用于识别变压器局部放电类型与强度的检测系统及方法与流程

1.本发明涉及变压器类设备技术领域，具体地指一种用于识别变压器局部放电类型与强度的检测系统及方法。


背景技术：

2.电力变压器是电网的关键设备，维护其安全运行非常重要。绝缘故障是变压器的主要故障之一，局部放电的发展会导致绝缘问题。局部放电检测是及时发现变压器内绝缘的重要方法之一，识别出不同放电类型对于及时制定运维策略消除缺陷有重要帮助。
3.局部放电装置是24小时持续采集数据的，因而需要自动识别并完成告警。在各种识别算法中基于神经网络的效果较好，但是目前的网络例如resnet、mobilenet都是基于图片识别的思路。传统图片识别中一张图片只能有一个标签，但是局部放电的prpd散点图(phase-resolved partial discharge，沿面放电发展过程中相位分布图)中有可能同时有几种放电，传统的图片识别无法有效识别几种放电同时发生的情况，更无法给出同时发生的不同放电类型的相对强度。


技术实现要素：

4.本发明的目的就是要提供一种用于识别变压器局部放电类型与强度的检测系统及方法，本发明采用卷积神经网络(cnn)、全连接神经网络、transformer网络等深度学习网络的方式，使本发明具有同时识别多种放电类型以及不同放电类型之间的相对强度的能力。
5.为实现此目的，本发明所设计的用于识别变压器局部放电类型与强度的检测系统，它包括局部放电采集设备、服务器和检测头操作模块；
6.所述局部放电采集设备用于采集变压器的放电信号并根据放电信号输出反应放电类型和强度的prpd散点图；
7.服务器用于将prpd散点图进行归一化处理，并利用训练好的图片分类网络对归一化后的prpd散点图进行特征提取，提取包含放电类型和强度信息的一维向量m；
8.检测头操作模块用于对一维向量m进行卷积操作，得到包含n种放电类型的置信度和n种放电类型的强度的向量2n。将得到的向量2n的每一个数都经过一次sigmoid运算，将向量2n的每一个数都转换到0到1之间，其中相邻的两个数为一组，一共是n组，n是放电类型数量，每组中第一个数是放电类型的置信度，每组中第二个数是本类型放电强度。
9.本发明的有益效果：
10.现场实际采集的prpd散点图中有可能同时有几种放电强度不同的放电同时发生，训练好的图片分类网络处理这些prpd散点图后输入到检测头操作模块，会得到几种不同放电类型及相对强度的结果。传统算法只能得到一种放电类型且无放电强度，不适用于多种放电情况。
附图说明
11.图1为本发明的结构示意图；
12.图2为图片分类网络的示意图。
具体实施方式
13.以下结合附图和具体实施例对本发明作进一步的详细说明：
14.如图1所示用于识别变压器局部放电类型与强度的检测系统，其特征在于：它包括局部放电采集设备、服务器和检测头操作模块；
15.所述局部放电采集设备用于采集变压器的放电信号并根据放电信号输出反应放电类型和强度的prpd散点图，这样可以获取局部放电特征数据，prpd散点图是一种能反映放电类型和强度的数据形式，局放设备采集后自动生成并输出了prpd散点图；
16.服务器用于将prpd散点图进行归一化处理，并利用训练好的图片分类网络对归一化后的prpd散点图进行特征提取，提取包含放电类型和强度信息的一维向量m；这样可以提取prpd散点图中携带的放电类型和强度的特征信息；归一化是散点图的前处理方法，作用是为了让网络更好的提取放电类型和强度的特征信息，图片分类网络通过多层非线性操作使得网络具有提取各种特征的能力，最终得到包含局部放电类型和强度信息的向量m；
17.检测头操作模块用于对一维向量m进行卷积操作，得到包含n种放电类型的置信度和n种放电类型的强度的向量2n。将得到的向量2n的每一个数都经过一次sigmoid运算，将向量2n的每一个数都转换到0到1之间，其中相邻的两个数为一组，一共是n组，n是放电类型数量，每组中第一个数是放电类型的置信度，每组中第二个数是本类型放电强度。检测头模块首先将一维向量m通过卷积操作得到向量n，这一步是为了将前级网络的输出维度调整到2n。因为一般情况下前级网络的输出维度都很大。然后将2n向量逐个进行sigmoid操作，是为了将2n向量转换为最终所需要的置信度和放电强度组成的向量。因为sigmoid函数能将所有正负数转换到0、1之间。
18.上述技术方案中，服务器将prpd散点图进行归一化处理的方式为：
19.a＝(img/255.0-μ)/σ，其中，img是prpd散点图像素值，μ是得到的预设时间段内得到的所有prpd散点图像素值的均值，σ是预设时间段内得到的所有prpd散点图像素值的方差。归一化处理是对输入图片的前处理操作，为了让前级网络能更好的处理图片数据。因为网络一般只能处理在-1、1之间的数据。
20.上述技术方案中，所述检测头操作模块用于对一维向量m进行卷积操作的方式为：采用(1,1,m,2n)的卷积核将向量m变换到向量2n，(1,1,m,2n)表示卷积核大小为1x1，维度是m，数量是2n；将得到的向量2n的每一个数都经过一次sigmoid运算，将向量2n的每一个数都转换到0到1之间，其中相邻的两个数为一组，一共是n组，n是放电类型数量，每组中第一个数是放电类型的置信度，每组中第二个数是本类型放电强度。置信度指的是该类型放电发生的可能性大小，越接近于1，发生的可能性越大。一般用0.5作为区分是否发生的界线，置信度低于0.5认为没有发生本类型放电。将前级网络的输出m最终转换为所需要的包含局部放电类型和强度的2n向量，因为检测头中的卷积操作具有变换维度的能力，sigmoid操作再将2n向量逐个数转换到0、1之间。
