一种特高压设备局部放电检测数据的判别方法技术

本发明专利技术公开了一种特高压设备局部放电检测数据的判别方法，包括：将连续的超声波频率信号经采样降至人耳可听到的连续声波频率信号；连续截取一个设定时间长度的帧声波频率信号；提取帧声波频率信号的梅尔频率倒谱系数作为待识别故障放电特征；将提取的待识别故障放电特征送入CNN卷积神经网络，经CNN卷积神经网络分析进入CNN卷积神经网络输出分类层的故障分类器；CNN卷积神经网络根据事先对已知故障放电特征学习形成的故障分类器，识别待识别故障放电特征并输出待识别故障放电类型。本发明专利技术直接用卷积神经网络CNN对故障类型进行模式学习和识别，提高了识别的准确率，减少或者避免了人工干预。

【技术实现步骤摘要】
一种特高压设备局部放电检测数据的判别方法
本专利技术涉及电气设备故障诊断判别方法，尤其涉及一种特高压设备局部放电检测数据的判别方法。
技术介绍
作为电力系统中的高压开关和变压器的正常运行直接关系到整个电力系统的可靠运行，及时检测高压开关和变压器的局部放电可以有效地防止其失效。长时间的局部放电累积会造成高压设备的一系列物理化学反应，加剧绝缘损坏，从而引起设备故障。局部放电状态检测是保障高压设备可靠运行的重要手段，而局部放电故障识别是局放检测的核心环节。公开号CN105203936A公开了“一种基于频谱分析的电力电缆局部放电缺陷类型判别方法”，该方法通过提取放电缺陷频谱特征与事先建立的一个缺陷类型频谱特征数据库进行比较分析确定局部放电缺陷类型，其过程是通过对比相似度来确定局部放电缺陷类型，由于对比相似度是通过预设阈值决定的，因此该方法的准确率不确定，并且当相似度不符合要求时需要人工干预确定局部放电缺陷类型，存在过多人员干预的问题。
技术实现思路
本专利技术的目的是提出一种特高压设备局部放电检测数据的判别方法，通过提取局放超声波信号的特征量，直接用卷积神经网络(CNN)对故障类型进行模式识别，而不是用对比相似度来确定局部放电缺陷类型，提高了识别的准确率，减少或者避免了人工干预。为了实现上述目的，本专利技术的技术方案是：一种特高压设备局部放电检测数据的判别方法，包括连续获取局部故障放电产生的超声波频率信号，所述判别方法包括：第一步：将连续的超声波频率信号经采样降至人耳可听到的连续声波频率信号；第二步：连续截取一个设定时间长度的帧声波频率信号；第三步：提取帧声波频率信号的梅尔频率倒谱系数作为待识别故障放电特征；第四步：将提取的待识别故障放电特征送入CNN卷积神经网络，经CNN卷积神经网络分析进入CNN卷积神经网络输出分类层的故障分类器；第五步：CNN卷积神经网络根据事先对已知故障放电特征学习形成的故障分类器，识别待识别故障放电特征并输出待识别故障放电类型；其中：所述CNN卷积神经网络根据事先对已知故障放电特征学习形成的故障分类器，是事先将已知多种故障放电类型的每一种类型采样分出多种超声波频率信号样本，按照上述第一步、第二步的顺序执行，并且在第三步中将提取帧声波频率信号的梅尔频率倒谱系数作为已知故障放电特征进行学习形成已知的故障分类器。方案进一步是：所述连续截取一个设定时间长度的帧声波频率信号中，相邻帧声波频率信号部分重叠。方案进一步是：所述时间长度是20毫秒到40毫秒。方案进一步是：所述获取局部故障放电产生的超声波频率信号是由1MHz的采样频率采集获取的，然后，将每个超声波信号降采样至80kHz频率形成人耳可听到的连续声波频率信号。方案进一步是：当时别失败时，调整相邻帧声波频率信号部分重叠的重叠百分比，并对一个预先设置的重复识别累加器加1，然后返回第三步重新识别直至重复识别累加器达到预设值，在重复识别累加器达到预设值后仍然识别失败，输出未识别故障声波频率信号并报警，人工干预确定故障放电类型，如果是新的故障放电类型则由CNN卷积神经网络学习形成新的故障类型通道，如果是已有的故障放电类型，则补充CNN卷积神经网络对应该故障放电类型通道的识别特征。