基于CNN‑DBN网络的局放故障诊断方法技术

本发明专利技术公开了一种基于CNN‑DBN网络的局放故障诊断方法，包括构建基于深度卷积神经网络以及受限玻尔兹曼机模型的深信度学习网络；采集局放仿真数据和实测局放数据，将部分局放仿真数据和实测局放数据混合作为训练样本集，将剩余的局放仿真数据和实测局放数据混合作为测试样本集；利用训练样本集，对深信度学习网络进行无监督训练，提取跨模式特征；将跨模式特征送入逻辑回归分类器，利用测试样本集，对回归分类器进行监督训练，得到训练完成的深信度学习网络；将待测的局放数据输入训练完成的深信度学习网络，得到局放故障诊断结果。本发明专利技术提高了故障诊断的准确率。

CNN DBN network fault diagnosis method based on partial discharge

The invention discloses a fault diagnosis method for CNN DBN network based on bureau, including the construction of learning based on the network that the width and depth of the convolutional neural network and RBM model; collecting PD simulation data and measured data of PD, PD will be part of the simulated data and the measured PD data mixed as the training set the rest of the bureau put the simulation data and the measured data are mixed as PD test samples; using training samples, the degree of network learning that unsupervised training, cross pattern extraction; cross pattern features into the logistic regression classifier, using the test sample set, supervised training on regression classifier. The trained get convinced the degree of network learning; learning network that will be measured PD data input training completed, obtained PD diagnosis results. The invention improves the accuracy of fault diagnosis.

【技术实现步骤摘要】
基于CNN-DBN网络的局放故障诊断方法
本专利技术涉及一种基于CNN-DBN网络的局放故障诊断方法，具体涉及一种基于CNN-DBN网络的GIS组合电器设备局放故障诊断方法，属于设备故障诊断领域。
技术介绍
现代电力系统中，GIS组合电器的出现，为输配电站的建设提供了新的解决方案，一个GIS组合电器中可以封装断路器、隔离开关、压变、流变、避雷器、母线、套管等多种电气设备，并通过六氟化硫气体缩短绝缘距离，节约场地。由于可靠性高、其占地面积小、检修周期长的特点、广泛用于各个电压等级的输变电设备中。可是，正因为GIS设备全封闭的特点，其制造的工艺要求更为严格，细小的瑕疵也会导致严重的故障，而且，GIS组合电气整体封装在六氟化硫密闭室里，不易检修。因此，通过有效的方法对GIS组合电气进行缺陷检测与识别具有极其重要的意义。现有的方法必须依赖一定的数据特征提取，如小波变换模型以及Hilbert-Huang能量变换模型，GIS组合电气局放信号中含有大量高频分量，而小波变换、Hilbert-Huang变换等对噪声均有一定的敏感性。并且，基于特征提取的方法所提取的特征并不一定反映实际缺陷。
技术实现思路
本文档来自技高网...

【技术保护点】
基于CNN‑DBN网络的局放故障诊断方法，其特征在于：包括，构建基于深度卷积神经网络以及受限玻尔兹曼机模型的深信度学习网络；采集局放仿真数据和实测局放数据，将部分局放仿真数据和实测局放数据混合作为训练样本集，将剩余的局放仿真数据和实测局放数据混合作为测试样本集；利用训练样本集，对深信度学习网络进行无监督训练，提取跨模式特征；将跨模式特征送入逻辑回归分类器，利用测试样本集，对回归分类器进行监督训练，得到训练完成的深信度学习网络；将待测的局放数据输入训练完成的深信度学习网络，得到局放故障诊断结果。

【技术特征摘要】
1.基于CNN-DBN网络的局放故障诊断方法，其特征在于：包括，构建基于深度卷积神经网络以及受限玻尔兹曼机模型的深信度学习网络；采集局放仿真数据和实测局放数据，将部分局放仿真数据和实测局放数据混合作为训练样本集，将剩余的局放仿真数据和实测局放数据混合作为测试样本集；利用训练样本集，对深信度学习网络进行无监督训练，提取跨模式特征；将跨模式特征送入逻辑回归分类器，利用测试样本集，对回归分类器进行监督训练，得到训练完成的深信度学习网络；将待测的局放数据输入训练完成的深信度学习网络，得到局放故障诊断结果。2.根据权利要求1所述的基于CNN-DBN网络的局放故障诊断方法，其特征在于：深信度学习网络包括依次连接的若干层卷积神经网络、若干层深度信念网络和若干层BP网络。3.根据权利要求2所述的基于CNN-DBN网...

【专利技术属性】
技术研发人员：贾骏，胡成博，周志成，陶风波，谢天喜，徐阳，陈舒，徐长福，徐家园，
申请(专利权)人：国网江苏省电力公司电力科学研究院，国家电网公司，江苏省电力试验研究院有限公司，
类型：发明
国别省市：江苏,32