ES2780448A1 - Método y sistema de reconocimiento de descargas parciales para diagnóstico de redes eléctricas - Google Patents
Método y sistema de reconocimiento de descargas parciales para diagnóstico de redes eléctricas Download PDFInfo
- Publication number
- ES2780448A1 ES2780448A1 ES201930149A ES201930149A ES2780448A1 ES 2780448 A1 ES2780448 A1 ES 2780448A1 ES 201930149 A ES201930149 A ES 201930149A ES 201930149 A ES201930149 A ES 201930149A ES 2780448 A1 ES2780448 A1 ES 2780448A1
- Authority
- ES
- Spain
- Prior art keywords
- partial discharge
- neural network
- signals
- recognition
- partial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/14—Circuits therefor, e.g. for generating test voltages, sensing circuits
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
- G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
- G01R31/1272—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Testing Relating To Insulation (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
Método y sistema de reconocimiento de descargas parciales para diagnóstico de redes eléctricas. El método de la presente invención permite reconocer descargas parciales adquiridas mediante sensores en redes eléctricas, comprendiendo para ello una serie de pasos, entre los cuales se encuentran un paso de post-procesamiento (13) de las señales adquiridas y un paso de reconocimiento (17) de dichas señales mediante una red neuronal convolucional (CNN). Asimismo, el método comprende pasos de adaptación (15) y entrenamiento (16) de la red neuronal, así como un paso de construcción de una librería (14) de señales de descargas parciales de fuentes conocidas que sirven de entrenamiento de la red neuronal convolucional (CNN).
Description
DESCRIPCIÓN
Método y sistema de reconocimiento de descargas parciales para diagnóstico de redes eléctricas
OBJETO DE LA INVENCIÓN
El método de reconocimiento de descargas parciales, en concreto para diagnóstico de redes eléctricas en tensión, permite reconocer las fuentes de descargas parciales utilizando una red neuronal convolucional existente, previamente adaptada y posteriormente entrenada mediante representaciones graficas de las señales de descargas parciales reales de fuentes conocidas y adquiridas en redes eléctricas.
ANTECEDENTES DE LA INVENCIÓN
Una descarga parcial es un fenómeno de ruptura dieléctrica que está confinado y localizado en la región de un medio aislante, entre dos conductores que se encuentran a diferente potencial. Los fenómenos de descargas parciales son en la mayoría de los casos debido a defectos de aislamiento en los elementos que forman parte de una red eléctrica, pudiendo consistir dichos elementos por ejemplo en cables, transformadores, interruptores, conexiones eléctricas, etc.
Las descargas parciales se pueden caracterizar en tres tipos dependiendo de las propiedades del medio existente entre las piezas conductoras. Pueden ser externas, también denominadas como corona, que ocurren normalmente por el proceso de ionización del aire contenido entre las piezas conductoras. También pueden ser superficiales, producidas en la superficie de contacto de dos materiales aislantes diferentes o pueden ser internas, producidas en cavidades internas de un material dieléctrico sólido.
Las descargas parciales tienen efectos perjudiciales sobre el medio en que se producen. En medio sólido o líquido producen una degradación lenta pero continuada, que termina por la ruptura dieléctrica del medio aislante. En un medio gaseoso, como por ejemplo el aire, las descargas parciales producen el conocido efecto corona, que comprende consecuencias apreciables directamente mediante la vista, oído u olfato. Sin embargo, existen otras consecuencias que no son detectables a simple vista, como pueden ser la generación de calor, pérdidas de potencia, erosión mecánica de
las superficies que son bombardeadas iónicamente, interferencias con las ondas de radio, etc.
Si se producen y pasan desapercibidas pueden tener consecuencias muy graves. La sustitución o reparación de los elementos de la red eléctrica dañados puede ser muy costosa y puede suponer un corte de suministro en la red durante un largo periodo de tiempo, así como pérdidas económicas importantes para las compañías eléctricas. La clave para prevenir cualquier problema posible es la detección y reconocimiento de las descargas parciales. El reconocimiento de descargas parciales puede ayudar a evitar riesgos y realizar un mantenimiento adecuado de las instalaciones. En definitiva, la realización de un control riguroso puede ahorrar una gran cantidad de tiempo y dinero.
Existen métodos de reconocimiento de descargas parciales basados en redes neuronales artificiales, como puede ser por ejemplo una red neuronal convolucional (CNN), que se trata de un tipo de red neuronal artificial efectiva para tareas de reconocimiento y clasificación de imágenes. Las CNN necesitan relativamente poco pre-procesamiento de las señales en comparación con otros algoritmos de clasificación de imágenes. Esto significa que esta red neuronal aprende características particulares de las señales que en los algoritmos tradicionales se diseñan a mano. Esta independencia del conocimiento previo y del esfuerzo humano en el diseño de las características representativas de una señal de descarga parcial es una característica de las CNN que aporta una gran ventaja frente al resto de redes neuronales.
