【技术实现步骤摘要】
一种电力设备的局部放电的检测方法、装置及设备
[0001]本专利技术涉及电力设备局放检测
，特别是指一种电力设备的局部放电的检测方法、装置及设备。
技术介绍
[0002]电力设备的绝缘在强电场作用下局部范围内发生的放电称为局部放电(partial discharges)，绝缘中的某些薄弱部位在高电场作用下发生局部放电是普遍存在的问题，在一定条件下会导致绝缘劣化甚至击穿，最终将导致设备的绝缘寿命降低，并直接影响设备在长期工作电压作用下的安全可靠运行。
[0003]目前局放类型基本可以归纳如下几类：内部气隙放电、沿面放电、尖端放电、悬浮放电以及颗粒放电五种类型。由于不同的类型的局放产生的机理不一样，从而导致其产生的危害行也不一样。因此准确识别设备是否存在局放，并且属于具体哪一种放电类型是一件非常重要的事情。
[0004]目前传统的局放检测方法主要有超声波法、高频、特高频法和暂态地电波法，主要是基于传感器采集到的单一特征通过简单规则匹配进行局放类型识别，存在识别精度不高，误判等问题。因此一些基于机器学习的算法被用到局放识别中来，以及近些年来一些基于神经网络的深度学习算法。但这些算法都需要大量的确定的局放故障类型标签去进行模型训练，并且算法都基本只识别发生故障后的局放数据，而不能进行是否存在异常放电进行识别。同时由于电力设备故障现状，即故障发生较少（故障发生会导致较大的经济损失），因此对应的故障数据类别存在严重不平衡。直接采用机器学习、深度学习等算法进行局放类型识别，精度上也会存在严重的有挑战。>
技术实现思路
[0005]本专利技术要解决的技术问题是提供一种电力设备的局部放电的检测方法、装置及设备，能在收集正常局部放电相位分布PRPD（Phase Resolved Partial Discharge）数据和少量局放故障类型PRPD数据的前提下，进行实时的PRPD局放是否异常以及具体局放类型的检测。
[0006]为解决上述技术问题，本专利技术的技术方案如下：一种电力设备的局部放电的检测方法，包括：获取电力设备的待检测局部放电相位分布数据；对所述待检测局部放电相位分布数据进行特征提取，获取待测特征样本集合；根据所述待测特征样本集合和电力设备历史正常状态的局放特征样本集合，得到目标数据集合；对所述目标数据集合进行降维处理，得到目标维度时序样本；对所述目标维度时序样本中的目标待检测局部放电相位分布数据进行异常检测，得到检测结果；
根据所述检测结果，进行所述电力设备的局部放电的异常模式识别，得到识别结果。
[0007]可选的，对所述待检测局部放电相位分布数据进行特征提取，获取待测特征样本集合，包括：对所述待检测局部放电相位分布数据进行等效时宽和等效时频、正负相位上的均值、局放正负相位的区别、正负相位的初始相位的区别、正负电压周期上的脉冲分布的区别、正负电压周期上放电模式的区别、图谱数据峰的数量中的至少一项特征提取，获取待测特征样本集合。
[0008]可选的，根据所述待测特征样本集合和电力设备历史正常状态的局放特征样本集合，得到目标数据集合，包括：将所述待测特征样本集合和电力设备历史正常状态的局放特征样本集合进行拼接，得到目标数据集合，所述目标数据集合表示为：；其中，为目标数据集合，N为的总行数，T为的总列数，表示实数域；为电力设备历史正常状态的局放特征样本集合；所述待测特征样本集合。
[0009]可选的，对所述目标数据集合进行降维处理，得到目标维度时序样本，包括：将从N维单位球面上生成均匀分布M条向量，按列排布，组成投影方向矩阵，投影后的数据为：，降维后Y所含的一特征列记为一元时序。
[0010]可选的，对所述目标维度时序样本中的目标待检测局部放电相位分布数据进行异常检测，得到检测结果，包括：获取预设滑动窗内的待检测局部放电相位分布数据的均值和标准差；根据所述均值和标准差，确定正常域；将所述目标维度时序样本的目标待检测局部放电相位分布数据与所述正常域比较，若超出所述正常域，确定所述待检测局部放电相位分布数据为异常数据，否则，确定电
力设备无局放产生。
[0011]可选的，根据所述检测结果，进行所述电力设备的局部放电的异常模式识别，得到识别结果，包括：根据所述电力设备的历史故障状态的局放特征样本集合，确定各类故障类型的聚类中心；根据所述检测结果，将确定为异常的所述待检测局部放电相位分布数据分别到多个聚类中心点的距离，若多个距离中的一最小目标距离小于一预设阈值，输出识别结果，所述识别结果为所述待检测局部放电相位分布数据的放电类型为所述目标最小距离对应的目标聚类对应的放电类型，否则，确定所述待检测局部放电相位分布数据为噪声干扰。
