高性能环氧绝缘件内部缺陷检测方法、系统、设备及介质与流程

1.本发明属于高压绝缘与故障诊断技术领域，尤其涉及一种高性能环氧绝缘件内部缺陷检测方法、系统、设备及介质。


背景技术：

2.目前，绝缘件是高压开关设备中的薄弱环节，其性能将直接决定开关设备的绝缘性能及运行可靠性。对高压开关设备而言，其电压等级的提高主要取决于高性能环氧绝缘件的性能，而其性能主要由其内部有无微小气泡及裂纹缺陷所决定。电力设备中的绝缘材料在运行中遭受到电场、热场、机械应力等的作用，内部容易产生气隙或裂纹等微观缺陷，但是现有针对电力设备的绝缘状态的检测方法的检测准确性较低，且检测结果易受其他缺陷干扰。
3.振荡波电压局部放电检测法凭借自身的突出优点而超出了直流耐压试验、工频交流耐压试验及超低频耐压试验等方法，受到广大学者的青睐。其主要思想是利用被测环氧绝缘件的等效电容与电感线圈构成一个谐振电路，以此产生振荡波电压，环氧绝缘件绝缘缺陷处在振荡波电压的作用下，会有pd发生，通过检测pd信号来达到对环氧绝缘件绝缘缺陷状况的评估。它不仅不会破坏环氧绝缘件绝缘性能，而且还能对环氧绝缘件绝缘缺陷做出行波定位。此外，考虑振荡波衰减特性的方法对振荡波电压下的环氧绝缘件局放类型识别具有普适性，可作为一个通用方法对其他算法进行优化。
4.通过上述分析，现有技术存在的问题及缺陷为：(1)交流耐压检测：在检测中常常出现检测仪表变化不明显但内部有异响的问题，需要重复检测，最终查找原因，消除异响，耐压检测中绝缘带可能受到损伤。(2)绝缘电阻检测：对线路绝缘件试验工作量较大。(3)直流耐压检测：测量现场直流耐压性能的装置主要有微安表、高阻器、电阻分压器、静电高压电压表等，若直流微安表和高阻器串联的测量系统被暴露在空气中，因为导线离子流的存在，会出现一定测量误差。综上所述，现有针对电力设备的绝缘状态的检测方法的检测准确性较低，且检测结果易受其他缺陷干扰。
5.解决以上问题及缺陷的意义为：它不仅不会破坏环氧绝缘件绝缘性能，而且还能对环氧绝缘件绝缘缺陷做出行波定位，对环氧绝缘件缺陷类型的识别准确率较高。


技术实现要素：

6.针对现有技术存在的问题，本发明提供了一种高性能环氧绝缘件内部缺陷检测方法，尤其涉及一种基于振荡波电压周期衰减特性的高性能环氧绝缘件内部缺陷检测方法。
7.所述高性能环氧绝缘件内部缺陷检测方法包括以下步骤：
8.步骤一，对由振荡波测试设备采集环氧绝缘件的局部放电信号进行预处理，提高检测结果的准确性，更好地确定放电水平。
9.步骤二，将由步骤一得到的时间分布的局部放电信号转换为逐周期的相位分布模式，并统计每个周期的放电特征量的分布，所述放电特征量包括平均放电量、最大放电量以
及放电次数，进行数据预处理，进而提高计算效率。
10.步骤三，使用卷积神经网络对每个周期的放电特征量进行特征提取，获得每个周期的抽象特征表达，进而得到对应于周期的抽象特征序列，使用层层堆叠的卷积提取特征，可使得底层的几何特征和高层的抽象特征均得到合理表示。
11.步骤四，使用循环神经网络处理与周期相对应的抽象特征序列，而后进行分类预测。
12.所述对由振荡波测试设备采集环氧绝缘件的局部放电信号进行预处理，包括：
13.(1)使用振荡波测试设备采集环氧绝缘件的局部放电信号；
14.(2)按照振荡波测试方法并对环氧绝缘件进行局部放电检测和采集；
15.(3)将采集到的信号进行滤波、放大处理，再将处理后的模拟信号转换为数字信号。
16.进一步，步骤二中，所述将由步骤一得到的时间分布的局部放电信号转换为逐周期的相位分布模式，并统计每个周期的放电特征量的分布，包括：
17.(1)根据所采集到局部放电信号的衰减情况，使用前p个振荡波周期内的局部放电信号做进一步分析；
18.(2)对第1个周期，将其分为n个等长小区间，统计每个小区间内的放电特征量，获得第1个周期的放电特征量的分布；
19.(3)按照与步骤(2)相同的方法，分别提取对第2～p个周期的放电特征量的分布；其中，所述放电特征量包括平均放电量、最大放电量以及放电次数。
20.进一步，步骤三中，所述使用卷积神经网络对每个周期的放电特征量进行特征提取，获得每个周期的抽象特征表达，进而得到对应于周期的抽象特征序列，包括：
21.(1)对第1个周期，使用卷积神经网络对各放电特征量进行特征提取，再将不同放电特征量提取出的特征进行融合，得到第1个周期的抽象特征表达；
