一种自动化的CNN-BiLSTM流程，用于在线检测高频电流互感器（HFCT）测量中的局部放电脉冲，并通过基于PRPD（Partial Discharge Pulse Detection）的实验方法进行验证

《IEEE Access》：An Automated CNN–BiLSTM Pipeline for Online Detection of Partial Discharge Pulses from HFCT Measurements with PRPD-Based Experimental Validation

　　

摘要：

可靠地检测局部放电（PD）对于高压电气设备的状态监测至关重要。在基于高频电流互感器（HFCT）传感器的应用中，构建相位分辨局部放电（PRPD）图谱依赖于对信号中脉冲的准确区分，而这些信号通常会受到噪声和干扰的影响。传统的信号处理方法在参数化、可扩展性和自动化方面存在局限性，尤其是在连续监测场景中。本研究提出了一种新的自动化流程，用于从使用现成的8位数据采集系统与HFCT传感器获取的时域原始信号中检测包含PD脉冲的时间窗口，该流程将基于深度学习的检测技术与PRPD图谱的构建相结合。这项工作的创新之处在于采用了混合卷积神经网络（CNN）和双向长短期记忆（BiLSTM）模型来对时间片段进行分类，而无需使用固定的统计阈值或启发式规则。所识别的时间窗口用于构建PRPD图谱，同时明确保留了与每个脉冲相关的相位和幅度信息。在由高压（HV）实验室中的设备采集的数据组成的测试集中，该模型的准确率达到97.49%，正类的召回率超过97%，曲线下面积（AUC）为0.993。根据IEC 60270标准，从脉冲的最大绝对值得出的幅度估计与基准参考结果和传统测量结果一致，从而为构建的PRPD图谱提供了定量和定性的验证。结果表明，所提出的方法提高了自动化水平，保持了物理可解释性，并在智能连续监测应用中显示出强大的潜力...

显示更多