一种基于边缘计算的局部放电模式识别方法及装置与流程

1.本发明涉及高压设备技术领域，具体涉及一种基于边缘计算的局部放电模式识别方法及装置。


背景技术：

2.电厂中高压电气设备在长期运行的情况下不可避免会出现各种各样的劣化或者故障，据不完全统计，绝缘故障占设备故障比例为38.1％，主要表现为设备内部遗留金属突出物或存在金属微粒导致的放电，或是绝缘部件受潮、绝缘层裂纹引起的放电等。因此对重要电气设备进行监视和故障诊断不仅仅可以保障设备的安全运行，也能极大程度上提高供电可靠性。随着信息技术的发展，采用数字信号处理局部放电信号的技术愈发成熟，目前针对电气设备故障诊断的研究主要目的是为了提高故障诊断精度，复杂的神经网络会占用大量计算资源，不符合工业运作的实际情况。
3.随着传感器技术、计算机技术、网络技术的迅速发展，设备在数据的获取、存储、传输、加工、分析以及利用方面得到了有效提升。现有技术中，传统云计算处理海量数据的能力显得尤为不足，存在实时性不够、带宽不足、能耗较大以及数据安全性低等问题。


技术实现要素：

4.有鉴于此，本发明实施例提供了一种基于边缘计算的局部放电模式识别方法及装置，以克服现有技术中处理海量数据的能力差，能耗大以及数据安全性低的问题。
5.本发明实施例提供了一种基于边缘计算的局部放电模式识别方法，应用于云层，所述方法包括：
6.接收边缘层发送的数据集；
7.对所述数据集进行存储，利用所述数据集对回归神经网络进行训练，确定目标回归神经网络；
8.将所述目标回归神经网络部署至边缘层。
9.本实施例提供的基于边缘计算的局部放电模式识别方法，整合了云计算和边缘计算协同服务架构的优势，将平滑因子的优化部署在云端，而将训练好的广义回归神经网络模型部署在边缘层。所提模式识别方法正确识别率较高、识别速率快，适合嵌入到边缘计算框架中。这种计算模式能够在一定程度上满足人工智能在云体系架构中对计算和存储资源的需求，能够灵活应用于工业互联网的各种场景。
10.可选地，所述利用所述数据集对回归神经网络进行训练，确定目标回归神经网络，包括：
11.采用粒子群算法对所述回归神经网络的自由参数进行优化；
12.利用所述数据集对优化后的回归神经网络进行训练，确定目标回归神经网络。
13.可选地，所述采用粒子群算法对所述回归神经网络的自由参数进行优化，包括：
14.获取所述粒子群算法的初始值及所述数据集对应的标签值，所述初始值包括：种
群数量、迭代次数、粒子群初始位置、粒子群速度初始值、记忆因子、进化因子；
15.将所述数据集确定为所述回归神经网络的输入，确定网络输出值；
16.将所述网络输出值与所述标签值的均方根误差函数作为所述粒子群算法的适应度函数；
17.利用所述适应度函数对所述回归神经网络的自由参数进行优化。
18.可选地，所述利用所述适应度函数对所述回归神经网络的自由参数进行优化，包括：
19.利用所述适应度函数，确定粒子所有位置的适应度值；
20.在所述适应度值中确定最小适应度值，并将所述最小适应度值对应粒子的位置和速度分别确定为当前位置和当前速度；
21.对粒子群的所述当前位置和所述当前速度进行迭代更新，当迭代次数达到最大时，确定目标位置及目标速度；
22.将所述目标位置及目标速度作为自由参数，以完成对所述回归神经网络的优化。
23.本发明实施例还提供了一种基于边缘计算的局部放电模式识别方法，应用于终端层，所述方法包括：
24.利用局部放电监测设备采集局部放电数据；
25.对所述局部放电数据进行特征提取，确定特征参量；
26.将所述特征参量上传至边缘层。
27.本发明实施例还提供了一种基于边缘计算的局部放电模式识别方法，应用于边缘层，所述方法包括：
28.接收终端层发送的特征参量，并获取云层的目标回归神经网络；
29.将所述特征参量作为所述目标回归神经网络的输入，进行放电类型识别，确定数据集；
30.将所述数据集发送给云层。
31.本发明实施例还提供了一种基于边缘计算的局部放电模式识别装置，应用于云层，所述装置包括：
32.第一处理模块，用于接收边缘层发送的数据集；
33.第二处理模块，用于对所述数据集进行存储，利用所述数据集对回归神经网络进行训练，确定目标回归神经网络；
34.第三处理模块，用于将所述目标回归神经网络部署至边缘层。
35.本发明实施例还提供了一种基于边缘计算的局部放电模式识别装置，应用于终端层，所述装置包括：
36.采集模块，用于利用局部放电监测设备采集局部放电数据；
37.特征提取模块，用于对所述局部放电数据进行特征提取，确定特征参量；
38.发送模块，用于将所述特征参量上传至边缘层。
