CN116452542A - 一种基于神经监督决策树的gis局部放电缺陷诊断方法 - Google Patents

一种基于神经监督决策树的gis局部放电缺陷诊断方法 Download PDF

Info

Publication number
CN116452542A
CN116452542A CN202310419879.2A CN202310419879A CN116452542A CN 116452542 A CN116452542 A CN 116452542A CN 202310419879 A CN202310419879 A CN 202310419879A CN 116452542 A CN116452542 A CN 116452542A
Authority
CN
China
Prior art keywords
neural network
partial discharge
decision tree
gis
node
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
CN202310419879.2A
Other languages
English (en)
Inventor
刘云鹏
闫泽玉
杨洋
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.)
China Electric Power Research Institute Co Ltd CEPRI
North China Electric Power University
Original Assignee
China Electric Power Research Institute Co Ltd CEPRI
North China Electric Power University
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 China Electric Power Research Institute Co Ltd CEPRI, North China Electric Power University filed Critical China Electric Power Research Institute Co Ltd CEPRI
Priority to CN202310419879.2A priority Critical patent/CN116452542A/zh
Publication of CN116452542A publication Critical patent/CN116452542A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • G01R31/1227—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 of components, parts or materials
    • G01R31/1254—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 of components, parts or materials of gas-insulated power appliances or vacuum gaps
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised 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
    • G06V10/40—Extraction of image or video features
    • 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
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • 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
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • 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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明公开了一种基于神经监督决策树的GIS局部放电缺陷诊断方法，涉及电力设备绝缘状态诊断技术领域，包括以下步骤：基于AGNES算法进行凝聚层次聚类，构建决策树结构，作为诱导层对CNN神经网络的最终线性全连接层进行替换，并将CNN神经网络的输出向量作为监督层，对诱导层的输出进行监督修正，构建改进CNN神经网络；通过采集GIS的局部放电相位分布图谱，作为数据集，对改进CNN神经网络进行训练，构建神经网络模型，用于识别目标GIS是否存在局部放电缺陷；本发明解决了可解释缺陷识别算法准确率低、现场检修人员信任度低、深度识别黑盒问题，实现GIS局部放电高准确率下的可解释故障诊断。

