CN115239971A - Gis局部放电类型识别模型训练方法、识别方法及系统 - Google Patents

Gis局部放电类型识别模型训练方法、识别方法及系统 Download PDF

Info

Publication number
CN115239971A
CN115239971A CN202210820906.2A CN202210820906A CN115239971A CN 115239971 A CN115239971 A CN 115239971A CN 202210820906 A CN202210820906 A CN 202210820906A CN 115239971 A CN115239971 A CN 115239971A
Authority
CN
China
Prior art keywords
partial discharge
prpd
gis
map
discharge type
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
Application number
CN202210820906.2A
Other languages
English (en)
Inventor
丁然
腾云
赵科
庄添鑫
李洪涛
马径坦
李玉杰
肖焓艳
刘咏飞
张照辉
徐阳
高山
陈少波
杨景刚
刘建军
孙蓉
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.)
State Grid Jiangsu Electric Power Co ltd Innovation And Innovation Center
State Grid Jiangsu Electric Power Co Ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Jiangsu Electric Power Co ltd Innovation And Innovation Center
State Grid Jiangsu Electric Power Co Ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power 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 State Grid Jiangsu Electric Power Co ltd Innovation And Innovation Center, State Grid Jiangsu Electric Power Co Ltd, Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Jiangsu Electric Power Co ltd Innovation And Innovation Center
Priority to CN202210820906.2A priority Critical patent/CN115239971A/zh
Publication of CN115239971A publication Critical patent/CN115239971A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明公开了一种GIS局部放电类型识别模型训练方法、识别方法及系统，本发明从典型局部放电的PRPD图谱中提取统计特征向量和纹理特征向量，并将纹理特征向量进行融合降维，与统计特征向量共同构成图谱特征集，然后划分出训练样本集对SVM模型进行训练，在训练中采用HHO算法优化SVM模型参数，克服了传统局部放电类型识别模型需要大量训练数据支撑和需要各类型数据样本数量均衡的局限性。

Description

GIS局部放电类型识别模型训练方法、识别方法及系统
技术领域
本发明涉及一种GIS局部放电类型识别模型训练方法、识别方法及系统，属于GIS局部放电类型识别技术领域。
背景技术
近年来，电力系统日渐庞大，GIS(气体绝缘组合电器)在电力系统中也起着越来越重要的作用。GIS在安装和运行过程中会产生各种各样的缺陷，比如管道内金属微粒、绝缘子缺陷、表面污秽等，对GIS可靠性的统计表明，电气故障的最通常的特征是绝缘击穿前的局部放电，在GIS运行过程中局部放电发展到一定程度会严重威胁电力系统安全。由于对GIS设备的全面检修存在工作量大、停电范围广、经济损耗大等诸多问题，因此GIS局部放电类型识别具有重要意义。
采用深度学习的方法对GIS局部放电类型进行识别是当前局放类型识别的一种新思路，该方法的好处在于对GIS局部放电类型数据的简单处理，采用深度学习的方法不需要使用者对GIS局放数据波形特征有较为深入的研究和了解，只需要对数据进行简单的处理，就可将数据送到搭建好的模型中进行学习，让模型网络自身去寻找不同种类局部放电类型的图谱特征，从而达到局部放电类型识别的目的。
但采用此方法需要高质量的训练样本，首先训练样本的数量需要足够，其次需要各种类型训练样本的数量做到均衡。然而在实际的生成生活中，特定的局部放电类型发生概率较小，实际测量数据匮乏，所以在使用深度学习模型进行数据的训练学习时会导致模型训练不充分，最终造成对特定的局部放电类型识别结果不理想。
发明内容
本发明提供了一种GIS局部放电类型识别模型构建方法、识别方法及系统，解决了背景技术中披露的问题。
为了解决上述技术问题，本发明所采用的技术方案是：
GIS局部放电类型识别模型训练方法，包括：
获取GIS典型局部放电的PRPD图谱；
提取PRPD图谱的统计特征向量和纹理特征向量，并将纹理特征向量进行融合降维，与统计特征向量共同构成图谱特征集；
从图谱特征向量集中划分出训练样本集，采用训练样本训练GIS局部放电类型识别模型；其中，GIS局部放电类型识别模型为SVM模型，在训练中采用HHO算法优化SVM模型参数。
GIS典型局部放电的PRPD图谱包括GIS绝缘放电的PRPD图谱、GIS悬浮放电的PRPD图谱、GIS电晕放电的PRPD图谱和GIS自由粒子放电的PRPD图谱。
统计特征向量中的元素包括偏斜度、陡峭度、相位不对称度、放电量因数和相位相关系数；其中，偏斜度用来反映PRPD图谱形状相对于正态分布的左右偏斜程度，陡峭度用于描述PRPD图谱形状的分布对比于正态分布形状的突起程度，相位不对称度用来描述PRPD图谱正负半周期上初始电压的相位分布差异，放电量因数和相位相关系数用于描述PRPD图谱正负半周的轮廓差异。
纹理特征向量中的元素包括PRPD图谱形状的轮廓信息和梯度方向。
GIS局部放电类型识别模型训练系统，包括：
典型图谱获取模块，获取GIS典型局部放电的PRPD图谱；
典型图谱特征提取融合模块，提取PRPD图谱的统计特征向量和纹理特征向量，并将纹理特征向量进行融合降维，与统计特征向量共同构成图谱特征集；
训练模块，从图谱特征向量集中划分出训练样本集，采用训练样本训练GIS局部放电类型识别模型；其中，GIS局部放电类型识别模型为SVM模型，在训练中采用HHO算法优化SVM模型参数。
统计特征向量中的元素包括偏斜度、陡峭度、相位不对称度、放电量因数和相位相关系数；其中，偏斜度用来反映PRPD图谱形状相对于正态分布的左右偏斜程度，陡峭度用于描述PRPD图谱形状的分布对比于正态分布形状的突起程度，相位不对称度用来描述PRPD图谱正负半周期上初始电压的相位分布差异，放电量因数和相位相关系数用于描述PRPD图谱正负半周的轮廓差异。
纹理特征向量中的元素包括PRPD图谱形状的轮廓信息和梯度方向。
GIS局部放电类型识别方法，包括：
获取GIS局部放电的PRPD图谱；
提取PRPD图谱的统计特征向量和纹理特征向量，并将纹理特征向量进行融合降维，与统计特征向量共同构成图谱特征集；
将图谱特征向量集输入预先训练的GIS局部放电类型识别模型，获得GIS局部放电类型识别结果。
GIS局部放电类型识别系统，包括：
图谱获取模块，获取GIS局部放电的PRPD图谱；
图谱特征提取融合模块，提取PRPD图谱的统计特征向量和纹理特征向量，并将纹理特征向量进行融合降维，与统计特征向量共同构成图谱特征集；
识别模块，将图谱特征向量集输入预先训练的GIS局部放电类型识别模型，获得GIS局部放电类型识别结果。
一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行GIS局部放电类型识别模型训练或GIS局部放电类型识别方法。
本发明所达到的有益效果：本发明从典型局部放电的PRPD图谱中提取统计特征向量和纹理特征向量，并将纹理特征向量进行融合降维，与统计特征向量共同构成图谱特征集，然后划分出训练样本集对SVM模型进行训练，在训练中采用HHO算法优化SVM模型参数，克服了传统局部放电类型识别模型需要大量训练数据支撑和需要各类型数据样本数量均衡的局限性。
附图说明
图1为本发明训练方法的流程图；
图2为采集到的PRPD图谱
图3为本发明识别方法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
GIS局部放电类型识别模型训练方法，包括以下步骤：
步骤1，获取GIS典型局部放电的PRPD图谱；
步骤2，提取PRPD图谱的统计特征向量和纹理特征向量，并将纹理特征向量进行融合降维，与统计特征向量共同构成图谱特征集；
步骤3，从图谱特征向量集中划分出训练样本集，采用训练样本训练GIS局部放电类型识别模型；其中，GIS局部放电类型识别模型为SVM模型，在训练中采用HHO算法优化SVM模型参数。
上述方法从典型局部放电的PRPD图谱中提取统计特征向量和纹理特征向量，并将纹理特征向量进行融合降维，与统计特征向量共同构成图谱特征集，然后划分出训练样本集对SVM模型进行训练，在训练中采用HHO算法优化SVM模型参数。
深度学习算法需要大量的数据进行模型训练才能满足模型的识别精度；而传统机器学习只会采用训练统计特征参数的方法，受限于特征参数的种类，难以满足数据样本的均衡。本发明提出的方法克服了传统局部放电类型识别模型需要大量训练数据支撑和需要各类型数据样本数量均衡的局限性。
上述方法的具体流程如图1所示，步骤1中，可采用试验方式获取GIS典型局部放电的PRPD图谱，包括GIS绝缘放电的PRPD图谱、GIS悬浮放电的PRPD图谱、GIS电晕放电的PRPD图谱和GIS自由粒子放电的PRPD图谱，见图2。
可在高压实验室GIS试验段设置绝缘气隙缺陷、悬浮电位缺陷、尖端放电缺陷和自由金属颗粒缺陷这四种典型的局部放电缺陷，将这四种典型缺陷分别放置于GIS试验气室中模拟GIS局部放电缺陷，这四种局部放电缺陷分别对应绝缘放电、悬浮放电、电晕放电和自由粒子放电这四种局部放电类型。采用逐级加压法通过特高频传感器采集总共100组试验数据，随后通过局部放电分析仪生成PRPD图谱。
选用综合特征提取的方式提取PRPD图谱中的统计特征向量，该向量引入5种有关标准正态分布的统计算子，具体为偏斜度Sk、陡峭度ku、相位不对称度
Figure BDA0003744360410000061
放电量因数Q和相位相关系数Cc。
其中，偏斜度用来反映PRPD图谱形状相对于正态分布的左右偏斜程度，用公式可表示为：
Figure BDA0003744360410000062
其中，W为工频半周期内的相位窗数，xi为第i个相位窗的相位，Δx为相位窗的宽度，pi、μ、σ分别表示在第i个相位窗内的事件出现的概率、均值和标准差(这些参数是对一系列连续图谱的统计结果)。
陡峭度用于描述PRPD图谱形状的分布对比于正态分布形状的突起程度，用公式可表示为：
Figure BDA0003744360410000071
相位不对称度用来描述PRPD图谱正负半周期上初始电压的相位分布差异，用公式可表示为：
Figure BDA0003744360410000072
其中，
Figure BDA0003744360410000073
分别为PRPD图谱正负半周内放电的起始相位角，“+”、“-”对应PRPD图谱的正负半周。
放电量因数和相位相关系数用于描述PRPD图谱正负半周的轮廓差异，用公式可表示为：
Figure BDA0003744360410000074
Figure BDA0003744360410000075
其中，
Figure BDA0003744360410000076
分别为PRPD图谱的正、负半周第i个相位窗内的平均放电量，
Figure BDA0003744360410000077
分别为PRPD图谱的正、负半周第i个相位窗内的放电重复率。
纹理特征向量中的元素包括PRPD图谱形状的轮廓信息和梯度方向，选用HOG特征描述符来获取PRPD图谱的纹理特征向量，即通过HOG特征提取算法获得GIS局部放电图谱特征，首先运用卷积神经网络提取GIS局部放电的PRPD图谱灰度图，然后采用Gamma校正法对GIS局放灰度图谱进行颜色空间的归一化操作，最后计算每个局部方格单位内各像素点的梯度，进而得到图谱中对象的轮廓信息和梯度方向。
将纹理特征向量进行融合降维，与统计特征向量共同构成图谱特征集，从图谱特征集中划分出训练样本集、验证样本集和测试样本集，可按照7：2：1的比例进行划分。
采用训练样本集训练GIS局部放电类型识别模型，采用验证样本集确定网络结构或者控制模型复杂程度的参数，采用测试样本集进行模型性能测试。
GIS局部放电类型识别模型为SVM模型，核函数选择径向基函数，在训练中采用HHO算法优化SVM模型参数，即惩罚参数和核参数，以模型训练过程的分类准确率作为适应度函数。
采用HHO算法优化SVM模型参数的具体过程可以如下：
1)种群初始化，SVM模型待优化的每个参数代表搜索空间的有个维度，设置种群规模、最大迭代次数和搜索空间每个维度的上界和下届；
2)计算初始适应度，初始化每个哈里斯鹰个体的位置，根据下式的适应度函数计算哈里斯鹰个体的适应度值；
Figure BDA0003744360410000081
其中，m为特征样本数据的总数，f(x′i′)为第i′个样本的预测标签，y′i′为第i′个样本的真实标签，I(f(x′i′)＝y′i′)为判断函数，如果f(x′i′)＝y′，则I(f(x′i′)＝y′i′)的取值为1，否则为0；
3)将适应度值最小的哈里斯鹰个体记为最优个体，记录最优个体的位置信息，将最优个体所在的位置设为猎物位置，进行下一次迭代并对种群进行位置更新，先通过更新猎物逃逸能量，然后根据逃逸能量和生成的随机数执行搜索或开发行为中对应的位置更新策略，计算位置更新后的哈里斯鹰个体的适应度值，并与猎物适应度值进行比较，将最优个体的位置作为新的猎物位置，以此重复迭代，直到达到最大迭代次数，输出当前最优个体的位置作为目标的估计位置，得到SVM模型参数的最优解，得到GIS局部放电类型识别模型，即HHO-SVM模型；
4)利用训练好的模型对测试样本集的局部放电PRPD图谱进行检测，输出局部放电识别结果，计算识别准确率；
上述训练后的模型对测试样本的识别准确率为94.1％，其中，对悬浮放电的检测准确率为92.7％，对电晕放电的检测准确率为91.4％，对绝缘放电的检测准确率为90.2％，对自由颗粒放电检测准确率为91.2％，由此可见模型能够有效识别出GIS局部放电类型，并且具有很高的检测准确率。
基于相同的技术方案，本发明还公开上述方法的软件系统，即GIS局部放电类型识别模型训练系统，包括：
典型图谱获取模块，获取GIS典型局部放电的PRPD图谱。
典型图谱特征提取融合模块，提取PRPD图谱的统计特征向量和纹理特征向量，并将纹理特征向量进行融合降维，与统计特征向量共同构成图谱特征集。
统计特征向量中的元素包括偏斜度、陡峭度、相位不对称度、放电量因数和相位相关系数；其中，偏斜度用来反映PRPD图谱形状相对于正态分布的左右偏斜程度，陡峭度用于描述PRPD图谱形状的分布对比于正态分布形状的突起程度，相位不对称度用来描述PRPD图谱正负半周期上初始电压的相位分布差异，放电量因数和相位相关系数用于描述PRPD图谱正负半周的轮廓差异。
纹理特征向量中的元素包括PRPD图谱形状的轮廓信息和梯度方向。
训练模块，从图谱特征向量集中划分出训练样本集，采用训练样本训练GIS局部放电类型识别模型；其中，GIS局部放电类型识别模型为SVM模型，在训练中采用HHO算法优化SVM模型参数。
上述软件系统中，各模块的数据处理流程与方法的一致，这里不重复描述了。
基于相同的技术方案，本发明还公开GIS局部放电类型识别方法，如图3所示包括：
S1)获取GIS局部放电的PRPD图谱；
S2)提取PRPD图谱的统计特征向量和纹理特征向量，并将纹理特征向量进行融合降维，与统计特征向量共同构成图谱特征集；
S3)将图谱特征向量集输入预先训练的GIS局部放电类型识别模型，即上述的HHO-SVM模型，获得GIS局部放电类型识别结果。
上述方法可以快速检测GIS局部放电类型，相比于深度学习算法，虽然在模型准确率上的性能提升并不明显，但在很大程度上减小了模型计算量，极大减少了模型训练和识别时间，有效提高GIS局部放电类型检测效率。
基于相同的技术方案，本发明还公开上述识别方法的软件系统，GIS局部放电类型识别系统，包括：
图谱获取模块，获取GIS局部放电的PRPD图谱；
图谱特征提取融合模块，提取PRPD图谱的统计特征向量和纹理特征向量，并将纹理特征向量进行融合降维，与统计特征向量共同构成图谱特征集；
识别模块，将图谱特征向量集输入预先训练的GIS局部放电类型识别模型，获得GIS局部放电类型识别结果。
基于相同的技术方案，本发明还公开了一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行GIS局部放电类型识别模型训练或GIS局部放电类型识别方法。
基于相同的技术方案，本发明还公开了一种计算设备，包括一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行GIS局部放电类型识别模型训练或GIS局部放电类型识别方法的指令。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。

Claims (10)

1.GIS局部放电类型识别模型训练方法，其特征在于，包括：
获取GIS典型局部放电的PRPD图谱；
提取PRPD图谱的统计特征向量和纹理特征向量，并将纹理特征向量进行融合降维，与统计特征向量共同构成图谱特征集；
从图谱特征集中划分出训练样本集，采用训练样本训练GIS局部放电类型识别模型；其中，GIS局部放电类型识别模型为SVM模型，在训练中采用HHO算法优化SVM模型参数。
2.根据权利要求1所述的GIS局部放电类型识别模型训练方法，其特征在于，GIS典型局部放电的PRPD图谱包括GIS绝缘放电的PRPD图谱、GIS悬浮放电的PRPD图谱、GIS电晕放电的PRPD图谱和GIS自由粒子放电的PRPD图谱。
3.根据权利要求1所述的GIS局部放电类型识别模型训练方法，其特征在于，统计特征向量中的元素包括偏斜度、陡峭度、相位不对称度、放电量因数和相位相关系数；其中，偏斜度用来反映PRPD图谱形状相对于正态分布的左右偏斜程度，陡峭度用于描述PRPD图谱形状的分布对比于正态分布形状的突起程度，相位不对称度用来描述PRPD图谱正负半周期上初始电压的相位分布差异，放电量因数和相位相关系数用于描述PRPD图谱正负半周的轮廓差异。
4.根据权利要求1所述的GIS局部放电类型识别模型训练方法，其特征在于，纹理特征向量中的元素包括PRPD图谱形状的轮廓信息和梯度方向。
5.GIS局部放电类型识别模型训练系统，其特征在于，包括：
典型图谱获取模块，获取GIS典型局部放电的PRPD图谱；
典型图谱特征提取融合模块，提取PRPD图谱的统计特征向量和纹理特征向量，并将纹理特征向量进行融合降维，与统计特征向量共同构成图谱特征集；
训练模块，从图谱特征集中划分出训练样本集，采用训练样本训练GIS局部放电类型识别模型；其中，GIS局部放电类型识别模型为SVM模型，在训练中采用HHO算法优化SVM模型参数。
6.根据权利要求5所述的GIS局部放电类型识别模型训练系统，其特征在于，统计特征向量中的元素包括偏斜度、陡峭度、相位不对称度、放电量因数和相位相关系数；其中，偏斜度用来反映PRPD图谱形状相对于正态分布的左右偏斜程度，陡峭度用于描述PRPD图谱形状的分布对比于正态分布形状的突起程度，相位不对称度用来描述PRPD图谱正负半周期上初始电压的相位分布差异，放电量因数和相位相关系数用于描述PRPD图谱正负半周的轮廓差异。
7.根据权利要求5所述的GIS局部放电类型识别模型训练系统，其特征在于，纹理特征向量中的元素包括PRPD图谱形状的轮廓信息和梯度方向。
8.GIS局部放电类型识别方法，其特征在于，包括：
获取GIS局部放电的PRPD图谱；
提取PRPD图谱的统计特征向量和纹理特征向量，并将纹理特征向量进行融合降维，与统计特征向量共同构成图谱特征集；
将图谱特征集输入预先训练的GIS局部放电类型识别模型，获得GIS局部放电类型识别结果；其中，GIS局部放电类型识别模型采用权利要求1~4任意一项所述的方法训练。
9.GIS局部放电类型识别系统，其特征在于，包括：
图谱获取模块，获取GIS局部放电的PRPD图谱；
图谱特征提取融合模块，提取PRPD图谱的统计特征向量和纹理特征向量，并将纹理特征向量进行融合降维，与统计特征向量共同构成图谱特征集；
识别模块，将图谱特征向量集输入预先训练的GIS局部放电类型识别模型，获得GIS局部放电类型识别结果；其中，GIS局部放电类型识别模型采用权利要求1~4任意一项所述的方法训练。
10.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1~4、8所述的方法中的任一方法。
CN202210820906.2A 2022-07-13 2022-07-13 Gis局部放电类型识别模型训练方法、识别方法及系统 Pending CN115239971A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210820906.2A CN115239971A (zh) 2022-07-13 2022-07-13 Gis局部放电类型识别模型训练方法、识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210820906.2A CN115239971A (zh) 2022-07-13 2022-07-13 Gis局部放电类型识别模型训练方法、识别方法及系统

Publications (1)

Publication Number Publication Date
CN115239971A true CN115239971A (zh) 2022-10-25

Family

ID=83672918

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210820906.2A Pending CN115239971A (zh) 2022-07-13 2022-07-13 Gis局部放电类型识别模型训练方法、识别方法及系统

Country Status (1)

Country Link
CN (1) CN115239971A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116381429A (zh) * 2023-03-29 2023-07-04 上海莫克电子技术有限公司 在线局部放电检测结果的矫正方法及其系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116381429A (zh) * 2023-03-29 2023-07-04 上海莫克电子技术有限公司 在线局部放电检测结果的矫正方法及其系统
CN116381429B (zh) * 2023-03-29 2024-03-29 上海莫克电子技术有限公司 在线局部放电检测结果的矫正方法及其系统

Similar Documents

Publication Publication Date Title
CN109389180A (zh) 一款基于深度学习的电力设备图像识别方法及巡查机器人
CN109886328B (zh) 一种电动汽车充电设施故障预测方法与系统
CN114676742A (zh) 一种基于注意力机制和残差网络的电网异常用电检测方法
CN108919067A (zh) 一种用于gis局部放电模式的识别方法
CN109598052B (zh) 基于相关系数分析的智能电表寿命周期预测方法及装置
CN111126820A (zh) 反窃电方法及系统
CN112288147B (zh) 一种BP-Adaboost强预测器预测发电机定子绝缘状态的方法
CN112183590A (zh) 一种基于OneclassSVM算法的变压器故障诊断方法
CN115758255B (zh) 一种融合模型下的用电异常行为分析方法和装置
CN113484817A (zh) 基于tsvm模型的智能电能表自动化检定系统异常检测方法
CN114997578A (zh) 一种基于深度学习的智慧风电场实时状态评估方法
CN114839492A (zh) 一种基于mobilenetv3的gis局部放电类型识别方法及装置
CN114609994A (zh) 基于多粒度正则化重平衡增量学习的故障诊断方法及装置
CN114091549A (zh) 一种基于深度残差网络的设备故障诊断方法
CN115239971A (zh) Gis局部放电类型识别模型训练方法、识别方法及系统
CN113935557A (zh) 一种基于深度学习的相同模式能耗大数据预测方法
CN115526258A (zh) 基于Spearman相关系数特征提取的电力系统暂稳评估方法
CN116740900B (zh) 一种基于svm的电力施工预警方法及系统
CN112926620B (zh) 一种变压器套管局部放电的缺陷类型识别方法及系统
CN113589172A (zh) 一种电网元器件的寿命预估方法
CN113449803A (zh) 不同绝缘缺陷局部放电类型区分方法、系统、设备及存储介质
CN116400168A (zh) 一种基于深度特征聚类的电网故障诊断方法及系统
CN115577312B (zh) 基于改进dagmm的建筑用电负荷曲线异常检测方法
CN116630989A (zh) 智能电表可视故障检测方法、系统、电子设备及存储介质
CN112348700B (zh) 一种结合som聚类与ifou方程的线路容量预测方法

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