39.本发明实施例提供了一种基于边缘计算的局部放电模式识别装置，应用于边缘层，所述装置包括：
40.接收模块，用于接收终端层发送的特征参量，并获取云层的目标回归神经网络；
41.识别模块，用于将所述特征参量作为所述目标回归神经网络的输入，进行放电类
型识别，确定数据集；
42.第二发送模块，用于将所述数据集发送给云层。
43.本发明实施例还提供了一种基于边缘计算的局部放电模式识别系统，包括：终端层、边缘层和云层，其中，
44.所述终端层利用局部放电监测设备采集局部放电数据；对所述局部放电数据进行特征提取，确定特征参量；将所述特征参量上传至边缘层；
45.所述边缘层接收终端层发送的特征参量，并获取云层的目标回归神经网络；将所述特征参量作为所述目标回归神经网络的输入，进行放电类型识别，确定数据集；将所述数据集发送给云层。
46.所述云层接收终端层发送的风电场的运行数据；根据预设标准对所述运行数据进行判断，确定运行状态；建立预警算法，根据所述预警算法以及所述运行状态，对所述风电场的设备进行预警，并将预警信息反馈给所述终端层。
47.本发明实施例还提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行本发明实施例提供方法。
48.本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行本发明实施例提供的方法。
附图说明
49.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
50.图1为本发明实施例中的基于边缘计算的局部放电模式识别系统的结构示意图；
51.图2为本发明实施例中的基于边缘计算的局部放电模式识别系统功能模块的示意图；
52.图3为本发明实施例中的基于边缘计算的局部放电模式识别系统数据流传输过程的示意图；
53.图4为本发明实施例中基于边缘计算的局部放电模式识别方法的流程图；
54.图5为本发明实施例中基于边缘计算的局部放电模式识别方法的另一流程图；
55.图6为本发明优选实施例中基于边缘计算的局部放电模式识别方法的另一流程图；
56.图7为本发明实施例中的基于边缘计算的局部放电模式识别装置的结构示意图；
57.图8为本发明实施例中的基于边缘计算的局部放电模式识别装置的另一结构示意图；
58.图9为本发明优选实施例中的基于边缘计算的局部放电模式识别装置的另一结构示意图；
59.图10为本发明实施例中的电子设备的结构示意图。
具体实施方式
60.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
61.下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
62.电厂中高压电气设备在长期运行的情况下不可避免会出现各种各样的劣化或者故障，据不完全统计，绝缘故障占设备故障比例为38.1％，主要表现为设备内部遗留金属突出物或存在金属微粒导致的放电，或是绝缘部件受潮、绝缘层裂纹引起的放电等。因此对重要电气设备进行监视和故障诊断不仅仅可以保障设备的安全运行，也能极大程度上提高供电可靠性。随着信息技术的发展，采用数字信号处理局部放电信号的技术愈发成熟，目前针对电气设备故障诊断的研究主要目的是为了提高故障诊断精度，复杂的神经网络会占用大量计算资源，不符合工业运作的实际情况。在实际的监测系统中，必须考虑软硬件资源是否够用、诊断结果返回是否及时等问题。
63.随着传感器技术、计算机技术、网络技术的迅速发展，设备在数据的获取、存储、传输、加工、分析以及利用方面得到了有效提升。在万物互联的大背景下，传统云计算处理海量数据的能力显得尤为不足，存在实时性不够、带宽不足、能耗较大以及数据安全性低等问题。边缘计算的出现使得上述问题得到有效地解决，针对局部放电数据采样频率高、数据处理复杂等特点，如何利用边缘计算技术和神经网络算法对电气设备进行边缘端的快速诊断，是本领域技术人员需要进一步研究的方向。
64.基于上述问题，本发明实施例提供了一种基于边缘计算的局部放电模式识别系统，如图1所示，该系统包括：包括：终端层1、边缘层2和云层3，其中，终端层利用局部放电监测设备采集局部放电数据；对局部放电数据进行特征提取，确定特征参量；将特征参量上传至边缘层2；边缘层2接收终端层1发送的特征参量，并获取云层的目标回归神经网络；将特征参量作为目标回归神经网络的输入，进行放电类型识别，确定数据集；将数据集发送给云层3；云层3接收终端层1发送的风电场的运行数据；根据预设标准对运行数据进行判断，确定运行状态；建立预警算法，根据预警算法以及运行状态，对风电场的设备进行预警，并将预警信息反馈给终端层1。