Description

一种基于神经监督决策树的GIS局部放电缺陷诊断方法
技术领域
本发明涉及电力设备绝缘状态诊断技术领域，具体而言，涉及一种基于神经监督决策树的GIS局部放电缺陷诊断方法。
背景技术
气体绝缘金属封闭开关设备(Gas Insulated metal enclosed Switchgear,GIS)凭借占地面积小、可靠性高等优点，已在电力系统中广泛应用，其绝缘性能优劣关系到整个电网能否安全运行。而局部放电是绝缘性能劣化的重要表现，通过局部放电特征识别绝缘缺陷类型已经成为GIS故障诊断的重要组成部分。深度神经网络凭借泛化能力强、识别准确率高以及自提取特征能力强等优点成为该领域主要研究方向。
然而，传统深度神经网络故障诊断方法单纯依靠数据驱动诊断识别，忽略了故障缺陷之间的物理特性联系，无法在从特征向量到类表现的决策推导中充分利用现实联系提升识别性能。并且传统深度学习算法可解释性较弱，其决策过程属于“黑盒”，仅能获得最终识别结果，而无法给出识别逻辑。其黑盒性与不可解释性，不仅导致研究人员以及现场检修人员无法理解、分析识别逻辑，缺乏对诊断结果的信任度，还导致算法无法充分利用故障缺陷的物理特性引导故障诊断模型的搭建，无法根据现实需求进行适应性调整，最终识别效果并不理想；因此，急需设计一种用于GIS局部放电缺陷的诊断方法，以满足对于GIS局部放电故障诊断的技术需求。
发明内容
为了克服现有技术中存在的问题，本申请提供了一种基于神经监督决策树的GIS局部放电缺陷诊断方法，包括以下步骤：
基于AGNES算法进行凝聚层次聚类，构建决策树结构，作为诱导层对CNN神经网络的最终线性全连接层进行替换，并将CNN神经网络的输出向量作为监督层，对诱导层的输出进行监督修正，构建改进CNN神经网络；
通过采集GIS的局部放电相位分布图谱，作为数据集，对改进CNN神经网络进行训练，构建神经网络模型，用于识别目标GIS是否存在局部放电缺陷。
优选地，在生成诱导层的过程中，将局部放电相位分布图谱，输入到CNN神经网络后，将最终线性全连接层的权重矩阵划分为叶子节点；
根据叶子节点的代表向量，依据AGNES算法，将叶子节点构建成决策树结构，生成诱导层。
优选地，在构建决策树结构的过程中，基于AGNES算法，通过前向识别和反向提取的方法，依据代表向量，对决策树结构的内部节点进行定义，生成决策树结构。
优选地，在通过前向识别对内部节点进行定义的过程中，前向识别的过程包括：
基于词袋模型，根据GIS局放缺陷类型的物理特性、放电特性以及局放原理的内在区别，获取多维语义向量的各个维度的特征含义，构建缺陷语义向量集；
基于缺陷语义向量集，依据各个维度特征之间的对立关系，确定缺陷语义向量集的差异子集；
依据具有差异子集的缺陷语义向量集，对决策树结构的内部节点进行定义。
优选地，在通过反向提取对内部节点进行定义的过程中，反向提取的过程，包括：使用趋同值表征两差异子集向量之间的相似程度；
选取趋同值最小的差异子集对应的语义特征作为最大化差异特征，进行同层分类，确定节点含义。
优选地，在生成诱导层的过程中，在考虑决策树路径损失的前提下，通过损失函数，对CNN神经网络进行调整，用于优化调整决策树的内部节点，并确定最终的代表向量，其中，损失函数表示为：
其中，l为总目标损失，loss(yi)为叶子结点损失，loss(yk)为内部节点损失，即路径损失；N表示缺陷数，M表示除根节点外节点数；βt与ωt为变权重调整系数，在重训练过程中βt随迭代次数增加而减小，ωt随迭代次数增加而增大。
最终的代表向量表示为：
式中，i为叶子节点，k为内部节点，j为子结点，wi表示最终线性层权重矩阵，ni表示叶子节点代表向量，nk表示内部节点代表向量，nj表示子节点代表向量，K(i)表示节点i的子结点集。
优选地，在对诱导层的输出进行监督修正的过程前，在诱导层通过改进softmax函数概率化，累乘得到叶子节点概率，选最大值作为类标签识别值，作为诱导层的输出，其中，改进softmax函数表示为：
式中，λ为相对提升系数，e为自然底数。
诱导层的输出表示为：
pj＝p(j|k)＝softmax(yj)，j∈K
