基于残差网络与多尺度特征融合的GIS放电波形检测方法技术

本发明专利技术公开了一种基于残差网络与多尺度特征融合的GIS放电波形检测方法，包括：获取原始放电波形数据并标记类别标签，将所有样本数据进行打乱分为训练样本数据集和测试样本数据集；设计分类网络模型，并将训练样本数据集中的训练样本按批次传入该分类网络模型；使用交叉熵构造该分类网络模型的损失函数，在该分类网络模型的训练过程中使用随机梯度下降法，使得所述批训练样本在分类网络模型上的损失函数的平均值最小；将测试样本送入训练完成的分类网络模型中，得到检测结果。本方法由引入残差网络单元的全卷积网络提取放电波形特征，抑制了网络层数加深而带来的退化问题，提高了分类准确率。

【技术实现步骤摘要】
基于残差网络与多尺度特征融合的GIS放电波形检测方法
本专利技术属于GIS放电波形检测
，尤其涉及一种基于残差网络与多尺度特征融合的GIS放电波形检测方法。
技术介绍
GIS(gasinsulatedswitchgear，气体绝缘全封闭组合电器)由断路器、隔离开关、接地开关、互感器、避雷器、母线、连接件和出线终端等组成，这些设备或部件全部封闭在金属接地的外壳中，在其内部充有一定压力的SF6绝缘气体。GIS具有较高的安全可靠性，但加工、运输、现场装配等多种原因使得GIS不可避免地存在绝缘缺陷而影响其长期可靠性。这些缺陷通常比较微小和隐蔽，对设备的安全运行造成威胁。残差网络与多尺度特征融合的GIS放电波形检测能够帮助及时发现GIS的绝缘缺陷，避免绝缘故障，提高GIS的安全运行水平，实现GIS绝缘的状态维修，减少停电时间和节省维修费用。传统机器学习使用人工手段提取放电波形的特征，通过滤波器滤波后送入分类模型从而完成对放电波形数据的分析与检测。这种人工提取特征的方式会因为放电波形特征复杂多样、数据的特征尺度不一而无法实现准确分类，并且在不同环境下放电波形数据会发生变化，直接导致检测结果准确率无法得到保障。
技术实现思路
针对上述问题，本专利技术的目的在于提供一种基于残差网络与多尺度特征融合的GIS放电波形检测方法，降低了分类模型由于网络层数的增加而带来的退化问题，增强了分类模型对放电数据不同尺度上特征的感知能力，提高了放电波形检测准确率。本专利技术要解决的技术问题通过以下技术方案实现：>本专利技术提供了一种基于残差网络与多尺度特征融合的GIS放电波形检测方法，包括以下步骤：步骤1：获取原始放电波形数据，并对每个所述原始放电波形数据标记所属的类别标签，形成样本数据，在保证每个所述原始放电波形数据与其类别标签一一对应的前提下，将所有样本数据打乱，并将打乱后的样本数据按照预定比例分为训练样本数据集和测试样本数据集；步骤2：设计残差网络与多尺度特征融合的分类网络模型，并将来自所述训练样本数据集中的训练样本按批次传入所述分类网络模型中；步骤3：使用交叉熵构造所述分类网络模型的损失函数，在训练过程中，每次训练传入一批训练样本，使用随机梯度下降法，使得所述批训练样本在所述分类网络模型上的损失函数的平均值最小，遍历训练样本数据集中的所有训练样本，完成所述分类网络模型的训练过程；步骤4：将来自所述测试样本数据集中的测试样本送入训练完成的分类网络模型中，通过所述分类网络模型的前向传播和最后一层的Softmax层，得到所述测试样本属于各个类别的置信度，取置信度最大的一类为所述分类网络模型的检测结果，遍历所有测试样本，通过对比所述分类网络模型的检测结果和标签真实值，获得所述分类网络模型的分类准确率。与现有技术相比，本专利技术的有益效果在于：1)本专利技术实施例的基于残差网络与多尺度特征融合的GIS放电波形检测方法实现了对GIS放电波形可靠检测。该方法由引入残差网络单元的全卷积网络提取放电波形特征，并且抑制了网络层数加深而带来的退化问题，提高了模型的分类准确率。