基于假想空间位置特征匹配的局部放电检测定位方法及系统与流程

摘要: 本发明属于局部放电检测,具体涉及一种基于假想空间位置特征匹配的局部放电检测定位方法及系统,适用于电力电缆等电力设备的在线监测与故障预警。背景技术:1、局部放电(...
基于假想空间位置特征匹配的局部放电检测定位方法及系统与流程

本发明属于局部放电检测,具体涉及一种基于假想空间位置特征匹配的局部放电检测定位方法及系统,适用于电力电缆等电力设备的在线监测与故障预警。

背景技术:

1、局部放电(partial discharge, pd)是电力设备绝缘系统中常见的物理现象,通常发生在电场集中、绝缘薄弱或老化的区域,是绝缘劣化的重要早期征兆。对电力电缆而言,局部放电的持续发展会进一步侵蚀绝缘材料,最终可能导致击穿事故,造成巨大的经济损失和安全隐患。因此,对电力电缆中的局部放电进行准确检测、类型识别与精确定位,对保障电网安全稳定运行、实现状态检修与智能运维具有至关重要的意义。

2、传统的局部放电检测方法主要依赖于脉冲电流法、超声波法、超高频(uhf)法等。脉冲电流法通过高频电流传感器(hfct)耦合放电脉冲信号,虽灵敏度高,但易受电磁干扰。超声波法适用于定位,但传播衰减大、易受机械噪声影响。uhf法则适用于gis等密闭设备,但在电缆开放环境中抗干扰能力较差。这些方法大多基于单点传感器,依赖人工经验或传统信号处理技术(如阈值检测、时频分析、相关函数计算等)进行判断,在实验室或简单现场环境下尚可适用,但在如多分支、长距离、强电磁干扰、多反射路径等实际复杂的电缆敷设环境中,其检测可靠性、定位精度和事件分类能力显著下降。

3、近年来,随着传感器技术和人工智能的发展,一些结合多传感器与智能算法的局部放电检测方法被提出。例如,现有技术中提出了利用多个高频电流传感器构成传感器阵列,结合卷积神经网络或循环神经网络进行局部放电信号的分类与定位。这类方法通常将多通道信号构建为二维张量(传感器数量×时间序列),输入到深度学习模型中进行端到端的学习,直接输出放电事件类型和位置信息。这类方法在一定程度上提升了检测性能,但仍存在以下技术瓶颈:

4、模型泛化能力不足。现有深度学习方法将传感器的绝对空间位置信息隐式地编码在模型参数中,学习的是从传感器阵列采集的信号到放电点物理位置的映射。当传感器布局发生变化(如传感器间距调整、增加或减少传感器数量)或电缆长度不同时,训练好的模型无法直接应用,需要重新采集数据、标注位置并重新训练模型,这在实际工程应用中极大地限制了其可移植性和推广价值。

5、对标注数据的依赖性过强。现有方法需要大量精确标注了放电位置的数据进行训练,而实际现场中获取精确的放电位置标签极其困难,通常需要人工注入脉冲或模拟放电,成本高昂且与真实放电存在差异。数据标注的瓶颈严重制约了深度学习模型在实际场景中的应用效果。

6、缺乏物理先验知识的引导。现有方法将信号处理与深度学习割裂,未能有效利用局部放电信号传播的物理规律来指导模型的学习过程,导致模型需要从大量数据中自行学习信号与位置之间的空间关联,学习效率低,且在训练数据不足的情况下容易过拟合。

7、多任务联合优化存在挑战。局部放电检测任务包含事件类型识别(分类)和放电点定位(回归)两个子任务,二者在损失尺度、梯度量级上存在差异,简单的加权求和容易导致一个任务主导训练,另一个任务收敛不佳,影响整体性能。

技术实现思路

1、为解决现有技术中存在的上述问题,本发明提供一种基于假想空间位置特征匹配的局部放电检测定位方法及系统,能够解耦传感器布局、融合物理先验知识、具备强泛化能力,能实现多任务联合优化的局部放电检测与定位,以满足复杂电力系统在线监测的实际需求。

