本发明涉及一种局部放电缺陷类型识别方法及装置。
背景技术：
高压电力设备绝缘结构运行过程中可能会产生故障和缺陷，在长期运行后会导致绝缘击穿和整个电力设备的故障，从而影响电力系统的可靠性，因此，对高压电力设备绝缘缺陷需要进行识别与评估，而局部放电检测被证明是揭示高压设备缺陷和评估其严重程度的有效手段。
局部放电信号表现形式为单个或者连续的电气脉冲，脉冲波形不仅包含了缺陷的放电机理信息，而且也包含了缺陷严重程度信息，因此，局部放电检测的主要任务之一就是通过局部放电脉冲波形对缺陷类型进行识别，从而对缺陷严重程度进行诊断以及制定合理的设备维护措施及策略。
局部放电脉冲波形既有其规律性，也有随机性。不同类型的缺陷其局部放电脉冲出现的工频相位具有自身的一定规律性，同一类型缺陷的局部放电脉冲波形在单峰脉冲时其上升时间、下降时间、脉冲宽度等特性参数具有相似性，这些规律为缺陷类型的识别提供了便利。然而，由于局部放电机理的复杂性，截至目前仍没有完全研究透彻，特别是缺陷在一定电压下不仅会出现单峰脉冲，也会出现多峰脉冲和振荡脉冲，出现的时机具有随机性，这为缺陷类型的识别带来了困难。
基于相位分辨的统计识别方法在缺陷类型的识别技术中已有广泛的工程应用，但是由于该方法主要基于局放脉冲在工频相位的分布规律，受到干扰的影响较大，往往造成错误的识别结果，而且无法准确判定缺陷的严重程度。而基于局部放电脉冲波形特性参数(如上升时间等)的识别法，不管是时域法还是频域法，针对单峰脉冲较为有效，对多峰或振荡脉冲却效果较差。为此，针对多峰及振荡脉冲，需要探索一种新的方法来对缺陷有效识别。
技术实现要素：
本发明的目的是针对现有技术的不足，提出一种局部放电缺陷类型识别方法及装置，同时考虑单峰、多峰及振动脉冲，提高最终识别结果的准确性和可靠性。
本发明通过以下技术方案实现：
一种局部放电缺陷类型识别方法，包括如下步骤：
a、采集电力设备多个工频周期内的原始局部放电信号并对其进行降噪处理，得到局部放电信号；
b、提取局部放电信号的放电统计特征；
c、从局部放电信号中提取单个局部放电脉冲，通过划分该单个局部放电脉冲幅值及采样周期，将单个局部放电脉冲波形划分为多个区域窗，计算每个区域窗的占比作为采样分区占比；
d、将放电统计特征和各采样分区占比分别作为第一神经网络分类器和第二神经网络分类器的输入量，第一、第二神经网络分类器各自输出放电缺陷类型及其置信度；
e、根据各置信度判断其对应的放电缺陷类型的可能性，并结合可能性和置信度，综合判定最终的放电缺陷类型及其置信度。
进一步的，所述步骤c具体包括如下步骤：
c1、将局部放电信号按照波形完整性需要的最大采样点数量截取，得到单个局部放电脉冲；
c2、将单个局部放电脉冲幅值进行归一化处理，使其幅值范围为[-1,1]；
c3、将单个局部放电脉冲对应的采样周期分为n个相等的子周期、将归一化后的幅值分为m个相等的子区域，即将单个局部放电脉冲波形分为n×m个区域窗，其中，n≥16,m≥16；
c4、将区域窗中所有有效采样点之和除以采样周期内所有采样点之和，即为该区域窗的占比。
进一步的，所述步骤a具体包括如下步骤：
a1、通过传感器连续采集电力设备中多个工频周期内产生的原始局部放电信号；
a2、将原始局部放电信号进行信号放大及模数转换处理；
a3、采用离散小波降噪算法，对经步骤a2处理后的原始放电信号中的白噪声及窄带干扰进行抑制或者消除得到局部放电信号。
进一步的，所述步骤b具体包括如下步骤：
b1、将多个工频周期内采集到的局部放电信号进行叠加，得到放电量-相位-脉冲数的三维图谱，其中相位值的获得是将0°至360°等间隔分为多个相位区间，脉冲数为各个相位区间的实际脉冲数；
b2、从三维图谱中分别提取放电量-相位、脉冲数-相位的二维图谱，并从这两个二维图谱中获得放电统计特征。
进一步的，所述步骤d中所述的第一、第二神经网络分类器均为bp神经网络分类器。
进一步的，所述步骤e具体包括如下步骤：
e1、根据各置信度判断其对应的放电缺陷类型的可能性，具体为：置信度≥9时，其对应的放电缺陷类型的可能性为高，4＜置信度＜9时，其对应的放电缺陷类型的可能性为中，置信度≤4时，其对应的放电缺陷类型的可能性为低；
e2、按照一定的规则综合判定最终的放电缺陷类型及其置信度。
