技术摘要：
本发明公开了一种基于深度学习进行高压电力电缆局部放电现象检测方法，所述方法包括：对原始高压电力电缆电压时序信号数据进行预处理，获取高压电力线路信号的特征，如不需进行数据预处理，则跳过本步骤；将预处理过的高压电力电缆电压时序信号或未处理过的信号转换为  全部
背景技术：
作为城市传输电力的重要介质，高压输送电线在国家发展、人民生活等各个领域 承担着重要作用。在中国经济快速发展的新形势下，人民、企业、工厂等等的用电量总量也 在不断的增长，电力系统的规模也更加复杂和扩大化。在这个庞大的电路网络当中，高压电 力电缆配电宛如人体的整个骨架，承担着人们的日常生活的需要和生产工作的需要。 高压电力线路在发生故障断电前期，往往会出现一种称为局部放电的现象(PD)， 相当于某种绝缘介质被意外地击穿后产生的放电现象，这种局部放电现象会慢慢的损坏高 压电力电缆配电线的绝缘层，如果对其置之不理，最终会导致断电或起火。 局部放电现象作为电力电缆系统的伴生产物，也是电力行业所要面临和解决的问 题。而随着局部放电检测技术的发展，目前也有一些较为成熟检测出局部放电信息的方法。 但是这些传统方法往往需要近距离的靠近高压电力电缆，这就导致其排查起来就显得复 杂，费时，特别是发生在高山、偏远地区以及地形稍微复杂的地区。这些传统的局部放电检 测算法均是根据局部放电伴生的各种现象，通过能表述该现象的物理量来表征局部放电的 状态及特性。局部放电过程中会产生电脉冲、电磁辐射、超声波、光以及一些新的生成物，并 引起局部过热。因此，相应地出现了脉冲电流检测法、UHF方法、超声波检测法、光测法、化学 检测法、红外检测法等多种检测方法。 1)脉冲电流检测法：脉冲电流法是国内外应用最为广泛的一种检测方法，并形成 了相应的国际与国内标准。这种方法主要是将变压器等效成一个电容，发生局部放电时，其 两端会产生瞬间电压变化，经过耦合电容引至检测阻抗上，就能够获得脉冲电流，与局部放 电相对应，经过处理之后，可以获得变压器局部放电时的参数。但是它测量频率低，不能避 开空气电晕干扰，不适合在线监测，是目前唯一具有标准的检测方法。 2)超声波检测法：局部放电经常会释放有声波，而采用超声波检测法，则是利用传 感器接收局部产生的超声波，由此来对局放的大小进行确定，并且对局放的位置进行确定。 但是它难以定量，且不易区分运行中设备干扰信号。 3)光测法：主要是利用声波压迫，来使光纤的性质发生改变，并且导致光纤输出信 息的特性发生改变，进而测得局部放电信号，但是这种技术还尚未成熟。 4)红外检测法：这种方法的主要原理是，局部放电时，对应部位会过热，若被测部 位的温度高于绝对温度，那么就会产生由热能转化出来的辐射能量，也是红外射线，进而利 用红外探测仪的热成像原理，达到检测目的。这种方法适用于检测设备外部接线端等过热 现象，不易监测运行中设备内部状况。 5)超高频检测技术(UHF)：它通过传感器来获取变压器局部放电时的超高频信号， 以实现对局放的检测与定位。这种方法检测频带高，可以避开电晕干扰；能反映放电的强 3 CN 111579939 A 说　明　书 2/6 页 度，对突发性故障也能及时反应，适合在线监测。 近年来，随着机器学习的不断发展，深度学习方法也在不断进步和发展。由于深度 学习方法自身强大的灵活性和自适应能力，在各个领域都有越来越多的应用投入使用。深 度学习的方法在时序分类方面也有应用，随着时间序列数据的可用性提高，也有许多的TSC (时间序列分类)算法。 但是对于局部放电现象检测任务，还尚未有深度学习的方法应用到这个领域。在 这个领域中，存在样本较少，正负样本极不均衡的问题，以及数据存在噪音等问题，这些问 题对电压时序序列的分类任务都产生较大的影响。如何在这些问题的影响下，对最终的分 类得到一个较高的准确度，仍然是一个具有挑战性的问题。
技术实现要素：
本发明提供了一种基于深度学习进行高压电力电缆局部放电现象检测方法，本发 明通过深度学习方法，提取隐藏在电压时序信号中的局部放电现象的特征、特性和局部放 电模式，从而能够较为准确的判断监测到的某段高压电力线路电压时序信号中是否出现了 局部放电现象，详见下文描述： 一种基于深度学习进行高压电力电缆局部放电现象检测方法，所述方法包括： 对原始高压电力电缆电压时序信号数据进行预处理，获取高压电力线路信号的特 征，如不需进行数据预处理，则跳过本步骤； 将预处理过的高压电力电缆电压时序信号或未处理过的信号转换为局部放电现 象检测模型输入的时间序列数据； 经过训练集的训练得到最终的局部放电现象检测模型，并根据评估指标判断检测 模型的性能，然后对检测模型进行改进，直到获取到一个效果满意的模型。 其中，所述对原始高压电力电缆电压时序信号数据进行预处理具体为： 将每个相限的时序电压信号数据分割成数段，求其均值mean、标准差std、平均值 加减标准偏差mean±std、振幅max_range； 分别位于0％，1％，25％，50％，75％，99％，100％的信号数据组成数组percentil_ calc、以及percentil_calc减去均值之后的数组relative_percentile，并将上述数据拼接 成一个一维数组，作为这个片段的预处理特征值，然后将得到的多个一维数组堆叠成一个 特征矩阵； 将经过处理后的三个相的数据拼接在一起，作为其对应高压电力线路的特征。 进一步地，所述局部放电现象检测模型由输入层、两个双向LSTM层、注意力层和全 连接层依次叠加构成。 本发明提供的技术方案的有益效果是： 1、本发明通过深度学习方法，提取隐藏在电压时序信号的局部放电现象的特征、 特性和局部放电模式，从而能够较为准确的判断监测到的某段高压电力线路的电压时序信 号中是否出现了局部放电现象。 2、通过本发明中所提方法可以简化高压电力线路的故障检测，使其变得更加高 效，能够确定故障发生所在区间，确保相关工作人员的安全，并能够及时的发现上述的局部 放电现象并进行检修，将会大大的降低高压线路出现故障的频率，进而避免一些不必要的 4 CN 111579939 A 说　明　书 3/6 页 损失。 附图说明 图1为无局部放电现象的电压时序信号数据的示意图； 图2为有局部放电现象的电压时序信号数据的示意图； 图3为样本数据集分布的示意图； 图4为训练过程中损失函数的变化曲线的示意图； 图5为模型结构的示意图； 图6为经过训练后得到的模型的PR曲线的示意图； 图7为一种基于深度学习进行高压电力电缆局部放电现象检测方法的流程图。