CN111142001B - 基于平行特征域的变压器多源局部放电模式识别方法 - Google Patents

基于平行特征域的变压器多源局部放电模式识别方法 Download PDF

Info

Publication number
CN111142001B
CN111142001B CN202010027155.XA CN202010027155A CN111142001B CN 111142001 B CN111142001 B CN 111142001B CN 202010027155 A CN202010027155 A CN 202010027155A CN 111142001 B CN111142001 B CN 111142001B
Authority
CN
China
Prior art keywords
partial discharge
network
layer
function
time
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.)
Active
Application number
CN202010027155.XA
Other languages
English (en)
Other versions
CN111142001A (zh
Inventor
徐艳春
夏海廷
谢莎莎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Three Gorges University CTGU
Original Assignee
China Three Gorges University CTGU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Three Gorges University CTGU filed Critical China Three Gorges University CTGU
Priority to CN202010027155.XA priority Critical patent/CN111142001B/zh
Publication of CN111142001A publication Critical patent/CN111142001A/zh
Application granted granted Critical
Publication of CN111142001B publication Critical patent/CN111142001B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

基于平行特征域的变压器多源局部放电模式识别方法，提取多源局部放电信号构造多源局部放电时域信号集和时频域信号集；将多个单一神经网络自动编码器组合成两个堆叠编码器。选择sigmoid函数作为堆叠编码器网络层之间的激活函数，并利用激活函数获得下一网络层的激活值。对堆叠编码器中调节每层网络参数的损失函数添加正则化项。设置损失函数的优化求解方法为近端导向随机子梯度算法。添加softmax作为神经网络的分类层；使用堆叠编码器对多源局部放电时域信号集和时频域信号集进行并行训练。特征矩阵数据有着相应的标签，对比分类结果对网络参数进行微调。该方法分类精度高，深度学习模型泛化能力强等优点，适用对变压器进行多源局部放电模式识别等场合。

