CN110208660A - 一种用于电力设备局部放电缺陷诊断的训练方法及装置 - Google Patents

Abstract

本发明公开了一种用于电力设备局部放电缺陷诊断的训练方法及装置，方法包括：按照时间序列采集电力设备局部放电原始检测样本集D，并对所述原始检测样本进行预处理；对预处理后的检测样本采用二维高斯核函数进行增强，得到局部放电增强检测样本；生成高斯噪声，并根据所述高斯噪声将所述增强检测样本归一化；设置检测样本的故障分类，并将所述归一化后的增强检测样本输入到BP神经网络中，训练后，得到检测样本的故障分类。本发明的训练方法首先对采集的训练样本进行增强，并采用样本噪声扰动策略提高样本的强度，防止了神经网络在训练中出现的过拟合问题，提高了电力设备局部放电缺陷诊断神经网络训练的准确率，提高电力设备局部放电故障诊断的准确率。

Description

一种用于电力设备局部放电缺陷诊断的训练方法及装置

技术领域

本发明涉及电力设备故障诊断技术领域，具体涉及一种用于电力设备局部放电缺陷诊断的训练方法及装置。

背景技术

现代电力系统中，局部放电是诊断电力设备故障的有效方法，但是由于局部放电数据的复杂性，传统数据分类手段很难取得较高的诊断精度。目前，神经网络算法，可从一定程度上实现局放故障的有效判别，但是由于局放的训练样本远远低于传统的图片样本，训练中经常造成过拟合。

发明内容

发明目的：为了克服现有技术的不足，本发明提供一种用于电力设备局部放电缺陷诊断的训练方法，该方法可以解决局放的训练样本在训练过程中的过拟合问题，提高局放故障类别判断的准确度，本发明还提供一种用于电力设备局部放电缺陷诊断的训练装置。

技术方案：本发明所述的用于电力设备局部放电缺陷诊断的训练方法，包括：

按照时间序列采集电力设备局部放电原始检测样本集D，并对所述原始检测样本集D中的原始检测样本进行预处理；

对预处理后的检测样本采用二维高斯核函数进行增强，得到局部放电增强检测样本；

生成高斯噪声，并根据所述高斯噪声将所述增强检测样本归一化；

设置检测样本的目标数据，所述目标数据为故障分类，并将所述归一化后的增强检测样本输入到BP神经网络中，训练后，得到所述神经网络对应的检测样本的故障分类。

进一步地，包括：

所述原始检测样本集D＝{d₁,d₂,...,d_i,...,d_n}，n为采集的样本总量，1≤i≤n；所述原始检测样本通过三维数据表示，d_i＝＜θ,t,Q＞，其中，θ为相位角，t为时间，Q为缺陷率，θ,t,Q分别置于x轴方向、y轴方向和z轴方向。

进一步地，包括：

所述对预处理后的检测样本采用二维高斯核函数进行增强，具体包括：

将每个检测样本均增加一个θ方向移动向量Δx(x_i,y_i)和t方向移动向量Δy(x_i,y_i)，则所有检测样本的θ方向移动向量组成的集合为：

Δx(x,y)＝{Δx(x₁,y₁),...,Δx(x_i,y_i),...,Δx(x_n,y_n)}，t方向移动向量组成的集合为：

Δy(x,y)＝{Δy(x₁,y₁),...,Δy(x_i,y_i),...,Δy(x_n,y_n)}，函数F(x,y)＝[Δx(x,y),Δy(x,y)]，其中，(x_i,y_i)分别表示第i个检测样本在x轴方向和y轴方向的坐标。

将函数F(x,y)与二维高斯核函数K(x,y)进行卷积，并将卷积结果与预处理后的检测样本在x轴方向和y轴方向组成的平面上映射样本点X(x,y)相加，得到最终的增强样本在x轴方向和y轴方向组成的平面上映射样本点，具体计算方式为：

