CN114417926A - 一种基于深度卷积生成对抗网络的电力设备局部放电模式识别方法及系统 - Google Patents
一种基于深度卷积生成对抗网络的电力设备局部放电模式识别方法及系统 Download PDFInfo
- Publication number
- CN114417926A CN114417926A CN202210060566.8A CN202210060566A CN114417926A CN 114417926 A CN114417926 A CN 114417926A CN 202210060566 A CN202210060566 A CN 202210060566A CN 114417926 A CN114417926 A CN 114417926A
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- prpd
- map
- real
- classification
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明涉及一种基于深度卷积生成对抗网络的电力设备局部放电模式识别方法及系统,包括:步骤1:获取局部放电信号的PRPD图谱并预处理;通过深度卷积生成对抗网络得到扩充数据集;对分类网络训练得到第一分类模型;步骤2:获取局部放电信号的实时波形并预处理,对分类网络训练得到第二分类模型;步骤3:将待分类的局部放电信号的PRPD图谱预处理后输入第一分类模型,得到的第一分类结果;将该待分类的局部放电信号的实时波形预处理后输入第二分类模型,得到第二分类结果;对第一分类结果和第二分类结果按照权重计算,得到最终的电力设备局部放电模式判别结果。本发明解决了样本量的多样性问题;使判决结果的特征更具可靠性和鲁棒性。
Description
技术领域
本发明涉及一种基于深度卷积生成对抗网络的电力设备局部放电模式识别方法及系统,属于局部放电模式识别技术领域。
背景技术
近年来,随着电力系统的升级改造,电力设备所承载的电压等级和装机容量越来越大,与此同时,电力设备尤其是变压器的故障预警、检测工作变得尤为重要。在诸多的检测手段之中,对于变压器的局部放电信号的检测和模式识别及定位是对于变压器故障的预警工作的重要辅助手段。所谓局部放电,就是在电力系统中,在生产过程或者使用过程中产生了一些诸如气隙、毛刺等绝缘弱点,这些绝缘弱点所在的区域在一定的电压条件下会发生电气击穿的现象。局部放电出现则意味着电气设备可能已经出现了绝缘能力的劣化,如果不加以关注和维护会进一步导致更为严重的损坏,从而使得电力设备寿命整体下降。如果能在局部放电出现的初期就对其采取正确的措施,可以有效降低电力设备维护成本,延长设备使用寿命。对于局部放电的处理,首要的工作就是局部放电的模式识别,正确的模式识别可以为后续的故障预警、故障定位等工作提供可靠支撑。
目前,针对变压器局部放电信号的检测主要有以超高频检测法、脉冲电流法等为例的电测法和以超声波检测法化学检测法等为例的非电测法,其中,电测法得益于其高灵敏度,得到了广泛应用。通过上述方式检测到局放信号后,对其进一步处理获得包含丰富信息的特征参数,常见的特征参数形式主要有:统计特征、分形特征、波形特征等多种形式,在这其中,考虑到为了满足实际应用的实时性要求,采取统计特征作为分类依据更具有可行性。常见的统计图谱主要以局部放电相位分布(Phase Resolved Partial Discharge,PRPD)和脉冲序列的相位分布(Phase Resolved Pulse Sequence,PRPS)为主。PRPD图谱体现了局部放电的放电量q、相位φ和放电次数n的三维关系,具有检测条件要求较低、监测信号噪声分量低等优势,对局放PRPD图谱的特征提取可以支撑对局放的模式识别技术。目前,对于PRPD图谱的特征提取主要为基于传统方法的特征提取分析,相关的模式识别算法具有泛化能力较低、鲁棒性较低的缺陷。
近年来,卷积神经网络因其在图像分类领域的高效性和自动提取特征等优点引发了大量研究和关注。也有部分学者尝试将卷积神经网络或者其他的深度学习方法应用于局部放电模式识别算法中,但是,由于局部放电样本量较少,受此局限,在模型训练阶段,深度学习网络模型往往不能提取到充足的特征信息来提供分类依据,这极大地限制了深度学习的性能。
综上,电力设备中由于绝缘缺陷类型的形状、位置等因素的不同,往往会产生具有不同特征的局部放电,常见的如绝缘放电、悬浮放电、沿面放电、尖端放电等。在现有的研究方法中,有的通过从PRPD图谱中进行分类特征提取,但是因为样本量有限而影响最终效果;有的通过对单一的实时波形进行特征提取并作为分类依据,但是此类算法往往忽略了对于局放分类极为重要的相位和次数分布特征参数,无法实现最佳的判决。
发明内容
针对现有技术的不足,本发明提出了一种基于深度卷积生成对抗网络的电力设备局部放电模式识别方法;
本发明还提出了一种基于深度卷积生成对抗网络的电力设备局部放电模式识别系统。