yi＝<ni，x>，i∈[1，M]
式中，x表示特征向量，节点j为节点k的子节点，。
优选地，在对诱导层的输出进行监督修正的过程中，基于CNN神经网络的输出向量，对诱导层的输出进行监督，获取准确率小于CNN神经网络的输出向量的诱导层的输出，作为修正目标，其中，监督的过程表示为：
v×G(d(i)，lCNN(i))＞G(d(i)，lDT(i))
式中，v为阈值系数，G为诱导层节点输出矩阵，d为神经网络输出结果与诱导层输出结果相异的样本索引向量，lCNN与lDT表示索引向量对应的样本的标签识别结果
基于修正目标，通过采用阈值审查的形式进行修正，其中，修正的过程表示为：
G(d(i),lDT(i))＝v×G(d(t)，lCNN(t))。
优选地，用于实现GIS局部放电缺陷诊断方法的GIS局部放电缺陷诊断系统，包括：
数据采集模块，用于采集目标GIS的图像数据；
识别模块，用于根据神经网络模型，识别目标GIS是否存在局部放电缺陷，其中，基于AGNES算法进行凝聚层次聚类，构建决策树结构，作为诱导层对CNN神经网络的最终线性全连接层进行替换，并将CNN神经网络的输出向量作为监督层，对诱导层的输出进行监督修正，构建改进CNN神经网络；以及，通过采集GIS的局部放电相位分布图谱，作为数据集，对改进CNN神经网络进行训练，构建神经网络模型。
优选地，识别模块，还用于将局部放电相位分布图谱，输入到CNN神经网络后，将最终线性全连接层的权重矩阵划分为叶子节点；根据叶子节点的代表向量，依据AGNES算法，将叶子节点构建成决策树结构，生成诱导层。
本发明公开了以下技术效果：
本发明充分结合GIS局部放电缺陷的物理特性指导深度神经网络识别决策，通过诱导层、监督层以及适应性调整，将深度神经网络特征自提取能力强、特征融合能力强、识别可靠性高与层次结构可解释性强、决策透明度高等优点结合，解决可解释缺陷识别算法准确率低、现场检修人员信任度低、深度识别黑盒问题，实现实现GIS局部放电高准确率下的可解释故障诊断。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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是本发明所述的110kV多感知GIS局部放电监测平台示意图；
图2为本发明所述的神经监督决策树流程示意图；
图3为本发明所述的层次聚类示意图；
图4为本发明所述的诱导层构建流程示意图；
图5为本发明所述的层次结构示意图；
图6为本发明所述的监督层数据处理流程示意图；
图7为本发明所述的高压端沿面缺陷敏感性强化示意图；
图8为本发明所述的方法流程示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
如图1-8所示，为充分表现并利用GIS缺陷物理特性的联系引导故障诊断，提高GIS局部放电故障诊断方法的可靠性与可解释性，本发明提出神经监督决策树算法(neuralsupervision decision tree,NSDT)实现GIS局部放电高准确率下的可解释故障诊断。将卷积神经网络最终线性全连接层替换为层次结构，构建诱导层，使用树监督损失函数优化节点代表向量，并通过调整softmax函数抑制层次损失。构建监督层，通过原始神经网络输出向量对诱导层输出进行监督修正，在保留可解释性的基础上，提高识别准确率。通过创新性构建监督层、调整softmax函数、提出“前向识别，反向提取”节点含义确定等方法，可以进行多源缺陷下的GIS绝缘缺陷类型精确诊断，同时提供决策依据与识别路径，并可依据实际检修需求提升特定缺陷的识别性能。
为了实现上述技术目的，本发明提供了一种基于神经监督决策树算法的GIS局部放电缺陷诊断方法，包括以下步骤：
S1:预训练神经网络。输入局部放电相位分布图谱(Phase Resolved PartialDischarge,PRPD)，通过原始CNN神经网络训练识别模型，将最终线性全连接层权重矩阵划分为叶子节点，并获得输出矩阵。
