CN109212392A - 直流电缆局部放电缺陷故障的识别方法、系统及Caffe卷积神经网络 - Google Patents
直流电缆局部放电缺陷故障的识别方法、系统及Caffe卷积神经网络 Download PDFInfo
- Publication number
- CN109212392A CN109212392A CN201811114341.6A CN201811114341A CN109212392A CN 109212392 A CN109212392 A CN 109212392A CN 201811114341 A CN201811114341 A CN 201811114341A CN 109212392 A CN109212392 A CN 109212392A
- Authority
- CN
- China
- Prior art keywords
- neural networks
- convolutional neural
- layer
- direct current
- caffe
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了直流电缆局部放电缺陷故障的识别方法,包括步骤:(1)采集直流电缆的若干种绝缘缺陷放电模型的q‑Δt‑n局部放电信号图;(2)将q‑Δt‑n局部放电信号图进行归一化处理,以得到训练样本;(3)构建Caffe卷积神经网络;(4)采用训练样本训练Caffe卷积神经网络;(5)将待识别局部放电信号图输入经过训练的Caffe卷积神经网络中,获得识别结果。此外,本发明还公开了用于直流电缆局部放电缺陷故障识别的Caffe卷积神经网络。另外,本发明还公开了直流电缆局部放电缺陷故障的识别系统,包括:信号采集模块、预处理模块以及Caffe卷积神经网络。该识别方法进行直流电缆的故障识别,以保证供电可靠。
Description
技术领域
本发明涉及一种识别方法、系统以及神经网络,尤其涉及一种用于识别直流电缆故障的识别方法、系统以及神经网络。
背景技术
随着柔性高压直流输电的快速发展,直流交联聚乙烯(Cross-linkedpolyethylene,简称XLPE)电缆凭借其优良的绝缘性能得到越来越多的应用。伴随着我国多个高压直流输电项目陆续投入运行,亟需完善在线监测和故障预警系统,以保证供电的可靠性。
局部放电(Partial discharge,简称PD)作为判断电力设备状态的一项重要指标,早已被国际电工委员会列入检测标准,但是对直流电缆局部放电的模式识别和故障诊断研究仍处于起步阶段。这是由于直流电压下的局部放电信号缺少相位信息,虽然有关于交流电压的局部放电模式识别的研究,但其无法应用到直流电缆的局部放电模式识别和故障诊断中。
基于此,期望获得一种直流电缆局部放电缺陷故障的识别方法,以对直流电缆进行故障识别,从而实现对直流输电系统的在线监测和故障预警,以保证系统供电的可靠性。
发明内容
本发明的目的之一在于提供一种直流电缆局部放电缺陷故障的识别方法,该识别方法通过采集直流电缆的q-Δt-n局部放电信号图,并将其进行归一化处理,已得到训练样本,随后构建Caffe卷积神经网络,通过训练样本训练Caffe卷积神经网络,最终将待识别局部放电信号图输入经过训练的所述Caffe卷积神经网络中,以从其输出获得识别结果。通过该识别方法能够对直流电缆进行故障识别,且识别准确率高,从而实现对直流输电系统的在线监测和故障预警,以保证系统供电的可靠性。
基于上述目的,本发明提出了一种直流电缆局部放电缺陷故障的识别方法,包括步骤:
(1)采集直流电缆的若干种绝缘缺陷放电模型的q-Δt-n局部放电信号图,其中q表示单个局部放电脉冲峰值,Δt表示两相邻局部放电的时间间隔,n表示某局部放电幅值q对应某时间间隔Δt的等效放电次数;
(2)将q-Δt-n局部放电信号图进行归一化处理,以得到训练样本;
(3)构建Caffe卷积神经网络,所述Caffe卷积神经网络沿着数据处理的流向依次包括:串联设置的若干层卷积模块;串联设置的若干个全连接模块以及归一化指数函数(Softmax)层;其中,每个卷积模块均仅具有卷积层,线性整流函数激活函数层和池化层,数据输入各卷积模块后先经过卷积层的卷积操作,再经过线性整流函数激活函数层的激活操作,最后通过池化层输出该卷积模块的结果;每个全连接模块中均包含全连接层,线性整流函数激活函数层和流失层,数据输入全连接模块后先经过流失层随机选择激活的神经元,再经过全连接层进行全连接操作,最后经过线性整流函数激活函数层的激活操作输出特征数据;所述归一化指数函数层,对全连接模块输出的特征数据进行计算得到最终正确率和损失;
