[發(fā)明專利]一種基于PDGAN的電纜局放數(shù)據(jù)增強(qiáng)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010637861.6
• 申請(qǐng)日: 2020-07-06
• 公開（公告）號(hào): CN111985528A
• 公開（公告）日: 2020-11-24
• 發(fā)明（設(shè)計(jì)）人: 魏占朋;方靜;林國(guó)洲;王榮亮;李松原;李楠;殷強(qiáng);陳云飛;宋雙利;于耿曦
• 申請(qǐng)（專利權(quán)）人: 國(guó)網(wǎng)天津市電力公司;國(guó)家電網(wǎng)有限公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G06N3/08
• 代理公司: 天津盛理知識(shí)產(chǎn)權(quán)代理有限公司 12209
• 代理人: 王來佳

本發(fā)明涉及一種基于PDGAN的電纜局放數(shù)據(jù)增強(qiáng)方法，具體步驟如下：⑴標(biāo)準(zhǔn)GAN數(shù)據(jù)增強(qiáng)；⑵PDGAN數(shù)據(jù)增強(qiáng)及改進(jìn)；⑶特征提取與模式識(shí)別。本發(fā)明在現(xiàn)有局放模式識(shí)別的基礎(chǔ)上，將PDGAN應(yīng)用在局部放電類型識(shí)別的數(shù)據(jù)增強(qiáng)任務(wù)中，研究了數(shù)據(jù)增強(qiáng)對(duì)局部放電類型識(shí)別準(zhǔn)確率的影響。經(jīng)過PDGAN擴(kuò)充的數(shù)據(jù)與原始數(shù)據(jù)的統(tǒng)計(jì)量基本一致，有效學(xué)習(xí)到了原始數(shù)據(jù)的分布，而且分類器因?yàn)橛辛舜罅康臉颖荆瑥亩軌蚋米R(shí)別不同局放類型的差異，顯著提升準(zhǔn)確率，解決了電纜局放任務(wù)中樣本數(shù)量少、樣本不平衡和多樣性不足的問題，為進(jìn)一步解決電纜局放模式識(shí)別任務(wù)提供了理論依據(jù)。

技術(shù)領(lǐng)域

本發(fā)明涉及一種電纜局放數(shù)據(jù)增強(qiáng)方法，特別是涉及了一種基于PDGAN算法的電纜局放數(shù)據(jù)增強(qiáng)研究方法。

背景技術(shù)

隨著電網(wǎng)規(guī)模的不斷擴(kuò)大，對(duì)電纜運(yùn)行的安全性和穩(wěn)定性要求不斷提高。但因電纜安裝時(shí)的工藝缺陷、外力破壞、設(shè)計(jì)缺陷等問題，電纜系統(tǒng)中無法避免地會(huì)存在或產(chǎn)生一些絕緣缺陷。在長(zhǎng)時(shí)間運(yùn)行下，電纜絕緣缺陷處可能產(chǎn)生局部放電。電纜的絕緣缺陷類型多種多樣，不同缺陷類型引起的局部放電表現(xiàn)差異較大，并且對(duì)設(shè)備安全運(yùn)行的影響以及危害程度不同，及時(shí)準(zhǔn)確地判斷出電纜局部放電類型有利于相關(guān)技術(shù)人員迅速反應(yīng)處理相關(guān)狀況，避免事故發(fā)生。

