一种风电场集电线路电缆局放信号采集处理方法与流程

1.本发明涉及局放信号采集技术领域，具体涉及一种风电场集电线路电缆局放信号采集处理方法。


背景技术：

2.电能在现实生活中起到了不可缺少的作用，而电缆作为传输电能重要部件，已经得到了广泛的应用，特别是在城市配电网中占据了主要的地位。电缆发生局部放电的局部放电量和其当前的绝缘状况有着密切的关系，因此评价电缆绝缘状况的最有效、最直观的方式就是测量电缆的局部放电量。因此，完善运行中电缆局部放电的诊断方法，对提高电力系统的可靠性和安全性具有重要意义。
3.电缆产生局部放电时会伴随光、热、电磁波、电脉冲等物理现象，这些物理现象就是电缆局部放电检测的依据。从电缆产生的局部放电中虽然可以了解电缆的绝缘状况，但是要判别电缆局部放电故障的缺陷类型，需要对局部放电信号进行模式识别。目前局部放电模式识别的主要方法是首先根据电缆几种常见的局部放电类型，设置对应类型的试验，并进行大量的试验，然后再从每组类型的试验中提取特征数据，并对得到的特征数据建立图谱库，最后采用智能算法对得到的几类图谱数据进行训练，最终达到分类识别的效果，但是现有方案中对于电缆局放信号的采集点布局具有高随机性，强主观性，导致在电缆上局放故障定位时，准确度低。


技术实现要素：

4.本发明的目的在于提供一种风电场集电线路电缆局放信号采集处理方法，以解决现有技术中电缆局放信号的采集点布局具有高随机性，强主观性，导致在电缆上局放故障定位时，准确度低的技术问题。
5.为解决上述技术问题，本发明具体提供下述技术方案：
6.一种风电场集电线路电缆局放信号采集处理方法，包括以下步骤：
7.步骤s1、获取风电场集电线路电缆的历史局放故障，并依次在每个历史局放故障中提取出故障区间特征，故障信号特征以及故障类型，再基于故障区间特征和故障信号特征对历史局放故障进行区间故障率量化得到每个历史局放故障的区间故障率；
8.步骤s2、利用分类算法基于故障信号特征和故障类型构建局放故障识别模型，以及利用神经网络基于故障区间特征和区间故障率进行模型训练得到故障区间标定模型；
9.步骤s3、对待采集局放信号的风电场集电线路电缆进行区间划分得到一组采集区间，基于故障区间标定模型依次对每个采集区间进行区间标定得到每个采集区间的区间故障率，再基于每个采集区间的区间故障率将采集区间分类为高危区间和低危区间，所述高/低危区间表征为历史局放故障中具有高/低危险性的位置区间；
10.步骤s4、对所述高危区间和低危区间依据区间故障率分区布局高危区间和低危区间的信号采集点，以实现对高危区间和低危区间进行分区检测来保证信号采集的高时效性
和低冗余性，并利用局放故障识别模型同步将各个信号采集点的采集信号进行识别，以在待采集局放信号的风电场集电线路电缆上定位出局放故障的故障区间以及识别出局放故障的故障类型。
11.作为本发明的一种优选方案，所述依次在每个历史局放故障中提取出故障区间特征，故障信号特征以及故障类型，包括：
12.所述故障区间特征包括历史局放故障的电缆区间特征和环境区间特征，所述电缆区间特征表征为位于历史局放故障的故障区间内风电场集电线路电缆的固有属性特征，所述环境区间特征表征为位于历史局放故障的故障区间内风电场集电线路电缆的外部安装环境特征。
13.作为本发明的一种优选方案，所述基于故障区间特征和故障信号特征对历史局放故障进行区间故障率量化得到每个历史局放故障的区间故障率，包括：
14.利用kmeans++算法基于所述故障区间特征对所述历史局放故障进行聚类分簇得到多组局放故障簇，并依次统计每个局放故障簇的局放故障数，再基于局放故障数计算出每个历史局放故障的基础故障率，所述基础故障率的计算公式为：
[0015][0016]
式中，pi表征为第i个历史局放故障的基础故障率，ni表征为第i个历史局放故障所在的局放故障簇的局放故障数，n表征为历史局放故障总数；
[0017]
依次计算每个历史局放故障的故障信号特征和标准信号特征的欧几里得距离，并基于所述欧几里得距离计算出每个历史局放故障的故障率权重，以衡量每个历史局放故障的故障程度，所述故障率权重的计算公式为：
[0018][0019]
