用于局部放电的趋势函数的制作方法

局部放电(pd)是中高压电绝缘中的一种缺陷，其中绝缘体块的一部分在临界电势下失效，导致绝缘性逐渐受损并最终完全击穿。

越来越意识到局部放电监测在延长电力资产的使用寿命中充当的角色。多年来，高价值资产经历了定期的脱机测试方案；然而，这些测试对于大量输配资产或甚至发电设施处的工厂设备的电气平衡来说都是成本高昂的。虽然局部放电是绝缘失效的前兆(而不是滞后)表征，但它并不总是存在。正因为如此，定期测试经常会错过比测试周期更快演变的失效或测试中不存在的瞬变状态。

一种用于监测设备的技术涉及使用局部放电活动的强度(整个功率周期内的总放电量)的趋势。据观察，该活动在最终的故障前先呈现为先增长然后下降。下降通常伴随着温度升高，这通常被认为是局部放电的滞后表征。其他失效曲线是本领域公知的。这些中的大部分受pd的间歇性影响。

理想情况下，可以使用具有平滑变化(但不是单调的)的强度函数的趋势。然而，实际中，pd活动可能远没有那么一致。例如，局部放电最初可能只发生在极端的环境中，或仅在电力系统过压瞬变期间发生。当平滑变化的强度函数演变时，资产可能已经被严重损伤。数据收集也可能是间歇性的。

发现这种间歇性事件的趋势以获得可操作的、预测性信息是挑战性的。尽管开关电弧与绝缘失效无关，发电、输电和配电网络中的开关事件可能被一些系统视为“局部放电”，因此这些挑战更加复杂。

对于间歇性使用的资产，诸如峰值发电机资产、备用发电机资产、备用或辅助电路等，问题更为复杂。

技术实现要素：

一种检测由电气资产中的局部放电引起的损伤的方法，包括使用一个或多个换能器感测电气资产中响应于局部放电活动(如线电流或线电压的高频尖峰)的信号，并响应地提供与瞬时局部放电活动相关的一个或多个换能器输出；

通过拒绝持续时间小于阈值时间的事件来选择性地预处理换能器输出；通过将换能器输出和其基线进行比较来处理换能器输出；在每个采样处累积换能器输出超过基线的量；随时间减少累积量；基于累积量预测局部放电对电力资产的累积损伤；以及提供与电气资产的损伤相关的输出。一种检测电气资产中的局部放电的系统，包括一个或多个换能器，被配置为从电气资产接收由于电气资产中发生局部放电而产生的一个或多个信号并且响应地提供一个或多个换能器输出。处理电路，将换能器输出和基线进行比较，计算换能器输出超过基线的累积量，随时间减少累积量，并基于累积量检测电气资产中由局部放电引起的损伤。输出电路，提供与由检测到的局部放电活动引起的损伤相关的输出。

附图说明

图1是示出处理数据时发生局部放电的曲线图。

图2是示出用于检测电气资产中的局部放电并使用这种局部放电的趋势来确定电气资产的状态的电路的简化框图。

图3是示出用于在移除来自相邻电气资产中的局部放电的信号的同时检测目标电气资产中的局部放电，并在忽略来自目标电气资产以外发生的局部放电的同时使用这种局部放电的趋势来确定目标电气资产的状态的电路的简化框图。

图4是示出用于确定因发生局部放电事件引起的电气资产的状态改变的示例步骤的简化框图。

图5是示出用于确定因发生局部放电事件引起的电气资产的状态改变的附加示例步骤的简化框图。

具体实施方式

局部放电(pd)监测已被证实可改善并延长大型、高价值、集中式资产的寿命，为维护和可靠性团队提供了证明传统pd监测设备成本和专家分析复杂性的能力。最近，pd监测一直在稳步地从定期的脱机测试转换为持续的在线监测，并且创新的低成本解决方案已经开始渗入电力网络。

