基于人工智能的高压开关柜局部放电定位方法技术

本发明专利技术涉及局部放电检测技术领域，提出了基于人工智能的高压开关柜局部放电定位方法，包括：获取顶角的超声波信号；基于内涵模态分量的功率谱密度估计结果中的能量分布特征确定每个峰值频率的能量密度；根据功率谱密度估计结果中所有峰值频率的能量密度确定局部放电信号成分频率区间；根据内涵模态分量的局部放电信号成分频率区间确定真实信噪比；基于每个超声波信号包含的所有内涵模态分量的真实信噪比确定真实先验信噪比；基于真实先验信噪比得到有效超声波信号；根据高压开关柜所有顶角的有效超声波信号确定高压开关柜中局部放电的位置信息

【技术实现步骤摘要】
基于人工智能的高压开关柜局部放电定位方法


[0001]本专利技术涉及局部放电检测
，具体涉及基于人工智能的高压开关柜局部放电定位方法
。

技术介绍

[0002]高压开关柜是一种用于控制和保护高压电力设备的设备
。
它通常由开关
、
断路器
、
保险丝
、
隔离开关等组成，用于控制电力系统中的电流
、
电压和功率
。
其主要功能包括：断开和接通电路
、
保护电力设备
、
隔离电路以及测量和监测电力参数
。
高压开关柜广泛应用于电力系统
、
工矿企业
、
建筑
、
交通等领域，是电力设备的重要组成部分
。
[0003]高压开关柜局部放电是指在绝缘系统中的某个局部区域发生电击现象，通常由于绝缘材料的缺陷或损坏引起，可能引发电弧放电，产生高温和高能量的电弧，对开关柜和周围设备造成严重的损坏，同时局部放电也会导致电力系统中的能量损耗，降低系统的效率
。
常用的高压开关柜局部放电检测方法包括暂态电压检测法
、
超声波检测法等，其中暂态电压检测时通过局部放电时产生的暂态对地电压判断放电点的位置，暂态电压检测法的定位精度取决于暂态电压的采集效果，对采集仪器有较高的要求；而超声波检测法进行局部放电定位时，应用场景中噪声会影响接收的超声波信号，从影响最终定位效果
。
专利
技术实现思路