方案进一步是：所述CNN卷积神经网络分析采用L2正则化，以防止过拟合的情况出现。方案进一步是：所述故障分类器采用Softmax分类器。方案进一步是：在所述CNN卷积神经网络对已知故障放电特征的学习中，包括一种验证CNN卷积神经网络识别故障放电特征准确率的方法，其过程是：第一步：将已知多种故障放电类型的每一种类型采样分出多种超声波频率信号样本，经采样降至人耳可听到的连续声波频率信号；第二步：连续截取一个设定时间长度的帧声波频率信号；第三步：提取帧声波频率信号的梅尔频率倒谱系数作为已知故障放电特征，并将每一种故障放电类型的多种超声波频率信号样本的已知故障放电特征信号集分为训练集和测试集；第四步：将训练集故障放电特征送入CNN卷积神经网络，经CNN卷积神经网络分析形成CNN卷积神经网络输出分类层的已知的故障分类器；第五步：将测试集故障放电特征送入CNN卷积神经网络，经CNN卷积神经网络分析进入CNN卷积神经网络输出分类层的故障分类器；第六步：CNN卷积神经网络经第四步形成的已知的故障分类器，识别测试集故障放电特征并输出测试集故障放电类型；第七步：根据已知的测试集故障类型与输出测试集故障放电类型的比较获得CNN卷积神经网络识别故障放电特征准确率。本专利技术通过将超声波信号降为声波信号，使用梅尔频率倒谱系数作为特征量，直接用卷积神经网络(CNN)对故障类型进行模式学习和识别，而不是用对比相似度来确定局部放电缺陷类型，提高了识别的准确率，减少或者避免了人工干预。深度学习网络采用的卷积神经网络(CNN)能够反映原数据的本质特征，更有利于分类问题。深度学在特征提取、故障分类以及预测等方向都有突出的应用，有更好的识别争取率和高效性。下面结合附图和实施例对本专利技术作一详细描述。附图说明图1为本专利技术MFCC特征提取流程图。图2为本专利技术CNN结构示意图。图3为本专利技术中验证所述方法准确率的流程图。具体实施方式超声波检测是局部放电最重要的非电检测技术之一。在电气设备内部发生局部放电时，会产生电荷和较陡的电流脉冲，使得局部放电发生的区域内气体瞬间受热进而膨胀，发生猛烈的撞击，近似爆炸的效果。放电结束后，原来受热膨胀的气体冷却，区域缩小且恢复至原来的体积。这种由于局放产生的体积涨缩变化引起了介质的瞬间疏密变化，产生压力波，也是脉冲形式的，即超声波。超声波检测方法不接触电气设备，可避免电磁干扰，不影响设备的正常运行。声音信号的特征提取是一个主要挑战，因为它不像文本和图像等其他类型的数据那么直接。本实施例根据几种不同的特征提取方法被应用于降采样超声波信号并且比较了性能。这些方法可以从每个数据中提取重要特征，例如梅尔频率倒谱系数(MFCC)，频谱图，频谱对比度和音调质心特征。近年来，深度学习网络在各个领域都有重要的应用。其中，卷积神经网络(CNN)由于其诸如局部感知场，参数共享和池化等特性而被广泛用于图像识别；递归神经网络(RNN)可以记忆样本的时间序列信息，在自然语言处理，语音识别，手写识别等领域具有非常重要的应用价值；为了克服神经网络层增加时梯度的消失，S形函数被ReLU，maxout和其他传递函数取代，形成了今天深度神经网络(DNN)的基本形式。本实施例应用CNN模型来识别局部放电模式，并与DNN和RNN两种深度学习模型比较识别准确率和性能。为此，作为本实施例一种特高压设备局部放电检测数据的判别方法，包括连续获取局部故障放电产生的超声波频率信号，所述判别方法包括：第一步：将连续的超声波频率信号经采样降至人耳可听到的连续声波频率信号；第二步：连续截取一个设定时间长度的帧声波频率信号；第三步：提取帧声波频率信号的梅尔频率倒谱系数作为待识别故障放电特征；第四步：将提取的待识别故障放电特征送入CNN卷积神经网络，经CNN卷积神经网络分析进入CNN卷积神经网络输出分类层的故障分类器；第五步：CNN卷积神经网络根据事先对已知故障放电特征学习形成的故障分类器，识别待识别故障放电特征并输出待识别故障放电类型；其中：所述CNN卷积本文档来自技高网...

