基于小样本学习的绝缘子污秽放电状态识别方法及系统技术方案

本发明专利技术公开了一种基于小样本学习的绝缘子污秽放电状态识别方法及系统，本发明专利技术包括训练图神经网络模型的步骤：获取声音样本信号数据集；针对声音样本信号数据集中的声音样本信号通过短时傅里叶变换获得语谱图；通过对语谱图进行变换以扩充声音样本信号数据集中的样本量；将语谱图输入预先训练好的特征提取神经网络提取得到特征向量，利用特征向量及其对应的标签向量作为输入来训练所述图神经网络模型。本发明专利技术可利用相对少量的绝缘子污秽放电声音样本进行机器学习，提高绝缘子污秽放电状态的识别准确率和稳定性，节省了人力物力成本，同时考虑到了实际运行状态下的噪声影响，因此可得到与实际情况更加吻合的绝缘子污秽放电状态。状态。状态。

【技术实现步骤摘要】
基于小样本学习的绝缘子污秽放电状态识别方法及系统


[0001]本专利技术属于电力设备在线监测技术，具体涉及一种基于小样本学习的绝缘子污秽放电状态识别方法及系统。

技术介绍

[0002]我国电网容量等级的不断提高以及环境污染的影响，部分地区特别是沿海地区绝缘子污闪事故不断发生。在线运行的绝缘子串表面会逐渐沉积污秽，在有雾、露、毛毛雨以及融雪等潮湿天气下，污秽层受潮形成导电层降低绝缘子串的绝缘性能，提高污闪事故可能性，这威胁到输电线路的安全稳定运行。随着在线监测技术的迅猛发展，现有的监测方法如超声检测、紫外脉冲方法、激光法各有其特点，但存在其固有的不足，目前还没有有效的绝缘子污秽放电状态识别的方法。由于绝缘子污秽放电实际上是能量突然释放的过程，会对周围的介质产生压力，这一压力使空气振动，就产生了声波，即绝缘子污秽放电引起声发射现象。在绝缘子发生污闪(即最初的电晕放电到局部放电，以及由局部放电发展成的闪络)的整个过程中，声信号一直存在。绝缘子污秽放电产生的声波信号可以真实反映绝缘子污秽放电过程，通过监测声波信号可以判断绝缘子的放电状态，正确判断绝缘子的污秽程度并发出相应的报警信息，使运维人员能够及时采取措施防止污闪发生。现有的对于放电声信号的处理采用支持向量机和隐马尔可夫模型等经典机器学习方法，需要人工设计提取特征并识别，适用范围小、泛化能力不强，对于新信号的识别准确率不高，而单纯采用卷积神经网络技术(CNN)对声音信号分类识别虽然无需人工提取特征，但是往往模型参数量巨大，容易过拟合，而且需要大规模训练数据样本，对于样本的获取和标注准确性要求非常高而难以实际运用。