22.(2)按照与步骤(1)相同的方法，获得第2～p个周期的特征表达；
23.(3)将步骤(2)与步骤(3)获得的特征表达，转换为与周期顺序一一对应的抽象特征序列。
24.进一步，所述步骤(2)和步骤(3)之间还包括：
25.1)在卷积神经网络中，加入dropout层；
26.2)在卷积神经网络中加入空洞卷积，在不额外增加计算量的前提下以获得更大尺度的语义信息。
27.进一步，步骤四中，所述使用循环神经网络处理与周期相对应的抽象特征序列，而后进行分类预测，包括：
28.(1)将抽象特征序列输入多对一的循环神经网络；其中，所述循环神经网络的类型包括lstm和gru；
29.(2)将循环神经网络的输出送入全连接层进行最终的分类预测；其中，使用softmax作为激活层。
30.本发明的另一目的在于提供一种应用所述的高性能环氧绝缘件内部缺陷检测方法的高性能环氧绝缘件内部缺陷检测系统，所述高性能环氧绝缘件内部缺陷检测系统包括：
31.信号预处理模块，用于对由振荡波测试设备采集环氧绝缘件的局部放电信号进行预处理；
32.分布模式转换模块，用于将由信号预处理模块得到的时间分布的局部放电信号转换为逐周期的相位分布模式，并统计每个周期的放电特征量的分布；
33.特征提取模块，用于使用卷积神经网络对每个周期的放电特征量进行特征提取，获得每个周期的抽象特征表达，进而得到对应于周期的抽象特征序列；
34.分类预测模块，用于使用循环神经网络处理与周期相对应的抽象特征序列，而后进行分类预测。
35.本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
36.对由振荡波测试设备采集环氧绝缘件的局部放电信号进行预处理；将得到的时间分布的局部放电信号转换为逐周期的相位分布模式，并统计每个周期的放电特征量的分布；使用卷积神经网络对每个周期的放电特征量进行特征提取，获得每个周期的抽象特征表达，进而得到对应于周期的抽象特征序列；使用循环神经网络处理与周期相对应的抽象特征序列，而后进行分类预测。
37.本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
38.对由振荡波测试设备采集环氧绝缘件的局部放电信号进行预处理；将得到的时间分布的局部放电信号转换为逐周期的相位分布模式，并统计每个周期的放电特征量的分布；使用卷积神经网络对每个周期的放电特征量进行特征提取，获得每个周期的抽象特征表达，进而得到对应于周期的抽象特征序列；使用循环神经网络处理与周期相对应的抽象特征序列，而后进行分类预测。
39.本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的高性能环氧绝缘件内部缺陷检测系统。
40.结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供的高性能环氧绝缘件内部缺陷检测方法，与传统的正弦电压不同，振荡波电压的幅值随着时间按指数规律衰减，所激发的局部放电也会相应地减弱，因此，除了用单个周期内的数据提取特征，还可建立不同周期数据之间的联系，而如果能够有效利用振荡波电压周期变化中蕴含的有效特征，将有利于识别准确性的进一步提高。
41.振荡波衰减特性的方法对振荡波电压下的高压绝缘件局放类型识别具有普适性，可作为一个通用方法对其他算法进行优化。该方法属于近两年国内各大型供电企业积极尝试的新型状态监测技术，取得了大量的实践案例，曾用于广州供电局辖区内10kv交联聚乙烯电缆绝缘状态评估与状态检修。虽然振荡波电压法仍是一种停电试验方法，但与传统的耐压试验相比已经有了长足的进步。该方法尚属于现场试用阶段，国内科研院所对振荡波电压法发生的原理、局部放电信号的判断及状态评估目前还缺乏系统的理论研究。因此，本专利中状态评估及状态检修的依据和出发点是以大量现场应用经验为主要支撑的。
42.本发明针对振荡波电压特有的衰减特性，提出一种基于振荡波电压周期衰减特性的环氧绝缘件缺陷检测方法，能够对环氧绝缘件的缺陷类型进行准确的识别，本发明的方
法充分利用了基于振荡波电压不同周期数据之间的联系与依赖，并通过深度神经网络获取特征表达。在使用深度神经网络提取局部放电数据中的特征的同时充分挖掘和利用周期变化中的有效信息，来实现对振荡波电压下的环氧绝缘件缺陷类型进行识别。最终，本发明提出的方法能够以较高的准确率对环氧绝缘件缺陷类型进行有效识别。
