(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211495868.4 (22)申请日 2022.11.28 (71)申请人 陕西公众电气股份有限公司 地址 710000 陕西省西安市高新区科技 二 路65号清华科技园7幢2单 元22202号 (72)发明人 严学文　梁红军　程辰　 (74)专利代理 机构 天津禾丰天诚专利代理事务 所(普通合伙) 12257 专利代理师 王伟 (51)Int.Cl. G06K 9/00(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) G01R 31/12(2006.01) (54)发明名称 一种基于嵌入式平台的局部放电模式识别 方法及系统 (57)摘要 本发明公开了一种基于嵌入式平台的局部 放电模式识别方法及系统， 涉及局部放电技术领 域。 局部放电模式识别方法包括以下步骤， 步骤 1， 通过HFCT感应局部放电信号； 步骤2， 对采集到 的局部放电数据进行处理， 获得局部放电数据的 放电次数、 幅值和相位， 生成PRPD三维图谱； 步骤 3， 针对PRPD三维图谱， 降采样后将其转换为灰度 图； 步骤4， 使用卷积神经网络训练模型； 步骤5， 将训练好的卷积神经网络模型利用神经网络转 换器移植到嵌入式处理器。 局部放电模式识别系 统包括HFCT传感器、 信号调理电路、 单片机、 显示 屏及4G DTU。 本发明的有益效果为， 利用嵌入式 平台上的卷积神经网络模型来对放电模式进行 识别， 运算量小、 功耗低、 成本低。 权利要求书1页 说明书5页 附图8页 CN 115526217 A 2022.12.27 CN 115526217 A 1.一种基于嵌入式平台的局部放电模式识别方法， 其特 征在于： 包括以下步骤， 步骤1， 通过HFCT感应局部放电信号， 使用信号预处理模块和信号采集模块得到局部放 电数据； 步骤2， 对采集到的局部放电数据进行分段、 最大值提取处理， 获得局部放电数据的放 电次数、 幅值和相位， 生成PRP D三维图谱； 步骤3， 针对PRP D三维图谱， 降采样后将其 转换为灰度图； 步骤4， 使用卷积神经网络训练模型； 步骤5， 将训练好的卷积神经网络模型利用神经网络转换器移植到嵌入式处理器， 进而 识别局部放电信号对应放电类型。 2.根据权利要求1所述的一种基于嵌入式平台的局部放电模式识别方法， 其特征在于： 步骤2中分段、 最大值 提取处理是由PRP D特征处理程序实现， 具体过程包括， 步骤2.1， 局部放电数据读取； 步骤2.2， 数据降采样， 将采样数据按时间区间等分， 时间轴转换为相位轴； 步骤2.3， 将单位区间内的数据点进行排序， 选出相对极大值， 作为 放电点。 3.根据权利要求2所述的一种基于嵌入式平台的局部放电模式识别方法， 其特征在于： 步骤2.2具体是将每次采集到的数据等分为360个区间， 单位区间默认为1 °， 即可把时间轴 转换为相位轴， 得到局放信号的相位。 4.根据权利要求1所述的一种基于嵌入式平台的局部放电模式识别方法， 其特征在于： 步骤2中选择 连续采集15次放电数据做相同处 理后进行叠加。 5.根据权利要求1所述的一种基于嵌入式平台的局部放电模式识别方法， 其特征在于： 步骤3的过程具体为， 步骤3.1， 将横轴相位轴与纵轴放电电压进行区间等分， 将横轴相位轴与纵轴放电电压 进行区间等分， 相位轴对应图片的长， 电压轴对应图片的宽， 形成一个无符号整型数组， 数 组长度为图片长 宽的乘积； 步骤3.2， 每 个像素点灰度表示单位像素内的放电点数量； 步骤3.3， 生成png格式图片。 6.根据权利要求1所述的一种基于嵌入式平台的局部放电模式识别方法， 其特征在于： 步骤4中使用卷积神经网络训练模型的具体过程 为， 步骤4.1， 将获取的各种局部放电数据生成的灰度图划分训练集和 测试集； 步骤4.2， 图片数据的读取、 预处 理及归一 化处理； 步骤4.3， 图片传入神经网络进行训练， 该神经网络的网络层级经验证测试构建得到 。 7.根据权利要求1所述的一种基于嵌入式平台的局部放电模式识别方法， 其特征在于： 步骤5中CNN模 型的移植需要使用神经网络转换器来 实现， 该转换器可将 CNN训练生 成的.h5 格式的模型文件转换成C代码， 用于在嵌入式平台上的部署。 8.一种基于嵌入式平台的局部放电模式识别系统， 其特征在于： 包括HFCT传感器、 信号 调理电路、 单片机、 显示屏及4G  DTU。权　利　要　求　书 1/1 页 2 CN 115526217 A 2一种基于嵌入式平台的局部放电模式识别方 法及系统 技术领域 [0001]本发明涉及局部放电技术领域， 尤其涉及 一种基于嵌入式平台的局部放电模式识 别方法及系统。 背景技术 [0002]电力设备的局部放电是设备绝缘破坏的主要原因， 对电力设备进行局部放电监测 是及时发现故障隐患、 保障设备安全运行的重要手段。 根据电缆 故障机理不同， 局部放电可 分为不同的局部放电类型， 不同的局部放电在频率、 伏值放电频次、 放电相位均具有不同特 征。 如果能针对这些特征， 实现局部放电的模式识别， 可以为电缆的维护和修理提供诊断依 据， 缩短工作时间， 提高检修效率。 [0003]现有的局部放电检测方法， 主要有两种， 一种是基于相位分布模式的识别法； 另一 种是采用小波变换提取特征参数， 结合基于BP神经网络的多层感知机对局部放电信号进 行 识别。 [0004]以上方法能够检测电缆的局部放电信号， 但同时存在一定的问题： (1)传统的局部放电相位分布统计PRPD谱图即n ‑q‑φ谱图， 需要工频信号的触发 采集， 经多次计算才能得到谱图， 这就容易受到外界干扰造成相位延迟， 进而造成局放模式 识别错误； (2)以往基于BP神经 网络的多层感知 机对模型降维不够， 所需的存储容量、 算法运 算量大， 只能运行于PC机或者服务器端， 而无法在低 成本、 低功耗、 存储容量和运算能力相 对较小的嵌入式平台运行。 发明内容 [0005]本发明的目的之一是提供一种基于嵌入式平台的局部放电模式识别方法， 利用放 电数据生成灰度图， 再经过卷积神经网络训练后形成模型， 最后将模型进行转换并移植到 嵌入式处 理器中， 来对局部放电信号对应的放电类型进行识别。 [0006]本发明的上述 技术目的是通过以下技 术方案得以实现的： 一种基于嵌入式平台的局部放电模式识别方法， 包括以下步骤， 步骤1， 通过HFCT感应局部放电信号， 使用信号预处理模块和信号采集模块得到局 部放电数据； 步骤2， 对采集到 的局部放电数据进行分段、 最大值提取处理， 获得局部放电数据 的放电次数、 幅值和相位， 生成PRP D三维图谱； 步骤3， 针对PRP D三维图谱， 降采样后将其 转换为灰度图； 步骤4， 使用卷积神经网络训练模型； 步骤5， 将训练好的卷积神经网络模型利用神经网络转换器移植到嵌入式处理器， 进而识别局部放电信号对应放电类型。 [0007]本发明进一步设置为： 步骤2中分段、 最大值提取处理是由PRPD特征处理程序实说　明　书 1/5 页 3 CN 115526217 A 3