CN117093894A - 一种基于神经网络的局部放电建模分析方法、系统和装置 - Google Patents
一种基于神经网络的局部放电建模分析方法、系统和装置 Download PDFInfo
- Publication number
- CN117093894A CN117093894A CN202310888077.6A CN202310888077A CN117093894A CN 117093894 A CN117093894 A CN 117093894A CN 202310888077 A CN202310888077 A CN 202310888077A CN 117093894 A CN117093894 A CN 117093894A
- Authority
- CN
- China
- Prior art keywords
- neural network
- partial discharge
- image
- network model
- convolutional neural
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 30
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 68
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 22
- 238000011176 pooling Methods 0.000 claims description 20
- 108090000623 proteins and genes Proteins 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- 238000009413 insulation Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 230000007547 defect Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000005339 levitation Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000003491 array Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 description 7
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 4
- 229910052802 copper Inorganic materials 0.000 description 4
- 239000010949 copper Substances 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 239000003292 glue Substances 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 239000004020 conductor Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000004850 liquid epoxy resins (LERs) Substances 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000007493 shaping process Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003822 epoxy resin Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 229920000647 polyepoxide Polymers 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 239000000126 substance Substances 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于神经网络的局部放电建模分析方法、系统和装置‑发明本发明公开了一种基于神经网络的局部放电建模分析方法、系统和装置，涉及电力设备技术领域。本发明包括如下步骤：步骤S1：采集电力设备若干种局部放电PRPD图谱；步骤S2：局部放电PRPD图谱进行预处理得到特征数据；步骤S3：搭建卷积神经网络模型；步骤S4：输入训练集到卷积神经网络模型进行训练，对网络模型进行优化；步骤S5：输入测试集到卷积神经网络模型进行测试；步骤S6：向最优网络模型输入待识别图谱，获取局部放电的类型并输出。本发明通过对电力设备局部放电数据进行预处理得到特征数据，搭建网络模型并对网络模型进行优化，将待识别图谱输入到优化后的网络模型中，获取局部放电的类型并输出，提高局部放电识别的准确率。