在发电侧，除了发电机本身的电刷和电缆终端之外，这导致了对工厂电气平衡(ebop)开关设备、电机控制中心、母线槽以及升压、辅助和仪表变压器中进行广泛监测。在输配电侧，这导致了对开关设备、电容器组合、埋地电缆的监测。此外，对诸如数据中心、医院、机场、石化和金属加工厂的终端使用点处的重要电气资产进行监测的需求也在日益增加。

在一个方面，本发明涉及应用分层处理，以从实时在线局部放电信号中提取有意义的信息，从而允许根据与分布式控制系统一致的显著减少的数据流进行资产健康评估。

本发明的一个目的是，提供一种对现场或历史数据流使用计算和滤波处理，以提供用于发现局部放电损伤的趋势的合适的转换函数的技术。该函数优选：

·滤除持续时间小于(m-1)τbin的短暂事件，其中τbin是采样窗口时间，m是用于滤波的采样仓的数量，以便在保持持续时间大于mτbin的事件的同时避免开关瞬变。

·对于数据流d，仅考虑强度大于长期基线β(d)的事件。

·对数据流d和基线β(d)的趋势函数t(d，β(d))进行累积，指示资产健康状况正在恶化。

·消除累积的趋势函数t(d，β(d))，以避免对旧的、可能不相关的数据进行无限期的求和。

·当资产没有通电时或当局部放电是外部感应的，诸如内置自检时，选择性地抑制累积的趋势函数t(d，β(d))和基线β(d)的耗散。

本发明基于多个前提。这些包括：

o短暂的瞬变事件不应对趋势函数有贡献。

o高于基线的增长率比基线本身更重要。

o损伤是累积的并且累积损伤的增长会导致局部放电的严重程度增加。

o在不如足够的过去中没有累积到超过阈值的放电被假设为不如近期事件重要。

o当间歇性使用的资产没有通电时或具有用于测试的感应放电时，所有趋势函数都应该“暂停”。

这些前提部分地是考虑局部放电的性质而得出的。第一个前提是基于先前的观察，即开关事件承受在持续时间短但幅度高的触点闭合或断开之间的短暂电弧。消除数据流中这些采样集合的处理在此统称为抽取(decimation)，因为完成这个任务的优选方案涉及重新采样数据。抽取包括预平均、欠采样、滤波和后平均中的一个或多个；然而，滤波步骤是抽取的主要目标。虽然有许多方法可用于从数据流中滤出短的、大的事件，但其中一种抽取方法计算简单，并易于在低成本的本地测量电子设备中实现。

数据流d(t)的读数r在离散时间t取得，并在时间窗τbin上被平均以获得分仓的、平均的原始数据ri(i*τbin)。时间窗τbin不一定是原始数据采样间隔的整数倍，原始数据中的采样r也不一定均匀采样。最简单的实现将在抽取之后对ri(i*τbin)进行均匀采样；然而，抽取之后的非定期采样仍然符合本发明的目标。

mτbin的尺度应比开关瞬变(数十毫秒到几秒)长，但比线路过电压状态短。ul61010-1和iec60364-4-44建议acmains瞬变包括在标称线电压四倍的低压acmains上的连续5秒钟的短时临时过电压。它还建议在更小幅度的低压交流电源上的更长持续时间的短时临时过电压。这些过电压是中高压输配电网络的过电压状态直接产生的，因此可以合理地假设导致电力资产的局部放电损伤的大电压瞬变至少持续1-5秒。mτbin的示例范围是在1和10秒之间。如果采样率比这个慢，则优选不使用抽取滤波。抽取方案检查m个尾仓并从ri(i*τbin)，ri-1((i-1)*τbin)，…，ri-m((i-m)*τbin)中选择不是最大仓值的仓值，用作di(i*τbin)。在优选实施例中，选择m个尾值中的最小仓值。