(4)采用训练样本训练所述Caffe卷积神经网络;
(5)将待识别局部放电信号图输入经过训练的所述Caffe卷积神经网络中,以从其输出获得识别结果。
在本发明所述的直流电缆局部放电缺陷故障的识别方法中,本案发明人考虑到若现有技术通常采用的在卷积模块中设置局部响应归一化层进行局部响应归一化操作,虽然其作为临近抑制,可以将局部区域进行归一化,但是考虑到局部放电随机性较强,局部响应归一化操作减小了局部放电图谱的特征因子,并且设置局部响应归一化层会降低训练效率,增加训练时长,因此,在本发明所述的技术方案中,每个卷积模块设置为均具有卷积层、线性整流函数激活函数层和池化层,而未设置局部响应归一化层。
此外,本案发明人考虑到局部放电的强随机性会导致训练过程中出现过拟合的情况,即对噪声过于敏感,因而,为了防止过拟合情况的发生,在本发明所述的全连接模块中设置了流失层以随机让网络中某些隐层节点的权重不工作,从而抑制了噪声的干扰。
通过上述方案,使得本发明所述的识别方法能够快速准确地对直流电缆进行故障识别,且识别准确率高,从而实现对直流输电系统的在线监测和故障预警,以保证系统供电的可靠性。
进一步地,在本发明所述的识别方法中,所述绝缘缺陷放电模型至少包括气隙放电模型、电晕放电模型、划痕放电模型和沿面放电模型。
进一步地,在本发明所述的识别方法中,所述Caffe卷积神经网络包括连续的五层卷积模块。
进一步地,在本发明所述的识别方法中,所述Caffe卷积神经网络包括连续的两个全连接模块。
进一步地,在本发明所述的识别方法中,在步骤(3)中,构建Caffe卷积神经网络还包括配置Caffe卷积神经网络的求解器参数,所述求解器参数包括学习率和迭代次数。
对于本发明所述的技术方案而言,学习率既可以采用固定学习率,又可以采用衰减学习率。需要说明的是,衰减学习率是指学习率随着迭代过程的进行逐渐衰减,衰减学习率的参数由衰减系数γ和衰减单位步长s确定,公式为:
其中,li表示第i次的学习率,lbase表示初始学习率,γ为衰减系数,s为衰减单位步长。
此外,在本发明所述的技术方案中,迭代次数主要由训练样本数量和网络结构复杂度决定。
相应地,本发明的另一目的在于提供一种用于直流电缆局部放电缺陷故障识别的Caffe卷积神经网络,该Caffe卷积神经网络能够较好地通过训练样本对自身进行训练学习,从而使得经过训练后的Caffe卷积神经网络对待识别局部放电信号图有识别准确率高的识别结果。
基于上述目的,本发明提出了一种用于直流电缆局部放电缺陷故障识别的Caffe卷积神经网络,其中:
所述Caffe卷积神经网络沿着数据处理的流向依次包括:串联设置的若干层卷积模块;串联设置的若干个全连接模块以及归一化指数函数(Softmax)层;
其中,每个卷积模块均仅具有卷积层,线性整流函数激活函数层和池化层,数据输入各卷积模块后先经过卷积层的卷积操作,再经过线性整流函数激活函数层的激活操作,最后通过池化层输出该卷积模块的结果;
每个全连接模块中均包含全连接层,线性整流函数激活函数层和流失层,数据输入全连接模块后先经过流失层随机选择激活的神经元,再经过全连接层进行全连接操作,最后经过线性整流函数激活函数层的激活操作输出特征数据;
所述归一化指数函数层,对全连接模块输出的特征数据进行计算得到最终正确率和损失。
进一步地,在本发明所述的Caffe卷积神经网络中,所述Caffe卷积神经网络包括连续的五层卷积模块。
进一步地,在本发明所述的Caffe卷积神经网络中,所述Caffe卷积神经网络包括连续的两个全连接模块。
此外,本发明的又一目的在于提供一种直流电缆局部放电缺陷故障的识别系统,通过该识别系统能够对直流电缆进行故障识别,且识别准确率高,从而实现对直流输电系统的在线监测和故障预警,以保证系统供电的可靠性。
基于上述目的,本发明提出了一种直流电缆局部放电缺陷故障的识别系统,包括:
信号采集模块,其采集直流电缆的若干种绝缘缺陷放电模型的q-Δt-n局部放电信号图;
预处理模块,其将q-Δt-n局部放电信号图进行归一化处理,以得到训练样本;
上述的Caffe卷积神经网络;
其中,采用训练样本对所述Caffe卷积神经网络进行过训练后,将待识别局部放电信号图输入经过训练的Caffe卷积神经网络中,能够从其输出获得识别结果。