Description
技术领域
本发明属于电力设备技术领域，特别是涉及一种基于神经网络的局部放电建模分析方法、系统和装置。
背景技术
绝缘体中只有局部区域发生的放电，而没有贯穿施加电压的导体之间，可以发生在导体附近，也可以发生在其他地方，这种现象称为局部放电。当绝缘发生局部放电时就会影响绝缘寿命。每次放电，高能量电子或加速电子的冲击，特别是长期局部放电作用都会引起多种形式的物理效应和化学反应，如带电质点撞击气泡外壁时，就可能打断绝缘的化学键而发生裂解，破坏绝缘的分子结构，造成绝缘劣化，加速绝缘损坏过程，导致电力系统发生故障，带来较大成本的损失。
传统的对局部放电进行判断，是人为根据历史经验和专家系统进行判断，工作量大，浪费人力资源，人为判断容易出现误判的问题。
发明内容
本发明的目的在于提供一种基于神经网络的局部放电建模分析方法、系统和装置，通过对电力设备局部放电数据进行预处理得到特征数据，并输入到训练好的网络模型中，获取局部放电的类型并输出，解决了现有的问题。
为解决上述技术问题，本发明是通过以下技术方案实现的：
本发明为一种基于神经网络的局部放电建模分析方法，包括如下步骤：
步骤S1：采集电力设备若干种局部放电PRPD(相位分辩的局部放电)图谱，每种图谱均包括多个原始图像；
步骤S2：局部放电PRPD图谱进行预处理得到特征数据，并将特征数据分为训练集和测试集；
步骤S3：搭建卷积神经网络模型，初始化卷积神经网络模型的参数；
步骤S4：输入训练集到卷积神经网络模型进行训练，采用算术优化算法，对网络模型进行优化；
步骤S5：输入测试集到卷积神经网络模型进行测试，若测试通过则保持网络模型为最优网络模型，否则返回步骤S4；
步骤S6：向最优网络模型输入待识别图谱，获取局部放电的类型并输出。
作为一种优选的技术方案，所述局部放电PRPD图谱进行预处理包括：图像去噪、图像缩放、图像灰度化、图像二值化以及图像增强；具体步骤如下：
步骤S21、图像去噪：采用DBSCAN聚类算法对原始图像进行处理，得到初始图像；
步骤S22、图像缩放：采用双线性插值算法缩放初始图像，得到放电区域图像；
步骤S23、图像灰度化：对放电区域图像进行灰度化处理，得到灰度化图像；
步骤S24、图像二值化：对灰度化图像进行二值化处理，得到二值化图像；
步骤S25、图像增强：将二值化图像的像素归一化到[0,1]之间，得到标准化图像；
步骤S26、特征数据：提取标准化图像的特征数据并构建特征向量。
作为一种优选的技术方案，所述步骤S26中，采用聚类算法对所有标准化图像的特征向量进行聚类，具体为：
步骤1、初始化：将每个标准化图像的特征向量均作为1个数据点，所有数据点构成数据集；计算数据集中每两个数据点xi和xk之间的相似度s(i,k)，构建初始相似度矩阵S；对参考度P赋初值，P＝s(i,k)，赋初值为0；设置衰减系数λ和最大迭代次数T；
步骤2、计算数据点之间的吸引度值：
r(i,k)＝s(i,k)-max{a(i,k′),s(i,k′)}k′≠k；
式中，r(i,k)为任意数据点xi和xk之间的吸引度值，s(i,k′)为数据点xi与其他任意数据点的相似度，k′对应于数据点xk；
步骤3、计算样本点间的归属度值：
式中，a(i,k)为数据点xi与其他任意数据点的归属度；
步骤4、吸引度和归属度的更新：
式中，rt(i,k)为数据点xi和xk之间的当前吸引度值；rt+1(i,k)数据点xi和xk之间下一次迭代吸引度值；为上一次迭代中rt+1(i,k)的值；
步骤5、如果当前迭代次数t超过最大迭代次数T，或者当聚类中心在若干次迭代中不发生改变时终止计算，采用求和法确定类中心，即计算rt+1(i,k)+at+1(i,k)，不发生变化或变化幅度在参考值范围内，即聚类稳定，所对应的数据点即为聚类中心；否则返回步骤2。
作为一种优选的技术方案，所述步骤S3中，卷积神经网络模型包括输入层、卷积层、池化层、全连接层和输出分类层；所述卷积神经网络模型的激活函数为不饱和非线性函数f(x)＝max(0,x)；所述卷积神经网络模型具体包括1个输入层、5个卷积层、5个池化层、1个全连接层和1个输出分类层。
作为一种优选的技术方案，所述卷积神经网络模型的参数包括下述各项的至少其中之一：
第一卷积层具有16个1×13尺寸卷积核；
第二卷积层具有32个1×13尺寸的卷积核；
第三卷积层具有64个1×11尺寸的卷积核；
第四卷积层具有128个1×11尺寸的卷积核；
第五卷积层具有256个1×9尺寸的卷积核；
池化层的尺寸为1×2，步长为2；
全连接层的神经元个数为1024；
输出分类层包括Softmax分类器。
作为一种优选的技术方案，搭建所述卷积神经网络模型具体流程如下：