存在用于累积原始数据r的众多方案，包括但不限于矩形加窗平均(可选地，丢弃异常值)、指数平均、有限脉冲响应(fir)和无限脉冲响应(iir)滤波器函数、积分、中值、平均值、最小值、最大值等。显著性方面是获得了代表时间仓上的数据的单个累积值。

趋势函数tj(njτbin)＝t(r(t)，β(t))在周期t＝nτbin处被更新，并且n是欠采样因子，之后选择过去的m时间窗仓中的累积读数之一。在m个采样上对ri(i*τbin)的抽取优选用于获得抽取数据di(i*τbin)。通过选择过去m个读数中的最小值进行抽取，只有持续有效的放电才会进入趋势函数，并且容易地忽略瞬变开关事件。在至少一个实施例中，n＝1且m＞1。优选地，m＞2，以避免跨越时间片边界的瞬变的贡献。示例性情况是0.1到10秒的仓时间，取m＝3尾仓的最小值并采样每个仓(n＝1)。即使是60秒的仓时间和三个仓也能获得合适的趋势；然而，优选较短的仓时间。

在最完全地避免不需要的事件的同时，m的较长值容易错过重要的短暂事件。示例性情况是m＝3，这需要事件持续3τbin的持续时间，以便产生任何效果。

优选实施例使用n＝1；然而，可对需要对趋势数据进行欠采样，以减少数据。在n＞m的情况下，tj(njτbin)的值可以仅使用最近的m个采样抽取dj(jn*τbin)，或者它们可以在n个抽取采样上求平均或整合尾m-采样抽取，即平均值(dj-n((j-n)*τbin)：dj(j*τbin))。

τbin的值应比电网中开关的打开或闭合时间略长。虽然取ri(i*τbin)的一系列m值的最小值将总是忽略dj(j*τbin)中持续时间宽度小于(m-1)*τbin的瞬变，但它也可能错过简短但重要的事件。使用最小值的替代方法包括使用中值或对除了最大两个值之外的所有值求平均(m＞3)。仅忽略最大值易受在一个时间仓中开始并在另一个中结束的开关事件的影响。

假设m＝3是一个示例性值，则该电力系统标准建议持续时间为5秒量级的过电压(过电压导致电场局部超过击穿，从而导致pd)，并且开关是小于1秒的量级，τbin的优选范围在约0.5和1.5秒之间。较短的间隔将在一定程度上捕获所有三个仓中的1秒开关瞬变，从而导致误报。较长的间隔将不会捕获所有三个仓中的5秒的过电压事件，并且会错过早期的绝缘性损伤原因。

在很多情况下，数据不能快速采样，并且检测器可采用准峰值采样和保持机制来延长检测到的事件。在这种情况下，τbin不应小于保留时间的一半。

在其他情况下，数据可能已经被欠采样。在这种情况下，可能会在不够理想的实现中跳过抽取。

为了解决这个前提的问题，本发明的方法的可选步骤是使用尾事件片的比较来抽取输入数据，使得最大时间片(仓)值被丢弃并且持续时间短于时间片的瞬变事件不对趋势函数有贡献。

在另一个可能的实施例中，对n个采样进行平均以形成欠采样的平均数据流d’(t)，其中τbin＝nτsample。在这个实施例中，趋势函数tk(knnτsamp)在d(t)的每nn个采样更新一次。非定期输入数据也可以用τbin＞τsample进行分仓，并且tk(knτbin)是统一更新的输出函数。

在抽取处理中，可以根据需要选择和应用与预平均、欠采样、滤波和后平均相关的步骤和参数。

第二个前提是基于观察，即放电本身比它对绝缘带来的逐渐损伤的重要性要低。在绝缘中放电的处理会损伤绝缘材料并引起在等效过电压状态下逐渐变大的放电以及在逐渐变小的过电压下的等效放电。尽管局部放电的瞬时幅度可能随着操作状态的改变而升高和降低，在资产寿命的至少一部分中会有呈指数增长的强度、持续时间和出现频率的可趋势化的组合。一个理想的趋势函数将评估放电的抽取水平dj(j*τbin)高于一些历史平均基线β(j*τbin)的量，其前提是该设备在基线函数的平均时间内已经经受了基线水平的放电而没有失效。