本发明提出将深度卷积生成对抗网络应用于训练前期的样本扩充中,提高局部放电PRPD图谱训练样本的多样性,提高模型的特征提取能力。对于后续的识别网络,本发明提出将时域波形信号与PRPD图谱作为联合特征,同时对放电类型进行判别,二者的综合结果作为最终的识别结果,进一步提高分类准确性。深度卷积生成对抗网络(DeepConvolutional GAN,即DCGAN)将卷积网络引入生成对抗网络(GAN)结构中,可以充分利用卷积层强大的特征提取能力来提高传统GAN的生成效果,将DCGAN引入电力设备局部放电模式识别技术之中为后续的研究提供了新的思路。
本发明的技术方案为:
一种基于深度卷积生成对抗网络的电力设备局部放电模式识别方法,包括步骤如下:
步骤1:获取局部放电信号的PRPD图谱并进行预处理;通过深度卷积生成对抗网络对局部放电信号的PRPD图谱进行特征提取,并自动生成多样化的PRPD图谱,得到扩充的数据集;采用扩充的数据集对分类网络进行训练得到第一分类模型;
步骤2:获取局部放电信号的实时波形并进行预处理,采用预处理后的局部放电信号的实时波形对分类网络进行训练得到第二分类模型;
步骤3:将待分类的局部放电信号的PRPD图谱通过步骤1所述的预处理后输入第一分类模型,得到的第一分类结果;将该待分类的局部放电信号的实时波形通过步骤2所述的预处理后输入第二分类模型,得到第二分类结果;对第一分类结果和第二分类结果按照权重计算,得到最终的电力设备局部放电模式判别结果;电力设备局部放电模式判别结果是指电力设备局部放电类型,包括尖端放电、悬浮放电、沿面放电、绝缘放电,绝缘放电包括油中气隙和油隙放电。
根据本发明优选的,将高频电流传感器安装在电力设备的接地线上,对局部放电信号的实时波形进行采集,同时,通过局放仪生成局部放电信号的PRPD图谱;局部放电信号的PRPD图谱记录一段时间内的放电量q、放电相位和放电次数n的分布情况,局部放电信号的实时波形记录每一次放电的波形信息。
根据本发明优选的,步骤1中,对局部放电信号的PRPD图谱进行预处理,具体包括:
步骤1.1:去噪、归一化处理;对局部放电信号的PRPD图谱进行归一化处理,将并将归一化幅值在0.1以下的数据滤除,得到去噪的局部放电信号的PRPD图谱;
步骤1.2:生成灰度图;将去噪的局部放电信号的PRPD图谱按照数值线性映射到灰度值0-255,并绘制得到灰度图即PRPD数据集;
根据本发明优选的,深度卷积生成对抗网络包括生成器和判别器;
生成器包括一个全连接层、两层上采样层及三个卷积层,其中,相邻卷积层中间加入ReLU激活函数,输入一个1*512的随机噪声向量z,z经过一个全连接层得到通道数为128、大小为35*68的图片,再经过两层上采样层的两次上采样和三个卷积层的三次卷积后输出,生成通道数为1、大小为140*272的灰度图谱;
判别器包括四个卷积层、一个全连接层,其中,相邻卷积层中间加入LeakyReLU激活函数;判别器的输入图片为140*272大小的单通道灰度图即灰度图谱,输入图片经过四个卷积层的四层卷积后再经过一个全连接层得到电力设备局部放电模式判别结果。
在判别器中使用LeakyReLU激活函数,生成器中采用ReLU激活函数,输出层采用Tanh激活函数;
生成器的损失函数loss如式(Ⅰ)所示:
式(Ⅰ)中,λ是用来调整参数范数惩罚与经验损失的相对贡献的超参数;wi是第一分类模型及第二分类模型的参数;Z为生成器的输入噪声,G(Z)为生成器的输出图片,D(G(z))为判别器对生成图片的判别结果,i为下标,表示wi为第几个参数,n为深度卷积生成对抗网络的参数的个数;
根据本发明优选的,步骤1中,将步骤1.2生成的PRPD数据集对深度卷积生成对抗网络进行训练,得到扩充后的PRPD灰度图谱数据集即扩充后的数据集。
根据本发明优选的,步骤2中,对局部放电信号的实时波形进行预处理,具体包括:
先对局部放电信号的实时波形进行去噪、归一化处理;再对去噪、归一化处理后的局部放电信号的实时波形进行截取,获取单次放电的局部放电信号的实时波形,格式为一维txt文本,文本数值表示放电幅值。
根据本发明优选的,分类网络是指VGG16深度学习网络;VGG16深度学习网络包括13个卷积层、5个最大值池化层、3个全连接层和Softmax层,通过卷积层实现通道数的增加;最大值池化层用于降低特征图尺寸并提高网络抗干扰能力;图谱经过卷积层和池化层的计算使得通道数和尺寸改变,卷积层输出的特征图进行维度和尺寸变换操作后,送入全连接层,得到电力设备局部放电模式判别结果。
根据本发明优选的,对两个分类网络分别用PRPD灰度图谱和波形数据进行训练,由各自在验证集上的准确率来确定两个网络模型输出所占权重,包括步骤如下:
(1)将扩充的数据集随机划分为训练集和测试集;将预处理后的局部放电信号的实时波形分为训练集和测试集;
(2)用PRPD图谱对分类网络进行训练,得到对于各类放电类型的不同识别率,按照识别率分布得到PRPD灰度图谱对应的权重;
(3)用预处理后的局部放电信号的实时波形对分类网络进行训练,得到对于各类放电类型的不同识别率,按照识别率分布得到实时波形数据对应的权重;
