本发明专利技术公开了一种电气设备放电类型确定方法、装置、设备和介质，包括：根据待测电气设备中设置的N个光信号传感器获取的光脉冲的总次数以及光脉冲的单次数确定每个光信号传感器的脉冲次数占比；根据每个光信号传感器的最大光强值以及最大光强值之和确定每个光信号传感器的最大光强占比；根据每个光信号传感器的平均光强值以及平均光强值之和确定每个光信号传感器的平均光强占比；将脉冲次数占比、最大光强占比和平均光强占比导入预设神经网络，确定待测电气设备的放电类型。本发明专利技术利用训练完成的预设神经网络识别待检测电气设备中的局部放电类型，不仅能够识别电气设备中局部放电类型，还能够基于神经网络的运算特点提高局部放电类型的识别效率。高局部放电类型的识别效率。高局部放电类型的识别效率。
【技术实现步骤摘要】
一种电气设备放电类型确定方法、装置、设备和介质
[0001]本专利技术涉及电气设备检测领域，尤其涉及一种电气设备放电类型确定方法、装置、设备和介质。
技术介绍
[0002]电气设备其安全可靠运行是保证电能稳定、可靠供应的基础。在电气设备所有的故障类型中，绝缘性故障占有很大的比例，而局部放电是引发绝缘缺陷发展为绝缘故障的最主要原因。
[0003]不同类型的局部放电对应的维修方式有所区别，根据局部放电的类型可以对电气设备进行精准维修，而如何检测电气设备的局部放电类型是亟待解决的问题。
技术实现思路
[0004]本申请实施例通过提供一种电气设备放电类型确定方法、装置、设备和介质，解决了现有技术中识别电气设备中局部放电类型困难的技术问题，实现了能够准确识别电气设备中局部放电类型的技术效果。
[0005]第一方面，本申请提供了一种电气设备放电类型确定方法，方法包括：
[0006]根据待测电气设备中设置的N个光信号传感器在预设时间内获取的光脉冲的总次数，以及每个光信号传感器在预设时间内获取的光脉冲的单次数，确定每个光信号传感器对应的脉冲次数占比，N个光信号传感器分别用于检测不同带宽的光脉冲，N为大于等于2的正整数；
[0007]根据N个光信号传感器对应的最大光强值之和，以及每个光信号传感器对应的最大光强值，确定每个光信号传感器对应的最大光强占比；
[0008]根据N个光信号传感器对应的平均光强值之和，以及每个光信号传感器对应的平均光强值，确定每个光信号传感器对应的平均光强占比；
[0009]将N个光信号传感器分别对应的脉冲次数占比、最大光强占比和平均光强占比导入预设神经网络，确定待测电气设备的放电类型。
[0010]进一步地，确定每个光信号传感器对应的最大光强值，包括：
[0011]根据每个光信号传感器在预设时间内检测的每个光脉冲的脉冲幅值，确定预设时间内每个光脉冲对应的光强值；
[0012]根据预设时间内所有光脉冲对应的光强值，确定每个光信号传感器在预设时间内对应的最大光强值。
[0013]进一步地，确定每个光信号传感器对应的平均光强值，包括：
[0014]根据预设时间内所有光脉冲对应的光强值，确定每个光信号传感器在预设时间内对应的平均光强值。
[0015]进一步地，根据每个光信号传感器在预设时间内检测的每个光脉冲的脉冲幅值，确定预设时间内每个光脉冲对应的光强值，包括：
[0016]根据预设时间内检测的每个光脉冲的脉冲幅值以及预设时间的时长，确定预设时间内每个光脉冲对应的光强值；或，
[0017]根据预设时间内检测的每个光脉冲的能量累计确定预设时间内每个光脉冲对应的光强值。
[0018]进一步地，训练预设神经网络的方法，包括：
[0019]获取Q个光信号传感器所得到的W种放电类型的K个样本，每个样本中包括同一光信号传感器在目标时长内对应的脉冲次数占比、最大光强占比和平均光强占比，Q＝N，W为正整数，K为正整数；
[0020]初始化初始神经网络的超参数，超参数包括输入节点的数量、输出节点的数量、隐藏节点的数量、学习速率以及预设误差阈值中的至少一种参数；
[0021]将K个样本导入初始神经网络，得到与K个样本分别对应的K个输出值，根据每个输出值及其对应的样本的放电类型和预设误差阈值，确定K个输出值是否均合格；
[0022]当K个输出值中有至少一个输出值不合格时，调整初始神经网络的超参数，得到更新后的初始神经网络，将K个样本重新导入更新后的初始神经网络，得到更新后的K个输出值，并判断更新后的K个输出值是否均合格；
[0023]若更新后的K个输出值均合格，则将更新后的初始神经网络作为预设神经网络。
[0024]进一步地，输入节点的数量与光信号传感器的数量相同，输出节点的数量与放电类型的种类数量相同。
[0025]进一步地，调整初始神经网络的超参数，得到更新后的初始神经网络，包括：
[0026]调整初始神经网络的隐藏节点中的权值与阈值，得到更新后的初始神经网络。
[0027]第二方面，本申请提供了一种电气设备放电类型确定装置，装置包括：
[0028]脉冲次数占比确定模块，用于根据待测电气设备中设置的N个光信号传感器在预设时间内获取的光脉冲的总次数，以及每个光信号传感器在预设时间内获取的光脉冲的单次数，确定每个光信号传感器对应的脉冲次数占比，N个光信号传感器分别用于检测不同带宽的光脉冲，N为大于等于2的正整数；