为了最小化计算负担和存储要求，优选指数平均exp(-βt)；然而，多点简单或加权平均可以提供优势，并且借助现代嵌入式计算机芯片而越来越易于处理。这个平均的周期是技术选择的问题；然而，它应优选为，至少几天并最多7-100天。如果周期过短，那么平均基线将不会反映短暂和间歇事件的适当平均值。如果它过长，那么基线不会演变为从后续事件中被减去，趋势函数将迅速升级。在这种情况下，平均周期比τbin大很多。

另一方面，放电的瞬时值可能不是特定的结果。在逐步的失控损伤发生之前，不同的资产类别可能容忍更强的放电水平。对于相同的物理局部放电活动，不同的测量技术可能导致不同的数字尺度。优选地，趋势函数应只评估高于这种基线平均值的放电的增长。为了解决这些观察，采用抽取值dj(j*τbin)和平均基线β来获得增长δj(jτbin)＝max(0，dj(j*τbin)-β)。

除了β之外，还可能需要在δj(jτbin)中包括其他偏移量，包括与原始数据的统计特性成比例的偏移量，诸如标准偏差，或与信号的环境噪声(无论是测量的还是假设的)成比例的偏移量。

在优选实施例中，来自一个资产的信号与来自一个或多个相邻资产的信号进行比较。由于资产在电网上相互连接，所以即使在相邻系统中发生损伤，也可以在目标资产中检测来自一个或多个相邻设备的信号。在这种情况下，相邻信号可被用作阈值，低于该阈值的目标资产的信号不被累积。或者，来自一个或多个相邻资产的信号可以与平均基线β一起并入偏移量中。

为了解决资产和仪器的可变性，还需要归一化结果。在一个实施例中，归一化可以采用通过用户输入或机器学习获得的尺度因子。在更优选的实施例中，可以通过归一化为基线的函数来获得归一化数据。总结来说，将抽取值减去基线的一个函数(其也可以包括一个或多个偏移量)作为差值，并且利用基线的第二函数对正的差值进行归一化，

δj(jτbin)＝(dj(jτbin)-f1(β))/f2(β)；dj(jτbin)＞fl(β)公式1

在替代实施例中，可以使用其他类似的公式将趋势函数归一化到平均基线。无论哪种情况，如果dj(jm*τbin)＜β或dj(jm*τbin)＜fl(β)，该值都假设为0。假设这种增长表示新的损伤，并且造成新的损伤，但是活动减少并不代表“自我修复”。在示例情况下，f1(β)＝f2(β)＝√(β²+βo²)，其中βo是设备的典型本底噪声。针对基线进行的归一化调整了趋势函数，以相对于系统的长期稳定运行。βo其他可能的值包括与原始数据的标准偏差、抽取数据或平均数据成比例的项。

在优选实施例中，相邻资产中的局部放电被用来减少当前资产中的损伤的错误评估，f1(β)有一个项是来自邻居f(rneighbors)的信号的函数。这可以是来自邻居的原始数据或抽取数据的加权和，或与邻居的最大值成比例的项。

在一些实施例中，使用内置自检或外部处理的定期校准脉冲可以用于评估目标资产的灵敏度和资产间的串扰。这些测量的结果可以用于确定加权系数，以便使用聚合偏移量值中的相邻资产信号来减少串扰。它们还可以确定偏移量和归一化函数的至少一个分量。

由于平均值是在时间片间隔τbin长得多的时间段上获取的，所以抽取和检测增长的步骤可以按任一顺序进行。未被归一化的数据仍可能传达定量信息；然而，对于更广泛的资产类型，对归一化的趋势函数设置警报可能更加容易。在示例情况下，抽取在检测增长之前。

