[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

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，通過檢測裝置獲取局部放電的PRPD(相位分辯的局部放電)圖譜，利用PCA(主成分分析)算法對圖譜的圖像數據進行處理減少冗余數據，通過遺傳算法搭建卷積神經網絡模型，將卷積神經網絡參數的調整轉化為優化問題，簡化了卷積神經網絡在搭建過程中的調參過程，通過卷積神經網絡完成對局部放電故障類型的識別并輸出識別結果，將識別結果以概率的形式映射在[0，1]區間內，更加直觀、便捷地得到局部放電故障類型。

技術領域

本發明涉及高壓電氣設備絕緣狀態檢測技術領域，具體的說是一種通過卷積神經網絡識別局部放電故障類型的方法。

背景技術

變壓器作為電網中最重要的設備之一，一旦出現故障，將會對電力設備的運行造成不可估量的危害，保障其安全穩定運行顯得非常重要。變壓器出現故障的主要原因是絕緣劣化，而局部放電是絕緣劣化的重要表現，不同的局部放電類型對絕緣破壞程度也不同，因此對局部放電類型進行有效識別對于評估設備絕緣狀況有重要的意義。對放電類型的識別，常采用特征提取的方法對原始數據進行變換，主要有分形特征提取法、統計特征法、波形特征法、小波分析法、圖像矩特征法等。相關學者根據從局部放電時域信號提取的參數特征向量使用反向傳播(back propagation，BP)神經網絡和支持向量機(support vectormachine，SVM)在局部放電類型識別上取得了很好的分類效果。但是傳統的局部放電類型識別方法都需要人為對信號進行特征提取，這些特征的選取只是針對特定數據設置的，過于依賴于自然人領域專家對于某個問題而確立的方法，并沒有很好的泛化性。此外，由于測得的圖形或波形的數據量大，使用傳統的人工特征提取方法或者淺層神經網絡直接對局部放電時域信號進行識別非常困難甚至不可實現。

發明內容

為了解決現有技術中的不足，本發明提供一種通過卷積神經網絡識別局部放電故障類型的方法，通過檢測裝置獲取局部放電的PRPD(相位分辯的局部放電)圖譜，利用PCA(主成分分析)算法對得到的數據進行處理，減少冗余數據，通過遺傳算法搭建卷積神經網絡模型，將卷積神經網絡參數的調整轉化為優化問題，縮短了卷積神經網絡在搭建過程中的調參過程的時間，使用Softmax分類器將識別結果以概率的形式映射在[0，1]區間內，更加直觀、便捷地得到局部放電故障類型。

為了實現上述目的，本發明采用的具體方案為：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，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。

作為上述一種通過卷積神經網絡識別局部放電故障類型的方法的進一步優化：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。