En relación con este tipo de red neuronal, donde los valores de entrada (o “input” en su versión inglesa del término) deben ser imágenes, estudios recientes demuestran que las CNN han mejorado su desempeño de clasificación de las descargas parciales, es decir, en su función de reconocimiento de las fuentes de descargas parciales. Las CNN deben de ser previamente entrenadas mediante imágenes que representen a las señales de fuentes de descarga parcial conocidas, y en este sentido, existen ejemplos de métodos de reconocimiento de descargas parciales que emplean como entrada para el entrenamiento de la CNN imágenes de señales de descargas parciales simuladas, es decir, no adquiridas en una red eléctrica. Sin embargo, la utilización de señales no reales en el paso de entrenamiento de la CNN tiene el inconveniente de que después, a la hora de realizar un reconocimiento de señales adquiridas por sensores en campo, la precisión del resultado (o “output” en su versión inglesa del término) obtenido sea menor o que el resultado sea menos fiable. Por el contrario, existen otros ejemplos en los que como entrada para el entrenamiento de la CNN se
emplean imágenes de señales de descargas parciales reales adquiridas por sensores en campo, con lo cual la precisión de los resultados obtenidos en los reconocimientos de descargas parciales es mayor.
Para la obtención de las imágenes que representan a las señales de descargas parciales reales adquiridas por sensores en campo, existen métodos de reconocimiento de descargas parciales en donde a dichas señales se les aplica un post-procesamiento. Las técnicas de post-procesamiento habituales se basan en el análisis de las señales de descargas parciales en el dominio del tiempo, en el dominio de la frecuencia o en la combinación de ambos dominios.
En el caso del dominio del tiempo, es posible extraer características de la forma de onda de la señal, tales como ocurrencia del evento, amplitud, tiempo de subida, tiempo de bajada, duración, etc. La PRPD (técnica denominada en inglés como "phaseresolved partial discharge”) es una técnica que realiza un análisis basado en el dominio del tiempo para obtener una imagen de los eventos de descargas parciales con respecto a la onda de alimentación, y consiste en representar en un diagrama tridimensional tres componentes; O, q, n, que representan respectivamente la fase, la carga y el número de apariciones de descargas parciales durante un determinado tiempo. La generación de estos patrones dependerá de la tasa de descarga parcial en cada ciclo y la cantidad de ciclos considerados para tener un patrón representativo, por lo que comprende el inconveniente de que el tiempo de registro para cada tipo de descarga parcial sea muy subjetivo. Este patrón también se ve fuertemente influenciado por el ruido externo y por la tensión de la red eléctrica, con lo cual la ambigüedad de esta imagen supondría un problema para entrenar correctamente una CNN.
En el caso del análisis de las señales de descargas parciales en base al dominio de la frecuencia, existen técnicas como la Transformada de Fourier (técnica denominada en inglés como "Fourier Transform” FT) que permite determinar las componentes frecuenciales de la señal de descarga parcial. Sin embargo, la Transformada de Fourier (FT) no es eficiente para analizar descargas parciales debido a que ignora o estima de manera errónea las variaciones rápidas de frecuencia de la señal. La Transformada de Fourier es ampliamente utilizada en el procesamiento y análisis de señales y con resultados satisfactorios en los casos en que estas señales son periódicas y lo suficientemente regulares, pero no ocurre lo mismo para el procesamiento y análisis de señales cuyo espectro varía con el tiempo (señales no
periódicas). La Transformada de Fourier detecta la presencia de una determinada frecuencia, pero no brinda información acerca de la evolución en el tiempo de las características espectrales de la señal. Muchos aspectos temporales de la señal, tales como el comienzo y el fin de una señal finita y el instante de aparición de una singularidad en una señal transitoria, no pueden ser analizados adecuadamente por el análisis de Fourier.
Sin embargo, otras técnicas combinan el análisis de tiempo-frecuencia y proveen información de los niveles de amplitud y de concentración de energía de la señal en el espectro tiempo-frecuencia. Es decir, proporcionan de forma simultánea las características en tiempo y frecuencia de la señal. En este sentido, es posible representar gráficamente una señal de descarga parcial por medio de un Espectrograma obtenido al aplicar la Trasformada de Fourier de tiempo corto (técnica conocida en inglés como “Short-time Fourier transform” STFT) a la señal de descarga parcial. La STFT es una de las más comunes para el análisis tiempo-frecuencia. En esta técnica, la señal bajo estudio es dividida en segmentos que se multiplican por una función ventana para luego calcular la Transformada de Fourier (FT) clásica. La STFT es simple de implementar, pero para el análisis de señales variables en el tiempo proporciona baja resolución. La estructura del Espectrograma en sí requiere una resolución de la señal en tiempo y frecuencia. La elección de la ventana de análisis de corta duración garantiza una buena localización del tiempo, pero a expensas de una pobre resolución en frecuencia (por dualidad de Fourier) y viceversa. Además, una vez que se ha elegido una ventana de análisis, las capacidades de resolución del Espectrograma permanecen fijas para todos los parámetros de tiempo y frecuencia.
En definitiva, mediante la utilización de las técnicas anteriormente citadas en el post procesamiento de las señales para la entrada de la CNN, se obtiene una representación gráfica de las señales poco representativa del fenómeno de descargas parciales y en consecuencia la salida o resultado de la CNN tiene poca precisión o no es fiable.
