[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN116091501B - 高压电气设备局部放电类型识别方法、装置、设备及介质 - Google Patents

高压电气设备局部放电类型识别方法、装置、设备及介质 Download PDF

Info

Publication number
CN116091501B
CN116091501B CN202310367157.7A CN202310367157A CN116091501B CN 116091501 B CN116091501 B CN 116091501B CN 202310367157 A CN202310367157 A CN 202310367157A CN 116091501 B CN116091501 B CN 116091501B
Authority
CN
China
Prior art keywords
image data
discharge
historical
partial discharge
discharge type
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
Application number
CN202310367157.7A
Other languages
English (en)
Other versions
CN116091501A (zh
Inventor
邓奕
祝季楹
刘嘉政
王磊
吴梓宜
谭大鹏
朱奎虎
赵国瑾
马俊
余烈
万仁卓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Textile University
Original Assignee
Wuhan Textile University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Textile University filed Critical Wuhan Textile University
Priority to CN202310367157.7A priority Critical patent/CN116091501B/zh
Publication of CN116091501A publication Critical patent/CN116091501A/zh
Application granted granted Critical
Publication of CN116091501B publication Critical patent/CN116091501B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • G01R31/1218—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 using optical methods; using charged particle, e.g. electron, beams or X-rays
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/54—Extraction of image or video features relating to texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明涉及电变量测量技术领域，具体而言，涉及一种高压电气设备局部放电类型识别方法、装置、设备及介质，所述方法包括：获取局部放电信号采集器反馈的局部放电信号数据图像；图像处理得到第二图像数据；提取所述第二图像数据中的特征集合；将特征集合输入放电类型评估模型，得到第一图像数据对应的第一放电类型，通过对有效的图像数据进行清晰度强化（消除噪点）、图像特征提取得到能够表现局部放电细节信息的轮廓特征数据和纹理特征数据结合训练好的放电类型评估模型，得到该局部放电信号数据图像对应的放电类型，进而实现了对电力设备的局部放电测量与放电类型识别，相关电力维护人员无需积累相关的识别经验，降低了人才培养成本。

Description

高压电气设备局部放电类型识别方法、装置、设备及介质
技术领域
本发明涉及电变量测量技术领域，具体而言，涉及一种高压电气设备局部放电类型识别方法、装置、设备及介质。
背景技术
在电力系统中，电力设备尤其是高压设备的绝缘缺陷检测对提高电力系统的安全运行至关重要。当高压设备出现绝缘缺陷时，往往会出现局部放电现象。局部放电指的是高压设备中绝缘介质局部区域发生放电，但该放电并未贯穿施加电压的导体之间的现象。局部放电信号虽微弱，但其却包含大量的绝缘缺陷信息，通过对局部放电信号进行模式识别或放电类型识别，可以确定引发此局部放电的绝缘缺陷类型，为后续的维护提供便利。
