CN112686182B - 局部放电模式识别方法及终端设备 - Google Patents
局部放电模式识别方法及终端设备 Download PDFInfo
- Publication number
- CN112686182B CN112686182B CN202110004670.0A CN202110004670A CN112686182B CN 112686182 B CN112686182 B CN 112686182B CN 202110004670 A CN202110004670 A CN 202110004670A CN 112686182 B CN112686182 B CN 112686182B
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- detected
- discharge signal
- pattern recognition
- signal
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000003909 pattern recognition Methods 0.000 claims abstract description 50
- 239000013598 vector Substances 0.000 claims abstract description 46
- 238000003062 neural network model Methods 0.000 claims abstract description 45
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 40
- 230000006870 function Effects 0.000 claims description 86
- 238000012549 training Methods 0.000 claims description 56
- 238000005070 sampling Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000012567 pattern recognition method Methods 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 2
- 230000007547 defect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000009413 insulation Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000012774 insulation material Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Landscapes
- Testing Relating To Insulation (AREA)
Abstract
本发明适用于局部放电检测技术领域,提供了一种局部放电模式识别方法及终端设备,上述方法包括:获取待检测局部放电信号;对待检测局部放电信号进行EMD分解,得到多阶本征模态函数分量;按照阶数从小到大的顺序,选取多阶本征模态函数分量中的前第一预设数量阶的本征模态函数分量,并对前第一预设数量阶的本征模态函数分量进行重构,得到待检测局部放电信号的特征向量;将待检测局部放电信号的特征向量输入预先训练完成的放电模式识别神经网络模型中,识别得到待检测局部放电信号的放电模式。本发明采用EMD分解及重构进行特征向量的提取,提取的特征向量可充分反应局部放电模式与放电信号之间的关系,不受人为因素影响,识别准确率高。
Description
技术领域
本发明属于局部放电检测技术领域,尤其涉及一种局部放电模式识别方法及终端设备。
背景技术
高压开关柜起到电能的变换及分配等诸多作用,是配电网的核心设备之一,其安全稳定运行对保障配电网乃至整个电力系统的运行可靠性具有重要意义。若高压开关柜存在缺陷,该缺陷易导致高压开关柜局部电场畸变,进而使高压开关柜绝缘材料产生局部放电。由于不同的放电模式导致的故障发展特性及故障处置方案均不同,因此有必要对高压开关柜的局部放电模式进行识别,了解高压开关柜内部绝缘缺陷的性质及特征,以便指导确定缺陷处置方案,提高高压开关柜的检修效率,保障高压开关柜运行安全。
现有技术中,高压开关柜局部放电模式的识别多为通过人为筛选特征量,例如统计矩特征、图像特征、分形特征等,进而根据人为筛选得到的特征量进行模式识别,受人为因素影响较大,识别准确率低。
