[發明專利]一種基于端到端模式的電力設備局部放電故障診斷方法

在審

• 申請號: 201811288775.8
• 申請日: 2018-10-31
• 公開（公告）號: CN109100627A
• 公開（公告）日: 2018-12-28
• 發明（設計）人: 鄧敏;毛恒;艾春;田陽普;林少漢
• 申請（專利權）人: 紅相股份有限公司
• 主分類號: G01R31/12
• 分類號: G01R31/12
• 代理公司: 泉州市博一專利事務所 35213
• 代理人: 方傳榜

本發明公開了一種基于端到端模式的電力設備局部放電故障診斷方法，涉及測量電變量領域，包括以下步驟：通過高速采集裝置，對各種典型故障缺陷模型產生的局部放電脈沖信號進行采集并存儲，建立PRPD圖譜數據庫。將PRPD圖譜數據轉化為局部放電灰度圖，構建深度殘差網絡對局部放電灰度圖進行自適應特征提取，同時深度挖掘放電灰度圖中不同局部放電類型的特征模式，實現局部放電模式的識別；本發明的有益效果：本發明對局部放電類型的識別同時具有較高的準確率和魯棒性。整個識別過程不需要人工構建特征，屬于數據驅動型的端到端模式識別方法。

技術領域

本發明涉及共享技術領域，更具體地說是指一種基于端到端模式的電力設備局部放電故障診斷方法。

背景技術

現代電力系統中的電力設備在生產，制造，安裝，運行中存在各種絕緣缺陷，導致發生不同程度的局部電場畸變，繼而引發設備局部放電(partial discharge，PD)的現象，因此及時對局部放電信號進行檢測，實時掌握電力設備的絕緣狀況對于維護電力系統健康穩定的運行顯得尤為重要。

目前針對局部放電信號主要有基于時間的分析模式(time resolved partialdischarge，TRPD)和基于相位的分析模式(phase resolved partial discharge，PRPD)兩種。其中PRPD分析方法主要通過挖掘局部放電脈沖的工頻相位、放電量和放電次數三者之間的內在關系并構建相應的放電特征“指紋”，進行局部放電模式識別。相比于TRPD分析模式，PRPD分析模式方法具有穩定性較好，數據量較小的優點，在實際中得到更廣泛應用。

影響局部放電模式識別性能的關鍵是放電特征“指紋”的有效提取，當前方法主要依靠專家利用領域知識與數學工具人工設計相應的辨識特征，如通過PRPD圖譜數據構建諸如偏斜度，陡峭度，放電量因數等人工特征再送入分類器中進行分類，但這些人工特征存在主觀性強，不確定性大，依賴專家經驗，識別效果不佳的缺點。近年來，深度學習(DeepLearning)在模式識別領域掀起了一股研究熱潮。深度學習模型主要是通過簡單的非線性層堆疊逐層完成對原始數據的抽象，學習獲得原始數據更為抽象的表達，其特征學習過程不需要過多的人工參與，具有強大的特征表示學習能力，急需將深度學習領域廣泛應用的卷積神經網絡(Convolutional Neural Network，CNN)及其擴展深度殘差網絡(ResidualNetwork，ResNet)應用于GIS局部放電模式識別領域，提高GIS局部放電模式識別的性能。

此外，現有局部放電信號的捕捉技術是：將完整信號采集并存儲，然后再通過軟件處理從完整信號中識別并提取出其中的局部放電脈沖，再通過分析局部放電脈沖判斷故障類型。這種技術存在以下缺點：（1）數據量大，導致設備需要存儲和傳遞大量的數據，影響設備的工作效率；（2）無法采集局部放電中的頻率在GHz的脈沖。因此需要設計一種局部放電信號的特征觸發捕捉技術。

發明內容

本發明提供的一種基于端到端模式的電力設備局部放電故障診斷方法，其目的在于解決現有技術中存在的上述問題。

本發明采用的技術方案如下：

一種基于端到端模式的電力設備局部放電故障診斷方法，包括以下步驟：

（1）、通過高速采集裝置，基于局部放電信號的特征觸發捕捉技術對各種典型故障缺陷模型產生的局部放電脈沖信號進行采集并存儲，建立PRPD圖譜數據庫；

（2）、通過灰度圖構造模塊，使用PRPD圖譜數據構造出局部放電類型的灰度圖；

（3）、通過特征提取及分類模塊，利用基于深度殘差網絡的局部放電類型識別網絡提取灰度圖的辨識特征,并對辨識特征進行分類識別；

（4）、將灰度圖構造模塊和訓練好的特征提取及分類模塊作為檢測儀器的分類器，對現場局部放電的PRPD圖譜數據進行特征提取和故障診斷分析。