CN109145961A - 一种非结构化局部放电数据的模式识别方法及系统 - Google Patents

Abstract

本发明公开了一种非结构化局部放电数据的模式识别方法，其包括步骤：(1)获取表征若干种局部放电绝缘缺陷类型的原始局部放电图像样本；(2)对原始局部放电图像样本中的原始图像进行预处理，得到各原始图像的二维矩阵，将二维矩阵列向求和得到各原始图像的一维数组，对一维数组进行归一化处理；(3)将归一化处理后的一维数组输入一维卷积神经网络模型中，以对一维卷积神经网络模型进行训练，通过训练以更新一维卷积神经网络模型的参数；(4)将待识别的局部放电图像输入经过训练的一维卷积神经网络模型中，获取的一维卷积神经网络模型的输出即为绝缘缺陷识别结果。此外，本发明还公开了一种非结构化局部放电数据的模式识别系统。

Description

一种非结构化局部放电数据的模式识别方法及系统

技术领域

本发明涉及一种识别方法及系统，尤其涉及用于局部放电识别的识别方法及系统。

背景技术

气体绝缘组合电器(GIS)作为电力系统的主要设备，其可靠性对电网的稳定运行有重要影响。绝缘劣化是造成设备故障的主要原因，对GIS设备进行局部放电检测，通过故障诊断分类评估绝缘性能，从而避免重大事故的发生。随着局放带电检测技术的推广应用，变电站现场产生了大量的特高频、超声波检测数据。由于便携式局放检测仪器在存储速度、操作方便性等方面的考虑，因此较多使用，而其检测数据通常以图像等非结构化数据进行存储。

由于直接存储局部放电波形的二进制数据文件，会占用大量的存储空间和存储时间。因此，当存储多周期局放数据文件时，为了避免文件太大造成数据丢失，目前大数据平台通常采用大量时域波形数据为图像形式的非结构化数据进行存储。

而目前已有的对局部放电模式识别的研究主要针对的是结构化数据进行模式识别，因而无法直接应用于存储形式为非结构化数据的大数据平台，因此，造成了大数据平台的大量数据浪费。

基于此，期望获得一种针对非结构化数据处理的模式识别方法，其可以对非结构化数据进行数据处理，实现对绝缘缺陷进行识别，从而有效利用大数据平台的数据，提高数据利用率。

发明内容

本发明的目的之一在于提供一种非结构化局部放电数据的模式识别方法，该非结构化局部放电数据的模式识别方法可以对非结构化数据进行数据处理，实现对绝缘缺陷进行识别。

基于上述目的，本发明提出了一种非结构化局部放电数据的模式识别方法，其包括步骤：

(1)获取表征若干种局部放电绝缘缺陷类型的原始局部放电图像样本；

(2)对原始局部放电图像样本中的原始图像进行预处理，得到各原始图像的二维矩阵，将二维矩阵列向求和得到各原始图像的一维数组，对一维数组进行归一化处理；

(3)将归一化处理后的一维数组输入一维卷积神经网络模型中，以对一维卷积神经网络模型进行训练，通过训练以更新一维卷积神经网络模型的参数；

(4)将待识别的局部放电图像输入经过训练的一维卷积神经网络模型中，获取的一维卷积神经网络模型的输出即为绝缘缺陷识别结果。

在本发明所述的非结构化局部放电数据的模式识别方法中，采用卷积神经网络是因为卷积神经网络(Convolutional Neural Networks，简称CNN)对数据具有位移、缩放、扭曲等高度不变性，十分利于图像数据处理。对于本案而言，原始局部放电图像样本的原始图像可以采用二维数组进行表达，因此，可以对原始图像进行预处理，得到各原始图像的二维矩阵，将二维矩阵列向求和得到各原始图像的一维数组，这样一方面可以保留图像中的时域波形的一维特性，另一方面又可以降低后续的卷积神经网络模型的复杂度，使得本案可以采用一维卷取神经网络模型对一维数组进行训练，最终将待识别的局部放电图像输入训练后的一维卷取神经网络模型中，实现对绝缘缺陷进行识别的效果。