进一步地,在本发明所述的识别系统中,所述绝缘缺陷放电模型至少包括气隙放电模型、电晕放电模型、划痕放电模型和沿面放电模型。
本发明所述的直流电缆局部放电缺陷故障的识别方法、系统及Caffe卷积神经网络相较于现有技术具有如下优点和有益效果:
通过采集直流电缆的q-Δt-n局部放电信号图,并将其进行归一化处理,从而得到训练样本,随后构建Caffe卷积神经网络,通过训练样本训练Caffe卷积神经网络,最终将待识别局部放电信号图输入经过训练的所述Caffe卷积神经网络中,以从其输出获得识别结果,进而能够对直流电缆进行故障识别,且识别准确率高,从而实现对直流输电系统的在线监测和故障预警,以保证系统供电的可靠性。
附图说明
图1为本发明所述的直流电缆局部放电缺陷故障的识别方法在某些实施方式中的流程示意图。
图2示意性地显示了本发明所述的直流电缆局部放电缺陷故障的识别方法在某些实施方式中的操作流程。
图3示意性地显示了本发明所述的直流电缆局部放电缺陷故障的识别方法在某些实施方式下采用电晕放电模型所获得的q-Δt-n局部放电信号图。
图4示意性地显示了本发明所述的直流电缆局部放电缺陷故障的识别方法在某些实施方式下采用气隙放电模型所获得的q-Δt-n局部放电信号图。
图5示意性地显示了本发明所述的直流电缆局部放电缺陷故障的识别方法在某些实施方式下采用划痕放电模型所获得的q-Δt-n局部放电信号图。
图6示意性地显示了本发明所述的直流电缆局部放电缺陷故障的识别方法在某些实施方式下采用沿面放电模型所获得的q-Δt-n局部放电信号图。
图7为本发明所述的直流电缆局部放电缺陷故障识别的识别系统的框架结构示意图。
图8示意性地显示了对比例1中正确率随迭代次数变化情况。
图9示意性地显示了对比例1中损失值随迭代次数变化情况。
图10示意性地显示了对比例1中学习率随迭代次数变化情况。
图11示意性地显示了对比例2中正确率随迭代次数变化情况。
图12示意性地显示了对比例2中损失值随迭代次数变化情况。
图13示意性地显示了对比例2中学习率随迭代次数变化情况。
图14示意性地显示了对比例3中正确率随迭代次数变化情况。
图15示意性地显示了对比例3中损失值随迭代次数变化情况。
图16示意性地显示了对比例3中学习率随迭代次数变化情况。
图17示意性地显示了实施例1中正确率随迭代次数变化情况。
图18示意性地显示了实施例1中损失值随迭代次数变化情况。
图19示意性地显示了实施例1中学习率随迭代次数变化情况。
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直流电缆局部放电缺陷故障的识别方法、系统及Caffe卷积神经网络作进一步说明,但是该说明并不构成对本发明技术方案的不当限定。
为了验证采用本案的直流电缆局部放电缺陷故障的识别方法能够较好地辨识不同类型的直流电缆局部放电缺陷故障类型,因而,选取了四种类型的直流电缆局部放电缺陷故障,构建了该四种类型的直流电缆局部放电缺陷故障模型,并将该四种类型的直流电缆局部放电缺陷故障模型的电缆接入测试系统中,采用阶梯升压法直至测试系统观测到明显放电脉冲,单个脉冲峰峰值记为q,两相邻放电的时间间隔记为Δt,某放电幅值q对应某时间间隔Δt的等效放电次数记为n。以300个脉冲作为一次采样周期。
上述四种类型的直流电缆局部放电缺陷故障模型的制作过程如下所述:
电晕放电模型:在XLPE绝缘处扎入一根3cm长的金属针,并接触导线芯,模拟电晕放电。
气隙放电模型:在XLPE表面扎出若干微孔,再用环氧树脂密封,从而模拟绝缘内部气泡残留,即构建得到气隙放电模型。
划痕放电模型:在XLPE绝缘上划出一道宽2mm,长10mm,深1mm的划痕,模拟划痕放电。
沿面放电模型:在一端剥除外半导电层时留有宽3mm,长10mm的残留,模拟沿面放电。
需要指出的是,上述直流电缆局部放电缺陷故障模型仅为对本案的识别方法作示意性解释说明,并不构成对本案技术方案的不当限定,本领域内的技术人员可以根据实施方式的具体情况选择若干种不同的直流电缆局部放电缺陷故障,并且对该若干种直流电缆局部放电缺陷故障进行识别,而不局限于上述的四种直流电缆局部放电缺陷故障。
随后采用直流电缆局部放电缺陷故障的识别方法对所构建的直流电缆局部放电缺陷故障进行识别,识别方法可以参考图1。图1为本发明所述的直流电缆局部放电缺陷故障的识别方法在某些实施方式中的流程示意图。
如图1所示,在某些实施方式中,识别方法包括步骤:
步骤100:采集直流电缆局部放电缺陷故障的q-Δt-n局部放电信号图,其中q表示单个局部放电脉冲峰值,Δt表示两相邻局部放电的时间间隔,n表示某局部放电幅值q对应某时间间隔Δt的等效放电次数。图3至图6显示了不同类型的直流电缆局部放电缺陷故障模型所得到的q-Δt-n局部放电信号图。其中,图3示意性地显示了本发明所述的直流电缆局部放电缺陷故障的识别方法在某些实施方式下采用电晕放电模型所获得的q-Δt-n局部放电信号图。图4示意性地显示了本发明所述的直流电缆局部放电缺陷故障的识别方法在某些实施方式下采用气隙放电模型所获得的q-Δt-n局部放电信号图。图5示意性地显示了本发明所述的直流电缆局部放电缺陷故障的识别方法在某些实施方式下采用划痕放电模型所获得的q-Δt-n局部放电信号图。图6示意性地显示了本发明所述的直流电缆局部放电缺陷故障的识别方法在某些实施方式下采用沿面放电模型所获得的q-Δt-n局部放电信号图。
步骤200:将q-Δt-n局部放电信号图进行归一化处理,以得到训练样本;
步骤300:构建Caffe卷积神经网络,Caffe卷积神经网络沿着数据处理的流向依次包括:串联设置的若干层卷积模块;串联设置的若干个全连接模块以及归一化指数函数(Softmax)层;其中,每个卷积模块均仅具有卷积层,线性整流函数激活函数层和池化层,数据输入各卷积模块后先经过卷积层的卷积操作,再经过线性整流函数激活函数层的激活操作,最后通过池化层输出该卷积模块的结果;每个全连接模块中均包含全连接层,线性整流函数激活函数层和流失层,数据输入全连接模块后先经过流失层随机选择激活的神经元,再经过全连接层进行全连接操作,最后经过线性整流函数激活函数层的激活操作输出特征数据;所述归一化指数函数层,对全连接模块输出的特征数据进行计算得到最终正确率和损失;
步骤400:采用训练样本训练所述Caffe卷积神经网络;
步骤500:将待识别局部放电信号图输入经过训练的所述Caffe卷积神经网络中,以从其输出获得识别结果。
需要说明的是,在上述方案中,Caffee卷积神经网络包括连续的五层卷积模块以及连续的两个全连接模块,每一层卷积模块的数据输入来自上一层的数据输出,并且每一个全连接模块的数据输入来自上一层的数据输出。
图2示意性地显示了本发明所述的直流电缆局部放电缺陷故障的识别方法在某些实施方式中的操作流程。
如图2所示,构建Caffe卷积神经网络还包括配置Caffe卷积神经网络的求解器参数,求解器参数包括学习率和迭代次数,在某些实施方式中,将初始学习率设置为0.001,迭代总次数为6000次,衰减单位步长为500。不同类型的直流电缆局部放电缺陷故障所得到的q-Δt-n局部放电信号图所得到的直流局部放电数据随机分为训练样本以及测试样本,并对Caffe卷积神经网络进行训练,使其准确度达到要求,达到要求的Caffe卷积神经网络作为训练后的Caffe卷积神经网络,将其此时的求解器参数记录。将待识别局部放电信号图输入经过训练的Caffe卷积神经网络中,以其输出获得识别结果。
图7为本发明所述的直流电缆局部放电缺陷故障识别的识别系统的框架结构示意图。
如图7所示,在某些实施方式中,识别系统包括:采集直流电缆的若干种绝缘缺陷放电模型的q-Δt-n局部放电信号图信号采集模块、将q-Δt-n局部放电信号图进行归一化处理,以得到训练样本的预处理模块以及Caffe卷积神经网络,其中,Caffe神经网络沿着数据处理的流向依次包括:串联设置的五层卷积模块;串联设置的两个全连接模块以及归一化指数函数层;其中,每个卷积模块均仅具有卷积层,线性整流函数激活函数层和池化层,数据输入各卷积模块后先经过卷积层的卷积操作,再经过线性整流函数激活函数层的激活操作,最后通过池化层输出该卷积模块的结果;每个全连接模块中均包含全连接层,线性整流函数激活函数层和流失层,数据输入全连接模块后先经过流失层随机选择激活的神经元,再经过全连接层进行全连接操作,最后经过线性整流函数激活函数层的激活操作输出特征数据;归一化指数函数层,对全连接模块输出的特征数据进行计算得到最终正确率和损失。
将不同类型的直流电缆局部放电缺陷故障所得到的q-Δt-n局部放电信号图中所得到的直流局部放电数据随机分为训练样本以及测试样本,分别对对比例1-3以及实施例1的各个神经网络进行训练。表1列出了比例1-3以及实施例1所采用的四种神经网网络以及学习率模式。图8至图17则示意了比例1-3以及实施例1所采用的四种神经网络的训练效果。表2列出了比例1-3以及实施例1所采用的四种神经网网络的最终正确率。
表1.