发明内容
有鉴于此,本发明实施例提供了一种局部放电模式识别方法及终端设备,以解决现有技术中人为筛选特征向量进行模式识别,受人为因素影响,识别准确率低的问题。
本发明实施例的第一方面提供了一种局部放电模式识别方法,包括:
获取待检测局部放电信号;
对待检测局部放电信号进行EMD分解,得到多阶本征模态函数分量;
按照阶数从小到大的顺序,选取多阶本征模态函数分量中的前第一预设数量阶的本征模态函数分量,并对前第一预设数量阶的本征模态函数分量进行重构,得到待检测局部放电信号的特征向量;
将待检测局部放电信号的特征向量输入预先训练完成的放电模式识别神经网络模型中,识别得到待检测局部放电信号的放电模式。
本发明实施例的第二方面提供了一种终端设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如本发明实施例第一方面提供的局部放电模式识别方法的步骤。
本发明实施例的第三方面提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如本发明实施例第一方面提供的局部放电模式识别方法的步骤。
本发明实施例提供了一种局部放电模式识别方法,包括:获取待检测局部放电信号;对待检测局部放电信号进行EMD分解,得到多阶本征模态函数分量;按照阶数从小到大的顺序,选取多阶本征模态函数分量中的前第一预设数量阶的本征模态函数分量,并对前第一预设数量阶的本征模态函数分量进行重构,得到待检测局部放电信号的特征向量;将待检测局部放电信号的特征向量输入预先训练完成的放电模式识别神经网络模型中,识别得到待检测局部放电信号的放电模式。本发明实施例采用EMD分解及重构进行特征向量的提取,提取的特征向量可充分反应局部放电模式与放电信号之间的关系,不受人为因素影响,进而结合神经网络模型进行模式识别,模式识别准确率高。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的局部放电模式识别方法的实现流程示意图;
图2是放电信号获取装置;
图3是四种绝缘缺陷模型的示意图;
图4是本发明实施例提供的局部放电模式识别装置的示意图;
图5是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明的技术方案,下面通过具体实施例来进行说明。
参考图1,本发明实施例提供了一种局部放电模式识别方法,包括:
S101:获取待检测局部放电信号;
S102:对待检测局部放电信号进行EMD分解,得到多阶本征模态函数分量;
S103:按照阶数从小到大的顺序,选取多阶本征模态函数分量中的前第一预设数量阶的本征模态函数分量,并对前第一预设数量阶的本征模态函数分量进行重构,得到待检测局部放电信号的特征向量;
S104:将待检测局部放电信号的特征向量输入预先训练完成的放电模式识别神经网络模型中,识别得到待检测局部放电信号的放电模式。
EMD(Empirical Mode Decomposition,经验模态分解)方法是以傅立叶变换为基础的线性和稳态频谱分析,该方法是依据数据自身的时间尺度特征来进行信号分解,无须预先设定任何基函数。正是这样的特性,使EMD方法在理论上可以应用于任何类型的信号的分解,因而在处理非平稳及非线性数据上,具有非常明显的优势,适合于分析非线性、非平稳信号序列,具有很高的信噪比。
本发明实施例中对待检测信号进行EMD分解,然后选取第一预设数量的本征模态函数分量(IMF,Intrinsic Mode Function)进行重构,得到待检测局部放电信号的特征向量,该特征向量的提取不受人为因素影响,且该特征向量可充分反映高压开关柜的放电模式与局部放电信号之间的复杂的非线性关系,进而采用该特征向量结合神经网络模型进行局部放电模式识别,识别准确率高。
一些实施例中,第一预设数量可以为6。
一些实施例中,S102可以包括:
S1021:将k的初始值设为1;
S1022:确定待检测局部放电信号的第k-1个残差rk-1的上包络线和下包络线,并确定上包络线和下包络线的均值
S1023:确定第一差值hk,
S1024:若第一差值hk满足预设条件,则待检测局部放电信号的第k阶本征模态函数分量IMFk=hk;若第一差值hk不满足预设条件,则根据rk-1=hk更新第k-1个残差rk-1,并跳转至确定待检测局部放电信号的第k-1个残差rk-1的上包络线和下包络线的步骤继续执行;
S1025:根据IMFk得到待检测局部放电信号的第k个残差rk,rk=y-IMFk;
S1026:若rk为单调函数,则输出各阶本征模态函数分量;
