CN116796187A - 一种输电线局部放电检测方法 - Google Patents
一种输电线局部放电检测方法 Download PDFInfo
- Publication number
- CN116796187A CN116796187A CN202310588043.5A CN202310588043A CN116796187A CN 116796187 A CN116796187 A CN 116796187A CN 202310588043 A CN202310588043 A CN 202310588043A CN 116796187 A CN116796187 A CN 116796187A
- Authority
- CN
- China
- Prior art keywords
- layer
- neural network
- convolutional neural
- scale
- partial discharge
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 34
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 230000001902 propagating effect Effects 0.000 claims abstract description 3
- 238000011176 pooling Methods 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000000034 method Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 208000028659 discharge Diseases 0.000 abstract description 40
- 238000003745 diagnosis Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 17
- 239000000523 sample Substances 0.000 description 15
- 238000010586 diagram Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明涉及一种输电线局部放电检测方法，包含以下步骤：S1、获取原始输电线电气信号，划分为训练样本和测试样本；S2、向多尺度一维卷积神经网络批量输入训练样本，设定阈值以及多尺度一维卷积神经网络结构及其卷积核大小，逐层前向传播获得训练样本的特征，计算得到期望输出和实际输出的误差；S3、误差由输出至输入反向传播，层层微调网络参数；S4、重复步骤S2和S3，直到完成所有训练样本，计算网络在测试样本上的精度，若精度大于设定阈值，则获得理想网络，否则返回步骤S2；S5、输出理想网络在测试样本上的精度。本发明解决了输电线路的局部放电诊断问题，在不同频率数据和不同卷积核的设置下取得了较好的效果。
Description
技术领域
本发明涉及配电网故障诊断领域，具体涉及一种基于多尺度一维卷积神经网络的输电线局部放电检测方法。
背景技术
近年来，新型电力系统广泛接入分布式电源，致使电网的拓扑结构变得越来越复杂。因此，输电线路的故障原因难以分析。局部放电是电力系统中一种常见的故障，但其不会导致用户立即停电，因此对于长距离输电线路，人工检查的成本较高。输电线路是保证供电可靠性的重要环节，其绝缘诊断具有重要意义，而局部放电检测是绝缘诊断的必要步骤。传统的局部放电检测方法比如声、光、电磁波等主要依赖于故障信号的特征提取，其中特征提取的质量对检测结果有很大影响。随着大量标注数据带来的深度学习技术的兴起，局部放电的自动特征提取在电力系统中得到应用。自动提取特征和在线识别局部放电对自动输电线路局部放电检测系统具有重要意义。
卷积神经网络(Convolutional Neural Network，CNN)是计算机视觉的重要组成部分，它也可以应用于时间序列。不同的是，应用于图像的卷积核是二维的，而应用于时间序列的卷积核是一维的，也就是所谓的一维卷积神经网络。与基于递归神经网络(Recurrent Neural Network，RNN)的长短期记忆递归神经网络(Long Short TermMemory，LSTM)等模型相比，一维卷积神经网络具有训练速度快、并行计算等优点，并且在某些场景下可以达到与LSTM相同的模型效果。
发明内容
本发明的目的在于针对输电线路局部放电诊断问题，提出一种输电线局部放电检测方法，主要是采用一种多尺度一维卷积神经网络的模型实现输电线局部放电检测。
所述模型使用任意长度的电信号，可以将其看作是一个二进制分类器，易于根据诊断设备的采样率来调整输入序列长度。局部放电是电力系统正常运行中的一个极端事件，因此局部放电故障样本将比正常情况下小得多，这给训练防止过拟合的网络带来了挑战。在此基础上，需要选取适当比例的局部放电信号和正常信号作为训练数据。不同线路的电信号差异很大，因此我们使用一种标准化的方法来调整输入数据，以提高训练精度。这些人工数据的处理方法不是特征提取方法，但是对于模型训练来说是非常必要的。