S2:诱导层搭建决策树结构。通过第一步获得的叶子节点代表向量，运用AGNES算法进行凝聚层次聚类，形成决策树结构，并使用“前向识别，反向提取”方法确定内部节点含义。
S3:树监督函数调整代表向量。考虑决策树路径损失，对预训练神经网络进行微调，从而优化调整内部节点，确定最终代表向量。
S4:诱导层类型识别。待识别数据通过前置神经网络，在诱导层通过改进softmax函数概率化，累乘得到叶子节点概率，获得输出矩阵，选最大值作为类标签识别值，并输出决策过程以备检验。
S5:监督修正识别结果。通过监督值对识别值进行监督修正，在保留强可解释性的前提下，提升结果可靠性和准确率。
S6:将决策路径、层次结构和识别结果输出。
S7:根据实际需求调整层次结构，返回S3再次进行重训练。
上述步骤S2中，其具体步骤如下：
S21:若最终线性全连接层权重向量矩阵为W，那么叶子结点代表向量ni＝wi，通过叶子结点代表向量ni，采用AGENS凝聚诱层次结构。
S22:使用“前向识别，反向提取”方法确定内部节点含义。
进一步地，所述S22步骤中，首先结合词袋模型根据GIS局放缺陷类型的物理特性、放电特性以及局放原理等内在区别，确定q维语义向量各维特征含义，从而构建各缺陷语义向量zi。随后，依据各维特征实际对立关系，如高压端与低压端、单源与双源等，确定差异子集ra i，其中，i为节点序号，a为差异子集序号。在前向识别过程中，对于内部节点k，若其子节点集合为K，则：
zk＝zK(1)∧zK(2)∧...ZK(n)
在反向提取过程中，使用趋同值表征子集向量之间的相似程度。若属于同一父节点的第p层节点集合为D，那么该层第a个差异子集的趋同值为：
选取趋同值最小的差异子集所对应的语义特征作为最大化差异特征进行同层分类，确定节点含义。
在步骤S3中，步骤S3的具体步骤如下：
S31:使用树监督损失函数进行微调或重训练，在软节点遍历模式下，损失函数为：
S32:使用新网络最终线性全连接层确定诱导层节点代表向量，叶子节点代表向量仍使用S21方法确定，若最终线性全连接层权重矩阵为M为除根节点外节点数，N为缺陷数，且对于节点i∈[1,M]，其子节点j∈K(i)，那么对于任意节点i，其代表向量ni为：
在步骤S4中，步骤S4的具体步骤如下：
S41:在诱导层通过改进softmax函数概率化，累乘得到叶子节点概率，获得输出矩阵。将微调后的模型在诱导层前提取得到的特征向量x自根节点输入诱导层，逐层与各节点代表向量内积，即:
yi＝<ni，x>，i∈[1，M]
假如对于节点k，其子节点j∈K，则节点j在父节点k下的概率值及改进归一化指数函数为：
pj＝p(j|k)＝softmax(yj)，j∈K
λ为相对提升系数，λ值越高，对相对差距的放大效果越强。改进归一化指数函数可以在同层次节点绝对大小关系不变的情况下，利用指数函数梯度提升特性，扩大同层次的概率相对大小关系，从而抑制层次较低、同层次竞争劣势的叶子节点概率值，减小高层次叶子节点累乘的层次损失。
S42:选最大值作为类标签识别值，并输出决策过程以备检验。
t＝argmax p(i)，i∈[1，N]
在步骤S5中，步骤S5的具体步骤如下：
S51:保留预训练输出矩阵FU×N，在诱导层后获得输出矩阵GU×N
S52:构建监督层，当F与G的识别结果不同时，通过准确率更高的FU×N采用阈值审查的形式对诱导层节点输出矩阵GU×N进行监督修正，其判别式与修正式为：
实施例1：构建图1所示110kV多感知GIS局部放电监测平台，收集导杆尖端、外壳尖端、高压端沿面、导杆尖端-外壳尖端、导杆尖端-高压端沿面、外壳尖端-高压端沿面6种单源和双源缺陷的超声、特高频、单光子三维局放信号，应用图2所示神经监督决策树流程构建缺陷类型识别模型，具体实施流程如下：
S1:原始局部放电PRPD谱图输入前置卷积神经网络，获得输出矩阵FU×N。
S2:最终线性全连接层经图3所示诱导层构建流程与图4所示层次聚类方法，初步形成层次结构，利用“前向识别，反向提取”方法判断节点含义，最终形成层次结构如图5所示。
S3:结合层次结构，使用树监督损失函数优化节点代表向量。在软节点遍历模式下，损失函数为：