S1027:若rk不是单调函数,则k=k+1,并跳转至确定待检测局部放电信号的第k-1个残差rk-1的上包络线和下包络线的步骤继续执行;其中,待检测局部放电信号的第0个残差r0=x。
一些实施例中,可采用三次样条插值方法确定待检测局部放电信号的第k-1个残差rk-1的上包络线和下包络线。
一些实施例中,S103可以包括:
S1031:针对前第一预设数量阶的本征模态函数分量中的每个本征模态函数分量,根据该本征模态函数分量构建特征分解矩阵,并对特征分解矩阵进行奇异值分解得到多个奇异值;按照从大到小的顺序选取多个奇异值中前第二预设数量个奇异值,并将前第二预设数量个奇异值按照从大到小的顺序排列构成该本征模态函数分量的特征向量;
S1032:按照阶数从小到大的顺序,将各个本征模态函数分量的特征向量的首尾相连,得到待检测局部放电信号的特征向量。
特征分解矩阵Hk的计算公式为:
其中,k为本征模态函数分量的阶数,k=1,2…,K,K为待检测局部放电信号分解得到的本征模态函数分量的最大阶数;N为待检测局部放电信号的采样长度;p为所述特征分解矩阵的总行数,q为所述特征分解矩阵的总列数。
一些实施例中,第二预设数量可以为10。
例如,待检测局部放电信号的第k阶本征模态函数分量IMFk的特征分解矩阵Hk的前10个较大奇异值为构成第k阶本征模态函数分量IMFk的特征向量第一预设数量为6,则将各阶IMF的特征向量首尾相连,得到待检测局部放电信号的特征向量/>
一些实施例中,待检测局部放电信号为离散的采样信号;
其中,为待检测局部放电信号的第1个采样点的相位,/>为待检测局部放电信号的第N个采样点的相位;N为待检测局部放电信号的采样长度;fs为采样频率。
本发明实施例中,对局部放电信号进行离散采样,并保存各采样点的幅值和相位,得到待检测局部放电信号,信号获取装置参考图2。
一些实施例中,S104可以包括:
S1041:将待检测局部放电信号的特征向量输入预先训练完成的放电模式识别神经网络模型中,以输出层各神经元交叉熵损失最小为目标函数,识别得到待检测局部放电信号的放电模式。
一些实施例中,在步骤S104之前,局部放电模式识别方法还可以包括:
S105:获取多种放电模式的局部放电信号,构建初始训练样本集;
S106:对初始训练样本集中的各个训练样本分别进行EMD分解,得到各个训练样本分别对应的多阶本征模态函数分量,并根据各个训练样本分别对应的多阶本征模态函数分量,确定各个训练样本的特征向量;
S107:根据各个训练样本的特征向量,对预设的标准放电模式识别神经网络模型进行训练,得到预先训练完成的放电模式识别神经网络模型。
本分发明实施例中,首先构建高压开关柜典型绝缘缺陷模型,参考图3,通过在实验室环境中对各放电模型施加电压得到不同放电类型的局部放电信号,并对放电类型的局部放电信号进行采样,采样频率与待检测局部放电信号一致。
设有I类放电信号,第i类(i=1,2,…,I)放电信号的第m个采样点的幅值为xi(m),相位为将第i类放电信号截断为多个采样长度均为N的互异样本,其第j个样本信号表示为/>并满足:
第i类放电信号训练样本集为其中Qi为第i类放电信号训练样本集样本总数目。最终可构建训练样本集Y={Y1,Y2,…,YI}。
对训练样本集中各训练样本信号进行放电类型编码,编码方式可以为:
L=(l1,l2,…,lI)
若某训练样本属于第i类放电,则有li=1,lj=0(j=1,2,…,I且j≠i)。
由以上构建得到初始训练样本集,进而采用与待检测局部放电信号的特征向量提取同样的方法提取各个训练样本的特征向量,对预设的标准放电模式识别神经网络模型进行训练,得到预先训练完成的放电模式识别神经网络模型。
一些实施例中,预设的标准放电模式识别神经网络模型包括:输入层、输出层及多级隐藏层;S107可以包括:
S1072:分别在相邻的两级隐藏层之间插入解码层构建自编码器,根据自编码器对预设的标准放电模式识别神经网络模型进行预训练,得到中间放电模式识别神经网络模型;
S1073:对中间放电模式识别神经网络模型的参数进行微调,得到预先训练完成的放电模式识别神经网络模型。
本发明实施例中,建立预设的标准放电模式识别神经网络模型,该模型包括输入层、输出层及多级隐藏层。输入层神经元数目为60,输出层神经元数目为I,且输出层为Softmax层,设置隐藏层的级数及各级隐藏层神经元数目。分别在相邻的两级隐藏层之间插入解码层构建自编码器,例如,在第1级隐藏层后接解码层,其神经元数目为60。基于输入层、第1级隐藏层及解码层构造自编码器,并对该自编码器网络参数进行预训练。设训练样本信号总数为M,U及v为输入层与第1级隐藏层间的权重系数及偏差向量,则损失函数可表示为:
其中,Fn为第n个训练样本信号的特征向量,为Fn经该级自编码器后的输出,KL()为KL散度;ρ0为稀疏性参数,其值较小,一般可设为0.05;/>为隐藏层神经元平均激活量。