21.上述技术方案中，所述sigmoid运算的公式为：
22.其中的x是向量2n中的数据，e为自然常数。
23.上述技术方案中，所述图片分类网络为卷积网络或者transformer网络。
24.本发明使用sigmoid激活函数对每一个数单独进行处理，所以可以实现检测多种类型放电同时发生的情况。
25.上述技术方案中，所述局部放电采集设备得到反应放电类型和强度的prpd散点图的具体方法为：
26.首先，规定变压器一种特定放电(常见的较强的放电)的放电强度为1，然后依次采用仿真或者实测的方法获取每种放电类型强度从0、10％、20％一直到100％的prpd散点图(即0、10％、20％、30％、40％、50％、60％、70％、80％、90％、100％的prpd散点图)，这样每种放电类型有11种放电强度的prpd散点图，n种放电类型一共有11的n次方种prpd散点图，将不同放电类型的不同放电强度的图谱采用散点叠加方式合成一张prpd散点图，一共会合成得到11的n次方种图谱；一共会合成得到11的n次方种图谱，例如n种放电类型强度分别为10％、50％、...、30％，将这n种不同放电强度的prpd散点图以散点叠加方式合成一张图，为了得到不同放电类型，不同放电强度下的样本数据。不同放电类型的局部放电prpd散点图可以通过散点叠加方式合成为一张图。如下表的合成方式：
27.表1，图片合成示例表
[0028][0029]
然后，为11的n次方种图谱中每张prpd散点图设置对应的放电类型置信度标签，放电类型置信度标签为：只要本prpd散点图中的放电强度不等于0，则本prpd散点图中放电类型置信度标签等于1，反之为0，放电强度值为本类型的放电强度值，得到反应放电类型和强度的prpd散点图。样本标签个数为与向量2n对应的2n个，n是放电类型数目，每种放电类型2个标签值，分别是置信度和放电强度。为了得到prpd散点图样本的真实标签。不同放电类型，不同放电强度下的prpd散点图都有自己唯一的真实标签数据。
[0030]
下面列表2是一个标签示例。
[0031]
表2：标签示例
[0032][0033]
上述技术方案中，服务器对图片分类网络进行训练的具体方法为：将每张反应放电类型和强度的prpd散点图进行归一化处理后输送到图片分类网络中，获取包含放电类型和强度信息的一维向量m，将提取包含放电类型和强度信息的一维向量m输送到检测头操作模块中，得到包含n种放电类型的置信度和n种放电类型的强度的向量2n，将这向量2n与每
张prpd散点图设置对应的放电类型置信度标签做交叉熵，得到训练误差(网络的输出与标签不一样即为误差)，然后将训练误差在图片分类网络中反向传播更新图片分类网络内部的权重参数，如此进行150次训练，得到训练好的图片分类网络。将现场实际采集到的prpd图谱送入到训练好的网络和本文提出的检测头中，会得到预测的放电类型和对应的放电强度，为了得到不同放电类型不同放电强度下的样本数据。不同放电类型的局部放电prpd散点图可以通过散点叠加方式合成为一张图。
[0034]
本发明采用的技术方案是该检测头由1x1xmx2n样式的卷积以及2n个sigmoid函数构成，卷积接收前级网络的数据，经过卷积核操作核sigmoid处理后输出2n个数据。其中n是放电类型的数目，第一个数是第一种放电类型发生的置信度，第二个数第一种放电类型相对其他放电的强度，以此类推第2n-1个数是第n种放电类型发生的置信度，第2n个数是第n种放电类型相对其他放电的强度，如图2所示。该检测头接上级网络数据后会得到n种放电类型的置信度和n种放电之间的相对强度。可识别单一放电的prpd散点图也可识别几种同时发生的放电类型。该检测头不限前级网络的类型，可以是全连接也可以是卷积。
[0035]
上述技术方案中，为实现检测头最终的分类识别效果，区别于传统识别的地方在于不仅需准备单一类型同等放电强度的prpd散点图，还需要准备任意多种放电类型以不同放电强度(10％)混合放电的prpd散点图。对于单一类型的数据自身的置信度标签是1，放电强度标签是1，剩余其他的放电类型标签是0，放电强度标签也是0。同时还需要准备两两混合放电类型的数据，按照两两放电强度10％比例递增混合构成新的放电prpd图谱，以此类推，直到准备所有放电类型同时发生的图谱数据，并且所有不同放电类型强度均按照10％比例一级不断混合，直到90％比例的。这样总共会得到11的n次方张样本图片。将所有准备好的数据送入使用本文技术方案检测头的神经网络中训练，最终使用本文中检测头的检测网络可识别单一或者多种放电同时发生的情况，同时可给出每种放电的相对强度。
[0036]
一种用于识别变压器局部放电类型与强度的检测方法，它包括如下步骤：
[0037]
步骤1：采集变压器的放电信号并根据放电信号输出反应放电类型和强度的prpd散点图；
[0038]
步骤2：将prpd散点图进行归一化处理，并利用训练好的图片分类网络对归一化后的prpd散点图进行特征提取，提取包含放电类型和强度信息的一维向量m；
[0039]
步骤3：对一维向量m进行卷积操作，得到包含n种放电类型的置信度和n种放电类型的强度的向量2n。将得到的向量2n的每一个数都经过一次sigmoid运算，将向量2n的每一个数都转换到0到1之间，其中相邻的两个数为一组，一共是n组，n是放电类型数量，每组中第一个数是放电类型的置信度，每组中第二个数是本类型放电强度。
[0040]
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现上述方法的步骤。
[0041]
本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。