局部放电信号的模式识别方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种局部放电信号的模式识别方法、装置、设备及存储介质，方法包括：获取局部放电数据，对局部放电数据进行预处理，以预处理后的数据作为训练条件生成对抗网络的数据集，并将数据集分为训练数据集和测试数据集；根据训练目标构造条件生成对抗网络模型和机器学习分类器；在训练数据集中，训练条件生成对抗网络模型；将随机噪声信号输入条件生成对抗网络模型的生成器，以使生成器生成新的局部放电数据，根据新的局部放电数据获得新的数据集；在新的数据集中训练机器学习分类器后，在测试数据集中验证机器学习分类器的准确率。本申请通过生成新的数据来扩充数据集，解决了现有技术中的数据采样困难，模式识别精度不高的技术问题。

Pattern recognition method, device, equipment and storage medium of partial discharge signal

【技术实现步骤摘要】
局部放电信号的模式识别方法、装置、设备及存储介质
本申请涉及高电压绝缘
，尤其涉及一种局部放电信号的模式识别方法、装置、设备及存储介质。
技术介绍
局部放电是高压绝缘系统中的一种绝缘劣化的现象，是导致电气设备绝缘失效的重要原因。另外，超高频(UHF)方法由于抗干扰能力强、灵敏度高等特点，在局部放电现场信号检测中得到了广泛的应用。高电压模拟实验是一类局部放电信号的模拟技术，它为局部放电模式的识别的研究起到了基础性的作用。目前实验室对于局部放电的模拟均采用高压实验系统来配合各类真型局部放电试验模型进行放电图谱的仿真，存在体积庞大和难以移动等缺点，因此只能在高压大厅等特定环境进行试验，且还有试验设备搭建困难，试验周期长，试验电源为工频或者直流电压等单一形式的问题。人工神经网络等人工智能机器人的学习方法也被广泛的应用于局部放电的模式识别研究中。然而，由于局部放电现象具有随机性，对检测设备的要求较高，因此需要获得大量的局部放电数据以建立高性能的分类模型不仅困难而且费用昂贵。并且在没有大规模的数据库的情况下，机器学习方法更有可能过度拟本文档来自技高网...

【技术保护点】
1.一种局部放电信号的模式识别方法，其特征在于，包括：/n获取局部放电数据，对所述局部放电数据进行预处理，以预处理后的数据作为训练条件生成对抗网络的数据集，并将所述数据集分为训练数据集和测试数据集；/n根据训练目标构造条件生成对抗网络模型和机器学习分类器；/n在所述训练数据集中，训练所述条件生成对抗网络模型；/n将随机噪声信号输入所述条件生成对抗网络模型的生成器，以使所述生成器生成新的局部放电数据，根据所述新的局部放电数据获得新的数据集；/n在所述新的数据集中训练所述机器学习分类器后，在所述测试数据集中验证所述机器学习分类器的准确率。/n

【技术特征摘要】
1.一种局部放电信号的模式识别方法，其特征在于，包括：
获取局部放电数据，对所述局部放电数据进行预处理，以预处理后的数据作为训练条件生成对抗网络的数据集，并将所述数据集分为训练数据集和测试数据集；
根据训练目标构造条件生成对抗网络模型和机器学习分类器；
在所述训练数据集中，训练所述条件生成对抗网络模型；
将随机噪声信号输入所述条件生成对抗网络模型的生成器，以使所述生成器生成新的局部放电数据，根据所述新的局部放电数据获得新的数据集；
在所述新的数据集中训练所述机器学习分类器后，在所述测试数据集中验证所述机器学习分类器的准确率。


2.根据权利要求1所述的局部放电信号的模式识别方法，其特征在于，所述获取局部放电数据之前包括：通过高电压试验系统配合多种局部放电试验模型进行信号实验。


3.根据权利要求1所述的局部放电信号的模式识别方法，其特征在于，所述条件生成对抗网络模型包括基于神经网络的生成器和基于神经网络的判别器。


4.根据权利要求3所述的局部放电信号的模式识别方法，其特征在于，所述生成器包括5层神经网络，所述5层神经网络的激活函数均为Relu函数。


5.根据权利要求3所述的局部放电信号的模式识别方法，其特征在于，所述判别器包括4层神经网络，所述4层神经网络的激活函数均为Relu函数。


6.根据权利要求1所述的局部放电信号的模式识别方法，其特征在于，所述根据训练目标构造条件生成对抗网络模型和机器学习分类器具体包括：根据训练目标构造条件生成对抗网络模型和...

【专利技术属性】
技术研发人员：王柯，钟力强，雷霆，吴昊，麦晓明，易林，李文胜，钱金菊，刘晶，
申请(专利权)人：广东电网有限责任公司电力科学研究院，
类型：发明
国别省市：广东;44