一种局部放电模式的识别方法和装置与流程

本发明涉及电力监测技术领域，特别涉及一种局部放电模式的识别方法和装置。

背景技术：

很小的绝缘缺陷在电力设备带电运行状态下会由小变大，最终可能诱发整体的绝缘性故障，造成大面积停电，给国民经济带来损失，而局部放电模式识别对及时发现绝缘损坏程度和设备检修有重大意义。近年来，国内外学者在局放模式识别领域展开了大量的研究工作，神经网络、小波变换、分形理论以及隐马尔可夫模型在局部放电模式识别理论中有较广泛的应用，取得了显著的效果。其中以PRPD图谱为基础的识别方法存在一定的局限性，即工频相位φ在局部放电过程中意义并不是很大，且在直流输电系统中，由于直流设备的存在已无相位信息。而以脉冲波形或者脉冲峰值作为识别特征量的办法受电压值的影响较大，抗干扰性不强，对于非平稳放电信号是不适用的。

技术实现要素：

本发明的目的是提供一种局部放电模式的识别方法和装置，采集到的局部放电信号构造随机矩阵，通过神经网络来识别局部放电信号的随机矩阵谱分布，进而实现对不同类型局部放电信号的识别。

为了实现以上目的，本发明是通过以下技术方案实现的：

一种局部放电模式的识别方法，其特点是，包含如下步骤：

S1，获取预设采样时长内电力设备的局部放电信号；

S2，将所述预设采样时长均分成含有N个数的T个时间间隔，统计所述局部放电信号在每个所述时间间隔内的局部放电信息；

S3，对所述各个局部放电信息进行处理，获得采样时长内局部放电信息特征矩阵；

S4，依据预设模式识别算法，识别所述局部放电信息特征向量对应的放电模式。

所述的步骤S3具体为：对各个局部放电时间序列进行运算，构造局部放电信息的随机矩阵，并选取局部放电模式识别的局部放电信息特征矩阵。

所述预设模式识别算法包括：神经网络算法、支持向量机算法或隐马尔可夫法。

所述步骤S1包括：

S1.1，随机确定获取起始时间点；

S1.2，以所述起始时间点为起点，获取预设采样时长内电力设备的局部放电信号。

一种局部放电模式的识别装置，其特点是，包含：

放电信号获取单元，用于获取预设采样时长内电力设备的局部放电信号；

放电信息统计单元，用于将所述预设采样时长均分成含有N个数的T个时间间隔，统计所述局部放电信号在每个所述时间间隔内的局部放电信息；

随机矩阵获得单元，用于对所述各个局部放电信息进行运算，获得局部放电信息特征向量；

放电模式识别单元，用于依据预设模式识别算法，识别所述局部放电信息特征向量对应的放电模式。

所述的随机矩阵获得单元包含：

特征向量选取子单元，用于选取随机矩阵中的局部放电模式识别的局部放电信息特征向量；

随机矩阵构造子单元，用于对所述各个局部放电信息进行运算，构造局部放电信息的随机矩阵。

所述放电信号获取单元包括：

起始时间点确定子单元，用于随机确定获取起始时间点；

放电信号获取子单元，用于以所述起始时间点为起点，获取预设采样时长内电力设备的局部放电信号。

本发明与现有技术相比，具有以下优点：

本发明采集到的局部放电信号构造随机矩阵，通过神经网络来识别局部放电信号的随机矩阵谱分布，进而实现对不同类型局放信号的识别，算法简单且稳定性高，受波形时间序列的干扰影响较小，具有工程实用性。

附图说明

图1为本发明一种局部放电模式的识别方法的流程图；

图2为局部放电信号的高维随机矩阵构造图。

具体实施方式

以下结合附图，通过详细说明一个较佳的具体实施例，对本发明做进一步阐述。

如图1所示，一种局部放电模式的识别方法，包含如下步骤：

S1，获取预设采样时长内电力设备的局部放电信号。

其中，采样时长与局部放电信号的频率以及采样单元的采样率相关，本实施例中，采样时长可以为20ms。电力设备出现局部放电现象时，可以获取局部放电检测设备采集到的局部放电信号。本步骤的获取过程可以具体包括：随机确定获取起始时间点，以所述起始时间点为起点，获取预设采样时长内电力设备的局部放电信号。也就是说，获取的局部放电信号可以是任意一个起始点开始的采样时长内的局部放电信号。

S2，将所述预设采样时长均分成含有N个数的时间间隔，统计所述局部放电信号在每个所述时间间隔内的局部放电信息；

其中，可以将预设采样时长，如20ms，进行均分，以获得多个时间间隔。需要说明的是，时间间隔的个数越多，放电模式识别的准确性越高，但识别运算量越大，效率相应降低。本发明实施例中，可选地，预设个数可以为128-256中的任意值。

S3，对所述各个局部放电信息进行处理，获得采样时长内局部放电信息特征矩阵；具体的，对各个局部放电时间序列进行运算，构造局部放电信息的随机矩阵，并选取局部放电模式识别的局部放电信息特征矩阵。

针对局部放电信号构建高维随机矩阵，可以利用单位时间间隔Δt的数据向量来生成矩阵X，其表达式如式(1)所示，数据生成方法见图2。

X是N×T随机矩阵，可以通过改变采样频率和采样时长来调整矩阵X的行列数比值，以保证矩阵X满足随机矩阵理论分析的要求。

S4，依据预设模式识别算法，识别所述局部放电信息特征向量对应的放电模式。

所述预设模式识别算法包括：神经网络算法、支持向量机算法或隐马尔可夫法，本实施例中采用BP神经网络算法。

预设放电模式为六种，分别为板-板放电、悬浮电极放电、气隙放电、高压沿面放电、电晕放电及油隙放电；

局部放电现象是由电力设备的绝缘缺陷造成的，不同的绝缘缺陷产生的放电模式不尽相同，通过识别出的放电模式可以确定导致该种放电模式的绝缘缺陷类型，进而依据该绝缘缺陷类型对电力设备进行检修。

一种局部放电模式的识别装置，包含：放电信号获取单元，用于获取预设采样时长内电力设备的局部放电信号；放电信息统计单元，用于将所述预设采样时长均分成含有N个数的T个时间间隔，统计所述局部放电信号在每个所述时间间隔内的局部放电信息；随机矩阵获得单元，用于对所述各个局部放电信息进行运算，获得局部放电信息特征矩阵；放电模式识别单元，用于依据预设模式识别算法，识别所述局部放电信息特征向量对应的放电模式。

上述的随机矩阵获得单元包含：特征向量选取子单元，用于选取随机矩阵中的局部放电模式识别的局部放电信息特征向量；随机矩阵构造子单元，用于对所述各个局部放电信息进行运算，构造局部放电信息的随机矩阵。

上述放电信号获取单元包括：起始时间点确定子单元，用于随机确定获取起始时间点；放电信号获取子单元，用于以所述起始时间点为起点，获取预设采样时长内电力设备的局部放电信号。

综上所述，本发明一种局部放电模式的识别方法和装置，采集到的局部放电信号构造随机矩阵，通过神经网络来识别局部放电信号的随机矩阵谱分布，进而实现对不同类型局部放电信号的识别。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。