本發明涉及一種局部放電缺陷類型識別方法及裝置。
背景技術：
高壓電力設備絕緣結構運行過程中可能會產生故障和缺陷，在長期運行后會導致絕緣擊穿和整個電力設備的故障，從而影響電力系統的可靠性，因此，對高壓電力設備絕緣缺陷需要進行識別與評估，而局部放電檢測被證明是揭示高壓設備缺陷和評估其嚴重程度的有效手段。
局部放電信號表現形式為單個或者連續的電氣脈沖，脈沖波形不僅包含了缺陷的放電機理信息，而且也包含了缺陷嚴重程度信息，因此，局部放電檢測的主要任務之一就是通過局部放電脈沖波形對缺陷類型進行識別，從而對缺陷嚴重程度進行診斷以及制定合理的設備維護措施及策略。
局部放電脈沖波形既有其規律性，也有隨機性。不同類型的缺陷其局部放電脈沖出現的工頻相位具有自身的一定規律性，同一類型缺陷的局部放電脈沖波形在單峰脈沖時其上升時間、下降時間、脈沖寬度等特性參數具有相似性，這些規律為缺陷類型的識別提供了便利。然而，由于局部放電機理的復雜性，截至目前仍沒有完全研究透徹，特別是缺陷在一定電壓下不僅會出現單峰脈沖，也會出現多峰脈沖和振蕩脈沖，出現的時機具有隨機性，這為缺陷類型的識別帶來了困難。
基于相位分辨的統計識別方法在缺陷類型的識別技術中已有廣泛的工程應用，但是由于該方法主要基于局放脈沖在工頻相位的分布規律，受到干擾的影響較大，往往造成錯誤的識別結果，而且無法準確判定缺陷的嚴重程度。而基于局部放電脈沖波形特性參數(如上升時間等)的識別法，不管是時域法還是頻域法，針對單峰脈沖較為有效，對多峰或振蕩脈沖卻效果較差。為此，針對多峰及振蕩脈沖，需要探索一種新的方法來對缺陷有效識別。
技術實現要素：
本發明的目的是針對現有技術的不足，提出一種局部放電缺陷類型識別方法及裝置，同時考慮單峰、多峰及振動脈沖，提高最終識別結果的準確性和可靠性。
本發明通過以下技術方案實現：
一種局部放電缺陷類型識別方法，包括如下步驟：
a、采集電力設備多個工頻周期內的原始局部放電信號并對其進行降噪處理，得到局部放電信號；
b、提取局部放電信號的放電統計特征；
c、從局部放電信號中提取單個局部放電脈沖，通過劃分該單個局部放電脈沖幅值及采樣周期，將單個局部放電脈沖波形劃分為多個區域窗，計算每個區域窗的占比作為采樣分區占比；
d、將放電統計特征和各采樣分區占比分別作為第一神經網絡分類器和第二神經網絡分類器的輸入量，第一、第二神經網絡分類器各自輸出放電缺陷類型及其置信度；
e、根據各置信度判斷其對應的放電缺陷類型的可能性，并結合可能性和置信度，綜合判定最終的放電缺陷類型及其置信度。
進一步的，所述步驟c具體包括如下步驟：
c1、將局部放電信號按照波形完整性需要的最大采樣點數量截取，得到單個局部放電脈沖；
c2、將單個局部放電脈沖幅值進行歸一化處理，使其幅值范圍為[-1,1]；
c3、將單個局部放電脈沖對應的采樣周期分為n個相等的子周期、將歸一化后的幅值分為m個相等的子區域，即將單個局部放電脈沖波形分為n×m個區域窗，其中，n≥16,m≥16；
c4、將區域窗中所有有效采樣點之和除以采樣周期內所有采樣點之和，即為該區域窗的占比。
進一步的，所述步驟a具體包括如下步驟：
a1、通過傳感器連續采集電力設備中多個工頻周期內產生的原始局部放電信號；