神经网络 | 学习率模式 | |
对比例1 | Quick-CIFAR-10 | 衰减 |
对比例2 | Alexnet | 固定 |
对比例3 | Alexnet | 衰减 |
实施例1 | Caffe神经网络 | 衰减 |
表2.
神经网络 | 最终正确率(%) | |
对比例1 | Quick-CIFAR-10 | 66 |
对比例2 | Alexnet | 76 |
对比例3 | Alexnet | 81 |
实施例1 | Caffe神经网络 | 91 |
需要说明的是,在表1中,实施例1采用的学习率模式为衰减学习率,对于本发明所述的技术方案而言,学习率既可以采用固定学习率,又可以采用衰减学习率。当然,在相同的网络结构下,衰减学习率模式比固定学习率模式效果要好,因此,优选地可以采用衰减学习率。这是因为:初始学习率较大可以让网络中的各参数较快的逼近最优值,但是随着迭代次数的增加,各参数已逐渐趋向于最优值,如果学习率依旧较高则有可能使参数在最优值附近振荡,而逐步地降低学习率可以使参数更容易逼近最优值。
对比例1所采用神经网络为现有技术中的Quick-CIFAR-10,学习率模式为衰减学习率。图8示意性地显示了对比例1中正确率随迭代次数变化情况。图9示意性地显示了对比例1中损失值随迭代次数变化情况,其中,图9中曲线I表示测试网络的损失值随迭代次数变化情况,II表示训练网络的损失值随迭代次数变化情况。图10示意性地显示了对比例1中学习率随迭代次数变化情况。
对比例2所采用神经网络为现有技术中的Alexnet,学习率模式为固定学习率。图11示意性地显示了对比例2中正确率随迭代次数变化情况。图12示意性地显示了对比例2中损失值随迭代次数变化情况,其中,图12中曲线III表示测试网络的损失值随迭代次数变化情况,IV表示训练网络的损失值随迭代次数变化情况。图13示意性地显示了对比例2中学习率随迭代次数变化情况。
对比例3所采用神经网络为现有技术中的Alexnet,学习率模式为衰减学习率。图14示意性地显示了对比例3中正确率随迭代次数变化情况。图15示意性地显示了对比例3中损失值随迭代次数变化情况,其中,图15中曲线V表示测试网络的损失值随迭代次数变化情况,VI表示训练网络的损失值随迭代次数变化情况。图16示意性地显示了对比例3中学习率随迭代次数变化情况。
实施例1所采用神经网络为本案的Caffe卷积神经网络,学习率模式为衰减学习率。图17示意性地显示了实施例1中正确率随迭代次数变化情况。图18示意性地显示了实施例1中损失值随迭代次数变化情况,其中,图18中曲线VII表示测试网络的损失值随迭代次数变化情况,VIII表示训练网络的损失值随迭代次数变化情况。图19示意性地显示了实施例1中学习率随迭代次数变化情况。
需要说明的是,在上述的对比例1-3以及实施例1中,训练网络表示对应的神经网络中的训练样本组成的集合,测试网络表示对应的神经网络中测试数据组成的集合。结合图8至图17可以看出,比例1-3以及实施例1采用各个神经网络进行训练时,随着迭代次数的增加,正确率均振荡上升,损失值也总体呈下降趋势。其中对比例1以及对比例2的正确率波动较为剧烈,对比例3和实施例4的正确率上升则较为平稳,对比例1在迭代到5500次时正确率才基本维持不变,而对比例2-3以及实施例1则迭代不到5000次就趋于稳定,说明改善神经网络的结构参数可以抑制训练中参数的振荡。另外,对比例1的测试网络的损失值一直处于振荡状态,维持在较高的数值,训练效果不理想,而对比例2和3以及实施例1的损失值均有显著的下降,说明训练效果较好;但是对比例1-3以及实施例1的训练网络的损失值振荡均比测试网络的损失值振荡剧烈,说明数据集较小会导致网络训练时产生轻微的振荡。
结合表1和表2中的数据,对比对比例1、对比例3以及实施例1可以发现,采用Quick-CIFAR-10神经网络的对比例1的训练效果较差,最终正确率仅为66%,且通过网络结构对比可以看出,对比例1的Quick-CIFAR-10的卷积层只有三层,而实施例1的Caffe卷积神经网络的卷积层有五层,由此说明卷积层越多识别效果越好。
对比对比例3和实施例1可以看出,本案实施例1的Caffe卷积神经网络的网络结构相较于对比例3的原先纯粹应用于分类物体的图像识别的Alexnet网络,更适合直流电缆局部放电缺陷故障的识别,使得本案的实施例1的最终正确率达到91%。
综上所述可以看出,本案所述的直流电缆局部放电缺陷故障的识别方法、系统及Caffe卷积神经网络网络识别效果更优,最终正确率极高,对直流电缆局部放电缺陷故障识别率稳定。
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 (10)
1.一种直流电缆局部放电缺陷故障的识别方法,其特征在于,包括步骤:
(1)采集直流电缆的若干种绝缘缺陷放电模型的q-Δt-n局部放电信号图,其中q表示单个局部放电脉冲峰值,Δt表示两相邻局部放电的时间间隔,n表示某局部放电幅值q对应某时间间隔Δt的等效放电次数;
(2)将q-Δt-n局部放电信号图进行归一化处理,以得到训练样本;