根据本发明优选的,按照识别率分布得到PRPD灰度图谱对应的权重,按照识别率分布得到实时波形数据对应的权重;具体是指:
对于训练后的第一分类模型,得到第一分类模型对于五种电力设备局部放电类型的识别准确率分别设为A1、B1、C1、D1、E1;第一分类模型的平均识别准确率为ACC1=(A1+B1+C1+D1+E1)/5;
对于训练后的第二分类模型,得到第二分类模型对于五种电力设备局部放电类型的识别准确率分别设为A2、B2、C2、D2、E2;第二分类模型的平均识别准确率为ACC2=(A2+B2+C2+D2+E2)/5;
则第一分类模型中PRPD灰度图谱对应的权重W1=ACC1/(ACC1+ACC2);则第二分类模型中实时波形数据对应的权重W2=ACC2/(ACC1+ACC2)。
根据本发明优选的,步骤3中,根据得到第一分类模型和第二分类模型的输出所占权重,将待测数据对应的PRPD灰度图谱和实时波形数据分别输入第一分类模型和第二分类模型,将第一分类结果与第一分类模型的输出所占权重相乘,将第二分类结果与第二分类模型的输出所占权重相乘,两者相比较,较大者即最终的电力设备局部放电模式判别结果。
一种基于深度卷积生成对抗网络的电力设备局部放电模式识别系统,包括数据获取模块、预处理模块、PRPD灰度图谱构建模块、PRPD数据集扩充模块、放电模式识别模块;
所述数据获取模块用于:获取局部放电信号的PRPD图谱及局部放电信号的实时波形;所述预处理模块用于:对获取局部放电信号的PRPD图谱进行预处理,并对局部放电信号的实时波形进行预处理;所述PRPD灰度图谱构建模块用于:基于预处理后的PRPD图谱,构建PRPD灰度图谱;所述PRPD数据集扩充模块用于:通过深度卷积生成对抗网络对局部放电信号的PRPD图谱进行特征提取,并自动生成多样化的PRPD图谱,得到扩充的数据集;所述放电模式识别模块用于:放电模式识别模块,其被配置为:将待分类的局部放电信号的PRPD图谱通过步骤1所述的预处理后输入第一分类模型,得到的第一分类结果;将该待分类的局部放电信号的实时波形通过步骤2所述的预处理后输入第二分类模型,得到第二分类结果;对第一分类结果和第二分类结果按照权重计算,得到最终的电力设备局部放电模式判别结果。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现基于深度卷积生成对抗网络的电力设备局部放电模式识别方法的步骤。
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基于深度卷积生成对抗网络的电力设备局部放电模式识别方法的步骤。
本发明的有益效果为:
本发明提出了一种基于深度卷积生成对抗网络的电力设备局部放电模式识别方法及系统,旨在实现对变压器局部放电信号类型的可靠识别。本发明在此基础上提出的DCGAN扩充PRPD图谱样本集的创新点解决了样本量的多样性问题;联合PRPD图谱和实时波形的双重特征进行判决则充分提取了局部放电信号多维度的信息特征,使判决结果的特征更具可靠性和鲁棒性。
附图说明
图1为基于深度卷积生成对抗网络的电力设备局部放电模式识别方法的流程示意图;
图2为局部放电信号的PRPD图谱示例(油隙放电)示意图;
图3为深度卷积生成对抗网络的网络结构示意图;
图4为生成器的网络结构示意图;
图5为判别器的网络结构示意图;
图6为VGG16深度学习网络的网络架构示意图;
图7(a)为尖端放电PRPD图谱示意图;
图7(b)为油中气隙放电PRPD图谱示意图;
图7(c)为悬浮放电PRPD图谱示意图;
图7(d)为沿面放电PRPD图谱示意图;
图7(e)为油隙放电PRPD图谱示意图。
具体实施方式
下面结合说明书附图和实施例对本发明作进一步限定,但不限于此。
实施例1
电气设备局部放电模式识别算法的研究在传统方法领域受限于计算复杂度和稳定性较低等因素,算法在实际应用中效果不理想。目前在深度学习平台上进行的局部放电模式识别算法由于样本量有限而无法通过常规模型训练获得泛化性较好的分类效果。针对上述问题,本发明通过将具有强大特征提取能力的深度卷积生成对抗网络(DCGAN)应用于PRPD图谱的样本扩充步骤,提高样本库的多样性,并提出在深度学习平台上结合PRPD图谱和实时波形信号联合特征的模式识别算法。具体的分类网络模型采用对于图像分类较为成熟的VGG16(Visual Geometry Group Network)网络,通过上述处理实现对电力设备局部放电信号的准确模式识别。
此发明是通过对高频传感器采集、借助局放仪生成的PRPD图谱进行一定处理后,通过DCGAN扩充样本,用扩充后的样本集对分类网络进行训练,再用高频传感器采集的局部放电实时波形对分类网络进行训练,两个网络输出结合一定权重得到最终结果的分类过程。一种基于深度卷积生成对抗网络的电力设备局部放电模式识别方法,如图1所示,包括步骤如下:
步骤1:获取局部放电信号的PRPD图谱并进行预处理;通过深度卷积生成对抗网络对局部放电信号的PRPD图谱进行特征提取,并自动生成多样化的PRPD图谱,得到扩充的数据集;采用扩充的数据集对分类网络进行训练得到第一分类模型;
