提出了一种通过人工智能和机器学习理论来实现配网设备运行状况监测的方法,并展示了一套基于卷积神经网络使用超声波和地电波数据的开关柜自动局部放电现象的监测系统。设计了具体的卷积神经网络模型,使其在经过离线训练之后,可以对开关柜实际运行时所产生的信号进行实时的分析与辨别,进而判断设备的运行状况。实验结果表明,在错误信号进行降噪处理的前提下,该系统依然可以准确地给出设备运行的确切状况,这充分证明了提出方法的有效性。 到开关柜柜壁的位置。将DA-9000的地电波传感器安装在开关柜前面板的中部和后面板的中部。开关柜局部放电监测-数控滚圆机滚弧机折弯机全自动滚圆机滚弧机弯管机与其他研究不同，该方法不需要对这些信号进行降噪处理，这也大大降低了运行成本和设备需求。这些信号会先分割成一些固定长度的信号段，其中一些低于某一阈值的弱信号会被过滤掉，如图3（a）所示。然后，对信号进行时频转换，生成如图3 本文由公司网站滚圆机网站采集转载中国知网资源整理!www.wanguanji138.com（b）所示的时频图。为了方便图像显示并减少计算量，在这些图片输入CNN之前，需要事先设置一个标准图片尺寸，并对所有图片进行归一化处理。图3信号预处理图2开关柜地电波局部放电监测接线示意图et图1信号处理与检测流程性，有这很大漏检或错检的可能。近些年来，以深度学习为代表的人工智能理论逐渐发展了起来，应用在越来越多的模式识别问题上，并取得了非常不错的效果。由于开关柜的局部放电信号（超声波、地电波等）也有某些特定的模式，比如波形的振幅、相位、频率等，这些特征往往能够在很大程度上反映出设备的运行状态。然而，这些特征有时候会非常复杂，人类很难做出准确的判断，传统的模式识别方法也很难处理。而深度学习方法的强项正在于特征提取和模式识别的能力，尤其是在面对复杂问题的时候，一般能达到远超其他方法的识别效果。因此，我们将局部放电监测问题转化为了基于深度学习的模式识别问题。首先，将传感器得到的超声波和地电波的信号数据转换为时频图的形式，然后将其输入到CNN模型中进行处理和识别，之后模型会输出最终的识别结果，流程图如图1所示。智能电网SmartGrid19开关柜局部放电监测-数控滚圆机滚弧机折弯机全自动滚圆机滚弧机弯管机 本文由公司网站滚圆机网站采集转载中国知网资源整理!www.wanguanji138.com