本发明提出了一种输电线局部放电检测方法，包含以下步骤：
S1、获取原始输电线电气信号，划分为训练样本和测试样本；
S2、向多尺度一维卷积神经网络批量输入训练样本，设定期望的精度阈值，设置尺度一维卷积神经网络结构及其卷积核大小，逐层前向传播获得训练样本的特征，获得实际输出，并计算得到期望输出和实际输出的误差；
S3、误差由S1中多尺度一维卷积神经网络的输出逐层反向传播至输入，更新网络参数；
S4、重复步骤S2和S3，直到完成所有训练样本，计算尺度一维卷积神经网络在测试样本上的精度，若精度大于设定阈值，则获得理想网络，否则返回步骤S2；
S5、输出理想网络在测试样本上的精度。
进一步地，所述的原始输电线电气信号包含三相架空电力线的电压测量信号，并且对每相电压测量信号的测量同时进行。
进一步地，所述的多尺度一维卷积神经网络包含两层多尺度一维卷积神经网络层、两层全连接层，最后通过Softmax函数输出结果。
进一步地，每个一维卷积神经网络层层使用不同尺度的卷积核对不同尺度的输入信号进行卷积运算，实现不同细度信号特征的提取。
进一步地，所述S2包含以下内容：
原始输电线电气信号的单个样本长度为T，相位为p，其由列向量表示为：φp[1:T]＝[φp,1；φp,2；...,φp,T]；
最大池化层执行步长大小为d的子采样，最大池化层的输入为X，输出为Mp(X)，Mp(X)的第t个元素为Mpt(X)＝max(Xd(t-1)+i,1≤i≤a)，其中a为池化大小；
具有Relu激活函数的一维卷积神经网络层的输入为Y，输出表示为Conv(Y)，Conv(Y)的第t个元素为其中c为卷积核的大小，ωi为卷核的第i个权重，bt为卷积层输出的第t个元素的偏差；Relu激活函数为：Relu(x)＝max(0,x)，是一种神经元输入到输出的非线性映射，其函数的运行规则是在0和x之间取最大值。
进一步地，展平层通过使用Relu激活函数将三相信号连接成一维向量；全连接层中的每个神经元与前一层中的所有神经元全连接，以在卷积神经网络层或池化层中依据类别的不同对局部信息进行整合。
进一步地，多尺度一维卷积神经网络的最后一层为Softmax函数；由于局部放电检测是一个二元分类问题，此时Softmax函数为二元分类器，其输出可计算如下，
其中，PD和分别在输出结果中表示有无放电，W和D是权重矩阵参数和偏置参数，Z为Softmax函数的输入。
进一步地，如果输入信号是三相波形，则需要将多尺度卷积神经网络层的输出连接到一个展平层，以调整全连接层的矢量形式。
本发明通过构建基于多尺度一维卷积神经网络的电网故障检测模型，解决输电线路的局部放电诊断问题，在不同频率数据和不同卷积核的设置下取得了较好的效果；
本发明提出的多尺度一维卷积神经网络模型适用于单相和三相电路局部放电信号的诊断，该模型不需要指定输入序列的长度，也不需要手动提取输入信号的特征。
附图说明
图1为本发明的输电线局部放电检测方法的流程图；
图2为本发明实施例的数据集中A相的时序波形及相关箱线图；
图3为本发明实施例的数据集中B相的时序波形及相关箱线图；
图4为本发明实施例的数据集中C相的时序波形及相关箱线图；
图5为本发明实施例的多尺度一维卷积神经网络结构图；
图6为本发明实施例的多尺度卷积神经网络层结构图；
图7为本发明实施例的不同采样频率(10MHz、20MHz和40MHz)和9种网络架构设置下的局部放电检测精度对比结果；
图8为两种多尺度卷积神经网络层的卷积核大小；
图9为两种多尺度卷积神经网络层组合的实验设置；
图10为正样本分类不同概率阈值的ROC点。
具体实施方式
以下结合附图和具体实施方式对本发明提出的一种输电线局部放电检测方法作进一步详细说明。根据下面说明，本发明的优点和特征将更清楚。需要说明的是，附图采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂，请参阅附图。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
如图1所示，本发明提出的一种输电线局部放电检测方法包含如下步骤：
S1、获取原始输电线电气信号，划分为训练样本和测试样本；
S2、向多尺度一维卷积神经网络(Multi-scale One Dimensional ConvolutionalNeural Network，MS-Conv1D)批量输入训练样本，并设定阈值，设置MS-Conv1D结构及其卷积核大小，逐层正向传播提取训练样本的特征，获得实际输出，计算期望输出与实际输出的误差；
S3、误差由S1中MS-Conv1D的输出逐层反向传播至输入，更新网络参数；
S4、重复步骤S2和S3，直到完成所有训练样本，计算网络在测试样本上的精度，若精度大于设定阈值，则获得理想网络，否则返回步骤S2；
S5、输出理想网络在测试样本上的精度。
