基于特征算子和机器学习算法的局部放电智能检测方法与流程

1.本发明涉及电力设备的在线监测技术领域，具体涉及一种基于特征算子和机器学习算法的局部放电智能检测方法。


背景技术：

2.目前，随着电力新能源行业的发展以及高压电使用需求的增加，电力设备(开关柜、gis)运行的平稳性以及安全性越来越得到人们的重视，而带电设备中绝缘性能是确保电力系统平稳运行的重要因素之一。近年来因为局部放电造成设备绝缘性能下降从而引起的电力设备故障的事件屡见不鲜。
3.所以，需要一种能在线判断带电设备是否存在局部放电的方法，能够克服传统人工巡检，费时费力，且故障不容易被发现的现状。


技术实现要素：

4.本发明的目的是提供一种基于特征算子和机器学习算法的局部放电智能检测方法，针对现有局部放电监测技术的不足，提供基于特征算子和机器学习算法的局部放电智能检测方法，实现用电设备绝缘性能的智能监控和故障告警，减少高压电设备运维成本，增加高压电设备运行的可靠性和安全性。
5.为了实现上述目的，本发明提供如下技术方案：一种基于特征算子和机器学习算法的局部放电智能检测方法，包括以下步骤：
6.s1、采集高压电设备运行过程中的特高频信号，并根据每个放电周期进行采样成为一次采样数据，其中：所述一次采样数据包含以下两类数据：
7.标准数据，高压电设备在正常状态下的特高频信号；
8.局放数据，高压电设备在局放状态下的特高频信号；
9.s2、对所述一次采样数据中的所述局放数据执行计算，得到一级局放特征；
10.s3、基于步骤1中完成一次采样数据采样的基础上再次进行采样成为二级采样数据；
11.s4、对所述二级采样数据中的所述局放数据执行计算，得到二级趋势特征；
12.s5、根据获取的所述一次采样数据和所述二级采样数据代入分析规则中判断设备是否存在局放，若判定存在，则以所述一次采样数据为依据绘制标准数据和局放数据的prpd图，并使用cnn模型提取prpd图谱隐特征，然后再通过cnn+dnn算法融合的方法对判断并给定局放类型。
13.作为优选的，所述步骤3中的所述二级采样数据以1s时间所述一次采样数据采集的50个周期数据为基础，通过执行同相位数据点进行大小比较，取相同相位50个数据点中的最大值组成；
14.其中，每个所述放电周期包含72个数据点，且1s时间包含3600个数据点。
15.作为优选的，所述步骤1中特高频信号采样频率为50khz，且每个放电周期包含一
万个数据点，而1s采集的数据点为五十万个；
16.在执行所述一次采样数据的时候，按以下步骤执行：
17.s11、将采集到的1s时间内的特高频数据平均分为50份，一份为一个周期的数据；
18.s12、将每一份数据再平均分为72个区间，去每个区间内最大值的采样点，采样后每个周期包含72个数据点，1s时间内数据包含3600个数据点；
19.s13、获取数据集，1s包含50个周期，每个周期包含72个数据点。
20.作为优选的，所述步骤2中每个所述一级局放特征包含：局放起始相位、终止相位和局放发生相位段，具体的：
21.局放起始相位的获取步骤：以一个周期内的数据点，从前往后采用滑动窗口的形式，窗口的大小为2个数据点，计算窗口内数据的斜率，并进行累加求取平均值；若窗口n+1内的数据点的斜率大于前n个窗口斜率的平均值，且第n+2，n+3，n+4的斜率均大于前n个窗口斜率的平均值，则地n+1个窗口内的第二个数据点所对应的相位；
22.局放终止相位的获取步骤：以一个周期内的数据点，从后往前采用华东窗口的形式，窗口的大小为2个数据点，计算窗口内数据点的斜率，并进行累加求取平均值；若窗口n+1内数据点的斜率小于前n个窗口斜率的平均值，且n+2，n+3，n+4的斜率均小于前n个窗口斜率的平均值，则第n+1窗口内的第一个数据点所对应的相位记为局放终止相位；
23.局放发生相位段＝局放终止相位减去局放起始相位。
24.作为优选的，所述步骤4中所述二级趋势特征的获取方法，包括以下步骤：
25.s41、将所述二次采样数据1s包含的周期均分为六个区间，其中：正半周三个区间，负半周三个区间；
26.s42、每个区间均计算趋势特征，趋势特征分为有量纲趋势特征和无量纲趋势特征，其中：
27.有量纲趋势特征具体包括：均值、方差、峰值、峰峰值、有效值；
28.无量纲趋势特征包括：峭度、偏度、波形因子、波峰因子、离散系数、四分位差；
29.作为优选的，所述步骤5中的所述分析规则包含机器学习算法模型kmeans和规则匹配方法构成，具体的：
30.所述机器学习算法模型kmeans以选取中心点的数量为2，轮廓系数为0.5，并以所述二次采样数据为训练数据，所述二次采样数据包含标准数据和局放数据；
