一种高压电力设备缺陷类型识别方法及系统与流程

本申请属于电力设备状态监测领域，尤其涉及一种高压电力设备缺陷类型识别方法及系统。

背景技术：

1、局部放电是电力设备内部常见的绝缘异常现象，其伴随产生电磁辐射、超声波、光、热等诸多物理信号。局部放电光学检测相比其他方法有诸多原理性优势：一、光传播不受电磁和声波干扰影响，测量结果具有极高置信度；二、放电发射光谱是放电过程能级跃迁的本质现象，可利用光谱特征对放电进行机理分析；三、将放电统计信息和光谱特征信息相结合，可同时实现缺陷类型识别和放电强度计算。

2、在现有绝大多数的放电光谱分析方法中，一般实验光谱放电分析均采用等离子光谱诊断来对谱线和谱带进行分析计算和比对，然而电力设备内部的局部放电具有时间和空间的双重随机性，具有复杂的光谱结构，如果采用实验室的光谱分析和诊断方法难以提取每一次放电过程中的光谱指纹特征和统计特性；并且实验室的光谱分析和诊断方法一般为全波段测量，容易带来光谱交叉干扰，没有办法工业化应用。

技术实现思路

1、本发明的目的在于提供一种高压电力设备缺陷类型识别方法及系统，解决了现有分析诊断方法存在的难以提取每一次放电过程中的光谱指纹特征和统计特性，及全波段测量带来的光谱交叉干扰的问题。

2、本发明是通过以下技术方案来实现：

3、本发明公开了一种高压电力设备缺陷类型识别方法，包括以下步骤：

4、s1、采集高压电力设备内部典型放电状态的弱光辐射信号；

5、s2、从弱光辐射信号中获取弱光脉冲在单位时长内的多波段脉冲波形信息，基于多波段脉冲波形信息提取弱光脉冲序列特征参量；

6、s3、将弱光脉冲序列特征参量输入至构建好的基于分形回归算法的模糊隶属度模型中，得到引发放电缺陷类别辨识结果。

7、进一步，s1中，基于少光子探测面阵采集高压电力设备内部典型放电状态的弱光辐射信号；

8、所述少光子探测面阵的检测单元波段范围位于210nm至750nm区间。

9、进一步，少光子探测面阵采用盖革型二极管，其检测单元数量规模不低于4×4。

10、进一步，s2中，弱光脉冲序列特征参量包括相对光脉冲强度、脉冲强度方差和光脉冲序列时间间隔的方差。

11、进一步，所述相对光脉冲强度的计算公式为：

12、

13、其中，ii,nor为相对光脉冲强度，ii为多组波形中的第i个脉冲强度，imax为脉冲序列中饱和值，imin为脉冲序列中最小阈值。

14、进一步，所述脉冲强度方差计算方法的公式为：

15、

16、其中，sa为脉冲强度方差，n为脉冲序列中包含的脉冲个数，iavr为脉冲序列中均值。

17、进一步，所述光脉冲序列时间间隔的方差的公式为：

18、

19、其中，st为光脉冲序列时间间隔的方差，ti为第i个脉冲与第i+1个脉冲的时间间隔，tavr为脉冲序列中间隔均值。

20、进一步，步骤s3中，基于分形回归算法的模糊隶属度模型的构建过程具体为：

21、3.1、获取高压电力设备内部典型放电状态的弱光辐射信号的历史数据；

22、3.2、从弱光辐射信号的历史数据中获取弱光脉冲在单位时长内的多波段脉冲波形信息，基于多波段脉冲波形信息提取弱光脉冲序列特征参量；

23、3.3、将弱光脉冲序列特征参量作为数据集，进行分层抽样，将数据集分为训练集、验证集和测试集；

24、将训练集输入至搭建好的基于分形回归算法的模糊隶属度模型中进行训练，采用验证集进行验证，直至验证集的准确率符合要求，使用测试集测试合格后，此时模糊隶属度模型对应的参数则为合格参数，则模糊隶属度模型构建合格。