Se pueden citar ejemplos del estado de la técnica sobre métodos de reconocimiento en los que la red neuronal utilizada es una CNN y en donde dicha CNN es entrenada con imágenes que representan señales de descargas parciales reales adquiridas por sensores en campo. Así, se podrían citar la US2015301102A1, CN107907799A y CN107238507A. En los métodos de reconocimiento que se definen en ellas se emplea la Transformada de Fourier en el post-procesamiento de las señales y, por tanto, tal y
como se ha mencionado anteriormente, la representación gráfica de las señales carece de resolución y por tanto la fiabilidad del resultado de la CNN es muy baja.
DESCRIPCIÓN DE LA INVENCIÓN
La presente invención se refiere a un método de reconocimiento de descargas parciales, en concreto para diagnóstico de redes eléctricas en tensión, que pretende resolver todos y cada uno de los problemas mencionados anteriormente. Dicho método comprende una serie de pasos, entre los cuales se encuentra un paso de post procesamiento de señales, que mediante la combinación de este paso y una red neuronal artificial como por ejemplo una red neuronal convolucional (CNN), permite reconocer las fuentes de descargas parciales con un alto grado de precisión, de forma que se ayuda en la gestión de las instalaciones, entendiendo por gestión todas aquellas labores que permitan la optimización del mantenimiento de la red eléctrica, determinando donde realizar una intervención con el fin de evitar faltas, cortes de servicio que dejen sin suministro eléctrico a los consumidores, y minimizando los costes para las compañías eléctricas, llevando a cabo para ello la realización de diferentes análisis, alarmas, etc.
El método de reconocimiento de descargas parciales comprende, de forma general, los pasos siguientes:
- Adquisición de al menos una señal de descarga parcial a través de al menos un sensor,
- Pre-procesamiento de la señal de descarga parcial adquirida a través del sensor, - Post-procesamiento de la señal de descarga parcial pre-procesada y adquirida a través del sensor, y
- Reconocimiento mediante una red neuronal de la señal de descarga parcial post procesada.
Más concretamente, la adquisición de las señales de descargas parciales se lleva a cabo a través de sensores y son señales de descargas parciales reales adquiridas por sensores en campo, tales como señales producidas por un fallo de aislamiento que son captadas por ejemplo por sensores capacitivos o inductivos instalados en la red eléctrica. Estas señales adquiridas en un siguiente paso son pre-procesadas, es decir, llevándose a cabo un primer filtrado o tratamiento de las señales con objeto de delimitar dichas señales dentro de un rango de frecuencias y eliminar el ruido eléctrico.
El método de reconocimiento también comprende un paso de post-procesamiento de las señales de descargas parciales pre-procesadas en el paso anterior. Este paso de post-procesamiento se refiere a un segundo filtrado o tratamiento de las señales, en donde se obtiene un escalograma, es decir, una imagen o representación gráfica de gran resolución en el espectro de frecuencia y tiempo de las señales de descargas parciales, empleando para ello una técnica ya conocida denominada Transformada de Wavelet. Mediante la Transformada de Wavelet se establece una buena localización de las señales de descargas parciales en tiempo y en frecuencia, de forma que mediante esta técnica se afronta uno de los problemas fundamentales en el tratamiento de las señales, como puede ser la reducción del ruido eléctrico, de tal manera que se obtiene una representación o imagen de las señales de descargas parciales con mayor resolución en el dominio de tiempo y frecuencia, evitando problemas de análisis de las señales no estacionarias y de rápida transitoriedad, y mapeando las señales en una representación de tiempo-frecuencia.
Además, el método objeto de la invención también comprende un paso de construcción de una librería de señales de descargas parciales de fuentes conocidas, habiendo sido estas señales adquiridas, pre-procesadas y post-procesadas en los pasos anteriores. Estas señales posteriormente son empleadas en otro paso que comprende el método para el entrenamiento de la red neuronal convolucional (CNN).
No obstante, antes del entrenamiento de la red neuronal convolucional (CNN), el método de reconocimiento de la invención comprende un paso de adaptación (15) de la red neuronal, ya que la red neuronal convolucional (CNN) empleada se refiere a una red neuronal existente, es decir, no se trata de una red neuronal construida expresamente para ser utilizada en el método de la presente invención. Este paso de adaptación (15) de la red neuronal permite adaptar los parámetros de entrada de la red neuronal conforme al formato de las señales post-procesadas (entrada) y los parámetros de salida de la red neuronal conforme a los objetivos deseados.
Una vez adaptada la red neuronal convolucional (CNN) existente, el siguiente paso es el del entrenamiento de dicha red neuronal, empleando para ello la librería de señales de descargas parciales de fuentes conocidas. De esta manera, con la red neuronal convolucional (CNN) entrenada, ésta puede recibir entradas de imágenes que representan señales de descargas parciales de fuentes desconocidas y proporcionar resultados de alto grado de precisión en la identificación de dichas fuentes.