通过积分或取得δj(jτbin)的正值之和来获取趋势函数t，将第三个前提，即损伤是累积，并入本发明的方法。由于优选的测量方法在智能电网基础设施中采用智能电子设备(ied)并提供离散的、量化的时间片，所以在更优选实施例中使用求和。在最优选实施例中，根据仓的时间尺度调整求和，使得趋势函数的幅度不随采样率过度变化。用于对仓时间内的趋势曲线进行补偿的一个示例尺度因子是累积(1-exp(-δ))*δj(jτbin)，其数值上等于足够长时间常数δ的δδj(jτbin)。通常，δ与τbin成比例，使得求和成为积分的离散近似。

第四个前提提供，最近的事件比过去的事件更有意义，因为过去的事件没有造成失效，或者相比其平均值β或函数f1(β)，没有造成抽取的原始数据dj(j*τbin)的足够快的增长。通过对趋势函数t采用适当长的阻尼因子γfunction(t)来解决本发明的这个属性。在示例方法中，γfunction(t)＝exp(-γt)并且t(tnew)＝t(told)*γfunction(tnew-told)+δj(jτbin)。示例情况是t(tnew)＝t(told)*exp(-γ(tnew-told))(tnew-told)+exp(-γ(tnew-told))δj(jτbin)。在一个示例情况下，γ＝1/(14天)并且基线的时间常数也是14天。

因此趋势函数是从一系列离散数据采样获取的，所述一系列离散数据采样使用窗口方案来抽取采样，以去除时间尺度小于2τbin的瞬变事件，其中τbin理想情况下是电气资产的机械开关时间的量级，但可能受到仪器的采样率的限制。该算法还使用超过基线平均值的抽取采样的积分或和。

和或积分随着抽取采样相对于平均值的连续过量而增长，提供指示加速中的放电水平的响应。该值同时以指数形式或某些其他渐进方式衰减，使得趋势函数仅在放电加速度超过衰减因子的速率时增长。

本发明的第五个特征涉及间歇性使用资产，并当系统没有通电时抑制函数的变化。在一个这样的实现中，当资产通电时scada或dsc系统指示仪器。另一方面，仪器测量资产的电压并确定资产是否通电。当资产没有通电时，暂停衰减项γfunction和基线β的更新。这可以防止基线或趋势函数发生变化。

相关情况处理具有内置自检或定期在线或离线外部测试的资产。这些测试包括使用校准器来模拟局部放电事件或施加过电压压力以在能量受限的状态下引发局部放电。例如，这些信号作为校准信号，用于确认监测系统的操作和/或更准确地评估系统的健康状况，并且由于没有相关的损伤，应在趋势函数中掩盖对这种人造刺激的响应。

如迄今所讨论的那样，当系统开始运行时，基线被初始化为0并且所有信号都高于基线。这导致趋势函数的持续大约基线平均值的时间常数的高初始误报。在优选实施例中，系统被警告其处于启动模式，并采取平滑启动状态的步骤。这些步骤可包括：设置初始基线值，用非常短的时间常数开始基线计算并增加与累积运行时间成比例的时间常数，直到达到标称时间常数，或者不累积与基线时间常数成比例的初始时间的任何信号。

在最优选实施例中，首先使用模式识别算法对信号源进行分类。示例性算法在几个功率频率周期内扫描电信号，然后输出每个周期的具有电晕状特征的累积电荷值和每个周期的具有内部缺陷类型pd特征的累积电荷值，以及被分类为噪声的其余部分。这些被称为噪声、“sd”和“pd”，其中分类方案中的“pd”是电源电压极性中对称的部分，具有绝缘体内部空隙的特征，并且“sd”是仅在一个极性出现的部分，具有电晕和其他表面-空气放电的特征。这些输出将一些离散事件的和分为代表两种不同失效模式的输出。这种预处理被称为分类，andle等人在us9,753,080中描述了一种分类处理。然后可以针对可选分类步骤输出的结果“sd”和“pd”来更新单独的趋势函数。