进一步的，正负半周放电幅值偏斜度、正负半周放电频率偏斜度、正负半周放电幅值峭度、正负半周放电频率峭度和正负半周的不对称度。
本发明还通过以下技术方案实现：
一种局部放电缺陷类型识别装置，包括：
信号采集与预处理模块：用于采集电力设备多个工频周期内的原始局部放电信号并对其进行降噪处理，得到局部放电信号；
统计特征提取模块：用于提取局部放电信号的放电统计特征；
采样分区占比计算模块：用于从局部放电信号中提取单个局部放电脉冲，通过划分该单个局部放电脉冲幅值及采样周期，将单个局部放电脉冲波形划分为多个区域窗，计算每个区域窗的占比作为采样分区占比；
判定模块：用于将放电统计特征和各采样分区占比分别作为第一神经网络分类器和第二神经网络分类器的输入量，第一、第二神经网络分类器各自输出放电缺陷类型及其置信度；根据各置信度判断其对应的放电缺陷类型的可能性，并结合可能性和置信度，综合判定最终的放电缺陷类型及其置信度。
进一步的，所述采样区分占比计算模块包括：
单个局部放电脉冲获取模块：用于将局部放电信号按照波形完整性需要的最大采样点数量截取，得到单个局部放电脉冲；
归一化模块：用于将单个局部放电脉冲幅值进行归一化处理，使其幅值范围为[-1,1]；
区域窗划分模块：用于将单个局部放电脉冲对应的采样周期分为n个相等的子周期、将归一化后的幅值分为m个相等的子区域，即将单个局部放电脉冲波形分为n×m个区域窗，其中，n≥16,m≥16；
占比计算模块：用于将区域窗中所有有效采样点之和除以采样周期内所有采样点之和，即为该区域窗的占比。
进一步的，所述统计特征提取模块包括：
三维谱图获取模块：用于将多个工频周期内采集到的局部放电信号进行叠加，得到放电量-相位-脉冲数的三维图谱，其中相位值的获得是将0°至360°等间隔分为多个相位区间，脉冲数为各个相位区间的实际脉冲数；
统计特征获取模块：用于从三维图谱中分别提取放电量-相位、脉冲数-相位的二维图谱，并从这两个二维图谱中获得放电统计特征。
本发明具有如下有益效果：
本发明将放电统计特征和采样分区占比分别作为第一神经网络分类器和第二神经网络分类器的输入量，再根据第一、第二神经网络分类器的输出综合判定最终的放电缺陷类型及其置信度，既考虑多个局部放电脉冲信号的统计特征，又考虑单个放电脉冲信号中的多峰及振动情况，借助神经网络分类器，并根据一定的规则综合判定最终的放电缺陷类型，解决多峰及波形振荡给识别带来的不利影响，提高最终识别结果的准确性和可靠性。
附图说明
下面结合附图对本发明做进一步详细说明。
图1为本发明的流程图。
具体实施方式
如图1所示，一种局部放电缺陷类型识别方法，包括如下步骤：
a、采集电力设备多个工频周期内的原始局部放电信号并对其进行降噪处理，得到局部放电信号，具体包括如下步骤：
a1、通过传感器连续采集电力设备中多个工频周期内产生的原始局部放电信号，在本实施例中，连续采集100个工频周期，具体为通过特高频传感器、暂态地电压传感器、超声波传感器或者高频电流传感器耦合电力设备中产生的局部放电信号；
a2、将原始局部放电信号进行信号放大及模数转换处理；
a3、采用离散小波降噪算法，对经步骤a2处理后的原始放电信号中的白噪声及窄带干扰进行抑制或者消除得到局部放电信号；
b、提取局部放电信号的放电统计特征，具体包括如下步骤：
b1、将连续100个工频周期内采集到的局部放电信号进行叠加，得到放电量-相位-脉冲数的三维图谱，其中相位值的获得是将0°至360°等间隔分为多个相位区间，脉冲数为各个相位区间的实际脉冲数；
b2、从三维图谱中分别提取放电量-相位、脉冲数-相位的二维图谱，并从这两个二维图谱中获得放电统计特征；
放电统计特征包括：正负半周放电幅值偏斜度、正负半周放电频率偏斜度、正负半周放电幅值峭度、正负半周放电频率峭度和正负半周的不对称度；
c、从局部放电信号中提取单个局部放电脉冲，通过划分该单个局部放电脉冲幅值及采样周期，将单个局部放电脉冲波形划分为多个区域窗，计算每个区域窗的占比作为采样分区占比，具体包括如下步骤：
c1、将局部放电信号按照波形完整性需要的最大采样点数量截取，得到单个局部放电脉冲；
c2、将单个局部放电脉冲幅值进行归一化处理，使其幅值范围为[-1,1]；
c3、将单个局部放电脉冲对应的采样周期分为n个相等的子周期、将归一化后的幅值分为m个相等的子区域，即将单个局部放电脉冲波形分为n×m个区域窗，其中，n≥16,m≥16；