其中，高斯卷积核K(x,y)的均值为0，方差为预设值σ。

进一步地，包括：

每个检测样本增加的θ方向移动向量Δx(x_i,y_i)和t方向移动向量Δy(x_i,y_i)满足下列公式：

其中，γ为预设的样本增强幅度阈值。

进一步地，包括：

所述步骤(3)中，生成高斯噪声，并根据所述高斯噪声将所述增强检测样本归一化，具体包括：

生成高斯噪声矩阵N，N＝rand(n×n)，所述高斯噪声矩阵大小与所述增强检测样本在x轴方向和y轴方向组成的平面上映射样本点对应的矩阵大小相同；

将所述增强检测样本进行归一化，公式表示为：

一种用于电力设备局部放电缺陷诊断的训练装置，包括：

采集模块，用于按照时间序列采集电力设备局部放电原始检测样本集D，并对所述原始检测样本集D中的原始检测样本进行预处理；

样本增强模块，用于对预处理后的检测样本采用二维高斯核函数进行增强，得到局部放电增强检测样本；

样本归一化模块，用于生成高斯噪声，并根据所述高斯噪声将所述增强检测样本归一化；

模型训练模块，用于设置检测样本的目标数据，所述目标数据为故障分类，并将所述归一化后的增强检测样本输入到BP神经网络中，训练后，得到所述神经网络对应的检测样本的故障分类。

进一步地，包括：

所述采集模块还包括样本表示单元，其用于表示原始检测样本集：D＝{d₁,d₂,...,d_i,...,d_n}，其中，n为采集的样本总量，1≤i≤n；所述原始检测样本通过三维数据表示，d_i＝＜θ,t,Q＞，其中，θ为相位角，t为时间，Q为缺陷率，θ,t,Q分别置于x轴方向、y轴方向和z轴方向。

进一步地，包括：

所述样本增强模块，还包括：

移动单元，用于将每一个检测样本均增加一个θ方向移动向量Δx(x_i,y_i)和t方向移动向量Δy(x_i,y_i)，所有检测样本的θ方向移动向量组成的集合为：

Δx(x,y)＝{Δx(x₁,y₁),...,Δx(x_i,y_i),...,Δx(x_n,y_n)}，t方向移动向量组成的集合为：

Δy(x,y)＝{Δy(x₁,y₁),...,Δy(x_i,y_i),...,Δy(x_n,y_n)}，函数F(x,y)＝[Δx(x,y),Δy(x,y)]，其中，(x_i,y_i)分别表示第i个检测样本在x轴方向和y轴方向的坐标；

增强单元，用于将函数F(x,y)与二维高斯核函数K(x,y)进行卷积，并将卷积结果与预处理后的检测样本在x轴方向和y轴方向组成的平面上映射样本点X(x,y)相加，得到最终的增强样本在x轴方向和y轴方向组成的平面上映射样本点，具体计算方式为：

其中，高斯卷积核K(x,y)的均值为0，方差为预设值σ。

进一步地，包括：

所述移动单元中，每个检测样本增加的θ方向移动向量Δx(x_i,y_i)和t方向移动向量Δy(x_i,y_i)满足下列公式：

其中，γ为预设的样本增强幅度阈值。

进一步地，包括：

所述样本归一化模块还包括：

噪声生成单元，用于生成与高斯噪声矩阵N，N＝rand(n×n)，所述高斯噪声矩阵大小与增强后的电力设备局放诊断样本在x轴方向和y轴方向组成的平面上映射样本点对应的矩阵大小相同；

归一化单元，用于将所述增强检测样本进行归一化，公式表示为：

有益效果：本发明的训练方法首先对采集的训练样本进行增强，并采用样本噪声扰动策略提高样本的强度，防止了神经网络在训练中出现的过拟合问题，提高了电力设备局部放电缺陷诊断神经网络训练的准确率，从而提高电力设备局部放电故障诊断的准确率。

附图说明

图1为本发明所述的训练方法流程图；

图2为本发明所述的检测样本的图谱；

图3为本发明所述的神经网络迭代和误差关系图；

图4为本发明所述的训练装置结构示意图；

图5为本发明所述的电子设备结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，并不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明所述的方法采用一种适用于电力设备局部放电缺陷诊断神经网络训练过程中的局放检测样本增强的高斯卷积弹性变换策略和一种深度学习样本噪声扰动策略。

参阅图1所示，提供了一种用于电力设备局部放电缺陷诊断的抗过拟合训练方法，包括：

S10按照时间序列采集电力设备局部放电原始检测样本集D，并对所述原始检测样本进行预处理。

如图2所示，按照时间序列采集电力设备局部放电图谱，根据放电图谱采集原始检测样本集D＝{d₁,d₂,...,d_i,...,d_n}，n为采集的样本总量，1≤i≤n。