步骤S31、种群初始化：初始化的种群为初代种群，初代种群用集合P＝{x1,x2,x3,...,xn}表示，集合中个体的数量为n个，Xn是种群中一个个个体，Xn的基因串由一组网络参数和一组训练参数组成，n个个体组成的种群规模为n，初代种群作为初代网络参数合集；
步骤S32、获取个体基因序列：将初代网络参数对应于基因个体，逐代进化产生更高适应度的子代，第一个卷积层卷积核的数量为N1，第一个卷积层卷积核的大小为NC1×NC1,将第一个池化层池化核的大小为Np1×Np1，第二个卷积层卷积核的数量为N2，第二个卷积层卷积核的大小为NC2×NC2,将第二个池化层池化核的大小为Np2×Np2，正则化因子为L，训练迭代次数为I，个体基因序列为：
Xn＝[N1,NC1,NP1,N2,NC2,NP2,L,I]；
步骤S33：计算交叉概率Pc和变异概率Pm；
式中，Pc1为第一个卷积层的交叉概率，Pc2为第二个卷积层的交叉概率，Pm1为第一个卷积层的变异概率，Pm2为第二个卷积层的变异概率，favg为种群的平均适应率，fmax为种群最大适应率，f′为即将进行交叉运算操作中的最大适应率的个体，f为突变操作中的个体适应度；
步骤S34：根据变异概率计算变异个体Xm[i]′为：
Xm[i]′＝Xm[i]*Rand()％L+1；
式中，其中，Xm[i]为Xm中第i个基因，Xm[i]以变异概率Pm的发生几率进行自身参数的突变；
步骤S35：计算变异个体的适应度：
其中，F为遗传算法个体适应度，E为卷积神经网络的验证误差，NCONV为卷积层的总数量，Nmaxlayers为卷积神经网络的总层数，α为卷积层的数量对网络性能的影响因子；计算每个个体的适应度值，从中选取出适应度值最高的个体，将适应度值最高的个体对应的网络参数和训练参数赋值于个体基因序列，确定网络结构；
步骤S36：采用ReLU函数作为激活函数，完成卷积神经网络的搭建。
作为一种优选的技术方案，所述步骤S4中，对网络模型进行优化具体步骤如下：
S501、采用交叉熵代价函数，将训练集输入卷积神经网络；
S502、通过随机梯度下降法更新卷积神经网络，得到二级网络；
S503、通过反向传播算法，计算实际输出与理想输出之间的代价函数；
S504、基于最小化代价函数调整训练参数，优化二级网络，得到网络模型。
作为一种优选的技术方案，所述步骤S6中，局部放电的类型包括内部气隙放电、针板放电、沿面放电和悬浮放电。
本发明为一种基于神经网络的局部放电建模分析系统，包括处理模块和卷积神经网络模块；
所述处理模块用于其对表征若干种局部放电绝缘缺陷类型的原始局部放电图像样本中的原始图像进行预处理，得到各原始图像的二维矩阵，将二维矩阵列向求和得到各原始图像的一维数组，对一维数组进行归一化处理；
所述卷积神经网络模块用于将预处理后的特征数据输入卷积神经网络模型以对其进行训练，通过训练以更新卷积神经网络模型的参数，经过训练的卷积神经网络模型用于对待识别局部放电图像进行缺陷识别；其中在训练卷积神经网络模型的过程中，采用算术优化算法不断对网络模型进行优化，并将训练集输入到优化后的卷积神经网络模型进行测试，直至测试通过；输入待识别图谱，获取局部放电的类型并输出。
本发明为一种基于神经网络的局部放电建模分析装置，所述装置包括：
至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述处理器执行，用于执行权利要求1-7任一所述的一种基于神经网络的局部放电建模分析方法。
本发明具有以下有益效果：
本发明通过对电力设备局部放电数据进行预处理得到特征数据，搭建网络模型并对网络模型进行优化，将待识别图谱输入到优化后的网络模型中，获取局部放电的类型并输出，提高局部放电识别的准确率。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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为本发明实施例1中的一种基于神经网络的局部放电建模分析方法流程图；
图2为本发明实施例1中对局部放电PRPD图谱进行预处理流程图；
图3为本发明实施例2中搭建卷积神经网络模型具体流程图；
图4为本发明实施例1中对网络模型进行优化流程图；
图5为本发明实施例3中一种基于神经网络的局部放电建模分析装置结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例一
请参阅图1所示，本发明实施例一提供了一种基于神经网络的局部放电建模分析方法，如图1所示，方法包括：
步骤S1：采集电力设备若干种局部放电PRPD(相位分辩的局部放电)图谱，每种图谱均包括多个原始图像；
在本实施方式中，步骤S1中的电力设备采集的局部放电PRPD(相位分辩的局部放电)可以通过现有仪器进行操作，例如特高频检测器、信号调理单元、示波器搜集获取包括悬浮电位、绝缘放电、尖端电晕、微粒放电以及干扰的五种绝缘缺陷类型的局部放电时域波形图像样本作为原始局部放电图像样本。