式中，αi表征为第i个历史局放故障的故障率权重，si表征为第i个历史局放故障的故障信号特征，h表征为标准信号特征；
[0020]
依次将每个历史局放故障的所述故障率权重加权至基础故障率上得到每个历史局放故障的所述区间故障率，所述区间故障率的计算公式为：
[0021]ki
＝αi*pi；
[0022]
式中，ki表征为第i个历史局放故障的区间故障率，i为计量常数。
[0023]
作为本发明的一种优选方案，所述利用分类算法基于故障信号特征和故障类型构建局放故障识别模型，包括：
[0024]
将故障信号特征和故障类型分别作为xgboost算法的输入项和输出项，并将所述xgboost算法基于所述输入项和输出项进行模型训练得到所述局放故障识别模型，所述局放故障识别模型的模型函数为：
[0025]
label＝xgboost(s)；
[0026]
式中，label为故障类型的标识符，s为故障信号特征的标识符，xgboost为xgboost算法的标识符。
[0027]
作为本发明的一种优选方案，所述利用神经网络基于故障区间特征和区间故障率
进行模型训练得到故障区间标定模型，包括：
[0028]
将故障区间特征作为cnn神经网络的输入项，以及将区间故障率作为cnn神经网络的输出项，并将所述cnn神经网络基于所述输入项和输出项进行模型训练得到所述故障区间标定模型，所述故障区间标定模型的模型函数为：
[0029]
k＝cnn(u)；
[0030]
式中，k为区间故障率的标识符，u为故障区间特征的标识符，cnn为cnn神经网络的标识符。
[0031]
作为本发明的一种优选方案，所述对待采集局放信号的风电场集电线路电缆进行区间划分得到一组采集区间，包括：
[0032]
设定采集区间的区间长度期望值，并基于区间长度期望值对历史局放故障进行区间长度离散度的构建，所述区间长度离散度的函数表达式为：
[0033][0034]
式中，d
σ
表征为区间长度离散度，di表征为第i个历史局放故障的区间长度，de表征为区间长度期望值；
[0035]
基于区间长度期望值对待采集局放信号的风电场集电线路电缆进行区间特征计算率的构建，所述区间特征计算率的函数表达式为：
[0036][0037]
式中，q表征为区间特征计算率，l表征为待采集局放信号的风电场集电线路电缆的总长度，de表征为区间长度期望值；
[0038]
基于区间长度离散度和区间特征计算率构建区间长度期望值的求解函数，所述求解函数的函数表达式为：
[0039][0040]
式中，min表征为最小化运算符，max表征为最小化运算符；
[0041]
构建区间长度期望值的求解约束条件，所述求解约束条件为：
[0042]de
∈[d
min
，d
max
]；
[0043]
式中，d
min
、d
max
分别表征为历史局放故障中最小区间长度、最大区间长度；
[0044]
基于所述求解约束条件对所述区间长度期望值的求解函数进行求解得到区间长度期望值的求解值，并将区间长度期望值的求解值作为对待采集局放信号的风电场集电线路电缆进行区间划分的划分长度，将待采集局放信号的风电场集电线路电缆依据划分长度进行均匀区间划分得到一组采集区间。
[0045]
作为本发明的一种优选方案，所述基于故障区间标定模型依次对每个采集区间进行区间标定得到每个采集区间的区间故障率，包括：
[0046]
依次获取一组采集区间的故障区间特征，并利用故障区间标定模型依次对每个采集区间进行区间标定得到每个采集区间的区间故障率。
[0047]
作为本发明的一种优选方案，所述基于每个采集区间的区间故障率将采集区间分类为高危区间和低危区间，包括：
[0048]
设定高危区间和低危区间的故障率置信范围，并按所述故障率置信范围对每个采集区间的区间故障率进行归类，以实现将采集区间分类为高危区间和低危区间，其中，
[0049]
若采集区间的区间故障率处于高危区间的故障率置信范围或低危区间的故障率置信范围，则将采集区间分类为高危区间；
[0050]
若采集区间的区间故障率处于低危区间的故障率置信范围，则将采集区间分类为低危区间。
[0051]
作为本发明的一种优选方案，所述对所述高危区间和低危区间依据区间故障率分区布局高危区间和低危区间的信号采集点，包括：
