[發(fā)明專利]一種局放信號的噪聲處理方法及裝置

在審

• 申請?zhí)枺?/td>: 202211465945.1
• 申請日: 2022-11-22
• 公開（公告）號: CN115859048A
• 公開（公告）日: 2023-03-28
• 發(fā)明（設(shè)計）人: 董馳;龐先海;劉宏亮;路士杰;李天輝;顧朝敏
• 申請（專利權(quán)）人: 國網(wǎng)河北能源技術(shù)服務(wù)有限公司;國網(wǎng)河北省電力有限公司電力科學(xué)研究院;國家電網(wǎng)有限公司
• 主分類號: G06F18/10
• 分類號: G06F18/10;G06F18/24;G06F18/2415
• 代理公司: 石家莊國為知識產(chǎn)權(quán)事務(wù)所 13120
• 代理人: 劉少卿

1.一種局放信號的噪聲處理方法，其特征在于，包括：

獲取真實局放樣本，所述真實局放樣本包括真實局放信號；

對各真實局放樣本中真實局放信號進(jìn)行概率密度估計，得到所述真實局放信號的噪聲的概率分布情況；

在無噪聲的仿真局放信號上添加符合所述概率分布情況的噪聲信號，得到含噪聲局放信號；

基于含噪聲局放信號和無噪聲的仿真局放信號，生成去噪局放樣本，并基于去噪局放樣本對預(yù)先設(shè)置的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到去噪模型；

基于訓(xùn)練得到的去噪模型，對實時獲取的真實局放信號進(jìn)行去噪處理，得到無噪聲局放信號。

2.根據(jù)權(quán)利要求1所述的局放信號的噪聲處理方法，其特征在于，所述對各真實局放樣本中真實局放信號進(jìn)行概率密度估計，得到所述真實局放信號的噪聲的概率分布情況，包括：

將各真實局放信號輸入樣本生成模型，樣本生成模型以滑動時間窗口對各真實局放信號進(jìn)行劃分，讀取各真實局放信號在不同時間窗口的波形數(shù)據(jù)，所述波形數(shù)據(jù)包括波形、幅值和相角；

基于各真實局放信號在不同時間窗口的波形數(shù)據(jù)，計算各真實局放信號在不同時間窗口的核密度估計值；

基于各真實局放信號在不同時間窗口的核密度估計值，確定所述真實局放信號的噪聲的概率分布情況。

3.根據(jù)權(quán)利要求1所述的局放信號的噪聲處理方法，其特征在于，所述在無噪聲的仿真局放信號上添加符合所述概率分布情況的噪聲信號，得到含噪聲局放信號，包括：

樣本生成模型生成無噪聲的仿真局放信號；

樣本生成模型基于所述概率分布情況生成噪聲信號；

疊加所述無噪聲的仿真局放信號和所述噪聲信號，得到含噪聲局放信號。

4.根據(jù)權(quán)利要求1所述的局放信號的噪聲處理方法，其特征在于，所述基于所述含噪聲局放信號和所述無噪聲的仿真局放信號，生成去噪樣本，并基于去噪樣本對預(yù)先設(shè)置的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到去噪模型，包括：

確定含噪局放樣本，所述含噪局放樣本以所述含噪聲局放信號為輸入，以所述無噪聲的仿真局放信號為輸出；

基于所述含噪局放樣本中的訓(xùn)練集，利用反向傳播算法對預(yù)先設(shè)置的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行迭代訓(xùn)練；

在訓(xùn)練過程中，基于所述含噪局放樣本中的測試集，對每一次訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行測試；

若損失函數(shù)小于設(shè)定值，或所述含噪局放樣本訓(xùn)練完成，則退出迭代過程，得到所述去噪模型，所述損失函數(shù)用于表征所述神經(jīng)網(wǎng)絡(luò)模型輸出的局放信號與所述無噪聲的仿真局放信號之間的差距。

5.根據(jù)權(quán)利要求4所述的局放信號的噪聲處理方法，其特征在于，所述預(yù)先設(shè)置的神經(jīng)網(wǎng)絡(luò)模型包括多層卷積層；

所述基于去噪局放樣本對預(yù)先設(shè)置的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到去噪模型，還包括：

在訓(xùn)練過程中，對于每一層卷積層，計算該卷積層的輸出各特征的注意力信息；其中，特征的注意力信息用于表征該特征的重要程度；

基于所述各特征的注意力信息，確定各特征的權(quán)重，其中，各特征的注意力信息不同，不同的注意力信息對應(yīng)不同的權(quán)重；

基于所述各特征，以及各特征的權(quán)重，確定下一卷積層的輸入。

6.根據(jù)權(quán)利要求4所述的局放信號的噪聲處理方法，其特征在于，所述基于去噪局放樣本對預(yù)先設(shè)置的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到去噪模型，還包括：

基于如下公式，計算每次迭代完成后的損失函數(shù)；

其中，loss表示損失函數(shù)值，C_j表示神經(jīng)網(wǎng)絡(luò)模型中特征圖的通道數(shù)，H_j表示神經(jīng)網(wǎng)絡(luò)模型中特征圖的長，W_j表示神經(jīng)網(wǎng)絡(luò)模型中特征圖的寬，表示損失函數(shù)，/表示清晰圖像的損失網(wǎng)絡(luò)函數(shù)，/表示去噪后圖像的損失網(wǎng)絡(luò)函數(shù)。