尽管可以实施其他趋势函数，但是下面阐述了一种特定技术。虽然平均数据将去除高振幅、仅仅几个样本的持续时间的异常值，但它也将丢失关于持续数分钟至数小时的高幅度放电的信息。短时(例如1天)的平均值对于位置之间的相关信号很有用；然而，无论根据警报还是趋势，它们忽视了短暂但大事件的必要贡献，而这是造成损伤的主要原因。目标是将这些混沌事件的影响捕获为平滑变化且易于压缩的资产健康变量，以便归档。

例如，一种趋势方法首先在采样周期小于60秒时执行数据的抽取。抽取取得前三个采样中的最小值。这允许该算法忽略开关事件和闪电引起的瞬变。

然后，该算法使用抽取值d和基线β计算偏差δ。当d＞√(β²+βo²)时：

其中βo是噪声阈值(例如100至1000)，β是基线平均值，并且d是要发现其趋势的抽取值。否则，δ＝0。对于基线读数β，与本底噪声βo显著相比，δ是读数与基线之间的分数差。对于基线接近本底噪声的情况，βo对归一化因子设置下限，以防止基线仍小于本底噪声时对原始数据不必要的“放大”。

该算法接下来将δ累积到t中，以周期1/γ衰减当前为用于平均基线β的时间常数。在示例情况中，β是14天的平均值(d＝14)并且γ＝1/(14天)。

其中iτbin是抽取样本的采样。

图1是示出随时间收集的pd数据的示例。原始pd数据被示为点。日常平均值(------*------)实际上会丢失关于瞬变pd事件的所有信息，这些信息可能仅在绝缘恶化的早期阶段持续几十秒到几分钟。这些是重要的，因为最初，新的损伤主要发生在瞬变过电压状态或冷凝湿度状态下。前者事件通常被电网控制系统在几分钟内校正，而后者最初被放电的能量迅速蒸发。另一条线(--*--*--*--)示出了指数加权平均基线，称为β。在公式3中使用该基线平均以设置对趋势化有贡献的pd或sd值的下限。β曲线使用长平均时间尺度p。一旦从阶梯式增长中稳定，基线即稳定。在该图中，p是14天，并且β被指数平均为βnew＝exp(-dt/p)*βold+(1-exp(-dt/p))*r(tnew)以及dt＝tnew-told。通常，dt＝τbin。

偏差函数δ被归一化到基线，使得趋势函数适用于范围广泛的资产类别、缺陷类型、甚至趋势变量。β基线的稳定时间导致初始升高的pd值具有与偏差δ不成比例的高归一化，并导致趋势函数t，(---------，x10⁴)的过冲501。这通过在公式1中使用偏移量βo(目前βo＝500)而在启动时得到部分解决。可能需要使βo与标准偏差或抽取数据的一些其他统计成比例，因为它将与来自相邻资产的信号成比例。

通过对β平均使用平滑地从0过渡到p的可变时间尺度，可以进一步减少启动时的过冲。然而，在pd的阶跃变化中可能发生类似的过冲，其中可能伴随着负载变化、失效后资产健康状况的变化等。可能并不需要抑制这些。需要一种设置启动模式的机制，其中可以抑制、平滑或以其他方式防止瞬变501。

一旦β稳定，当pd变得更显著时t升高，并且当pd活动稳定时t下降。升高的t旨在表示随时间推移加速的pd强度。这假设如果放电仅对资产造成新的和逐步的损伤，pd仅是一个操作威胁。

随着基线向新的pd水平稳定下来，趋势函数将趋于0。另一方面，引起新的绝缘损伤的放电将趋于引入新的pd部位，趋于减少现有部位的起始电压，并通常将增加pd的强度和存在pd的时间部分。这将使t升高，指示新的损伤。如果t再次下降，则认为资产已经达到新的、稳定的基线。然而，如果t持续升高或进一步加速，则损伤的程度已经进入指数增长阶段，其中新的损伤正在使系统危险地接近失效状态。