步骤S1所述的原始输电线电气信号是从VSB的ENET中心获得的训练集数据。该数据是在电网运行期间进行测量的，此时电网处于三相模式，测量的同时将故障相标记下来。该数据包含三相架空电力线的电压测量信号，并且每相的测量同时进行。大约有20k组单相电压信号，即7k组完整的三相测量信号。每组信号包含800k个采样点，信号长度为50Hz电网下的一个周期波，即采样频率为40MHz，图2、图3和图4分别示出了具有局部放电和不具有局部放电的A、B、C三相的波形和相关的箱线图。
从箱线图中可以看出，不含局部放电的电压信号异常值较少，基于此特征可对局部放电进行分类。然而，当局部放电效应较弱时(例如图4中具有局部放电的电压信号)，这种直接的方法可能会失败。因此，自动特征提取值得更多的关注。
步骤S2所述的MS-Conv1D从学习局部感受野特征信息的角度来看，不同尺度的卷积核可以提取不同精细度的原始输电线电气信号特征。卷积核的尺度越小，提取的信号特征越详细，并且对高频特征越敏感。较大的卷积核具有较大的感受野，可以在较长的时间范围内学习信息，即嵌入在原始输电线电气信号中的低频特征。因此，融合不同尺度卷积核的优点，通过设置不同尺度的卷积核进行卷积运算，可以避免从单一尺度使用卷积时忽略不同精细度的信号特征，从而对信号特征进行细化，使特征信息得到更加充分的表达。
步骤S2所述的MS-Conv1D的结构如图5所示。单相或三相输电线电气信号作为输入，按顺序经过两层多尺度一维卷积神经网络(Convolutional Neural Network，CNN)层、两层全连接层，最后通过Softmax函数输出判断结果。如果输入信号是三相波形，则需要将多尺度卷积神经网络层的输出连接到一个展平层，以调整全连接层的矢量形式。其中，多尺度一维CNN层由最大池化层1、n个并行的一维CNN、最大池化层2、展平层按顺序连接，最后拼接而成。每个并行的一维CNN使用不同尺度的卷积核对不同尺度的原始输电线电气信号进行卷积运算，实现对不同细度信号特征的提取。然后，每个一维CNN提取的特征被拼接并输出到最大池化层2，如图6所示。
步骤S2中所述的多尺度一维CNN子模块和训练过程如下，S1中原始输电线电气信号的单个样本长度为T，相位为p，可由列向量表示为φp[1:T]＝[φp,1；φp,2；...,φp,T]。
最大池化层执行步长大小为d的子采样，最大池化层的输入为X，输出用Mp(X)表示，Mp(X)的第t个元素为Mpt(X)＝max(Xd(t-1)+i,1≤i≤a)，其中a为池化大小。
同样地，具有Relu激活函数的一维CNN的输入为Y，输出表示为Conv(Y)，Conv(Y)的第t个元素为其中，c为卷积核的大小；ωi为卷积核的第i个权重；bt为卷积层输出的第t个元素的偏差。Relu激活函数由下式给出Relu(x)＝max(0,x)，其是一种神经元输入到输出的非线性映射，其函数的运行规则是在0和x之间取最大值。
展平层通过使用Relu激活函数将三相信号连接成一维向量。全连接层中的每个神经元与前一层中的所有神经元全连接，以在卷积层或池化层中依据类别的不同对局部信息进行整合。
多尺度一维卷积神经网络的最后一层为Softmax函数。由于局部放电检测是一个二元分类问题，此时Softmax函数为二元分类器，其输出可计算如下，
其中，PD和分别在输出结果中表示有无放电，W和D是权重矩阵参数和偏置参数，Z为Softmax函数的输入。
步骤S2所述的多尺度卷积神经网络层的设计主要包括两部分：卷积核尺度的选择和卷积核个数的确定，其中卷积核个数用表示n。根据样本长度和当前一维卷积神经网络的卷积核尺度的设置，从1×2，1×5，1×10，1×20，1×32，1×64中选择卷积核尺度，以获得从高频到低频的不同精度的特征。
两层多尺度卷积神经网络层的设计思路如下。第一层多尺度卷积神经网络设置一个尺度范围较大的卷积核，在更大范围内提取训练样本不同细度的特征，第二层使用尺度范围相对较小的卷积核，对之前提取的不同细度的特征进行细化，提取高频特征。同时，针对两个多尺度卷积层中不同尺度卷积核的数量进行了对比测试。
基于上述设计思想，列出了多尺度卷积神经网络层中卷积核大小的情况，如图8所示，并且给出包含有两个多尺度卷积神经网络层的9种组合设置，如图9所示。
池化模式设置为最大池化，同时池化核心大小的设置也在图9中示出。为防止过拟合，在第一个全连接层的前面设置系数为0.25的Dropout，即在每次训练中以0.25的概率丢弃该全连接层。在第二个全连接层前面设置系数为0.5的Dropout。选择交叉熵损失作为损失函数。选择批量梯度下降法作为优化器，批量大小设置为128，学习率为0.0001。在每个设置下运行200轮，并且使用Python中的Pytorch对模型进行编码。
步骤S3中将训练样本分为5层，通过5层交叉验证计算精度。基于多尺度一维卷积神经网络的分类器的性能指标为5次训练结果的平均准确率。局部放电检测是一个二元任务，只有当分类器的准确率大于50％时，才认为分类器有效。每层精度通过下式计算，
