alta resolución de señales de descargas parciales, de forma que la combinación de ambos módulos (4, 5) permite obtener unos resultados de alta precisión. Asimismo, la unidad de reconocimiento (3) comprende un tercer módulo (6) correspondiente a la librería de señales de descargas parciales de fuentes conocidas, así como un cuarto módulo (7) de entrenamiento de la red neuronal convolucional (CNN) y un quinto módulo (10) de verificación de las descargas parciales reconocidas por el segundo módulo (5) de red neuronal.
Por último, el sistema de reconocimiento de descargas parciales (2) comprende una unidad (8) de adquisición de señales de descargas parciales, como puede ser por ejemplo un sensor (1), y una unidad de pre-procesamiento (9) de las señales de descargas parciales adquiridas por la unidad (8) de adquisición.
Claims (5)
1. - Sistema de reconocimiento de descargas parciales (2) para diagnóstico de redes eléctricas en tensión, caracterizado porque comprende:
- una unidad de reconocimiento (3) que comprende un primer módulo de post-procesamiento (4) de señales de descargas parciales y un segundo módulo (5) de red neuronal;
- una unidad (8) de adquisición de señales de descargas parciales que comprende al menos un sensor (1) configurado para la adquisición (11) de al menos una señal de descarga parcial; - una unidad de pre-procesamiento (9) de las señales de descargas parciales adquiridas por la unidad (8) de adquisición configurada para el pre-procesamiento (12) de la señal de descarga parcial adquirida a través del sensor (1), con objeto de delimitar dicha señal dentro de un rango de frecuencias y eliminar el ruido eléctrico;
donde el primer módulo de post-procesamiento (4) de señales de descargas parciales está configurado para el post-procesamiento (13) de la señal de descarga parcial pre-procesada y adquirida a través del sensor (1),
donde el segundo módulo (5) de red neuronal comprende una red neuronal y está configurado para el reconocimiento (17) de la señal de descarga parcial post-procesada, y
donde el paso de post-procesamiento (13) de la señal de descarga parcial pre-procesada comprende una etapa de obtención de un escalograma de la señal de descarga parcial pre procesada basado en la transformada de wavelet.
2. - Sistema de reconocimiento de descargas parciales (2) según reivindicación 1, caracterizado porque el segundo módulo (5) de red neuronal comprende una red neuronal convolucional.
3. - Sistema de reconocimiento de descargas parciales (2) según reivindicación 1 o 2, caracterizado porque la unidad de reconocimiento (3) comprende un tercer módulo (6) de librería de señales de descargas parciales de fuentes conocidas.
4. - Sistema de reconocimiento de descargas parciales (2) según reivindicación 3, caracterizado porque la unidad de reconocimiento (3) comprende un cuarto módulo (7) de entrenamiento de la red neuronal convolucional.
5. - Sistema de reconocimiento de descargas parciales (2) según reivindicación 4, caracterizado porque la unidad de reconocimiento (3) comprende un quinto módulo (10) de
verificación de las descargas parciales reconocidas por el segundo módulo (5) de red neuronal.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| ES202230423U ES1302816Y (es) | 2019-02-22 | 2019-02-22 | Sistema de reconocimiento de descargas parciales para diagnóstico de redes eléctricas |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| ES202230423U ES1302816Y (es) | 2019-02-22 | 2019-02-22 | Sistema de reconocimiento de descargas parciales para diagnóstico de redes eléctricas |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| ES1302816U true ES1302816U (es) | 2023-08-18 |
| ES1302816Y ES1302816Y (es) | 2023-11-08 |
Family
ID=87569397
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ES202230423U Active ES1302816Y (es) | 2019-02-22 | 2019-02-22 | Sistema de reconocimiento de descargas parciales para diagnóstico de redes eléctricas |
Country Status (1)
| Country | Link |
|---|---|
| ES (1) | ES1302816Y (es) |
-
2019
- 2019-02-22 ES ES202230423U patent/ES1302816Y/es active Active
Also Published As
| Publication number | Publication date |
|---|---|
| ES1302816Y (es) | 2023-11-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| ES2780448A1 (es) | Método y sistema de reconocimiento de descargas parciales para diagnóstico de redes eléctricas | |
| CN103558529B (zh) | 一种三相共筒式超高压gis局部放电的模式识别方法 | |
| Li et al. | Partial discharge recognition in gas insulated switchgear based on multi-information fusion | |
| Jaber et al. | Calibration of free-space radiometric partial discharge measurements | |
| Herold et al. | Advanced signal processing and modeling for partial discharge diagnosis on mixed power cable systems | |
| Scarpetta et al. | Analysis of TDR signals with convolutional neural networks | |
| Gu et al. | Application of improved Hilbert-Huang transform to partial discharge signal analysis | |
| Bhukya et al. | Bi-long short-term memory networks for radio frequency based arrival time detection of partial discharge signals | |
| ES1302816U (es) | Sistema de reconocimiento de descargas parciales para diagnóstico de redes eléctricas | |
| Rojas et al. | Application of the local polynomial Fourier transform in the evaluation of electrical signals generated by partial discharges in distribution transformers | |
| Wang et al. | Collaborative domain adaptation network for partial discharge source localization in gas-insulated switchgear | |
| CN116910470A (zh) | 一种gis组合电器局部放电故障模式识别方法 | |
| Das et al. | A Novel Deep-Learning Framework to Identify and Locate Single and Multiple Partial Discharge Events | |
| JP2024003552A (ja) | 部分放電検査方法及び部分放電検査装置 | |
| Velayutham et al. | Support vector machine-based denoising technique for removal of white noise in partial discharge signal | |
| Azordegan et al. | Remote assessment of high voltage insulators using wideband electromagnetic radiation signature | |
| Onal et al. | Multi-resolution wavelet analysis for chopped impulse voltage measurements and feature extraction | |
| Xin et al. | De-noising of GIS UHF Partial Discharge monitoring based on wavelet method | |
| Li et al. | Comparison of different time-frequency analysis methods for sparse representation of PD-induced UHF signal | |
| Zhao et al. | Partial discharge signal compression reconstruction method based on transfer sparse representation and dual residual ratio threshold | |
| Wang et al. | A review of time reversal-based methods applied to fault location in power networks | |
| Yan et al. | Implementation of Adaptive Partial Discharge De-noising in Resource-limited Embedded Systems via Efficient Time-frequency Matrix Factorization | |
| Vecino et al. | Development of a programmable partial discharge generator for the evaluation of partial discharge measuring devices | |
| Jung et al. | Discrimination of insulation defects in a gas insulated switchgear (GIS) by use of a neural network based on a chaos analysis of partial discharge (CAPD) | |
| Luo | Transient earth voltage (TEV) based partial discharge detection and analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| CA1K | Utility model application published |
Ref document number: 1302816 Country of ref document: ES Kind code of ref document: U Effective date: 20230818 |
|
| FG1K | Utility model granted |
Ref document number: 1302816 Country of ref document: ES Kind code of ref document: Y Effective date: 20231102 |