[0029]最大光强占比确定模块，用于根据N个光信号传感器对应的最大光强值之和，以及每个光信号传感器对应的最大光强值，确定每个光信号传感器对应的最大光强占比；
[0030]平均光强占比确定模块，用于根据N个光信号传感器对应的平均光强值之和，以及每个光信号传感器对应的平均光强值，确定每个光信号传感器对应的平均光强占比；
[0031]放电类型确定模块，用于将N个光信号传感器分别对应的脉冲次数占比、最大光强占比和平均光强占比导入预设神经网络，确定待测电气设备的放电类型。
[0032]第三方面，本申请提供了一种电子设备，包括：
[0033]处理器；
[0034]用于存储处理器可执行指令的存储器；
[0035]其中，处理器被配置为执行以实现如第一方面提供的一种电气设备放电类型确定方法。
[0036]第四方面，本申请提供了一种非临时性计算机可读存储介质，当存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行实现如第一方面提供的一种电气设备放电类型确定方法。
[0037]本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
[0038]本申请实施例通过在待检测电气设备中设置N个能检测不同带宽的光脉冲的光信号传感器，并分别获取N个光信号传感器对应的脉冲次数占比、最大光强占比以及平均光强占比，并将N个光信号传感器分别对应的N组脉冲次数占比、最大光强占比以及平均光强占比导入已训练完成的预设神经网络中，通过预设神经网络判断待检测电气设备中的局部放电类型。本申请利用训练完成的预设神经网络识别待检测电气设备中的局部放电类型，不仅能够识别电气设备中局部放电类型，还能够基于神经网络的运算特点提高局部放电类型的识别效率。在预设神经网络识别出电气设备中的局部放电类型后，相关工作人员可以采用放电类型对应的维修方式对电气设备进行精准维修，进而可以在局部放电将绝缘缺陷发展为绝缘故障之前，对其进行干预，进而减小电气设备出现绝缘故障的概率，从而提高了电气设备运行的可靠性。
附图说明
[0039]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0040]图1为本申请提供的一种电气设备放本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种电气设备放电类型确定方法，其特征在于，所述方法包括：根据待测电气设备中设置的N个光信号传感器在预设时间内获取的光脉冲的总次数，以及每个光信号传感器在所述预设时间内获取的光脉冲的单次数，确定每个光信号传感器对应的脉冲次数占比，所述N个光信号传感器分别用于检测不同带宽的光脉冲，N为大于等于2的正整数；根据所述N个光信号传感器对应的最大光强值之和，以及每个光信号传感器对应的最大光强值，确定每个光信号传感器对应的最大光强占比；根据所述N个光信号传感器对应的平均光强值之和，以及每个光信号传感器对应的平均光强值，确定每个光信号传感器对应的平均光强占比；将所述N个光信号传感器分别对应的脉冲次数占比、最大光强占比和平均光强占比导入预设神经网络，确定所述待测电气设备的放电类型。2.如权利要求1所述的方法，其特征在于，确定每个光信号传感器对应的最大光强值，包括：根据每个光信号传感器在所述预设时间内检测的每个光脉冲的脉冲幅值，确定所述预设时间内每个光脉冲对应的光强值；根据所述预设时间内所有光脉冲对应的光强值，确定每个光信号传感器在所述预设时间内对应的最大光强值。3.如权利要求2所述的方法，其特征在于，确定每个光信号传感器对应的平均光强值，包括：根据所述预设时间内所有光脉冲对应的光强值，确定每个光信号传感器在所述预设时间内对应的平均光强值。4.如权利要求2所述的方法，其特征在于，所述根据每个光信号传感器在所述预设时间内检测的每个光脉冲的脉冲幅值，确定所述预设时间内每个光脉冲对应的光强值，包括：根据所述预设时间内检测的每个光脉冲的脉冲幅值以及所述预设时间的时长，确定所述预设时间内每个光脉冲对应的光强值；或，根据所述预设时间内检测的每个光脉冲的能量累计确定所述预设时间内每个光脉冲对应的光强值。5.如权利要求1所述的方法，其特征在于，训练所述预设神经网络的方法，包括：获取Q个光信号传感器所得到的W种放电类型的K个样本，每个样本中包括同一光信号传感器在目标时长内对应的脉冲次数占比、最大光强占比和平均光强占比，Q＝N，W为正整数，K为正整数；初始化初始神经网络的超参数，所述超参数包括输入节点的数量、输出节点的数量、隐藏节点的数量、学习速率以及预设误差阈值中的至少一种参数；将所述K个样本导入所...
【专利技术属性】
技术研发人员：钟实，殷红成，丁继亚，程曦，黄亚军，邱军，黄剑凯，程刚，连丽珍，
申请(专利权)人：武汉钢铁有限公司，
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。