需要说明的是，在本发明所述的技术方案中，所述非结构化局部放电数据是指在局部放电数据采集过程中采集到的不同于结构化数据的数据，非结构化局部放电数据为非二进制的数据，例如图片、文本。

由此可以看出，对于本发明所述的非结构化局部放电数据的模式识别方法而言，其不仅实现了基于非结构化局部放电数据的模式识别，提高了对大数据平台的数据利用率，并且该模式识别方法不需要人为提取特征，避免了人工选择特征所造成的信息丢失。

此外，由于该模式识别方法直接采用原始局部放电图像样本的原始图像进行处理，保证了采用该模式识别方法的识别系统的高效性和鲁棒性。

进一步地，在本发明所述的非结构化局部放电数据的模式识别方法中，将步骤(4)替换为：将待识别的局部放电图像进行滑动裁剪，生成若干个子图像，对子图像进行预处理和归一化后分别输入经过训练的一维卷积神经网络模型中，得到基于各子图像的输出结果；基于各子图像的输出结果，采用投票法获得待识别的局部放电图像的绝缘缺陷识别结果。

进一步地，在本发明所述的非结构化局部放电数据的模式识别方法中，在步骤(2)中，所述预处理包括图像分割、图像灰度化、图像二值化以及图像增强。

进一步地，在本发明所述的非结构化局部放电数据的模式识别方法中，所述一维卷积神经网络模型包括输入层、卷积层、池化层、全连接层和输出分类层，所述一维卷积神经网络模型的激活函数为不饱和非线性函数f(x)＝max(0,x)。

进一步地，在本发明所述的非结构化局部放电数据的模式识别方法中，所述一维卷积神经网络模型包括1个输入层、5个卷积层、5个池化层、1个全连接层和1个输出分类层。

进一步地，在本发明所述的非结构化局部放电数据的模式识别方法中，在步骤(3)中，训练方案采用随机梯度下降法，在随机梯度下降法中采用交叉熵代价函数，以更新一维卷积神经网络模型的参数。

进一步地，在本发明所述的非结构化局部放电数据的模式识别方法中，更新的一维卷积神经网络模型的参数包括下述各项的至少其中之一：

第一卷积层具有16个1×13尺寸卷积核；

第二卷积层具有32个1×13尺寸的卷积核；

第三卷积层具有64个1×11尺寸的卷积核；

第四卷积层具有128个1×11尺寸的卷积核；

第五卷积层具有256个1×9尺寸的卷积核；

池化层的尺寸为1×2，步长为2；

全连接层的神经元个数为1024；

输出分类层包括Softmax分类器。

相应地，本发明的另一目的在于提供一种非结构化局部放电数据的模式识别系统，采用该模式识别系统可以有效基于非结构化局部放电数据进行模式识别，该模式识别系统具有高效性和鲁棒性。

基于上述目的，本发明还提出了一种非结构化局部放电数据的模式识别系统，其包括：

处理模块，其对表征若干种局部放电绝缘缺陷类型的原始局部放电图像样本中的原始图像进行预处理，得到各原始图像的二维矩阵，将二维矩阵列向求和得到各原始图像的一维数组，对一维数组进行归一化处理；

一维卷积神经网络模块，将归一化处理后的一维数组输入一维卷积神经网络模型以对其进行训练，通过训练以更新一维卷积神经网络模型的参数，经过训练的一维卷积神经网络模型用于对待识别局部放电图像进行缺陷识别。

进一步地，在本发明所述的非结构化局部放电数据的模式识别系统中，所述一维卷积神经网络模型包括输入层、卷积层、池化层、全连接层和输出分类层，所述一维卷积神经网络模型的激活函数为不饱和非线性函数f(x)＝max(0,x)。