依据树监督损失函数进行重训练，当重训练识别水平无法达到初始水平时采用微调。在重训练过程中βt随迭代次数增加而减小，ωt随迭代次数增加而增大。这是因为在迭代计算早期，叶子节点尚未确定，内部节点参考价值不大，加入路径损失会影响学习速率；而在迭代计算后期，叶子节点得到充分区分，需要对内部节点进行优化以确定路径结构。通过树监督损失函数，即可在预训练CNN模型基础上进行微调或重训练，优化诱导层各节点代表向量。
S4:若最终线性全连接层权重矩阵为若M为除根节点外节点数，N为缺陷数，且对于节点i∈[1,M]，其子节点j∈K(i)，那么对于任意节点i，其代表向量ni为：
累乘得到叶子节点概率，获得输出矩阵。将微调后的模型在诱导层前提取得到的特征向量x自根节点输入诱导层，逐层与各节点代表向量内积，即:
yi＝<ni，x>，i∈[1，M]
假如对于节点k，其子节点j∈K，则节点j在父节点k下的概率值及改进归一化指数函数为：
pj＝p(j|k)＝softmax(yj)，j∈K
最终获得输出矩阵GU×N；
S5:参照图6所示监督层数据处理流程进行监督修正
S6:将识别结果、决策路径与层次结构输出。
S7:在现场实际高压端沿面缺陷在试验缺陷中对GIS绝缘性能危害较高，当发生该类缺陷时往往需要开盖检修，而微小的导杆尖刺在若干次放电灼烧过程中会逐渐消磨，对绝缘危害程度相对更小。基于上述考量，更需要提高针对含高压端沿面缺陷的识别性能，在提高该大类识别查全率以提高设备可靠性的同时，还需要减小该类识别的误报率以减小检修工作量。因此，可以在无监督层次结构基础上，通过添加高压端沿面缺陷预划分节点，加强层次结构对含高压端沿面缺陷的敏感性，最终层次结构修正情况如图7所示。再次返回S3进行重训练。
识别模型构建完成之后，在现场实际检修中，当发生局放信号，将局放PRPD图谱输入识别模型即可获得缺陷类型与识别路径。
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。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种基于神经监督决策树的GIS局部放电缺陷诊断方法，其特征在于，包括以下步骤：
基于AGNES算法进行凝聚层次聚类，构建决策树结构，作为诱导层对CNN神经网络的最终线性全连接层进行替换，并将所述CNN神经网络的输出向量作为监督层，对所述诱导层的输出进行监督修正，构建改进CNN神经网络；
通过采集GIS的局部放电相位分布图谱，作为数据集，对所述改进CNN神经网络进行训练，构建神经网络模型，用于识别目标GIS是否存在局部放电缺陷。
2.根据权利要求1所述一种基于神经监督决策树的GIS局部放电缺陷诊断方法，其特征在于：
在生成诱导层的过程中，将所述局部放电相位分布图谱，输入到所述CNN神经网络后，将所述最终线性全连接层的权重矩阵划分为叶子节点；
根据所述叶子节点的代表向量，依据AGNES算法，将所述叶子节点构建成所述决策树结构，生成所述诱导层。
3.根据权利要求2所述一种基于神经监督决策树的GIS局部放电缺陷诊断方法，其特征在于：
在构建决策树结构的过程中，基于所述AGNES算法，通过前向识别和反向提取的方法，依据所述代表向量，对所述决策树结构的内部节点进行定义，生成所述决策树结构。
4.根据权利要求3所述一种基于神经监督决策树的GIS局部放电缺陷诊断方法，其特征在于：
在通过前向识别对内部节点进行定义的过程中，前向识别的过程包括：
基于词袋模型，根据GIS局放缺陷类型的物理特性、放电特性以及局放原理的内在区别，获取多维语义向量的各个维度的特征含义，构建缺陷语义向量集；
基于所述缺陷语义向量集，依据各个维度特征之间的对立关系，确定所述缺陷语义向量集的差异子集；
依据具有所述差异子集的所述缺陷语义向量集，对所述决策树结构的内部节点进行定义。
5.根据权利要求4所述一种基于神经监督决策树的GIS局部放电缺陷诊断方法，其特征在于：
在通过反向提取对内部节点进行定义的过程中，反向提取的过程，包括：使用趋同值表征两差异子集向量之间的相似程度；
选取趋同值最小的所述差异子集对应的语义特征作为最大化差异特征，进行同层分类，确定节点含义。