当然，在其他的实施方式中，本领域的技术人员也可以根据实施方式的具体情况采集其他类型的原始局部放电图像样本。
需要说明的是，获取表征若干种局部放电绝缘缺陷类型的原始局部放电图像样本的途径不限于通过局部放电现场检测的方式，也可以通过本领域内技术人员知晓的其他方式获取，例如可以通过试验模拟获取原始局部放电图像样本，也可以通过采集一定数量的原始局部放电图像样本后，通过数据扩充技术得到更多数量的原始局部放电图像样本。
步骤S2：局部放电PRPD图谱进行预处理得到特征数据，并将特征数据分为训练集和测试集；
对局部放电PRPD图谱进行预处理包括：图像去噪、图像缩放、图像灰度化、图像二值化以及图像增强；如图2所示，具体步骤如下：
步骤S21、图像去噪：采用DBSCAN聚类算法对原始图像进行处理，得到初始图像；
步骤S22、图像缩放：采用双线性插值算法缩放初始图像，得到放电区域图像；
步骤S23、图像灰度化：对放电区域图像进行灰度化处理，得到灰度化图像；
步骤S24、图像二值化：对灰度化图像进行二值化处理，得到二值化图像；
步骤S25、图像增强：将二值化图像的像素归一化到[0,1]之间，得到标准化图像；
步骤S26、特征数据：提取标准化图像的特征数据并构建特征向量。
在本实施方式中，对图像进行去噪处理采用的是DBSCAN聚类算法，在其他的实施方式中，本领域的技术人员也可以根据实施方式的具体情况采用不同的方式对局部放电PRPD图谱进行去噪处理，如：
图像去噪可以采用：
1、均值滤波算法：也称线性滤波，主要思想为邻域平均法，即用几个像素灰度的平均值来代替每个像素的灰度。有效抑制加性噪声，但容易引起图像模糊，可以对其进行改进，主要避开对景物边缘的平滑处。
2、中值滤波：基于排序统计理论的一种能有效抑制噪声的非线性平滑滤波信号处理技术。中值滤波的特点即是首先确定一个以某个像素为中心点的邻域，一般为方形邻域，也可以为圆形、十字形等等，然后将邻域中各像素的灰度值排序，取其中间值作为中心像素灰度的新值，这里邻域被称为窗口，当窗口移动时，利用中值滤波可以对图像进行平滑处理。其算法简单，时间复杂度低，但其对点、线和尖顶多的图像不宜采用中值滤波，很容易自适应化。
在本实施方式中，对图像进行缩放采用的是双线性插值算法，在其他的实施方式中，本领域的技术人员也可以根据实施方式的具体情况采用不同的方式对图像进行缩放，如：等间隔采样、局部均值等等。
对图像进行灰度化处理一般有三种常用方法：第一种：直接取R、B、G三个分量中数值最大的分量的数值；第二种，取R、B、G三个分量中数值取均值；第三种，根据人眼对R、B、G三种颜色的敏感度，按照一定的权值进行加权平均得到。在本实施方式中采用第三种。
本实施例中采用聚类算法对所有标准化图像的特征向量进行聚类，具体为：
步骤1、初始化：将每个标准化图像的特征向量均作为1个数据点，所有数据点构成数据集；计算数据集中每两个数据点xi和xk之间的相似度s(i,k)，构建初始相似度矩阵S；对参考度P赋初值，P＝s(i,k)，赋初值为0；设置衰减系数λ和最大迭代次数T；
步骤2、计算数据点之间的吸引度值：
r(i,k)＝s(i,k)-max{a(i,k′),s(i,k′)}k′≠k；
式中，r(i,k)为任意数据点xi和xk之间的吸引度值，s(i,k′)为数据点xi与其他任意数据点的相似度，k′对应于数据点xk；
步骤3、计算样本点间的归属度值：
式中，a(i,k)为数据点xi与其他任意数据点的归属度；
步骤4、吸引度和归属度的更新：
式中，rt(i,k)为数据点xi和xk之间的当前吸引度值；rt+1(i,k)数据点xi和xk之间下一次迭代吸引度值；为上一次迭代中rt+1(i,k)的值；
步骤5、如果当前迭代次数t超过最大迭代次数T，或者当聚类中心在若干次迭代中不发生改变时终止计算，采用求和法确定类中心，即计算rt+1(i,k)+at+1(i,k)，不发生变化或变化幅度在参考值范围内，即聚类稳定，所对应的数据点即为聚类中心；否则返回步骤2
步骤S3：搭建卷积神经网络模型，初始化卷积神经网络模型的参数；
步骤S4：输入训练集到卷积神经网络模型进行训练，采用算术优化算法，对网络模型进行优化；
如图4所示，对网络模型进行优化具体步骤如下：
S501、采用交叉熵代价函数，将训练集输入卷积神经网络；
S502、通过随机梯度下降法更新卷积神经网络，得到二级网络；
S503、通过反向传播算法，计算实际输出与理想输出之间的代价函数；
S504、基于最小化代价函数调整训练参数，优化二级网络，得到网络模型。
步骤S5：输入测试集到卷积神经网络模型进行测试，若测试通过则保持网络模型为最优网络模型，否则返回步骤S4；
步骤S6：向最优网络模型输入待识别图谱，获取局部放电的类型并输出；局部放电的类型包括内部气隙放电、针板放电、沿面放电和悬浮放电；
具体各个类型的参数如下：
1、内部气隙放电模型。两个铜电极的间距d为5mm，空气隙直径Db为2mm。用液体环氧树脂胶将球形空气隙和两个铜极板浇注其内，凝固定型。
