[发明专利]基于智能诊断算法的开放式局部放电大数据管理系统

权利要求书

1.基于智能诊断算法的开放式局部放电大数据管理系统，其特征在于，包括数据接入模块、数据转换模块、数据库和诊断分析模块，其中：

数据接入模块，用于提供标准的数据输入接口以接收数据；

数据转换模块，对数据接入模块接收的数据进行规约转换，并归一化为平台要求的数据格式；

数据库,包括数据分级存储模块，数据分级存储模块用于存储经过数据转换模块转换的数据和数据接入模块接收的不需转换的数据,包括基础数据库和高级数据库；所述基础数据库中存储的基础数据集包括典型故障实验数据、案例数据和日常巡检数据，通过诊断分析模块判断日常巡检数据是否有故障，确认为故障的数据转存入案例数据；通过数学模型对典型故障实验数据和案例数据进行提炼，提炼出用于诊断的特征，特征与对应的放电诊断结果作为高级数据集存储于高级数据库中；

诊断分析模块，与数据库相连，用于判断待诊断数据的放电诊断结果以及利用高级数据库中的高级数据集训练智能诊断算法；

上述诊断分析模块包括快速诊断单元、智能诊断单元和深度诊断单元，其中：

快速诊断单元，用于提取待诊断数据的聚类参数，并与高级数据库中的放电类型的典型聚类参数值进行对比，得到放电诊断结果；

智能诊断单元，用于提取待诊断数据的诊断特征，引用不同智能诊断算法分析特征，分别得到分析结果，对不同分析结果的按照一定的权重加权计算后得到放电诊断结果；

深度诊断单元，用于将待诊断数据基于灰度图理论，使用深度学习图像分类方式，对局部放电类型进行识别；

上述深度诊断单元中将待诊断数据基于灰度图理论，使用深度学习图像分类方式，对局部放电类型进行识别，具体包括提取记录模块、空间曲面构造模块、灰度图像转换模块和分类模块；

提取记录模块：用于提取放电脉冲序列，对每一个工频周期采集的信号提取放电脉冲：首先根据基础噪声设定阈值，提取大于阈值的放电脉冲，将放电脉冲的幅值和发生的工频相位记录在数据文件中；

空间曲面构造模块：用于构造φ-q-n空间曲面，即将工频相位φ轴划分为x个小区间，将放电脉冲序列幅值q轴划分为y个小区间，φ-q平面被划分成x*y个小区间；n表示φ-q平面上各小区间内的放电次数；

对φ-q-n空间曲面进行归一化处理，即

其中，n_i，j为φ-q-n空间曲面放电次数，n_max为φ-q-n空间曲面最大放电次数；n_i，j为φ-q-n归一化后的空间曲面放电次数；

灰度图像转换模块：用于将空间曲面转换为灰度图像，灰度图像的灰度级为0-255，空间曲面最小值和最大值分别对应于最小灰度级和最大灰度级，构造φ-q-n灰度图像，各像素点的灰度值为：

m_i，j＝(1-n_i，j)×255

其中，m_i，j为φ-q-n灰度图像像素点灰度；

分类模块：利用深度学习模型对灰度图像进行局部放电灰度图分类，得到局部放电类型。

2.根据权利要求1所述的基于智能诊断算法的开放式局部放电大数据管理系统，所述数学模型为基于最优小波包变换的数学模型，用于提取出用于诊断的特征空间，使用核主分量分析，运用核函数映射的基本方式进行特征降维，即进行提炼。

3.根据权利要求1所述的基于智能诊断算法的开放式局部放电大数据管理系统，其特征在于，智能诊断单元基于相位-平均放电量、相位-最大放电量和相位-放电次数三张谱图进行统计运算，提取待诊断数据的诊断特征包括：每个半周波的偏斜度、陡峭度、局部峰点数、互相关系数和放电因数。

4.根据权利要求1所述的基于智能诊断算法的开放式局部放电大数据管理系统，其特征在于，智能诊断算法包括支持向量机SVM、粒子群聚类算法和正态贝叶斯分类器。

5.根据权利要求1所述的基于智能诊断算法的开放式局部放电大数据管理系统，其特征在于，深度学习模型为卷积神经网络LeNet5或AlexNet网络。