[發明專利]一種高壓設備絕緣故障診斷方法和系統

有效

• 申請號: 201810852615.5
• 申請日: 2018-07-30
• 公開（公告）號: CN109188211B
• 公開（公告）日: 2021-02-05
• 發明（設計）人: 宋輝;張秦梫;錢勇;羅林根;盛戈皞;劉亞東;李喆
• 申請（專利權）人: 上海交通大學
• 主分類號: G01R31/12
• 分類號: G01R31/12
• 代理公司: 上海東信專利商標事務所(普通合伙) 31228
• 代理人: 楊丹莉;李丹

本發明公開了一種高壓設備絕緣故障診斷方法，其包括步驟：(1)獲取表征高壓設備若干種絕緣故障類型的局部放電信號的染噪訓練樣本，基于染噪訓練樣本提取其相位分辨脈沖序列數據，對相位分辨脈沖序列數據進行歸一化處理；(2)通過歸一化處理后的相位分辨脈沖序列數據對構建的深度稀疏降噪自編碼器進行訓練，得到經過訓練的深度稀疏降噪自編碼器；(3)將待識別的高壓設備的染噪局部放電信號輸入經過訓練的深度稀疏降噪自編碼器，基于該深度稀疏降噪自編碼器輸出分類層的輸出以得到高壓設備的缺陷類型。此外，本發明還公開了一種高壓設備絕緣故障診斷系統，其包括數據預處理模塊和故障識別模塊。

技術領域

本發明涉及一種故障診斷方法和系統，尤其涉及一種用于高壓設備的故障診斷方法和系統。

背景技術

局部放電(PD)是引起高壓設備故障的重要原因之一，長時間的PD累積會造成高壓設備的一系列物理化學反應，加劇絕緣損壞，從而引起設備故障。PD狀態檢測是保障高壓設備可靠運行的重要手段，而PD故障識別是局放檢測的核心環節。近年來，神經網絡診斷技術通過對故障樣本的學習，以神經網絡連接權值來表達所學故障診斷知識，具有對故障模糊匹配、相似歸納和聯想記憶等能力。其中，較多采用的神經網絡診斷技術為支持向量機(以下簡稱SVM)，SVM建立在統計學習理論的VC維理論和結構風險最小原理基礎上的，根據有限的樣本信息在模型的復雜性(即對特定訓練樣本的學習精度)和學習能力(即無錯誤地識別任意樣本的能力)之間尋求最佳折衷，以獲得最好的推廣能力。

也就是說，現有的神經網絡診斷技術在無干擾或干擾信號很小的數據作為樣本時具有較好的識別能力，然而，由于變電站現場的電磁環境非常復雜，PD檢測易受各種電磁干擾的影響。電磁干擾在多因素影響下其特征是動態變化的，從而增大了電磁干擾辨識和抑制的難度，大大降低了現有技術的識別正確率，出現誤報漏報的情況。

基于此，期望獲得一種故障診斷方法，其不同于現有技術，該故障診斷方法可以針對有干擾的局部放電信號數據進行故障診斷，并且故障識別的正確率較高。

發明內容

本發明的目的之一在于提供一種高壓設備絕緣故障診斷方法，該高壓設備絕緣診斷方法可以對帶有干擾例如染噪的局部放電信號進行有效的故障識別，從而能夠及時有效地獲取高壓設備的絕緣故障情況，及時消除隱患，避免重大事故的發生，對于高壓設備的安全維護具有指導意義。

基于上述目的，本發明提出了一種高壓設備絕緣故障診斷方法，包括步驟：

(1)獲取表征高壓設備若干種絕緣故障類型的局部放電信號的染噪訓練樣本，基于染噪訓練樣本提取其相位分辨脈沖序列數據，對相位分辨脈沖序列數據進行歸一化處理；

(2)通過歸一化處理后的相位分辨脈沖序列數據對構建的深度稀疏降噪自編碼器進行訓練，得到經過訓練的深度稀疏降噪自編碼器；

(3)將待識別的高壓設備的染噪局部放電信號輸入經過訓練的深度稀疏降噪自編碼器，基于該深度稀疏降噪自編碼器輸出分類層的輸出以得到高壓設備的缺陷類型。

在本發明所述的技術方案中，深度稀疏降噪自編碼器由若干個稀疏降噪自編碼器堆疊構成，其利用稀疏降噪自編碼器添加了稀疏約束條件使得其自身擁有較好的魯棒性和高效性，并且稀疏降噪自編碼器通過去除輸入數據的噪聲，從而提高了稀疏降噪自編碼器的泛化能力和魯邦性，而深度稀疏降噪自編碼器由于由若干個疏降噪自編碼器構成，因而可以得到輸入數據更深的信息量以及更多的特征。

進一步地，在本發明所述的高壓設備絕緣故障診斷方法中，所述深度稀疏降噪自編碼器包括輸入層、隱含層和輸出分類層。

進一步地，在本發明所述的高壓設備絕緣故障診斷方法中，所述深度稀疏降噪自編碼器具有4層隱含層。

進一步地，在本發明所述的高壓設備絕緣故障診斷方法中，所述隱含層的神經元個數為25。