2、针板放电模型。高压针尖曲率半径为0.5mm、尖长15mm、锥角30°，针板间距d为3.5mm，外围用液体环氧树脂胶浇注，凝固定型。
3、沿面放电模型。中间绝缘板直径D为45mm，厚度d为3mm。2个铜电极与绝缘板间紧密压实并用环氧树脂胶粘连。
4、悬浮放电模型。悬浮电极为厚1mm、直径10mm的圆形铜片，放置在2mm厚的绝缘板上，绝缘板表面距高压电极的距离d为4mm。
实施例二
本发明为一种基于神经网络的局部放电建模分析系统，可用于执行完成本发明实施例1以及后续实施例3的方法内容，包括处理模块和卷积神经网络模块，处理模块用于其对表征若干种局部放电绝缘缺陷类型的原始局部放电图像样本中的原始图像进行预处理，得到各原始图像的二维矩阵，将二维矩阵列向求和得到各原始图像的一维数组，对一维数组进行归一化处理；
卷积神经网络模块用于将预处理后的特征数据输入卷积神经网络模型以对其进行训练，通过训练以更新卷积神经网络模型的参数，经过训练的卷积神经网络模型用于对待识别局部放电图像进行缺陷识别；其中在训练卷积神经网络模型的过程中，采用算术优化算法不断对网络模型进行优化，并将训练集输入到优化后的卷积神经网络模型进行测试，直至测试通过；输入待识别图谱，获取局部放电的类型并输出。
卷积神经网络模型包括输入层、卷积层、池化层、全连接层和输出分类层；卷积神经网络模型的激活函数为不饱和非线性函数f(x)＝max(0,x)；卷积神经网络模型具体包括1个输入层、5个卷积层、5个池化层、1个全连接层和1个输出分类层。
卷积神经网络模型的参数包括下述各项的至少其中之一：
第一卷积层具有16个1×13尺寸卷积核；
第二卷积层具有32个1×13尺寸的卷积核；
第三卷积层具有64个1×11尺寸的卷积核；
第四卷积层具有128个1×11尺寸的卷积核；
第五卷积层具有256个1×9尺寸的卷积核；
池化层的尺寸为1×2，步长为2；
全连接层的神经元个数为1024；
输出分类层包括Softmax分类器
如图3所示，搭建卷积神经网络模型具体流程如下：
步骤S31、种群初始化：初始化的种群为初代种群，初代种群用集合P＝{x1,x2,x3,...,xn}表示，集合中个体的数量为n个，Xn是种群中一个个个体，Xn的基因串由一组网络参数和一组训练参数组成，n个个体组成的种群规模为n，初代种群作为初代网络参数合集；
步骤S32、获取个体基因序列：将初代网络参数对应于基因个体，逐代进化产生更高适应度的子代，第一个卷积层卷积核的数量为N1，第一个卷积层卷积核的大小为NC1×NC1,将第一个池化层池化核的大小为Np1×Np1，第二个卷积层卷积核的数量为N2，第二个卷积层卷积核的大小为NC2×NC2,将第二个池化层池化核的大小为Np2×Np2，正则化因子为L，训练迭代次数为I，个体基因序列为：
Xn＝[N1,NC1,NP1,N2,NC2,NP2,L,I]；
步骤S33：计算交叉概率Pc和变异概率Pm；
式中，Pc1为第一个卷积层的交叉概率，Pc2为第二个卷积层的交叉概率，Pm1为第一个卷积层的变异概率，Pm2为第二个卷积层的变异概率，favg为种群的平均适应率，fmax为种群最大适应率，f′为即将进行交叉运算操作中的最大适应率的个体，f为突变操作中的个体适应度；
步骤S34：根据变异概率计算变异个体Xm[i]′为：
Xm[i]′＝Xm[i]*Rand()％L+1；
式中，其中，Xm[i]为Xm中第i个基因，Xm[i]以变异概率Pm的发生几率进行自身参数的突变；
步骤S35：计算变异个体的适应度：
其中，F为遗传算法个体适应度，E为卷积神经网络的验证误差，NCONV为卷积层的总数量，Nmaxlayers为卷积神经网络的总层数，α为卷积层的数量对网络性能的影响因子；计算每个个体的适应度值，从中选取出适应度值最高的个体，将适应度值最高的个体对应的网络参数和训练参数赋值于个体基因序列，确定网络结构；
步骤S36：采用ReLU函数作为激活函数，完成卷积神经网络的搭建；最后确定的参数为：第一层卷积层的卷积核数量为20，卷积核尺寸为5×5，即5×5×20，第二层卷积层的卷积核数量为40，卷积核尺寸为4×4，即4×4×40，第一层池化层为2×2×20，第二层池化层为2×2×40，正则化因子L为0.0001，训练迭代次数I为550次。
实施例三
如图5所示，是本发明实施例的一种基于神经网络的局部放电建模分析装置的架构示意图。本实施例的一种基于神经网络的局部放电建模分析装置包括一个或多个处理器以及存储器。其中，图5中以一个处理器为例。
处理器和存储器可以通过总线或者其他方式连接，图5中以通过总线连接为例。
存储器作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序和非易失性计算机可执行程序，如实施例1中的一种基于神经网络的局部放电建模分析方法。处理器通过运行存储在存储器中的非易失性软件程序和指令，从而执行一种基于神经网络的局部放电建模分析方法。