进一步地，在本发明所述的非结构化局部放电数据的模式识别系统中，所述一维卷积神经网络模型包括1个输入层、5个卷积层、5个池化层、1个全连接层和1个输出分类层。

进一步地，在本发明所述的非结构化局部放电数据的模式识别系统中，更新的一维卷积神经网络模型的参数包括下述各项的至少其中之一：

第一卷积层具有16个1×13尺寸卷积核；

第二卷积层具有32个1×13尺寸的卷积核；

第三卷积层具有64个1×11尺寸的卷积核；

第四卷积层具有128个1×11尺寸的卷积核；

第五卷积层具有256个1×9尺寸的卷积核；

池化层的尺寸为1×2，采用最大降采样方法，步长为2；

全连接层的神经元个数为1024；

输出分类层包括Softmax分类器。

本发明所述的非结构化局部放电数据的模式识别方法及系统具有以下优点和有益效果：

所述的非结构化局部放电数据的模式识别方法及系统实现了基于非结构化局部放电数据的模式识别，提高了对大数据平台的数据利用率，并且所述的模式识别方法及系统不需要人为提取特征，避免了人工选择特征所造成的信息丢失。

此外，由于所述的模式识别方法直接采用原始局部放电图像样本的原始图像进行处理，保证了应用所述模式识别方法的系统的高效性和鲁棒性。

附图说明

图1为本发明所述的非结构化局部放电数据的模式识别方法的过程示意图。

具体实施方式

下面将根据具体实施例及说明书附图对本发明所述的非结构化局部放电数据的模式识别方法及系统作进一步说明，但是该说明并不构成对本发明技术方案的不当限定。

图1为本发明所述的非结构化局部放电数据的模式识别方法的过程示意图。

如图1所示，在本实施方式中，非结构化局部放电数据的模式识别方法，包括以下步骤：

步骤100：通过局部放电现场检测获取表征若干种局部放电绝缘缺陷类型的原始局部放电图像样本，将原始局部放电图像样本划分为训练样本和测试样本。

在本实施方式中，步骤100中的局部放电现场检测可以通过现有仪器，例如特高频检测器、信号调理单元、示波器搜集获取包括悬浮电位、绝缘放电、尖端电晕、微粒放电以及干扰的五种绝缘缺陷类型的局部放电时域波形图像样本作为原始局部放电图像样本。

当然，在其他的实施方式中，本领域内的技术人员也可以根据实施方式的具体情况采集其他类型的绝缘缺陷类型的原始局部放电图像样本。

此外，需要说明的是，获取表征若干种局部放电绝缘缺陷类型的原始局部放电图像样本的途径不限于通过局部放电现场检测的方式，也可以通过本领域内技术人员知晓的其他方式获取，例如可以通过试验模拟获取原始局部放电图像样本，也可以通过采集一定数量的原始局部放电图像样本后，通过数据扩充技术得到更多数量的原始局部放电图像样本。

步骤200：对原始局部放电图像样本中的原始图像进行预处理，得到各原始图像的二维矩阵，将二维矩阵列向求和得到各原始图像的1×784尺寸的一维数组，对一维数组进行归一化处理，其中，预处理包括图像分割、图像灰度化、图像二值化以及图像增强。

由于原始局部放电图像样本采集时得到的原始图像记录了连续若干个周期的局部放电脉冲数据，其用二维数组表示原始图像，两个维度分别表示时间信息、特征参数。因此，采用预处理使得图像信息可以进一步表达特征。在预处理时，首先通过图像分割得到局放脉冲电压的时域波形图像，图像灰度化采用分量法得到原始图像的灰度图像。随后，进行图像二值化，其根据示波器通道色彩不同，利用灰度差距区分不同通道，选择阈值T为60，对R通道灰度图进行全局二值化操作，其表达公式如下所述：

其中，g(x,y)表示在(x,y)处全局二值化后的值，f(x,y)表示在(x,y)处的R通道灰度值，T表示阈值。

此外，在步骤200中，为了适应原始图像的时域波形的一维特性，将预处理得到的二维矩阵列向求和，得到原始图像的一维数组。

对一维数组进行归一化处理，其中，转换函数为：

式中，x*表示归一化后的样本数据值，x₁表示样本数据最小值，x₂表示样本数据最大值。

步骤300：将训练样本的归一化处理后的一维数组输入一维卷积神经网络模型中，以对一维卷积神经网络模型进行训练，通过训练以更新一维卷积神经网络模型的参数。例如：在某些实施方式中可以将原始局部放电图像样本的1800份数据进行归一化处理，其中的1440份数据作为训练集对一维卷积神经网络模型进行训练，通过训练以更新一维卷积神经网络模型的参数，而剩余的360份数据作为测试集测试一维卷积神经网络模型训练是否完成。