c4、将区域窗中所有有效采样点之和除以采样周期内所有采样点之和，即为该区域窗的占比，有效采样点为在单个局部放电脉冲位于该区域窗内的幅值所对应的采样点；
d、将放电统计特征和各采样分区占比分别作为第一神经网络分类器和第二神经网络分类器的输入量，第一、第二神经网络分类器各自输出放电缺陷类型及其置信度，放电缺陷类型包括电晕放电、气隙放电和沿面放电，置信度表征局部放电脉冲与放电缺陷类型的符合程度，置信度越高表示符合程度越高，判别结果越准确；
在本实施例中，第一、第二神经网络分类器均为bp神经网络分类器，bp神经网络分类器为三层结构，即输入层、隐含层及输出层，放电统计特征或者采样分区占比作为输入层神经元，输出神经元为电晕放电、气隙放电和沿面放电三种放电缺陷类型对应的置信度；
e、根据各置信度判断其对应的放电缺陷类型的可能性，并结合可能性和置信度，综合判定最终的放电缺陷类型及其置信度，具体包括如下步骤：
e1、根据各置信度判断其对应的放电缺陷类型的可能性，具体为：置信度≥9时，其对应的放电缺陷类型的可能性为高，4＜置信度＜9时，其对应的放电缺陷类型的可能性为中，置信度≤4时，其对应的放电缺陷类型的可能性为低；
e2、按照一定的规则综合判定最终的放电缺陷类型及其置信度：若第一、第二神经网络分类器给出的放电缺陷类型一致，则最终放电缺陷类型就是该放电缺陷类型，置信度为第一、第二神经网络分类器置信度的平均值；若第一、第二神经网络分类器给出的放电缺陷类型不一致，但其中一个神经网络分类器给出的可能性为高，则最终放电缺陷类型为可能性为高的神经网络分类器给出的放电缺陷类型，置信度为该神经网络分类器置信度的1/2；若第一、第二神经网络分类器给出的可能性都不是高，此时若第一神经网络分类器给出的可能性为中，第一神经网络分类器给出的可能性为中或者低，则最终放电缺陷类型为第一神经网络分类器给出的放电缺陷类型，置信度为统计置信度的1/3；其他情况下最终放电缺陷类型为不确定，置信度为0。
一种局部放电缺陷类型识别装置，包括：
信号采集与预处理模块：用于采集电力设备多个工频周期内的原始局部放电信号并对其进行降噪处理，得到局部放电信号；
统计特征提取模块：用于提取局部放电信号的放电统计特征；
采样分区占比计算模块：用于从局部放电信号中提取单个局部放电脉冲，通过划分该单个局部放电脉冲幅值及采样周期，将单个局部放电脉冲波形划分为多个区域窗，计算每个区域窗的占比作为采样分区占比；
判定模块：用于将放电统计特征和各采样分区占比分别作为第一神经网络分类器和第二神经网络分类器的输入量，第一、第二神经网络分类器各自输出放电缺陷类型及其置信度；根据各置信度判断其对应的放电缺陷类型的可能性，并结合可能性和置信度，综合判定最终的放电缺陷类型及其置信度。
其中，采样区分占比计算模块包括：
单个局部放电脉冲获取模块：用于将局部放电信号按照波形完整性需要的最大采样点数量截取，得到单个局部放电脉冲；
归一化模块：用于将单个局部放电脉冲幅值进行归一化处理，使其幅值范围为[-1,1]；
区域窗划分模块：用于将单个局部放电脉冲对应的采样周期分为n个相等的子周期、将归一化后的幅值分为m个相等的子区域，即将单个局部放电脉冲波形分为n×m个区域窗，其中，n≥16,m≥16；
占比计算模块：用于将区域窗中所有有效采样点之和除以采样周期内所有采样点之和，即为该区域窗的占比。
信号采集与预处理模块包括：
采集模块：用于通过传感器连续采集电力设备中多个工频周期内产生的原始局部放电信号；
预处理模块：用于将原始局部放电信号进行信号放大及模数转换处理；
降噪模块：用于采用离散小波降噪算法，对经步骤a2处理后的原始放电信号中的白噪声及窄带干扰进行抑制或者消除得到局部放电信号。
统计特征提取模块包括：
三维谱图获取模块：用于将多个工频周期内采集到的局部放电信号进行叠加，得到放电量-相位-脉冲数的三维图谱，其中相位值的获得是将0°至360°等间隔分为多个相位区间，脉冲数为各个相位区间的实际脉冲数；
统计特征获取模块：用于从三维图谱中分别提取放电量-相位、脉冲数-相位的二维图谱，并从这两个二维图谱中获得放电统计特征。
以上所述，仅为本发明的较佳实施例而已，故不能以此限定本发明实施的范围，即依本发明申请专利范围及说明书内容所作的等效变化与修饰，皆应仍属本发明专利涵盖的范围内。