存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
程序指令/模块存储在存储器中，当被一个或者多个处理器执行时，执行上述实施例1中的一种基于神经网络的局部放电建模分析方法，例如，执行以上描述的图1、图2、图3、图4所示的各个步骤。
值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于一计算机可读取存储介质中。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.一种基于神经网络的局部放电建模分析方法，其特征在于，包括如下步骤：
步骤S1：采集电力设备若干种局部放电PRPD(相位分辩的局部放电)图谱，每种图谱均包括多个原始图像；
步骤S2：局部放电PRPD图谱进行预处理得到特征数据，并将特征数据分为训练集和测试集；
步骤S3：搭建卷积神经网络模型，初始化卷积神经网络模型的参数；
步骤S4：输入训练集到卷积神经网络模型进行训练，采用算术优化算法，对网络模型进行优化；
步骤S5：输入测试集到卷积神经网络模型进行测试，若测试通过则保持网络模型为最优网络模型，否则返回步骤S4；
步骤S6：向最优网络模型输入待识别图谱，获取局部放电的类型并输出。
2.根据权利要求1所述的一种基于神经网络的局部放电建模分析方法，其特征在于，所述步骤S2中，局部放电PRPD图谱进行预处理包括：图像去噪、图像缩放、图像灰度化、图像二值化以及图像增强；具体步骤如下：
步骤S21、图像去噪：采用DBSCAN聚类算法对原始图像进行处理，得到初始图像；
步骤S22、图像缩放：采用双线性插值算法缩放初始图像，得到放电区域图像；
步骤S23、图像灰度化：对放电区域图像进行灰度化处理，得到灰度化图像；
步骤S24、图像二值化：对灰度化图像进行二值化处理，得到二值化图像；
步骤S25、图像增强：将二值化图像的像素归一化到[0,1]之间，得到标准化图像；
步骤S26、特征数据：提取标准化图像的特征数据并构建特征向量。
3.根据权利要求2所述的一种基于神经网络的局部放电建模分析方法，其特征在于，所述步骤S26中，采用聚类算法对所有标准化图像的特征向量进行聚类，具体为：
步骤1、初始化：将每个标准化图像的特征向量均作为1个数据点，所有数据点构成数据集；计算数据集中每两个数据点xi和xk之间的相似度s(i,k)，构建初始相似度矩阵S；对参考度P赋初值，P＝s(i,k)，赋初值为0；设置衰减系数λ和最大迭代次数T；
步骤2、计算数据点之间的吸引度值：
r(i,k)＝s(i,k)-max{a(i,k′),s(i,k′)}k′≠k；
式中，r(i,k)为任意数据点xi和xk之间的吸引度值，s(i,k′)为数据点xi与其他任意数据点的相似度，k′对应于数据点xk；
步骤3、计算样本点间的归属度值：
式中，a(i,k)为数据点xi与其他任意数据点的归属度；
步骤4、吸引度和归属度的更新：
式中，rt(i,k)为数据点xi和xk之间的当前吸引度值；rt+1(i,k)数据点xi和xk之间下一次迭代吸引度值；为上一次迭代中rt+1(i,k)的值；
步骤5、如果当前迭代次数t超过最大迭代次数T，或者当聚类中心在若干次迭代中不发生改变时终止计算，采用求和法确定类中心，即计算rt+1(i,k)+at+1(i,k)，不发生变化或变化幅度在参考值范围内，即聚类稳定，所对应的数据点即为聚类中心；否则返回步骤2。
4.根据权利要求1所述的一种基于神经网络的局部放电建模分析方法，其特征在于，所述步骤S3中，卷积神经网络模型包括输入层、卷积层、池化层、全连接层和输出分类层；所述卷积神经网络模型的激活函数为不饱和非线性函数f(x)＝max(0,x)；所述卷积神经网络模型具体包括1个输入层、5个卷积层、5个池化层、1个全连接层和1个输出分类层。
5.根据权利要求4所述的一种基于神经网络的局部放电建模分析方法，其特征在于，所述卷积神经网络模型的参数包括下述各项的至少其中之一：
第一卷积层具有16个1×13尺寸卷积核；
第二卷积层具有32个1×13尺寸的卷积核；
第三卷积层具有64个1×11尺寸的卷积核；
第四卷积层具有128个1×11尺寸的卷积核；
第五卷积层具有256个1×9尺寸的卷积核；
池化层的尺寸为1×2，步长为2；
全连接层的神经元个数为1024；
输出分类层包括Softmax分类器。
6.根据权利要求4所述的一种基于神经网络的局部放电建模分析方法，其特征在于，搭建所述卷积神经网络模型具体流程如下：
步骤S31、种群初始化：初始化的种群为初代种群，初代种群用集合P＝{x1,x2,x3,...,xn}表示，集合中个体的数量为n个，Xn是种群中一个个个体，Xn的基因串由一组网络参数和一组训练参数组成，n个个体组成的种群规模为n，初代种群作为初代网络参数合集；