原始检测样本通过三维数据表示，d_i＝＜θ,t,Q＞，其中，θ为相位角，t为时间，Q为缺陷率，θ,t,Q分别置于x轴方向、y轴方向和z轴方向。

对数据预处理包括：对数据清洗，将数据残缺，错误的样本删除。

S11对预处理后的检测样本采用二维高斯核函数进行增强，得到局部放电增强检测样本。

对预处理后的检测样本采用二维高斯核函数进行增强，具体包括：

S111将每一个检测样本均增加一个θ方向移动向量Δx(x_i,y_i)和t方向移动向量Δy(x_i,y_i)，z轴方向的值不变，则所有检测样本的θ方向移动向量组成的集合为：Δx(x,y)＝{Δx(x₁,y₁),...,Δx(x_i,y_i),...,Δx(x_n,y_n)}，t方向移动向量组成的集合为：Δy(x,y)＝{Δy(x₁,y₁),...,Δy(x_i,y_i),...,Δy(x_n,y_n)}。函数F(x,y)＝[Δx(x,y),Δy(x,y)]，其中，(x_i,y_i)分别表示第i个检测样本在x轴方向和y轴方向的坐标。

每个检测样本增加的θ方向移动向量Δx(x_i,y_i)和t方向移动向量Δy(x_i,y_i)满足下列公式：

其中，γ为预设的样本增强幅度阈值，即每个检测样本点移动的距离可以不同，但需要符合平方和在某个阈值范围内。

本实施例中，每一个点都有个在x轴方向和y轴方向对应平面的二维坐标x，y，对其移动就是增加一个偏移Δx(x,y)和Δy(x,y)，最后的坐标变为x+Δx(x,y)和y+Δy(x,y)。

举例来说，一个样本矩阵比如100*100，其中的每个检测点都有偏移量，而且每个点的偏移量都可不同，共同构成F(x,y)。

S112将函数F(x,y)与二维高斯核函数K(x,y)进行卷积，并将卷积结果与预处理后的检测样本在x轴方向和y轴方向组成的平面上映射样本点X(x,y)相加，得到最终的增强样本在x轴方向和y轴方向组成的平面上映射样本点Y(x,y)，具体计算方式为：

其中，高斯卷积核K(x,y)的均值为0，方差为预设值σ。

S12生成高斯噪声，并根据所述高斯噪声将所述增强检测样本归一化。

包括：S121生成与高斯噪声矩阵N，N＝rand(n×n)，所述高斯噪声矩阵大小与增强后的电力设备局放诊断样本在x轴方向和y轴方向组成的平面上映射样本点对应的矩阵大小相同；

S122将所述高斯噪声矩阵N进行归一化，公式表示为：

本发明还可采用椒盐噪声矩阵代替高斯噪声矩阵，来增强检测样本的强度。

S13设置检测样本的目标数据，所述目标数据为故障分类，设置检测样本的故障分类y，y∈{0,1}，0和1分别为不同故障的分类，并将所述归一化后的增强检测样本输入到BP神经网络中，训练后，得到检测样本的故障分类，参阅图3所示，神经网络迭代400次，两个故障分类判断误差已经低于0.3。

将采集的检测样本80％用来训练，20％用来测试；

具体步骤包括：

S131定义一个BP神经网络的类，设置网络相关参数；

S132实例化该神经网络，构建成一个输入3维，输出2维，带有3个隐藏层，每个隐藏层10个节点的BP神经网络；

S133初始化BP神经网络的时候，开始初始化各层网络节点的权重、权重动量、误差初始值；

S134引入学习训练数据：设置样本数据，对应训练数据集作为输入，设置目标数据，目标数据为故障分类，并设置迭代500次，并根据训练结果来检验样本数据；

S135迭代过程中不断向前逐层计算输出的节点数据，并同时逐层计算反向修改权重值，直到达到所设置的最低误差或目标迭代完毕；

S136引入测试数据进行结果预测，将数据带回模型计算得结果。

基于负载预测方法相似的构思，参阅图4所示，一种用于电力设备局部放电缺陷诊断的训练装置，包括：

采集模块21，用于按照时间序列采集电力设备局部放电原始检测样本集D，并对所述原始检测样本进行预处理；

样本增强模块22，用于对预处理后的检测样本采用二维高斯核函数进行增强，得到局部放电增强检测样本；

样本归一化模块23，用于生成高斯噪声，并根据所述高斯噪声将所述增强检测样本归一化；

模型训练模块24，设置检测样本的目标数据，所述目标数据为故障分类，并将所述归一化后的增强检测样本输入到BP神经网络中，训练后，得到检测样本的故障分类。

进一步地，包括：

所述采集模块21还包括样本表示单元，其用于表示原始检测样本集：D＝{d₁,d₂,...,d_i,...,d_n}，其中，n为采集的样本总量，1≤i≤n；所述原始检测样本通过三维数据表示，d_i＝＜θ,t,Q＞，其中，θ为相位角，t为时间，Q为缺陷率，θ,t,Q分别置于x轴方向、y轴方向和z轴方向。