采用梯度下降法对权重系数U及偏差向量v进行更新,且可表示为:
反复进行本步骤过程,当损失函数达到误差限或迭代次数达到设定值时,则输入层与第1级隐藏层间的网络参数进行预训练完成,并去除解码层。
第s+1级隐藏层后接解码层(s=1,2,3,……),其神经元数目为60。基于第j级隐藏层、第s+1阶隐藏层及解码层构建自编码器,重复上述步骤中的过程,可实现第s级隐藏层与第s+1级隐藏层间的网络参数的预训练。
设训练样本Xn的放电类型编码为以Xn的特征向量作为深度学习网络的输入,则Softmax层输出可表示为:/>此时损失函数为:
可同样基于梯度下降法经多次迭代更新实现网络参数的微调。当损失函数达到误差限或迭代次数达到设定值时,完成微调。
下面结合具体实施例进行详细说明。
设计了高压开关柜尖端放电、悬浮放电、沿面放电、气泡放电绝缘缺陷(参考图3),并在实验室环境中基于宽频电流传感器(HFCT)进行测试,采样频率为10MHz。对各类型放电信号进行截断,各类型下共截断为200个互异信号,其中100个作为训练样本信号,另100个作为测试样本信号。
基于各类型放电训练样本信号构建高压开关柜局部放电模式识别训练样本集,训练样本集中样本总数为400,各类型放电训练样本数均为100。对各类型放电进行编码,尖端放电训练样本信号可编码为(1,0,0,0);悬浮放电训练样本信号可编码为(0,1,0,0);沿面放电训练样本信号可编码为(0,0,1,0);气泡放电训练样本信号可编码为(0,0,0,1)。构建预设的标准放电模式识别神经网络模型,其具有5级隐藏层结构,具体参数参考表1。
表1模型结构及神经元数目
作用 | 神经元数目 |
输入层 | 60 |
1级隐藏层 | 300 |
2级隐藏层 | 150 |
3级隐藏层 | 80 |
4级隐藏层 | 40 |
5级隐藏层 | 20 |
输出层(Softmax层) | 4 |
基于各训练样本信号及其放电类型编码对预设的标准放电模式识别神经网络模型网络参数进行预训练及微调,且梯度下降法中学习率α设置为0.2。最终可实现预设的标准放电模式识别神经网络模型网络参数的优化更新,得到预先训练完成的放电模式识别神经网络模型。
对各测试样本信号进行特征向量提取,并输入至预先训练完成的放电模式识别神经网络模型的输入层,基于Softmax输出层结果及放电类型判定原则实现各测试样本信号的模式识别,识别结果见表2。
表2测试样本模式识别结果
综上,采用发明实施例提供的局部放电模式识别方法对高压开关柜的局部放电进行识别,识别准确率达到94%以上,识别准确率较高,效果较好。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
参考图4,本发明实施例提供了一种局部放电模式识别装置,包括:
信号获取模块21,用于获取待检测局部放电信号;
分解模块22,用于对待检测局部放电信号进行EMD分解,得到多阶本征模态函数分量;
重构模块23,用于按照阶数从小到大的顺序,选取多阶本征模态函数分量中的前第一预设数量阶的本征模态函数分量,并对前第一预设数量阶的本征模态函数分量进行重构,得到待检测局部放电信号的特征向量;
识别模块24,用于将待检测局部放电信号的特征向量输入预先训练完成的放电模式识别神经网络模型中,识别得到待检测局部放电信号的放电模式。
一些实施例中,第一预设数量可以为6。
一些实施例中,分解模块22可以包括:
初始值设定单元221,用于将k的初始值设为1;
包络均值确定单元222,用于确定待检测局部放电信号的第k-1个残差rk-1的上包络线和下包络线,并确定上包络线和下包络线的均值
差值确定单元223,用于确定第一差值hk,
第一判断单元224,用于若第一差值hk满足预设条件,则待检测局部放电信号的第k阶本征模态函数分量IMFk=hk;若第一差值hk不满足预设条件,则根据rk-1=hk更新第k-1个残差rk-1,并跳转至确定待检测局部放电信号的第k-1个残差rk-1的上包络线和下包络线的步骤继续执行;
残差确定单元225,用于根据IMFk得到待检测局部放电信号的第k个残差rk,rk=y-IMFk;
第二判断单元226,用于若rk为单调函数,则输出各阶本征模态函数分量;
第三判断单元227,用于若rk不是单调函数,则k=k+1,并跳转至确定待检测局部放电信号的第k-1个残差rk-1的上包络线和下包络线的步骤继续执行;其中,待检测局部放电信号的第0个残差r0=x。
一些实施例中,重构模块23可以包括:
