CN106556781A - 基于深度学习的局部放电缺陷图像诊断方法及系统 - Google Patents

Abstract

本发明提供了一种基于深度学习的局部放电缺陷图像诊断方法及系统，包括步骤1：检测电力设备的局部放电信号，获得局部放电缺陷图像；步骤2：建立局部放电缺陷图像样本库，提取训练集和测试集；步骤3：建立深度卷积神经网络模型，使用样本做深度学习训练与测试，得到网络模型的连接权值和偏置参数；步骤4：将待诊断的局部放电缺陷图像输入步骤3得到的网络模型，输出得到图像的局部放电缺陷类型。本发明利用深度学习理论的学习算法完成局部放电缺陷图像的特征提取任务，不依赖于手工提取特征参数，能准确有效地识别各类局部放电图像的缺陷类型，为电力设备的绝缘状态诊断提供了新的解决途径。

Description

基于深度学习的局部放电缺陷图像诊断方法及系统

技术领域

本发明涉及电力设备故障诊断领域，具体地，涉及基于深度学习的局部放电缺陷图像诊断方法及系统。

背景技术

局部放电是电力设备绝缘故障的重要表征，也是绝缘进一步劣化的主要原因。局部放电会在电力设备内部和周围空间产生一系列的光、声、电气和机械的振动等物理现象和化学变化。这些伴随局部放电而发生的各种物理和化学变化可以为检测电力设备绝缘状态提供检测信号。各局部放电类型对设备的绝缘性能影响严重程度不同，不同的局部放电过程存在差异，可以通过各类局部放电的信号特征差异来判断局部放电类型。

根据检测原理和检测手段的不同，常用的局部放电检测方法有暂态地电压法、特高频法、超声波法和高频电流耦合法等。通常检测的局部放电数据类型包括时域、频域等结构化数据和图像数据。在现有的局部放电处理技术中，基于图片的故障诊断识别准确率低，难以解决复杂分类问题。

深度学习(Deep Learning)技术利用多重非线性变化对数据进行多层抽象，具有强大的学习能力和高效的特征表达能力。将深度学习技术应用到局部放电缺陷图像诊断，可以有效提高图像数据的分析效率和诊断准确率，对提高局部放电故障诊断水平、维护电力设备安全稳定运行具有重要意义。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于深度学习的局部放电缺陷图像诊断方法及系统。

根据本发明提供的基于深度学习的局部放电缺陷图像诊断方法，包括如下步骤：

步骤1：检测电力设备的局部放电信号，获得局部放电缺陷图像；

步骤2：建立局部放电缺陷图像样本库，提取训练集和测试集；

步骤3：建立深度卷积神经网络模型，使用样本库的训练集和测试集对深度卷积神经网络模型做深度学习训练与测试，得到网络模型的连接权值和偏置参数；

步骤4：将待诊断的局部放电缺陷图像输入步骤3得到的深度卷积神经网络模型中，输出得到图像的局部放电缺陷类型。

优选地，所述步骤1包括：

通过多种局部放电检测仪器采集电力设备的局部放电信号和噪声信号，具体地，使用局部放电测试仪的特高频、超声以及高频电流检测单元来检测电力设备的局部放电信号和噪声信号，并记录缺陷图谱；

其中，所述局部放电信号类型包括：电晕放电、悬浮电位放电、微粒放电、内部放电以及沿面放电；

所述噪声信号类型包括：背景干扰、通讯干扰、灯光干扰、电机干扰；

所述图像类型包括：特高频PRPS图像、特高频PRPD图像、特高频时域周期图像、超声PRPS图像、超声PRPD图像、超声幅值图像、超声相位图像、超声飞行图像、超声时域周期图像、高频电流PRPS图像、高频电流PRPD图像、高频电流时域周期图像；

PRPS是指相位、周期、放电幅值数据，用于表示各个周期上的放电幅值相位分布；

PRPD是指相位、放电幅值、放电次数数据，用于表示各个放电幅值区间上的放电次数相位分布。

优选地，所述步骤2包括：

步骤2.1：建立图像类型样本库，将各种图像类型的典型图像文件存入样本库，并添加图像类型标签；将一部分数据作为训练样本，另一部分数据作为测试样本；

步骤2.2：对每类图像类型，建立该图像类型的缺陷样本库，将该图像类型的各种缺陷类型的典型图像文件存入样本库，并添加缺陷类型标签；将一部分数据作为训练样本，另一部分数据作为测试样本；