[0004]本专利技术提供基于人工智能的高压开关柜局部放电定位方法，以解决干扰噪声对超声波检测法定位局部放电位置时造成定位精度误差的问题，所采用的技术方案具体如下：本专利技术一个实施例基于人工智能的高压开关柜局部放电定位方法，该方法包括以下步骤：获取高压开关柜每个顶角的超声波信号；基于每个内涵模态分量的功率谱密度估计结果中的能量分布特征确定所述功率谱密度估计结果中每个峰值频率的能量密度；根据所述功率谱密度估计结果中所有峰值频率的能量密度确定每个内涵模态分量的局部放电信号成分频率区间；根据每个内涵模态分量的局部放电信号成分频率区间确定每个内涵模态分量的真实信噪比；基于每个顶角的超声波信号包含的所有内涵模态分量的真实信噪比确定每个顶角的超声波信号的真实先验信噪比；采用维纳滤波算法基于所述真实先验信噪比得到每个顶角的有效超声波信号；根据高压开关柜所有顶角的有效超声波信号确定高压开关柜中局部放电的位置信息
。
[0005]优选的，所述基于每个内涵模态分量的功率谱密度估计结果中的能量分布特征确定所述功率谱密度估计结果中每个峰值频率的能量密度的方法为：利用信号分解算法将每个顶角的超声波信号分解为预设数量个内涵模态分量；将所述每个内涵模态分量作为功率谱密度估计算法的输入得到所述每个内涵模态分量的功率谱密度估计结果；
将所述功率谱密度估计结果中每个极大值点对应的频率作为一个峰值频率，根据所述功率谱密度估计结果中每个峰值频率的局部密度确定所述功率谱密度估计结果中每个峰值频率的频率窗口；将每个峰值频率的功率谱密度值在所述每个峰值频率的频率窗口上的均值作为每个峰值频率的能量密度
。
[0006]优选的，所述根据所述功率谱密度估计结果中每个峰值频率的局部密度确定所述功率谱密度估计结果中每个峰值频率的频率窗口的方法为：将以所述功率谱密度估计结果中每个数据点的频率作为横坐标，每个数据点的功率谱密度估计值作为纵坐标构建的二维坐标系作为特征坐标系，获取所述功率谱密度估计结果中所有数据点在特征坐标系中的映射结果；采用密度峰值聚类算法基于所述映射结果得到每个数据点所在的聚类簇；基于每个峰值频率对应数据点所在聚类簇的类内距离确定每个峰值频率的频率窗口
。
[0007]优选的，所述基于每个峰值频率对应数据点所在聚类簇的类内距离确定每个峰值频率的频率窗口的方法为：将任意一个峰值频率对应数据点作为一个目标点，获取每个目标点与其所在聚类簇内其余数据之间欧氏距离的均值作为分子，将每个目标点与其所在聚类簇内其余数据之间欧氏距离的最大值作为分母，将分子与分母的比值作为频率扩散比例；将预设参数与频率扩散比例的差值作为第一比例系数，将预设参数与频率扩散比例的和作为第二比例系数；将每个峰值频率与第一比例系数乘积的取整结果作为频率下限，将每个峰值频率与第二比例系数乘积的取整结果作为频率上限，将频率下限和频率上限确定的频率区间作为每个峰值频率的频率窗口
。
[0008]优选的，所述根据所述功率谱密度估计结果中所有峰值频率的能量密度确定每个内涵模态分量的局部放电信号成分频率区间的方法为：分别获取每个内涵模态分量的功率谱密度估计结果中所有所述能量密度中最大值对应的峰值频率作为目标频率，将目标频率对应的频率窗口作为每个内涵模态分量的局部放电信号成分频率区间
。
[0009]优选的，所述根据每个内涵模态分量的局部放电信号成分频率区间确定每个内涵模态分量的真实信噪比的方法为：将每个去除
DC
直流分量
、
去除所述局部放电信号成分频率区间内的峰值频率后的内涵模态分量作为一个有效估计分量；将所述有效估计分量中峰值频率最大值对应的超声波波段上的功率和作为每个内涵模态分量的信号平均功率；将每个去除预设次谐波波段后的有效估计分量作为一个噪声估计分量；将每个噪声估计分量中所有频率对应功率的中值作为第一估计值；将第一估计值作为每个噪声估计分量中所有去除频率的功率值，将每个噪声估计分量中所有频率对应功率
、
所述所有去除频率的功率值的累加和作为每个内涵模态分量的噪声平均功率；基于每个内涵模态分量的信号平均功率与噪声平均功率得到每个内涵模态分量的真实信噪比
。
[0010]优选的，所述基于每个顶角的超声波信号包含的所有内涵模态分量的真实信噪比