技术实现思路

[0003]本专利技术要解决的技术问题：针对现有技术的上述问题，提供一种基于小样本学习的绝缘子污秽放电状态识别方法及系统，本专利技术基于数据增强和图神经网络(GNN)模型通过小样本学习能够实现对绝缘子污秽放电状态，可以利用相对少量的绝缘子污秽放电声音样本进行机器学习，提高绝缘子污秽放电状态的识别准确率和稳定性，节省了人力物力成本，同时考虑到了实际运行状态下的噪声影响，因此可得到与实际情况更加吻合的绝缘子污秽放电状态。
[0004]为了解决上述技术问题，本专利技术采用的技术方案为：
[0005]一种基于小样本学习的绝缘子污秽放电状态识别方法，包括训练用于将目标绝缘子的声音信号映射为目标绝缘子的污秽放电状态的图神经网络模型的步骤：
[0006]1)采集绝缘子在在不同污秽程度下的声音样本信号，并对声音样本信号的放电状态进行标注，从而得到带有标签向量的声音样本信号数据集；
[0007]2)针对声音样本信号数据集中的声音样本信号通过短时傅里叶变换获得语谱图；
[0008]3)通过对语谱图进行变换以扩充声音样本信号数据集中的样本量；
[0009]4)将语谱图输入预先训练好的特征提取神经网络提取得到特征向量，利用特征向量及其对应的标签向量作为输入来训练所述图神经网络模型，从而建立目标绝缘子的声音信号、目标绝缘子的污秽放电状态之间的映射关系。
[0010]可选地，步骤1)中对声音样本信号的放电状态进行标注时，声音样本信号的放电状态包括未放电、电晕放电、污秽放电以及沿面闪络。
[0011]可选地，步骤1)之后、步骤2)之前还包括针对声音样本信号数据集中的声音样本信号滤掉低频和高频成分的步骤。
[0012]可选地，所述针对声音样本信号数据集中的声音样本信号滤掉低频和高频成分时，采用的滤波器为数字带通滤波器，且所述数字带通滤波器的上限截止频率f
p2
＝40kHz、下限截止频率f
p2
＝8kHz，使得保留的声音样本信号的频带范围为8kHz～40kHz。
[0013]可选地，步骤2)中通过短时傅里叶变换获得语谱图时，语谱图频域选取为8kHz～40kHz，所述语谱图中包含声音信号的时间、频率以及幅值信息，且幅值信息以颜色的深浅表示。
[0014]可选地，步骤3)中通过对语谱图进行变换以扩充声音样本信号数据集中的样本量时，对语谱图进行变换的方式为局部灰度转换。
[0015]可选地，步骤3)中通过对语谱图进行变换以扩充声音样本信号数据集中的样本量时，对语谱图进行变换的方式为生成深度卷积对抗网络。
[0016]可选地，步骤3)中通过对语谱图进行变换以扩充声音样本信号数据集中的样本量时，对语谱图进行变换的方式为时域循环移位。
[0017]此外，本专利技术还提供一种小样本学习的绝缘子污秽放电状态识别系统，包括相互连接的微处理器和存储器，该微处理器被编程或配置以执行所述基于小样本学习的绝缘子污秽放电状态识别方法的步骤。
[0018]此外，本专利技术还提供一种计算机可读存储介质，该计算机可读存储介质中存储有被编程或配置以执行所述基于小样本学习的绝缘子污秽放电状态识别方法的计算机程序。
[0019]和现有技术相比，本专利技术具有下述优点：
[0020]1、本专利技术包括针对声音样本信号数据集中的声音样本信号通过短时傅里叶变换获得语谱图，通过对语谱图进行变换以扩充声音样本信号数据集中的样本量，将语谱图输入预先训练好的特征提取神经网络提取得到特征向量，利用特征向量及其对应的标签向量作为输入来训练图神经网络模型，利用语谱图便于变换的特性，可实现扩充声音样本信号数据集中的样本量，更加适用于小样本数据的学习，能够有效提高图神经网络模型的识别率。
[0021]2、本专利技术包括通过对语谱图进行变换以扩充声音样本信号数据集中的样本量，有效扩充了样本量，解决了实际工程运行中绝缘子放电声信号难以获取和标注不规范的问题。
附图说明
[0022]图1为本专利技术实施例一训练方法的基本流程示意图。
[0023]图2为本专利技术实施例一获得的语谱图示例。
[0024]图3为本专利技术实施例一训练方法的详细流程示意图。
[0025]图4为本专利技术实施例一中训练原理示意图。
[0026]图5为本专利技术实施例一中的系统结构示意图。
[0027]图6为本专利技术实施例三的DCGAN网络结构示意图。
具体实施方式
[0028]实施例一：
[0029]如图1所示，本实施例基于小样本学习的绝缘子污秽放电状态识别方法包括训练用于将目标绝缘子的声音信号映射为目标绝缘子的污秽放电状态的图神经网络模型的步骤：
[0030]1)采集绝缘子在在不同污秽程度下的声音样本信号，并对声音样本信号的放电状态进行标注，从而得到带有标签向量的声音样本信号数据集；
[0031]2)针对声音样本信号数据集中的声音样本信号通过短时傅里叶变换获得语谱图；
[0032]3)通过对语谱图进行变换以扩充声音样本信号数据集中的样本量；
[0033]4)将语谱图输入预先训练好的特征提取神经网络提取得到特征向量，利用特征向量及其对应的标签向量作为输入来训练所述图神经网络模型，从而建立目标绝缘子的声音信号、目标绝缘子的污秽放电状态之间的映射关系。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小样本学习的绝缘子污秽放电状态识别方法，其特征在于，包括训练用于将目标绝缘子的声音信号映射为目标绝缘子的污秽放电状态的图神经网络模型的步骤：1)采集绝缘子在在不同污秽程度下的声音样本信号，并对声音样本信号的放电状态进行标注，从而得到带有标签向量的声音样本信号数据集；2)针对声音样本信号数据集中的声音样本信号通过短时傅里叶变换获得语谱图；3)通过对语谱图进行变换以扩充声音样本信号数据集中的样本量；4)将语谱图输入预先训练好的特征提取神经网络提取得到特征向量，利用特征向量及其对应的标签向量作为输入来训练所述图神经网络模型，从而建立目标绝缘子的声音信号、目标绝缘子的污秽放电状态之间的映射关系。2.根据权利要求1所述的基于小样本学习的绝缘子污秽放电状态识别方法，其特征在于，步骤1)中对声音样本信号的放电状态进行标注时，声音样本信号的放电状态包括未放电、电晕放电、污秽放电以及沿面闪络。3.根据权利要求1所述的基于小样本学习的绝缘子污秽放电状态识别方法，其特征在于，步骤1)之后、步骤2)之前还包括针对声音样本信号数据集中的声音样本信号滤掉低频和高频成分的步骤。4.根据权利要求3所述的基于小样本学习的绝缘子污秽放电状态识别方法，其特征在于，所述针对声音样本信号数据集中的声音样本信号滤掉低频和高频成分时，采用的滤波器为数字带通滤波器，且所述数字带通滤波器的上限截止频率f
p2
＝40kHz、下限截止频率f
p2

【专利技术属性】
技术研发人员：谭奔，岳一石，邹妍晖，黄福勇，王成，王海跃，
申请(专利权)人：国网湖南省电力有限公司电力科学研究院国家电网有限公司，
类型：发明
国别省市：