65.具体地如图2所示，本实施例中的终端层1包含传感器、信号处理单元，完成原始数据收集、数据处理和上传任务；所述边缘层2包含可视化、数据分析、数据存储单元，完成数据筛选、图形绘制、模式识别任务；所述云层3包含数据中心、设备管理单元，完成数据计算、数据处理、数据存储、模块迭代更新任务，具体数据流如图3所示。
66.本实施例中，可以实现以下效果：
67.通过上述各个组成部分的协同合作，本发明实施例提供的基于边缘计算的局部放电模式识别系统，整合了云计算和边缘计算协同服务架构的优势，将平滑因子的优化部署在云端，而将训练好的广义回归神经网络模型部署在边缘层。所提模式识别方法正确识别率较高、识别速率快，适合嵌入到边缘计算框架中。这种计算模式能够在一定程度上满足人工智能在云体系架构中对计算和存储资源的需求，能够灵活应用于工业互联网的各种场
景。
68.本发明实施例还提供了一种基于边缘计算的局部放电模式识别方法，该方法应用于如图1所示的云层3，如图4所示，该基于边缘计算的局部放电模式识别方法具体包括如下步骤：
69.步骤s11：接收边缘层发送的数据集。
70.具体地，云层集成有多台高性能服务器，包含数据中心、设备管理单元，完成数据计算、数据处理、数据存储、模块迭代更新任务，更新后的算法推送至边缘层，实现整个计算分析模块的自主学习闭环。本实施例中云层首先接收边缘层发送过来的数据集。
71.步骤s12：对数据集进行存储，利用数据集对回归神经网络进行训练，确定目标回归神经网络。
72.具体地，云层使用数据库存放的放电样本数据对广义回归神经网络进行训练，采用粒子群算法优化广义回归神经网络自由参数。本实施例中仅以上述粒子群算法为例进行说明，在实际应用中可以根据实际需要利用其他现有算法进行网络训练，本实施例并不以此为限。
73.步骤s13：将目标回归神经网络部署至边缘层。
74.通过执行上述步骤，本发明实施例提供的基于边缘计算的局部放电模式识别方法，整合了云计算和边缘计算协同服务架构的优势，将平滑因子的优化部署在云端，而将训练好的广义回归神经网络模型部署在边缘层。所提模式识别方法正确识别率较高、识别速率快，适合嵌入到边缘计算框架中。这种计算模式能够在一定程度上满足人工智能在云体系架构中对计算和存储资源的需求，能够灵活应用于工业互联网的各种场景。
75.具体地，在一实施例中，上述的步骤s12具体包括如下步骤：
76.步骤s121：采用粒子群算法对回归神经网络的自由参数进行优化。
77.具体地，在一实施例中，上述步骤s121，包括如下步骤：
78.步骤s1211：获取粒子群算法的初始值及数据集对应的标签值，初始值包括：种群数量、迭代次数、粒子群初始位置、粒子群速度初始值、记忆因子、进化因子。
79.本实施例中，设置粒子群算法的初始值，如种群数量、迭代次数、粒子群初始位置、粒子群速度初始值、记忆因子、进化因子等参数，以便于对神经网络进行计算。
80.步骤s1212：将数据集确定为回归神经网络的输入，确定网络输出值。
81.步骤s1213：将网络输出值与标签值的均方根误差函数作为粒子群算法的适应度函数。
82.需要说明的是，本实施例中仅以粒子群算法为例进行说明，在实际应用中可以根据实际需要进行调整，具体并不以此为限。
83.步骤s1214：利用适应度函数对回归神经网络的自由参数进行优化。
84.具体地，在一实施例中，上述步骤s1214包括如下步骤：
85.(1)利用适应度函数，确定粒子所有位置的适应度值；
86.(2)在适应度值中确定最小适应度值，并将最小适应度值对应粒子的位置和速度分别确定为当前位置和当前速度；
87.(3)对粒子群的当前位置和当前速度进行迭代更新，当迭代次数达到最大时，确定目标位置及目标速度；
88.(4)将目标位置及目标速度作为自由参数，以完成对回归神经网络的优化。
89.步骤s122：利用数据集对优化后的回归神经网络进行训练，确定目标回归神经网络。
90.本实施例中，构建粒子群算法的适应度函数，其具体构建方法是将样本随机分为两组，一组作为训练样本，另一组为测试样本，通过训练样本训练得到的网络结构，网络输出如下：
[0091][0092]
式中，x
ia
为训练样本；为网络输出的预测坐标；δ为grnn的光滑因子；
[0093]
测试阶段使用测试样本的油色谱含量作为该网络的输入，grnn网络的输出即为预测输出值，此处适应度函数为测试输出值与实际标签的均方根的误差函数，其计算方法如下：
[0094][0095]
比较第k个粒子所有位置的适应度值，寻找最小的适应度值，其对应的个体位置确定为最优位置；