其中，所述缺陷类型包含局部放电信号类型和噪声信号类型，即包括：电晕放电、悬浮电位放电、微粒放电、内部放电、沿面放电、背景干扰、通讯干扰、灯光干扰、电机干扰。

优选地，所述步骤3包括：

步骤3.1：建立深度卷积神经网络模型；

具体地，深度学习网络模型采用深度卷积神经网络从图像自动提取图像特征，卷积神经网络对于图像的平移、缩放或其它形式变形具有高度不变性，从而增强原信号特征并降低噪音；单层卷积网络学到的特征是局部的，而通过多层深度卷积神经网络可以提取到高层次和全局化的图像特征。

使用下采样层(池化层)降低网络训练参数，减小模型的过拟合程度；

使用全连接网络做分类，将从深度卷积神经网络学习到的特征输入全连接网络层，分类得到样本的标签类别；

使用非线性激活函数ReLU(Rectified Linear Unit)，简化计算和提高收敛速度；其公式如下：

f(x)＝max(0,x)

式中：当信号小于0时，输出为0；当信号大于0时，输出等于输入；

使用Softmax损失函数，Softmax函数σ(z)＝σ₁(z),σ₂(z),…,σ_m(z)定义如下：

式中：σ_i(z)是将z分类为类别i的概率；m表示共m个类别；

使用Dropout防止网络过拟合，Dropout用一定概率将神经元的输出置零；

步骤3.2：从局部放电缺陷图像样本库中提取训练样本集和测试样本集，逐层训练和优化网络，通过深度学习得到网络模型的连接权值和偏置参数；

具体地，根据局部放电缺陷图像样本库，训练得到图像类型识别网络模型；根据各种图像类型的缺陷样本库，分别训练得到各类图像类型的缺陷识别网络模型。

优选地，所述步骤4包括：将图像输入图像类型识别网络模型，提取输出层的结果，得到该图像的类型；然后将该图像输入该图像类型的缺陷识别网络模型，提取输出层的结果，得到该图像的局部放电缺陷类型。

根据本发明提供的基于深度学习的局部放电缺陷图像诊断系统，包括如下模块：

放电超声信号采集模块：用于检测电力设备的局部放电信号，获得局部放电缺陷图像；

局部放电缺陷图像库建立模块：用于建立局部放电缺陷图像样本库，提取训练集和测试集；

深度卷积神经网络模型建立模块：用于建立深度卷积神经网络模型，使用样本库的训练集和测试集对深度卷积神经网络模型做深度学习训练与测试，得到网络模型的连接权值和偏置参数；

局部放电缺陷判别模块：用于将待诊断的局部放电缺陷图像输入深度卷积神经网络模型中，输出得到图像的局部放电缺陷类型。

与现有技术相比，本发明具有如下的有益效果：

1、本发明提供的基于深度学习的局部放电缺陷图像诊断方法通过对局部放电缺陷图谱做分类诊断，利用深度学习理论的学习算法完成局部放电缺陷图像的特征提取任务，不依赖于手工提取特征参数，能有效地识别各类局部放电图像的缺陷类型，为电力设备的绝缘状态诊断提供了新的解决途径。

2、本发明提供的基于深度学习的局部放电缺陷图像诊断方法可以有效提高电力设备的绝缘状态诊断的准确性。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明提供的基于深度学习的局部放电缺陷图像诊断方法的总体流程图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

根据本发明提供的基于深度学习的局部放电缺陷图像诊断方法，包括如下步骤：

步骤1：检测电力设备的局部放电信号，获得局部放电缺陷图像；

步骤2：建立局部放电缺陷图像样本库，提取训练集和测试集；

步骤3：建立深度卷积神经网络模型，使用样本做深度学习训练与测试，得到网络模型的连接权值和偏置参数；

步骤4：将待诊断的局部放电缺陷图像输入步骤3得到的网络模型，输出得到图像的局部放电缺陷类型。

所述步骤1包括：

通过多种局部放电检测仪器采集电力设备的局部放电信号和噪声信号，具体地，使用局部放电测试仪的特高频、超声和高频电流检测单元，检测电力设备的局部放电信号和噪声信号，记录缺陷图谱；