[0052]
设定采集区间的信号采集点基础密度，将高危区间的信号采集点密度在所述信号采集点基础密度的基础上设定为：
[0053]
ρb＝ρo*(ab+kb)；
[0054]
式中，ρb表征为高危区间的信号采集点密度，ρo表征为信号采集点基础密度，kb表征为高危区间的区间故障率，ab表征为高危区间的密度倍数常数，ab＞1；
[0055]
将低危区间的信号采集点密度在所述信号采集点基础密度的基础上设定为：
[0056]
ρc＝ρo*(ac+k
cm
)；
[0057]
式中，ρc表征为低危区间的信号采集点密度，ρo表征为信号采集点基础密度，kc表征为高危区间的区间故障率，ac表征为高危区间的密度倍数常数，ab＞ac≥1；
[0058]
基于高危区间的信号采集点密度和低危区间的信号采集点密度求得高危区间的信号采集点数和低危区间的信号采集点数，并将高危区间和低危区间按高危区间的信号采集点数和低危区间的信号采集点数进行均匀分割，将分割点作为所述信号采集点。
[0059]
作为本发明的一种优选方案，所述利用局放故障识别模型同步将各个信号采集点的采集信号进行识别，以在待采集局放信号的风电场集电线路电缆上定位出局放故障的故障区间以及识别出局放故障的故障类型，包括：
[0060]
获取各个信号采集点的采集信号和所述采集信号的信号特征，将采集信号的信号特征输入至局放故障识别模型中，并提取输出故障类型对应的信号采集点作为故障点，提取不输出故障类型对应的信号采集点作为非故障点；
[0061]
设定待采集局放信号的风电场集电线路电缆的信号传输方向为正方向，以及设定与正方向相反的方向为反方向，在待采集局放信号的风电场集电线路电缆沿所述反方向进行搜索标记出定位故障点，所述定位故障点为反方向相邻位置处为非故障点对应的故障点，并将定位故障点和定位故障点反方向相邻位置处的非故障点间的区间作为出局放故障的故障区间，将定位故障点的故障类型作为局放故障的故障类型。本发明与现有技术相比较具有如下有益效果：
[0062]
本发明对所述高危区间和低危区间依据区间故障率分区布局高危区间和低危区间的信号采集点，以实现对高危区间和低危区间进行分区检测来保证信号采集的高时效性和低冗余性，并利用局放故障识别模型同步将各个信号采集点的采集信号进行识别，以在
待采集局放信号的风电场集电线路电缆上定位出局放故障的故障区间以及识别出局放故障的故障类型，并利用模型训练得到识别故障类型和划分故障区间的模型，避免人为识别的效率低和主观性强的缺陷。
附图说明
[0063]
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
[0064]
图1为本发明实施例提供的风电场集电线路电缆局放信号采集处理方法流程图；
[0065]
图2为本发明实施例提供的信号采集点在高危区间和低危区间的布局示意图。
[0066]
图中的标号分别表示如下：
[0067]
1-风电场集电线路电缆；2-高危区间；3-低危区间；4-信号采集点。
具体实施方式
[0068]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0069]
如图1所示，本发明提供了一种风电场集电线路电缆局放信号采集处理方法，包括以下步骤：
[0070]
步骤s1、获取风电场集电线路电缆的历史局放故障，并依次在每个历史局放故障中提取出故障区间特征，故障信号特征以及故障类型，再基于故障区间特征和故障信号特征对历史局放故障进行区间故障率量化得到每个历史局放故障的区间故障率；
[0071]
依次在每个历史局放故障中提取出故障区间特征，故障信号特征以及故障类型，包括：
[0072]
故障区间特征包括历史局放故障的电缆区间特征和环境区间特征，电缆区间特征表征为位于历史局放故障的故障区间内风电场集电线路电缆的固有属性特征，固有属性特征包括但不限于电缆的形状特征：长度、横截面积等，材料特征：绝缘性能、电导率等，环境区间特征表征为位于历史局放故障的故障区间内风电场集电线路电缆的外部安装环境特征，外部安装环境特征包括但不限于自然环境特征：温度、湿度、磁场等，电学环境特征：风电场集电线路的电路电压、电流、负载等。