进一步地，包括：

所述样本增强模块22，还包括：

移动单元，用于将每一个检测样本均增加一个θ方向移动向量Δx(x_i,y_i)和t方向移动向量Δy(x_i,y_i)，所有检测样本的θ方向移动向量组成的集合为：

Δx(x,y)＝{Δx(x₁,y₁),...,Δx(x_i,y_i),...,Δx(x_n,y_n)}，t方向移动向量组成的集合为：

Δy(x,y)＝{Δy(x₁,y₁),...,Δy(x_i,y_i),...,Δy(x_n,y_n)}，函数F(x,y)＝[Δx(x,y),Δy(x,y)]，其中，(x_i,y_i)分别表示第i个检测样本在x轴方向和y轴方向的坐标；

增强单元，用于将函数F(x,y)与二维高斯核函数K(x,y)进行卷积，并将卷积结果与预处理后的检测样本在x轴方向和y轴方向组成的平面上映射样本点X(x,y)相加，得到最终的增强样本在x轴方向和y轴方向组成的平面上映射样本点，具体计算方式为：

其中，高斯卷积核K(x,y)的均值为0，方差为预设值σ。

进一步地，包括：

所述移动单元中，每个检测样本增加的θ方向移动向量Δx(x_i,y_i)和t方向移动向量Δy(x_i,y_i)满足下列公式：

其中，γ为预设的样本增强幅度阈值。

进一步地，包括：

所述样本归一化模块23还包括：

噪声生成单元，用于生成与高斯噪声矩阵N，N＝rand(n×n)，所述高斯噪声矩阵大小与增强后的电力设备局放诊断样本在x轴方向和y轴方向组成的平面上映射样本点对应的矩阵大小相同；

归一化单元，用于将所述高斯噪声矩阵N进行归一化，公式表示为：

参阅图5所示，本发明实施例中，一种电子设备结构示意图。

本发明实施例提供了一种电子设备，该电子设备可以包括处理器310(CenterProcessing Unit，CPU)、存储器320、输入设备330和输出设备340等，输入设备330可以包括键盘、鼠标、触摸屏等，输出设备340可以包括显示设备，如液晶显示器(Liquid CrystalDisplay，LCD)、阴极射线管(Cathode Ray Tube，CRT)等。

存储器320可以包括只读存储器(ROM)和随机存取存储器(RAM)，并向处理器310提供存储器320中存储的程序指令和数据。在本发明实施例中，存储器320可以用于存储上述用于电力设备局部放电缺陷诊断的训练方法的程序。

处理器310通过调用存储器320存储的程序指令，处理器310用于按照获得的程序指令执行上述任一种用于电力设备局部放电缺陷诊断的训练方法的步骤。

基于上述实施例，本发明实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意方法实施例中的用于电力设备局部放电缺陷诊断的训练方法。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种用于电力设备局部放电缺陷诊断的训练方法，其特征在于，包括：

按照时间序列采集电力设备局部放电原始检测样本集D，并对所述原始检测样本集D中的原始检测样本进行预处理；

对预处理后的检测样本采用二维高斯核函数进行增强，得到局部放电增强检测样本；

根据预先生成的高斯噪声将所述增强检测样本归一化；

将所述归一化后的增强检测样本输入到设置有故障类别的BP神经网络中，训练后，得到所述神经网络对应的检测样本的故障分类。

2.根据权利要求1所述的用于电力设备局部放电缺陷诊断的训练方法，其特征在于，所述原始检测样本集D＝{d₁,d₂,...,d_i,...,d_n}，n为采集的样本总量，1≤i≤n；所述原始检测样本通过三维数据表示，d_i＝＜θ,t,Q＞，其中，θ为相位角，t为时间，Q为缺陷率，θ,t,Q分别置于x轴方向、y轴方向和z轴方向。

3.根据权利要求2所述的用于电力设备局部放电缺陷诊断的训练方法，其特征在于，所述对预处理后的检测样本采用二维高斯核函数进行增强，具体包括：

将每个检测样本均增加一个θ方向移动向量Δx(x_i,y_i)和t方向移动向量Δy(x_i,y_i)，则所有检测样本的θ方向移动向量组成的集合为：

Δx(x,y)＝{Δx(x₁,y₁),...,Δx(x_i,y_i),...,Δx(x_n,y_n)}，t方向移动向量组成的集合为：

Δy(x,y)＝{Δy(x₁,y₁),...,Δy(x_i,y_i),...,Δy(x_n,y_n)}，函数F(x,y)＝[Δx(x,y),Δy(x,y)]，其中，(x_i,y_i)分别表示第i个检测样本在x轴方向和y轴方向的坐标；