(3)构建Caffe卷积神经网络,所述Caffe卷积神经网络沿着数据处理的流向依次包括:串联设置的若干层卷积模块;串联设置的若干个全连接模块以及归一化指数函数(Softmax)层;其中,每个卷积模块均仅具有卷积层,线性整流函数激活函数层和池化层,数据输入各卷积模块后先经过卷积层的卷积操作,再经过线性整流函数激活函数层的激活操作,最后通过池化层输出该卷积模块的结果;每个全连接模块中均包含全连接层,线性整流函数激活函数层和流失层,数据输入全连接模块后先经过流失层随机选择激活的神经元,再经过全连接层进行全连接操作,最后经过线性整流函数激活函数层的激活操作输出特征数据;所述归一化指数函数层,对全连接模块输出的特征数据进行计算得到最终正确率和损失;
(4)采用训练样本训练所述Caffe卷积神经网络;
(5)将待识别局部放电信号图输入经过训练的所述Caffe卷积神经网络中,以从其输出获得识别结果。
2.如权利要求1所述的识别方法,其特征在于,所述绝缘缺陷放电模型至少包括气隙放电模型、电晕放电模型、划痕放电模型和沿面放电模型。
3.如权利要求1所述的识别方法,其特征在于,所述Caffe卷积神经网络包括连续的五层卷积模块。
4.如权利要求1所述的识别方法,其特征在于,所述Caffe卷积神经网络包括连续的两个全连接模块。
5.如权利要求1所述的识别方法,其特征在于,在步骤(3)中,构建Caffe卷积神经网络还包括配置Caffe卷积神经网络的求解器参数,所述求解器参数包括学习率和迭代次数。
6.一种用于直流电缆局部放电缺陷故障识别的Caffe卷积神经网络,其特征在于:
所述Caffe卷积神经网络沿着数据处理的流向依次包括:串联设置的若干层卷积模块;串联设置的若干个全连接模块以及归一化指数函数(Softmax)层;
其中,每个卷积模块均仅具有卷积层,线性整流函数激活函数层和池化层,数据输入各卷积模块后先经过卷积层的卷积操作,再经过线性整流函数激活函数层的激活操作,最后通过池化层输出该卷积模块的结果;
每个全连接模块中均包含全连接层,线性整流函数激活函数层和流失层,数据输入全连接模块后先经过流失层随机选择激活的神经元,再经过全连接层进行全连接操作,最后经过线性整流函数激活函数层的激活操作输出特征数据;
所述归一化指数函数层,对全连接模块输出的特征数据进行计算得到最终正确率和损失。
7.如权利要求6所述的Caffe卷积神经网络,其特征在于,所述Caffe卷积神经网络包括连续的五层卷积模块。
8.如权利要求6所述的Caffe卷积神经网络,其特征在于,所述Caffe卷积神经网络包括连续的两个全连接模块。
9.一种直流电缆局部放电缺陷故障的识别系统,其特征在于,包括:
信号采集模块,其采集直流电缆的若干种绝缘缺陷放电模型的q-Δt-n局部放电信号图;
预处理模块,其将q-Δt-n局部放电信号图进行归一化处理,以得到训练样本;
如权利要求6-8中任意一项所述的Caffe卷积神经网络;
其中,采用训练样本对所述Caffe卷积神经网络进行过训练后,将待识别局部放电信号图输入经过训练的Caffe卷积神经网络中,能够从其输出获得识别结果。
10.如权利要求9所述的识别系统,其特征在于,所述绝缘缺陷放电模型至少包括气隙放电模型、电晕放电模型、划痕放电模型和沿面放电模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811114341.6A CN109212392B (zh) | 2018-09-25 | 2018-09-25 | 直流电缆局部放电缺陷故障的识别方法、系统及Caffe卷积神经网络 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811114341.6A CN109212392B (zh) | 2018-09-25 | 2018-09-25 | 直流电缆局部放电缺陷故障的识别方法、系统及Caffe卷积神经网络 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109212392A true CN109212392A (zh) | 2019-01-15 |
CN109212392B CN109212392B (zh) | 2021-01-08 |
Family
ID=64984710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811114341.6A Active CN109212392B (zh) | 2018-09-25 | 2018-09-25 | 直流电缆局部放电缺陷故障的识别方法、系统及Caffe卷积神经网络 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109212392B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110244205A (zh) * | 2019-07-12 | 2019-09-17 | 西南石油大学 | 一种小数据量下基于卷积神经网络的电缆附件局部放电识别方法 |
CN110334866A (zh) * | 2019-07-05 | 2019-10-15 | 上海交通大学 | 考虑绝缘缺陷类别与故障关联性的电力设备故障概率预测方法及系统 |
CN110334865A (zh) * | 2019-07-05 | 2019-10-15 | 上海交通大学 | 一种基于卷积神经网络的电力设备故障率预测方法及系统 |
CN110501620A (zh) * | 2019-09-18 | 2019-11-26 | 国网陕西省电力公司咸阳供电公司 | 一种基于信号源特征的站域局部放电定位方法 |