[0096]
更新粒子位置和速度，计算如下：
[0097][0098]
当迭代次数达到最大时，采用搜索到的最优位置作为平滑因子构建grnn网络。
[0099]
具体地，在一实施例中，如图5所示，应用于终端层的基于边缘计算的局部放电模式识别方法执行步骤s21至步骤s23，具体如下：
[0100]
步骤s21：利用局部放电监测设备采集局部放电数据。
[0101]
本实施例中，以局部放电检测设备为例进行采集局部放电数据，
[0102]
步骤s22：对局部放电数据进行特征提取，确定特征参量。
[0103]
其中，终端层包含传感器、信号处理单元，主要完成原始数据收集、数据处理和上传等任务，并完成了终端底层和边缘层之间的信息、数据互联。终端层通过局部放电监测系统采集局部放电波形数据，特征提取挖掘潜在信息，提取统计特征参量。
[0104]
步骤s23：将特征参量上传至边缘层。
[0105]
具体地，利用高频电流传感器采集电晕放电、悬浮放电、气隙放电三种放电类型数据，对每组数据提取局部放电相位分布图谱统计特征量，特征量包括：
[0106]
平均值：
[0107]
[0108]
方差：
[0109][0110]
偏斜度：
[0111][0112]
陡峭度：
[0113][0114]
互相关系数：
[0115][0116]
放电因数：
[0117][0118]
相位不对称度：
[0119][0120]
概率
[0121][0122]
式中，w为半周期相窗数；xi为第i个相窗的相位；δx为相窗宽度；pi为放电概率；yi为谱图的幅值；为正相位放电量；为负相位放电量；和为谱图中正负周第i个相窗内的放电重复率；和为谱图中正负周期发生放电的起始相角。
[0123]
通过执行上述步骤，本发明实施例提供的基于边缘计算的局部放电模式识别方法，整合了云计算和边缘计算协同服务架构的优势，将平滑因子的优化部署在云端，而将训练好的广义回归神经网络模型部署在边缘层。所提模式识别方法正确识别率较高、识别速率快，适合嵌入到边缘计算框架中。这种计算模式能够在一定程度上满足人工智能在云体系架构中对计算和存储资源的需求，能够灵活应用于工业互联网的各种场景。
[0124]
具体地，在一实施例中，如图6所示，应用于边缘层的基于边缘计算的局部放电模式识别方法执行步骤s31至步骤s33，具体如下：
[0125]
步骤s31：接收终端层发送的特征参量，并获取云层的目标回归神经网络。
[0126]
本实施例中，边缘层包含可视化、数据分析、数据存储单元，完成数据筛选、图形绘制、模式识别任务，为系统提供可视化功能服务，其中搭载的神经网络模型能够迅速识别放电类型；接收来自终端层发送的特征参量，并获取云层的目标回归神经网络。
[0127]
步骤s32：将特征参量作为目标回归神经网络的输入，进行放电类型识别，确定数据集。
[0128]
具体地，上述步骤s32在本实施例中还包括：
[0129]
(1)获取当前采集周期内的终端层的局部放电数据，在局部放电数据中确定峰值。
[0130]
(2)当峰值大于预设阈值时，计算峰值与预设阈值的比例值。
[0131]
(3)当比例值大于比例阈值时，确定当前状态为局部放电状态。
[0132]
(4)判断预设采集周期内的局部放电状态超过预设次数时，确定放电类型为故障类型。
[0133]
针对每次采集到的局部放电单周期峰值，如果超过设定阈值，就会进行一次越限比例计算，若计算结果超过0.75，系统记一次疑似局部放电，若采集周期内局部放电数据有超过一半都是疑似放电，即故障比例超过0.5，那么判断结果为故障。
[0134]
步骤s33：将数据集发送给云层。
[0135]
其中，由边缘层的数据存储单元存储的局部放电100个周期峰值进行故障初步判断，单周期峰值如果超过设定阈值，就会进行一次越限比例计算，若计算结果超过0.75，系统记一次疑似局部放电，若100个周期的局部放电数据有超过一半都是疑似放电，即故障比例超过0.5，那么判断结果为故障，然后利用100个周期提取局部放电特征量作为广义回归神经网络输入进行局部放电识别，识别的局部放电类型经过实际验证后贴上标签存入云端数据集。
[0136]
通过执行上述步骤，本发明实施例提供的基于边缘计算的局部放电模式识别方法，整合了云计算和边缘计算协同服务架构的优势，将平滑因子的优化部署在云端，而将训练好的广义回归神经网络模型部署在边缘层。所提模式识别方法正确识别率较高、识别速率快，适合嵌入到边缘计算框架中。这种计算模式能够在一定程度上满足人工智能在云体系架构中对计算和存储资源的需求，能够灵活应用于工业互联网的各种场景。
[0137]