目前高压电力设备的局部放电通过专用的局部放电信号采集器可以轻松得到对应的放电信号图像数据，但是目前关于信号图像的识别仍旧需要经验丰富的技术人员/专家才能判定其对应的放电类型，提高了维护人员的培养成本，然而随着图像识别和深度学习算法的普及为解决该难题提供了新思路。
发明内容
本发明的目的在于提供一种高压电气设备局部放电类型识别方法、装置、设备及可读存储介质，以改善上述人工识别放电信号图像数据导致相关电力维护人员的培养成本较高的问题。
为了实现上述目的，本申请实施例提供了如下技术方案：
一方面，本申请实施例提供了一种高压电气设备局部放电类型识别方法，所述方法包括：获取局部放电信号采集器反馈的局部放电信号数据图像，记为第一图像数据，所述局部放电信号采集器用于采集电力设备的放电信号；判定所述局部放电信号采集器的设备温度，并在所述设备温度在第一温差范围内的情况下，将所述第一图像数据的扩张卷积通过特征增强模块中的长路径融合浅层和深层的信息凸显第一图像数据中的噪点特征，并通过小波硬阈值滤波去除所述第一图像数据中的波峰噪点，得到第二图像数据，所述第一温差范围为局部放电信号采集器的正常工作温度，用于保证采集器的信号采集精度；提取所述第二图像数据中的特征集合，所述特征集合包括第二图像数据的轮廓特征和纹理特征；构建放电类型评估模型，并将所述特征集合输入放电类型评估模型，得到第一图像数据对应的第一放电类型，所述放电类型评估模型为根据图像数据中的轮廓特征和纹理特征判定图像数据对应的放电类型的BP神经网络算法。
可选地，所述判定所述局部放电信号采集器的设备温度之后，还包括：
若所述设备温度未在所述第一温差范围内，则根据历史温差实验补偿数据找到与所述设备温度对应的温差补偿系数，所述历史温差实验数据为记录不同实验环境温度下采集器的失真补偿系数；
通过温度补偿系数修正第一图像数据，并将修正后的第一图像数据的扩张卷积通过特征增强模块中的长路径融合浅层和深层的信息凸显第一图像数据中的噪点特征，并通过小波硬阈值滤波去除所述第一图像数据中的波峰噪点，得到第二图像数据。
可选地，所述构建放电类型评估模型，包括：
获取第一数据，所述第一数据包括多个局部放电信号采集器收集的历史第二图像数据及对应的放电类型；进而得到每种放电类型对应的历史第二图像数据集合；
基于所有放电类型的历史第二图像数据集合对BP神经网络模型进行训练，得到训练好的模型，记为放电类型评估模型。
可选地，所述得到第一图像数据对应的第一放电类型之后，还包括：
基于检测区域内所有局部放电信号采集器的历史采集数据，得到每种放电类型对应的历史发生频次分布图，所述历史采集数据包括电力设备的位置信息、放电时间和放电类型，所述历史发生频次分布图反应同一放电类型的对应的放电位置、放电时间和放电次数；
基于距离类的聚类算法将历史发生频次分布图中放电位置相近的多个局部放电信号采集器进行归集，得到多个局部历史发生频次分布图，记为第二分布图；
获取第二分布图对应的地理区域的历史天气信息和预测天气信息，所述历史天气信息包括温度、湿度和气压值；
基于所述历史天气信息、所述第二分布图和所述未来天气信息，利用卡尔曼滤波算法和差分自回归移动平均预测模型预测得到所述第二分布图对应的地理区域内的电力设备在未来第一时间段内发生某一类型的放电频次；
根据预测的放电频次生成对应的维护材料清单。
第二方面，本实施例提供了一种高压电气设备局部放电类型识别装置，所述装置包括：
第一获取模块，用于获取局部放电信号采集器反馈的局部放电信号数据图像，记为第一图像数据，所述局部放电信号采集器用于采集电力设备的放电信号；
第一计算模块，用于判定所述局部放电信号采集器的设备温度，并在所述设备温度在第一温差范围内的情况下，将所述第一图像数据的扩张卷积通过特征增强模块中的长路径融合浅层和深层的信息凸显第一图像数据中的噪点特征，并通过小波硬阈值滤波去除所述第一图像数据中的波峰噪点，得到第二图像数据，所述第一温差范围为局部放电信号采集器的正常工作温度，用于保证采集器的信号采集精度；
特征提取模块，用于提取所述第二图像数据中的特征集合，所述特征集合包括第二图像数据的轮廓特征和纹理特征；
第二计算模块，用于构建放电类型评估模型，并将所述特征集合输入放电类型评估模型，得到第一图像数据对应的第一放电类型，所述放电类型评估模型为根据图像数据中的轮廓特征和纹理特征判定图像数据对应的放电类型的BP神经网络算法。
可选地，所述第一计算模块，还包括：
第三计算单元，用于判定若所述设备温度未在所述第一温差范围内，则根据历史温差实验补偿数据找到与所述设备温度对应的温差补偿系数，所述历史温差实验数据为记录不同实验环境温度下采集器的失真补偿系数；