2)为了提高模型对不同环境、不同类型的放电数据的处理能力，提出多尺度特征融合的GIS放电波形检测算法，该方法增强了分类网络模型对放电数据不同尺度上特征的感知能力，有效提高了模型的分类准确率。以下将结合附图及实施例对本专利技术做进一步详细说明。附图说明图1为本专利技术实施例提供的一种基于残差网络与多尺度特征融合的GIS放电波形检测方法的流程图；图2为本专利技术实施例提供的一种样本处理流程图；图3a至图3f依次为悬浮、尖刺、颗粒、气隙、沿面、自由粒子六种放电类型的波形图；图4为本专利技术实施例提供的一种的残差网络与多尺度特征融合的GIS放电波形检测方法的网络整体结构图；图5为本专利技术实施例使用随机梯度下降法训练检测模型时，其准确率随迭代次数的变化情况。具体实施方式为了使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例的附图，对本专利技术实施例的技术方案进行清楚、完整地描述。有关本专利技术的前述及其他
技术实现思路
、特点及功效，在以下配合附图的具体实施方式详细说明中即可清楚地呈现。通过具体实施方式的说明，可对本专利技术为达成预定目的所采取的技术手段及功效进行更加深入且具体地了解，然而所附附图仅是提供参考与说明之用，并非用来对本专利技术的技术方案加以限制。请参见图1，图1为本专利技术实施例提供的一种基于残差网络与多尺度特征融合的GIS放电波形检测方法的流程图。该残差网络与多尺度特征融合的GIS放电波形检测方法包括：步骤1：获取原始放电波形数据，并人工在每个波形数据标记所属的类别标签，在保证波形数据和标签类别一一对应的前提下，将所有样本数据进行打乱，按照一定比例，将打乱后的样本数据分为训练样本数据集和测试样本数据集。请参见图2，图2为本专利技术实施例提供的一种样本处理流程图。优选地，训练样本数据集中的训练数据占总样本数据的比例一般取70％，测试样本数据集中的测试数据占总样本数据的比例一般取30％。步骤2：设计残差网络与多尺度特征融合的分类网络模型，并将来自所述训练样本数据集中的训练样本按批次传入所述分类网络模型中。进一步地，步骤2的具体子步骤包括：S2.1：根据放电波形为一维数据的特点，设计该分类网络模型的基本结构为一维全卷积神经网络，网络的输入大小为单个放电波形数据点的个数，网络输出为分类个数。在本实施例中，分类个数为6个，分别为悬浮放电、尖刺放电、颗粒放电、气隙放电、沿面放电和自由粒子放电。也就是说，本实施例的分类网络模型的的输出节点数为6。请参见图3a至图3f，图3a至图3f依次为悬浮、尖刺、颗粒、气隙、沿面、自由粒子六种放电类型的波形图。为了使本实施例的分类网络模型学习到的特征不被丢弃，在下采样过程中去除传统的池化层，采用步长为2的卷积层代替，从而尽可能地保留分类网络模型学习到的特征。S2.2：由于不同放电波形数据拥有不同尺度上的特征，为了提高该分类网络模型对不同放电波形的特征感知能力，设计多尺度特征融合的网络结构。请参见图4，图4为本专利技术实施例提供的一种的残差网络与多尺度特征融合的GIS放电波形检测方法的网络整体结构图。如图4所示，设计多尺度特征融合的网络结构的具体做法为：输入的1×1×100放电波形数据在模型网络中传播时，依次经过不同的网络层并得到不同大小的特征图，取三次下采样后的特征图卷积层2、卷积层6、卷积层11，三个特征图的大小分别为1×6×50、1×12×24、1×24×12，将这三个不同尺度的特征图展宽为一维向量，向量长度分别为300、288、288，并将这三个一维向量拼接在一起组成全连接网络的第1层，其长度为876。设置全连接网络的第二层为150个节点，全连接网络第二层内的每个节点均与全连接网络第一层每个节点相连，由于模型解决的为6分类问题，设置全连接网络的第三层为6个节点，且全连接网络第三层内的每个节点均与全连接网络第二层每个节点相连本文档来自技高网...