确定每个顶角的超声波信号的真实先验信噪比的方法为：基于每个内涵模态分量的局部放电信号成分频率区间确定每个内涵模态分量的成分权重；将每个内涵模态分量的成分权重与每个内涵模态分量的真实信噪比的乘积作为第一累加因子；将第一累加因子在每个顶角的超声波信号包含的所有内涵模态分量上的累加结果作为每个顶角的超声波信号的真实先验信噪比
。
[0011]优选的，所述基于每个内涵模态分量的局部放电信号成分频率区间确定每个内涵模态分量的成分权重的方法为：将每个顶角的超声波信号包含的第一个内涵模态分量的局部放电信号成分频率区间占所述第一个内涵模态分量的频率区间的比例作为所述第一个内涵模态分量的成分权重；基于每个顶角的超声波信号包含的每个内涵模态分量的次序值确定所述每个内涵模态分量的权重因子；将所述第一个内涵模态分量的成分权重与所述每个内涵模态分量的权重因子的乘积作为所述每个内涵模态分量的成分权重
。
[0012]优选的，所述采用维纳滤波算法基于所述真实先验信噪比得到每个顶角的有效超声波信号的方法为：将每个顶角的超本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于人工智能的高压开关柜局部放电定位方法，其特征在于，该方法包括以下步骤：获取高压开关柜每个顶角的超声波信号；基于每个内涵模态分量的功率谱密度估计结果中的能量分布特征确定所述功率谱密度估计结果中每个峰值频率的能量密度；根据所述功率谱密度估计结果中所有峰值频率的能量密度确定每个内涵模态分量的局部放电信号成分频率区间；根据每个内涵模态分量的局部放电信号成分频率区间确定每个内涵模态分量的真实信噪比；基于每个顶角的超声波信号包含的所有内涵模态分量的真实信噪比确定每个顶角的超声波信号的真实先验信噪比；采用维纳滤波算法基于所述真实先验信噪比得到每个顶角的有效超声波信号；根据高压开关柜所有顶角的有效超声波信号确定高压开关柜中局部放电的位置信息
。2.
根据权利要求1所述的基于人工智能的高压开关柜局部放电定位方法，其特征在于，所述基于每个内涵模态分量的功率谱密度估计结果中的能量分布特征确定所述功率谱密度估计结果中每个峰值频率的能量密度的方法为：利用信号分解算法将每个顶角的超声波信号分解为预设数量个内涵模态分量；将所述每个内涵模态分量作为功率谱密度估计算法的输入得到所述每个内涵模态分量的功率谱密度估计结果；将所述功率谱密度估计结果中每个极大值点对应的频率作为一个峰值频率，根据所述功率谱密度估计结果中每个峰值频率的局部密度确定所述功率谱密度估计结果中每个峰值频率的频率窗口；将每个峰值频率的功率谱密度值在所述每个峰值频率的频率窗口上的均值作为每个峰值频率的能量密度
。3.
根据权利要求2所述的基于人工智能的高压开关柜局部放电定位方法，其特征在于，所述根据所述功率谱密度估计结果中每个峰值频率的局部密度确定所述功率谱密度估计结果中每个峰值频率的频率窗口的方法为：将以所述功率谱密度估计结果中每个数据点的频率作为横坐标，每个数据点的功率谱密度估计值作为纵坐标构建的二维坐标系作为特征坐标系，获取所述功率谱密度估计结果中所有数据点在特征坐标系中的映射结果；采用密度峰值聚类算法基于所述映射结果得到每个数据点所在的聚类簇；基于每个峰值频率对应数据点所在聚类簇的类内距离确定每个峰值频率的频率窗口
。4.
根据权利要求3所述的基于人工智能的高压开关柜局部放电定位方法，其特征在于，所述基于每个峰值频率对应数据点所在聚类簇的类内距离确定每个峰值频率的频率窗口的方法为：将任意一个峰值频率对应数据点作为一个目标点，获取每个目标点与其所在聚类簇内其余数据之间欧氏距离的均值作为分子，将每个目标点与其所在聚类簇内其余数据之间欧氏距离的最大值作为分母，将分子与分母的比值作为频率扩散比例；将预设参数与频率扩散比例的差值作为第一比例系数，将预设参数与频率扩散比例的和作为第二比例系数；将每个峰值频率与第一比例系数乘积的取整结果作为频率下限，将每个峰值频率与第二比例系数乘积的取整结果作为频率上限，将频率下限和频率上限确定的频率区间作为每
个峰值频率的频率窗口
。5.
根据权利要求1所述的基于人工智能的高压开关柜局部放电定位方法，其特征在于，所述根据所述功率谱密度估计结果中所有峰值频率的能量密度确定每个内涵模态分量的局部放电信号成分频率区间的方法为：分别获取每个内涵模态分量的功...

【专利技术属性】
技术研发人员：孙柳青，邹云平，
申请(专利权)人：川力电气有限公司，
类型：发明
国别省市：