Description

基于平行特征域的变压器多源局部放电模式识别方法
技术领域
本发明涉及变压器局部放电模式识别领域，具体涉及一种基于平行特征域的变压器多源局部放电模式识别方法。
背景技术
传统多源局部放电识别方法，以构造特征量为基础，但是人为构造的特征虽具有明确的物理意义，但维度更低；而深度学习算法通过隐藏层之间的非线性映射，将多源局部放电特征信息抽象成多维度矩阵，涵盖的特征信息更丰富，更能表征原始多源局部放电的信息。
而深度学习作为最高效的特征提取工具之一，随着网络层的增加，网络层间的冗余参数增多，以致于引起过拟合问题从而导致分类精度较低。正则化项作为解决过拟合问题的主流方法之一，具有更短的训练时间，其具有的稀疏解不会引入过多的计算复杂度。但是正则化项的加入使得损失函数发生改变，选择一个优化能力较强的梯度下降算法就显得尤为重要。
传统的变压器多源局部放电诊断方法存在以下问题：
①、信号分离效果差；②、人为提取的信号特征量不够准确；③、用来模式识别的神经网络算法在进行训练时存在过拟合等问题。
发明内容
为解决上述技术问题，本发明提供一种基于平行特征域的变压器多源局部放电模式识别方法，该方法分类精度高，深度学习模型泛化能力强等优点，适用对变压器进行多源局部放电模式识别等场合。
本发明采取的技术方案为：
基于平行特征域的变压器多源局部放电模式识别方法，包括以下步骤：
步骤1：提取变压器多源局部放电时域脉冲信号，构成时频信号集；对多源局部放电时域脉冲信号进行S变换后的时频矩阵，构成时频域信号集；
S变换的公式为：
Figure BDA0002362888310000011
其中，x(t)为时域信号，t为时间，S(τ,f)为所求得的时频域矩阵，τ是高斯窗函数的中心，f为时域信号的频率，e为自然底数取2.718。
Figure BDA0002362888310000021
为积分符号，-∞为积分下限，意为负无穷，+∞为积分上限，意为正无穷，dt为微分符号，意为对时间t求导,i为虚数单位。
步骤2：将多个单一神经网络自动编码器组合成两个堆叠编码器，其中一个堆叠编码器用来提取多源局部放电时域特征，另一个堆叠编码器用来提取多源局部放电时频域特征；
步骤3：选择sigmoid函数，作为堆叠编码器网络层之间的激活函数，并利用激活函数获得下一网络层的激活值；
激活函数每个相邻网络层之间的非线性映射，其与网络层的激活值、网络参数间的关系为：
f(x)＝Se(b+Wx) (2)
其中，W和b构成网络参数，分别为权值矩阵和偏置矩阵，x即为网络层的激活值，f(x)为待求网络层的激活值。在自动编码器中，Se为编码器网络的激活函数，其为常见的S型函数，能将隐藏层的激活值限制在(0,1)，其公式为：
Figure BDA0002362888310000022
其中，Se(x)为激活函数的值，e为自然底数，取2.718，x为输入值。
步骤4：对堆叠编码器中调节每层网络参数的损失函数添加正则化项；
损失函数的表达式为：
Figure BDA0002362888310000023
其中，xk是理论值，
Figure BDA0002362888310000024
为网络计算出的预测值，
Figure BDA0002362888310000025
为实际值和预测值之间的误差，a代表实际值，b代表预测值，系数向量θ＝{b,W}。
损失函数用来衡量网络输出和实际值之间的差异，传统堆叠编码器旨在使损失函数JAE(θ)最小化，并寻求参数向量θ的最优解。本发明改进了损失函数，在损失函数中加入正则项变换L1范数。
变换L1范数的表达式为：
Figure BDA0002362888310000026
其中，ρa(·)为变换L1范数的值，a为调节参数，x为输入量。正则化项作为一个函数，将其添加在损失函数的表达式中，能够限制神经网络中冗余的网络参数，解决网络训练时的过拟合问题。变换L1范数具有无偏性、稀疏性和连续性的优点。