步骤S32、获取个体基因序列：将初代网络参数对应于基因个体，逐代进化产生更高适应度的子代，第一个卷积层卷积核的数量为N1，第一个卷积层卷积核的大小为NC1×NC1,将第一个池化层池化核的大小为Np1×Np1，第二个卷积层卷积核的数量为N2，第二个卷积层卷积核的大小为NC2×NC2,将第二个池化层池化核的大小为Np2×Np2，正则化因子为L，训练迭代次数为I，个体基因序列为：
Xn＝[N1,NC1,NP1,N2,NC2,NP2,L,I]；
步骤S33：计算交叉概率Pc和变异概率Pm；
式中，Pc1为第一个卷积层的交叉概率，Pc2为第二个卷积层的交叉概率，Pm1为第一个卷积层的变异概率，Pm2为第二个卷积层的变异概率，favg为种群的平均适应率，fmax为种群最大适应率，f′为即将进行交叉运算操作中的最大适应率的个体，f为突变操作中的个体适应度；
步骤S34：根据变异概率计算变异个体Xm[i]′为：
Xm[i]′＝Xm[i]*Rand()％L+1；
式中，其中，Xm[i]为Xm中第i个基因，Xm[i]以变异概率Pm的发生几率进行自身参数的突变；
步骤S35：计算变异个体的适应度：
其中，F为遗传算法个体适应度，E为卷积神经网络的验证误差，NCONV为卷积层的总数量，Nmaxlayers为卷积神经网络的总层数，α为卷积层的数量对网络性能的影响因子；计算每个个体的适应度值，从中选取出适应度值最高的个体，将适应度值最高的个体对应的网络参数和训练参数赋值于个体基因序列，确定网络结构；
步骤S36：采用ReLU函数作为激活函数，完成卷积神经网络的搭建。
7.根据权利要求1所述的一种基于神经网络的局部放电建模分析方法，其特征在于，所述步骤S4中，对网络模型进行优化具体步骤如下：
S501、采用交叉熵代价函数，将训练集输入卷积神经网络；
S502、通过随机梯度下降法更新卷积神经网络，得到二级网络；
S503、通过反向传播算法，计算实际输出与理想输出之间的代价函数；
S504、基于最小化代价函数调整训练参数，优化二级网络，得到网络模型。
8.根据权利要求1所述的一种基于神经网络的局部放电建模分析方法，其特征在于，所述步骤S6中，局部放电的类型包括内部气隙放电、针板放电、沿面放电和悬浮放电。
9.一种基于神经网络的局部放电建模分析系统，包括处理模块和卷积神经网络模块，其特征在于：
所述处理模块用于其对表征若干种局部放电绝缘缺陷类型的原始局部放电图像样本中的原始图像进行预处理，得到各原始图像的二维矩阵，将二维矩阵列向求和得到各原始图像的一维数组，对一维数组进行归一化处理；
所述卷积神经网络模块用于将预处理后的特征数据输入卷积神经网络模型以对其进行训练，通过训练以更新卷积神经网络模型的参数，经过训练的卷积神经网络模型用于对待识别局部放电图像进行缺陷识别；其中在训练卷积神经网络模型的过程中，采用算术优化算法不断对网络模型进行优化，并将训练集输入到优化后的卷积神经网络模型进行测试，直至测试通过；输入待识别图谱，获取局部放电的类型并输出。
10.一种基于神经网络的局部放电建模分析装置，其特征在于，所述装置包括：
至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述处理器执行，用于执行权利要求1-7任一所述的一种基于神经网络的局部放电建模分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310888077.6A CN117093894A (zh) | 2023-07-19 | 2023-07-19 | 一种基于神经网络的局部放电建模分析方法、系统和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310888077.6A CN117093894A (zh) | 2023-07-19 | 2023-07-19 | 一种基于神经网络的局部放电建模分析方法、系统和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117093894A true CN117093894A (zh) | 2023-11-21 |
Family
ID=88770640
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310888077.6A Pending CN117093894A (zh) | 2023-07-19 | 2023-07-19 | 一种基于神经网络的局部放电建模分析方法、系统和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117093894A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117708685A (zh) * | 2024-02-05 | 2024-03-15 | 国网江西省电力有限公司电力科学研究院 | 一种开关柜潜伏性局放缺陷识别方法及系统 |
