[發明專利]基于智能診斷算法的開放式局部放電大數據管理系統

有效

• 申請號: 201810458826.0
• 申請日: 2018-05-15
• 公開（公告）號: CN108765189B
• 公開（公告）日: 2020-03-20
• 發明（設計）人: 楊景剛;賈勇勇;高山;陳少波;李玉杰;劉媛;李洪濤;劉通;騰云;王靜君;陶加貴;趙科
• 申請（專利權）人: 國網江蘇省電力有限公司電力科學研究院;國家電網公司;江蘇省電力試驗研究院有限公司
• 主分類號: G06Q50/06
• 分類號: G06Q50/06;G06F16/25;G06K9/62
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 董建林

1.基于智能診斷算法的開放式局部放電大數據管理系統，其特征在于，包括數據接入模塊、數據轉換模塊、數據庫和診斷分析模塊，其中：

數據接入模塊，用于提供標準的數據輸入接口以接收數據；

數據轉換模塊，對數據接入模塊接收的數據進行規約轉換，并歸一化為平臺要求的數據格式；

數據庫,包括數據分級存儲模塊，數據分級存儲模塊用于存儲經過數據轉換模塊轉換的數據和數據接入模塊接收的不需轉換的數據,包括基礎數據庫和高級數據庫；所述基礎數據庫中存儲的基礎數據集包括典型故障實驗數據、案例數據和日常巡檢數據，通過診斷分析模塊判斷日常巡檢數據是否有故障，確認為故障的數據轉存入案例數據；通過數學模型對典型故障實驗數據和案例數據進行提煉，提煉出用于診斷的特征，特征與對應的放電診斷結果作為高級數據集存儲于高級數據庫中；

診斷分析模塊，與數據庫相連，用于判斷待診斷數據的放電診斷結果以及利用高級數據庫中的高級數據集訓練智能診斷算法；

上述診斷分析模塊包括快速診斷單元、智能診斷單元和深度診斷單元，其中：

快速診斷單元，用于提取待診斷數據的聚類參數，并與高級數據庫中的放電類型的典型聚類參數值進行對比，得到放電診斷結果；

智能診斷單元，用于提取待診斷數據的診斷特征，引用不同智能診斷算法分析特征，分別得到分析結果，對不同分析結果的按照一定的權重加權計算后得到放電診斷結果；

深度診斷單元，用于將待診斷數據基于灰度圖理論，使用深度學習圖像分類方式，對局部放電類型進行識別；

上述深度診斷單元中將待診斷數據基于灰度圖理論，使用深度學習圖像分類方式，對局部放電類型進行識別，具體包括提取記錄模塊、空間曲面構造模塊、灰度圖像轉換模塊和分類模塊；

提取記錄模塊：用于提取放電脈沖序列，對每一個工頻周期采集的信號提取放電脈沖：首先根據基礎噪聲設定閾值，提取大于閾值的放電脈沖，將放電脈沖的幅值和發生的工頻相位記錄在數據文件中；

空間曲面構造模塊：用于構造φ-q-n空間曲面，即將工頻相位φ軸劃分為x個小區間，將放電脈沖序列幅值q軸劃分為y個小區間，φ-q平面被劃分成x*y個小區間；n表示φ-q平面上各小區間內的放電次數；

對φ-q-n空間曲面進行歸一化處理，即

其中，n_i，j為φ-q-n空間曲面放電次數，n_max為φ-q-n空間曲面最大放電次數；n_i，j為φ-q-n歸一化后的空間曲面放電次數；

灰度圖像轉換模塊：用于將空間曲面轉換為灰度圖像，灰度圖像的灰度級為0-255，空間曲面最小值和最大值分別對應于最小灰度級和最大灰度級，構造φ-q-n灰度圖像，各像素點的灰度值為：

m_i，j＝(1-n_i，j)×255

其中，m_i，j為φ-q-n灰度圖像像素點灰度；

分類模塊：利用深度學習模型對灰度圖像進行局部放電灰度圖分類，得到局部放電類型。

2.根據權利要求1所述的基于智能診斷算法的開放式局部放電大數據管理系統，所述數學模型為基于最優小波包變換的數學模型，用于提取出用于診斷的特征空間，使用核主分量分析，運用核函數映射的基本方式進行特征降維，即進行提煉。

3.根據權利要求1所述的基于智能診斷算法的開放式局部放電大數據管理系統，其特征在于，智能診斷單元基于相位-平均放電量、相位-最大放電量和相位-放電次數三張譜圖進行統計運算，提取待診斷數據的診斷特征包括：每個半周波的偏斜度、陡峭度、局部峰點數、互相關系數和放電因數。

4.根據權利要求1所述的基于智能診斷算法的開放式局部放電大數據管理系統，其特征在于，智能診斷算法包括支持向量機SVM、粒子群聚類算法和正態貝葉斯分類器。

5.根據權利要求1所述的基于智能診斷算法的開放式局部放電大數據管理系統，其特征在于，深度學習模型為卷積神經網絡LeNet5或AlexNet網絡。