Finalmente, estos resultados obtenidos en un paso posterior de verificación de las descargas parciales reconocidas por la red neuronal convolucional (CNN) permiten tomar acciones relevantes de mantenimiento de la red eléctrica, así como realimentar la librería de señales de descargas parciales de fuentes conocidas mediante estos nuevos resultados, con lo cual se asegura una mayor precisión en reconocimientos futuros. Este paso de verificación de las descargas parciales reconocidas por la red neuronal convolucional (CNN) se refiere a la comprobación por un operario in-situ (en campo) del resultado proveído por la CNN. Si el operario confirma que el resultado es acertado, éste se incluye en la librería junto con las señales de descarga parcial conocidas. Si el operario confirma que el resultado no es acertado, éste también se incluirá en la librería como nueva fuente de señales de descarga parcial.
De acuerdo con otro objeto de la invención, se describe a continuación un sistema de reconocimiento de descargas parciales en donde es de aplicación el método de reconocimiento arriba descrito.
El sistema comprende una unidad de reconocimiento que comprende un primer módulo de post-procesamiento de señales de descargas parciales y un segundo módulo correspondiente a la red neuronal, como puede ser por ejemplo una red neuronal convolucional (CNN). El primer módulo de post-procesamiento alimenta al segundo módulo de la red neuronal convolucional (CNN) mediante entradas de alta resolución de señales de descargas parciales, de forma que la combinación de ambos módulos permite obtener unas salidas o resultados de alta precisión. Asimismo, la unidad de reconocimiento comprende un tercer módulo correspondiente a la librería de señales de descargas parciales de fuentes conocidas, así como un cuarto módulo de entrenamiento de la red neuronal convolucional (CNN) y un quinto módulo de verificación de las descargas parciales reconocidas por el segundo módulo de red neuronal.
Por último, el sistema de reconocimiento de descargas parciales comprende una unidad de adquisición de señales de descargas parciales, como puede ser por ejemplo un sensor, y una unidad de pre-procesamiento de las señales de descargas parciales adquiridas por la unidad de adquisición.
DESCRIPCIÓN DE LAS FIGURAS
Figura 1.- Muestra un diagrama de bloques del método de reconocimiento de
descargas parciales de la presente invención.
Figura 2.- Muestra un diagrama de bloques del sistema de reconocimiento de descargas parciales en donde es de aplicación el método de reconocimiento de la figura 1.
REALIZACIÓN PREFERENTE DE LA INVENCIÓN
Se describe a continuación un ejemplo de realización preferente haciendo mención a las figuras arriba citadas, sin que ello limite o reduzca el ámbito de protección de la presente invención.
En la figura 1 se muestra un método de reconocimiento de señales de descargas parciales basado en la utilización de una red neuronal convolucional (CNN) existente, por lo que en dicho método también se definen los pasos a seguir para la adaptación (15) y entrenamiento (16) de la red neuronal existente mediante señales de descargas parciales de fuentes conocidas.
En el paso de adaptación (15) de la red neuronal convolucional (CNN) existente se adaptan los parámetros de entrada de la red neuronal conforme al formato de las señales de entrada y los parámetros de salida de la red neuronal conforme a los objetivos deseados.
El método comprende un paso de adquisición (11) de al menos una señal de descarga parcial real a través de al menos un sensor (1) en campo. Posteriormente, esta señal adquirida es sometida a un primer filtrado en un paso de pre-procesamiento (12) y después es sometida a un segundo filtrado en un paso de post-procesamiento (13) empleando para ello la Transformada de Wavelet, obteniendo así un escalograma o representación gráfica (imagen) de la señal de descarga parcial de gran resolución en el espectro de frecuencia y tiempo.
En el caso de señales de descargas parciales de fuentes conocidas, una vez las señales han pasado por el paso de post-procesamiento (13), en un paso (14) siguiente se construye una librería que incluye todas estas señales de descargas parciales de fuentes conocidas. Esta librería de señales de descargas parciales de fuentes conocidas es empleada en un paso posterior de entrenamiento (16) de la red neuronal
convolucional (CNN), de manera que, con la red neuronal convolucional (CNN) entrenada se pueden recibir entradas (imágenes) de señales de descargas parciales de fuentes desconocidas y proporcionar salidas o resultados de alto grado de precisión en la identificación de dichas fuentes.
Tal y como se puede observar en la figura 1, el método de reconocimiento de descargas parciales de la invención comprende los siguientes pasos de aplicación en señales de fuentes desconocidas y para la identificación de las mismas:
- Adquisición (11) de al menos una señal de descarga parcial a través de al menos un sensor (1),
- Pre-procesamiento (12) de la señal de descarga parcial adquirida a través del sensor (1),
- Post-procesamiento (13) de la señal de descarga parcial pre-procesada y adquirida a través del sensor (1), y
- Reconocimiento (17) mediante la red neuronal convolucional (CNN) de la señal de descarga parcial post-procesada.
- Verificación (18) de la descarga parcial reconocida por la red neuronal convolucional (CNN).