图像修正单元，用于通过温度补偿系数修正第一图像数据，并将修正后的第一图像数据的扩张卷积通过特征增强模块中的长路径融合浅层和深层的信息凸显第一图像数据中的噪点特征，并通过小波硬阈值滤波去除所述第一图像数据中的波峰噪点，得到第二图像数据。
可选地，所述第二计算模块，包括：
第一获取单元，用于获取第一数据，所述第一数据包括多个局部放电信号采集器收集的历史第二图像数据及对应的放电类型；进而得到每种放电类型对应的历史第二图像数据集合；
模型训练单元，用于基于所有放电类型的历史第二图像数据集合对BP神经网络模型进行训练，得到训练好的模型，记为放电类型评估模型。
可选地，所述高压电气设备局部放电类型识别装置，还包括：
第一采集模块，用于基于检测区域内所有局部放电信号采集器的历史采集数据，得到每种放电类型对应的历史发生频次分布图，所述历史采集数据包括电力设备的位置信息、放电时间和放电类型，所述历史发生频次分布图反应同一放电类型的对应的放电位置、放电时间和放电次数；
第三计算模块，用于基于距离类的聚类算法将历史发生频次分布图中放电位置相近的多个局部放电信号采集器进行归集，得到多个局部历史发生频次分布图，记为第二分布图；
第二获取模块，用于获取第二分布图对应的地理区域的历史天气信息和预测天气信息，所述历史天气信息包括温度、湿度和气压值；
第四计算模块，用于基于所述历史天气信息、所述第二分布图和所述未来天气信息，利用卡尔曼滤波算法和差分自回归移动平均预测模型预测得到所述第二分布图对应的地理区域内的电力设备在未来第一时间段内发生某一类型的放电频次；
耗材预测模块，用于根据预测的相应类型的放电频次生成对应的维护材料清单。
第三方面，本申请实施例提供了一种高压电气设备局部放电类型识别设备，所述设备包括存储器和处理器。
存储器用于存储计算机程序；处理器用于执行所述计算机程序时实现上述高压电气设备局部放电类型识别方法的步骤。
第四方面，本申请实施例提供了一种介质，所述介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述高压电气设备局部放电类型识别方法的步骤。
本发明的有益效果为：
本发明所述的一种高压电气设备局部放电类型识别方法，在获取局部放电信号采集器反馈的局部放电信号数据图像时，会考虑到对应局部放电信号采集器的工作温度，当工作温度在预设的合理温差范围时，才会被系统判定为有效的图像数据，消除了因高温或低温导致采集反馈失真的放电信号数据图像，并通过对有效的图像数据进行清晰度强化（消除噪点）、图像特征提取得到能够表现局部放电细节信息的轮廓特征数据和纹理特征数据结合训练好的放电类型评估模型，得到该局部放电信号数据图像对应的放电类型，进而实现了对电力设备的局部放电测量与放电类型识别，全程无人为参与，使相关电力维护人员无需积累相关的识别经验，降低了人才培养成本。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1是本发明实施例中所述的一种高压电气设备局部放电类型识别方法流程示意图；
图2是本发明实施例中所述的一种高压电气设备局部放电类型识别装置结构示意图；
图3是本发明实施例中所述的一种高压电气设备局部放电类型识别设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
应注意到：相似的标号或字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在举例说明之前，需要对采集器的分布以及电力设备的分布情况做一个简要说明，随机在一个地域内的电力设备中挑选出固定数量的测试标本，在标本上设置对应的采集器，以实现对带设备的实施检测，其次，设备的类型要监测的电力设备的具体类型需要相同，如均为变压器、电缆、变电箱等，其中本实施例将以高压变电器作为阐述对象，其余电力设备可根据实施例公开的相关原理实现同样的电力设备的局部放电类型的识别，本说明书不做相关阐述。
实施例1
如图1所示，本实施例提供了一种高压电气设备局部放电类型识别方法，所述方法包括步骤S1、步骤S2步骤S3和步骤S4。
步骤S1. 获取局部放电信号采集器反馈的局部放电信号数据图像，记为第一图像数据，所述局部放电信号采集器用于采集电力设备的放电信号；
步骤S2.为确保局部放电信号采集器反馈的局部放电信号数据图像高度准确，需要对该采集器的设备温度进行初步判断，当设备温度在正常范围内（第一温差范围内），才会开始对将第一图像数据作进一步的处理，具体处理方式为将第一图像数据的扩张卷积通过特征增强模块中的长路径融合浅层和深层的信息凸显第一图像数据中的噪点特征，并通过小波硬阈值滤波去除所述第一图像数据中的波峰噪点，使第一图像数据中的多个波峰出的波动纹理或轮廓更加清晰为下一步的轮廓特征和纹理特征的提取做准备，得到第二图像数据，其中，所述第一温差范围为局部放电信号采集器的正常工作温度，用于保证采集器的信号采集精度；
