基于邊緣計算的局部放電模式識別
2022年電子技術應用第9期
宋佳駿，劉守豹，熊中浩
大唐水電科學技術研究院有限公司，四川 成都610074
摘要： 局部放電是設備處于高電場強下，由于電場分布不均而導致的絕緣介質放電現象，設備產生局部放電對于絕緣層的危害很大，迅速檢測識別設備的放電類型是工業正常運作的保障。針對電氣設備局部放電類型識別問題，考慮到電氣設備監測系統在診斷識別方面的時效性及精度，提出了基于邊緣計算的局部放電模式識別方法，利用邊緣計算架構的優勢，基于云層訓練、邊緣推理思路，將復雜的識別算法訓練優化過程部署在云層，將計算量大的識別算法卸載到邊緣層，而計算量小的特征提取保留在終端設備層處理。通過構造局部放電相位分布譜圖提取局部放電的統計特征參數，采用粒子群優化算法對廣義回歸神經網絡模型進行優化，最后將統計特征參數作為神經網絡的輸入量，對放電類型進行識別。結果表明，所提模式識別方法識別準確率高，識別效率高。
中圖分類號： TN91；TM85
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.222525
中文引用格式： 宋佳駿，劉守豹，熊中浩. 基于邊緣計算的局部放電模式識別[J].電子技術應用，2022，48(9)：55-58，62.
英文引用格式： Song Jiajun，Liu Shoubao，Xiong Zhonghao. Partial discharge pattern recognition based on edge computing[J]. Application of Electronic Technique，2022，48(9)：55-58，62.
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.222525
中文引用格式： 宋佳駿，劉守豹，熊中浩. 基于邊緣計算的局部放電模式識別[J].電子技術應用，2022，48(9)：55-58，62.
英文引用格式： Song Jiajun，Liu Shoubao，Xiong Zhonghao. Partial discharge pattern recognition based on edge computing[J]. Application of Electronic Technique，2022，48(9)：55-58，62.
Partial discharge pattern recognition based on edge computing
Song Jiajun，Liu Shoubao，Xiong Zhonghao
Datang Hydropower Science & Technology Research Institute Co．，Ltd.，Chengdu 610074，China
Abstract： Partial discharge is the phenomenon of dielectric discharge caused by uneven distribution of electric field under high electric field intensity. Partial discharge of equipment does great harm to the insulation layer. Rapid detection and identification of the discharge type of equipment is the guarantee of normal industrial operation. For electrical equipment for partial discharge type recognition problem, considering the electrical equipment monitoring system in the diagnosis of the timeliness and accuracy of recognition, this paper puts forward the partial discharge pattern recognition method based on edge calculation, using the advantage of edge computing architectures, edge of reasoning based on training, the clouds, the complex recognition algorithm training optimization deployment in the clouds. The recognition algorithm with large computation is offloaded to the edge layer, while the feature extraction with small computation is reserved to the terminal device layer. The statistical characteristic parameters of pd were extracted by constructing pd phase distribution spectrum, and the generalized regression neural network model was optimized by particle swarm optimization algorithm. Finally, the statistical characteristic parameters were used as the input of the neural network to identify the discharge types. The results show that the proposed pattern recognition method has high recognition accuracy and efficiency.
Key words : edge computing；partial discharge；pattern recognition；generalized regression neural network
0 引言
電廠中高壓電氣設備在長期運行的情況下不可避免會出現各種各樣的劣化或者故障，對高壓電氣設備的實時監測和故障預警不僅能保證設備的穩定運行，也能極大程度上提高供電可靠性[1]。隨著信息技術的發展，采用數字信號處理局部放電信號的技術愈發成熟，目前針對局部放電類型識別研究主要目的是提高缺陷識別精度，復雜的神經網絡會占用大量計算資源，不符合工業運作的實際需求響應。在實際的監測系統中，必須考慮計算機軟硬件資源環境的復雜程度以及識別算法的時延特性等問題[2-3]。
在萬物互聯的大背景下，傳統云計算處理海量數據的能力顯得尤為不足，存在實時性不夠、帶寬不足、能耗較大以及數據安全性低等問題[4-5]。邊緣計算的出現使得上述問題得到有效的解決，針對局部放電數據采樣頻率高、數據處理復雜等特點，本文提出了一種基于邊緣計算的局部放電模式識別方法，該方法將模式識別算法合理分配在邊緣計算框架中，有效地降低了云端計算壓力，在保證識別準確性的情況下提高了數據處理的實時性。
本文詳細內容請下載：http://m.jysgc.com/resource/share/2000004921。
作者信息：
宋佳駿，劉守豹，熊中浩
(大唐水電科學技術研究院有限公司，四川 成都610074)
此內容為AET網站原創，未經授權禁止轉載。