基于深度学习的GIS特高频法局部放电图谱识别方法技术

本发明专利技术公开了基于深度学习的GIS特高频法局部放电图谱识别方法，通过对待测GIS局部放电信号进行预处理后，提取出信号特征参数并输入训练后的基于注意力机制的双向LSTM网络，判断信号是否存在局部放电，提高了GIS局部放电带电检测效率，减少了非计划停电次数，降低了GIS检修及维护费用。利用本发明专利技术方法，进一步的，改变了传统巡检模式，能够形成智能电网运检体系，为建立自动化运维体系提供支撑。为建立自动化运维体系提供支撑。为建立自动化运维体系提供支撑。

【技术实现步骤摘要】
基于深度学习的GIS特高频法局部放电图谱识别方法


[0001]本专利技术涉及GIS局部放电识别，特别是一种基于深度学习神经网络的GIS特高频法局部放电图谱识别方法。

技术介绍

[0002]气体绝缘金属封闭开关设备(GIS)是电网的重要组成部分，和社会生产生活息息相关，有着极其重要的作用。近年来国家大力发展智能电网，智能电网构建了精益的运检体系、实现了业务数据的全范围监控、推进了带电检测技术的深化应用、建立了智能化的检修模式。智能电网的快速发展对运维技术提出了新要求：传统的运检模式难以适应电网的快速发展；跨专业融合及设备全过程管理贯通要求迫切；结构性缺员要求全面变革传统的运检工作方式。
[0003]传统GIS局部放电带电检测，对于检测数据及图谱识别判断主要依靠带电检测人员个人经验，对检测人员要求较高、测试效率低，经常性发生误判断及盲目检修的后果。