【技术保护点】
1.一种特高压设备局部放电检测数据的判别方法，包括连续获取局部故障放电产生的超声波频率信号，其特征在于，所述判别方法包括：第一步：将连续的超声波频率信号经采样降至人耳可听到的连续声波频率信号；第二步：连续截取一个设定时间长度的帧声波频率信号；第三步：提取帧声波频率信号的梅尔频率倒谱系数作为待识别故障放电特征；第四步：将提取的待识别故障放电特征送入CNN卷积神经网络，经CNN卷积神经网络分析进入CNN卷积神经网络输出分类层的故障分类器；第五步：CNN卷积神经网络根据事先对已知故障放电特征学习形成的故障分类器，识别待识别故障放电特征并输出待识别故障放电类型；其中：所述CNN卷积神经网络根据事先对已知故障放电特征学习形成的故障分类器，是事先将已知多种故障放电类型的每一种类型采样分出多种超声波频率信号样本，按照上述第一步、第二步的顺序执行，并且在第三步中将提取帧声波频率信号的梅尔频率倒谱系数作为已知故障放电特征进行学习形成已知的故障分类器。

【技术特征摘要】
1.一种特高压设备局部放电检测数据的判别方法，包括连续获取局部故障放电产生的超声波频率信号，其特征在于，所述判别方法包括：第一步：将连续的超声波频率信号经采样降至人耳可听到的连续声波频率信号；第二步：连续截取一个设定时间长度的帧声波频率信号；第三步：提取帧声波频率信号的梅尔频率倒谱系数作为待识别故障放电特征；第四步：将提取的待识别故障放电特征送入CNN卷积神经网络，经CNN卷积神经网络分析进入CNN卷积神经网络输出分类层的故障分类器；第五步：CNN卷积神经网络根据事先对已知故障放电特征学习形成的故障分类器，识别待识别故障放电特征并输出待识别故障放电类型；其中：所述CNN卷积神经网络根据事先对已知故障放电特征学习形成的故障分类器，是事先将已知多种故障放电类型的每一种类型采样分出多种超声波频率信号样本，按照上述第一步、第二步的顺序执行，并且在第三步中将提取帧声波频率信号的梅尔频率倒谱系数作为已知故障放电特征进行学习形成已知的故障分类器。2.根据权利要求1所述的方法，其特征在于，所述连续截取一个设定时间长度的帧声波频率信号中，相邻帧声波频率信号部分重叠。3.根据权利要求1或2所述的方法，其特征在于，所述时间长度是20毫秒到40毫秒。4.根据权利要求1所述的方法，其特征在于，所述获取局部故障放电产生的超声波频率信号是由1MHz的采样频率采集获取的，然后，将每个超声波信号降采样至80kHz频率形成人耳可听到的连续声波频率信号。5.根据权利要求2所述的方法，其特征在于，当时别失败时，调整相邻帧声波频率信号部分重叠的重叠百分比，并对一个预先设置的重复识别累加器加1，然后返回第三步重新识别直至重复识别累...

【专利技术属性】
技术研发人员：朱太云，赵常威，王刘芳，叶剑涛，钱宇骋，杨为，甄超，季坤，
申请(专利权)人：国家电网有限公司，国网安徽省电力有限公司电力科学研究院，
类型：发明
国别省市：北京,11