Una vez que las señales de descarga parcial han sido verificadas y aceptadas se incorporan en la librería de señales de descargas parciales de fuentes conocidas, ampliando dicha librería con nuevos datos que aseguraran una mayor precisión en reconocimientos futuros. Este paso de verificación (18) de las descargas parciales reconocidas por la red neuronal convolucional (CNN) se refiere a la comprobación por un operario in-situ (en campo) del resultado proveído por la CNN. Si el operario confirma que el resultado es acertado, éste se incluye en la librería junto con las señales de descarga parcial conocida. Si el operario confirma que el resultado no es acertado, éste también se incluirá en la librería como nueva fuente de señales de descarga parcial.
En la figura 2 se representa el sistema de reconocimiento de descargas parciales (2) en donde es de aplicación el método anteriormente descrito. El sistema de reconocimiento de descargas parciales (2) comprende una unidad de reconocimiento (3) que comprende un primer módulo de post-procesamiento (4) de señales de descargas parciales y un segundo módulo (5) correspondiente a la red neuronal, como puede ser por ejemplo una red neuronal convolucional (CNN). El primer módulo de post-procesamiento (4) alimenta al segundo módulo (5) de la red neuronal
convolucional (CNN) mediante entradas (imágenes) de alta resolución de señales de descargas parciales, de forma que la combinación de ambos módulos (4, 5) permite obtener unos resultados de alta precisión. Asimismo, la unidad de reconocimiento (3) comprende un tercer módulo (6) correspondiente a la librería de señales de descargas parciales de fuentes conocidas, así como un cuarto módulo (7) de entrenamiento de la red neuronal convolucional (CNN) y un quinto módulo (10) de verificación de las descargas parciales reconocidas por el segundo módulo (5) de red neuronal.
Por último, el sistema de reconocimiento de descargas parciales (2) comprende una unidad (8) de adquisición de señales de descargas parciales, como puede ser por ejemplo un sensor (1), y una unidad de pre-procesamiento (9) de las señales de descargas parciales adquiridas por la unidad (8) de adquisición.
Claims (15)
1. - Método de reconocimiento de descargas parciales para diagnóstico de redes eléctricas en tensión que comprende los siguientes pasos:
- Adquisición (11) de al menos una señal de descarga parcial a través de al menos un sensor (1),
- Pre-procesamiento (12) de la señal de descarga parcial adquirida a través del sensor (1), con objeto de delimitar dicha señal dentro de un rango de frecuencias y eliminar el ruido eléctrico.
- Post-procesamiento (13) de la señal de descarga parcial pre-procesada y adquirida a través del sensor (1),
- Reconocimiento (17) mediante una red neuronal de la señal de descarga parcial post-procesada,
caracterizado porque el paso de post-procesamiento (13) de la señal de descarga parcial comprende una etapa de obtención de un escalograma de la señal de descarga parcial basado en la transformada de wavelet.
2. - Método de reconocimiento de descargas parciales según reivindicación 1, caracterizado porque la red neuronal de reconocimiento empleada es una red neuronal convolucional.
3. - Método de reconocimiento de descargas parciales según reivindicación 2, caracterizado porque comprende un paso de adaptación (15) de la red neuronal convolucional.
4. - Método de reconocimiento de descargas parciales según reivindicación 1, caracterizado porque comprende un paso de construcción de una librería (14) de señales de descargas parciales de fuentes conocidas.
5. - Método de reconocimiento de descargas parciales según reivindicación 4, caracterizado porque comprende un paso de entrenamiento (16) de la red neuronal convolucional mediante la librería de señales de descargas parciales de fuentes conocidas.
6. - Método de reconocimiento de descargas parciales según reivindicación 5, caracterizado porque comprende un paso de verificación (18) de la descarga parcial reconocida por la red neuronal convolucional.
7. - Método de reconocimiento de descargas parciales según reivindicación 6, caracterizado porque las señales de descarga parcial verificadas se incorporan en la librería de señales de descargas parciales.
8. - Sistema de reconocimiento de descargas parciales (2) para diagnóstico de redes eléctricas en tensión que lleva a cabo el método según las reivindicaciones anteriores 1 a 7, caracterizado porque comprende una unidad de reconocimiento (3) que comprende un primer módulo de post-procesamiento (4) de señales de descargas parciales y un segundo módulo (5) de red neuronal.
9. - Sistema de reconocimiento de descargas parciales (2) según reivindicación 8, caracterizado porque el segundo módulo (5) de red neuronal comprende una red neuronal convolucional.
10. - Sistema de reconocimiento de descargas parciales (2) según reivindicación 8 o 9, caracterizado porque la unidad de reconocimiento (3) comprende un tercer módulo (6) de librería de señales de descargas parciales de fuentes conocidas.
11. - Sistema de reconocimiento de descargas parciales (2) según reivindicación 10, caracterizado porque la unidad de reconocimiento (3) comprende un cuarto módulo (7) de entrenamiento de la red neuronal convolucional.
12. - Sistema de reconocimiento de descargas parciales (2) según reivindicación 11, caracterizado porque la unidad de reconocimiento (3) comprende un quinto módulo (10) de verificación de las descargas parciales reconocidas por el segundo módulo (5) de red neuronal.
13. - Sistema de reconocimiento de descargas parciales (2) según reivindicación 8, caracterizado porque comprende una unidad (8) de adquisición de señales de descargas parciales.