步骤5：设置损失函数的优化求解方法，为近端导向随机子梯度算法；近端导向随机子梯度算法通过在每次迭代中不精确求解近端算子来计算出近似平稳点，一个非凸、非光滑函数的近端算子表达式为：
Figure BDA0002362888310000031
其中，φ(·)即为非凸、非光滑函数，
Figure BDA0002362888310000032
为凸集，r为控制系数，y为非凸、非光滑函数的自变量，x为近端算子的待求量。对该近端算子使用随机次梯度法来近似求解。次梯度公式如下：
Figure BDA0002362888310000033
其中，r为控制系数，y为非凸、非光滑函数的自变量，x为近端算子的待求量，
Figure BDA0002362888310000034
为自变量y的梯度。
步骤6：添加softmax，作为神经网络的分类层；
softmax是神经网络中常用的分类器，其实质为归一化指数函数，公式为：
Figure BDA0002362888310000035
其中，X输入向量，XT为输入向量的转置，T为矩阵转置符号，j为所属类别，K为类别总数，Wk所有的类别向量矩阵，W为某一个类别向量，y为输出的类别。
步骤7：使用堆叠编码器，对多源局部放电时域信号集和时频域信号集进行并行训练；
所述并行训练过程为：每个神经元的激活值由前一层的输入通过激活函数非线性映射得到，再将该层神经元的激活值作为输入计算下一层的激活值，如此往复直至最后一层隐藏层。
对时域信号集和时频域信号集同时执行上述过程，两个堆叠编码器最后一层隐藏层的激活值构成了两种特征矩阵，再将这两种特征矩阵进行融合并将其作为分类层的输入，然后分类层计算出该局部放电缺陷特征所属类别的概率进行分类。分类层计算出该局部放电缺陷特征所属类别的概率进行分类，分类层的输出即为对多源局部放电信号进行模式识别的结果。
特征矩阵数据有着相应的标签，对比分类结果，对网络参数进行微调，使用已经微调好网络参数的平行特征域堆叠编码器对多源局部放电信号进行模式识别，其中，多源局部放电信号由多个单源局部放电信号组合而成。对待识别的多源局部放电信号执行上述步骤1～步骤6。
所述微调过程为：当分类结果较差，通过使用近端导向随机子梯度算法，对神经网络最后一层隐藏层和分类层之间所有神经元的损失函数进行优化求解，得到的最优解作为该层新的网络参数。得到更新后的参数后，将后一层网络的激活值作为输入，反向更新求解前一层网络的激活值，如此往复，直至更新完输入层和第一层隐藏层之间的网络参数。
本发明一种基于平行特征域的变压器多源局部放电模式识别方法，有益效果如下：
1：解决传统人为构造多言局部放电特征量丢失关键信息严重的问题：
深度学习具有强大的自适应特征学习，避免了传统特征量只关注单一特征的缺陷。深度学习提取的特征是多维度的集成特征。本发明提出的平行特征域更是涵盖了时域和时频域两大特征域，其提取出的特征更能表征原始多源局部放电缺陷信息。
2：解决了传统深度学习因冗余参数导致过拟合的问题：
正则化项能稀疏化深度学习结构，不会带来过多的计算量，进一步提高网络模型的泛化能力。而所提出的变换L1范数具有的无偏性、稀疏性和连续性的优点也较传统正则化项性能提升不少，其形式多样，即便于求解又有较强的稀疏能力。
3：解决了非凸非光滑损失函数的迭代求解问题：
正则化项的加入，使得损失函数变成了非凸、非光滑函数，传统的梯度下降算法既运算量大又不能很好解决非凸、非光滑函数。而所提出近端导向随机子梯度算法能很好的解决非凸、非光滑函数的迭代求解问题，并且收敛时间较短。
附图说明
图1为自动编码器结构图。
图2为平行特征域原理图。
图3(a)为a＝0.001时变换L1正则化等高线图；
图3(b)为a＝1时变换L1正则化等高线图；
图3(c)为a＝1000时变换L1正则化等高线图。
图4为时域信号样本示意图。
图5为深度学习模型图。
图6(a)为尖端-沿面放电类型下多源局部放电时域高维特征图；
图6(b)为尖端-气隙放电类型下多源局部放电时域高维特征图；
