一种基于超声波的局部放电识别方法及装置与流程

本发明涉及超声波放电识别领域，尤其涉及一种基于超声波的局部放电识别方法及装置。

背景技术：

1、现有技术往往缺乏对不同应用场景下放电检测需求的灵活适应性，在实时性要求较高的应用场景中，往往难以在保持高识别精度的同时满足实时性要求，申请公布号为cn116503710 a的中国发明专利，公开了一种基于自适应卷积神经网络的gis局部放电类型识别方法，该方法是将prpd图像和gaf图像集分别输入至基于pso算法的cnn模型，寻找cnn模型的最优超参数，获取与prpd图像和gaf图像分别对应的自适应cnn模型，并通过自适应cnn模型对prpd图像和gaf图像进行特征提取、信息融合，实现gis局部放电类型识别；授权公告号为cn 103267932 b的中国发明专利公开了一种检测方法，具体步骤为：步骤一：被测gis进行检测，并将检测结果上传给计算机；步骤二：计算机对超声波检测法检测的结果进行数据处理及识别；根据所述的检测结果分别给出证据对目标的基本概率指派函数值即指派概率；步骤三：计算每种gis故障的证据空间；步骤四：根据诊断决策确定诊断结果即诊断类型。这些应用场景通常关注放电的具体类型而非放电的严重程度。

2、然而，在某些应用场景下，可能不仅需要关注放电的具体类型，还要关注放电的严重程度，现有方案往往直接对采集到的超声波等信息进行放电类型识别，无论放电的严重程度如何，都需要进行复杂的计算和分析，导致计算资源的大量消耗，尤其是在处理大量数据时；对于无放电或轻微放电的样本，现有方案仍然需要进行完整的放电类型识别流程，这不仅增加了处理时间，还降低了整体识别效率。

3、而目前并没有一种能够解决上述技术问题的技术方案，并没有一种基于超声波的局部放电识别方法及装置。

技术实现思路

1、本发明提供了一种基于超声波的局部放电识别方法及装置，通过预设局部放电识别模型，先判断放电的严重程度，可以迅速筛选出无需深入分析的数据，从而减少对这类数据的不必要处理，提高整体识别效率。

2、第一方面，本发明提供了一种基于超声波的局部放电识别方法，包括：

3、标定第一预设时长的超声波信号，确定在所述第一预设时长中每一时刻的每一识别特征对应的状态信息，所述识别特征包括振幅特征、频率特征以及相位特征中的至少一种，所述第一预设时长的超声波信号是从g is设备上的任一超声波传感器在当前预设时间窗口中获取的；

4、对于每一识别特征，构建初始状态转移矩阵，在不同时刻对应的每一状态信息中计算每一状态信息转移至任一状态信息的转移概率，得到所有状态转移概率，填充所有状态转移概率至初始状态转移矩阵，得到状态转移概率矩阵，遍历所有识别特征，得到每一识别特征对应的状态转移概率矩阵；

5、输入所有状态转移概率矩阵至预设局部放电识别模型，得到所述预设局部放电识别模型输出的局部放电预测结果；

6、其中，所述预设局部放电识别模型是根据所有超声波信号样本对应的所有状态转移概率矩阵，以及每一超声波信号样本对应的局部放电预测结果训练后确定的，所述局部放电预测结果包括无放电、轻微放电以及严重放电。

7、根据本发明提供的基于超声波的局部放电识别方法，在所述识别特征为振幅特征的情况下，所述标定第一预设时长的超声波信号，确定在所述第一预设时长中每一时刻的每一识别特征对应的状态信息，包括：

8、对于每一时刻，确定所述时刻下的振幅值；

9、在所述振幅值小于第一预设振幅值的情况下，确定所述时刻下振幅特征为低振幅状态；

10、在所述振幅值大于或等于第一预设振幅值，且小于或等于第二预设振幅值的情况下，确定所述时刻下振幅特征为中振幅状态；

11、在所述振幅值大于第二预设振幅值的情况下，确定所述时刻下振幅特征为高振幅状态。

12、根据本发明提供的基于超声波的局部放电识别方法，在所述识别特征为频率特征的情况下，所述标定第一预设时长的超声波信号，确定在所述第一预设时长中每一时刻的每一识别特征对应的状态信息，包括：

13、确定每一时刻下对应的频率值；

14、在任一相邻时刻下的频率差值均小于或等于预设频率的情况下，确定所述时刻下频率特征为频率稳定状态；

15、在任一相邻时刻下的频率差值大于预设频率的情况下，确定所述时刻下频率特征为频率波动状态。

16、根据本发明提供的基于超声波的局部放电识别方法，在所述识别特征为相位特征的情况下，所述标定第一预设时长的超声波信号，确定在所述第一预设时长中每一时刻的每一识别特征对应的状态信息，包括：