图2是局部放电检测系统100的简化框图，其被布置成检测来自电气资产102的局部放电。电气资产102可以是发生局部放电事件的任何适当的电气资产。资产102被示为连接到电网104。

在该实施例中，局部放电检测系统100包括布置在电气资产102附近的换能器110。换能器110可以定位在资产102的壳体内，或者可以在一些构造中定位在资产102的壳体的外部。根据任何适当的技术，换能器110可以包括天线、电容接触、接触、瞬变接地电压(tev)探针、瞬变磁性(tm)探针、感应电荷(q-dot)探针或被配置为接收射频发射的hfct、声学或超声波传感器以及光学检测器。检测电路112被布置成从换能器110接收信号，并向微处理器114提供检测的信号。检测电路112被配置为检测来自换能器的信号，并且可以包括放大器、滤波器或其它部件。在至少一些实现中，使用多个换能器110b。这些可以共享相同的检测电路112或具有它们自己的检测电路112b，或独立和共享电路的组合。它们可以输出独立的趋势信号或可以在趋势之前将信号混合为一个聚集。微处理器114根据存储在存储器116中的指令来操作。当检测到局部放电事件或重现局部放电事件的模式时，微处理器114使用输出电路118来提供输出。示出了电源120，电源120用于为系统100的电路供电。电源可以是例如由电池提供的内部电源，或者可以是从外部电源接收的电力。下面更详细地描述检测电路的操作。

微处理器114监测来自检测电路112和可选电路112b的输出。基于来自检测电路112和可选电路112b的输出，微处理器可以提供输出，例如，使用诸如可听或视觉输出之类的公告技术，在本地向操作者提供输出，或者该信息可以被发送到诸如控制室之类的远程位置。在另一示例中，输出118被用于关闭电气资产102或为电气资产102供电的上游电源，以防止进一步的损坏。最优选地，输出将表示未来维护的紧急程度(预测性维护)。

输出还可以提供电晕放电或存在的噪声量的指示。输出可通常基于在一段时间内检测到的多个事件、检测到多个事件的频率、一个或多个事件的幅度或强度，或其一些组合；然而，这些参数并不直接指示机器的健康状况。通过输出趋势函数，获得将所有这些参数封装到一个或多个资产健康趋势函数中的信号，该函数与累积损伤和损伤累积速率密切相关。示例性设备在几个功率频率周期内扫描电信号，然后输出每个周期的具有电晕状特征的累积电荷值和每个周期的具有内部缺陷类型pd特征的累积电荷值。这些被称为“sd”和“pd”。这些输出将一些离散事件的和分为代表两种不同的失效模式的输出。如前所述，这种预处理被称为分类，andle等人在us9,753,080中描述了一种分类处理。然后可以针对“sd”和“pd”更新单独的趋势函数。这种分类可能发生在微处理器114中或者发生在检测电路112和112b中。为了执行本发明，输出信号可以被输出到单独的微处理器或者输出到同一微处理器中的单独进程。

根据另一实施例，图3示出一种改进的系统，其中目标电气资产102b具有左右邻居，102a和102c。每个资产由相关换能器110a、110b或110c和检测电路112a、112b或112c来测量，并且微处理器使用来自邻居102a和102c的信号来拒绝从外部局部放电事件传入资产102b的误报信号。

图4是示出由图2和图3中示出的微处理器114和/或检测电路112实现的本发明的方面的简化框图。原始数据可选地被抽取202以及与基线进行比较204。来自比较的正差异被累积206、衰减208和观察210，以作为指示资产健康状况或损伤的输出。