[0073]
故障信号特征包括但不限于光、热、电磁波、电脉冲等物理信号，平均放电量相位信号、最大发电量相位信号、发电量峰值信号、发电量信号陡峭度等，故障类型包括但不限于内部放电、沿面放电、电晕放电等。
[0074]
基于故障区间特征和故障信号特征对历史局放故障进行区间故障率量化得到每个历史局放故障的区间故障率，包括：
[0075]
利用kmeans++算法基于故障区间特征对历史局放故障进行聚类分簇得到多组局放故障簇，并依次统计每个局放故障簇的局放故障数，再基于局放故障数计算出每个历史
局放故障的基础故障率，基础故障率的计算公式为：
[0076][0077]
式中，pi表征为第i个历史局放故障的基础故障率，ni表征为第i个历史局放故障所在的局放故障簇的局放故障数，n表征为历史局放故障总数；
[0078]
利用故障区间特征对历史局放故障进行聚类分簇，以将具有相似故障区间特征的历史局放故障归置到同一局放故障簇，某一局放故障簇的局放故障数越多，则说明具有该故障区间特征的历史局放故障具有高发性，即具有该故障区间特征的历史局放故障的故障频率更高，因此本实施例构建基础故障率对上述历史局放故障的故障频率进行量化，实现高发性的历史局放故障，具有高基础故障率，低发性的历史局放故障，具有低基础故障率。
[0079]
依次计算每个历史局放故障的故障信号特征和标准信号特征的欧几里得距离，并基于欧几里得距离计算出每个历史局放故障的故障率权重，以衡量每个历史局放故障的故障程度，故障率权重的计算公式为：
[0080][0081]
式中，αi表征为第i个历史局放故障的故障率权重，si表征为第i个历史局放故障的故障信号特征，h表征为标准信号特征；
[0082]
故障信号特征与标准信号特征的欧几里得距离越大，则故障信号特征较标准信号特征的偏离度越大，即具有该故障信号特征的历史局放故障的故障程度越高，本实施例构建故障率权重对故障程度进行量化。
[0083]
依次将每个历史局放故障的故障率权重加权至基础故障率上得到每个历史局放故障的区间故障率，区间故障率的计算公式为：
[0084]ki
＝αi*pi；
[0085]
式中，ki表征为第i个历史局放故障的区间故障率，i为计量常数。
[0086]
将故障率权重加权至基础故障率上得到区间故障率，可保证区间故障率融合历史局放故障的故障频率和故障程度对区间关注度进行量化，实现基础故障率越高且故障率权重越大，区间故障率越高，更符合现实需求中故障频率越高且故障程度越大，该区间需要更高的关注度，基础故障率越低且故障率权重越小，区间故障率越低，更符合现实需求中故障频率越低且故障程度越小，该区间需要更低的关注度。
[0087]
步骤s2、利用分类算法基于故障信号特征和故障类型构建局放故障识别模型，以及利用神经网络基于故障区间特征和区间故障率进行模型训练得到故障区间标定模型；
[0088]
利用分类算法基于故障信号特征和故障类型构建局放故障识别模型，包括：
[0089]
将故障信号特征和故障类型分别作为xgboost算法的输入项和输出项，并将xgboost算法基于输入项和输出项进行模型训练得到局放故障识别模型，局放故障识别模型的模型函数为：
[0090]
label＝xgboost(s)；
[0091]
式中，label为故障类型的标识符，s为故障信号特征的标识符，xgboost为xgboost算法的标识符。
[0092]
利用神经网络基于故障区间特征和区间故障率进行模型训练得到故障区间标定模型，包括：
[0093]
将故障区间特征作为cnn神经网络的输入项，以及将区间故障率作为cnn神经网络的输出项，并将cnn神经网络基于输入项和输出项进行模型训练得到故障区间标定模型，故障区间标定模型的模型函数为：
[0094]
k＝cnn(u)；
[0095]
式中，k为区间故障率的标识符，u为故障区间特征的标识符，cnn为cnn神经网络的标识符。
[0096]
步骤s3、对待采集局放信号的风电场集电线路电缆进行区间划分得到一组采集区间，基于故障区间标定模型依次对每个采集区间进行区间标定得到每个采集区间的区间故障率，再基于每个采集区间的区间故障率将采集区间分类为高危区间和低危区间，高/低危区间表征为历史局放故障中具有高/低危险性的位置区间；