附图说明
43.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，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。
44.图1是本发明实施例提供的高性能环氧绝缘件内部缺陷检测方法原理图。
45.图2是本发明实施例提供的高性能环氧绝缘件内部缺陷检测系统结构框图；
46.图中：1、信号预处理模块；2、分布模式转换模块；3、特征提取模块；4、分类预测模块。
具体实施方式
47.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
48.针对现有技术存在的问题，本发明提供了一种高性能环氧绝缘件内部缺陷检测方法、系统、设备及介质，下面结合附图对本发明作详细的描述。
49.如图1所示，本发明实施例提供的高性能环氧绝缘件内部缺陷检测方法包括以下步骤：
50.s1，对由振荡波测试设备采集环氧绝缘件的局部放电信号进行预处理；
51.s2，将由s1得到的时间分布的局部放电信号转换为逐周期的相位分布模式，并统计每个周期的放电特征量的分布；
52.s3，使用卷积神经网络对每个周期的放电特征量进行特征提取，获得每个周期的抽象特征表达，进而得到对应于周期的抽象特征序列；
53.s4，使用循环神经网络处理与周期相对应的抽象特征序列，而后进行分类预测。
54.本发明实施例提供的高性能环氧绝缘件内部缺陷检测方法原理图见图2。
55.如图2所示，本发明实施例提供的高性能环氧绝缘件内部缺陷检测系统，包括：
56.信号预处理模块1，用于对由振荡波测试设备采集环氧绝缘件的局部放电信号进行预处理；
57.分布模式转换模块2，用于将由信号预处理模块得到的时间分布的局部放电信号转换为逐周期的相位分布模式，并统计每个周期的放电特征量的分布；
58.特征提取模块3，用于使用卷积神经网络对每个周期的放电特征量进行特征提取，获得每个周期的抽象特征表达，进而得到对应于周期的抽象特征序列；
59.分类预测模块4，用于使用循环神经网络处理与周期相对应的抽象特征序列，而后进行分类预测。
60.本发明的主要目的在于克服现有技术的不足，提供一种基于振荡波电压周期衰减特性的环氧绝缘件缺陷检测方法，以提高对环氧绝缘件缺陷类型识别的准确性。
61.为实现上述目的，本发明采用以下技术方案：
62.进一步地：步骤s1进一步包括：
63.按照振荡波测试方法并对环氧绝缘件进行局部放电检测和采集，将采集到的信号进行滤波、放大处理，再将处理后的模拟信号转换为数字信号。
64.步骤s1中，基于脉冲电流法对局部放电进行检测，采用环氧绝缘件与检测阻抗并联的回路，并使用rc型检测阻抗检测脉冲信号。
65.步骤s2进一步包括以下步骤：
66.s21、根据所采集到局部放电信号的衰减情况，使用前p个振荡波周期内的局部放电信号做进一步分析；
67.s22、对第1个周期，将其分为n个等长小区间，统计每个小区间内的放电特征量，获得第1个周期的放电特征量的分布；
68.s23、按照与步骤s22相同的方法，分别提取对第2～p个周期的放电特征量的分布。
69.所述放电特征量包括平均放电量、最大放电量以及放电次数。
70.步骤s3进一步包括以下步骤：
71.步骤s31、对第1个周期，使用卷积神经网络对各放电特征量进行特征提取，再将不同放电特征量提取出的特征进行融合，得到第1个周期的抽象特征表达；
72.步骤s32、按照与步骤(1)相同的方法，获得第2～p个周期的特征表达；
73.步骤s33、将步骤(1)与步骤(2)获得的特征表达，进一步转换为与周期顺序一一对应的抽象特征序列。
74.步骤s3在步骤s32和步骤s33之间还包括以下步骤：
75.在卷积神经网络中，加入dropout层以防止过拟合。
76.步骤s3在步骤s32和步骤s33之间还包括以下步骤：
77.在卷积神经网络中加入空洞卷积，在不额外增加计算量的前提下以获得更大尺度的语义信息。
78.步骤s4进一步包括：
79.步骤s41、将抽象特征序列输入多对一的循环神经网络，优选地，循环神经网络的类型包括但不限于lstm、gru等；
80.步骤s42、将循环神经网络的输出送入全连接层进行最终的分类预测，优选地，使用softmax作为激活层。
81.步骤s1包括：使用振荡波测试设备采集环氧绝缘件的局部放电信号。