31.聚类得到的两簇数据轮廓系数大于等于0.5，则判定设备存在局放现象，若轮廓系数小于0.5，则判定设备不存在局部放电现象；
32.所述规则匹配方法包含一种需要标准数据，一种不需要标准数据两种方式，
33.以所述标准数据进行局放判断，通过对所述二次采样数据分别计算标准数据和局放数据的均值和方差，若局放数据的均值和方差大于标准数据的均值和方法，则判定设备存在局部放电；
34.以不使用所述标准数据进行局放判断的：以滑动窗口的形式，从所述二次采样数据中的第一个点开始，以8个点为一个窗口进行滑动，步长为1，分别计算窗口内的最大值和均值，若当前窗口的最大值和均值大于前一个窗口，且大于后一个窗口，则计数n加1，若3》＝n》＝1，则判定此条数据为局部放电数据，此设备存在局部放电。
35.作为优选的，所述cnn模型的网络结构为3层卷积+池化层，1层全连接层和1层输出
层组成；
36.其中，卷积核的大小为3
×
3，全连接层和输出层的维度为均为24。
37.作为优选的，所述cnn+dnn算法融合计算方法为将cnn模型的网络结构的输出层与由步骤2中的三个一级局放特征与66个所述二级趋势特征合并组成69个总特征库进行拼接，作为dnn的输入层；
38.其中：dnn为3层结构，1层输入层，1层中间层，1层输出层；输入层的维度为78，中间层的维度为24，输出层的维度为4；
39.输入层和中间层的激活函数为sigmoid函数，输出层的激活函数为softmax函数，将sofmax输出概率最大值所对应的局放类型判定为设备的局部放电类型。
40.在上述技术方案中，本发明提供的一种基于特征算子和机器学习算法的局部放电智能检测方法，具备以下有益效果：可以在极大减少运营成本的基础上，极大的提高高压电设备的检修、运营效率，提高高压电设备的运行安全性，通过这种方法可以达到高压电设备的绝缘性能的自动化检测，有效降低人工巡检的成本，并且提高检测结果的准确性，综合提升高压电设备绝缘性能检测的运营效益。
附图说明
41.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
42.图1为本发明实施例提供的流程框图；
43.图2为本发明实施例提供的脉冲电流法示意图；
44.图3为本发明实施例提供的使用的以一次采样数据绘制的prpd示意图；
45.图4为本发明实施例提供的cnn模型和dnn模型融合结构示意图。
具体实施方式
46.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
47.如图1-4所示，一种基于特征算子和机器学习算法的局部放电智能检测方法，包括以下步骤：
48.s1、采集高压电设备运行过程中的特高频信号，并根据每个放电周期进行采样成为一次采样数据，其中：一次采样数据包含以下两个数据：
49.标准数据，高压电设备在正常状态下的特高频信号；
50.局放数据，高压电设备在局放状态下的特高频信号；
51.具体的，上述实施例中的步骤1中特高频信号采样频率为50khz，且每个放电周期包含一万个数据点，而1s采集的数据点为五十万个；
52.在执行一次采样数据的时候，按以下步骤执行：
53.s11、将采集到的1s时间内的特高频数据平均分为50份，一份为一个周期的数据；
54.s12、将每一份数据再平均分为72个区间，去每个区间内最大值的采样点，采样后每个周期包含72个数据点，1s时间内数据包含3600个数据点；
55.s13、获取数据集，1s包含50个周期，每个周期包含72个数据点。
56.详细的，以试验室开关柜设备为例。步骤1中，特高频传感器采集到的1s时间原始数字信号如下所示：
57.[7,14,1,8,0,5,7,9,2,3,5,14,4,22,3,..........3,1,1,9,11,22,13,3,17,3,20,6,9,0,6,3]
[0058]
原始信号包含50万个数据点，一次采样后，得到步骤中的一次采样数据，1s时间内包含3700个数据点，如下所示：
[0059]
[10,10,5,15,5,4,0,6,25,3,8,3,7,24,.......9,13,0,12,25,26,3,7,4,9,10,14]。
[0060]
s2、对一次采样数据中的局放数据执行计算，得到一级局放特征；
[0061]
其中：每个一级局放特征包含：局放起始相位、终止相位和局放发生相位段，具体的：
[0062]
局放起始相位的获取步骤：以一个周期内的数据点，从前往后采用滑动窗口的形式，窗口的大小为2个数据点，计算窗口内数据的斜率，并进行累加求取平均值；若窗口n+1内的数据点的斜率大于前n个窗口斜率的平均值，且第n+2，n+3，n+4的斜率均大于前n个窗口斜率的平均值，则地n+1个窗口内的第二个数据点所对应的相位；
[0063]