[0097]
对待采集局放信号的风电场集电线路电缆进行区间划分得到一组采集区间，包括：
[0098]
设定采集区间的区间长度期望值，并基于区间长度期望值对历史局放故障进行区间长度离散度的构建，区间长度离散度的函数表达式为：
[0099][0100]
式中，d
σ
表征为区间长度离散度，di表征为第i个历史局放故障的区间长度，de表征为区间长度期望值；
[0101]
基于区间长度期望值对待采集局放信号的风电场集电线路电缆进行区间特征计算率的构建，区间特征计算率的函数表达式为：
[0102][0103]
式中，q表征为区间特征计算率，l表征为待采集局放信号的风电场集电线路电缆的总长度，de表征为区间长度期望值，de越小，则区间特征计算率越大，符合现实中区间长度越短，则区间内包含的特征量越少，则模型计算的速率越高；
[0104]
基于区间长度离散度和区间特征计算率构建区间长度期望值的求解函数，求解函数的函数表达式为：
[0105][0106]
式中，min表征为最小化运算符，max表征为最小化运算符；
[0107]
构建区间长度期望值的求解约束条件，求解约束条件为：
[0108]de
∈[d
min
，d
max
]；
[0109]
式中，d
min
、d
max
分别表征为历史局放故障中最小区间长度、最大区间长度；
[0110]
基于求解约束条件对区间长度期望值的求解函数进行求解得到区间长度期望值
的求解值，并将区间长度期望值的求解值作为对待采集局放信号的风电场集电线路电缆进行区间划分的划分长度，将待采集局放信号的风电场集电线路电缆依据划分长度进行均匀区间划分得到一组采集区间。
[0111]
区间长度离散度最小化，可以使获得的采集区间能够最大程度贴近历史局放故障的区间长度，即采集区域能够确保最大程度的包括所需故障区间特征用来提高区间故障率的识别精度，而区间特征计算率最大化，可以使得区间故障率的识别速率增高。
[0112]
基于故障区间标定模型依次对每个采集区间进行区间标定得到每个采集区间的区间故障率，包括：
[0113]
依次获取一组采集区间的故障区间特征，并利用故障区间标定模型依次对每个采集区间进行区间标定得到每个采集区间的区间故障率。
[0114]
基于每个采集区间的区间故障率将采集区间分类为高危区间和低危区间，包括：
[0115]
设定高危区间和低危区间的故障率置信范围，并按故障率置信范围对每个采集区间的区间故障率进行归类，以实现将采集区间分类为高危区间和低危区间，其中，
[0116]
若采集区间的区间故障率处于高危区间的故障率置信范围或低危区间的故障率置信范围，则将采集区间分类为高危区间；
[0117]
若采集区间的区间故障率处于低危区间的故障率置信范围，则将采集区间分类为低危区间。
[0118]
如图2所示，步骤s4、对高危区间和低危区间依据区间故障率分区布局高危区间和低危区间的信号采集点，以实现对高危区间和低危区间进行分区检测来保证信号采集的高时效性和低冗余性，并利用局放故障识别模型同步将各个信号采集点的采集信号进行识别，以在待采集局放信号的风电场集电线路电缆上定位出局放故障的故障区间以及识别出局放故障的故障类型。
[0119]
对高危区间和低危区间依据区间故障率分区布局高危区间和低危区间的信号采集点，包括：
[0120]
设定采集区间的信号采集点基础密度，将高危区间的信号采集点密度在信号采集点基础密度的基础上设定为：
[0121]
ρb＝ρo*(ab+kb)；
[0122]
式中，ρb表征为高危区间的信号采集点密度，ρo表征为信号采集点基础密度，kb表征为高危区间的区间故障率，ab表征为高危区间的密度倍数常数，ab＞1；
[0123]
将低危区间的信号采集点密度在信号采集点基础密度的基础上设定为：
[0124]
ρc＝ρo*(ac+k
cm
)；
[0125]
式中，ρc表征为低危区间的信号采集点密度，ρo表征为信号采集点基础密度，依据现实场景由使用者进行自定义，kc表征为高危区间的区间故障率，ac表征为高危区间的密度倍数常数，ab＞ac≥1；