第一特征向量确定单元231,用于针对前第一预设数量阶的本征模态函数分量中的每个本征模态函数分量,根据该本征模态函数分量构建特征分解矩阵,并对特征分解矩阵进行奇异值分解得到多个奇异值;按照从大到小的顺序选取多个奇异值中前第二预设数量个奇异值,并将前第二预设数量个奇异值按照从大到小的顺序排列构成该本征模态函数分量的特征向量;
第二特征向量确定单元232,用于按照阶数从小到大的顺序,将各个本征模态函数分量的特征向量的首尾相连,得到待检测局部放电信号的特征向量。
特征分解矩阵Hk的计算公式为:
其中,k为本征模态函数分量的阶数,k=1,2…,K,K为待检测局部放电信号分解得到的本征模态函数分量的最大阶数;N为待检测局部放电信号的采样长度;p为所述特征分解矩阵的总行数,q为所述特征分解矩阵的总列数。
一些实施例中,第二预设数量可以为10。
一些实施例中,待检测局部放电信号为离散的采样信号;
其中,为待检测局部放电信号的第1个采样点的相位,/>为待检测局部放电信号的第N个采样点的相位;N为待检测局部放电信号的采样长度;fs为采样频率。
一些实施例中,识别模块24可以包括:
识别单元241,用于将待检测局部放电信号的特征向量输入预先训练完成的放电模式识别神经网络模型中,以输出层各神经元交叉熵损失最小为目标函数,识别得到待检测局部放电信号的放电模式。
一些实施例中,局部放电模式识别装置还可以包括:
训练样本集构建模块25,用于获取多种放电模式的局部放电信号,构建初始训练样本集;
样本集特征向量提取模块26,对初始训练样本集中的各个训练样本分别进行EMD分解,得到各个训练样本分别对应的多阶本征模态函数分量,并根据各个训练样本分别对应的多阶本征模态函数分量,确定各个训练样本的特征向量;
模型训练模块27,用于根据各个训练样本的特征向量,对预设的标准放电模式识别神经网络模型进行训练,得到预先训练完成的放电模式识别神经网络模型。
一些实施例中,预设的标准放电模式识别神经网络模型包括:输入层、输出层及多级隐藏层;模型训练模块27可以包括:
预训练单元271,用于分别在相邻的两级隐藏层之间插入解码层构建自编码器,根据自编码器对预设的标准放电模式识别神经网络模型进行预训练,得到中间放电模式识别神经网络模型;
微调单元272,用于对中间放电模式识别神经网络模型的参数进行微调,得到预先训练完成的放电模式识别神经网络模型。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将终端设备的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
图5是本发明一实施例提供的终端设备的示意框图。如图5所示,该实施例的终端设备4包括:一个或多个处理器40、存储器41以及存储在存储器41中并可在处理器40上运行的计算机程序42。处理器40执行计算机程序42时实现上述各个局部放电模式识别方法实施例中的步骤,例如图1所示的步骤S101至S104。或者,处理器40执行计算机程序42时实现上述局部放电模式识别装置实施例中各模块/单元的功能,例如图4所示模块21至24的功能。
示例性地,计算机程序42可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器41中,并由处理器40执行,以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序42在终端设备4中的执行过程。例如,计算机程序42可以被分割成信号获取模块21、分解模块22、重构模块23及识别模块24。
信号获取模块21,用于获取待检测局部放电信号;
分解模块22,用于对待检测局部放电信号进行EMD分解,得到多阶本征模态函数分量;
重构模块23,用于按照阶数从小到大的顺序,选取多阶本征模态函数分量中的前第一预设数量阶的本征模态函数分量,并对前第一预设数量阶的本征模态函数分量进行重构,得到待检测局部放电信号的特征向量;
识别模块24,用于将待检测局部放电信号的特征向量输入预先训练完成的放电模式识别神经网络模型中,识别得到待检测局部放电信号的放电模式。
其它模块或者单元在此不再赘述。
终端设备4包括但不仅限于处理器40、存储器41。本领域技术人员可以理解,图5仅仅是终端设备的一个示例,并不构成对终端设备4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如终端设备4还可以包括输入设备、输出设备、网络接入设备、总线等。