a2、將原始局部放電信號進行信號放大及模數轉換處理；
a3、采用離散小波降噪算法，對經步驟a2處理后的原始放電信號中的白噪聲及窄帶干擾進行抑制或者消除得到局部放電信號。
進一步的，所述步驟b具體包括如下步驟：
b1、將多個工頻周期內采集到的局部放電信號進行疊加，得到放電量-相位-脈沖數的三維圖譜，其中相位值的獲得是將0°至360°等間隔分為多個相位區間，脈沖數為各個相位區間的實際脈沖數；
b2、從三維圖譜中分別提取放電量-相位、脈沖數-相位的二維圖譜，并從這兩個二維圖譜中獲得放電統計特征。
進一步的，所述步驟d中所述的第一、第二神經網絡分類器均為bp神經網絡分類器。
進一步的，所述步驟e具體包括如下步驟：
e1、根據各置信度判斷其對應的放電缺陷類型的可能性，具體為：置信度≥9時，其對應的放電缺陷類型的可能性為高，4＜置信度＜9時，其對應的放電缺陷類型的可能性為中，置信度≤4時，其對應的放電缺陷類型的可能性為低；
e2、按照一定的規則綜合判定最終的放電缺陷類型及其置信度。
進一步的，正負半周放電幅值偏斜度、正負半周放電頻率偏斜度、正負半周放電幅值峭度、正負半周放電頻率峭度和正負半周的不對稱度。
本發明還通過以下技術方案實現：
一種局部放電缺陷類型識別裝置，包括：
信號采集與預處理模塊：用于采集電力設備多個工頻周期內的原始局部放電信號并對其進行降噪處理，得到局部放電信號；
統計特征提取模塊：用于提取局部放電信號的放電統計特征；
采樣分區占比計算模塊：用于從局部放電信號中提取單個局部放電脈沖，通過劃分該單個局部放電脈沖幅值及采樣周期，將單個局部放電脈沖波形劃分為多個區域窗，計算每個區域窗的占比作為采樣分區占比；
判定模塊：用于將放電統計特征和各采樣分區占比分別作為第一神經網絡分類器和第二神經網絡分類器的輸入量，第一、第二神經網絡分類器各自輸出放電缺陷類型及其置信度；根據各置信度判斷其對應的放電缺陷類型的可能性，并結合可能性和置信度，綜合判定最終的放電缺陷類型及其置信度。
進一步的，所述采樣區分占比計算模塊包括：
單個局部放電脈沖獲取模塊：用于將局部放電信號按照波形完整性需要的最大采樣點數量截取，得到單個局部放電脈沖；
歸一化模塊：用于將單個局部放電脈沖幅值進行歸一化處理，使其幅值范圍為[-1,1]；
區域窗劃分模塊：用于將單個局部放電脈沖對應的采樣周期分為n個相等的子周期、將歸一化后的幅值分為m個相等的子區域，即將單個局部放電脈沖波形分為n×m個區域窗，其中，n≥16,m≥16；
占比計算模塊：用于將區域窗中所有有效采樣點之和除以采樣周期內所有采樣點之和，即為該區域窗的占比。
進一步的，所述統計特征提取模塊包括：
三維譜圖獲取模塊：用于將多個工頻周期內采集到的局部放電信號進行疊加，得到放電量-相位-脈沖數的三維圖譜，其中相位值的獲得是將0°至360°等間隔分為多個相位區間，脈沖數為各個相位區間的實際脈沖數；
統計特征獲取模塊：用于從三維圖譜中分別提取放電量-相位、脈沖數-相位的二維圖譜，并從這兩個二維圖譜中獲得放電統計特征。
本發明具有如下有益效果：