| CN117809262A (zh) * | 2024-03-01 | 2024-04-02 | 广州宇中网络科技有限公司 | 一种实时图像识别方法及客户行为分析系统 |
| 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 |
-
2023
- 2023-07-19 CN CN202310888077.6A patent/CN117093894A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117708685A (zh) * | 2024-02-05 | 2024-03-15 | 国网江西省电力有限公司电力科学研究院 | 一种开关柜潜伏性局放缺陷识别方法及系统 |
| CN117708685B (zh) * | 2024-02-05 | 2024-06-04 | 国网江西省电力有限公司电力科学研究院 | 一种开关柜潜伏性局放缺陷识别方法及系统 |
| CN117809262A (zh) * | 2024-03-01 | 2024-04-02 | 广州宇中网络科技有限公司 | 一种实时图像识别方法及客户行为分析系统 |
| CN117809262B (zh) * | 2024-03-01 | 2024-05-28 | 广州宇中网络科技有限公司 | 一种实时图像识别方法及客户行为分析系统 |
| 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 |
|---|---|---|
| CN117093894A (zh) | 一种基于神经网络的局部放电建模分析方法、系统和装置 | |
| CN109145961B (zh) | 一种非结构化局部放电数据的模式识别方法及系统 | |
| CN104992223B (zh) | 基于深度学习的密集人数估计方法 | |
| WO2020119103A1 (zh) | 基于深度学习的航空发动机孔探图像损伤智能识别方法 | |
| CN111709397B (zh) | 一种基于多头自注意力机制的无人机变尺寸目标检测方法 | |
| CN108573225A (zh) | 一种局部放电信号模式识别方法及系统 | |
| Paupamah et al. | Quantisation and pruning for neural network compression and regularisation | |
| CN110164129B (zh) | 基于gernn的单交叉口多车道交通流量预测方法 | |
| CN106338674B (zh) | 基于改进ecoc分类器的直流电缆接头绝缘故障诊断方法及系统 | |
| CN108681689B (zh) | 基于生成对抗网络的帧率增强步态识别方法及装置 | |
| Savino et al. | Automated classification of civil structure defects based on convolutional neural network | |
| CN114749342A (zh) | 一种锂电池极片涂布缺陷识别方法、装置及介质 | |
| CN116612098B (zh) | 一种基于图像处理的绝缘子rtv喷涂质量评价方法和装置 | |
| CN113283579A (zh) | 一种通过卷积神经网络识别局部放电故障类型的方法 | |
| CN115732034A (zh) | 一种空间转录组细胞表达模式的识别方法及系统 | |
| CN111310963A (zh) | 电站的发电数据预测方法、装置、计算机设备和存储介质 | |
| CN111598854A (zh) | 基于丰富鲁棒卷积特征模型的复杂纹理小缺陷的分割方法 | |
| CN109886160B (zh) | 一种非限定条件下的人脸识别方法 | |
| CN111161236A (zh) | 复合绝缘子憎水性检测方法、装置、介质和设备 | |
| CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
| CN113987910A (zh) | 一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置 | |
| CN114004152A (zh) | 基于图卷积和循环神经网络的多风场风速时空预测方法 | |
| CN113721212A (zh) | 基于神经网络的雷达散射截面置信度评估方法 | |
| CN113361383A (zh) | 一种基于遗传算法特征参数优化的瓷绝缘子损伤神经网络识别方法 | |
| CN110349119B (zh) | 基于边缘检测神经网络的路面病害检测方法和装置 |
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 |