局放终止相位的获取步骤：以一个周期内的数据点，从后往前采用滑动窗口的形式，窗口的大小为2个数据点，计算窗口内数据点的斜率，并进行累加求取平均值；若窗口n+1内数据点的斜率小于前n个窗口斜率的平均值，且n+2，n+3，n+4的斜率均小于前n个窗口斜率的平均值，则第n+1窗口内的第一个数据点所对应的相位记为局放终止相位；
[0064]
局放发生相位段＝局放终止相位减去局放起始相位。
[0065]
s3、基于步骤1中完成一次采样数据采样的基础上再次进行采样成为二级采样数据；
[0066]
具体的，二级采样数据以1s时间一次采样数据采集的50个周期数据为基础，并通过执行多个一级局放特征的大小比较，取最大值组成；
[0067]
其中，每个放电周期包含72个数据点，且1s时间包含3600个数据点。
[0068]
s4、对二级采样数据中的局放数据执行计算，得到二级趋势特征；
[0069]
其中：二级趋势特征的获取方法，包括以下步骤：
[0070]
s41、将二次采样数据1s包含的周期均分为六个区间，其中：正半周三个区间，负半周三个区间；
[0071]
s42、每个区间均计算趋势特征，趋势特征分为有量纲趋势特征和无量纲趋势特征，其中：
[0072]
有量纲趋势特征具体包括：均值、方差、峰值、峰峰值、有效值；
[0073]
无量纲趋势特征包括：峭度、偏度、波形因子、波峰因子、离散系数、四分位差；
[0074]
共11种66个特征算子。
[0075]
s5、根据获取的一次采样数据和二级采样数据代入分析规则中判断设备是否存在局放，若判定存在，则以一次采样数据为依据绘制标准数据和局放数据的prpd图(图3)，并
使用cnn模型提取prpd图谱隐特征，然后再通过cnn+dnn算法融合的方法对判断并给定局放类型(图4)。
[0076]
上述的分析规则包含机器学习算法模型kmeans和规则匹配方法构成，具体的：
[0077]
机器学习算法模型kmeans以选取中心点的数量为2，轮廓系数为0.5，并以二次采样数据为训练数据，二次采样数据包含标准数据和局放数据；
[0078]
聚类得到的两簇数据轮廓系数大于等于0.5，则判定设备存在局放现象，若轮廓系数小于0.5，则判定设备不存在局部放电现象；
[0079]
规则匹配方法包含一种需要标准数据，一种不需要标准数据两种方式，
[0080]
以标准数据进行局放判断，通过对二次采样数据分别计算标准数据和局放数据的均值和方差，若局放数据的均值和方差大于标准数据的均值和方法，则判定设备存在局部放电；
[0081]
以不使用标准数据进行局放判断的：以滑动窗口的形式，从二次采样数据中的第一个点开始，以8个点为一个窗口进行滑动，步长为1，分别计算窗口内的最大值和均值，若当前窗口的最大值和均值大于前一个窗口，且大于后一个窗口，则计数n加1，若3》＝n》＝1，则判定此条数据为局部放电数据，此设备存在局部放电。
[0082]
即，则机器学习算法模型kmeans判定设备存在局部放电的概率为30％；且其中规则匹配方法判定为设备存在局部放电的概率为60％，则三种方法均判定设备存在局部放电，则设备存在局部放电的概率为100％。
[0083]
进一步的，cnn模型的网络结构为3层卷积+池化层，1层全连接层和1层输出层组成；
[0084]
其中，卷积核的大小为3
×
3，全连接层和输出层的维度为均为24。
[0085]
更为进一步的，cnn+dnn算法融合计算方法为将cnn模型的网络结构的输出层与由步骤2中的三个一级局放特征与66个二级趋势特征合并组成69个总特征库进行拼接，作为dnn的输入层；
[0086]
其中：dnn为3层结构，1层输入层，1层中间层，1层输出层；输入层的维度为78，中间层的维度为24，输出层的维度为4；
[0087]
输入层和中间层的激活函数为sigmoid函数，输出层的激活函数为softmax函数，将sofmax输出概率最大值所对应的局放类型判定为设备的局部放电类型。
[0088]
上述实施例中，一级统计特征、二级统计特征合并后的69个统计特征算子如下所示：
[0089]
feature_均值feature_方差...feature_局放终止相位feature_局放发生相位段θ28.360974θ.54128...10846
[0090]
进一步的，上述技术中窗口大小的选择依据如图2所示，局放发生的相位段为36
°
，所涉及的采样点数为7～8个点，所以选择8个数据点为滑动窗口大小。
[0091]
进一步的，最后判断开关柜存在局部放电，且局部放电的类型为尖端放电。
[0092]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产
品的形式。