图6(c)为气隙-沿面放电类型下多源局部放电时域高维特征图；
图6(d)为尖端-气隙-沿面放电类型下多源局部放电时域高维特征图。
图6(e)为尖端-沿面放电类型下多源局部放电时频域高维特征图；
图6(f)为尖端-气隙放电类型下多源局部放电时频域高维特征图；
图6(g)为沿面-气隙放电类型下多源局部放电时频域高维特征图；
图6(h)为尖端-气隙-沿面放电类型下多源局部放电时频域高维特征图；
图6(i)为尖端-沿面放电类型下多源局部放电平行域融合高维特征图；
图6(j)为尖端-气隙放电类型下多源局部放电平行域融合高维特征图；
图6(k)为气隙-沿面放电类型下多源局部放电平行域融合高维特征图；
图6(l)为尖端-气隙-沿面放电类型下多源局部放电平行域融合高维特征图。
图7(a)为传统损失函数下深度学习模型的分类误差矩阵图；
图7(b)为加入正则项后深度学习模型的分类误差矩阵图。
具体实施方式
图1为本发明自动编码器结构图；可以看出，自动编码器是只有一层隐含层的非监督神经网络。该神经网络由编码器网络和解码器网络构成，编码器网络用于构造特征空间且具有优秀的特征提取能力，而解码器网络能够从特征空间重构输入数据。编码器网络通过激活函数将输入层映射到隐藏层，其中输入层中每个神经元的激活值对应输入数据的每个值，而隐藏层神经元的激活值是权值矩阵、偏置矩阵和输入数据之间的非线性映射值。
图2为本发明平行特征域原理图；可以看出，平行特征域由两个堆叠编码器构成，其中一个堆叠编码器处理时域信号，另一个处理时频域信号。堆叠编码器只堆叠了自动编码器的编码器网络，前一个自动编码器的隐藏层作为下一个自动编码器的输入层，如此往复构成含有多个隐藏层的深度学习网络。
图3(a)为本发明a＝0.001时变换L1正则化等高线图；可以看出，参数a趋近于0时，变换L1范数的形式与0范数接近。0范数一般不作为正则项，需要特定的求解方法。
图3(b)为本发明a＝1时变换L1正则化等高线图；可以看出，参数a趋近于1时，变换L1范数的形式利于梯度下降求解。
图3(c)为本发明a＝1000时变换L1正则化等高线图；可以看出，参数a趋近于无穷大时，变换L1范数的形式与1范数接近。1范数作为传统的正则项，容易求解，但对异常数据过于敏感，结果容易造成偏差。
图4为本发明时域信号样本示意图；可以看出，每个训练样本属于一段脉冲信号，其中该脉冲信号含有600个采样点，时间跨度为6μs。这样的时域样本集减少每个样本训练时间并突出时域PD信号的特征。
图5为本发明深度学习模型；可以看出，该神经网络模型由两个SAE组成(SAE_1和SAE_2)，其中一个SAE用来训练时域信号集，输入层的节点为600，隐藏层由3个编码器网络堆叠而成，其隐藏层节点数分别为400、100和50；另一个SAE用来训练时频域信号集，输入层节点为180600，由4个编码器网络堆叠而成，其中隐藏层节点数分别为30000、5000、100、50。两个SAE的最后一个隐藏层共同连接一个softmax层进行分类，输出层的节点为4。
图6(a)为本发明尖端-沿面放电类型下多源局部放电时域高维特征图；可以看出，该时域高维特征图属于高维特征，包含了一定的尖端-沿面类型放电特征。特征图由相应数量的色块构成，每个色块的颜色代表相应特征矩阵的元素值。
图6(b)为本发明尖端-气隙放电类型下多源局部放电时域高维特征图；可以看出，该时域高维特征图属于高维特征，包含了一定的尖端-气隙类型放电特征。特征图由相应数量的色块构成，每个色块的颜色代表相应特征矩阵的元素值。
图6(c)为本发明气隙-沿面放电类型下多源局部放电时域高维特征图；可以看出，该时域高维特征图属于高维特征，包含了一定的气隙-沿面类型放电特征。特征图由相应数量的色块构成，每个色块的颜色代表相应特征矩阵的元素值。
图6(d)为本发明尖端-气隙-沿面放电类型下多源局部放电时域高维特征图；可以看出，该时域高维特征图属于高维特征，包含了一定的尖端-气隙-沿面类型放电特征。特征图由相应数量的色块构成，每个色块的颜色代表相应特征矩阵的元素值。