82.在一些实施例中，本发明实施例提供的基于振荡波电压周期衰减特性的环氧绝缘件缺陷检测方法，包括以下步骤：
83.步骤s1，使用振荡波测试设备采集环氧绝缘件的局部放电信号，对采集数据进行预处理，优选实施例的具体做法为：
84.按照振荡波测试方法搭建试验系统并进行试验，检测和采集环氧绝缘件的局部放电信号。在采集电路中，使用脉冲电流法的原理对局部放电进行检测，采用环氧绝缘件与检测阻抗并联的回路，并使用rc型检测阻抗检测脉冲信号。将采集到的信号进行滤波、放大等
处理，再使用信号采集卡将模拟信号转换为数字信号。
85.步骤s2，将时间分布的局部放电数据转换为逐周期的相位分布模式，进一步统计每个周期的放电特征量的分布，优选实施例的具体做法为：
86.步骤(1)：根据所采集到放电信号的衰减情况，使用前p个振荡波周期内的局部放电信号做进一步分析。
87.步骤(2)：对第p(1≤p≤p)个周期，将其分为n个等长小区间，n的取值根据实际数据确定，取值越大通常会使准确率越高，但计算量也会相应增加。统计每个小区间内的平均放电量、最大放电量、放电次数等放电特征量，获得相应的放电特征量的分布q
ap
、q
mp
、n
p
。
88.步骤s3，使用卷积神经网络对每个周期的放电特征量进行特征提取，获得每个周期的抽象特征表达，进而得到对应于周期的特征序列，优选实施例的具体做法为：
89.步骤(1)：对第p(1≤p≤p)个周期，使用卷积神经网络对各放电特征量q
ap
、q
mp
、n
p
进行特征提取，再将三者特征进行融合，得到第p个周期的抽象特征表达χ
p
。
90.步骤(2)：在卷积神经网络中，加入dropout层以防止过拟合。
91.步骤(3)：在卷积神经网络中加入空洞卷积，在不额外增加计算量的前提下以获得更大尺度的语义信息。
92.步骤(4)：将步骤(1)～步骤(3)获得的特征表达，转换为与周期顺序一一对应的抽象特征序列(χ1，χ2，
…
，χ
p
)。
93.步骤s4，使用循环神经网络处理与周期相对应的抽象特征序列，最后进行分类预测，优选实施例的具体做法为：
94.步骤(1)：将抽象特征序列输入多对一的循环神经网络，循环神经网络的类型包括但不限于lstm、gru等。
95.步骤(2)：将循环神经网络的输出送入全连接层进行处理，使用softmax作为激活层，获得最终的分类结果。
96.参见图1所示的整体流程图，根据其中的步骤s1～s4进行环氧绝缘件缺陷的识别。
97.在步骤s2中，选取前8个振荡波周期的数据进行分析，将每个周期分成144个等长小区间，分别计算每个周期的平均放电量、最大放电量、放电次数。
98.在步骤s3中，使用卷积神经网络对每个周期的放电特征量进行特征提取，获得每个周期的抽象特征表达，在卷积神经网络中使用不同大小卷积核、不同步长、空洞卷积以获取不同尺度的特征信息，使用最大池化层降低对特征进行下采样。对每个周期的平均放电量、最大放电量、放电次数分别进行提取，使用连结操作将三个特征进行融合，获得每个周期的抽象特征表达，最后获得与周期一一对应的特征表达序列。
99.在步骤s4中，使用多对一的lstm处理抽象特征序列，隐藏层神经元数量为50，时间步数为8。使用softmax作为最后全连接层的激活函数。
100.采用十次十折交叉验证来分割数据集。在网络训练过程中，采用rmsprop作为优化器，初始学习率为10-3
，权值衰减为10-6
。通过xavier方法初始化网络权值，训练批次大小为32。设置最多训练轮数为500，并采用提前停止策略以防止过拟合。使用训练集数据对模型进行训练，用测试集数据验证模型的性能，在利用了周期信息之后，各类型故障的识别准确率均提升，所用周期数越多，则提升越大。相对于不考虑周期衰减特性的方法，利用8个周期的模型获得的准确率从77％提升到了94％。
101.综上所述，针对振荡波电压特有的衰减特性，本发明的基于振荡波电压周期衰减特性的环氧绝缘件缺陷检测方法，充分利用了不同周期数据之间的联系与依赖，并用深度神经网络获取特征表达。最终，本发明提出的方法能够以较高的准确率对环氧绝缘件缺陷类型进行有效识别。
102.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solid state disk(ssd))等。
103.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。