本發明將放電統計特征和采樣分區占比分別作為第一神經網絡分類器和第二神經網絡分類器的輸入量，再根據第一、第二神經網絡分類器的輸出綜合判定最終的放電缺陷類型及其置信度，既考慮多個局部放電脈沖信號的統計特征，又考慮單個放電脈沖信號中的多峰及振動情況，借助神經網絡分類器，并根據一定的規則綜合判定最終的放電缺陷類型，解決多峰及波形振蕩給識別帶來的不利影響，提高最終識別結果的準確性和可靠性。
附圖說明
下面結合附圖對本發明做進一步詳細說明。
圖1為本發明的流程圖。
具體實施方式
如圖1所示，一種局部放電缺陷類型識別方法，包括如下步驟：
a、采集電力設備多個工頻周期內的原始局部放電信號并對其進行降噪處理，得到局部放電信號，具體包括如下步驟：
a1、通過傳感器連續采集電力設備中多個工頻周期內產生的原始局部放電信號，在本實施例中，連續采集100個工頻周期，具體為通過特高頻傳感器、暫態地電壓傳感器、超聲波傳感器或者高頻電流傳感器耦合電力設備中產生的局部放電信號；
a2、將原始局部放電信號進行信號放大及模數轉換處理；
a3、采用離散小波降噪算法，對經步驟a2處理后的原始放電信號中的白噪聲及窄帶干擾進行抑制或者消除得到局部放電信號；
b、提取局部放電信號的放電統計特征，具體包括如下步驟：
b1、將連續100個工頻周期內采集到的局部放電信號進行疊加，得到放電量-相位-脈沖數的三維圖譜，其中相位值的獲得是將0°至360°等間隔分為多個相位區間，脈沖數為各個相位區間的實際脈沖數；
b2、從三維圖譜中分別提取放電量-相位、脈沖數-相位的二維圖譜，并從這兩個二維圖譜中獲得放電統計特征；
放電統計特征包括：正負半周放電幅值偏斜度、正負半周放電頻率偏斜度、正負半周放電幅值峭度、正負半周放電頻率峭度和正負半周的不對稱度；
c、從局部放電信號中提取單個局部放電脈沖，通過劃分該單個局部放電脈沖幅值及采樣周期，將單個局部放電脈沖波形劃分為多個區域窗，計算每個區域窗的占比作為采樣分區占比，具體包括如下步驟：
c1、將局部放電信號按照波形完整性需要的最大采樣點數量截取，得到單個局部放電脈沖；
c2、將單個局部放電脈沖幅值進行歸一化處理，使其幅值范圍為[-1,1]；
c3、將單個局部放電脈沖對應的采樣周期分為n個相等的子周期、將歸一化后的幅值分為m個相等的子區域，即將單個局部放電脈沖波形分為n×m個區域窗，其中，n≥16,m≥16；
c4、將區域窗中所有有效采樣點之和除以采樣周期內所有采樣點之和，即為該區域窗的占比，有效采樣點為在單個局部放電脈沖位于該區域窗內的幅值所對應的采樣點；
d、將放電統計特征和各采樣分區占比分別作為第一神經網絡分類器和第二神經網絡分類器的輸入量，第一、第二神經網絡分類器各自輸出放電缺陷類型及其置信度，放電缺陷類型包括電暈放電、氣隙放電和沿面放電，置信度表征局部放電脈沖與放電缺陷類型的符合程度，置信度越高表示符合程度越高，判別結果越準確；
在本實施例中，第一、第二神經網絡分類器均為bp神經網絡分類器，bp神經網絡分類器為三層結構，即輸入層、隱含層及輸出層，放電統計特征或者采樣分區占比作為輸入層神經元，輸出神經元為電暈放電、氣隙放電和沿面放電三種放電缺陷類型對應的置信度；
e、根據各置信度判斷其對應的放電缺陷類型的可能性，并結合可能性和置信度，綜合判定最終的放電缺陷類型及其置信度，具體包括如下步驟：