步骤2:获取局部放电信号的实时波形并进行预处理,采用预处理后的局部放电信号的实时波形对分类网络进行训练得到第二分类模型;
步骤3:将待分类的局部放电信号的PRPD图谱通过步骤1所述的预处理后输入第一分类模型,得到的第一分类结果;将该待分类的局部放电信号的实时波形通过步骤2所述的预处理后输入第二分类模型,得到第二分类结果;对第一分类结果和第二分类结果按照权重计算,得到最终的电力设备局部放电模式判别结果;电力设备局部放电模式判别结果是指电力设备局部放电类型,包括尖端放电、悬浮放电、沿面放电、绝缘放电,绝缘放电包括油中气隙和油隙放电。
实施例2
根据实施例1所述的一种基于深度卷积生成对抗网络的电力设备局部放电模式识别方法,其区别在于:
将高频电流传感器安装在电力设备的接地线上,对局部放电信号的实时波形进行采集,同时,通过局放仪生成局部放电信号的PRPD图谱;局部放电信号的PRPD图谱记录一段时间(30个工频周期)内的放电量q、放电相位和放电次数n的分布情况,局部放电信号的实时波形记录每一次放电的波形信息。放电的实时波形数据记录的是每一次放电发生时产生的高频电流脉冲,根据放电类型的不同,对应的放电脉冲波形会有所不同,每一次放电的波形信息主要包括持续时间、峰值、脉冲密度等不同。
步骤1中,对局部放电信号的PRPD图谱进行预处理,具体包括:
步骤1.1:去噪、归一化处理;由于测量过程中受到电磁干扰、机器热噪声等因素影响,PRPD图谱在横轴附近存在大量幅值低、密集度极高的放电,非真实的局部放电。对局部放电信号的PRPD图谱进行归一化处理,将并将归一化幅值在0.1以下的数据滤除,得到去噪的局部放电信号的PRPD图谱;
步骤1.2:生成灰度图;为了保存数据精度,将去噪的局部放电信号的PRPD图谱按照数值线性映射到灰度值0-255,并绘制得到灰度图即PRPD数据集;得到尺寸为272*140、单通道的灰度图;示例图如图2。
生成对抗网络(Generative Adversarial Networks,GAN)主要由生成器(Generator,G)和判别器(Discriminator,D)两部分组成。G接收按照一定概率分布生成的随机分布作为噪声,生成和真实数据尽可能类似的数据;而D则负责从真实数据集和生成的图片中,区分真假。两者的目的相反,由此构成了一个博弈过程,在这个训练过程中,G和D的性能均会得到不断提升,最终达到纳什均衡,此时生成器的生成数据极为接近真实数据,从而达到我们扩充数据集的目标。针对这一原理,我们假定用于生成数据的噪声分布是pz(z),真实数据分布是pdata(x),则GAN的目标公式描述为:
D(x)表示x来源于真实数据的分布,理想情况下,D(x)=1,logD(x)=0。若是分类器不理想,则D(x)输出越小,logD(x)则会越小。G(z)表示噪声经过生成器后生成的样本,D(G(z))则是分类器认为生成样本属于真实样本的概率,理想情况下这个数值为0,但当性能越不好,D(G(z))越大,log(1-D(G(z)))就会越小。
如图3所示,深度卷积生成对抗网络包括生成器和判别器;
如图4所示,生成器包括一个全连接层、两层上采样层及三个卷积层,其中,相邻卷积层中间加入ReLU激活函数,输入一个1*512的随机噪声向量z,z经过一个全连接层得到通道数为128、大小为35*68的图片,再经过两层上采样层的两次上采样和三个卷积层的三次卷积后输出,生成通道数为1、大小为140*272的灰度图谱;
如图5所示,判别器包括四个卷积层、一个全连接层,其中,相邻卷积层中间加入LeakyReLU激活函数;判别器的输入图片为140*272大小的单通道灰度图即灰度图谱,这些图片是真实图片和来自生成器的生成图片。输入图片经过四个卷积层的四层卷积后再经过一个全连接层得到电力设备局部放电模式判别结果。
相较于传统的生成对抗网络,DCGAN是基于深度卷积的GAN,其G和D均由卷积网络组成;除了生成器的最后一层和判别器的第一层外,每一层都使用batchnorm层,将特征层的输出归一化到一起,加速了训练,提升了训练的稳定性;
在判别器中使用LeakyReLU激活函数,防止梯度稀疏;生成器中采用ReLU激活函数,输出层采用Tanh激活函数;
生成器和判决器的结构如图4和图5所示,是两个近似对称的模型。本发明对于DCGAN的生成器部分的损失函数提出改进,为了解决训练过程中生成器过拟合问题,在二值化交叉熵损失函数(如公式(2))的基础上加入正则项L1。
loss(D(G(z)),1)=-[logD(G(z))] (2)
加入正则项的损失函数为:
生成器的损失函数loss如式(Ⅰ)所示:
式(Ⅰ)中,λ是用来调整参数范数惩罚与经验损失的相对贡献的超参数;wi是第一分类模型及第二分类模型的参数;Z为生成器的输入噪声,G(Z)为生成器的输出图片,D(G(z))为判别器对生成图片的判别结果,i为下标,表示wi为第几个参数,n为深度卷积生成对抗网络的参数的个数;