6.根据权利要求5所述一种基于神经监督决策树的GIS局部放电缺陷诊断方法，其特征在于：
在生成诱导层的过程中，在考虑决策树路径损失的前提下，通过损失函数，对所述CNN神经网络进行调整，用于优化调整决策树的内部节点，并确定最终的代表向量，其中，所述损失函数表示为：
其中，l为总目标损失，loss(yi)为叶子结点损失，loss(yk)为内部节点损失，即路径损失；N表示缺陷数，M表示除根节点外节点数；βt与ωt为变权重调整系数，在重训练过程中βt随迭代次数增加而减小，ωt随迭代次数增加而增大。
最终的代表向量表示为：
式中，i为叶子节点，k为内部节点，j为子结点，wi表示最终线性层权重矩阵，ni表示叶子节点代表向量，nk表示内部节点代表向量，nj表示子节点代表向量，K(i)表示节点i的子结点集。
7.根据权利要求6所述一种基于神经监督决策树的GIS局部放电缺陷诊断方法，其特征在于：
在对诱导层的输出进行监督修正的过程前，在诱导层通过改进softmax函数概率化，累乘得到叶子节点概率，选最大值作为类标签识别值，作为所述诱导层的输出，其中，所述改进softmax函数表示为：
式中，λ为相对提升系数，e为自然底数。
所述诱导层的输出表示为：
pj＝p(j|k)＝softmax(yj)，j∈K
yi＝<ni，x>，i∈[1，M]
式中，x表示特征向量，节点j为节点k的子节点，。
8.根据权利要求7所述一种基于神经监督决策树的GIS局部放电缺陷诊断方法，其特征在于：
在对诱导层的输出进行监督修正的过程中，基于所述CNN神经网络的输出向量，对所述诱导层的输出进行监督，获取准确率小于所述CNN神经网络的输出向量的所述诱导层的输出，作为修正目标，其中，监督的过程表示为：
v×G(d(i)，lCNN(i))＞G(d(i)，lDT(i))
式中，v为阈值系数，G为诱导层节点输出矩阵，d为神经网络输出结果与诱导层输出结果相异的样本索引向量，lCNN与lDT表示索引向量对应的样本的标签识别结果
基于所述修正目标，通过采用阈值审查的形式进行修正，其中，修正的过程表示为：
G(d(i)，lDT(i))＝v×G(d(i)，lCNN(i))。
9.根据权利要求2-8任一权利要求所述的一种基于神经监督决策树的GIS局部放电缺陷诊断方法，其特征在于：
用于实现GIS局部放电缺陷诊断方法的GIS局部放电缺陷诊断系统，包括：
数据采集模块，用于采集目标GIS的图像数据；
识别模块，用于根据所述神经网络模型，识别所述目标GIS是否存在局部放电缺陷，其中，基于AGNES算法进行凝聚层次聚类，构建决策树结构，作为诱导层对CNN神经网络的最终线性全连接层进行替换，并将所述CNN神经网络的输出向量作为监督层，对所述诱导层的输出进行监督修正，构建改进CNN神经网络；以及，通过采集GIS的局部放电相位分布图谱，作为数据集，对所述改进CNN神经网络进行训练，构建所述神经网络模型。
10.根据权利要求9所述一种基于神经监督决策树的GIS局部放电缺陷诊断方法，其特征在于：
所述识别模块，还用于将所述局部放电相位分布图谱，输入到所述CNN神经网络后，将所述最终线性全连接层的权重矩阵划分为叶子节点；根据所述叶子节点的代表向量，依据AGNES算法，将所述叶子节点构建成所述决策树结构，生成所述诱导层。
CN202310419879.2A 2023-04-19 2023-04-19 一种基于神经监督决策树的gis局部放电缺陷诊断方法 Pending CN116452542A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310419879.2A CN116452542A (zh) 2023-04-19 2023-04-19 一种基于神经监督决策树的gis局部放电缺陷诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310419879.2A CN116452542A (zh) 2023-04-19 2023-04-19 一种基于神经监督决策树的gis局部放电缺陷诊断方法