在電纜局部放電的模式識(shí)別問題上，傳統(tǒng)的特征工程方法已被深度學(xué)習(xí)算法超越，但深度學(xué)習(xí)算法并沒有完全發(fā)揮出所有的潛力，有如下幾點(diǎn)原因：訓(xùn)練樣本的數(shù)據(jù)量不足：深度學(xué)習(xí)模型往往具有相對(duì)較大的模型容量，若訓(xùn)練樣本數(shù)據(jù)量比較小，會(huì)導(dǎo)致模型參數(shù)估計(jì)偏差較大，無法正確學(xué)習(xí)到局放數(shù)據(jù)分布與類型分布的映射，造成模型欠擬合。訓(xùn)練樣本的類別不平衡：類別不平衡的現(xiàn)象使得不同的局放類別在損失函數(shù)中的占有權(quán)重相差較大，分類器在訓(xùn)練時(shí)偏袒樣本數(shù)量比較多的類別，從而影響分類效果。訓(xùn)練樣本的多樣性差：多樣性較差使得訓(xùn)練數(shù)據(jù)集的分布與局放的真實(shí)數(shù)據(jù)集分布有偏離，訓(xùn)練完成的模型可能在訓(xùn)練數(shù)據(jù)集上產(chǎn)生較小的損失函數(shù)值，但在測(cè)試集上準(zhǔn)確率不夠高，泛化性能不足。

本發(fā)明提出一種基于PDGAN(Partial Discharge GAN)的數(shù)據(jù)增強(qiáng)方式，對(duì)局部放電樣本進(jìn)行數(shù)量上的擴(kuò)充，達(dá)到樣本數(shù)量充足、類別平衡的目的，在驗(yàn)證有效性時(shí)，對(duì)數(shù)據(jù)增強(qiáng)前后的局放數(shù)據(jù)分布進(jìn)行對(duì)比，擴(kuò)充后的數(shù)據(jù)集與原數(shù)據(jù)集的分布基本保持一致，且多樣性有所提高，再使用擴(kuò)充前后的訓(xùn)練集訓(xùn)練分類器，分別在支持向量機(jī)、全連接神經(jīng)網(wǎng)絡(luò)、k-NN 和卷積神經(jīng)網(wǎng)絡(luò)四個(gè)分類器上進(jìn)行測(cè)試對(duì)比，分類器的準(zhǔn)確率均得到了提升。

發(fā)明內(nèi)容

本發(fā)明在現(xiàn)有局放模式識(shí)別的基礎(chǔ)上，將PDGAN應(yīng)用在局部放電類型識(shí)別的數(shù)據(jù)增強(qiáng)任務(wù)中，研究了數(shù)據(jù)增強(qiáng)對(duì)局部放電類型識(shí)別準(zhǔn)確率的影響。經(jīng)過PDGAN擴(kuò)充的數(shù)據(jù)與原始數(shù)據(jù)的統(tǒng)計(jì)量基本一致，有效學(xué)習(xí)到了原始數(shù)據(jù)的分布，而且分類器因?yàn)橛辛舜罅康臉颖荆瑥亩軌蚋米R(shí)別不同局放類型的差異，顯著提升準(zhǔn)確率，解決了電纜局放任務(wù)中樣本數(shù)量少、樣本不平衡和多樣性不足的問題，為進(jìn)一步解決電纜局放模式識(shí)別任務(wù)提供了理論依據(jù)。

本發(fā)明解決其技術(shù)問題是采取以下技術(shù)方案實(shí)現(xiàn)的：

一種基于PDGAN的電纜局放數(shù)據(jù)增強(qiáng)方法,其具體步驟為：

1、標(biāo)準(zhǔn)GAN數(shù)據(jù)增強(qiáng)方法

GAN由生成器和判別器組成，分別使用G和D表示，生成器的輸入為噪聲z，通常選擇為正態(tài)分布，判別器的輸入為生成器生成的樣本或訓(xùn)練數(shù)據(jù)集中樣本，輸出為一個(gè)0至1之間的標(biāo)量值。D的損失函數(shù)為：

其中，θ_D為判別器的神經(jīng)網(wǎng)絡(luò)參數(shù)。對(duì)于生成器G，其目標(biāo)函數(shù)為：

其中，θ_G為生成器的神經(jīng)網(wǎng)絡(luò)參數(shù)。

2、PDGAN數(shù)據(jù)增強(qiáng)方法