生成式对抗网络(GAN,Generative Adversarial Networks)是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中生成模型(Generative Model)和判别模型(Discriminative Model)的互相博弈学习产生相当好的输出。但原始的GAN在训练过程中存在诸多问题,很难达到稳定效果,因此,本发明选取DCGAN进行样本扩充工作,DCGAN取消了全连接层,直接采用卷积层连接输入输出层,增加了模型稳定性。同时为了避免遗漏放电信息在时域波形上的特征,分类模型加入了实时波形这一特征作为占有一定权重的判别因子,双重特征的联合判决进一步提高了识别准确性。
步骤1中,将步骤1.2生成的PRPD数据集对深度卷积生成对抗网络进行训练,得到扩充后的PRPD灰度图谱数据集即扩充后的数据集。
步骤2中,对局部放电信号的实时波形进行预处理,具体包括:
先对局部放电信号的实时波形进行去噪、归一化处理;再对去噪、归一化处理后的局部放电信号的实时波形进行截取,获取单次放电的局部放电信号的实时波形,格式为一维txt文本,文本数值表示放电幅值。为后续的模型训练提供支撑。
分类网络是指VGG16深度学习网络;如图6所示,VGG16深度学习网络包括13个卷积层、5个最大值池化层、3个全连接层和Softmax层,通过卷积层实现通道数的增加;最大值池化层用于降低特征图尺寸并提高网络抗干扰能力;图谱经过卷积层和池化层的计算使得通道数和尺寸改变,卷积层输出的特征图进行维度和尺寸变换操作后,送入全连接层,得到电力设备局部放电模式判别结果。
在VGG16中,使用多个较小卷积核(3*3)的卷积层替代卷积核较大的卷积层,这一举措可以减少参数,同时也相当于进行了更多的非线性映射,进一步增加网络的拟合能力。
对两个分类网络分别用PRPD灰度图谱和波形数据进行训练,由各自在验证集上的准确率来确定两个网络模型输出所占权重,包括步骤如下:
(1)将扩充的数据集随机划分为训练集和测试集;将预处理后的局部放电信号的实时波形分为训练集和测试集;
(2)用PRPD图谱对分类网络进行训练,得到对于各类放电类型的不同识别率,按照识别率分布得到PRPD灰度图谱对应的权重;
(3)用预处理后的局部放电信号的实时波形对分类网络进行训练,得到对于各类放电类型的不同识别率,按照识别率分布得到实时波形数据对应的权重;
按照识别率分布得到PRPD灰度图谱对应的权重,按照识别率分布得到实时波形数据对应的权重;具体是指:
对于训练后的第一分类模型,得到第一分类模型对于五种电力设备局部放电类型的识别准确率分别设为A1、B1、C1、D1、E1;第一分类模型的平均识别准确率为ACC1=(A1+B1+C1+D1+E1)/5;
对于训练后的第二分类模型,得到第二分类模型对于五种电力设备局部放电类型的识别准确率分别设为A2、B2、C2、D2、E2;第二分类模型的平均识别准确率为ACC2=(A2+B2+C2+D2+E2)/5;
则第一分类模型中PRPD灰度图谱对应的权重W1=ACC1/(ACC1+ACC2);则第二分类模型中实时波形数据对应的权重W2=ACC2/(ACC1+ACC2)。
步骤3中,根据得到第一分类模型和第二分类模型的输出所占权重,将待测数据对应的PRPD灰度图谱和实时波形数据分别输入第一分类模型和第二分类模型,将第一分类结果与第一分类模型的输出所占权重相乘,将第二分类结果与第二分类模型的输出所占权重相乘,两者相比较,较大者即最终的电力设备局部放电模式判别结果。
图7(a)为尖端放电PRPD图谱示意图;图7(b)为油中气隙放电PRPD图谱示意图;图7(c)为悬浮放电PRPD图谱示意图;图7(d)为沿面放电PRPD图谱示意图;图7(e)为油隙放电PRPD图谱示意图。DCGAN生成的样本数据具有五种局部放电PRPD图谱的典型特征,且比原本的数据集更具多样性,使得数据集样本数量和多样性得到极大提升。
实施例3
一种基于深度卷积生成对抗网络的电力设备局部放电模式识别系统,包括数据获取模块、预处理模块、PRPD灰度图谱构建模块、PRPD数据集扩充模块、放电模式识别模块;
数据获取模块用于:获取局部放电信号的PRPD图谱及局部放电信号的实时波形;预处理模块用于:对获取局部放电信号的PRPD图谱进行预处理,并对局部放电信号的实时波形进行预处理;PRPD灰度图谱构建模块用于:基于预处理后的PRPD图谱,构建PRPD灰度图谱;PRPD数据集扩充模块用于:通过深度卷积生成对抗网络对局部放电信号的PRPD图谱进行特征提取,并自动生成多样化的PRPD图谱,得到扩充的数据集;放电模式识别模块用于:放电模式识别模块,其被配置为:将待分类的局部放电信号的PRPD图谱通过步骤1所述的预处理后输入第一分类模型,得到的第一分类结果;将该待分类的局部放电信号的实时波形通过步骤2所述的预处理后输入第二分类模型,得到第二分类结果;对第一分类结果和第二分类结果按照权重计算,得到最终的电力设备局部放电模式判别结果。
实施例4
一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现实施例1或2所述的基于深度卷积生成对抗网络的电力设备局部放电模式识别方法的步骤。