2、并非直接学习传感器信号与真实物理位置的映射,而是引入一个与具体传感器布局无关的“假想空间”。该空间是一个抽象的、归一化的一维连续空间,代表了所有可能的局部放电源位置。本发明通过将多通道同步采集的局部放电信号与基于假想空间位置和传感器空间位置构造的“空间特征模板”进行匹配,利用三维卷积神经网络(3d cnn)强大的时空特征提取能力,学习信号与假想位置之间的内在一致性,从而实现对局部放电事件的检测与精确定位。该技术方案将定位问题转化为信号与抽象空间特征的匹配问题,使得模型不再依赖于传感器在物理空间的具体绝对坐标,极大地提高了模型的泛化能力。

3、为实现上述目的,本发明采用如下的技术方案:

4、本发明一方面提出了一种基于假想空间位置特征匹配的局部放电检测定位方法,包括:

5、在待测电力设备上布置多个高频电流传感器并同步采集局部放电信号;

6、基于待测电力设备的物理空间建立假想空间,利用假想空间中各假想位置处的局部放电信号传播至各个传感器的信号特征,构造各假想位置的空间特征模板;

7、对同步采集的多通道局部放电信号进行预处理,构建基础信号张量,并将基础信号张量与所有假想位置的空间特征模板进行融合,构建三维数据张量;

8、将三维数据张量输入训练好的三维卷积神经网络,三维卷积神经网络输出包含各类放电事件的置信度和对应的假想位置的输出向量;其中,采用多任务损失函数训练三维卷积神经网络,多任务损失函数用于联合约束局部放电事件置信度的误差和局部放电事件对应假想空间位置的误差;

9、解析输出向量,根据置信度判断局部放电的类型,并根据假想位置在待测电力设备的物理空间中进行局部放电的定位。

10、优选地,各假想位置处的局部放电信号传播至各个传感器的信号特征,是基于信号传播模型构造的,信号传播模型包括:高斯核函数模型,反比例函数模型。

11、优选地,对同步采集的多通道局部放电信号进行预处理,预处理包括带通滤波、加窗分割、幅度归一化、自适应基线校正和噪声协方差抑制;

12、将经过预处理后的多通道局部放电信号片段堆叠,形成基础信号张量,其中,为高频电流传感器的数量,为时域采样点的数量,表示实数集合;

13、将基础信号张量x与所有假想位置的空间特征模板进行融合,构建三维数据张量,其中第三维为假想位置的数量。

14、优选地,三维卷积神经网络按照数据传输方向依次包括:输入层、第一三维卷积模块、第二三维卷积模块、第三三维卷积模块、全局平均池化层、以及输出层;

15、输入层接收三维数据张量,各个三维卷积模块均包括一个三维卷积层和一个三维最大池化层,第三三维卷积模块输出三维数据张量的语义特征,输出层包含并联连接的分类子网络和回归子网络,分类子网络输出的三维向量经sigmoid激活函数后得到各类放电事件的置信度向量,回归子网络输出的三维向量经sigmoid激活函数后得到各类放电事件对应的假想位置向量,置信度向量和假想位置向量拼接合并为输出向量。

16、优选地,三维卷积神经网络采用如下多任务损失函数进行训练,如下式所示:

17、

18、式中,为多任务损失函数,为预设的局部放电事件类型总数,为第类放电事件的真实标签,为三维卷积神经网络预测的第类放电事件的置信度,为第类放电事件的真实归一化假想位置,为三维卷积神经网络预测的第类放电事件归一化假想位置,为分类与回归任务的平衡系数,为梯度协调正则项的平衡系数,为分类损失函数,为回归损失函数,为梯度协调正则项。

19、优选地,分类损失函数如下式所示:

20、

21、式中,为类别平衡因子,为聚焦参数,≥0。

22、优选地,回归损失函数如下式所示:

23、

24、式中,为huber损失的误差阈值。

25、优选地,梯度协调正则项如下式所示:

26、

27、式中,表示模型参数。

28、优选地,对于输出向量中的第类放电事件,若其预测置信度超过预设置信度阈值,则判定第类放电事件发生,并将该类事件对应的预测归一化假想空间位置记为;根据假想空间与待测电力设备物理空间之间的映射关系,将映射为实际物理位置,包括:当待测电力设备的监测长度为,且假想空间归一化范围为时,实际物理位置表示为;若第类事件的预测置信度未超过预设置信度阈值,则不输出该类事件的放电位置。

29、本发明另一方面还提出了一种基于假想空间位置特征匹配的局部放电检测定位系统,在待测电力设备上布置多个高频电流传感器,系统包括:

30、信号采集模块,用于同步采集局部放电信号;

31、空间特征模板构建模块,用于基于待测电力设备的物理空间建立假想空间,利用假想空间中各假想位置处的局部放电信号传播至各个传感器的信号特征,构造各假想位置的空间特征模板;

32、信号处理与数据融合模块,用于对同步采集的多通道局部放电信号进行预处理,构建基础信号张量,并将基础信号张量与所有假想位置的空间特征模板进行融合,构建三维数据张量;

33、深度学习推理模块,用于将三维数据张量输入训练好的三维卷积神经网络,三维卷积神经网络输出包含各类放电事件的置信度和对应的假想位置的输出向量;其中,采用多任务损失函数训练三维卷积神经网络,多任务损失函数用于联合约束局部放电事件置信度的误差和局部放电事件对应假想空间位置的误差;

34、结果解析与输出模块,用于解析输出向量,根据置信度判断局部放电的类型,并根据假想位置在待测电力设备的物理空间中进行局部放电的定位。

35、本发明还是一种终端,包括处理器及存储介质;存储介质用于存储指令;处理器用于根据指令进行操作以执行方法的步骤。

36、本发明还是计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现方法的步骤。

37、本发明的有益效果在于,与现有技术相比至少包括,

38、高泛化能力与场景解耦:本发明通过引入“假想空间”和“空间特征模板”,将定位问题转化为信号与抽象空间特征的匹配问题,而非学习信号到绝对物理位置的映射。这使得模型不再依赖于传感器在物理空间的具体绝对坐标,只要传感器之间的相对位置关系已知,模型即可工作。当传感器布局或电缆长度发生变化时,仅需重新计算空间特征模板,无需重新训练模型,极大地提高了模型的泛化能力和工程可移植性。

39、物理先验知识引导:本发明基于信号传播模型(如高斯核函数或反比例函数)构造空间特征模板,将物理领域的先验知识以显式方式融入深度学习模型。这使模型的学习过程更具方向性,减少了对海量标注数据的依赖,同时提升了模型的可解释性,使模型的决策过程更符合物理规律。

40、强大的时空-空间联合特征学习能力:本发明利用3d cnn对由“传感器-时间-假想位置”构成的三维数据立方体进行卷积,能够同时学习信号的时间演变规律、多传感器间的空间分布关系,以及这两者与假想位置之间的内在一致性,从而更精确地定位放电源。相比仅使用2d cnn或rnn的方法,本发明的三维卷积架构能更有效地捕捉多维度间的耦合关系。

41、端到端的多任务联合优化:本发明通过一个统一的3d cnn网络,结合精心设计的复合损失函数(融合focal loss、huber loss和梯度协调正则项),实现了对局部放电事件的检测(分类)和定位(回归)的端到端联合学习。该损失函数有效解决了正负样本不平衡、回归异常值敏感、多任务梯度冲突等问题,避免了多阶段处理的误差累积,提升了整体性能。

42、降低数据标注难度:由于本发明引入了假想空间和特征匹配机制,模型在学习过程中,对于未发生的事件不进行位置回归,仅关注有效放电样本的定位。这使得模型对位置标签的依赖性降低,在一定程度上有助于缓解实际场景中精确位置标签难以获取的问题。