处理器40可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器41可以是终端设备的内部存储单元,例如终端设备的硬盘或内存。存储器41也可以是终端设备的外部存储设备,例如终端设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器41还可以既包括终端设备的内部存储单元也包括外部存储设备。存储器41用于存储计算机程序42以及终端设备所需的其他程序和数据。存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的终端设备和方法,可以通过其它的方式实现。例如,以上所描述的终端设备实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (6)
1.一种局部放电模式识别方法,其特征在于,包括:
获取待检测局部放电信号;
对所述待检测局部放电信号进行EMD分解,得到多阶本征模态函数分量;
按照阶数从小到大的顺序,选取所述多阶本征模态函数分量中的前第一预设数量阶的本征模态函数分量,并对所述前第一预设数量阶的本征模态函数分量进行重构,得到所述待检测局部放电信号的特征向量;
将所述待检测局部放电信号的特征向量输入预先训练完成的放电模式识别神经网络模型中,识别得到所述待检测局部放电信号的放电模式;
所述对所述前第一预设数量阶的本征模态函数分量进行重构,得到所述待检测局部放电信号的特征向量,包括:
针对所述前第一预设数量阶的本征模态函数分量中的每个本征模态函数分量,根据该本征模态函数分量构建特征分解矩阵,并对所述特征分解矩阵进行奇异值分解得到多个奇异值;按照从大到小的顺序选取所述多个奇异值中前第二预设数量个奇异值,并将所述前第二预设数量个奇异值按照从大到小的顺序排列构成该本征模态函数分量的特征向量;
按照阶数从小到大的顺序,将各个本征模态函数分量的特征向量的首尾相连,得到所述待检测局部放电信号的特征向量;
在所述将所述待检测局部放电信号的特征向量输入预先训练完成的放电模式识别神经网络模型中,识别得到所述待检测局部放电信号的放电模式之前,所述局部放电模式识别方法还包括:
获取多种放电模式的局部放电信号,构建初始训练样本集;
对所述初始训练样本集中的各个训练样本分别进行EMD分解,得到各个训练样本分别对应的多阶本征模态函数分量,并根据各个训练样本分别对应的多阶本征模态函数分量,确定各个训练样本的特征向量;
根据各个训练样本的特征向量,对预设的标准放电模式识别神经网络模型进行训练,得到所述预先训练完成的放电模式识别神经网络模型;
所述预设的标准放电模式识别神经网络模型包括:输入层、输出层及多级隐藏层;所述根据各个训练样本的特征向量,对预设的标准放电模式识别神经网络模型进行训练,得到所述预先训练完成的放电模式识别神经网络模型,包括:
分别在相邻的两级隐藏层之间插入解码层构建自编码器,根据所述自编码器对所述预设的标准放电模式识别神经网络模型进行预训练,得到中间放电模式识别神经网络模型;
对所述中间放电模式识别神经网络模型的参数进行微调,得到所述预先训练完成的放电模式识别神经网络模型;
所述特征分解矩阵Hk的计算公式为:
其中,k为本征模态函数分量的阶数,k=1,2…,K,K为所述待检测局部放电信号分解得到的本征模态函数分量的最大阶数;N为所述待检测局部放电信号的采样长度;p为所述特征分解矩阵的总行数,q为所述特征分解矩阵的总列数。
2.如权利要求1所述的局部放电模式识别方法,其特征在于,所述对所述待检测局部放电信号进行EMD分解,得到多阶本征模态函数分量,包括:
将k的初始值设为1;
确定所述待检测局部放电信号的第k-1个残差rk-1的上包络线和下包络线,并确定所述上包络线和所述下包络线的均值
确定第一差值hk,
若所述第一差值hk满足预设条件,则所述待检测局部放电信号的第k阶本征模态函数分量IMFk=hk;若所述第一差值hk不满足所述预设条件,则根据rk-1=hk更新第k-1个残差rk-1,并跳转至所述确定所述待检测局部放电信号的第k-1个残差rk-1的上包络线和下包络线的步骤继续执行;
根据所述IMFk得到所述待检测局部放电信号的第k个残差rk,rk=y-IMFk;
若rk为单调函数,则输出各阶本征模态函数分量;
若所述rk不是单调函数,则k=k+1,并跳转至所述确定所述待检测局部放电信号的第k-1个残差rk-1的上包络线和下包络线的步骤继续执行;
其中,所述待检测局部放电信号的第0个残差r0=x。
3.如权利要求1至2任一项所述的局部放电模式识别方法,其特征在于,所述将所述待检测局部放电信号的特征向量输入预先训练完成的放电模式识别神经网络模型中,识别得到所述待检测局部放电信号的放电模式,包括:
将所述待检测局部放电信号的特征向量输入预先训练完成的放电模式识别神经网络模型中,以输出层各神经元交叉熵损失最小为目标函数,识别得到所述待检测局部放电信号的放电模式。
4.如权利要求1至2任一项所述的局部放电模式识别方法,其特征在于,所述待检测局部放电信号为离散的采样信号;