其中，一维卷积神经网络模型包括1个输入层、5个卷积层、5个池化层、1个全连接层和1个输出分类层，一维卷积神经网络模型的激活函数为不饱和非线性函数f(x)＝max(0,x)。

训练方案采用随机梯度下降法，在随机梯度下降法中采用交叉熵代价函数，以更新一维卷积神经网络模型的参数，通过反向传播算法进行有监督微调，训练优化一维卷积神经网络模型。更新的一维卷积神经网络模型中第一卷积层和第二卷积层分别有16个和32个1×13尺寸的卷积核，第三卷积层和第四卷积层分别有64个和128个1×11尺寸的卷积核，第五卷积层有256个1×9尺寸的卷积核。池化层的尺寸为1×2，采用最大降采样方法，步长为2。全连接层的神经元个数为1024。输出分类层包括适应于非线性多分类问题的Softmax分类器；

步骤400：采用测试样本对经过训练的一维卷积神经网络模型进行测试。

步骤500：将待识别的局部放电图像输入经过训练的一维卷积神经网络模型中，获取的一维卷积神经网络模型的输出即为绝缘缺陷识别结果。

此外，为了进一步提高识别的准确率，在另外一些实施例中，步骤400也可以通过以下步骤获得最终的绝缘缺陷识别结果：

将待识别的局部放电图像进行滑动裁剪，步长为10，生成4个子图像，需要说明的是子图像的数量是根据实施方式的具体情况获得的，其数量并不局限于4个，根据裁剪的不同，也可以为其他数量。随后，对子图像进行预处理和归一化后分别输入经过训练的一维卷积神经网络模型中，得到基于各子图像的输出结果；基于各子图像的输出结果，采用投票法获得待识别的局部放电图像的绝缘缺陷识别结果，具体来说通过投票法获取四张子图像概率均值，最大概率为测试图像的缺陷分类结果。

此外，为了验证本案的模式识别方法的准确率，将实施例1与对比例1、对比例2以及对比例3进行识别效果以及性能的对比，对比结果列于表1。

其中，实施例1所示的系统采用本案的模式识别系统对待识别的局部放电图像进行识别。

对比例1所示的系统采用经训练的基于径向基函数的支持向量机对待识别的局部放电图像进行识别。

对比例2所示的系统采用经训练的BP神经网络对待识别的局部放电图像进行识别。

对比例3所示的系统采用二维卷积神经网络对待识别的局部放电图像进行识别。

表1.

由表1可以看出，实施例1相较于对比例1-3具有更高的识别正确率，更低时间复杂度和更高的检测数据利用率。

结合图1和表1可以看出，本发明所述的非结构化局部放电数据的模式识别方法及系统实现了基于非结构化局部放电数据的模式识别，提高了对大数据平台的数据利用率，并且所述的模式识别方法及系统不需要人为提取特征，避免了人工选择特征所造成的信息丢失。

此外，由于所述的模式识别方法直接采用原始局部放电图像样本的原始图像进行处理，保证了应用所述模式识别方法的系统的高效性和鲁棒性。

需要说明的是，本发明的保护范围中现有技术部分并不局限于本申请文件所给出的实施例，所有不与本发明的方案相矛盾的现有技术，包括但不局限于在先专利文献、在先公开出版物，在先公开使用等等，都可纳入本发明的保护范围。

另外，还需要说明的是，本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式，本案所记载的所有技术特征可以以任何方式进行自由组合或结合，除非相互之间产生矛盾。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (11)

