CN111191548B - 一种基于s变换的放电信号识别方法及识别系统 - Google Patents

一种基于s变换的放电信号识别方法及识别系统 Download PDF

Info

Publication number
CN111191548B
CN111191548B CN201911337674.XA CN201911337674A CN111191548B CN 111191548 B CN111191548 B CN 111191548B CN 201911337674 A CN201911337674 A CN 201911337674A CN 111191548 B CN111191548 B CN 111191548B
Authority
CN
China
Prior art keywords
discharge signal
neural network
layer
transformation
switch cabinet
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
CN201911337674.XA
Other languages
English (en)
Other versions
CN111191548A (zh
Inventor
吴炬卓
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.)
Guangdong Power Grid Co Ltd
Zhuhai Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Zhuhai Power Supply Bureau of Guangdong Power Grid Co Ltd
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 Guangdong Power Grid Co Ltd, Zhuhai Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN201911337674.XA priority Critical patent/CN111191548B/zh
Publication of CN111191548A publication Critical patent/CN111191548A/zh
Application granted granted Critical
Publication of CN111191548B publication Critical patent/CN111191548B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06F2218/12—Classification; Matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (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)
  • Testing Relating To Insulation (AREA)

Abstract

本发明涉及信号处理的技术领域，更具体地，涉及一种基于S变换的放电信号识别方法及识别系统，包括以下步骤：S10.获取神经网络的训练样本；S20.搭建基于S变换的神经网络，并使用步骤S10中所述训练样本对所述神经网络进行训练，得到训练好的神经网络；S30.将待识别的放电信号输入到步骤S20训练好的神经网络中，根据神经网络输出值判断放电信号类别。本发明将S变换和神经网络有机结合，解决了现有技术中S变换和神经网络在分类过程中是两个完全独立的部分的问题，提高局部放电信号识别的准确性和稳定性。

Description

一种基于S变换的放电信号识别方法及识别系统
技术领域
本发明涉及信号处理的技术领域，更具体地，涉及一种基于S变换的放电信号识别方法及识别系统。
背景技术
随着计算机技术的发展和人工智能的兴起，模式识别已经广泛应用于局部放电信号分析和研究中，成为一种重要的故障诊断方法。基于计算机人工智能算法的模式识别获取的局部放电信息比目测的结果具有更丰富的细节，能够反映出不同来源的局部放电信号更细微的差异。模式识别包括特征提取和分类器分类两个步骤：在特征提取方法中，S变换作为短时傅里叶变换和小波变换的继承和发展，结合了两者的优点，在高频段具有较高的时间分辨率，在低频段具有较高的频率分辨率，更有利于对非平稳信号进行处理，已应用于局部放电信号的特征提取；在分类器选取方面，人工神经网络由大量处理单元互联组成，具有自学习、自组织、自适应等特点，已成功应用于对局部放电信号进行分类。
如何将S变换特征提取方法和神经网络分类器的优势结合起来，成为人们关注的问题。为将两者优势结合，传统的方法是基于S变换进行信号特征向量提取，并将特征向量作为网络的输入进行分类。但在分类过程中，S变换和神经网络是两个完全独立的部分，容易导致信号分类准确性不足、且稳定性差等问题。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种基于S变换的放电信号识别方法及识别系统，将S变换和神经网络有机结合，解决了现有技术中S变换和神经网络在分类过程中是两个完全独立的部分的问题，提高局部放电信号识别的准确性和稳定性。
为解决上述技术问题，本发明采用的技术方案是：
提供一种基于S变换的放电信号识别方法，包括以下步骤：
S10.获取神经网络的训练样本；
S20.搭建基于S变换的神经网络，并使用步骤S10中所述训练样本对所述神经网络进行训练，得到训练好的神经网络；
S30.将待识别的放电信号输入到步骤S20训练好的神经网络中，根据神经网络输出值判断放电信号类别。
本发明的基于S变换的放电信号识别方法，结合S变换特征提取方法和神经网络分类器的优势，解决了现有技术中S变换和神经网络在分类过程中是两个完全独立的部分，可有效提高局部放电信号识别的准确性和稳定性。
优选地，步骤S10中，所述训练样本包括四种类别放电信号：电缆本体局部放电信号、电缆终端头局部放电信号、开关柜的电晕放电信号和开关柜的表面放电信号，每种类别放电信号的样本数均为T，每个放电信号的采样长度为K。
优选地，步骤S20中，所述基于S变换的神经网络包括输入层、S变换层、第一隐含层、第二隐含层和输出层。
优选地，S变换层采用的基函数Y表示为：
式中，i表示复数因子；
所述基于S变换的神经网络输出表示为：
式中，P为输出层的神经元个数，K为输入层的神经元个数，J为S变换层的神经元个数，Q为第一隐含层的神经元个数；N为第二隐含层的神经元个数；Wjq为S变换层第j个神经元和第一隐含层第q个神经元的连接权值，Wqn为第一隐含层第q个神经元和第二隐含层第n个神经元的连接权值，Wnp为第二隐含层第n个神经元和输出层第p个神经元的连接权值为；第一隐含层、第二隐含层和输出层采用的传递函数为f，均为sigmoid函数，S(∑)表示对和求模。
优选地，将电缆本体局部放电信号、电缆终端头局部放电信号、开关柜的电晕放电信号和开关柜的表面放电信号分别标识为00、01、10、11。
优选地，步骤S30按以下步骤进行：
S31.将待识别的放电信号输入到步骤S20训练好的神经网络中，得到神经网络输出值；
S32.将步骤S31中的网络输出值进行四舍五入处理，并对比处理后的网络输出值与放电信号标识值，判断放电信号的类型。
本发明还提供一种基于S变换的放电信号识别系统，包括：
选取模块，用于选取训练样本所包含的放电信号；
构建模块，以所述选取模块获取的信号作为训练样本，构建一个基于S变换的神经网络，并对神经网络进行训练得到训练好的神经网络；
标识转换模块，用于将电缆本体局部放电信号、电缆终端头局部放电信号、开关柜的电晕放电信号和开关柜的表面放电信号分别转换为数字标识；
输出对比模块，用于对网络输出值进行四舍五入处理，将处理后的网络输出值与放电信号标识值进行对比并判断放电信号的类型。
本发明的基于S变换的放电信号识别系统，结合S变换特征提取方法和神经网络分类器的优势，解决了现有技术中S变换和神经网络在分类过程中是两个完全独立的部分，可有效提高局部放电信号识别的准确性和稳定性。
进一步地，所述训练样本包括四种类别放电信号：电缆本体局部放电信号、电缆终端头局部放电信号、开关柜的电晕放电信号和开关柜的表面放电信号。
进一步地，所述基于S变换的神经网络包括输入层、S变换层、第一隐含层、第二隐含层和输出层。
进一步地，电缆本体局部放电信号、电缆终端头局部放电信号、开关柜的电晕放电信号和开关柜的表面放电信号分别对应数字标识00、01、10、11。
与现有技术相比，本发明的有益效果是：
本发明基于S变换的放电信号识别方法及识别系统，结合S变换特征提取方法和神经网络分类器的优势，解决了现有技术中S变换和神经网络在分类过程中是两个完全独立的部分，可有效提高局部放电信号识别的准确性和稳定性。
附图说明
图1为本发明的基于S变换的放电信号识别方法的流程图；
图2为基于S变换的神经网络的结构图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明。其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
实施例一
如图1所示为本发明的基于S变换的放电信号识别方法的实施例，包括以下步骤：
S10.获取神经网络的训练样本；
S20.搭建基于S变换的神经网络，并使用步骤S10中所述训练样本对所述神经网络进行训练，得到训练好的神经网络；
S30.将待识别的放电信号输入到步骤S20训练好的神经网络中，根据神经网络输出值判断放电信号类别。
步骤S10中，所述训练样本包括四种类别放电信号：电缆本体局部放电信号、电缆终端头局部放电信号、开关柜的电晕放电信号和开关柜的表面放电信号，每种类别放电信号的样本数均为T，每个放电信号的采样长度为K。
步骤S20中，所述基于S变换的神经网络包括输入层、S变换层、第一隐含层、第二隐含层和输出层。
S变换层采用的基函数Y表示为：
式中，i表示复数因子；
所述基于S变换的神经网络输出表示为：
式中，P为输出层的神经元个数，K为输入层的神经元个数，J为S变换层的神经元个数，Q为第一隐含层的神经元个数；N为第二隐含层的神经元个数；Wjq为S变换层第j个神经元和第一隐含层第q个神经元的连接权值，Wqn为第一隐含层第q个神经元和第二隐含层第n个神经元的连接权值，Wnp为第二隐含层第n个神经元和输出层第p个神经元的连接权值为；第一隐含层、第二隐含层和输出层采用的传递函数为f，均为sigmoid函数，S(∑)表示对和求模。
将电缆本体局部放电信号、电缆终端头局部放电信号、开关柜的电晕放电信号和开关柜的表面放电信号分别标识为00、01、10、11。
步骤S30按以下步骤进行：
S31.将待识别的放电信号输入到步骤S20训练好的神经网络中，得到神经网络输出值；
S32.将步骤S31中的网络输出值进行四舍五入处理，并对比处理后的网络输出值与放电信号标识值，判断放电信号的类型。
经过以上步骤，结合S变换特征提取方法和神经网络分类器的优势，解决了现有技术中S变换和神经网络在分类过程中是两个完全独立的部分，可有效提高局部放电信号识别的准确性和稳定性。
实施例二
本实施例为本发明的基于S变换的放电信号识别系统的实施例，包括：
选取模块，用于选取训练样本所包含的放电信号；
构建模块，以所述选取模块获取的信号作为训练样本，构建一个基于S变换的神经网络，并对神经网络进行训练得到训练好的神经网络；
标识转换模块，用于将电缆本体局部放电信号、电缆终端头局部放电信号、开关柜的电晕放电信号和开关柜的表面放电信号分别转换为数字标识；
输出对比模块，用于对网络输出值进行四舍五入处理，将处理后的网络输出值与放电信号标识值进行对比并判断放电信号的类型。
其中，所述训练样本包括四种类别放电信号：电缆本体局部放电信号、电缆终端头局部放电信号、开关柜的电晕放电信号和开关柜的表面放电信号。
所述基于S变换的神经网络为五层神经网络，包括输入层、S变换层、第一隐含层、第二隐含层和输出层。
电缆本体局部放电信号、电缆终端头局部放电信号、开关柜的电晕放电信号和开关柜的表面放电信号分别对应数字标识00、01、10、11。
本实施例的基于S变换的放电信号识别系统，结合S变换特征提取方法和神经网络分类器的优势，解决了现有技术中S变换和神经网络在分类过程中是两个完全独立的部分，可有效提高局部放电信号识别的准确性和稳定性。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (2)

1.一种基于S变换的放电信号识别方法，其特征在于，包括以下步骤：
S10.获取神经网络的训练样本；
S20.搭建基于S变换的神经网络，并使用步骤S10中所述训练样本对所述神经网络进行训练，得到训练好的神经网络；
S30.将待识别的放电信号输入到步骤S20训练好的神经网络中，根据神经网络输出值判断放电信号类别；
步骤S10中，所述训练样本包括四种类别放电信号：电缆本体局部放电信号、电缆终端头局部放电信号、开关柜的电晕放电信号和开关柜的表面放电信号，每种类别放电信号的样本数均为T，每个放电信号的采样长度为K；
步骤S20中，所述基于S变换的神经网络包括输入层、S变换层、第一隐含层、第二隐含层和输出层；
S变换层采用的基函数Y表示为：
式中，i表示复数因子；
所述基于S变换的神经网络输出表示为：
式中，p为输出层的神经元个数，K为输入层的神经元个数，J为S变换层的神经元个数，Q为第一隐含层的神经元个数；N为第二隐含层的神经元个数；Wjq为S变换层第j个神经元和第一隐含层第q个神经元的连接权值，Wqn为第一隐含层第q个神经元和第二隐含层第n个神经元的连接权值，Wnp为第二隐含层第n个神经元和输出层第p个神经元的连接权值为；第一隐含层、第二隐含层和输出层采用的传递函数为f，均为sigmoid函数，∑表示对和求模；
将电缆本体局部放电信号、电缆终端头局部放电信号、开关柜的电晕放电信号和开关柜的表面放电信号分别标识为00、01、10、11；
步骤S30按以下步骤进行：
S31.将待识别的放电信号输入到步骤S20训练好的神经网络中，得到神经网络输出值；
S32.将步骤S31中的网络输出值进行四舍五入处理，并对比处理后的网络输出值与放电信号标识值，判断放电信号的类型。
2.一种用于实现权利要求1所述的基于S变换的放电信号识别方法的识别系统，其特征在于，包括：
选取模块，用于选取训练样本所包含的放电信号；
构建模块，以所述选取模块获取的信号作为训练样本，构建一个基于S变换的神经网络，并对神经网络进行训练得到训练好的神经网络；
标识转换模块，用于将电缆本体局部放电信号、电缆终端头局部放电信号、开关柜的电晕放电信号和开关柜的表面放电信号分别转换为数字标识；
输出对比模块，用于对网络输出值进行四舍五入处理，将处理后的网络输出值与放电信号标识值进行对比并判断放电信号的类型；
所述训练样本包括四种类别放电信号：电缆本体局部放电信号、电缆终端头局部放电信号、开关柜的电晕放电信号和开关柜的表面放电信号；
所述基于S变换的神经网络包括输入层、S变换层、第一隐含层、第二隐含层和输出层；
电缆本体局部放电信号、电缆终端头局部放电信号、开关柜的电晕放电信号和开关柜的表面放电信号分别对应数字标识00、01、10、11。
CN201911337674.XA 2019-12-23 2019-12-23 一种基于s变换的放电信号识别方法及识别系统 Active CN111191548B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911337674.XA CN111191548B (zh) 2019-12-23 2019-12-23 一种基于s变换的放电信号识别方法及识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911337674.XA CN111191548B (zh) 2019-12-23 2019-12-23 一种基于s变换的放电信号识别方法及识别系统

Publications (2)

Publication Number Publication Date
CN111191548A CN111191548A (zh) 2020-05-22
CN111191548B true CN111191548B (zh) 2024-01-23

Family

ID=70707510

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911337674.XA Active CN111191548B (zh) 2019-12-23 2019-12-23 一种基于s变换的放电信号识别方法及识别系统

Country Status (1)

Country Link
CN (1) CN111191548B (zh)

Families Citing this family (1)

* 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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105426839A (zh) * 2015-11-18 2016-03-23 清华大学 基于稀疏自动编码器的电力系统过电压分类方法
CN106778923A (zh) * 2017-03-23 2017-05-31 广东电网有限责任公司珠海供电局 一种电能质量扰动信号分类方法及装置
CN107368841A (zh) * 2016-05-11 2017-11-21 中国科学院声学研究所 一种基于hht和人工神经网络的水下机动小目标识别方法
CN109975665A (zh) * 2019-03-22 2019-07-05 华南理工大学 一种电力设备局部放电信号放电类型识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105426839A (zh) * 2015-11-18 2016-03-23 清华大学 基于稀疏自动编码器的电力系统过电压分类方法
CN107368841A (zh) * 2016-05-11 2017-11-21 中国科学院声学研究所 一种基于hht和人工神经网络的水下机动小目标识别方法
CN106778923A (zh) * 2017-03-23 2017-05-31 广东电网有限责任公司珠海供电局 一种电能质量扰动信号分类方法及装置
CN109975665A (zh) * 2019-03-22 2019-07-05 华南理工大学 一种电力设备局部放电信号放电类型识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
S变换用于滚动轴承故障信号冲击特征提取;郭远晶等;《振动、测试与诊断》;第34卷(第5期);第818-822页 *
基于S变换与傅里叶变换的电能质量多扰动分类识别;唐求等;《湖南大学学报(自然科学版)》(第4期);第43-47页 *
基于S变换和径向基神经网络的暂态电能质量扰动识别;李新华等;《自动化应用》(第9期);第50-53、66页 *
马立新等.基于小波概率网络的局部放电模式识别.《电子科技》.2015,第28卷(第7期),第94-96页. *

Also Published As

Publication number Publication date
CN111191548A (zh) 2020-05-22

Similar Documents

Publication Publication Date Title
CN110728360B (zh) 一种基于bp神经网络的微能源器件能量识别方法
CN109993100B (zh) 基于深层特征聚类的人脸表情识别的实现方法
CN112001306A (zh) 基于深度卷积对抗生成神经网络的脑电信号解码方法
CN108694346B (zh) 一种基于两级cnn的船舶辐射噪声信号识别方法
CN105512676A (zh) 一种智能终端上的食物识别方法
CN103728551A (zh) 一种基于级联集成分类器的模拟电路故障诊断方法
CN111461025B (zh) 一种自主进化的零样本学习的信号识别方法
Zhang et al. Chromosome classification with convolutional neural network based deep learning
CN107491729B (zh) 基于余弦相似度激活的卷积神经网络的手写数字识别方法
Halkias et al. Classification of mysticete sounds using machine learning techniques
CN104751186A (zh) 一种基于bp网络和小波变换的虹膜图像质量分类方法
CN111145145A (zh) 一种基于MobileNets的图像表面缺陷检测方法
CN111191548B (zh) 一种基于s变换的放电信号识别方法及识别系统
Wang et al. Research on feature extraction and recognition method of underwater acoustic target based on deep convolutional network
CN111368648A (zh) 雷达辐射源个体识别方法、装置、电子设备及其存储介质
CN113109782B (zh) 一种直接应用于雷达辐射源幅度序列的分类方法
CN114428234A (zh) 基于gan和自注意力的雷达高分辨距离像降噪识别方法
CN113011330B (zh) 一种基于多尺度神经网络和空洞卷积的脑电信号分类方法
CN114500335A (zh) 基于模糊c均值和混合核最小二乘支持向量机的sdn网络流程控制方法
Xu et al. Classification of partial discharge images within DC XLPE cables in contourlet domain
Hongjiao Application of advanced BP neural network in image recognition
CN116343016A (zh) 一种基于轻量型卷积网络的多角度声呐图像目标分类方法
CN109919171A (zh) 一种基于小波神经网络的红外图像识别方法
CN114863572A (zh) 一种多通道异构传感器的肌电手势识别方法
CN113553917A (zh) 一种基于脉冲迁移学习的办公设备识别方法

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