技术实现思路

[0004]本专利技术的专利技术目的在于：针对现有技术存在的传统GIS局部放电带电检测，对检测人员要求较高、测试效率低，经常性发生误判断及盲目检修的问题，提供一种基于深度学习的GIS特高频法局部放电图谱识别方法。
[0005]为了实现上述目的，本专利技术采用的技术方案为：
[0006]基于深度学习的GIS特高频法局部放电图谱识别方法，包括：
[0007]S100生成训练样本集，具体包括：
[0008]对GIS局部放电信号进行类别标记；
[0009]对GIS局部放电信号进行预处理后，再提取出信号特征参数；
[0010]将带有类别标记的GIS局部放电信号以及信号特征参数作为训练样本，构成训练样本集；
[0011]S200将训练样本集输入基于注意力机制的双向LSTM网络，利用反向传播算法，迭代更新网络中的参数，得到训练后的网络模型；
[0012]其中，所述基于注意力机制的双向LSTM网络架构包括Attention层和双向LSTM层。
[0013]S300将待测GIS局部放电信号进行预处理后，再提取出信号特征参数并输入训练后的网络模型，识别出局部放电带电。
[0014]基于深度学习的GIS特高频法局部放电图谱识别方法，通过对待测GIS局部放电信号进行预处理后，提取出信号特征参数并输入训练后的基于注意力机制的双向LSTM网络，判断信号是否存在局部放电，提高了GIS局部放电带电检测效率，减少了非计划停电次数，降低了GIS检修及维护费用。
[0015]优选的，所述基于注意力机制的双向LSTM网络架构包括一个Attention层，以及至少两个双向LSTM层。
[0016]优选的，所述步骤S100中，对GIS局部放电信号采用二进制0和1进行类别标记；其中放电标记为1，不放电标记为0。
[0017]优选的，对GIS局部放电信号进行预处理，包括如下步骤：
[0018]S1对GIS局部放电信号采用小波变换进行滤波；
[0019]S2对步骤S1得到的信号做正弦波匹配；
[0020]S3对步骤S2得到的信号做N阶差分去趋势化；
[0021]S4对步骤S3得到的信号进行峰值信号侦测，去除峰值过高的点和由于脉冲产生的峰值点；
[0022]S5对步骤S4得到的信号，提取出信号特征参数。
[0023]优选的，所述步骤S1中，选择的小波是db4，做一层小波分解。
[0024]优选的，所述步骤S2中采用1阶差分去趋势化。
[0025]优选的，所述信号特征参数包括组合熵、谱熵、奇异值分解熵、样本熵、近似熵、Katz分数维、Petrosian分数维、Higuchi分数维。
[0026]一种电子设备，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；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行以上任一项所述的方法。
[0027]综上所述，由于采用了上述技术方案，本专利技术的有益效果是：
[0028]本专利技术的基于深度学习的GIS特高频法局部放电图谱识别方法，通过对待测GIS局部放电信号进行预处理后，提取出信号特征参数并输入训练后的基于注意力机制的双向LSTM网络，判断信号是否存在局部放电，提高了GIS局部放电带电检测效率，减少了非计划停电次数，降低了GIS检修及维护费用。利用本专利技术方法，进一步的，改变了传统巡检模式，能够形成智能电网运检体系，为建立自动化运维体系提供支撑。
附图说明
[0029]图1是本专利技术的结构示意图。
[0030]图2为本专利技术实施例对原始信号进行预处理的流程示意图。
[0031]图3为本专利技术实施例滤波后的信号图谱示意图。
[0032]图4为本专利技术实施例正弦波匹配后的信号图谱示意图。
[0033]图5为本专利技术实施例1阶差分去趋势化后的信号图谱示意图。
[0034]图6为本专利技术实施例峰值信号侦测后的信号图谱示意图。
[0035]图7为本专利技术提供的电子设备的结构示意图。
具体实施方式
[0036]下面结合附图，对本专利技术作详细的说明。
[0037]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。
[0038]实施例1
[0039]基于深度学习的GIS特高频法局部放电图谱识别方法，包括：
[0040]S100生成训练样本集，具体包括：
[0041]对GIS局部放电信号进行类别标记，其中放电标记为1，不放电标记为0；
[0042]对GIS局部放电信号进行预处理后，再提取出信号特征参数；
[0043]将带有类别标记的GIS局部放电信号以及信号特征参数作为训练样本，构成训练样本集；
[0044]S200将训练样本集输入基于注意力机制的双向LSTM网络，利用反向传播算法，迭代更新网络中的参数，得到训练后的网络模型；
[0045]其中，如图1，所述基于注意力机制的双向LSTM网络架构包括一个Attention层，以及两个双向LSTM层。
[0046]S300将待测GIS局部放电信号进行预处理后，再提取出信号特征参数并输入训练后的网络模型，识别出局部放电带电。
[0047]具体的，S100及S300对GIS局部放电信号或待测GIS局部放电信号进行预处理，如图2所示，包括如下步骤：
[0048]S1对GIS局部放电信号采用小波变换进行滤波；本实施例中选择的小波是db4，做一层小波分解，得到的信号如图3。
[0049]S2对步骤S1得到的信号做正弦波匹配；本实施例步骤S2得到的信号如图4。
[0050]S3对步骤S2得到的信号做1阶差分去趋势化；本实施例步骤S3得到的信号如图5。
[0051]S4对步骤S3得到的信号进行峰值信号侦测，去除峰值过高的点和由于脉冲本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的GIS特高频法局部放电图谱识别方法，其特征在于，包括：S100生成训练样本集，具体包括：对GIS局部放电信号进行类别标记；对GIS局部放电信号进行预处理后，再提取出信号特征参数；将带有类别标记的GIS局部放电信号以及信号特征参数作为训练样本，构成训练样本集；S200将训练样本集输入基于注意力机制的双向LSTM网络，利用反向传播算法，迭代更新网络中的参数，得到训练后的网络模型；其中，所述基于注意力机制的双向LSTM网络架构包括Attention层和双向LSTM层；S300将待测GIS局部放电信号进行预处理后，再提取出信号特征参数并输入训练后的网络模型，识别出放电图谱局部放电。2.根据权利要求1所述的方法，其特征在于，所述基于注意力机制的双向LSTM网络架构包括一个Attention层，以及至少两个双向LSTM层。3.根据权利要求1所述的方法，其特征在于，所述步骤S100中，对GIS局部放电信号采用二进制0和1进行类别标记。4.根据权利要求1所述的方法，其特征在于，对...

【专利技术属性】
技术研发人员：周电波，薛志航，何宇航，姚晓，王嘉易，张劲，马啟潇，刘凤莲，
申请(专利权)人：国网四川省电力公司电力科学研究院，
类型：发明
国别省市：