步骤S3.提取所述第二图像数据中的轮廓特征和纹理特征，其中关于图片中的轮廓特征和纹理特征提取算法均为现有技术，在此本实施例不在详细赘述；
步骤S4. 构建放电类型评估模型，并将所述特征集合输入放电类型评估模型，得到第一图像数据对应的第一放电类型，所述放电类型评估模型为根据图像数据中的轮廓特征和纹理特征判定图像数据对应的放电类型的BP神经网络算法；
其中，放电类型评估模型的具体构建方式可以为：
步骤S41.获取第一数据，所述第一数据包括多个局部放电信号采集器收集的历史第二图像数据及对应的放电类型，按照放电类型对所述第一数据进行分类，得到每种放电类型对应的历史第二图像数据集合，以使BP神经网络模型能对每种放电类型的历史第二图像数据集合进行单独学习，缩短模型训练时间和所需的历史第二图像数据集合的数量，尤其是历史第二图像数据集合的数量较为有限而BP神经网络模型的需求量较大，因此需要从训练方式上做改进，才能充分发挥历史第二图像数据集合的价值；
步骤S42.基于所有放电类型的历史第二图像数据集合对BP神经网络模型进行训练，得到训练好的模型，记为放电类型评估模型，具体而言为先将每个放电类型单独放进BP神经网络模型训练，然后随机抽取历史第二图像数据进行纠错强化训练直至BP神经网络模型能够将测试组中的多类别放电类型对应的第二图像数据全部分类成功，才终止训练。
综上所述，可以看出在实施例1中，在获取局部放电信号采集器反馈的局部放电信号数据图像时，会考虑到对应局部放电信号采集器的工作温度，当工作温度在预设的合理温差范围时，才会被系统判定为有效的图像数据，通过对有效的图像数据进行清晰度强化（消除噪点）、图像特征提取得到能够表现局部放电细节信息的轮廓特征数据和纹理特征数据结合训练好的放电类型评估模型，得到该局部放电信号数据图像对应的放电类型，进而实现了对电力设备的局部放电测量与放电类型识别，全程无人为参与，使相关电力维护人员无需积累相关的识别经验，降低了人才培养成本。
实施例2
本实施例基于实施例1，用于进一步阐述在步骤S2中，当局部放电信号采集器处于非正常温度（不再第一温差范围内）时，对于采集到的局部放电信号数据图像的处理方式，由于该图像数据的特征构成较为简单，因此可采用单一纵向幅度系数作为补偿系数，而对于补偿系数的具体确认方式可以采取多梯度温度实验侧得，具体而言为：测得同一局部放电信号采集器采集在不同温度下检测到的同一个稳定放电设备对应的多个局部放电信号数据图像，然后确定不同温度下的温度补偿系数，以使非正常温度下的局部放电信号数据图像尽量靠近正常温度下的局部放电信号数据图像。
在得到不同温度下的补偿系数后，对设备温度未在所述第一温差范围内时采集的局部放电信号数据图像的补偿/修正方式可以为：
步骤S21.若所述设备温度未在所述第一温差范围内，则根据历史温差实验补偿数据找到与所述设备温度对应的温差补偿系数，所述历史温差实验数据为记录不同实验环境温度下采集器的失真补偿系数；
步骤S22.通过温度补偿系数修正第一图像数据，并将修正后的第一图像数据的扩张卷积通过特征增强模块中的长路径融合浅层和深层的信息凸显第一图像数据中的噪点特征，并通过小波硬阈值滤波去除所述第一图像数据中的波峰噪点，得到第二图像数据。
实施例3
在举例说明之前，需要对采集器的分布以及电力设备的分布情况做一个简要说明，采集器的布置方式为先随机在一个地域内的电力设备中挑选出固定数量的监测标本，在标本上设置对应的采集器，以实现对整个地域内的所有同类型电力设备的间接监测，电力设备的具体类型需要相同，如均为变压器、电缆、变电箱等，其中本实施例将以高压变电器作为阐述对象，其余电力设备可根据实施例公开的相关原理实现同样的电力设备的局部放电类型的识别，本说明书不做相关阐述；
在得到第一图像数据对应的第一放电类型之后，还可以对历史放电数据进一步分析利用，以降低后期维护系统的冗杂程度，具体而言可以为：
步骤S5.基于检测区域内所有局部放电信号采集器的历史采集数据，得到每种放电类型对应的历史发生频次分布图，所述历史采集数据包括电力设备的位置信息、放电时间和放电类型，所述历史发生频次分布图反应同一放电类型的对应的放电位置、放电时间和放电次数；
步骤S6.基于距离类的聚类算法将历史发生频次分布图中放电位置相近的多个局部放电信号采集器进行归集，得到多个局部历史发生频次分布图，记为第二分布图；
步骤S7.获取第二分布图对应的地理区域的历史天气信息和预测天气信息，所述历史天气信息包括温度、湿度和气压值；
步骤S8.基于所述历史天气信息、所述第二分布图和所述未来天气信息，利用卡尔曼滤波算法和差分自回归移动平均预测模型预测得到所述第二分布图对应的地理区域内的电力设备在未来第一时间段内发生某一类型的放电频次；