图6(e)为本发明尖端-沿面放电类型下多源局部放电时频域高维特征图；可以看出，该时频域高维特征图属于高维特征，包含了一定的尖端-沿面类型放电特征。特征图由相应数量的色块构成，每个色块的颜色代表相应特征矩阵的元素值。
图6(f)为本发明尖端-气隙放电类型下多源局部放电时频域高维特征图；可以看出，该时频域高维特征图属于高维特征，包含了一定的尖端-气隙类型放电特征。特征图由相应数量的色块构成，每个色块的颜色代表相应特征矩阵的元素值。
图6(g)为本发明沿面-气隙放电类型下多源局部放电时频域高维特征图；可以看出，该时频域高维特征图属于高维特征，包含了一定的气隙-沿面类型放电特征。特征图由相应数量的色块构成，每个色块的颜色代表相应特征矩阵的元素值。
图6(h)为本发明尖端-气隙-沿面放电类型下多源局部放电平行域融合高维特征图；可以看出，该时域高维特征图属于高维特征，包含了一定的尖端-气隙-沿面类型放电特征。特征图由相应数量的色块构成，每个色块的颜色代表相应特征矩阵的元素值。
图6(i)为本发明尖端-沿面放电类型下多源局部放电平行域融合高维特征图；可以看出，该融合特征属于高维特征，融合了尖端-沿面放电类型时域和时频域的特征，更全面的表征了尖端-沿面放电类型的特点。特征图由相应数量的色块构成，每个色块的颜色代表相应特征矩阵的元素值。
图6(j)为本发明尖端-气隙放电类型下多源局部放电平行域融合高维特征图；可以看出，该融合特征属于高维特征，融合了尖端-气隙放电类型时域和时频域的特征，更全面的表征了尖端-气隙放电类型的特点。特征图由相应数量的色块构成，每个色块的颜色代表相应特征矩阵的元素值。
图6(k)为本发明气隙-沿面放电类型下多源局部放电平行域融合高维特征图；可以看出，该融合特征属于高维特征，融合了气隙-沿面放电类型时域和时频域的特征，更全面的表征了气隙-沿面放电类型的特点。特征图由相应数量的色块构成，每个色块的颜色代表相应特征矩阵的元素值。
图6(l)为本发明尖端-气隙-沿面放电类型下多源局部放电平行域融合高维特征图；可以看出，该融合特征属于高维特征，融合了尖端-气隙-沿面放电类型时域和时频域的特征，更全面的表征了尖端-气隙-沿面放电类型的特点。特征图由相应数量的色块构成，每个色块的颜色代表相应特征矩阵的元素值。
图7(a)为本发明传统损失函数下深度学习模型的分类误差矩阵，图7(a)中AB代表尖端-沿面放电类型、AC代表尖端-气隙放电类型、BC代表沿面-气隙放电类型以及ABC代表尖端-气隙-沿面放电类型；可以看出，本发明所提算法在没有正则化的加入下有着较低的分类正确率。其中，本发明所提方法对两种单一源组成的多源局部放电类型的识别率高于由三种单一源组成的多源局部放电类型的识别率。
图7(b)为本发明加入正则项后深度学习模型的分类误差矩阵图，图7(b)中AB代表尖端-沿面放电类型、AC代表尖端-气隙放电类型、BC代表沿面-气隙放电类型以及ABC代表尖端-气隙-沿面放电类型；可以看出，本发明所提算法在加入正则化后整体的分类精度有了大幅度提高。其中，本发明所提方法对尖端-气隙-沿面放电类型的识别率最低。
表1算法对比
Figure BDA0002362888310000071
Figure BDA0002362888310000081
表1为本发明4种算法准确率对比，2T代表两种单一源构成多源局部放电缺陷类型数据集，3T代表尖端-气隙-沿面放电类型数据集；可以看出，本发明所提算法由于采用了包含时域数据集和时频域数据集的平行特征域，对每种缺陷类型的识别率都高于其余三种算法。由于时频域数据集的数据量较为复杂，其余三种算法该数据集的识别率较低。反向传播神经网络结构过于简单，识别率在所有算法中最低。标准堆叠编码器没有正则化的损失函数，故其识别率低于本发明所提算法，但高于反向传播神经网络和支持向量机。