[0126]
基于高危区间的信号采集点密度和低危区间的信号采集点密度求得高危区间的信号采集点数和低危区间的信号采集点数，并将高危区间和低危区间按高危区间的信号采集点数和低危区间的信号采集点数进行均匀分割，将分割点作为信号采集点。
[0127]
将非高危区间和低危区间的采集区间按信号采集点基础密度进行均匀分割，将分割点作为信号采集点。
[0128]
区间故障率是由基础故障率和故障率权重计算得到，基础故障率和故障率权重的取值范围都是0到1，因此区间故障率的取值范围也在0到1，则将高危区间的信号采集点密度设置为ρb＝ρo*(ab+kb)，低危区间的信号采集点密度设置为ρc＝ρo*(ac+k
cm
)，可保证高危区间的信号采集密度高于低危区间的信号采集密度，凸显出高危区间的高危性，高危区间的信号采集密度高，则能够故障发生时快速精准的定位到故障区间，时效性强，而低危区间的信号采集密度仅略高于不具危险性的采集区间，符合危险性较低的低危区间，无需高密度采集，避免硬件成本的增加。
[0129]
不论是高危区间还是低危区间，只要某区间的区间故障率越高，即关注度需求越高，则信号采集点密度越高，即信号采集点在该区间内布局的数量越多，信号采集点越密集，具象化关注度，符合现实场景需求。
[0130]
利用局放故障识别模型同步将各个信号采集点的采集信号进行识别，以在待采集局放信号的风电场集电线路电缆上定位出局放故障的故障区间以及识别出局放故障的故障类型，包括：
[0131]
获取各个信号采集点的采集信号和采集信号的信号特征，将采集信号的信号特征输入至局放故障识别模型中，并提取输出故障类型对应的信号采集点作为故障点，提取不输出故障类型对应的信号采集点作为非故障点；
[0132]
设定待采集局放信号的风电场集电线路电缆的信号传输方向为正方向，以及设定与正方向相反的方向为反方向，在待采集局放信号的风电场集电线路电缆沿反方向进行搜索标记出定位故障点，定位故障点为反方向相邻位置处为非故障点对应的故障点，并将定位故障点和定位故障点反方向相邻位置处的非故障点间的区间作为出局放故障的故障区间，将定位故障点的故障类型作为局放故障的故障类型。
[0133]
本发明对高危区间和低危区间依据区间故障率分区布局高危区间和低危区间的信号采集点，以实现对高危区间和低危区间进行分区检测来保证信号采集的高时效性和低冗余性，并利用局放故障识别模型同步将各个信号采集点的采集信号进行识别，以在待采集局放信号的风电场集电线路电缆上定位出局放故障的故障区间以及识别出局放故障的故障类型，并利用模型训练得到识别故障类型和划分故障区间的模型，避免人为识别的效率低和主观性强的缺陷。
[0134]
以上实施例仅为本技术的示例性实施例，不用于限制本技术，本技术的保护范围由权利要求书限定。本领域技术人员可以在本技术的实质和保护范围内，对本技术做出各种修改或等同替换，这种修改或等同替换也应视为落在本技术的保护范围内。

技术特征：
1.一种风电场集电线路电缆局放信号采集处理方法，其特征在于：包括以下步骤：步骤s1、获取风电场集电线路电缆的历史局放故障，并依次在每个历史局放故障中提取出故障区间特征，故障信号特征以及故障类型，再基于故障区间特征和故障信号特征对历史局放故障进行区间故障率量化得到每个历史局放故障的区间故障率；步骤s2、利用分类算法基于故障信号特征和故障类型构建局放故障识别模型，以及利用神经网络基于故障区间特征和区间故障率进行模型训练得到故障区间标定模型；步骤s3、对待采集局放信号的风电场集电线路电缆进行区间划分得到一组采集区间，基于故障区间标定模型依次对每个采集区间进行区间标定得到每个采集区间的区间故障率，再基于每个采集区间的区间故障率将采集区间分类为高危区间和低危区间，所述高/低危区间表征为历史局放故障中具有高/低危险性的位置区间；步骤s4、对所述高危区间和低危区间依据区间故障率分区布局高危区间和低危区间的信号采集点，以实现对高危区间和低危区间进行分区检测来保证信号采集的高时效性和低冗余性，并利用局放故障识别模型同步将各个信号采集点的采集信号进行识别，以在待采集局放信号的风电场集电线路电缆上定位出局放故障的故障区间以及识别出局放故障的故障类型。