将函数F(x,y)与二维高斯核函数K(x,y)进行卷积，并将卷积结果与预处理后的检测样本在x轴方向和y轴方向组成的平面上映射样本点X(x,y)相加，得到最终的增强样本在x轴方向和y轴方向组成的平面上映射样本点，具体计算方式为：

其中，高斯卷积核K(x,y)的均值为0，方差为预设值σ。

4.根据权利要求3所述的用于电力设备局部放电缺陷诊断的训练方法，其特征在于，每个检测样本增加的θ方向移动向量Δx(x_i,y_i)和t方向移动向量Δy(x_i,y_i)满足下列公式：

其中，γ为预设的样本增强幅度阈值。

5.根据权利要求1所述的用于电力设备局部放电缺陷诊断的训练方法，其特征在于，所述根据预先生成的高斯噪声将所述增强检测样本归一化，具体包括：

生成高斯噪声矩阵N，N＝rand(n×n)，所述高斯噪声矩阵大小与所述增强检测样本在x轴方向和y轴方向组成的平面上映射样本点对应的矩阵大小相同；

将所述增强检测样本进行归一化，公式表示为：

6.一种用于电力设备局部放电缺陷诊断的训练装置，其特征在于，包括：

采集模块，用于按照时间序列采集电力设备局部放电原始检测样本集D，并对所述原始检测样本集D中的原始检测样本进行预处理；

样本增强模块，用于对预处理后的检测样本采用二维高斯核函数进行增强，得到局部放电增强检测样本；

样本归一化模块，用于根据预先生成的高斯噪声将所述增强检测样本归一化；

模型训练模块，用于将所述归一化后的增强检测样本输入到设置有故障类别的BP神经网络中，训练后，得到所述神经网络对应的检测样本的故障分类。

7.根据权利要求6所述的用于电力设备局部放电缺陷诊断的训练装置，其特征在于，所述采集模块还包括样本表示单元，其用于表示原始检测样本集：D＝{d₁,d₂,...,d_i,...,d_n}，其中，n为采集的样本总量，1≤i≤n；所述原始检测样本通过三维数据表示，d_i＝＜θ,t,Q＞，其中，θ为相位角，t为时间，Q为缺陷率，θ,t,Q分别置于x轴方向、y轴方向和z轴方向。

8.根据权利要求7所述的用于电力设备局部放电缺陷诊断的训练装置，其特征在于，所述样本增强模块，还包括：

移动单元，用于将每一个检测样本均增加一个θ方向移动向量Δx(x_i,y_i)和t方向移动向量Δy(x_i,y_i)，所有检测样本的θ方向移动向量组成的集合为：

Δx(x,y)＝{Δx(x₁,y₁),...,Δx(x_i,y_i),...,Δx(x_n,y_n)}，t方向移动向量组成的集合为：

Δy(x,y)＝{Δy(x₁,y₁),...,Δy(x_i,y_i),...,Δy(x_n,y_n)}，函数F(x,y)＝[Δx(x,y),Δy(x,y)]，其中，(x_i,y_i)分别表示第i个检测样本在x轴方向和y轴方向的坐标；

增强单元，用于将函数F(x,y)与二维高斯核函数K(x,y)进行卷积，并将卷积结果与预处理后的检测样本在x轴方向和y轴方向组成的平面上映射样本点X(x,y)相加，得到最终的增强样本在x轴方向和y轴方向组成的平面上映射样本点，具体计算方式为：

其中，高斯卷积核K(x,y)的均值为0，方差为预设值σ。

9.根据权利要求8所述的用于电力设备局部放电缺陷诊断的训练装置，其特征在于，所述移动单元中，每个检测样本增加的θ方向移动向量Δx(x_i,y_i)和t方向移动向量Δy(x_i,y_i)满足下列公式：

其中，γ为预设的样本增强幅度阈值。

10.根据权利要求6所述的用于电力设备局部放电缺陷诊断的训练装置，其特征在于，所述样本归一化模块中，还包括：

噪声生成单元，用于生成与高斯噪声矩阵N，N＝rand(n×n)，所述高斯噪声矩阵大小与增强后的电力设备局放诊断样本在x轴方向和y轴方向组成的平面上映射样本点对应的矩阵大小相同；

归一化单元，用于将所述增强检测样本进行归一化，公式表示为：