14.- Sistema de reconocimiento de descargas parciales (2) según reivindicación 13, caracterizado porque la unidad (8) de adquisición de señales de descargas parciales comprende al menos un sensor (1).
15.- Sistema de reconocimiento de descargas parciales (2) según reivindicación 13 o 14, caracterizado porque comprende una unidad de pre-procesamiento (9) de las señales de descargas parciales adquiridas por la unidad (8) de adquisición.
Priority Applications (7)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| ES201930149A ES2780448A1 (es) | 2019-02-22 | 2019-02-22 | Método y sistema de reconocimiento de descargas parciales para diagnóstico de redes eléctricas |
| ARP200100465A AR118148A1 (es) | 2019-02-22 | 2020-02-20 | Método y sistema de reconocimiento de descargas parciales para diagnóstico de redes eléctricas |
| ES20382124T ES2994135T3 (en) | 2019-02-22 | 2020-02-21 | Method and system of partial discharge recognition for diagnosing electrical networks |
| EP20382124.4A EP3699614B1 (en) | 2019-02-22 | 2020-02-21 | Method and system of partial discharge recognition for diagnosing electrical networks |
| PL20382124.4T PL3699614T3 (pl) | 2019-02-22 | 2020-02-21 | Sposób i system rozpoznawania wyładowania niezupełnego do diagnozowania sieci elektrycznych |
| US16/797,853 US20200271714A1 (en) | 2019-02-22 | 2020-02-21 | Method and system of partial discharge recognition for diagnosing electrical networks |
| BR102020003963-6A BR102020003963B1 (pt) | 2019-02-22 | 2020-02-27 | Método e sistema de reconhecimento de descargas parciais para diagnóstico de redes elétricas |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| ES201930149A ES2780448A1 (es) | 2019-02-22 | 2019-02-22 | Método y sistema de reconocimiento de descargas parciales para diagnóstico de redes eléctricas |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| ES2780448A1 true ES2780448A1 (es) | 2020-08-25 |
Family
ID=69770827
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ES201930149A Pending ES2780448A1 (es) | 2019-02-22 | 2019-02-22 | Método y sistema de reconocimiento de descargas parciales para diagnóstico de redes eléctricas |
| ES20382124T Active ES2994135T3 (en) | 2019-02-22 | 2020-02-21 | Method and system of partial discharge recognition for diagnosing electrical networks |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ES20382124T Active ES2994135T3 (en) | 2019-02-22 | 2020-02-21 | Method and system of partial discharge recognition for diagnosing electrical networks |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20200271714A1 (es) |
| EP (1) | EP3699614B1 (es) |
| AR (1) | AR118148A1 (es) |
| ES (2) | ES2780448A1 (es) |
| PL (1) | PL3699614T3 (es) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114254668A (zh) * | 2021-11-26 | 2022-03-29 | 南方电网数字电网研究院有限公司 | 基于绝缘开关设备放电信号的故障检测方法和装置 |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112098760A (zh) * | 2020-09-21 | 2020-12-18 | 广东电网有限责任公司佛山供电局 | 基于卷积神经网络的电力故障信号检测方法 |
| CN112557833B (zh) * | 2020-10-10 | 2022-04-12 | 国网河南省电力公司焦作供电公司 | 一种基于深度样本增强的电缆局部放电模式识别方法 |
| CN112686093A (zh) * | 2020-12-02 | 2021-04-20 | 重庆邮电大学 | 一种基于ds证据理论的融合局部放电类型识别方法 |
| EP4175090A1 (de) * | 2021-10-29 | 2023-05-03 | Siemens Aktiengesellschaft | Schutzeinrichtung und verfahren zum überwachen eines elektrischen energieversorgungsnetzes sowie computerprogrammprodukt |
| CN114280433B (zh) * | 2021-12-02 | 2023-04-07 | 西南交通大学 | 一种基于放大电路的变压器套管局部放电风险评估方法 |
| CN115187527B (zh) * | 2022-06-27 | 2023-04-07 | 上海格鲁布科技有限公司 | 一种多源混合型特高频局部放电图谱的分离识别方法 |
| CN115453286B (zh) * | 2022-09-01 | 2023-05-05 | 珠海市伊特高科技有限公司 | Gis局部放电诊断方法、模型训练方法、装置及系统 |
| CN115510922A (zh) * | 2022-10-31 | 2022-12-23 | 国网江苏省电力有限公司徐州供电分公司 | 一种电气一次设备局部放电信号的模式识别方法 |
| CN115526217A (zh) * | 2022-11-28 | 2022-12-27 | 陕西公众电气股份有限公司 | 一种基于嵌入式平台的局部放电模式识别方法及系统 |
| CN116502051B (zh) * | 2023-06-26 | 2023-09-26 | 广东电网有限责任公司珠海供电局 | 一种海底电缆局部缺陷识别方法及装置 |
| CN117783793B (zh) * | 2024-02-23 | 2024-05-07 | 泸州老窖股份有限公司 | 一种开关柜的故障监测方法及系统 |
| CN118759322A (zh) * | 2024-07-12 | 2024-10-11 | 广东电网有限责任公司江门供电局 | Gis设备局部放电定位方法、装置、存储介质及系统 |