其中,为所述待检测局部放电信号的第1个采样点的相位,/>为所述待检测局部放电信号的第N个采样点的相位;N为所述待检测局部放电信号的采样长度;fs为采样频率。
5.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述局部放电模式识别方法的步骤。
6.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所局部放电模式识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110004670.0A CN112686182B (zh) | 2021-01-04 | 2021-01-04 | 局部放电模式识别方法及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110004670.0A CN112686182B (zh) | 2021-01-04 | 2021-01-04 | 局部放电模式识别方法及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112686182A CN112686182A (zh) | 2021-04-20 |
CN112686182B true CN112686182B (zh) | 2023-12-26 |
Family
ID=75457129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110004670.0A Active CN112686182B (zh) | 2021-01-04 | 2021-01-04 | 局部放电模式识别方法及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112686182B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114026992B (zh) * | 2021-10-12 | 2024-04-26 | 中国热带农业科学院热带作物品种资源研究所 | 一种种子活力无损检测分级系统 |
CN113837141B (zh) * | 2021-10-12 | 2023-10-27 | 国网山东省电力公司电力科学研究院 | 一种抗驱鼠器干扰的信号提取方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108983051A (zh) * | 2018-07-25 | 2018-12-11 | 武汉科技大学 | 基于同步挤压小波变换的局部放电类型识别方法 |
CN109102012A (zh) * | 2018-07-30 | 2018-12-28 | 上海交通大学 | 一种局部放电信号的缺陷识别方法及系统 |
CN110927535A (zh) * | 2019-11-12 | 2020-03-27 | 国网天津市电力公司电力科学研究院 | 基于极限学习机的电力设备局部放电严重程度评估方法 |
CN112001246A (zh) * | 2020-07-20 | 2020-11-27 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种基于奇异值分解的局部放电类型识别方法及装置 |
CN112016598A (zh) * | 2020-08-13 | 2020-12-01 | 广东电网有限责任公司 | 基于sdae的局部放电模式识别方法、计算机设备和存储介质 |
-
2021
- 2021-01-04 CN CN202110004670.0A patent/CN112686182B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108983051A (zh) * | 2018-07-25 | 2018-12-11 | 武汉科技大学 | 基于同步挤压小波变换的局部放电类型识别方法 |
CN109102012A (zh) * | 2018-07-30 | 2018-12-28 | 上海交通大学 | 一种局部放电信号的缺陷识别方法及系统 |
CN110927535A (zh) * | 2019-11-12 | 2020-03-27 | 国网天津市电力公司电力科学研究院 | 基于极限学习机的电力设备局部放电严重程度评估方法 |
CN112001246A (zh) * | 2020-07-20 | 2020-11-27 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种基于奇异值分解的局部放电类型识别方法及装置 |
