一种基于深度学习的GIS设备局部放电检测系统技术方案

本发明专利技术提出一种基于深度学习的GIS设备局部放电检测系统，该系统包括：边缘层用于采集每一传感器节点采集的传感数据，并提取出传感特征向量，并发送压缩波形片段；雾计算层用于根据边缘层上传的传感数据，利用到达时间差算法，确定缺陷位置，并根据压缩波形片段和传感特征向量，结合双流可变形注意力卷积网络模型，得到缺陷类型以及置信度；云平台用于根据雾计算层上传的缺陷位置、缺陷类型、置信度，结合数字孪生仿真模型生成的虚拟训练数据，采用元学习方法实现对双流可变形注意力卷积网络模型的参数更新，并将更新后的参数发送给雾计算层。本发明专利技术提供了一种轻量型、成本低的GIS设备局部放电检测系统。

【技术实现步骤摘要】

本专利技术涉及局部放电识别，尤其涉及一种基于深度学习的gis设备局部放电检测系统。

技术介绍

1、气体绝缘金属封闭开关(gas lnsulated switchgear，简称gis)设备因其诸多优点在电力系统中广泛应用，gis设备在电力系统中发挥着重要的作用，gis设备会受到电、热、机械、环境等多种因素的作用，其内部会发生复杂的化学和物理变化，导致性能逐渐异化，局部放电是gis设备早期故障的重要征兆，及时准确检测局部放电对保障gis设备安全稳定运行意义重大。

2、在老旧变电站的改造项目中，可能存在大量需要检测的gis设备，一方面传统的、复杂且昂贵的gis设备局部放电检测系统会增加改造项目的成本，如果使用高成本的检测系统，大规模检测的费用会很高；另一方面，老旧变电站的空间布局可能比较复杂，而且改造过程中还可能存在其他设备的安装和调试工作同时进行，传统的、复杂且昂贵的gis设备局部放电检测系统并不适合在该环境下使用。

3、因此，亟需一种轻量型、成本低的gis设备局部放电检测系统。

技术实现思路

本文档来自技高网...

【技术保护点】

1.一种基于深度学习的GIS设备局部放电检测系统，其特征在于，所述检测系统包括边缘层、雾计算层和云平台，所述边缘层包括N个安装在GIS设备内部的传感器节点，所述雾计算层包括M个安装在变电站控制室的雾节点，每一传感器节点包括超高频传感器和超声波传感器，所述雾节点与所述传感器节点通过LoRA技术实现通信，所述雾节点通过5G切片技术与所述云平台实现通信，其中，M、N均为正整数，M小于N；

2.根据权利要求1所述的基于深度学习的GIS设备局部放电检测系统，其特征在于，所述压缩波形片段包括电磁波信号和超声波信号，所述双流可变形注意力卷积网络模型包括可变形卷积层、极化注意力模块、三维胶囊...

【技术特征摘要】

1.一种基于深度学习的gis设备局部放电检测系统，其特征在于，所述检测系统包括边缘层、雾计算层和云平台，所述边缘层包括n个安装在gis设备内部的传感器节点，所述雾计算层包括m个安装在变电站控制室的雾节点，每一传感器节点包括超高频传感器和超声波传感器，所述雾节点与所述传感器节点通过lora技术实现通信，所述雾节点通过5g切片技术与所述云平台实现通信，其中，m、n均为正整数，m小于n；

2.根据权利要求1所述的基于深度学习的gis设备局部放电检测系统，其特征在于，所述压缩波形片段包括电磁波信号和超声波信号，所述双流可变形注意力卷积网络模型包括可变形卷积层、极化注意力模块、三维胶囊网络层、自适应卷积层、可变形lstm网络、跨模态注意力层、全局平均池化层和全连接分类层，所述根据所述压缩波形片段和所述传感特征向量，结合双流可变形注意力卷积网络模型，得到缺陷类型以及置信度，步骤包括：

3.根据权利要求2所述的基于深度学习的gis设备局部放电检测系统，其特征在于，所述云平台还用于利用时域有限差分方法确定所述双流可变形注意力卷积网络模型在训练过程中的损失函数，具体步骤如下：

4.根据权利要求1所述的基于深度学习的gis设备局部放电检测系统，其特征在于，所述雾计算层还根据所述缺陷位置、所述缺陷类型和所述置信度、设备历史状态数据库，进行紧急程度评估和传输策略选择；

5.根据权利要求1所述的基于深度学习的g...

【专利技术属性】
技术研发人员：张国治，陈雷，黄元，张晓星，田双双，饶夏锦，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：