步骤S9.根据预测的放电频次生成对应的维护材料清单。
实施例4
如图2所示，本实施例提供一种高压电气设备局部放电类型识别装置，所述装置包括：
第一获取模块71，用于获取局部放电信号采集器反馈的局部放电信号数据图像，记为第一图像数据，所述局部放电信号采集器用于采集电力设备的放电信号；
第一计算模块72，用于判定所述局部放电信号采集器的设备温度，并在所述设备温度在第一温差范围内的情况下，将所述第一图像数据的扩张卷积通过特征增强模块中的长路径融合浅层和深层的信息凸显第一图像数据中的噪点特征，并通过小波硬阈值滤波去除所述第一图像数据中的波峰噪点，得到第二图像数据，所述第一温差范围为局部放电信号采集器的正常工作温度，用于保证采集器的信号采集精度；
特征提取模块73，用于提取所述第二图像数据中的特征集合，所述特征集合包括第二图像数据的轮廓特征和纹理特征；
第二计算模块74，用于构建放电类型评估模型，并将所述特征集合输入放电类型评估模型，得到第一图像数据对应的第一放电类型，所述放电类型评估模型为根据图像数据中的轮廓特征和纹理特征判定图像数据对应的放电类型的BP神经网络算法。
可选地，所述第一计算模块72，还包括：
第三计算单元721，用于判定若所述设备温度未在所述第一温差范围内，则根据历史温差实验补偿数据找到与所述设备温度对应的温差补偿系数，所述历史温差实验数据为记录不同实验环境温度下采集器的失真补偿系数；
图像修正单元722，用于通过温度补偿系数修正第一图像数据，并将修正后的第一图像数据的扩张卷积通过特征增强模块中的长路径融合浅层和深层的信息凸显第一图像数据中的噪点特征，并通过小波硬阈值滤波去除所述第一图像数据中的波峰噪点，得到第二图像数据。
可选地，所述第二计算模块74，包括：
第一获取单元741，用于获取第一数据，所述第一数据包括多个局部放电信号采集器收集的历史第二图像数据及对应的放电类型；按照放电类型对所述第一数据进行分类，得到每种放电类型对应的历史第二图像数据集合；
模型训练单元742，用于基于所有放电类型的历史第二图像数据集合对BP神经网络模型进行训练，得到训练好的模型，记为放电类型评估模型。
可选地，所述高压电气设备局部放电类型识别装置，还包括：
第一采集模块75，用于基于检测区域内所有局部放电信号采集器的历史采集数据，得到每种放电类型对应的历史发生频次分布图，所述历史采集数据包括电力设备的位置信息、放电时间和放电类型，所述历史发生频次分布图反应同一放电类型的对应的放电位置、放电时间和放电次数；
第三计算模块76，用于基于距离类的聚类算法将历史发生频次分布图中放电位置相近的多个局部放电信号采集器进行归集，得到多个局部历史发生频次分布图，记为第二分布图；
第二获取模块77，用于获取第二分布图对应的地理区域的历史天气信息和预测天气信息，所述历史天气信息包括温度、湿度和气压值；
第四计算模块78，用于基于所述历史天气信息、所述第二分布图和所述未来天气信息，利用卡尔曼滤波算法和差分自回归移动平均预测模型预测得到所述第二分布图对应的地理区域内的电力设备在未来第一时间段内发生某一类型的放电频次；
耗材预测模块79，用于根据预测的相应类型的放电频次生成对应的维护材料清单。
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
实施例5
相应于上面的方法实施例，本公开实施例还提供了一种高压电气设备局部放电类型识别设备，下文描述的一种高压电气设备局部放电类型识别设备与上文描述的一种高压电气设备局部放电类型识别方法可相互对应参照。
图3是根据一示例性实施例示出的一种高压电气设备局部放电类型识别设备800的框图。如图3所示，该电子设备800可以包括：处理器801，存储器802。该电子设备800还可以包括多媒体组件803，输入/输出(I/O)接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该电子设备800的整体操作，以完成上述的高压电气设备局部放电类型识别方法中的全部或部分步骤。存储器402用于存储各种类型的数据以支持在该电子设备800的操作，这些数据例如可以包括用于在该电子设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该电子设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的高压电气设备局部放电类型识别方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的高压电气设备局部放电类型识别方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由电子设备800的处理器801执行以完成上述的高压电气设备局部放电类型识别方法。