Claims (3)

1.基于平行特征域的变压器多源局部放电模式识别方法，其特征在于包括以下步骤：
步骤1：提取变压器多源局部放电时域脉冲信号，构成时频信号集；对多源局部放电时域脉冲信号进行S变换后的时频矩阵，构成时频域信号集；
S变换的公式为：
Figure FDA0003434118940000011
其中，x(t)为时域信号，t为时间，S(τ,f)为所求得的时频域矩阵，τ是高斯窗函数的中心，f为时域信号的频率，e为自然底数；
Figure FDA0003434118940000012
为积分符号，-∞为积分下限，+∞为积分上限，dt为微分符号，表示对时间t求导,i为虚数单位；
步骤2：将多个单一神经网络自动编码器组合成两个堆叠编码器，其中一个堆叠编码器用来提取多源局部放电时域特征，另一个堆叠编码器用来提取多源局部放电时频域特征；
步骤3：选择sigmoid函数，作为堆叠编码器网络层之间的激活函数，并利用激活函数获得下一网络层的激活值；
激活函数每个相邻网络层之间的非线性映射，其与网络层的激活值、网络参数间的关系为：
f(x)＝Se(b+Wx) (2)
其中，W和b构成网络参数，分别为权值矩阵和偏置矩阵，x即为网络层的激活值，f(x)为待求网络层的激活值；在自动编码器中，Se为编码器网络的激活函数，能将隐藏层的激活值限制在(0,1)，其公式为：
Figure FDA0003434118940000013
其中，Se(x)为激活函数的值，e为自然底数，x为输入值；
步骤4：对堆叠编码器中调节每层网络参数的损失函数添加正则化项；
损失函数的表达式为：
Figure FDA0003434118940000014
其中，xk是理论值，
Figure FDA0003434118940000015
为网络计算出的预测值，
Figure FDA0003434118940000016
为实际值和预测值之间的误差，a代表实际值，b代表预测值，系数向量θ＝{b,W}；
损失函数用来衡量网络输出和实际值之间的差异，这里改进了损失函数，在损失函数中加入正则项变换L1范数；
变换L1范数的表达式为：
Figure FDA0003434118940000021
其中，ρa(·)为变换L1范数的值，a为调节参数，x为输入量，正则化项作为一个函数，将其添加在损失函数的表达式中，能够限制神经网络中冗余的网络参数；
步骤5：设置损失函数的优化求解方法，为近端导向随机子梯度算法；近端导向随机子梯度算法通过在每次迭代中不精确求解近端算子来计算出近似平稳点，一个非凸、非光滑函数的近端算子表达式为：
Figure FDA0003434118940000022
其中，φ(·)即为非凸、非光滑函数，
Figure FDA0003434118940000023
为凸集，r为控制系数，y为非凸、非光滑函数的自变量，x为近端算子的待求量；对该近端算子使用随机次梯度法来近似求解；次梯度公式如下：
Figure FDA0003434118940000024
其中，r为控制系数，y为非凸、非光滑函数的自变量，x为近端算子的待求量，
Figure FDA0003434118940000025
为自变量为y的函数Φ(y)的梯度；
步骤6：添加softmax，作为神经网络的分类层；
softmax是神经网络中常用的分类器，其实质为归一化指数函数，公式为：
Figure FDA0003434118940000026
其中，X输入向量，XT为输入向量的转置，T为矩阵转置符号，j为所属类别，K为类别总数，Wk所有的类别向量矩阵，W为某一个类别向量，y为输出的类别；
步骤7：使用堆叠编码器，对多源局部放电时域信号集和时频域信号集进行并行训练；
所述并行训练过程为：当前层的神经元的激活值由前一层的输入通过激活函数非线性映射得到，再将当前层的神经元的激活值作为输入，以此计算下一层的激活值，如此往复直至最后一层隐藏层；
对时域信号集和时频域信号集同时执行上述过程，两个堆叠编码器最后一层隐藏层的激活值构成了两种特征矩阵，再将这两种特征矩阵进行融合并将其作为分类层的输入，然后，分类层计算出该局部放电缺陷特征所属类别的概率进行分类，分类层的输出即为对多源局部放电信号进行模式识别的结果。
2.根据权利要求1所述基于平行特征域的变压器多源局部放电模式识别方法，其特征在于：特征矩阵数据有着相应的标签，对比分类结果，对网络参数进行微调，使用已经微调好网络参数的平行特征域堆叠编码器对多源局部放电信号进行模式识别，其中，多源局部放电信号由多个单源局部放电信号组合而成；对待识别的多源局部放电信号执行上述步骤1～步骤6。
3.根据权利要求2所述基于平行特征域的变压器多源局部放电模式识别方法，其特征在于：所述微调过程为：当分类结果较差，通过使用近端导向随机子梯度算法，对神经网络最后一层隐藏层和分类层之间所有神经元的损失函数进行优化求解，得到的最优解作为分类层新的网络参数；得到更新后的参数后，将后一层网络的激活值作为输入，反向更新求解前一层网络的激活值，如此往复，直至更新完输入层和第一层隐藏层之间的网络参数。
CN202010027155.XA 2020-01-10 2020-01-10 基于平行特征域的变压器多源局部放电模式识别方法 Active CN111142001B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010027155.XA CN111142001B (zh) 2020-01-10 2020-01-10 基于平行特征域的变压器多源局部放电模式识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010027155.XA CN111142001B (zh) 2020-01-10 2020-01-10 基于平行特征域的变压器多源局部放电模式识别方法