2.根据权利要求1所述的一种风电场集电线路电缆局放信号采集处理方法，其特征在于：所述依次在每个历史局放故障中提取出故障区间特征，故障信号特征以及故障类型，包括：所述故障区间特征包括历史局放故障的电缆区间特征和环境区间特征，所述电缆区间特征表征为位于历史局放故障的故障区间内风电场集电线路电缆的固有属性特征，所述环境区间特征表征为位于历史局放故障的故障区间内风电场集电线路电缆的外部安装环境特征。3.根据权利要求2所述的一种风电场集电线路电缆局放信号采集处理方法，其特征在于：所述基于故障区间特征和故障信号特征对历史局放故障进行区间故障率量化得到每个历史局放故障的区间故障率，包括：利用kmeans++算法基于所述故障区间特征对所述历史局放故障进行聚类分簇得到多组局放故障簇，并依次统计每个局放故障簇的局放故障数，再基于局放故障数计算出每个历史局放故障的基础故障率，所述基础故障率的计算公式为：式中，p
i
表征为第i个历史局放故障的基础故障率，n
i
表征为第i个历史局放故障所在的局放故障簇的局放故障数，n表征为历史局放故障总数；依次计算每个历史局放故障的故障信号特征和标准信号特征的欧几里得距离，并基于所述欧几里得距离计算出每个历史局放故障的故障率权重，以衡量每个历史局放故障的故障程度，所述故障率权重的计算公式为：
式中，α
i
表征为第i个历史局放故障的故障率权重，s
i
表征为第i个历史局放故障的故障信号特征，h表征为标准信号特征；依次将每个历史局放故障的所述故障率权重加权至基础故障率上得到每个历史局放故障的所述区间故障率，所述区间故障率的计算公式为：k
i
＝α
i
*p
i
；式中，k
i
表征为第i个历史局放故障的区间故障率，i为计量常数。4.根据权利要求3所述的一种风电场集电线路电缆局放信号采集处理方法，其特征在于：所述利用分类算法基于故障信号特征和故障类型构建局放故障识别模型，包括：将故障信号特征和故障类型分别作为xgboost算法的输入项和输出项，并将所述xgboost算法基于所述输入项和输出项进行模型训练得到所述局放故障识别模型，所述局放故障识别模型的模型函数为：label＝xgboost(s)；式中，label为故障类型的标识符，s为故障信号特征的标识符，xgboost为xgboost算法的标识符。5.根据权利要求4所述的一种风电场集电线路电缆局放信号采集处理方法，其特征在于：所述利用神经网络基于故障区间特征和区间故障率进行模型训练得到故障区间标定模型，包括：将故障区间特征作为cnn神经网络的输入项，以及将区间故障率作为cnn神经网络的输出项，并将所述cnn神经网络基于所述输入项和输出项进行模型训练得到所述故障区间标定模型，所述故障区间标定模型的模型函数为：k＝cnn(u)；式中，k为区间故障率的标识符，u为故障区间特征的标识符，cnn为cnn神经网络的标识符。6.根据权利要求5所述的一种风电场集电线路电缆局放信号采集处理方法，其特征在于：所述对待采集局放信号的风电场集电线路电缆进行区间划分得到一组采集区间，包括：设定采集区间的区间长度期望值，并基于区间长度期望值对历史局放故障进行区间长度离散度的构建，所述区间长度离散度的函数表达式为：式中，d
σ
表征为区间长度离散度，d
i
表征为第i个历史局放故障的区间长度，d
e
表征为区间长度期望值；基于区间长度期望值对待采集局放信号的风电场集电线路电缆进行区间特征计算率的构建，所述区间特征计算率的函数表达式为：式中，q表征为区间特征计算率，l表征为待采集局放信号的风电场集电线路电缆的总
长度，d
e
表征为区间长度期望值；基于区间长度离散度和区间特征计算率构建区间长度期望值的求解函数，所述求解函数的函数表达式为：式中，min表征为最小化运算符，max表征为最小化运算符；构建区间长度期望值的求解约束条件，所述求解约束条件为：d
e
∈[d
min
,d
max
]；式中，d
min
、d
max