实施例6
相应于上面的方法实施例，本公开实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种高压电气设备局部放电类型识别方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的高压电气设备局部放电类型识别方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，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)

1.一种高压电气设备局部放电类型识别方法，其特征在于，所述方法包括：
获取局部放电信号采集器反馈的局部放电信号数据图像，记为第一图像数据，所述局部放电信号采集器用于采集电力设备的放电信号；
判定所述局部放电信号采集器的设备温度，并在所述设备温度在第一温差范围内的情况下，将所述第一图像数据的扩张卷积通过特征增强模块中的长路径融合浅层和深层的信息凸显第一图像数据中的噪点特征，并通过小波硬阈值滤波去除所述第一图像数据中的波峰噪点，得到第二图像数据，所述第一温差范围为局部放电信号采集器的正常工作温度，用于保证采集器的信号采集精度；
提取所述第二图像数据中的特征集合，所述特征集合包括第二图像数据的轮廓特征和纹理特征；
构建放电类型评估模型，并将所述特征集合输入放电类型评估模型，得到第一图像数据对应的第一放电类型，所述放电类型评估模型为根据图像数据中的轮廓特征和纹理特征判定图像数据对应的放电类型的BP神经网络算法。
2.根据权利要求1所述的高压电气设备局部放电类型识别方法，其特征在于，所述判定所述局部放电信号采集器的设备温度之后，还包括：
若所述设备温度未在所述第一温差范围内，则根据历史温差实验补偿数据找到与所述设备温度对应的温差补偿系数，所述历史温差实验数据为记录不同实验环境温度下采集器的失真补偿系数；
通过温度补偿系数修正第一图像数据，并将修正后的第一图像数据的扩张卷积通过特征增强模块中的长路径融合浅层和深层的信息凸显第一图像数据中的噪点特征，并通过小波硬阈值滤波去除所述第一图像数据中的波峰噪点，得到第二图像数据。
3.根据权利要求1所述的高压电气设备局部放电类型识别方法，其特征在于，所述构建放电类型评估模型，包括：
获取第一数据，所述第一数据包括多个局部放电信号采集器收集的历史第二图像数据及对应的放电类型；按照放电类型对所述第一数据进行分类，得到每种放电类型对应的历史第二图像数据集合；
基于所有放电类型的历史第二图像数据集合对BP神经网络模型进行训练，得到训练好的模型，记为放电类型评估模型。
4.根据权利要求1所述的高压电气设备局部放电类型识别方法，其特征在于，所述得到第一图像数据对应的第一放电类型之后，还包括：
基于检测区域内所有局部放电信号采集器的历史采集数据，得到每种放电类型对应的历史发生频次分布图，所述历史采集数据包括电力设备的位置信息、放电时间和放电类型，所述历史发生频次分布图反应同一放电类型的对应的放电位置、放电时间和放电次数；
基于距离类的聚类算法将历史发生频次分布图中放电位置相近的多个局部放电信号采集器进行归集，得到多个局部历史发生频次分布图，记为第二分布图；
获取第二分布图对应的地理区域的历史天气信息和预测天气信息，所述历史天气信息包括温度、湿度和气压值；
基于所述历史天气信息、所述第二分布图和未来天气信息，利用卡尔曼滤波算法和差分自回归移动平均预测模型预测得到所述第二分布图对应的地理区域内的电力设备在未来第一时间段内发生某一类型的放电频次；
根据预测的放电频次生成对应的维护材料清单。
5.一种高压电气设备局部放电类型识别装置，其特征在于，所述装置包括：
第一获取模块，用于获取局部放电信号采集器反馈的局部放电信号数据图像，记为第一图像数据，所述局部放电信号采集器用于采集电力设备的放电信号；
第一计算模块，用于判定所述局部放电信号采集器的设备温度，并在所述设备温度在第一温差范围内的情况下，将所述第一图像数据的扩张卷积通过特征增强模块中的长路径融合浅层和深层的信息凸显第一图像数据中的噪点特征，并通过小波硬阈值滤波去除所述第一图像数据中的波峰噪点，得到第二图像数据，所述第一温差范围为局部放电信号采集器的正常工作温度，用于保证采集器的信号采集精度；
特征提取模块，用于提取所述第二图像数据中的特征集合，所述特征集合包括第二图像数据的轮廓特征和纹理特征；
第二计算模块，用于构建放电类型评估模型，并将所述特征集合输入放电类型评估模型，得到第一图像数据对应的第一放电类型，所述放电类型评估模型为根据图像数据中的轮廓特征和纹理特征判定图像数据对应的放电类型的BP神经网络算法。
6.根据权利要求5所述的高压电气设备局部放电类型识别装置，其特征在于，所述第一计算模块，还包括：