其中，所述局部放电信号类型包括：电晕放电、悬浮电位放电、微粒放电、内部放电以及沿面放电；

所述噪声信号类型包括：背景干扰、通讯干扰、灯光干扰、电机干扰；

所述图像类型包括：特高频PRPS图像、特高频PRPD图像、特高频时域周期图像、超声PRPS图像、超声PRPD图像、超声幅值图像、超声相位图像、超声飞行图像、超声时域周期图像、高频电流PRPS图像、高频电流PRPD图像、高频电流时域周期图像；

所述PRPS指相位-周期-放电幅值数据，表示各个周期上的放电幅值相位分布；

所述PRPD指相位-放电幅值-放电次数数据，表示各个放电幅值区间上的放电次数相位分布。

所述步骤2包括：

步骤2.1：建立图像类型样本库，将各种图像类型的典型图像文件存入样本库，并添加图像类型标签；将一部分数据作为训练样本，另一部分数据作为测试样本；

步骤2.2：对每类图像类型，建立该图像类型的缺陷样本库，将该图像类型的各种缺陷类型的典型图像文件存入样本库，并添加缺陷类型标签；将一部分数据作为训练样本，另一部分数据作为测试样本；

其中，所述缺陷类型包含局部放电信号类型和噪声信号类型，即包括：电晕放电、悬浮电位放电、微粒放电、内部放电、沿面放电、背景干扰、通讯干扰、灯光干扰、电机干扰。

所述步骤3包括：

步骤3.1：建立深度卷积神经网络模型；

具体的，深度学习网络模型采用深度卷积神经网络从图像自动提取图像特征；卷积网络是为识别二维图像形状而设计的多层感知机，对于图像的平移、缩放或其它形式变形具有高度不变性，可以增强原信号特征并降低噪音；单层卷积网络学到的特征是局部的，通过多层深度卷积神经网络，可以提取到高层次和全局化的图像特征；

使用下采样层(池化层)降低网络训练参数，减小模型的过拟合程度；

使用多层全连接网络做分类，将从深度卷积神经网络学习到的特征输入全连接网络层，分类得到样本的标签类别；

使用非线性激活函数ReLU(Rectified Linear Unit)，简化计算和提高收敛速度；其公式如下：

f(x)＝max(0,x)

式中：当信号小于0时，输出为0；当信号大于0时，输出等于输入；

使用Softmax损失函数，Softmax函数σ(z)＝σ₁(z),σ₂(z),…,σ_m(z)定义如下：

式中：σ_i(z)是将z分类为类别i的概率；

使用Dropout防止网络过拟合，Dropout用一定概率将神经元的输出置零。

步骤3.2：从局部放电缺陷图像样本库中提取训练样本集和测试样本集，逐层训练和优化网络，通过深度学习得到网络模型的连接权值和偏置参数；

具体的，根据图像类型样本库，训练得到图像类型识别网络模型；根据各种图像类型的缺陷样本库，分别训练得到各类图像类型的缺陷识别网络模型。

所述步骤4包括：将待诊断的局部放电缺陷图像输入步骤3得到的网络模型，输出得到图像的局部放电缺陷类型；

具体的，将图像输入图像类型识别网络模型，提取输出层的结果，得到该图像的类型；然后将该图像输入该图像类型的缺陷识别网络模型，提取输出层的结果，得到该图像的局部放电缺陷类型。

本发明还提供了基于深度学习的局部放电缺陷图像诊断系统，包括如下模块：

放电超声信号采集模块：用于检测电力设备的局部放电信号，获得局部放电缺陷图像；

局部放电缺陷图像库建立模块：用于建立局部放电缺陷图像样本库，提取训练集和测试集；

深度卷积神经网络模型建立模块：用于建立深度卷积神经网络模型，使用样本库的训练集和测试集对深度卷积神经网络模型做深度学习训练与测试，得到网络模型的连接权值和偏置参数；

局部放电缺陷判别模块：用于将待诊断的局部放电缺陷图像输入深度卷积神经网络模型中，输出得到图像的局部放电缺陷类型。

本发明通过深度学习对局部放电缺陷图像做分类诊断，能有效识别各类局部放电信号和噪声信号类型，提供了局部放电模式识别的方便而有效的方法，有利于电力设备的绝缘状态评估诊断。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (6)