实施例5
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现实施例1或2所述的基于深度卷积生成对抗网络的电力设备局部放电模式识别方法的步骤。
Claims (10)
1.一种基于深度卷积生成对抗网络的电力设备局部放电模式识别方法,其特征在于,包括步骤如下:
步骤1:获取局部放电信号的PRPD图谱并进行预处理;通过深度卷积生成对抗网络对局部放电信号的PRPD图谱进行特征提取,并自动生成多样化的PRPD图谱,得到扩充的数据集;采用扩充的数据集对分类网络进行训练得到第一分类模型;
步骤2:获取局部放电信号的实时波形并进行预处理,采用预处理后的局部放电信号的实时波形对分类网络进行训练得到第二分类模型;
步骤3:将待分类的局部放电信号的PRPD图谱通过步骤1所述的预处理后输入第一分类模型,得到的第一分类结果;将该待分类的局部放电信号的实时波形通过步骤2所述的预处理后输入第二分类模型,得到第二分类结果;对第一分类结果和第二分类结果按照权重计算,得到最终的电力设备局部放电模式判别结果;电力设备局部放电模式判别结果是指电力设备局部放电类型,包括尖端放电、悬浮放电、沿面放电、绝缘放电,绝缘放电包括油中气隙和油隙放电。
2.根据权利要求1所述的一种基于深度卷积生成对抗网络的电力设备局部放电模式识别方法,其特征在于,将高频电流传感器安装在电力设备的接地线上,对局部放电信号的实时波形进行采集,同时,通过局放仪生成局部放电信号的PRPD图谱;局部放电信号的PRPD图谱记录一段时间内的放电量q、放电相位和放电次数n的分布情况,局部放电信号的实时波形记录每一次放电的波形信息;
步骤1中,对局部放电信号的PRPD图谱进行预处理,具体包括:
步骤1.1:去噪、归一化处理;对局部放电信号的PRPD图谱进行归一化处理,将并将归一化幅值在0.1以下的数据滤除,得到去噪的局部放电信号的PRPD图谱;
步骤1.2:生成灰度图;将去噪的局部放电信号的PRPD图谱按照数值线性映射到灰度值0-255,并绘制得到灰度图即PRPD数据集。
3.根据权利要求1所述的一种基于深度卷积生成对抗网络的电力设备局部放电模式识别方法,其特征在于,深度卷积生成对抗网络包括生成器和判别器;
生成器包括一个全连接层、两层上采样层及三个卷积层,其中,相邻卷积层中间加入ReLU激活函数,输入一个1*512的随机噪声向量z,z经过一个全连接层得到通道数为128、大小为35*68的图片,再经过两层上采样层的两次上采样和三个卷积层的三次卷积后输出,生成通道数为1、大小为140*272的灰度图谱;
判别器包括四个卷积层、一个全连接层,其中,相邻卷积层中间加入LeakyReLU激活函数;判别器的输入图片为140*272大小的单通道灰度图即灰度图谱,输入图片经过四个卷积层的四层卷积后再经过一个全连接层得到电力设备局部放电模式判别结果;
在判别器中使用LeakReLU激活函数,生成器中采用ReLU激活函数,输出层采用Tanh激活函数;
生成器的损失函数loss如式(Ⅰ)所示:
式(Ⅰ)中,λ是用来调整参数范数惩罚与经验损失的相对贡献的超参数;wi是第一分类模型及第二分类模型的参数;Z为生成器的输入噪声,G(Z)为生成器的输出图片,D(G(z))为判别器对生成图片的判别结果,i为下标,表示wi为第几个参数,n为深度卷积生成对抗网络的参数的个数。
4.根据权利要求2所述的一种基于深度卷积生成对抗网络的电力设备局部放电模式识别方法,其特征在于,步骤1中,将步骤1.2生成的PRPD数据集对深度卷积生成对抗网络进行训练,得到扩充后的PRPD灰度图谱数据集即扩充后的数据集;
步骤2中,对局部放电信号的实时波形进行预处理,具体包括:
先对局部放电信号的实时波形进行去噪、归一化处理;再对去噪、归一化处理后的局部放电信号的实时波形进行截取,获取单次放电的局部放电信号的实时波形,格式为一维txt文本,文本数值表示放电幅值。
5.根据权利要求1所述的一种基于深度卷积生成对抗网络的电力设备局部放电模式识别方法,其特征在于,分类网络是指VGG16深度学习网络;VGG16深度学习网络包括13个卷积层、5个最大值池化层、3个全连接层和Softmax层,通过卷积层实现通道数的增加;最大值池化层用于降低特征图尺寸并提高网络抗干扰能力;图谱经过卷积层和池化层的计算使得通道数和尺寸改变,卷积层输出的特征图进行维度和尺寸变换操作后,送入全连接层,得到电力设备局部放电模式判别结果。
6.根据权利要求1所述的一种基于深度卷积生成对抗网络的电力设备局部放电模式识别方法,其特征在于,对两个分类网络分别用PRPD灰度图谱和波形数据进行训练,由各自在验证集上的准确率来确定两个网络模型输出所占权重,包括步骤如下:
(1)将扩充的数据集随机划分为训练集和测试集;将预处理后的局部放电信号的实时波形分为训练集和测试集;
(2)用PRPD图谱对分类网络进行训练,得到对于各类放电类型的不同识别率,按照识别率分布得到PRPD灰度图谱对应的权重;