| CN121030493A (zh) * | 2025-08-18 | 2025-11-28 | 江苏国电南自海吉科技有限公司 | 基于特征参量与矩特征多尺度卷积自适应局部放电故障类型识别方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130211750A1 (en) * | 2010-05-26 | 2013-08-15 | Union Fenosa Distribucion S.A. | METHOD FOR THE CONTINUOUS MONITORING AND DIAGNOSIS OF SOURCES OF PARTIAL DISCHARGES (PDs) IN HIGH VOLTAGE CABLES DURING CONNECTION TO, AND OPERATION IN THE POWER GRID, AND PHYSICAL SYSTEM FOR CARRYING OUT SAME |
| CN103323749A (zh) * | 2013-05-16 | 2013-09-25 | 上海交通大学 | 多分类器信息融合的局部放电诊断方法 |
| CA2918679A1 (en) * | 2013-11-14 | 2015-05-21 | State Grid Corporation Of China | Pattern recognition method for partial discharge of three-phase cylinder type ultrahigh voltage gis |
| CN109116203A (zh) * | 2018-10-31 | 2019-01-01 | 红相股份有限公司 | 基于卷积神经网络的电力设备局部放电故障诊断方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110077484A1 (en) * | 2009-09-30 | 2011-03-31 | Nellcor Puritan Bennett Ireland | Systems And Methods For Identifying Non-Corrupted Signal Segments For Use In Determining Physiological Parameters |
| ES2400139B1 (es) * | 2011-06-21 | 2013-11-26 | Ormazabal Corporate Technology, A.I.E. | Procedimiento y dispositivo de monitorización de descargas parciales |
| FR2987900B1 (fr) | 2012-03-09 | 2015-07-31 | Alstom Technology Ltd | Procede de reconnaissance de decharges partielles emises a l'interieur et a l'exterieur d'un appareil electrique |
| CN105137310A (zh) * | 2015-10-10 | 2015-12-09 | 沈阳工业大学 | Gis局部放电在线检测系统及方法 |
| CN107238507B (zh) | 2017-06-20 | 2019-12-31 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的工业设备故障预测方法 |
| CN107449994A (zh) * | 2017-07-04 | 2017-12-08 | 国网江苏省电力公司电力科学研究院 | 基于cnn‑dbn网络的局放故障诊断方法 |
| KR101822829B1 (ko) * | 2017-08-11 | 2018-01-29 | 문경훈 | 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법 |
| CN107907799B (zh) | 2017-11-10 | 2020-10-09 | 国网浙江省电力公司电力科学研究院 | 基于卷积神经网络的局部放电缺陷类型的识别方法及系统 |
| CN108983051B (zh) * | 2018-07-25 | 2021-02-09 | 武汉科技大学 | 基于同步挤压小波变换的局部放电类型识别方法 |
| CN109061426B (zh) * | 2018-11-02 | 2021-10-22 | 国网河北省电力有限公司电力科学研究院 | 变压器局部放电故障诊断方法及在线监测装置 |
-
2019
- 2019-02-22 ES ES201930149A patent/ES2780448A1/es active Pending
-
2020
- 2020-02-20 AR ARP200100465A patent/AR118148A1/es unknown
- 2020-02-21 ES ES20382124T patent/ES2994135T3/es active Active
- 2020-02-21 US US16/797,853 patent/US20200271714A1/en not_active Abandoned
- 2020-02-21 EP EP20382124.4A patent/EP3699614B1/en active Active
- 2020-02-21 PL PL20382124.4T patent/PL3699614T3/pl unknown
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130211750A1 (en) * | 2010-05-26 | 2013-08-15 | Union Fenosa Distribucion S.A. | METHOD FOR THE CONTINUOUS MONITORING AND DIAGNOSIS OF SOURCES OF PARTIAL DISCHARGES (PDs) IN HIGH VOLTAGE CABLES DURING CONNECTION TO, AND OPERATION IN THE POWER GRID, AND PHYSICAL SYSTEM FOR CARRYING OUT SAME |
| CN103323749A (zh) * | 2013-05-16 | 2013-09-25 | 上海交通大学 | 多分类器信息融合的局部放电诊断方法 |
| CA2918679A1 (en) * | 2013-11-14 | 2015-05-21 | State Grid Corporation Of China | Pattern recognition method for partial discharge of three-phase cylinder type ultrahigh voltage gis |
| CN109116203A (zh) * | 2018-10-31 | 2019-01-01 | 红相股份有限公司 | 基于卷积神经网络的电力设备局部放电故障诊断方法 |
Non-Patent Citations (5)
| Title |
|---|
| GAOYANG LI ET AL. Partial discharge patterns recognition with deep Convolutional Neural Networks. 2016 International Conference on Condition Monitoring and Diagnosis (CMD), 20160925 IEEE. , 25/09/2016, Páginas 324 - 327 (DOI: doi:10.1109/CMD.2016.7757816) <p>Todo el documento.</p> * |
| LU YUAN ET AL. Convolutional Neural Network Based Transient Earth Voltage Detection. 2016 15th International Symposium on Parallel and Distributed Computing (ISPDC), 20160708 IEEE. , 08/07/2016, Páginas 386 - 389 (DOI: doi:10.1109/ISPDC.2016.65) Todo el documento.<br /> * |
| SURESH D. Feature Extraction for Multi Source Partial Discharge Pattern Recognition. INDICON, 2005 Annual IEEE Chennai, India 11-13 Dec. 2005, 20051211; 20051211 - 20051213 Piscataway, NJ, USA,IEEE. , 11/12/2005, Páginas 309 - 312 ISBN 978-0-7803-9503-9 ; ISBN 0-7803-9503-4, (DOI: doi:10.1109/INDCON.2005.1590179) <p>Todo el documento.</p> * |
