[發明專利]一種通過卷積神經網絡識別局部放電故障類型的方法

在審

• 申請號: 202110456588.1
• 申請日: 2021-04-27
• 公開（公告）號: CN113283579A
• 公開（公告）日: 2021-08-20
• 發明（設計）人: 趙閱群;閆同;李俊宏;許崇新;王國棟;毛乃強;張洪奎;張康;周明亮;李紅新;李啟江;李相輝;趙文達;李鵬飛
• 申請（專利權）人: 國網山東省電力公司煙臺供電公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06N3/12;G01R31/12
• 代理公司: 洛陽九創知識產權代理事務所(普通合伙) 41156
• 代理人: 狄干強

1.一種通過卷積神經網絡識別局部放電故障類型的方法，卷積神經網絡的結構包括輸入層、1個或多個交替連接的卷積層和池化層、激勵層、全連接層和輸出層，其特征在于：該方法包括以下步驟：

S1、獲取多種局部放電PRPD(相位分辯的局部放電)圖譜，每種圖譜均包括多個原始圖像；

S2、處理原始圖像，得到標準化圖像數據；

S3、搭建卷積神經網絡并將其初始化；

S4、將標準化圖像數據劃分為測試集和訓練集；

S5、通過訓練集優化卷積神經網絡，得到網絡模型；

S6、使用測試集測試網絡模型，若測試通過則保存網絡模型為最優網絡模型，否則返回S5；

S7、使用Softmax分類器得到多個對應于局部放電故障類型的概率值；

S8、向最優網絡模型輸入待識別圖譜，獲得識別結果并輸出。

2.如權利要求1所述的一種通過卷積神經網絡識別局部放電故障類型的方法，其特征在于：S2的具體步驟為：

S201、采用PCA(主成分分析)算法對原始圖像進行處理，得到初始圖像；

S202、采用雙線性插值算法縮放初始圖像，得到放電區域圖像；

S203、對放電區域圖像進行灰度化處理，得到灰度化圖像；

S204、將灰度化圖像進行二值化處理，得到二值化圖像；

S205、將二值化圖像的像素歸一化到[0，1]之間，得到標準化圖像數據。

3.如權利要求2所述的一種通過卷積神經網絡識別局部放電故障類型的方法，其特征在于：卷積層包括卷積核，卷積神經網絡的網絡參數包括卷積核數量、卷積核尺寸和池化層尺寸，卷積神經網絡的訓練參數包括訓練迭代次數和正則化因子；S3的具體步驟為：

S301、種群初始化：初始化的種群為初代種群，初代種群用集合P＝{x₁,x₂,x₃,...,x_n}表示，集合中個體的數量為n個，X_n是種群中的一個個體，X_n的基因串由一組網絡參數和一組訓練參數組成，n個個體組成的種群規模為n，初代種群作為初代網絡參數集合；

S302、獲得個體基因序列：將初代網絡參數對應于基因個體，逐代進化產生更高適應度的子代，第一個卷積層卷積核的數量N₁，第一個卷積層卷積核的大小為N_C1×N_C1，第一個池化層池化核的大小為N_p1×N_p1，第二個卷積層卷積核的數量N₂，第二個卷積層卷積核的大小為N_C2×N_C2，第二個池化層池化核的大小為N_p2×N_p2，正則化因子為L，訓練迭代次數為I，個體基因序列為：

X_n＝[N₁,N_C1,N_P1,N₂,N_C2,N_P2,L,I]；

S303、計算交叉概率P_c和變異概率P_m：

其中，P_c1為第一個卷積層的交叉概率，P_c2為第二個卷積層的交叉概率，P_m1為第一個卷積層的變異概率，P_m2為第二個卷積層的變異概率，f_avg為種群的平均適應率，f_max為種群最大適應率，f＇為即將進行交叉運算操作中的最大適應率的個體，f為突變操作中的個體適應度；

S304、根據變異概率計算變異個體X_m[i]'為：

X_m[i]'＝X_m[i]*Rand()％L+1，

其中，X_m[i]為X_n中第i個基因，X_m[i]以變異概率P_m的發生機率進行自身參數的突變；

S305、計算變異個體的適應度：

其中，F為遺傳算法個體適應度，E為卷積神經網絡的驗證誤差，N_CONV為卷積層的總數量，N_maxlayers為卷積神經網絡的總層數，α為卷積層的數量對網絡性能的影響因子；

計算每個個體的適應度值，從中選取出適應度值最高的個體，將適應度值最高的個體對應的網絡參數和訓練參數賦值于個體基因序列，確定網絡結構；

S306、采用ReLU函數作為激活函數，完成卷積神經網絡的搭建。