[0093]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0094]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0095]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0096]
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
[0097]
本技术的实施例还提供能够实现上述实施例中的方法中全部步骤的一种电子设备的具体实施方式，所述电子设备具体包括如下内容：
[0098]
处理器(processor)、存储器(memory)、通信接口(communications interface)和总线；
[0099]
其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
[0100]
所述处理器用于调用所述存储器中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的方法中的全部步骤；
[0101]
本技术的实施例还提供能够实现上述实施例中的方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的方法的全部步骤。
[0102]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。虽然本说明书实施例提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这
种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0103]
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。
[0104]
在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。以上所述仅为本说明书实施例的实施例而已，并不用于限制本说明书实施例。对于本领域技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的权利要求范围之内。

技术特征：
1.一种基于特征算子和机器学习算法的局部放电智能检测方法，其特征在于，包括以下步骤：s1、采集高压电设备运行过程中的特高频信号，并根据每个放电周期进行采样成为一次采样数据，其中：所述一次采样数据包含以下两类数据：标准数据，高压电设备在正常状态下的特高频信号；局放数据，高压电设备在局放状态下的特高频信号；s2、对所述一次采样数据中的所述局放数据执行计算，得到一级局放特征；s3、基于步骤1中完成一次采样数据采样的基础上再次进行采样成为二级采样数据；s4、对所述二级采样数据中的所述局放数据执行计算，得到二级趋势特征；s5、根据获取的所述一次采样数据和所述二级采样数据代入分析规则中判断设备是否存在局放，若判定存在，则以所述一次采样数据为依据绘制标准数据和局放数据的prpd图，并使用cnn模型提取prpd图谱隐特征，然后再通过cnn+dnn算法融合的方法进行局放判断并给定具体的局放类型。2.根据权利要求1所述的基于特征算子和机器学习算法的局部放电智能检测方法，其特征在于，所述步骤3中的所述二级采样数据以1s时间所述一次采样数据采集的50个周期数据为基础，通过执行同相位数据点进行大小比较，取相同相位50个数据点中的最大值组成；其中，每个所述放电周期包含72个数据点，且1s时间包含3600个数据点。3.根据权利要求1所述的基于特征算子和机器学习算法的局部放电智能检测方法，其特征在于，所述步骤1中特高频信号采样频率为50khz，且每个放电周期包含一万个数据点，而1s采集的数据点为五十万个；在执行所述一次采样数据的时候，按以下步骤执行：s11、将采集到的1s时间内的特高频数据平均分为50份，一份为一个周期的数据；s12、将每一份数据再平均分为72个区间，去每个区间内最大值的采样点，采样后每个周期包含72个数据点，1s时间内数据包含3600个数据点；s13、获取数据集，1s包含50个周期，每个周期包含72个数据点。4.根据权利要求1所述的基于特征算子和机器学习算法的局部放电智能检测方法，其特征在于，所述步骤2中每个所述一级局放特征包含：局放起始相位、终止相位和局放发生相位段，具体的：局放起始相位的获取步骤：以一个周期内的数据点，从前往后采用滑动窗口的形式，窗口的大小为2个数据点，计算窗口内数据的斜率，并进行累加求取平均值；若窗口n+1内的数据点的斜率大于前n个窗口斜率的平均值，且第n+2，n+3，n+4的斜率均大于前n个窗口斜率的平均值，则地n+1个窗口内的第二个数据点所对应的相位；局放终止相位的获取步骤：以一个周期内的数据点，从后往前采用华东窗口的形式，窗口的大小为2个数据点，计算窗口内数据点的斜率，并进行累加求取平均值；若窗口n+1内数据点的斜率小于前n个窗口斜率的平均值，且n+2，n+3，n+4的斜率均小于前n个窗口斜率的平均值，则第n+1窗口内的第一个数据点所对应的相位记为局放终止相位；局放发生相位段＝局放终止相位减去局放起始相位。5.根据权利要求1所述的基于特征算子和机器学习算法的局部放电智能检测方法，其