图5是示出本发明的可选方面的扩展框图。如图5所示，向可选的抽取函数202提供原始数据，原始数据例如是来自图2所示的检测器110或作为分类处理201的输出。抽取函数202以及参考图4阐述的其他步骤可根据本文描述的技术来实现。在框202，可选地抽取来自分类的输出。在计算处理204中，将抽取函数与基线203和可选的偏移量216进行比较。根据需要，计算偏差的基线比较204可以在抽取202之前或之后发生。在框206，如上所述累积采样事件。提供衰减或耗散函数208，其通过老化机制来减少累积值。在框210，观察累积值的趋势并将其与由于发生局部放电引起的设备状态的改变相关联。然后例如，使用输出电路118提供输出。这个输出可以是即将发生失效、设备已经退化到所需阈值以下、设备完全失效或者与检测到的局部放电相关的一些其他指示的警报。在示例情况下，分类处理例如使用诸如modbus、dnp-3或iec61850的控制系统协议来填充可从外部访问的寄存器，并且抽取处理周期性地对这些寄存器进行采样。虽然趋势函数的直接值表示资产的相关健康状况，但趋势函数的增长率表示必需安排修理的紧迫性。

图5还示出可选偏移量216，其包括来自可选统计214的项，诸如原始数据的标准偏差。最后，可选偏移量216可以包括来自可选检测电路212a和212c的可选分类221原始数据的可选抽取222数据，以指示相邻资产原始数据，使得输出210仅响应于目标资产中超过相邻资产中信号一定比例的信号。

虽然已经参照示例性优选实施例对本发明进行了描述，但是本领域技术人员将会认识到的是，在不脱离本发明的精神和范围的情况下，可以实现形式和细节上的修改。换能器110可以根据包括射频信号、光学传感器、声波和超声波传感器或其他类型的任何技术。可以使用任何数量的换能器并将其定位在被监测的资产的柜体的内部和/或外部。换能器可以被连续监测，或者可以被轮询。尽管在附图中被示为单独的组件，但是检测电路和微处理器可以在单个微处理器中实现，作为现场可编程门阵列中的单独的核心等。此外，获取和分类局部放电事件的功能可以发生在与趋势函数的抽取、比较、累积和耗散处理相分离的装置中。例如，可以将第一仪器嵌入在电气资产中，以执行获取、检测和分类，并且第二仪器可以位于通过互联网连接到第一仪器的数据中心中。微处理器114是控制器的一个示例。可以采用诸如温度传感器的附加传感器，并用于进一步改进局部放电检测系统。提供了一种趋势函数，其可以提供对加速的pd水平的快速响应、尽管混沌原始数据的平滑变化、以及能够被归档为欠采样、压缩数据的能力。趋势函数可以进一步细化，并且可以收集关于多个资产类别的长期趋势集合。还可以收集其他关键资产健康特征的多变量、混合趋势值。本发明具有局部放电以外的效用，并且可以用于跟踪来自资产中其他可测量异常状态的累积损伤。这些可以包括热事件。虽然本发明的重要方面是获取与来自混沌源信号的损伤相关的平滑变化的信号，但是检测和累积资产参数和参数基线之间的归一化正差值的步骤可以与其他资产参数和导出值一起使用。如本文所使用的，处理电路可使用包括数字信号处理器、微处理器114、检测电路112等的任何适当的技术来实现。

在各个方面，本发明可以包括抽取，该抽取包括滤除换能器输出中持续时间短的大事件；归一化偏差；用可变时间尺度补偿累积偏差；当电气组件未被使用时暂停检测；当引入局部放电内置自检时暂停检测；使用内置自检来建立归一化；使用基线来建立归一化；使用原始数据的统计参数来建立归一化；在建立基线之前抑制误报；从输出值中推断累积的损伤；从输出的增长率中识别重大损伤；组合一个或多个信号以创建聚合数据集；通过模式识别将输入信号分类成一个类别；分类内部pd；分类电晕或表面放电；使用未分类的模式；跟踪从历史信号导出的基线参考值；计算偏差包括检测高于基线参考值的换能器输出的增长；累积偏差包括创建换能器输出中超过基线参考值的局部放电事件的累积和；识别新的损伤；并且为换能器输出中的近期事件提供更高的权重。