本发明实施例还提供了一种基于边缘计算的局部放电模式识别装置，应用于如图1所示的云层，如图7所示，该基于边缘计算的局部放电模式识别装置包括：
[0138]
第一处理模块101，用于接收边缘层发送的数据集；
[0139]
第二处理模块102，用于对数据集进行存储，利用数据集对回归神经网络进行训练，确定目标回归神经网络；
[0140]
第三处理模块103，用于将目标回归神经网络部署至边缘层。
[0141]
上述各模块的具体实现过程详细内容参见上述方法实施例中步骤s11-s13的相关描述，在此不再进行赘述。
[0142]
本发明实施例提供的基于边缘计算的局部放电模式识别装置，用于执行上述实施例提供的终端层侧的基于边缘计算的局部放电模式识别方法，其实现方式与原理相同，详细内容参见上述方法实施例的相关描述，不再赘述。
[0143]
本发明实施例还提供了一种基于边缘计算的局部放电模式识别装置，应用于如图1所示的终端层，如图8所示，该基于边缘计算的局部放电模式识别装置包括：
[0144]
采集模块201，用于利用局部放电监测设备采集局部放电数据；
[0145]
特征提取模块202，用于对局部放电数据进行特征提取，确定特征参量；
[0146]
发送模块203，用于将特征参量上传至边缘层。
[0147]
上述各模块实现的功能，详细内容参见上述方法实施例中步骤s21-s23的相关描述，在此不再进行赘述。
[0148]
本发明实施例还提供了一种基于边缘计算的局部放电模式识别装置，应用于如图1所示的边缘层，如图9所示，该基于边缘计算的局部放电模式识别装置包括：
[0149]
接收模块301，用于接收终端层发送的特征参量，并获取云层的目标回归神经网络；
[0150]
识别模块302，用于将特征参量作为目标回归神经网络的输入，进行放电类型识别，确定数据集；
[0151]
第二发送模块303，用于将数据集发送给云层。
[0152]
上述各模块实现的功能，详细内容参见上述方法实施例中步骤s31-s33的相关描述，在此不再进行赘述。
[0153]
本发明实施例提供的基于边缘计算的局部放电模式识别装置，用于执行上述实施例提供的云层侧的基于边缘计算的局部放电模式识别方法，其实现方式与原理相同，详细内容参见上述方法实施例的相关描述，不再赘述。
[0154]
根据本发明实施例还提供了一种电子设备，如图10所示，该电子设备可以包括处理器901和存储器902，其中处理器901和存储器902可以通过总线或者其他方式连接，图10中以通过总线连接为例。
[0155]
处理器901可以为中央处理器(central processing unit，cpu)。处理器901还可以为其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
[0156]
存储器902作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明方法实施例中的方法所对应的程序指令/模块。处理器901通过运行存储在存储器902中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的方法。
[0157]
存储器902可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器901所创建的数据等。此外，存储器902可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器902可选包括相对于处理器901远程设置的存储器，这些远程存储器可以通过网络连接至处理器901。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0158]
一个或者多个模块存储在存储器902中，当被处理器901执行时，执行上述方法实施例中的方法。
[0159]
上述电子设备具体细节可以对应参阅上述方法实施例中对应的相关描述和效果进行理解，此处不再赘述。
[0160]
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)、随机存储记忆体(random access memory，ram)、快闪存储器(flash memory)、硬盘(hard disk drive，缩写：hdd)或固态硬盘(solid-state drive，ssd)等；存储介质还可以包括上述种类的存储器的组合。
[0161]
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。