(3)用预处理后的局部放电信号的实时波形对分类网络进行训练,得到对于各类放电类型的不同识别率,按照识别率分布得到实时波形数据对应的权重;
按照识别率分布得到PRPD灰度图谱对应的权重,按照识别率分布得到实时波形数据对应的权重;具体是指:
对于训练后的第一分类模型,得到第一分类模型对于五种电力设备局部放电类型的识别准确率分别设为A1、B1、C1、D1、E1;第一分类模型的平均识别准确率为ACC1=(A1+B1+C1+D1+E1)/5;
对于训练后的第二分类模型,得到第二分类模型对于五种电力设备局部放电类型的识别准确率分别设为A2、B2、C2、D2、E2;第二分类模型的平均识别准确率为ACC2=(A2+B2+C2+D2+E2)/5;
则第一分类模型中PRPD灰度图谱对应的权重W1=ACC1/(ACC1+ACC2);则第二分类模型中实时波形数据对应的权重W2=ACC2/(ACC1+ACC2)。
7.根据权利要求1所述的一种基于深度卷积生成对抗网络的电力设备局部放电模式识别方法,其特征在于,步骤3中,根据得到第一分类模型和第二分类模型的输出所占权重,将待测数据对应的PRPD灰度图谱和实时波形数据分别输入第一分类模型和第二分类模型,将第一分类结果与第一分类模型的输出所占权重相乘,将第二分类结果与第二分类模型的输出所占权重相乘,两者相比较,较大者即最终的电力设备局部放电模式判别结果。
8.一种基于深度卷积生成对抗网络的电力设备局部放电模式识别系统,用于执行权利要求1-7任一所述的基于深度卷积生成对抗网络的电力设备局部放电模式识别方法,其特征在于,包括数据获取模块、预处理模块、PRPD灰度图谱构建模块、PRPD数据集扩充模块、放电模式识别模块;
所述数据获取模块用于:获取局部放电信号的PRPD图谱及局部放电信号的实时波形;所述预处理模块用于:对获取局部放电信号的PRPD图谱进行预处理,并对局部放电信号的实时波形进行预处理;所述PRPD灰度图谱构建模块用于:基于预处理后的PRPD图谱,构建PRPD灰度图谱;所述PRPD数据集扩充模块用于:通过深度卷积生成对抗网络对局部放电信号的PRPD图谱进行特征提取,并自动生成多样化的PRPD图谱,得到扩充的数据集;所述放电模式识别模块用于:放电模式识别模块,其被配置为:将待分类的局部放电信号的PRPD图谱通过步骤1所述的预处理后输入第一分类模型,得到的第一分类结果;将该待分类的局部放电信号的实时波形通过步骤2所述的预处理后输入第二分类模型,得到第二分类结果;对第一分类结果和第二分类结果按照权重计算,得到最终的电力设备局部放电模式判别结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-7任一所述的基于深度卷积生成对抗网络的电力设备局部放电模式识别方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7任一所述的基于深度卷积生成对抗网络的电力设备局部放电模式识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210060566.8A CN114417926A (zh) | 2022-01-19 | 2022-01-19 | 一种基于深度卷积生成对抗网络的电力设备局部放电模式识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210060566.8A CN114417926A (zh) | 2022-01-19 | 2022-01-19 | 一种基于深度卷积生成对抗网络的电力设备局部放电模式识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114417926A true CN114417926A (zh) | 2022-04-29 |
Family
ID=81275815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210060566.8A Pending CN114417926A (zh) | 2022-01-19 | 2022-01-19 | 一种基于深度卷积生成对抗网络的电力设备局部放电模式识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114417926A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115267462A (zh) * | 2022-09-30 | 2022-11-01 | 丝路梵天(甘肃)通信技术有限公司 | 一种基于自适应标签生成的局部放电类型识别方法 |
CN115993511A (zh) * | 2023-03-22 | 2023-04-21 | 武汉纺织大学 | 一种局部放电类型高精度检测识别装置、方法和设备 |
WO2023213332A1 (zh) * | 2022-06-27 | 2023-11-09 | 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 |