CN112016598A (zh) * | 2020-08-13 | 2020-12-01 | 广东电网有限责任公司 | 基于sdae的局部放电模式识别方法、计算机设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
"基于 VMD-WVD 分布与堆栈稀疏自编码网络的局放类型识别";高佳程等;《中国电机工程学报》;20190720;第39卷(第14期);第4118-4128页 * |
"电力变压器局部放电信号去噪及特征量提取";孙博;《中国硕士学位论文全文数据库》;20150215;第21-22、42-43、50-52页 * |
孙博."电力变压器局部放电信号去噪及特征量提取".《中国硕士学位论文全文数据库》.2015, * |
Also Published As
Publication number | Publication date |
---|---|
CN112686182A (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112686182B (zh) | 局部放电模式识别方法及终端设备 | |
Chen et al. | System identification via sparse multiple kernel-based regularization using sequential convex optimization techniques | |
CN112417028B (zh) | 一种风速时序特征挖掘方法及短期风电功率预测方法 | |
CN111161744B (zh) | 同时优化深度表征学习与说话人类别估计的说话人聚类方法 | |
CN110726898B (zh) | 一种配电网故障类型识别方法 | |
CN113673346A (zh) | 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法 | |
CN113392732B (zh) | 一种局部放电超声信号抗干扰方法及系统 | |
CN112085111B (zh) | 一种负荷辨识方法和装置 | |
CN113378652A (zh) | 一种基于ewt-mpe-pso-bp的扰动分类方法 | |
CN115166514A (zh) | 一种基于自适应频谱分割去噪的电机故障识别方法及系统 | |
CN115130546A (zh) | 异常参数检测方法、装置、计算机可读介质及电子设备 | |
CN111079647A (zh) | 一种断路器缺陷识别方法 | |
CN114167237A (zh) | 一种gis局部放电故障识别方法、系统、计算机设备、存储介质 | |
JP2009530940A (ja) | 抑制されたベクトル量子化 | |
CN113076892A (zh) | 一种基于深度学习sdae-bp的暂降类型识别方法、装置和系统 | |
CN116776284A (zh) | 用于机电设备的故障诊断方法、计算机设备及存储介质 | |
CN113343590B (zh) | 一种基于组合模型的风速预测方法及系统 | |
CN114778969A (zh) | 一种基于RBF-Elman神经网络的整流器故障诊断方法 | |
Labusch et al. | Learning Data Representations with Sparse Coding Neural Gas. | |
CN115436343A (zh) | 异源激光诱导击穿光谱之间的迁移和标准化方法及系统 | |
CN110705373B (zh) | 一种基于小波包分析和残差网络的槽电压信号分类方法 | |
CN112054803A (zh) | 一种基于压缩感知的通信信号的分选方法 | |
Buermann et al. | Speech recognition using very deep neural networks: Spectrograms vs Cochleagrams | |
CN117062192B (zh) | 一种基于人工智能算法的电熨斗建立无线连接方法及系统 | |
Salama et al. | Pruning at a glance: A structured class-blind pruning technique for model compression |
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 |