25、进一步，步骤s3中，所述模糊隶属度模型中含有基尼指数，基尼指数的计算公式为：

26、

27、其中，g为基尼指数，m为样本类型总数，pk为样本属于第k类的概率。

28、本发明还公开了实现所述高压电力设备缺陷类型识别方法的一种高压电力设备缺陷类型识别系统，包括：

29、数据采集模块，用于采集高压电力设备内部典型放电状态的弱光辐射信号；

30、信息提取模块，用于从弱光辐射信号中获取弱光脉冲在单位时长内的多波段脉冲波形信息，基于多波段脉冲波形信息提取弱光脉冲序列特征参量；

31、缺陷类别辨识模块，用于将弱光脉冲序列特征参量输入至构建好的基于分形回归算法的模糊隶属度模型中，得到引发放电缺陷类别辨识结果。

32、与现有技术相比，本发明具有以下有益的技术效果：

33、本发明公开了一种高压电力设备缺陷类型识别方法，研究发现放电光脉冲包含丰富的光谱信息和时序统计信息，通过提取不同波段光脉冲波形包含的时序特征，可以进一步有效分析绝缘缺陷状态。该发明提出的特征参量反映了放电光发射活跃性和光粒子群特性的宏观特征，可作为局部放电光学特征判断的重要指标参量。相比其他局部放电光学检测方法，本方法避免了全波段测量带来的光谱交叉干扰，保留了有效的放电光谱信息，同时所提出的光脉冲时序特征提取方法相比传统相基统计方法更为简单有效，鲁棒性强。

34、进一步，弱光脉冲序列特征参量包括相对光脉冲强度、脉冲强度方差和光脉冲序列时间间隔的方差。本发明给出了上述特征参量的统计计算方法以及利用上述特征参量进行放电光脉冲识别的方法，这种方法相比光谱谱线分析能够更为简单有效的获得光谱指纹特征和光脉冲统计特征，配合相应的多波段光脉冲探测技术能够达到更高的检测灵敏度，并适用于实际电力设备。

技术特征：

1.一种高压电力设备缺陷类型识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种高压电力设备缺陷类型识别方法，其特征在于，s1中，基于少光子探测面阵采集高压电力设备内部典型放电状态的弱光辐射信号；

3.根据权利要求2所述的一种高压电力设备缺陷类型识别方法，其特征在于，少光子探测面阵采用盖革型二极管，其检测单元数量规模不低于4×4。

4.根据权利要求1所述的一种高压电力设备缺陷类型识别方法，其特征在于，s2中，弱光脉冲序列特征参量包括相对光脉冲强度、脉冲强度方差和光脉冲序列时间间隔的方差。

5.根据权利要求4所述的一种高压电力设备缺陷类型识别方法，其特征在于，所述相对光脉冲强度的计算公式为：

6.根据权利要求4所述的一种高压电力设备缺陷类型识别方法，其特征在于，所述脉冲强度方差计算方法的公式为：

7.根据权利要求4所述的一种高压电力设备缺陷类型识别方法，其特征在于，所述光脉冲序列时间间隔的方差的公式为：

8.根据权利要求1所述的一种高压电力设备缺陷类型识别方法，其特征在于，步骤s3中，基于分形回归算法的模糊隶属度模型的构建过程具体为：

9.根据权利要求1所述的一种高压电力设备缺陷类型识别方法，其特征在于，步骤s3中，所述模糊隶属度模型中含有基尼指数，基尼指数的计算公式为：

10.实现权利要求1-9任意一项所述高压电力设备缺陷类型识别方法的一种高压电力设备缺陷类型识别系统，其特征在于，包括：

技术总结
本申请属于电力设备状态监测领域，尤其涉及一种高压电力设备缺陷类型识别方法，包括以下步骤：采集高压电力设备内部典型放电状态的弱光辐射信号；从弱光辐射信号中获取弱光脉冲在单位时长内的多波段脉冲波形信息，基于多波段脉冲波形信息提取弱光脉冲序列特征参量；将弱光脉冲序列特征参量输入至构建好的基于分形回归算法的模糊隶属度模型中，得到引发放电缺陷类别辨识结果。该发明提出的特征参量反映了放电光发射活跃性和光粒子群特性的宏观特征，可作为局部放电光学特征判断的重要指标参量。相比其他局部放电光学检测方法，本方法避免了全波段测量带来的光谱交叉干扰，保留了有效的放电光谱信息，同时所提出的光脉冲时序特征提取方法相比传统相基统计方法更为简单有效，鲁棒性强。

技术研发人员：李光茂,陈璐,吴启邦,杜钢,杨杰,杨森
受保护的技术使用者：广东电网有限责任公司广州供电局
技术研发日：
技术公布日：2024/5/16