CN110837028A (zh) * | 2019-09-27 | 2020-02-25 | 中国船舶重工集团公司第七一九研究所 | 一种快速识别局部放电模式的方法 |
CN112036450A (zh) * | 2020-08-12 | 2020-12-04 | 国家电网有限公司 | 一种基于迁移学习的高压电缆局放模式识别方法及系统 |
CN113435579A (zh) * | 2021-06-29 | 2021-09-24 | 国网河南省电力公司检修公司 | 基于深度神经网络的电力设备智能识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103558533A (zh) * | 2013-11-20 | 2014-02-05 | 国家电网公司 | 基于10kV XLPE电缆的绝缘老化诊断系统及方法 |
CN104360248A (zh) * | 2014-11-24 | 2015-02-18 | 国家电网公司 | 局部放电监测方法及装置 |
CN104714155A (zh) * | 2015-02-02 | 2015-06-17 | 西安交通大学 | 一种对直流xlpe电缆局部放电的检测与评估装置及方法 |
CN105182200A (zh) * | 2015-09-28 | 2015-12-23 | 苏州光格设备有限公司 | 电缆局部放电信号的去噪处理方法 |
CN106556781A (zh) * | 2016-11-10 | 2017-04-05 | 华乘电气科技(上海)股份有限公司 | 基于深度学习的局部放电缺陷图像诊断方法及系统 |
CN107907799A (zh) * | 2017-11-10 | 2018-04-13 | 国网浙江省电力公司电力科学研究院 | 基于卷积神经网络的局部放电缺陷类型的识别方法及系统 |
-
2018
- 2018-09-25 CN CN201811114341.6A patent/CN109212392B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103558533A (zh) * | 2013-11-20 | 2014-02-05 | 国家电网公司 | 基于10kV XLPE电缆的绝缘老化诊断系统及方法 |
CN104360248A (zh) * | 2014-11-24 | 2015-02-18 | 国家电网公司 | 局部放电监测方法及装置 |
CN104714155A (zh) * | 2015-02-02 | 2015-06-17 | 西安交通大学 | 一种对直流xlpe电缆局部放电的检测与评估装置及方法 |
CN105182200A (zh) * | 2015-09-28 | 2015-12-23 | 苏州光格设备有限公司 | 电缆局部放电信号的去噪处理方法 |
CN106556781A (zh) * | 2016-11-10 | 2017-04-05 | 华乘电气科技(上海)股份有限公司 | 基于深度学习的局部放电缺陷图像诊断方法及系统 |
CN107907799A (zh) * | 2017-11-10 | 2018-04-13 | 国网浙江省电力公司电力科学研究院 | 基于卷积神经网络的局部放电缺陷类型的识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
U. FROMM: "Interpretation of Partial Discharges at dc Voltages", 《IEEE LKANSACTIONS ON DIELECTRICS AND ELECTRICAL INSULATION》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334866A (zh) * | 2019-07-05 | 2019-10-15 | 上海交通大学 | 考虑绝缘缺陷类别与故障关联性的电力设备故障概率预测方法及系统 |
CN110334865A (zh) * | 2019-07-05 | 2019-10-15 | 上海交通大学 | 一种基于卷积神经网络的电力设备故障率预测方法及系统 |
CN110334866B (zh) * | 2019-07-05 | 2022-11-11 | 上海交通大学 | 考虑绝缘缺陷类别与故障关联性的电力设备故障概率预测方法及系统 |
CN110334865B (zh) * | 2019-07-05 | 2023-04-18 | 上海交通大学 | 一种基于卷积神经网络的电力设备故障率预测方法及系统 |
CN110244205A (zh) * | 2019-07-12 | 2019-09-17 | 西南石油大学 | 一种小数据量下基于卷积神经网络的电缆附件局部放电识别方法 |
CN110501620A (zh) * | 2019-09-18 | 2019-11-26 | 国网陕西省电力公司咸阳供电公司 | 一种基于信号源特征的站域局部放电定位方法 |
CN110501620B (zh) * | 2019-09-18 | 2022-05-17 | 国网陕西省电力公司咸阳供电公司 | 一种基于信号源特征的站域局部放电定位方法 |
CN110837028A (zh) * | 2019-09-27 | 2020-02-25 | 中国船舶重工集团公司第七一九研究所 | 一种快速识别局部放电模式的方法 |