第三计算单元，用于判定若所述设备温度未在所述第一温差范围内，则根据历史温差实验补偿数据找到与所述设备温度对应的温差补偿系数，所述历史温差实验数据为记录不同实验环境温度下采集器的失真补偿系数；
图像修正单元，用于通过温度补偿系数修正第一图像数据，并将修正后的第一图像数据的扩张卷积通过特征增强模块中的长路径融合浅层和深层的信息凸显第一图像数据中的噪点特征，并通过小波硬阈值滤波去除所述第一图像数据中的波峰噪点，得到第二图像数据。
7.根据权利要求5所述的高压电气设备局部放电类型识别装置，其特征在于，所述第二计算模块，包括：
第一获取单元，用于获取第一数据，所述第一数据包括多个局部放电信号采集器收集的历史第二图像数据及对应的放电类型；按照放电类型对所述第一数据进行分类，得到每种放电类型对应的历史第二图像数据集合；
模型训练单元，用于基于所有放电类型的历史第二图像数据集合对BP神经网络模型进行训练，得到训练好的模型，记为放电类型评估模型。
8.根据权利要求5所述的高压电气设备局部放电类型识别装置，其特征在于，还包括：
第一采集模块，用于基于检测区域内所有局部放电信号采集器的历史采集数据，得到每种放电类型对应的历史发生频次分布图，所述历史采集数据包括电力设备的位置信息、放电时间和放电类型，所述历史发生频次分布图反应同一放电类型的对应的放电位置、放电时间和放电次数；
第三计算模块，用于基于距离类的聚类算法将历史发生频次分布图中放电位置相近的多个局部放电信号采集器进行归集，得到多个局部历史发生频次分布图，记为第二分布图；
第二获取模块，用于获取第二分布图对应的地理区域的历史天气信息和预测天气信息，所述历史天气信息包括温度、湿度和气压值；
第四计算模块，用于基于所述历史天气信息、所述第二分布图和未来天气信息，利用卡尔曼滤波算法和差分自回归移动平均预测模型预测得到所述第二分布图对应的地理区域内的电力设备在未来第一时间段内发生某一类型的放电频次；
耗材预测模块，用于根据预测的相应类型的放电频次生成对应的维护材料清单。
9.一种电子设备，其特征在于，包括：
存储器，用于存放计算机程序；
处理器，用于在执行存储器上所存放的程序时，实现权利要求1-4任一所述的方法步骤。
10.一种介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时，实现权利要求1-4任一所述的方法步骤。
CN202310367157.7A 2023-04-07 2023-04-07 高压电气设备局部放电类型识别方法、装置、设备及介质 Active CN116091501B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310367157.7A CN116091501B (zh) 2023-04-07 2023-04-07 高压电气设备局部放电类型识别方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310367157.7A CN116091501B (zh) 2023-04-07 2023-04-07 高压电气设备局部放电类型识别方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN116091501A CN116091501A (zh) 2023-05-09
CN116091501B true CN116091501B (zh) 2023-06-23

Family

ID=86187231

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310367157.7A Active CN116091501B (zh) 2023-04-07 2023-04-07 高压电气设备局部放电类型识别方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN116091501B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113156513A (zh) * 2021-04-14 2021-07-23 吉林大学 一种基于注意力引导的卷积神经网络地震信号去噪方法
CN114140353A (zh) * 2021-11-25 2022-03-04 苏州大学 一种基于通道注意力的Swin-Transformer图像去噪方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2987900B1 (fr) * 2012-03-09 2015-07-31 Alstom Technology Ltd Procede de reconnaissance de decharges partielles emises a l'interieur et a l'exterieur d'un appareil electrique
