基于边缘计算的局部放电模式识别

作者：

宋佳骏，刘守豹，熊中浩

作者单位：

大唐水电科学技术研究院有限公司，四川 成都610074。

摘要：

局部放电是设备处于高电场强下，由于电场分布不均而导致的绝缘介质放电现象，设备产生局部放电对于绝缘层的危害很大，迅速检测识别设备的放电类型是工业正常运作的保障。针对电气设备局部放电类型识别问题，考虑到电气设备监测系统在诊断识别方面的时效性及精度，提出了基于边缘计算的局部放电模式识别方法，利用边缘计算架构的优势，基于云层训练、边缘推理思路，将复杂的识别算法训练优化过程部署在云层，将计算量大的识别算法卸载到边缘层，而计算量小的特征提取保留在终端设备层处理。通过构造局部放电相位分布谱图提取局部放电的统计特征参数，采用粒子群优化算法对广义回归神经网络模型进行优化，最后将统计特征参数作为神经网络的输入量，对放电类型进行识别。结果表明，所提模式识别方法识别准确率高，识别效率高。

引言：

电厂中高压电气设备在长期运行的情况下不可避免会出现各种各样的劣化或者故障，对高压电气设备的实时监测和故障预警不仅能保证设备的稳定运行，也能极大程度上提高供电可靠性[1]。随着信息技术的发展，采用数字信号处理局部放电信号的技术愈发成熟，目前针对局部放电类型识别研究主要目的是提高缺陷识别精度，复杂的神经网络会占用大量计算资源，不符合工业运作的实际需求响应。在实际的监测系统中，必须考虑计算机软硬件资源环境的复杂程度以及识别算法的时延特性等问题[2-3]。

在万物互联的大背景下，传统云计算处理海量数据的能力显得尤为不足，存在实时性不够、带宽不足、能耗较大以及数据安全性低等问题[4-5]。边缘计算的出现使得上述问题得到有效的解决，针对局部放电数据采样频率高、数据处理复杂等特点，本文提出了一种基于边缘计算的局部放电模式识别方法，该方法将模式识别算法合理分配在边缘计算框架中，有效地降低了云端计算压力，在保证识别准确性的情况下提高了数据处理的实时性。

文章来源：《电子技术应用》杂志9月刊