1.一种非结构化局部放电数据的模式识别方法，其特征在于，包括步骤：

(1)获取表征若干种局部放电绝缘缺陷类型的原始局部放电图像样本；

(2)对原始局部放电图像样本中的原始图像进行预处理，得到各原始图像的二维矩阵，将二维矩阵列向求和得到各原始图像的一维数组，对一维数组进行归一化处理；

(3)将归一化处理后的一维数组输入一维卷积神经网络模型中，以对一维卷积神经网络模型进行训练，通过训练以更新一维卷积神经网络模型的参数；

(4)将待识别的局部放电图像输入经过训练的一维卷积神经网络模型中，获取的一维卷积神经网络模型的输出即为绝缘缺陷识别结果。

2.如权利要求1所述的非结构化局部放电数据的模式识别方法，其特征在于，将步骤(4)替换为：将待识别的局部放电图像进行滑动裁剪，生成若干个子图像，对子图像进行预处理和归一化后分别输入经过训练的一维卷积神经网络模型中，得到基于各子图像的输出结果；基于各子图像的输出结果，采用投票法获得待识别的局部放电图像的绝缘缺陷识别结果。

3.如权利要求1或2所述的非结构化局部放电数据的模式识别方法，其特征在于，在步骤(2)中，所述预处理包括图像分割、图像灰度化、图像二值化以及图像增强。

4.如权利要求1或2所述的非结构化局部放电数据的模式识别方法，其特征在于，所述一维卷积神经网络模型包括输入层、卷积层、池化层、全连接层和输出分类层，所述一维卷积神经网络模型的激活函数为不饱和非线性函数f(x)＝max(0,x)。

5.如权利要求4所述的非结构化局部放电数据的模式识别方法，其特征在于，所述一维卷积神经网络模型包括1个输入层、5个卷积层、5个池化层、1个全连接层和1个输出分类层。

6.如权利要求1或2所述的非结构化局部放电数据的模式识别方法，其特征在于，在步骤(3)中，训练方案采用随机梯度下降法，在随机梯度下降法中采用交叉熵代价函数，以更新一维卷积神经网络模型的参数。

7.如权利要求5所述的非结构化局部放电数据的模式识别方法，其特征在于，更新的一维卷积神经网络模型的参数包括下述各项的至少其中之一：

第一卷积层具有16个1×13尺寸卷积核；

第二卷积层具有32个1×13尺寸的卷积核；

第三卷积层具有64个1×11尺寸的卷积核；

第四卷积层具有128个1×11尺寸的卷积核；

第五卷积层具有256个1×9尺寸的卷积核；

池化层的尺寸为1×2，步长为2；

全连接层的神经元个数为1024；

输出分类层包括Softmax分类器。

8.一种非结构化局部放电数据的模式识别系统，其特征在于，包括：

处理模块，其对表征若干种局部放电绝缘缺陷类型的原始局部放电图像样本中的原始图像进行预处理，得到各原始图像的二维矩阵，将二维矩阵列向求和得到各原始图像的一维数组，对一维数组进行归一化处理；

一维卷积神经网络模块，将归一化处理后的一维数组输入一维卷积神经网络模型以对其进行训练，通过训练以更新一维卷积神经网络模型的参数，经过训练的一维卷积神经网络模型用于对待识别局部放电图像进行缺陷识别。

9.如权利要求8所述的非结构化局部放电数据的模式识别系统，其特征在于，所述一维卷积神经网络模型包括输入层、卷积层、池化层、全连接层和输出分类层，所述一维卷积神经网络模型的激活函数为不饱和非线性函数f(x)＝max(0,x)。

10.如权利要求9所述的非结构化局部放电数据的模式识别系统，其特征在于，所述一维卷积神经网络模型包括1个输入层、5个卷积层、5个池化层、1个全连接层和1个输出分类层。

11.如权利要求10所述的非结构化局部放电数据的模式识别系统，其特征在于，更新的一维卷积神经网络模型的参数包括下述各项的至少其中之一：

第一卷积层具有16个1×13尺寸卷积核；

第二卷积层具有32个1×13尺寸的卷积核；

第三卷积层具有64个1×11尺寸的卷积核；

第四卷积层具有128个1×11尺寸的卷积核；

第五卷积层具有256个1×9尺寸的卷积核；

池化层的尺寸为1×2，采用最大降采样方法，步长为2；

全连接层的神经元个数为1024；

输出分类层包括Softmax分类器。