CN111178388B (zh) * 2019-12-05 2022-06-17 上海交通大学 基于nsct光电融合图谱的局部放电相位分布检测方法
US11481607B2 (en) * 2020-07-01 2022-10-25 International Business Machines Corporation Forecasting multivariate time series data
CN112801889B (zh) * 2021-01-06 2024-09-06 携程旅游网络技术（上海）有限公司 图像去噪方法、系统、设备及存储介质
CN115187527B (zh) * 2022-06-27 2023-04-07 上海格鲁布科技有限公司 一种多源混合型特高频局部放电图谱的分离识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113156513A (zh) * 2021-04-14 2021-07-23 吉林大学 一种基于注意力引导的卷积神经网络地震信号去噪方法
CN114140353A (zh) * 2021-11-25 2022-03-04 苏州大学 一种基于通道注意力的Swin-Transformer图像去噪方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《Median Filter Aided CNN based Image Denoising:An Ensemble Approach》;Subhrajit Dey等;《algorithms》;全文 *
《双通道扩张卷积注意力图像去噪网络》;曹义亲 等;《计算机应用研究》;全文 *

Also Published As

Publication number Publication date
CN116091501A (zh) 2023-05-09

Similar Documents

Publication Publication Date Title
CN111797890A (zh) 一种用于检测输电线路设备缺陷的方法及系统
CN112631240A (zh) 航天器故障主动检测方法及装置
CN108562821B (zh) 一种基于Softmax确定配电网单相接地故障选线的方法及系统
CN108304567B (zh) 高压变压器工况模式识别与数据分类方法及系统
CN110728300A (zh) 基于道岔动作电流曲线识别故障类型的方法及系统
CN113255590A (zh) 一种缺陷检测模型训练方法、缺陷检测方法、装置及系统
CN112037223B (zh) 图像缺陷检测方法、装置及电子设备
CN114169245A (zh) 一种变压器故障诊断方法、装置及设备
CN111815576B (zh) 金属部件腐蚀状况检测方法、装置、设备和存储介质
CN116091501B (zh) 高压电气设备局部放电类型识别方法、装置、设备及介质
CN115793590A (zh) 适用于系统安全运维的数据处理方法及平台
CN112419243B (zh) 一种基于红外图像分析的配电房设备故障识别方法
CN114581419A (zh) 变压器绝缘套管缺陷检测方法、相关设备及可读存储介质
CN116979702B (zh) 基于大数据的输电线路智能监测质检方法、系统和介质
CN107194923B (zh) 一种用于接触网电力设备缺陷巡检的紫外图像诊断方法
JP3234742B2 (ja) 電子部品の余寿命推定方法及び装置
CN117633479A (zh) 一种充电桩故障分析处理方法及系统
CN111738259A (zh) 一种杆塔状态检测方法及装置
CN111368823A (zh) 一种指针式仪表读数识别方法及装置
CN115146209B (zh) 水土保持状况的监测方法、系统、存储介质和电子设备
CN113447572B (zh) 钢轨探伤方法、电子装置、钢轨探伤车及可读存储介质
CN115601293A (zh) 对象检测方法、装置、电子设备及可读存储介质
CN116184060A (zh) 一种适用于瓷质绝缘子带电作业的异动监测方法和系统
CN115130516A (zh) 一种基于图谱功率谱熵的gis设备状态辨识方法及装置
CN113420686A (zh) 一种输电线路巡检方法、装置及系统

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