Publications (2)

Publication Number Publication Date
CN111142001A CN111142001A (zh) 2020-05-12
CN111142001B true CN111142001B (zh) 2022-04-22

Family

ID=70524454

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010027155.XA Active CN111142001B (zh) 2020-01-10 2020-01-10 基于平行特征域的变压器多源局部放电模式识别方法

Country Status (1)

Country Link
CN (1) CN111142001B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112327218B (zh) * 2020-10-21 2022-12-30 华北电力大学 一种变压器在线监测与故障诊断方法
CN112834959A (zh) * 2021-01-04 2021-05-25 福州大学 基于高频特征提取的直流配电系统故障检测方法
CN115187527B (zh) * 2022-06-27 2023-04-07 上海格鲁布科技有限公司 一种多源混合型特高频局部放电图谱的分离识别方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0520193A1 (de) * 1991-06-24 1992-12-30 Mwb Messwandler-Bau Ag Verfahren zum Messen von Teilentladungen
CN102645620A (zh) * 2012-05-17 2012-08-22 广东电网公司电力科学研究院 基于时频特征参数的变电站多源局部放电检测方法及装置
EP2682716A2 (en) * 2012-07-04 2014-01-08 Kabushiki Kaisha Yaskawa Denki Encoder and motor device
KR101402887B1 (ko) * 2013-01-30 2014-06-27 (주)에이피엠테크놀러지스 시간 및 주파수 영역이 연계된 분석 기능을 가지는 gis 부분방전 감시 시스템 및 방법, 그를 위한 로컬 장치
CN108573225A (zh) * 2018-03-30 2018-09-25 国网天津市电力公司电力科学研究院 一种局部放电信号模式识别方法及系统
CN108983058A (zh) * 2018-08-29 2018-12-11 三峡大学 基于改进的变分模态和奇异值分解的变压器局部放电特高频信号去噪方法
CN109145886A (zh) * 2018-10-12 2019-01-04 西安交通大学 一种多源信息融合的异步电机故障诊断方法
CN110348489A (zh) * 2019-06-19 2019-10-18 西安理工大学 一种基于自编码网络的变压器局部放电模式识别方法
CN110543921A (zh) * 2019-10-14 2019-12-06 四川大学 一种基于波形学习的电缆早期故障识别方法
CN110561192A (zh) * 2019-09-11 2019-12-13 大连理工大学 一种基于堆叠自编码器的深孔镗刀状态监测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0520193A1 (de) * 1991-06-24 1992-12-30 Mwb Messwandler-Bau Ag Verfahren zum Messen von Teilentladungen
CN102645620A (zh) * 2012-05-17 2012-08-22 广东电网公司电力科学研究院 基于时频特征参数的变电站多源局部放电检测方法及装置
EP2682716A2 (en) * 2012-07-04 2014-01-08 Kabushiki Kaisha Yaskawa Denki Encoder and motor device
KR101402887B1 (ko) * 2013-01-30 2014-06-27 (주)에이피엠테크놀러지스 시간 및 주파수 영역이 연계된 분석 기능을 가지는 gis 부분방전 감시 시스템 및 방법, 그를 위한 로컬 장치
CN108573225A (zh) * 2018-03-30 2018-09-25 国网天津市电力公司电力科学研究院 一种局部放电信号模式识别方法及系统
CN108983058A (zh) * 2018-08-29 2018-12-11 三峡大学 基于改进的变分模态和奇异值分解的变压器局部放电特高频信号去噪方法
CN109145886A (zh) * 2018-10-12 2019-01-04 西安交通大学 一种多源信息融合的异步电机故障诊断方法
CN110348489A (zh) * 2019-06-19 2019-10-18 西安理工大学 一种基于自编码网络的变压器局部放电模式识别方法
CN110561192A (zh) * 2019-09-11 2019-12-13 大连理工大学 一种基于堆叠自编码器的深孔镗刀状态监测方法
CN110543921A (zh) * 2019-10-14 2019-12-06 四川大学 一种基于波形学习的电缆早期故障识别方法