CN117332268A (zh) * | 2023-10-08 | 2024-01-02 | 上海交通大学 | 一种改进gan的gis局放数据增强方法及系统 |
CN117894319A (zh) * | 2024-03-14 | 2024-04-16 | 南京土星信息科技有限公司 | 基于机器学习数据生成的小样本声纹识别模型训练方法 |
-
2022
- 2022-01-19 CN CN202210060566.8A patent/CN114417926A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023213332A1 (zh) * | 2022-06-27 | 2023-11-09 | 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 |
CN115267462A (zh) * | 2022-09-30 | 2022-11-01 | 丝路梵天(甘肃)通信技术有限公司 | 一种基于自适应标签生成的局部放电类型识别方法 |
CN115993511A (zh) * | 2023-03-22 | 2023-04-21 | 武汉纺织大学 | 一种局部放电类型高精度检测识别装置、方法和设备 |
CN117332268A (zh) * | 2023-10-08 | 2024-01-02 | 上海交通大学 | 一种改进gan的gis局放数据增强方法及系统 |
CN117894319A (zh) * | 2024-03-14 | 2024-04-16 | 南京土星信息科技有限公司 | 基于机器学习数据生成的小样本声纹识别模型训练方法 |
CN117894319B (zh) * | 2024-03-14 | 2024-05-17 | 南京土星信息科技有限公司 | 基于机器学习数据生成的小样本声纹识别模型训练方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114417926A (zh) | 一种基于深度卷积生成对抗网络的电力设备局部放电模式识别方法及系统 | |
CN108573225B (zh) | 一种局部放电信号模式识别方法及系统 | |
CN105548832B (zh) | 高压电力电缆故障识别方法 | |
CN109116203A (zh) | 基于卷积神经网络的电力设备局部放电故障诊断方法 | |
CN105044566B (zh) | 一种基于特征超高频信号的gis局部放电故障检测方法 | |
CN111042917B (zh) | 一种基于goa-mckd和层次离散熵的共轨喷油器微弱故障诊断方法 | |
CN109766952A (zh) | 基于偏最小二乘法和极限学习机的光伏阵列故障检测方法 | |
CN103558519A (zh) | 一种gis局部放电超声波信号识别方法 | |
CN110927535A (zh) | 基于极限学习机的电力设备局部放电严重程度评估方法 | |
CN109270345A (zh) | 一种电网谐波信号的检测方法 | |
CN112149549A (zh) | 一种基于深度残差网络的gis局部放电类型识别方法 | |
CN114325256A (zh) | 一种电力设备局部放电识别方法、系统、设备及存储介质 | |
CN115758200A (zh) | 一种基于相似度度量的振动信号故障识别方法及系统 | |
CN106326918A (zh) | 一种变压器局部放电超高频信号多尺度能量特征线性识别方法 | |
CN113805018A (zh) | 一种配电网10kV电缆局部放电故障类型智能识别方法 | |
CN113514743B (zh) | 一种基于多维特征的gis局部放电模式识别系统构建方法 | |
CN115600088A (zh) | 一种基于振动信号的配电变压器故障诊断方法 | |
CN108508297A (zh) | 一种基于突变系数和svm的故障电弧检测方法 | |
CN113283474A (zh) | 一种基于svm的局部放电模式识别方法 | |
CN116910648A (zh) | Gis设备局部放电图谱分析方法、系统及介质 | |
CN112183260A (zh) | 一种基于总变差降噪与rqa的单向阀故障诊断方法 | |
CN114065824B (zh) | 一种对局部放电信号类型快速识别的方法 | |
CN116699400A (zh) | 一种发电机转子短路故障监测系统、方法及可读存储介质 | |
CN116008751A (zh) | 一种基于样本增强的电缆局部放电故障特性识别方法 | |
CN116503710A (zh) | 基于自适应卷积神经网络的gis局部放电类型识别方法 |
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 |