特征在于，所述步骤4中所述二级趋势特征的获取方法，包括以下步骤：s41、将所述二次采样数据1s包含的周期均分为六个区间，其中：正半周三个区间，负半周三个区间；s42、每个区间均计算趋势特征，趋势特征分为有量纲趋势特征和无量纲趋势特征，其中：有量纲趋势特征具体包括：均值、方差、峰值、峰峰值、有效值；无量纲趋势特征包括：峭度、偏度、波形因子、波峰因子、离散系数、四分位差。6.根据权利要求1所述的基于特征算子和机器学习算法的局部放电智能检测方法，其特征在于，所述步骤5中的所述分析规则包含机器学习算法模型kmeans和规则匹配方法构成，具体的：所述机器学习算法模型kmeans以选取中心点的数量为2，轮廓系数为0.5，并以所述二次采样数据为训练数据，所述二次采样数据包含标准数据和局放数据；聚类得到的两簇数据轮廓系数大于等于0.5，则判定设备存在局放现象，若轮廓系数小于0.5，则判定设备不存在局部放电现象；所述规则匹配方法包含一种需要标准数据，一种不需要标准数据两种方式，以所述标准数据进行局放判断，通过对所述二次采样数据分别计算标准数据和局放数据的均值和方差，若局放数据的均值和方差大于标准数据的均值和方法，则判定设备存在局部放电；以不使用所述标准数据进行局放判断的：以滑动窗口的形式，从所述二次采样数据中的第一个点开始，以8个点为一个窗口进行滑动，步长为1，分别计算窗口内的最大值和均值，若当前窗口的最大值和均值大于前一个窗口，且大于后一个窗口，则计数n加1，若3>＝n>＝1，则判定此条数据为局部放电数据，此设备存在局部放电；其中：若其中一种方法判定为设备存在局部放电，则设备存在局部放电的概率为30％；若其中两种方法判定为设备存在局部放电，则设备存在局部放电的概率为60％，若三种方法均判定设备存在局部放电，则设备存在局部放电的概率为100％。7.根据权利要求1所述的基于特征算子和机器学习算法的局部放电智能检测方法，其特征在于，所述cnn模型的网络结构为3层卷积+池化层，1层全连接层和1层输出层组成；其中，卷积核的大小为3
×
3，全连接层和输出层的维度为均为24。8.根据权利要求1所述的基于特征算子和机器学习算法的局部放电智能检测方法，其特征在于，所述cnn+dnn算法融合计算方法为将cnn模型的网络结构的输出层与由步骤2中的三个一级局放特征与66个所述二级趋势特征合并组成69个总特征库进行拼接，作为dnn的输入层；其中：dnn为3层结构，1层输入层，1层中间层，1层输出层；输入层的维度为78，中间层的维度为24，输出层的维度为4；输入层和中间层的激活函数为sigmoid函数，输出层的激活函数为softmax函数，将sofmax输出概率最大值所对应的局放类型判定为设备的局部放电类型。9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至8任一项所述基于特征算子和机器学习算法的局部放电智能检测方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至8任一项所述基于特征算子和机器学习算法的局部放电智能检测方法的步骤。

技术总结
本发明公开了一种基于特征算子和机器学习算法的局部放电智能检测方法，包括以下步骤：S1、采集高电压设备运行过程中的特高频信号，并根据每个放电周期进行采样成为一次采样数据，其中：一次采样数据包含以下两个数据：标准数据，高压电设备在正常状态下的特高频信号；局放数据，高压电设备在局放状态下的特高频信号；S2、对一次采样数据中的局放数据执行计算，得到一级局放特征。该发明提供的基于特征算子和机器学习算法的局部放电智能检测方法，可以达到高压电设备的绝缘性能的自动化检测，有效降低人工巡检的成本，并且提高检测结果的准确性，综合提升高压电设备绝缘性能检测的运营效益。的运营效益。的运营效益。


技术研发人员：管保柱 王科伟 吴路明
受保护的技术使用者：南京富华新能科技有限公司
技术研发日：2023.06.16
技术公布日：2023/8/16