分别表征为历史局放故障中最小区间长度、最大区间长度；基于所述求解约束条件对所述区间长度期望值的求解函数进行求解得到区间长度期望值的求解值，并将区间长度期望值的求解值作为对待采集局放信号的风电场集电线路电缆进行区间划分的划分长度，将待采集局放信号的风电场集电线路电缆依据划分长度进行均匀区间划分得到一组采集区间。7.根据权利要求6所述的一种风电场集电线路电缆局放信号采集处理方法，其特征在于，所述基于故障区间标定模型依次对每个采集区间进行区间标定得到每个采集区间的区间故障率，包括：依次获取一组采集区间的故障区间特征，并利用故障区间标定模型依次对每个采集区间进行区间标定得到每个采集区间的区间故障率。8.根据权利要求7所述的一种风电场集电线路电缆局放信号采集处理方法，其特征在于，所述基于每个采集区间的区间故障率将采集区间分类为高危区间和低危区间，包括：设定高危区间和低危区间的故障率置信范围，并按所述故障率置信范围对每个采集区间的区间故障率进行归类，以实现将采集区间分类为高危区间和低危区间，其中，若采集区间的区间故障率处于高危区间的故障率置信范围或低危区间的故障率置信范围，则将采集区间分类为高危区间；若采集区间的区间故障率处于低危区间的故障率置信范围，则将采集区间分类为低危区间。9.根据权利要求8所述的一种风电场集电线路电缆局放信号采集处理方法，其特征在于，所述对所述高危区间和低危区间依据区间故障率分区布局高危区间和低危区间的信号采集点，包括：设定采集区间的信号采集点基础密度，将高危区间的信号采集点密度在所述信号采集点基础密度的基础上设定为：ρ
b
＝ρ
o
*(a
b
+k
b
)；式中，ρ
b
表征为高危区间的信号采集点密度，ρ
o
表征为信号采集点基础密度，k
b
表征为高危区间的区间故障率，a
b
表征为高危区间的密度倍数常数，a
b
>1；将低危区间的信号采集点密度在所述信号采集点基础密度的基础上设定为：ρ
c
＝ρ
o
*(a
c
+k
cm
)；式中，ρ
c
表征为低危区间的信号采集点密度，ρ
o
表征为信号采集点基础密度，k
c
表征为高危区间的区间故障率，a
c
表征为高危区间的密度倍数常数，a
b
>a
c
≥1；
基于高危区间的信号采集点密度和低危区间的信号采集点密度求得高危区间的信号采集点数和低危区间的信号采集点数，并将高危区间和低危区间按高危区间的信号采集点数和低危区间的信号采集点数进行均匀分割，将分割点作为所述信号采集点。10.根据权利要求9所述的一种风电场集电线路电缆局放信号采集处理方法，其特征在于，所述利用局放故障识别模型同步将各个信号采集点的采集信号进行识别，以在待采集局放信号的风电场集电线路电缆上定位出局放故障的故障区间以及识别出局放故障的故障类型，包括：获取各个信号采集点的采集信号和所述采集信号的信号特征，将采集信号的信号特征输入至局放故障识别模型中，并提取输出故障类型对应的信号采集点作为故障点，提取不输出故障类型对应的信号采集点作为非故障点；设定待采集局放信号的风电场集电线路电缆的信号传输方向为正方向，以及设定与正方向相反的方向为反方向，在待采集局放信号的风电场集电线路电缆沿所述反方向进行搜索标记出定位故障点，所述定位故障点为反方向相邻位置处为非故障点对应的故障点，并将定位故障点和定位故障点反方向相邻位置处的非故障点间的区间作为出局放故障的故障区间，将定位故障点的故障类型作为局放故障的故障类型。

技术总结
本发明公开了一种风电场集电线路电缆局放信号采集处理方法，包括以下步骤：步骤S1、获取风电场集电线路电缆的历史局放故障，并依次在每个历史局放故障中提取出故障区间特征，故障信号特征以及故障类型，再量化得到每个历史局放故障的区间故障率；步骤S2、利用分类算法基于故障信号特征和故障类型构建局放故障识别模型，以及利用神经网络基于故障区间特征和区间故障率进行模型训练得到故障区间标定模型。本发明在待采集局放信号的风电场集电线路电缆上定位出局放故障的故障区间以及识别出局放故障的故障类型，并利用模型训练得到识别故障类型和划分故障区间的模型，避免人为识别的效率低和主观性强的缺陷。的效率低和主观性强的缺陷。的效率低和主观性强的缺陷。


技术研发人员：黄小舟 王树清 秦英武 隋秋楠 吴国学 田野 张立佳 曲曜声 石春阳 郝巍伟 王禹
受保护的技术使用者：通辽市青格洱新能源有限公司
技术研发日：2022.05.07
技术公布日：2023/7/31