e1、根據各置信度判斷其對應的放電缺陷類型的可能性，具體為：置信度≥9時，其對應的放電缺陷類型的可能性為高，4＜置信度＜9時，其對應的放電缺陷類型的可能性為中，置信度≤4時，其對應的放電缺陷類型的可能性為低；
e2、按照一定的規則綜合判定最終的放電缺陷類型及其置信度：若第一、第二神經網絡分類器給出的放電缺陷類型一致，則最終放電缺陷類型就是該放電缺陷類型，置信度為第一、第二神經網絡分類器置信度的平均值；若第一、第二神經網絡分類器給出的放電缺陷類型不一致，但其中一個神經網絡分類器給出的可能性為高，則最終放電缺陷類型為可能性為高的神經網絡分類器給出的放電缺陷類型，置信度為該神經網絡分類器置信度的1/2；若第一、第二神經網絡分類器給出的可能性都不是高，此時若第一神經網絡分類器給出的可能性為中，第一神經網絡分類器給出的可能性為中或者低，則最終放電缺陷類型為第一神經網絡分類器給出的放電缺陷類型，置信度為統計置信度的1/3；其他情況下最終放電缺陷類型為不確定，置信度為0。
一種局部放電缺陷類型識別裝置，包括：
信號采集與預處理模塊：用于采集電力設備多個工頻周期內的原始局部放電信號并對其進行降噪處理，得到局部放電信號；
統計特征提取模塊：用于提取局部放電信號的放電統計特征；
采樣分區占比計算模塊：用于從局部放電信號中提取單個局部放電脈沖，通過劃分該單個局部放電脈沖幅值及采樣周期，將單個局部放電脈沖波形劃分為多個區域窗，計算每個區域窗的占比作為采樣分區占比；
判定模塊：用于將放電統計特征和各采樣分區占比分別作為第一神經網絡分類器和第二神經網絡分類器的輸入量，第一、第二神經網絡分類器各自輸出放電缺陷類型及其置信度；根據各置信度判斷其對應的放電缺陷類型的可能性，并結合可能性和置信度，綜合判定最終的放電缺陷類型及其置信度。
其中，采樣區分占比計算模塊包括：
單個局部放電脈沖獲取模塊：用于將局部放電信號按照波形完整性需要的最大采樣點數量截取，得到單個局部放電脈沖；
歸一化模塊：用于將單個局部放電脈沖幅值進行歸一化處理，使其幅值范圍為[-1,1]；
區域窗劃分模塊：用于將單個局部放電脈沖對應的采樣周期分為n個相等的子周期、將歸一化后的幅值分為m個相等的子區域，即將單個局部放電脈沖波形分為n×m個區域窗，其中，n≥16,m≥16；
占比計算模塊：用于將區域窗中所有有效采樣點之和除以采樣周期內所有采樣點之和，即為該區域窗的占比。
信號采集與預處理模塊包括：
采集模塊：用于通過傳感器連續采集電力設備中多個工頻周期內產生的原始局部放電信號；
預處理模塊：用于將原始局部放電信號進行信號放大及模數轉換處理；
降噪模塊：用于采用離散小波降噪算法，對經步驟a2處理后的原始放電信號中的白噪聲及窄帶干擾進行抑制或者消除得到局部放電信號。
統計特征提取模塊包括：
三維譜圖獲取模塊：用于將多個工頻周期內采集到的局部放電信號進行疊加，得到放電量-相位-脈沖數的三維圖譜，其中相位值的獲得是將0°至360°等間隔分為多個相位區間，脈沖數為各個相位區間的實際脈沖數；
統計特征獲取模塊：用于從三維圖譜中分別提取放電量-相位、脈沖數-相位的二維圖譜，并從這兩個二維圖譜中獲得放電統計特征。
以上所述，僅為本發明的較佳實施例而已，故不能以此限定本發明實施的范圍，即依本發明申請專利范圍及說明書內容所作的等效變化與修飾，皆應仍屬本發明專利涵蓋的范圍內。