【技术保护点】
1.一种基于残差网络与多尺度特征融合的GIS放电波形检测方法，其特征在于，所述方法包括：/n步骤1：获取原始放电波形数据，并对每个所述原始放电波形数据标记所属的类别标签，形成样本数据，在保证每个所述原始放电波形数据与其类别标签一一对应的前提下，将所有样本数据打乱，并将打乱后的样本数据按照预定比例分为训练样本数据集和测试样本数据集；/n步骤2：设计残差网络与多尺度特征融合的分类网络模型，并将来自所述训练样本数据集中的训练样本按批次传入所述分类网络模型中；/n步骤3：使用交叉熵构造所述分类网络模型的损失函数，在训练过程中，每次训练传入一批训练样本，使用随机梯度下降法，使得所述批训练样本在所述分类网络模型上的损失函数的平均值最小，遍历训练样本数据集中的所有训练样本，完成所述分类网络模型的训练过程；/n步骤4：将来自所述测试样本数据集中的测试样本送入训练完成的分类网络模型中，通过所述分类网络模型的前向传播和最后一层的Softmax层，得到所述测试样本属于各个类别的置信度，取置信度最大的一类为所述分类网络模型的检测结果，遍历所有测试样本，通过对比所述分类网络模型的检测结果和标签真实值，获得所述分类网络模型的分类准确率。/n...

【技术特征摘要】
1.一种基于残差网络与多尺度特征融合的GIS放电波形检测方法，其特征在于，所述方法包括：
步骤1：获取原始放电波形数据，并对每个所述原始放电波形数据标记所属的类别标签，形成样本数据，在保证每个所述原始放电波形数据与其类别标签一一对应的前提下，将所有样本数据打乱，并将打乱后的样本数据按照预定比例分为训练样本数据集和测试样本数据集；
步骤2：设计残差网络与多尺度特征融合的分类网络模型，并将来自所述训练样本数据集中的训练样本按批次传入所述分类网络模型中；
步骤3：使用交叉熵构造所述分类网络模型的损失函数，在训练过程中，每次训练传入一批训练样本，使用随机梯度下降法，使得所述批训练样本在所述分类网络模型上的损失函数的平均值最小，遍历训练样本数据集中的所有训练样本，完成所述分类网络模型的训练过程；
步骤4：将来自所述测试样本数据集中的测试样本送入训练完成的分类网络模型中，通过所述分类网络模型的前向传播和最后一层的Softmax层，得到所述测试样本属于各个类别的置信度，取置信度最大的一类为所述分类网络模型的检测结果，遍历所有测试样本，通过对比所述分类网络模型的检测结果和标签真实值，获得所述分类网络模型的分类准确率。


2.根据权利要求1所述的基于残差网络与多尺度特征融合的GIS放电波形检测方法，其特征在于，所述步骤2包括：
S2.1：根据放电波形为一维数据的特点，设计所述分类网络模型的基本结构为一维全卷积神经网络，所述分类网络模型的的输入大小为单个放电波形数据点的个数，输出为分类个数，并且在下采样过程中去除传统的池化层，采用步长为2的卷积层代替；
S2.2：将所述分类网络模型设计成多尺度特征融合的网络结构，具体做法为：输入的放电波形数据在所述分类网络模型中传播时，依次经过不同的网络层并得到不同大小的特征图，将三种下采样后的不同尺度的特征图展宽为一维向量，并将三个一维向量拼接在一起组成全连接网络的第一层，设置全连接网络的第二层内的每个节点均与全连接网络第一层每个节点相连，设置全连接网络的第三层为6个节点，且全连接网络第三层内的每个节点均与全连接网络第二层每个节点相连，经过三层全连接网络的前向传播，三种尺度上的特征图得到融合，最终输出所述分类网络模型的前向传播结果；
S2.3：引入残差网络机制，将原始分类网络模型的输出与原始分类网络模型的输入求和作为残差网络的输出，使用两层卷积层和一层求和层作为残差网络单元，所述残差网络单元的输入经过两层卷积层后再与输入进行求和，求...

【专利技术属性】
技术研发人员：曾操，郑鑫，李世东，陶海红，朱圣棋，许京伟，杨茹，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61