| WU MIN ET AL. An overview of state-of-the-art partial discharge analysis techniques for condition monitoring. IEEE ELECTRICAL INSULATION MAGAZINE, 20151101 IEEE SERVICE CENTER, NEW YORK, NY, US. , 01/11/2015, Vol. 31, Páginas 22 - 35 ISSN 0883-7554, (DOI: doi:10.1109/MEI.2015.7303259) Todo el documento.<br /> * |
| ZHANG YUE ET AL. Research on insulation defect diagnosis method of XLPE AC cable based on partial discharge image feature. 2018 12th International Conference on the Properties and Applications of Dielectric Materials (ICPADM), 20180520 IEEE. , 20/05/2018, Páginas 662 - 665 (DOI: doi:10.1109/ICPADM.2018.8401119) Todo el documento.<br /> * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114254668A (zh) * | 2021-11-26 | 2022-03-29 | 南方电网数字电网研究院有限公司 | 基于绝缘开关设备放电信号的故障检测方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3699614A1 (en) | 2020-08-26 |
| EP3699614C0 (en) | 2024-08-28 |
| ES2994135T3 (en) | 2025-01-17 |
| US20200271714A1 (en) | 2020-08-27 |
| EP3699614B1 (en) | 2024-08-28 |
| PL3699614T3 (pl) | 2025-01-07 |
| BR102020003963A2 (pt) | 2020-09-29 |
| AR118148A1 (es) | 2021-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| ES2994135T3 (en) | Method and system of partial discharge recognition for diagnosing electrical networks | |
| CN103558529B (zh) | 一种三相共筒式超高压gis局部放电的模式识别方法 | |
| Jaber et al. | Calibration of free-space radiometric partial discharge measurements | |
| Chanda et al. | A wavelet multiresolution-based analysis for location of the point of strike of a lightning overvoltage on a transmission line | |
| Ashtiani et al. | Partial discharge pulse localization in excessive noisy data window | |
| ES1302816U (es) | Sistema de reconocimiento de descargas parciales para diagnóstico de redes eléctricas | |
| Álvarez et al. | Classification of partial discharge sources by the characterization of the pulses waveform | |
| BR102020003963B1 (pt) | Método e sistema de reconhecimento de descargas parciais para diagnóstico de redes elétricas | |
| Lei et al. | Research on data diagnosis method of acoustic array sensor device based on spectrogram | |
| Devarajan et al. | Study of PD Signatures in Transformer Using Impulse Voltage by Holo-Hilbert Spectral Analysis | |
| Onal et al. | Multi-resolution wavelet analysis for chopped impulse voltage measurements and feature extraction | |
| Rahim et al. | Ultraviolet pulse pattern for different types of insulator material during surface discharge activities | |
| Shen et al. | On synchro-waveform data analytics for high impedance fault identification in distribution networks | |
| Wang et al. | Research on Recognition of Multiple Partial Discharge Sources in Switchgear Based on the Combination of GST‐TEV and ResNet‐18 | |
| Li et al. | Comparison of different time-frequency analysis methods for sparse representation of PD-induced UHF signal | |
| CN118643361B (zh) | 基于充气开关柜套管传感器的局部放电脉冲分离方法 | |
| Kluge et al. | Non-invasive PD measurement method in air-insulated switchgear-signal processing | |
| Bian et al. | A Defect Detection and Location Method for Overhead Lines Based on the Second-generation Wavelet Transform Technology and Bidirectional Pulse Interaction | |
| Ambikairajah | The development of signal processing techniques for the noise reduction and classification of partial discharge. | |
| Lim et al. | A study on the measurement of partial discharges in XLPE power cables using planer loop sensors | |
| Song et al. | A GIS Mechanical Fault Diagnosis Method Based on Auditory Features and Convolutional Neural Networks | |
| Mandal et al. | An Entropy-Optimised Wavelet Synchrosqueezing and Gaussian Clustering Approach for Separation of Partial Discharge Signals | |
| Deng | Investigation of the effects of humidity and surface charge on partial discharge in insulator posts under DC voltage | |
| Hong et al. | Autoencoder-Based Anomaly Detection for Insulation Condition Monitoring Under Power Semiconductor Switching Noise | |
| Zhang et al. | Denoising of GIS Partial Discharge Signal Based on SSA-VMD |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| BA2A | Patent application published |
Ref document number: 2780448 Country of ref document: ES Kind code of ref document: A1 Effective date: 20200825 |
|
| PA2A | Conversion into utility model |
Effective date: 20220406 |