对三相信号中9种设置的精度进行比较，结果如图7所示。为了说明该算法对低采样率数据的有效性，对数据集进行了向下重采样，并获得了20MHz和10MHz的电压信号，另外还进行了对比测试，如图7所示。
从图7可以看出，当两个多尺度卷积层的卷积核的数量为n1＝3，n2＝3时，检测精度可达到90％，并且当卷积核的数量增加时，精度没有显著差异。当采样率低于20MHz时，会对精度产生影响。当采样率超过20MHz时，模型的精度提高不多。此外，考虑到网络规模和采样率的增加会占用更多的计算资源和内存资源，从而导致训练速度的降低。因此，将两个多尺度卷积神经网络层中的卷积核的数目设置为3，步幅分别设置为3和2就足够了。填充样式设置为相同填充，以避免边缘信息的丢失，并确保多尺度卷积神经网络层中的并行卷积层的输出维度对于特征拼接是一致的。
此外，通过改变可能性的阈值来计算实验的接收者工作特性(ROC)，以判断信号是否具有局部放电。ROC曲线有一个很好的特点：当测试集中的正负样本的分布发生变化时，ROC曲线可以保持不变。在本文使用的局部放电数据集中，由于局部放电的极端可能性，即负样本(无局部放电的信号)比正样本(有局部放电的信号)多得多，从而导致了类别不平衡。设置3的ROC如图10所示，其中FPR表示假阳性率，TPR表示真阳性率。图10说明MS-Conv1D是对少量正样本具有鲁棒性的分类器。
综上所述，发明提供了一种基于多尺度一维卷积神经网络的电网故障检测模型，解决输电线路的局部放电诊断问题，在不同频率数据和不同卷积核的设置下取得了较好的效果。多尺度一维卷积神经网络模型适用于单相和三相电路局部放电信号的诊断，该模型不需要指定输入序列的长度，也不需要手动提取输入信号的特征。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。
Claims (8)
1.一种输电线局部放电检测方法，其特征在于，包含以下步骤：
S1、获取原始输电线电气信号，划分为训练样本和测试样本；
S2、向多尺度一维卷积神经网络批量输入训练样本，设定阈值，设置尺度一维卷积神经网络结构及其卷积核大小，逐层前向传播获得训练样本的特征，获得实际输出，并计算得到期望输出和实际输出的误差；
S3、误差由S1中多尺度一维卷积神经网络的输出逐层反向传播至输入，更新网络参数；
S4、重复步骤S2和S3，直到完成所有训练样本，计算多尺度一维卷积神经网络在测试样本上的精度，若精度大于设定阈值，则获得理想网络，否则返回步骤S2；
S5、输出理想网络在测试样本上的精度。
2.如权利要求1所述的输电线局部放电检测方法，其特征在于，所述的原始输电线电气信号包含三相架空电力线的电压测量信号，并且对每相电压测量信号的测量同时进行。
3.如权利要求1所述的输电线局部放电检测方法，其特征在于，所述的多尺度一维卷积神经网络包含两层多尺度一维卷积神经网络层、两层全连接层，最后通过Softmax函数输出结果。
4.如权利要求3所述的输电线局部放电检测方法，其特征在于，每个一维卷积神经网络层层使用不同尺度的卷积核对不同尺度的输入信号进行卷积运算，实现不同细度信号特征的提取。
5.如权利要求1所述的输电线局部放电检测方法，其特征在于，所述S2包含以下内容：
原始输电线电气信号的单个样本长度为T，相位为p，其由列向量表示为：
φp[1:T]＝[φp,1；φp,2；...,φp,T]；
最大池化层执行步长大小为d的子采样，最大池化层的输入为X，输出为Mp(X)，Mp(X)的第t个元素为Mpt(X)＝max(Xd(t-1)+i,1≤i≤a)，其中a为池化大小；
具有Relu激活函数的一维卷积神经网络层的输入为Y，输出表示为Conv(Y)，Conv(Y)的第t个元素为其中c为卷积核的大小，ωi为卷核的第i个权重，bt为卷积层输出的第t个元素的偏差；
Relu激活函数为：Relu(x)＝max(0,x)，其函数的运行规则是在0和x之间取最大值。
6.如权利要求5所述的输电线局部放电检测方法，其特征在于，展平层通过使用Relu激活函数将三相信号连接成一维向量；全连接层中的每个神经元与前一层中的所有神经元全连接，以在卷积神经网络层或池化层中依据类别的不同对局部信息进行整合。
7.如权利要求5所述的输电线局部放电检测方法，其特征在于，多尺度一维卷积神经网络的最后一层为Softmax函数；由于局部放电检测是一个二元分类问题，此时Softmax函数为二元分类器，其输出可计算如下，
其中，PD和分别在输出结果中表示有无放电，W和D是权重矩阵参数和偏置参数，Z为Softmax函数的输入。
8.如权利要求3所述的输电线局部放电检测方法，其特征在于，如果输入信号是三相波形，则需要将多尺度卷积神经网络层的输出连接到一个展平层，以调整全连接层的矢量形式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310588043.5A CN116796187A (zh) | 2023-05-23 | 2023-05-23 | 一种输电线局部放电检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310588043.5A CN116796187A (zh) | 2023-05-23 | 2023-05-23 | 一种输电线局部放电检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116796187A true CN116796187A (zh) | 2023-09-22 |