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
A Double Deep Q-learning Model for Energy-efficient Edge Scheduling;Zhang Q 等;《IEEE Transactions on Services Computing》;20181031;第12卷(第5期);第739-749页 *
A model combining stacked auto encoder and back propagation algorithm for short-term wind power forecasting;Jiao R 等;《IEEE Access》;20181231;第17851-17858页 *
A Novel Power Transformer Condition Monitoring System Based on Wide-Band Measurement of Core Earth Signals and Correlation Analysis With Multi-Source Data;XUEZHI KE 等;《IEEE Access》;20191231;第161754-161763页 *
An Intelligent scheme for continuous authentication of smartphone using deep auto encoder and softmax regression model easy for user brain;Shankar V 等;《IEEE Access》;20191231;第48645-48654页 *
Propagation Feature of Partial Discharge UHF Signal Diffusing from GIS Pouring Aperture;Liang Wang 等;《2017 2nd International Conference on Power and Renewable Energy》;20171231;第42-45页 *
Proximally guided stochastic subgradient method for nonsmooth, nonconvex problems;Davis D 等;《SIAM Journal on Optimization》;20191231;第1908-1930页 *
Transformed L1 regularization for learning sparse deep neural networks;Ma R 等;《Neural Networks》;20191231;第286-298页 *
基于广义S变换模时频矩阵的局部放电特高频信号去噪方法;刘宇舜 等;《电工技术学报》;20170531;第32卷(第9期);第211-220页 *
采用动态模式分解分形特征的局部放电模式识别;徐艳春 等;《电力系统及其自动化学报》;20191231;第31卷(第12期);第35-43页 *

Also Published As

Publication number Publication date
CN111142001A (zh) 2020-05-12

Similar Documents

Publication Publication Date Title
CN111142001B (zh) 基于平行特征域的变压器多源局部放电模式识别方法
CN112151040B (zh) 一种基于端到端联合优化及决策的鲁棒性说话人识别方法
CN111123894B (zh) 一种基于lstm和mlp结合的化工过程故障诊断方法
CN109685653A (zh) 一种融合深度信念网络和孤立森林算法的信贷风险监测的方法
CN107528824B (zh) 一种基于二维度稀疏化的深度信念网络入侵检测方法
CN110097060A (zh) 一种面向树干图像的开集识别方法
CN112613536A (zh) 一种基于smote和深度学习的近红外光谱柴油牌号识别方法
CN112529638B (zh) 基于用户分类和深度学习的服务需求动态预测方法及系统
CN113541834B (zh) 一种异常信号半监督分类方法、系统、数据处理终端
CN113887643A (zh) 一种基于伪标签自训练和源域再训练的新对话意图识别方法
CN111553186A (zh) 一种基于深度长短时记忆网络的电磁信号识别方法
CN111275074B (zh) 基于栈式自编码网络模型的电力cps信息攻击辨识方法
CN110177112B (zh) 基于双重子空间采样和置信偏移的网络入侵检测方法
CN108805206A (zh) 一种用于模拟电路故障分类的改进型lssvm建立方法
CN112949720B (zh) 一种基于三元组损失的未知辐射源辨别方法
CN112965968B (zh) 一种基于注意力机制的异构数据模式匹配方法
CN114170426A (zh) 一种基于代价敏感的稀有肿瘤类别小样本分类的算法模型
CN116458896A (zh) 一种基于时序特征图与注意力机制的心电图分类方法和装置
CN114463569A (zh) 一种基于优化自适应度量学习的图像匹配方法及系统
CN114566216A (zh) 一种基于注意力机制的剪接位点预测及解释性方法
Kumara et al. A survey on K-means algorithm centroid initialization
CN108052981A (zh) 基于非下采样Contourlet变换和卷积神经网络的图像分类方法
CN116310463B (zh) 一种无监督学习的遥感目标分类方法
CN114444506B (zh) 一种融合实体类型的关系三元组抽取方法
CN114037866B (zh) 一种基于可辨伪特征合成的广义零样本图像分类方法

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