CN110837028B (zh) * | 2019-09-27 | 2021-08-31 | 中国船舶重工集团公司第七一九研究所 | 一种快速识别局部放电模式的方法 |
CN112036450A (zh) * | 2020-08-12 | 2020-12-04 | 国家电网有限公司 | 一种基于迁移学习的高压电缆局放模式识别方法及系统 |
CN112036450B (zh) * | 2020-08-12 | 2024-02-23 | 国家电网有限公司 | 一种基于迁移学习的高压电缆局放模式识别方法及系统 |
CN113435579A (zh) * | 2021-06-29 | 2021-09-24 | 国网河南省电力公司检修公司 | 基于深度神经网络的电力设备智能识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109212392B (zh) | 2021-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109212392A (zh) | 直流电缆局部放电缺陷故障的识别方法、系统及Caffe卷积神经网络 | |
Peng et al. | Random forest based optimal feature selection for partial discharge pattern recognition in HV cables | |
CN103076547B (zh) | 基于支持向量机的gis局部放电故障类型模式识别方法 | |
CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
CN105930901B (zh) | 一种基于rbpnn的变压器故障诊断方法 | |
CN109164362A (zh) | 一种直流电缆局部放电缺陷故障的识别方法及系统 | |
CN110514924A (zh) | 深度卷积神经网络融合视觉辨识的电力变压器绕组故障定位方法 | |
Chen et al. | Intelligent transient overvoltages location in distribution systems using wavelet packet decomposition and general regression neural networks | |
CN106556781A (zh) | 基于深度学习的局部放电缺陷图像诊断方法及系统 | |
Frizzo Stefenon et al. | Fault diagnosis of insulators from ultrasound detection using neural networks | |
Duan et al. | Method of inter‐turn fault detection for next‐generation smart transformers based on deep learning algorithm | |
CN110889228B (zh) | 基于鸡群优化bp神经网络的变压器油纸绝缘老化预测方法 | |
CN107907799A (zh) | 基于卷积神经网络的局部放电缺陷类型的识别方法及系统 | |
CN106338674B (zh) | 基于改进ecoc分类器的直流电缆接头绝缘故障诊断方法及系统 | |
CN112787591B (zh) | 基于微调密集连接卷积神经网络的光伏阵列故障诊断方法 | |
CN110083951A (zh) | 一种基于变压器相关运行数据的固体绝缘寿命预测方法 | |
CN110161388A (zh) | 一种高压设备的故障类型识别方法及其系统 | |
CN106326918A (zh) | 一种变压器局部放电超高频信号多尺度能量特征线性识别方法 | |
CN107356843A (zh) | 基于分层阈值同步挤压小波的变压器局部放电故障诊断方法 | |
CN114545292A (zh) | 基于深度学习的电缆故障类型识别方法 | |
CN110543730B (zh) | 一种变压器绕组变形故障判定方法 | |
Luo et al. | An end-to-end transient recognition method for VSC-HVDC based on deep belief network | |
CN106707118B (zh) | 局部放电模式识别方法和装置 | |
Uckol et al. | Partial Discharge pattern classification based on deep learning for defect identification in MV cable terminations | |
Illias et al. | Classification of multiple partial discharge sources in dielectric insulation material using Cepstrum analysis–artificial neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |