CN112557833B - 一种基于深度样本增强的电缆局部放电模式识别方法 - Google Patents

Abstract

本发明涉及一种基于深度样本增强的电缆局部放电模式识别方法，包括如下步骤：将采集到的电缆绝缘缺陷的局部放电时域信号转换为二维图像，作为初始样本集，将二维图像输入到生成对抗网络中，进行深度样本增强，将增强后的样本添加到初始样本集中形成新的样本集，构建卷积神经网络模型，利用新的样本集对卷积神经网络模型进行有监督训练，得到训练好的卷积神经网络模型，将待预测的绝缘放电类型的时域信号转化为二维图像输入到训练好的卷积神经网络模型中，输出预测的绝缘缺陷放电类型。本发明能够避免依靠专家经验选取特征所带来的误差，并且在小样本的情况下仍然能准确地对电缆绝缘缺陷类型进行识别，提高了识别速率与准确率。

Description

一种基于深度样本增强的电缆局部放电模式识别方法

技术领域

本发明属于电缆局部放电识别方法技术领域，具体涉及一种基于深度样本增强的电缆局部放电模式识别方法。

背景技术

高压电缆是输电的主要形式之一，在风电场、太阳能等分布式能源输送及并网，以及离岸油气平台、海上孤岛输电等场合得到广泛应用，但是由于在实际运行过程中，由于外力破坏、电缆本体或附件制造质量、敷设安装质量等原因导致的电缆运行故障，会造成不同程度的经济损失和社会影响。

传统的电缆局部放电模式识别方法很依赖手工特征的选取，而手工特征的设计又非常依赖专家经验，不可避免的会带来误差，深度学习作为一个新兴的领域克服了上述缺点，可以自动学习原始数据的分层表示特征，但却需要大量的训练数据，因此，本发明提出一种能够避免依靠专家经验选取特征所带来的误差，并在小样本的情况下仍然能够准确地对电缆绝缘缺陷类型进行识别的基于深度样本增强的电缆局部放电模式识别方法。

发明内容

本发明的目的是为了克服现有技术的不足，而提供一种基于深度样本增强的电缆局部放电模式识别方法，能够避免依靠专家经验选取特征所带来的误差，并且在小样本的情况下仍然能准确地对电缆绝缘缺陷类型进行识别，提高了识别速率与准确率。

本发明采用的技术方案为：一种基于深度样本增强的电缆局部放电模式识别方法，包括如下步骤：

步骤A：将采集到的电缆绝缘缺陷的局部放电时域信号进行信号到图像的转换，得到二维图像，作为初始样本集；

步骤B：将初始样本集内的二维图像输入到生成对抗网络中，进行深度样本增强；

步骤C：将深度样本增强处理后得到的样本添加到初始样本集中形成新的样本集，并根据绝缘缺陷的类型设置缺陷状态标签；

步骤D：构建卷积神经网络模型，并利用新的样本集对卷积神经网络模型进行有监督训练，得到训练好的卷积神经网络模型；

步骤E：将待预测的绝缘放电类型的时域信号转化为二维图像，并输入到训练好的卷积神经网络模型中，输出预测后的绝缘缺陷放电类型。

具体地，所述步骤A中，电缆绝缘缺陷的类型包括有外导电层爬电、绝缘内部气隙、绝缘表面划伤和绝缘表面金属污秽。

具体地，所述步骤A中，将时域信号进行信号到图像的转换具体步骤为：

步骤a：从采集的时域信号随机选取一个时间段内的时域信号，将该段时间内的信号点对应的信号指标值构成一个1×1的向量，该向量对应待构成的二维图像上的一个像素点，从而完成一个像素的形成；

步骤b：采用不重复选取的方法进行步骤a，直至完成1000×1000个像素的形成，由此完成所有像素点的构成，实现时域信号到二维图像的转换。

具体地，所述步骤B中，所述的生成对抗网络采用的是深度卷积生成对抗网络。

具体地，所述步骤D中，所述的卷积神经网络模型包括依次相连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层以及第一全连接层和第二全连接层。

具体地，所述步骤D中，所述的利用新的样本集对卷积神经网络模型进行有监督训练的具体步骤为：

步骤a：对新的样本集中的不同绝缘缺陷类型的时域信号进行转换，得到二维图像；

步骤b：利用深度卷积生成对抗网络进行样本增强，并将增强样本添加到新的样本集中，形成最终样本集；

步骤c：设置卷积神经网络的参数，将最终样本集输入到卷积神经网络进行训练，以得到用于直流电缆局部放电模式识别的卷积神经网络。

本发明的有益效果：本发明在使用过程中将时域信号转换为二维图像，该转换过程简单，利用图像信号代替时域信号，有助于特征自助提取与训练，避免了只依靠专家经验选取特征所带来的误差，并且本发明通过深度卷积生成对抗网络进行样本增强，将增强后的样本输入到卷积神经网络模型中进行有监督训练，然后利用训练好的卷积神经网络对绝缘缺陷类型进行识别，能够在样本数量不足的情况下，仍能获得较高的预测识别准确率。

附图说明

图1为本发明所述外半导电层爬电缺陷类型的示意图；

图2为本发明所述绝缘内部气隙缺陷类型的示意图；

图3为本发明所述绝缘表面划伤缺陷类型的示意图；

图4为本发明所述绝缘表面金属污秽缺陷类型的示意图；

图5为本发明的流程示意图；

图6为本发明所述时域信号转换为二维图像的过程示意图；

图7为本发明所述生成对抗网络的结构示意图；

图8为本发明所述卷积神经网络模型的结构示意图。

图中：1、交联聚乙烯层 2、内芯 3、外半导电层 4、气隙 5、划伤区域 6、金属碎屑。

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。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，以下结合实施例具体说明。

本发明所述的电缆绝缘缺陷的类型包括有外半导电层爬电、绝缘内部气隙、绝缘表面划伤和绝缘表面金属污秽，分别如图1-4所示，本发明以图中的四种绝缘缺陷类型为例，并不限于该四种绝缘缺陷类型，本发明采用的是铜芯交联聚乙烯绝缘非铠装聚氯乙烯护套阻燃电力电缆，标称截面150mm²，内屏蔽层位于交联聚乙烯层1和内芯2之间，厚度1.2mm，交联聚乙烯层1厚度10.5mm，外屏蔽层位于交联聚乙烯层1和外半导电层3之间，厚度1.2mm，由于内、外屏蔽层太薄，图中未画出。当然在其他实施方式中，也可以选取其他型号的电缆，本申请不对电缆型号进行限定。

其制作过程如下：

外半导电层爬电，在电缆接头制作过程中，若外半导电层3断口处有残留，则易发生爬电，实验中的式样电缆在剥除外半导电层3过程中，一端留有宽2cm、长10cm的外半导电层3未剥除干净，如图1中顶端的外半导电层3的多余长度部分。

绝缘内部气隙，该类型缺陷大多是由于交联聚乙烯绝缘材料在挤出过程中发泡反应不均匀而出现集中的气体副产品，进而形成绝缘材料的内部气隙4，此类缺陷的直径大多集中于几微米到几百微米，试验过程中采用多片环氧树脂紧密叠加、内层片打孔的方式模拟，图2中的阴影黑点为气隙4。

绝缘表面划伤，在制作电缆接头时需要剥离绝缘层外半导电层3，由于外半导电层3与交联聚乙烯层1结合紧密，在剥离时容易造成绝缘表面划伤，缺陷尺寸通常在几毫米到几厘米范围内，试验中在试样的绝缘层表面加工一长3cm，深1mm的划痕，如图3中的阴影块为划伤区域5。

绝缘表面金属污秽，在电缆头制作过程中，金属碎屑6附着在环氧树脂主绝缘，将会引起放电缺陷，在实验过程中，采用在电缆一端的绝缘表面附着金属碎屑6模拟，图4中的顶端刺状阴影部分为附着的金属碎屑6。

实施例1

如图5所示，一种基于深度样本增强的电缆局部放电模式识别方法，包括如下步骤：

步骤A：将采集到的电缆绝缘缺陷的局部放电时域信号进行信号到图像的转换，得到二维图像，作为初始样本集；

采集信号时首先对绝缘缺陷部分升压，直至缺陷击穿，确定缺陷的击穿电压，然后在缺陷放电电压范围内选择一定数量的放电电压值，维持放电电压，采集直流电缆局部放电电流的时域信号，将时域信号进行信号到图像的转换，按照如下步骤：从采集的时域信号中随机选取一个时间段内的时域信号，将该段时间内的信号点对应的信号指标值构成一个1×1的向量，该向量对应待构成的二维图像上的一个像素点，从而完成一个像素的形成，采用不重复选取的方法进行步骤a，直至完成1000×1000个像素的形成，由此完成所有像素点的构成，实现时域信号到二维图像的转换，其转换过程示意图如图6所示。

步骤B：将初始样本集内的二维图像输入到生成对抗网络中，进行深度样本增强，所述的生成对抗网络DCGAN的示意图如图7所示，所述的生成对抗网络主要由生成器和判别器组成，其中在本发明中，在生成器和判别器中使用卷积神经网络来代替多层感知机，同时去掉了卷积神经网络中的池化层，使整个网络可微，并用全局池化层代替全连接层以减轻计算量。

本发明优选案例使用的生成对抗网络的目标函数为：

在上式中，x表示真实图片，z表示输入G网络的噪声，G(z)表示G网络生成的图片，D(x)表示D网络判断真实图片是否真实的概率，而D(G(z))是D网络判断G生成的图片的是否真实的概率。

G的目的：上面提到过，D(G(z))是D网络判断G生成的图片是否真实的概率，因为x就是真实的，所以对于D来说，这个值越接近1越好，因此G希望自己生成的图片“越接近真实越好”，也就是说，G希望D(G(z))尽可能得大，这时V(D,G)会变小，因此目标函数的最前面的记号为min_G。

D的目的：D的能力越强，D(x)越大，D(G(x))越小，这时V(D,G)会变大，因此式子对于D来说是求最大(max_D)。

步骤C：将深度样本增强处理后得到的样本添加到初始样本集中形成新的样本集，并根据绝缘缺陷的类型设置缺陷状态标签，增强处理后的样本与初始样本集中的样本缺陷类型完全相同，均为外半导电层爬电、绝缘内部气隙、绝缘表面划伤、绝缘表面金属污秽四种类型，并将其依次标为1、2、3、4四种标签。

步骤D：构建卷积神经网络模型，并利用新的样本集对卷积神经网络模型进行有监督训练，得到训练好的卷积神经网络模型；

如图8所示，所述的卷积神经网络模型包括从左到右依次相连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层以及第一全连接层和第二全连接层，即所构建的卷积神经网络模型由三个卷积层、三个池化层、两个全连接层组成，卷积层卷积核的大小分别为5×5、3×3、3 ×3，卷积核的个数分别为16、32、64，池化层池化窗口大小均为3×3，第一全连接层的大小为4096，第二全连接层的大小为128，所构建的卷积神经网络模型的卷积层步长设定为1，填充方式采用SAME，池化层步长设定为2，池化方式采用最大池化，填充方式同样采用SAME，训练过程中，学习率为0.001，学习率衰减为0.9，图像大小为64，样本数量为1200个，原始样本和增强样本各 600个，同时并将其分为训练样本400个，测试样本800个。

所述的利用新的样本集对卷积神经网络模型进行有监督训练的具体步骤为：对新的样本集中的不同绝缘缺陷类型的时域信号进行转换，得到二维图像，利用生成对抗网络进行样本增强，并将增强样本添加到新的样本集中，形成最终样本集，设置卷积神经网络的参数，将最终样本集输入到卷积神经网络进行训练，以得到用于直流电缆局部放电模式识别的卷积神经网络。

步骤E：将待预测的绝缘放电类型的时域信号转化为二维图像，并输入到训练好的卷积神经网络模型中，输出预测后的绝缘缺陷放电类型，训练过程采用 Droput的方法，Droput的方法主要思想是在模型训练时随机让网络隐含某些节点的权重，使其处于不工作状态，不工作的那些节点可以暂时认为不是网络结构的一部分，但它的权重会保留下来，以便下次样本输入时能够使用，使用 Droput方法，可以防止模型过拟合。

本发明在使用过程中将时域信号转换为二维图像，该转换过程简单，利用图像信号代替时域信号，有助于特征自助提取与训练，避免了只依靠专家经验选取特征所带来的误差，并且本发明对样本进行样本增强，将增强后的样本输入到卷积神经网络模型中进行有监督训练，然后利用训练好的卷积神经网络对绝缘缺陷类型进行识别，能够在样本数量不足的情况下，仍能获得较高的预测识别准确率。

实施例2

如图5所示，一种基于深度样本增强的电缆局部放电模式识别方法，包括如下步骤：

步骤A：将采集到的电缆绝缘缺陷的局部放电时域信号进行信号到图像的转换，得到二维图像，作为初始样本集；

采集信号时首先对绝缘缺陷部分升压，直至缺陷击穿，确定缺陷的击穿电压，然后在缺陷放电电压范围内选择一定数量的放电电压值，维持放电电压，采集直流电缆局部放电电流的时域信号，将时域信号进行信号到图像的转换，按照如下步骤：从采集的时域信号中随机选取一个时间段内的时域信号，将该段时间内的信号点对应的信号指标值构成一个1×1的向量，该向量对应待构成的二维图像上的一个像素点，从而完成一个像素的形成，采用不重复选取的方法进行步骤a，直至完成1000×1000个像素的形成，由此完成所有像素点的构成，实现时域信号到二维图像的转换，其转换过程示意图如图6所示。

步骤B：将初始样本集内的二维图像输入到生成对抗网络中，进行深度样本增强，所述的生成对抗网络DCGAN的示意图如图7所示，所述的生成对抗网络采用的是深度卷积生成对抗网络，所述的生成对抗网络主要由生成器和判别器组成，其中在本发明中，在生成器和判别器中使用卷积神经网络来代替多层感知机，同时去掉了卷积神经网络中的池化层，使整个网络可微，并用全局池化层代替全连接层以减轻计算量。

本发明优选案例使用的生成对抗网络的目标函数为：

在上式中，x表示真实图片，z表示输入G网络的噪声，G(z)表示G网络生成的图片，D(x)表示D网络判断真实图片是否真实的概率，而D(G(z))是D网络判断G生成的图片的是否真实的概率。

G的目的：上面提到过，D(G(z))是D网络判断G生成的图片是否真实的概率，因为x就是真实的，所以对于D来说，这个值越接近1越好，因此G希望自己生成的图片“越接近真实越好”，也就是说，G希望D(G(z))尽可能得大，这时V(D,G)会变小，因此目标函数的最前面的记号为min_G。

D的目的：D的能力越强，D(x)越大，D(G(x))越小，这时V(D,G)会变大，因此式子对于D来说是求最大(max_D)。

步骤C：将深度样本增强处理后得到的样本添加到初始样本集中形成新的样本集，并根据绝缘缺陷的类型设置缺陷状态标签，增强处理后的样本与初始样本集中的样本缺陷类型完全相同，均为外半导电层爬电、绝缘内部气隙、绝缘表面划伤、绝缘表面金属污秽四种类型，并将其依次标为1、2、3、4四种标签。

步骤D：构建卷积神经网络模型，并利用新的样本集对卷积神经网络模型进行有监督训练，得到训练好的卷积神经网络模型；

如图8所示，所述的卷积神经网络模型包括从左到右依次相连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层以及第一全连接层和第二全连接层，即所构建的卷积神经网络模型由三个卷积层、三个池化层、两个全连接层组成，卷积层卷积核的大小分别为5×5、3×3、3 ×3，卷积核的个数分别为16、32、64，池化层池化窗口大小均为3×3，第一全连接层的大小为4096，第二全连接层的大小为128，所构建的卷积神经网络模型的卷积层步长设定为1，填充方式采用SAME，池化层步长设定为2，池化方式采用最大池化，填充方式同样采用SAME，训练过程中，学习率为0.001，学习率衰减为0.9，图像大小为64，样本数量为1200个，原始样本和增强样本各 600个，同时并将其分为训练样本400个，测试样本800个。

步骤E：将待预测的绝缘放电类型的时域信号转化为二维图像，并输入到训练好的卷积神经网络模型中，输出预测后的绝缘缺陷放电类型，训练过程采用 Droput的方法，Droput的方法主要思想是在模型训练时随机让网络隐含某些节点的权重，使其处于不工作状态，不工作的那些节点可以暂时认为不是网络结构的一部分，但它的权重会保留下来，以便下次样本输入时能够使用，使用 Droput方法，可以防止模型过拟合。

另外，作为对本发明的效果验证，选取本发明所提出的一种基于深度样本增强的电缆局部放电模式识别方法(DCGAN_CNN)与传统模式识别方法支持向量机(SVM)、反向传播神经网络(BPNN)、K最近邻算法(K-NN)作对比，对比结果如表一所示，

表一DCGAN_CNN与传统模式识别方法的结果对比

方法	预测精度
		DCGAN_CNN	96.6％
SVM	90.81％
		BPNN	87.8％
K-NN	85.58％

由上表可以看出，本发明所提出的基于深度样本增强的电缆局部放电模式识别方法取得了很好的效果，平均预测精度高达96.6％，SVM、BPNN、K-NN的预测精度分别为90.81％、87.1％、85.58％。

将所提出的一种基于深度样本增强的电缆局部放电模式识别方法(DCGAN_CNN)与未采用样本增强的卷积神经网络(CNN)进行对比，对比结果如表二所示。

表二DCGAN_CNN与CNN的结果对比

方法	预测精度
		DCGAN_CNN	96.6％
CNN	94.7％

由上表可以看出，CNN的预测精度为94.7％，DCGAN_CNN预测精度为96.7％，而DCGAN_CNN相比于CNN提高了1.9％。

由验证结果也可以得出，本发明所提出的基于深度样本增强的电缆局部放电模式识别方法获得了更高的预测识别准确率。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的得同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (4)

1.一种基于深度样本增强的电缆局部放电模式识别方法，其特征在于，包括如下步骤：

步骤A：将采集到的电缆绝缘缺陷的局部放电时域信号进行信号到图像的转换，得到二维图像，作为初始样本集，电缆绝缘缺陷的类型包括有外导电层爬电、绝缘内部气隙、绝缘表面划伤和绝缘表面金属污秽，

将时域信号进行信号到图像的转换具体步骤为：

步骤a：从采集的时域信号随机选取一个时间段内的时域信号，将该段时间内的信号点对应的信号指标值构成一个1×1的向量，该向量对应待构成的二维图像上的一个像素点，从而完成一个像素的形成，

步骤b：采用不重复选取的方法进行步骤a，直至完成1000×1000个像素的形成，由此完成所有像素点的构成，实现时域信号到二维图像的转换；

步骤B：将初始样本集内的二维图像输入到生成对抗网络中，进行深度样本增强；

步骤C：将深度样本增强处理后得到的样本添加到初始样本集中形成新的样本集，并根据绝缘缺陷的类型设置缺陷状态标签；

步骤D：构建卷积神经网络模型，并利用新的样本集对卷积神经网络模型进行有监督训练，得到训练好的卷积神经网络模型；

步骤E：将待预测的绝缘放电类型的时域信号转化为二维图像，并输入到训练好的卷积神经网络模型中，输出预测后的绝缘缺陷放电类型。

2.根据权利要求1所述的基于深度样本增强的电缆局部放电模式识别方法，其特征在于：所述步骤B中，所述的生成对抗网络采用的是深度卷积生成对抗网络。

3.根据权利要求1所述的基于深度样本增强的电缆局部放电模式识别方法，其特征在于：所述步骤D中，所述的卷积神经网络模型包括依次相连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层以及第一全连接层和第二全连接层。

4.根据权利要求1所述的基于深度样本增强的电缆局部放电模式识别方法，其特征在于：所述步骤D中，所述的利用新的样本集对卷积神经网络模型进行有监督训练的具体步骤为：

步骤a：对新的样本集中的不同绝缘缺陷类型的时域信号进行转换，得到二维图像；

步骤b：利用深度卷积生成对抗网络进行样本增强，并将增强样本添加到新的样本集中，形成最终样本集；

步骤c：设置卷积神经网络的参数，将最终样本集输入到卷积神经网络进行训练，以得到用于直流电缆局部放电模式识别的卷积神经网络。

Images