Family
ID=88047272
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310588043.5A Pending CN116796187A (zh) | 2023-05-23 | 2023-05-23 | 一种输电线局部放电检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116796187A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118130984A (zh) * | 2024-05-10 | 2024-06-04 | 山东博通节能科技有限公司 | 基于数据驱动的电缆局放故障实时监测方法 |
-
2023
- 2023-05-23 CN CN202310588043.5A patent/CN116796187A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118130984A (zh) * | 2024-05-10 | 2024-06-04 | 山东博通节能科技有限公司 | 基于数据驱动的电缆局放故障实时监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110163300B (zh) | 一种图像分类方法、装置、电子设备及存储介质 | |
| CN106529447B (zh) | 一种小样本人脸识别方法 | |
| CN109376786A (zh) | 一种图像分类方法、装置、终端设备及可读存储介质 | |
| Purnama et al. | A classification of polycystic Ovary Syndrome based on follicle detection of ultrasound images | |
| CN101477172B (zh) | 一种基于神经网络的模拟电路故障诊断方法 | |
| CN110161388B (zh) | 一种高压设备的故障类型识别方法及其系统 | |
| JPWO2019026104A1 (ja) | 情報処理装置、情報処理プログラム及び情報処理方法 | |
| CN104504366A (zh) | 基于光流特征的笑脸识别系统及方法 | |
| CN104537647A (zh) | 一种目标检测方法及装置 | |
| CN110717881A (zh) | 晶圆缺陷识别方法、装置、存储介质和终端设备 | |
| US11783471B2 (en) | Method and device for determining whether object includes defect | |
| CN113295702B (zh) | 电气设备故障诊断模型训练方法和电气设备故障诊断方法 | |
| CN114237046B (zh) | 一种基于sift数据特征提取算法与bp神经网络模型的局部放电模式识别方法 | |
| CN116796187A (zh) | 一种输电线局部放电检测方法 | |
| CN112949785B (zh) | 对象检测方法、装置、设备及计算机存储介质 | |
| CN117332352B (zh) | 一种基于BAM-AlexNet的避雷器信号缺陷识别方法 | |
| CN113139963A (zh) | 缺陷检测方法和装置 | |
| CN117179777A (zh) | 基于多尺度特征融合网络的心电数据分类方法和装置 | |
| CN113837390A (zh) | 一种模态信息补全方法、装置及设备 | |
| CN114387524B (zh) | 基于多层级二阶表征的小样本学习的图像识别方法和系统 | |
| George et al. | Leaf recognition using multi-layer perceptron | |
| CN114201993B (zh) | 一种检测超声缺陷的三分支注意力特征融合方法与系统 | |
| CN114970638A (zh) | 雷达辐射源个体开集识别方法及系统 | |
| CN114297963A (zh) | 基于K-Means小波神经网络的软电路故障诊断方法 | |
| CN108764314B (zh) | 一种结构化数据分类方法、装置、电子设备及存储介质 |
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 |