17、在任一时刻与前一时刻的相位保持不变的情况下，确定所述时刻下相位特征为相位不变状态；

18、在任一时刻与前一时刻的相位发生变化的情况下，确定所述时刻下相位特征为相位变化状态。

19、根据本发明提供的基于超声波的局部放电识别方法，所述构建初始状态转移矩阵，包括：

20、在所述识别特征为振幅特征的情况下，根据所述振幅特征的状态信息数量，构建3×3的初始状态转移矩阵；

21、在所述识别特征为频率特征或者相位特征的情况下，根据所述频率特征或者所述相位特征的状态信息数量，构建2×2的初始状态转移矩阵。

22、根据本发明提供的基于超声波的局部放电识别方法，所述在不同时刻对应的每一状态信息中计算每一状态信息转移至任一状态信息的转移概率，得到所有状态转移概率，包括：

23、对于每一状态信息，获取从所述状态信息转移至任一状态信息的转移次数，根据所述转移次数以及所述状态信息发生转移的总次数，确定状态转移概率；

24、遍历所有状态信息，得到所有状态转移概率。

25、根据本发明提供的基于超声波的局部放电识别方法，所述根据所述转移次数以及所述状态信息发生转移的总次数，确定状态转移概率，包括：

26、

27、其中，p(j|i)为从状态信息j转移至状态信息i的状态转移概率，m为从状态信息j转移至状态信息i的转移次数，n为状态信息发生转移的总次数。

28、根据本发明提供的基于超声波的局部放电识别方法，在得到所述预设局部放电识别模型输出的局部放电预测结果之后，所述方法还包括：

29、在确定局部放电预测结果为轻微放电的情况下，获取下一时间窗口对应的下一超声波信号；

30、在确定所述下一超声波信号对应的局部放电预测结果为无放电的情况下，更新所述局部放电预测结果为无放电；

31、在确定所述下一超声波信号对应的局部放电预测结果为轻微放电或严重放电的情况下，更新所述局部放电预测结果为严重放电。

32、根据本发明提供的基于超声波的局部放电识别方法，在确定所述局部放电预测结果为严重放电的情况下，所述方法还包括：

33、在获取所述第一预设时长的超声波信号之后，间隔第二预设时长，获取第三预设时长下的目标超声波信号；

34、根据格拉姆角场转换处理所述目标超声波信号，得到gaf图像；

35、输入所述gaf图像至局部放电分类模型，得到所述局部放电分类模型输出的局部放电分类结果；

36、所述局部放电分类模型是根据所有gaf样本图像，以及每一gaf样本图像对应的局部放电分类结果训练后得到的，所述局部放电分类结果包括电晕放电、颗粒放电、悬浮放电以及空穴放电；

37、所述第一预设时长与所述第二预设时长相同或不同，所述第二预设时长与所述第三预设时长相同或不同。

38、第二方面，提供了一种基于超声波的局部放电识别装置，包括：

39、确定单元，所述确定单元用于标定第一预设时长的超声波信号，确定在所述第一预设时长中每一时刻的每一识别特征对应的状态信息，所述识别特征包括振幅特征、频率特征以及相位特征中的至少一种，所述第一预设时长的超声波信号是从gi s设备上的任一超声波传感器在当前预设时间窗口中获取的；

40、构建单元，所述构建单元用于对于每一识别特征，构建初始状态转移矩阵，在不同时刻对应的每一状态信息中计算每一状态信息转移至任一状态信息的转移概率，得到所有状态转移概率，填充所有状态转移概率至初始状态转移矩阵，得到状态转移概率矩阵，遍历所有识别特征，得到每一识别特征对应的状态转移概率矩阵；

41、输入单元，所述输入单元用于输入所有状态转移概率矩阵至预设局部放电识别模型，得到所述预设局部放电识别模型输出的局部放电预测结果；

42、其中，所述预设局部放电识别模型是根据所有超声波信号样本对应的所有状态转移概率矩阵，以及每一超声波信号样本对应的局部放电预测结果训练后确定的，所述局部放电预测结果包括无放电、轻微放电以及严重放电。

43、本发明通过细致的特征分析和状态转移概率矩阵的构建，结合预设局部放电识别模型，实现了对gi s设备中局部放电现象的准确识别和分类，相比于现有技术，本发明通过先判断放电的严重程度，可以迅速筛选出无需深入分析的数据，从而减少对这类数据的不必要处理，提高整体识别效率；在确认存在严重放电后再进行详细的放电类型识别，可以确保将有限的计算资源和时间投入到最需要的地方，优化资源分配；本发明对于严重放电，由于其信号特征通常更为明显和复杂，因此在进行放电类型识别时能够获得更高的准确性，而前期确定出无放电或轻微放电，可以避免对它们进行不必要的复杂分析，从而减少误判；可以根据实际需求调整严重放电的判定标准和后续处理流程，以更好地适应不同应用场景；

44、本发明通过连续监测和再次预测，减少了因单次误判而导致的误报或漏报，提高了局部放电识别的准确性，对于轻微放电到严重放电的过渡阶段，能够更敏感地捕捉到放电趋势的变化，从而提前发出预警，避免设备因未及时检修而遭受更严重的损坏；在确认轻微放电已消除的情况下，可以减少不必要的维护或检修工作，从而优化人力和物力资源的分配；将识别出严重放电的预测结果作为识别局部放电类型的前置步骤，通过结合格拉姆角场转换和局部放电分类模型，能够更准确地识别局部放电的类型，并降低识别失败或识别不够准确的可能性。