Publications (1)

Publication Number Publication Date
CN116452542A true CN116452542A (zh) 2023-07-18

Family

ID=87128382

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310419879.2A Pending CN116452542A (zh) 2023-04-19 2023-04-19 一种基于神经监督决策树的gis局部放电缺陷诊断方法

Country Status (1)

Country Link
CN (1) CN116452542A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117148076A (zh) * 2023-10-31 2023-12-01 南通豪强电器设备有限公司 一种多特征融合的高压开关柜局部放电识别方法及系统
CN117347796A (zh) * 2023-09-28 2024-01-05 国网四川省电力公司电力科学研究院 一种基于智能网关的开关设备局部放电诊断系统及方法
CN117970061A (zh) * 2024-04-02 2024-05-03 山东泰开电力电子有限公司 一种高压电力电容器故障预警方法及系统
CN118094264A (zh) * 2024-04-29 2024-05-28 山东泰开电力电子有限公司 一种智能化电力电容器局部放电检测方法及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117347796A (zh) * 2023-09-28 2024-01-05 国网四川省电力公司电力科学研究院 一种基于智能网关的开关设备局部放电诊断系统及方法
CN117148076A (zh) * 2023-10-31 2023-12-01 南通豪强电器设备有限公司 一种多特征融合的高压开关柜局部放电识别方法及系统
CN117148076B (zh) * 2023-10-31 2024-01-26 南通豪强电器设备有限公司 一种多特征融合的高压开关柜局部放电识别方法及系统
CN117970061A (zh) * 2024-04-02 2024-05-03 山东泰开电力电子有限公司 一种高压电力电容器故障预警方法及系统
CN117970061B (zh) * 2024-04-02 2024-06-11 山东泰开电力电子有限公司 一种高压电力电容器故障预警方法及系统
CN118094264A (zh) * 2024-04-29 2024-05-28 山东泰开电力电子有限公司 一种智能化电力电容器局部放电检测方法及系统

Similar Documents

Publication Publication Date Title
CN116452542A (zh) 一种基于神经监督决策树的gis局部放电缺陷诊断方法
Dai et al. Dissolved gas analysis of insulating oil for power transformer fault diagnosis with deep belief network
Yang et al. A novel double-stacked autoencoder for power transformers DGA signals with an imbalanced data structure
CN110929847A (zh) 一种基于深度卷积神经网络的换流变压器故障诊断方法
CN110161388B (zh) 一种高压设备的故障类型识别方法及其系统
CN106548230A (zh) 基于改进粒子群优化神经网络的变压器故障诊断方法
Gai et al. A Parameter‐Optimized DBN Using GOA and Its Application in Fault Diagnosis of Gearbox
CN112147432A (zh) 基于注意力机制的BiLSTM模块、变压器状态诊断方法和系统
CN113076920B (zh) 一种基于非对称域对抗自适应模型的智能故障诊断方法
CN113191429A (zh) 一种电力变压器套管故障诊断方法及装置
CN117744483B (zh) 基于孪生信息模型和实测数据融合的轴承故障诊断方法
CN115659258B (zh) 一种基于多尺度图卷积孪生网络的配电网故障检测方法
CN116562114A (zh) 一种基于图卷积神经网络的电力变压器故障诊断方法
CN116842337A (zh) 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法
Zhang et al. Fault diagnosis of oil-immersed power transformer based on difference-mutation brain storm optimized catboost model
CN111325233A (zh) 一种变压器故障检测方法及装置
CN115221233A (zh) 基于深度学习的变电站多类带电检测数据异常检测方法
CN117332330A (zh) 基于多源数据图融合模型的变压器故障评估方法及系统
Tan et al. Fault diagnosis method for rolling bearing based on VMD and improved SVM optimized by METLBO
Wang et al. A novel hybrid meta-learning for few-shot gas-insulated switchgear insulation defect diagnosis
Uckol et al. Partial Discharge pattern classification based on deep learning for defect identification in MV cable terminations
CN117407792A (zh) 一种油浸式变压器故障诊断方法、系统、电子设备及介质
CN112001530A (zh) 一种变压器油色谱在线监测装置预测性维护方法及系统
CN116482491A (zh) 一种基于贝叶斯神经网络的变压器局部放电故障诊断方法
Wang et al. Generative zero-shot learning for partial discharge diagnosis in gas-insulated switchgear

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Fan Xiaozhou

Inventor after: Liu Yunpeng

Inventor after: Yan Zeyu

Inventor after: Yang Yang

Inventor before: Liu Yunpeng

Inventor before: Yan Zeyu

Inventor before: Yang Yang