【技术实现步骤摘要】
放电和干扰信号样本生成方法、计算机设备和存储介质
本专利技术涉及电缆局部信号生成
，更具体地，涉及一种放电和干扰信号样本生成方法、计算机设备和存储介质。
技术介绍
局部放电检测是目前电气设备绝缘状态评估最有效且使用最为广泛的方法，当局部放电长期存在时，会产生绝缘损坏、造成高压电缆的击穿和损坏，因此及时检测到局部放电信号并及时做出判断非常重要。目前主要采用UHF局部放电传感器采集放电信号，如公开号为CN105785236A(公开日：2016-07-20)提出的一种GIS局放检测外部干扰信号排除方法，主要利用UHF局放检测设备获取被测GIS设备UHF放电信号。然而，在高压设备运行过程中，电磁干扰普遍存在，当局放信号比较微弱时，检测设备难以分离干扰信号和局放信号，可能会产生错误的评判结果。此外，局放类型的识别多是在大量的监测数据的基础进行的，对于经验积累有较大的依赖性。目前，局部放电也多通过机器学习的方式进行模式识别，因此，需要大量的信号样本输入，提高机器学习的能力，以达到更加准确的判断局放模式的目的。
【技术保护点】
1.放电和干扰信号样本生成方法，其特征在于，包括以下步骤：/nS1：采集高压电缆局部放电和干扰数据，得到训练数据；/nS2：提取所述训练数据的噪声信号特征；/nS3：构建基于GAN的生成模型和基于GAN的判别模型，将所述噪声信号特征及训练数据输入所述生成模型和判别模型中进行训练；/nS4：将所述训练数据输入所述完成训练的生成模型和判别模型中，分别输出得到局放样本信号和干扰样本信号。/n
【技术特征摘要】
1.放电和干扰信号样本生成方法，其特征在于，包括以下步骤：
S1：采集高压电缆局部放电和干扰数据，得到训练数据；
S2：提取所述训练数据的噪声信号特征；
S3：构建基于GAN的生成模型和基于GAN的判别模型，将所述噪声信号特征及训练数据输入所述生成模型和判别模型中进行训练；
S4：将所述训练数据输入所述完成训练的生成模型和判别模型中，分别输出得到局放样本信号和干扰样本信号。
2.根据权利要求1所述的放电和干扰信号样本生成方法，其特征在于，所述S1步骤中，所述训练数据包括通过现场采集数据获得高压电缆局部放电和干扰数据，以及通过采集实验室试验数据获得高压电缆局部放电和干扰数据。
3.根据权利要求2所述的放电和干扰信号样本生成方法，其特征在于，所述S1步骤中，还包括以下步骤：将所述通过采集实验室试验数据获得的高压电缆局部放电和干扰数据进行划分，其中70％为生成模型训练数据集，30％为判别模型训练数据集；将所述通过现场采集数据获得的高压电缆局部放电和干扰数据加入判别模型训练数据集。
4.根据权利要求3所述的放电和干扰信号样本生成方法，其特征在于，所述S3步骤中，其具体步骤包括：将从所述生成模型训练数据集提取得到的噪声信号特征输入所述基于GAN的生成模型中进行训练，将所述判别模型训练数据集输入所述基于GAN的判别模型中进行训练，然后通过迭代的方式依次将所述生成模型得到的生成结果输入所述判别模型中进行训练，将所述判别模型得到的判别结果输入所述生成模型中进行训练，得到完成训练的生成模型和判别模型。
5.根据权利要求3所述的放电和干扰信号样本生成方法，其特征在于，所述S3步骤中，其具体步骤包括：
S3.1：将从所述生成模型训练数据集提取得到的噪声信号特征输入所述基于GAN的生成模型中进行训练，得到生成函数G(x)，其中G(x)为0～1范围内的实数，0表示生成结果为“假”，1表示生成结果为“真”；
S3.2：将所述判别模型训练数据集输入所述基于GAN的判别模型中进行训练，得到判别函数D(x)，其中D(x)为0～1范围内的实数，0表示判别结果为“假”，1表示判别结果为“真”；
S3.3：定义损失函数loss为：
loss＝1-D(x)；
将所述S3.1步骤中训练生成的局放信号输入所述完成训练的判别模型中，更新判别函数D(x)，然后计算损失函数loss；
S3.4：将所述损失函数loss输入所述完成训练的生成模型中生成新局放信号，更新生成函数G(x)，使G(x)→1，即所述基于GAN的生成模型生成结果趋向于为“真”；
S3.5：将所述S...
【专利技术属性】
技术研发人员：王干军，吴毅江，陈岸，
申请(专利权)人：广东电网有限责任公司，广东电网有限责任公司中山供电局，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。