1.一种基于深度学习的局部放电缺陷图像诊断方法，其特征在于，包括如下步骤：

步骤1：检测电力设备的局部放电信号，获得局部放电缺陷图像；

步骤2：建立局部放电缺陷图像样本库，提取训练集和测试集；

步骤3：建立深度卷积神经网络模型，使用样本库的训练集和测试集对深度卷积神经网络模型做深度学习训练与测试，得到网络模型的连接权值和偏置参数；

步骤4：将待诊断的局部放电缺陷图像输入步骤3得到的深度卷积神经网络模型中，输出得到图像的局部放电缺陷类型。

2.根据权利要求1所述的基于深度学习的局部放电缺陷图像诊断方法，其特征在于，所述步骤1包括：

通过多种局部放电检测仪器采集电力设备的局部放电信号和噪声信号，具体地，使用局部放电测试仪的特高频、超声以及高频电流检测单元来检测电力设备的局部放电信号和噪声信号，并记录缺陷图谱；

其中，所述局部放电信号类型包括：电晕放电、悬浮电位放电、微粒放电、内部放电以及沿面放电；

所述噪声信号类型包括：背景干扰、通讯干扰、灯光干扰、电机干扰；

所述图像类型包括：特高频PRPS图像、特高频PRPD图像、特高频时域周期图像、超声PRPS图像、超声PRPD图像、超声幅值图像、超声相位图像、超声飞行图像、超声时域周期图像、高频电流PRPS图像、高频电流PRPD图像、高频电流时域周期图像；

PRPS是指相位、周期、放电幅值数据，用于表示各个周期上的放电幅值相位分布；

PRPD是指相位、放电幅值、放电次数数据，用于表示各个放电幅值区间上的放电次数相位分布。

3.根据权利要求1所述的基于深度学习的局部放电缺陷图像诊断方法，其特征在于，所述步骤2包括：

步骤2.1：建立图像类型样本库，将各种图像类型的典型图像文件存入样本库，并添加图像类型标签；将一部分数据作为训练样本，另一部分数据作为测试样本；

步骤2.2：对每类图像类型，建立该图像类型的缺陷样本库，将该图像类型的各种缺陷类型的典型图像文件存入样本库，并添加缺陷类型标签；将一部分数据作为训练样本，另一部分数据作为测试样本；

其中，所述缺陷类型包含局部放电信号类型和噪声信号类型，即包括：电晕放电、悬浮电位放电、微粒放电、内部放电、沿面放电、背景干扰、通讯干扰、灯光干扰、电机干扰。

4.根据权利要求1所述的基于深度学习的局部放电缺陷图像诊断方法，其特征在于，所述步骤3包括：

步骤3.1：建立深度卷积神经网络模型；

具体地，深度学习网络模型采用深度卷积神经网络从图像自动提取图像特征；卷积网络是为识别二维图像形状而设计的多层感知机；

步骤3.2：从局部放电缺陷图像样本库中提取训练样本集和测试样本集，逐层训练和优化网络，通过深度学习得到网络模型的连接权值和偏置参数；

具体地，根据局部放电缺陷图像样本库，训练得到图像类型识别网络模型；根据各种图像类型的缺陷样本库，分别训练得到各类图像类型的缺陷识别网络模型。

5.根据权利要求1所述的基于深度学习的局部放电缺陷图像诊断方法，其特征在于，所述步骤4包括：将图像输入图像类型识别网络模型，提取输出层的结果，得到该图像的类型；然后将该图像输入该图像类型的缺陷识别网络模型，提取输出层的结果，得到该图像的局部放电缺陷类型。

6.一种基于深度学习的局部放电缺陷图像诊断系统，其特征在于，包括如下模块：

放电超声信号采集模块：用于检测电力设备的局部放电信号，获得局部放电缺陷图像；

局部放电缺陷图像库建立模块：用于建立局部放电缺陷图像样本库，提取训练集和测试集；

深度卷积神经网络模型建立模块：用于建立深度卷积神经网络模型，使用样本库的训练集和测试集对深度卷积神经网络模型做深度学习训练与测试，得到网络模型的连接权值和偏置参数；

局部放电缺陷判别模块：用于将待诊断的局部放电缺陷图像输入深度卷积神经网络模型中，输出得到图像的局部放电缺陷类型。