[發明專利]基于深度學習的局放缺陷時域圖譜診斷方法、系統及介質

有效

• 申請號: 201911094681.1
• 申請日: 2019-11-11
• 公開（公告）號: CN110850244B
• 公開（公告）日: 2022-03-11
• 發明（設計）人: 謝耀恒;李婷;肖京;鐘永恒;葉會生;雷紅才;黃海波;潘華;黃成軍
• 申請（專利權）人: 國網湖南省電力有限公司;國網湖南省電力有限公司電力科學研究院;國家電網有限公司
• 主分類號: G01R31/12
• 分類號: G01R31/12
• 代理公司: 湖南兆弘專利事務所(普通合伙) 43008
• 代理人: 譚武藝

本發明公開了一種基于深度學習的局放缺陷時域圖譜診斷方法、系統及介質，本發明步驟包括采集目標電力設備的多種類型的局部放電信號，轉換至同一時基坐標系中形成綜合多通道時域圖譜再輸入預先完成訓練的深度卷積神經網絡模型，通過深度卷積神經網絡模型提取綜合多通道時域圖譜的圖譜特征并識別出目標電力設備的局部放電信號所對應的局部放電類型，深度卷積神經網絡模型被預先完成訓練建立了圖譜特征及其對應的局部放電類型之間的映射。本發明能夠利用深度學習卷積神經網絡算法實現多通道局放時域圖譜特征的自動提取，無需轉換為PRPS?PRPD圖譜，能夠有效識別多種典型局部放電類型，從而為電力設備異常缺陷診斷提供新的解決辦法。

技術領域

本發明涉及電力設備異常缺陷診斷領域，具體涉及一種基于深度學習的局放缺陷時域圖譜診斷方法、系統及介質。

背景技術

隨著我國經濟的持續飛速發展，電網系統供電可靠性及穩定性要求逐步提高，對電力設備出現的異常缺陷處理受到高度重視。電力設備產生局部放電時會相應釋放出聲、光、電信號，根據檢測原理及檢測方式的不同，包含采用特高頻法、超聲波法、高頻電流法等來檢測特高頻信號、超聲波信號、高頻電流信號。在檢測局放信號的同時，也觀測接地電流信號的變化。所檢測到的局放原始信號轉換為PRPS-PRPD圖譜、超聲飛行圖、幅值圖譜、相位圖譜等典型特征圖譜進行判斷。

電力設備出現的缺陷類型不同，所體現出的信號特征存在差異，不同的測試方法測試效果不同。僅憑借單一類型的信號類型實現缺陷的最終診斷無法有效保證準確率，為實現對設備異常缺陷的準確診斷，通常采取多種檢測手段綜合處理的方法。深度學習算法利用深度卷積神經網絡能夠自動提取待測圖譜特征的特點，在模式識別、故障分類領域得到廣泛應用，將深度學習技術應用到局放多類型局放信號集成時域圖譜的診斷中，可以有效解決局放信號特征提取、提高圖譜的識別診斷，對局放異常缺陷的診斷及設備的運行具有重要作用。

發明內容

本發明要解決的技術問題：針對現有技術的上述問題，提供一種基于深度學習的局放缺陷時域圖譜診斷方法、系統及介質，本發明能夠利用深度學習卷積神經網絡算法實現多通道局放時域圖譜特征的自動提取，無需轉換為PRPS-PRPD圖譜，能夠有效識別多種典型局部放電類型，從而為電力設備異常缺陷診斷提供新的解決辦法。

為了解決上述技術問題，本發明采用的技術方案為：

一種基于深度學習的局放缺陷時域圖譜診斷方法，實施步驟包括：

1)采集目標電力設備的多種類型的局部放電信號；

2)將所有類型的局部放電信號轉換集成至同一時基坐標系中形成綜合多通道時域圖譜；

3)提取綜合多通道時域圖譜輸入預先完成訓練的深度卷積神經網絡模型，通過深度卷積神經網絡模型提取綜合多通道時域圖譜的圖譜特征并識別出目標電力設備的局部放電信號所對應的局部放電類型，所述深度卷積神經網絡模型被預先完成訓練建立了圖譜特征及其對應的局部放電類型之間的映射關系。

可選地，步驟1)中采集目標電力設備的多種類型的局部放電信號包括特高頻信號、超聲波信號、高頻電流信號、接地電流信號中的至少兩種；步驟3)中的局部放電類型包括電暈放電、懸浮電位放電、絕緣內部放電、沿面放電、自由顆粒放電五種局部放電類型中的至少兩種。

可選地，步驟2)的詳細步驟包括：

2.1)將模型信號形式的各種類型的局部放電信號轉換為離散信號序列；

2.2)將轉換為離散信號序列后各種類型的局部放電信號進行幅值歸一化；

2.3)將幅值歸一化后的各種類型的局部放電信號分別按照指定的幅值偏移，且不同類型的局部放電信號的偏移量不同，然后將其放入同一時基坐標系中形成的綜合多通道時域圖譜，使得同一時基坐標系中形成的綜合多通道時域圖譜中分別按照不同幅值偏移顯示幅值歸一化后的各種類型的局部放電信號。