[0012]可选的，根据所述电力设备的历史故障状态的局放特征样本集合，确定各类故障类型的聚类中心，包括：基于所述电力设备的历史故障状态的局放特征样本集合，获取各类故障特征样本集合，表示一类故障标签对应样本，h表示故障标签；基于预设高维密度估计算法，获取样本集合X的中心，其中，h=1，2，3，
…
，n；分别为构造的各个特征。
[0013]本专利技术的实施例还提供一种电力设备的局部放电的检测装置，包括：获取模块，用于获取电力设备的待检测局部放电相位分布数据；处理模块，用于对所述待检测局部放电相位分布数据进行特征提取，获取待测特征样本集合；根据所述待测特征样本集合和电力设备历史正常状态的局放特征样本集合，得到目标数据集合；对所述目标数据集合进行降维处理，得到目标维度时序样本；对所述目标维度时序样本中的目标待检测局部放电相位分布数据进行异常检测，得到检测结果；根据所述检测结果，进行所述电力设备的局部放电的异常模式识别，得到识别结果。
[0014]本专利技术的实施例还提供一种计算设备，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如上所述的方法。
[0015]本专利技术的实施例还提供一种计算机可读存储介质，存储指令，当所述指令在计算机上运行时，使得计算机执行如上所述的方法。
[0016]本专利技术的上述方案至少包括以下有益效果：本专利技术的上述方案，通过获取电力设备的待检测局部放电相位分布数据；对所述待检测局部放电相位分布数据进行特征提取，获取待测特征样本集合；根据所述待测特征样本集合和电力设备历史正常状态的局放特征样本集合，得到目标数据集合；对所述目标数据集合进行降维处理，得到目标维度时序样本；对所述目标维度时序样本中的目标待检测局部放电相位分布数据进行异常检测，得到检测结果；根据所述检测结果，进行所述电力设备的局部放电的异常模式识别，得到识别结果；实现了在收集电力设备正常局部放电相位分布数据PRPD和少量局放故障类型PRPD图谱数据的前提下，可以据此进行实时的PRPD局放是否异常以及具体局放类型检测，能更加准确识别局放是否异常，从而决定是否进行局放类型识别，能在实际生产中提高效率，减少资源消耗。
[0017]附图说明
[0018]图1为本专利技术实施例提供的电力设备的局部放电的检测方法流本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种电力设备的局部放电的检测方法，其特征在于，包括：获取电力设备的待检测局部放电相位分布数据；对所述待检测局部放电相位分布数据进行特征提取，获取待测特征样本集合；根据所述待测特征样本集合和电力设备历史正常状态的局放特征样本集合，得到目标数据集合；对所述目标数据集合进行降维处理，得到目标维度时序样本；对所述目标维度时序样本中的目标待检测局部放电相位分布数据进行异常检测，得到检测结果；根据所述检测结果，进行所述电力设备的局部放电的异常模式识别，得到识别结果。2.根据权利要求1所述的电力设备的局部放电的检测方法，其特征在于，对所述待检测局部放电相位分布数据进行特征提取，获取待测特征样本集合，包括：对所述待检测局部放电相位分布数据进行等效时宽和等效时频、正负相位上的均值、局放正负相位的区别、正负相位的初始相位的区别、正负电压周期上的脉冲分布的区别、正负电压周期上放电模式的区别、图谱数据峰的数量中的至少一项特征提取，获取待测特征样本集合。3.根据权利要求1所述的电力设备的局部放电的检测方法，其特征在于，根据所述待测特征样本集合和电力设备历史正常状态的局放特征样本集合，得到目标数据集合，包括：将所述待测特征样本集合和电力设备历史正常状态的局放特征样本集合进行拼接，得到目标数据集合，所述目标数据集合表示为：；其中，为目标数据集合，N为的总行数，T为的总列数，表示实数域；为电力设备历史正常状态的局放特征样本集合；所述待测特征样本集合。4.根据权利要求3所述的电力设备的局部放电的检测方法，其特征在于，对所述目标数据集合进行降维处理，得到目标维度时序样本，包括：将从N维单位球面上生成均匀分布M条向量，按列排布，组成投影方向矩阵，投影后的数据为：，降维后Y所含的任一特征列记为一元时序
。5.根据权利要求4所述的电力设备的局部放电的检测方法，其特征在于，对所述目标维度时序样本中的目标待检测局部放电相位分布数据进行异常检测，得到检测结果，包括：获取预设滑动窗内的待检测局部放电相位分布数据的均值和标准差；根据所述均值和标准差，确定正常域；将所述目标维度时序样本的目标待检测局部放电相...
【专利技术属性】
技术研发人员：白朋，严川，张博，
申请(专利权)人：云智慧北京科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。