一种基于多模态深度学习的高压开关柜态势感知方法技术

本发明专利技术公开了一种基于多模态深度学习的高压开关柜态势感知方法，属于电力预警系统技术领域。针对开关柜在线监测信息量庞大且由于冗余数据和环境噪声等因素的影响，往往无法由单一的传感信息判断其运行状态、不同类型传感器采集的数据具有异构性，传统的数据融合方法无法直接应用等问题，提出了一种基于多模态深度学习的特征层数据融合方法，并将其应用于开关柜的健康状态评价，通过时空双重注意力机制调节不同传感器在不同时刻测量值的权重系数，相对完整地表达出开关柜的健康状态，实现了对开关柜健康态势的实时感知。开关柜健康态势的实时感知。开关柜健康态势的实时感知。

【技术实现步骤摘要】
一种基于多模态深度学习的高压开关柜态势感知方法


[0001]本专利技术涉及电力预警系统
，特别是涉及一种基于多模态深度学习的高压开关柜态势感知方法。

技术介绍

[0002]10kV开关柜是直接面向配网和用户的关键配电设备，关系到电网的整体供电质量和服务水平，对配电网的安全稳定运行有着重要意义。然而，开关柜内部空间狭小、结构复杂、绝缘间隙小，且较变压器、GIS等全封闭设备而言，更容易受凝露、粉尘的影响而发生局部放电现象。利用在线监测装置科学有效地感知开关柜的健康状态有助于及时发现开关柜的绝缘缺陷、预防其潜伏性故障，对推动电网运维策略从传统定期检修到状态检修的转型，完善开关柜的故障预测与健康状态管理（PHM）体系有着重要意义。
[0003]2011年，国家电网公司颁布了《配网设备状态评价导则》，通过收集开关柜的各个状态量，并对其得分进行加权求和，得出开关柜健康状态的综合评价结果。但该导则选取的状态指标过多，工程实际中很多状态参量难以获取，且以人工带电检测的方法收集开关柜的状态量费时费力，给开关柜的健康状态研究带来了极大的挑战。近年来，随着传感器技术、存储技术和人工智能的发展，电力设备的状态检修技术步入了新的阶段，数据驱动的设备健康状态评估方法成为了PHM研究的主流。文献“基于多分类最小二乘支持向量机和改进粒子群优化算法的电力变压器故障诊断方法”提出一种结合最小二乘支持向量机(LS
‑
SVM)和改进粒子群(PSO)优化的变压器诊断方法；文献“基于相似矩阵盲源分离与卷积神经网络的局部放电超声信号深度学习模式识别方法”将局放超声信号的声纹图谱输入卷积神经网络进行故障诊断。但上述研究多针对变压器等大型设备，目前开关柜的在线监测装置还未全面普及，以往对于开关柜健康状态的研究仍主要依靠人工带电检测获取特征量，未能充分利用开关柜的在线监测数据。同时，在线监测数据具有多类型、多维度的特点，传统的深度学习网络结构无法同时提取一维时间序列数据和二维图像数据的特征，因此，不同模态的信息融合方法是目前电力设备态势感知技术的一大难题。
[0004]本专利技术针对以上问题，综合了10kV开关柜进线电缆接头处的超声波和暂态地电压（TEV）局放在线监测信号、开关柜电缆室的红外热成像在线监测图像数据，以及温度、湿度等环境信息，分别基于一维卷积核与二维卷积核提取局放时间序列信号和红外热成像图像的特征，构建能够融合多种模态特征的神经网络；在处理时间序列数据（一维网格数据）和图像数据（二维网格数据）等方面有着优异的表现的传统卷积神经网络（CNN）模型的基础上，采用时空双层注意力模块代替了池化层，通过在不同时间框架下对比观测信号，避免局部干扰信号对整体评价的影响，同时避免了池化过程中重要特征的丢失；通过对健康、注意、异常、严重四类标签样本的训练，学习和优化神经网络的权值；通过计算平均识别正确率、精确率和召回率三个性能指标值，验证本专利技术方法的有效性。

技术实现思路

[0005]本专利技术的目的是提供一种基于多模态深度学习的高压开关柜态势感知方法，将基于多模态深度学习的特征层数据融合方法应用于开关柜的健康状态评价，通过时空双重注意力机制调节不同传感器在不同时刻测量值的权重系数，相对完整地表达出开关柜的健康状态，实现了对开关柜健康态势的实时感知。
[0006]为实现上述目的，本专利技术提供了如下方案：一种基于多模态深度学习的高压开关柜态势感知方法，该方法包括以下步骤：S1，根据10kV开关柜在线检测数据以及温度、湿度等环境信息，通过自适应阈值检测获取发生局部放电的多传感信息时间序列切片，建立包含不同程度局放的状态监测量数据集；S2，对状态监测数据进行预处理，修正局放信号的异常值并应用直方图均衡化算法实现红外热成像图像的增强，分别采用一维卷积核与二维卷积核提取局放时间序列信号和红外热成像图像的特征，构建能够融合多种模态特征的神经网络；S3，在传统卷积神经网络（CNN）模型的基础上，采用时空双层注意力模块代替了池化层，通过在不同时间框架下对比观测信号，避免局部干扰信号对整体评价的影响，同时避免了池化过程中重要特征的丢失；S4，通过对健康、注意、异常、严重四类标签样本的训练，学习和优化神经网络的权值；S5，计算平均识别正确率、精确率和召回率三个性能指标，验证本专利技术方法的有效性。
[0007]可选的，所述步骤S1中，根据10kV开关柜在线检测数据以及温度、湿度等环境信息，通过自适应阈值检测获取发生局部放电的多传感信息时间序列切片，建立包含不同程度局放的状态监测量数据集，所述10kV开关柜在线检测数据包括：进线电缆接头处的超声波信号、暂态地电压（TEV）局放在线监测信号和开关柜电缆室的红外热成像在线监测图像数据。
[0008]可选的，所述步骤S2中，对状态监测量数据进行预处理，修正局放信号的异常值并应用直方图均衡化算法实现红外热成像图像的增强，分别采用一维卷积核与二维卷积核提取局放时间序列信号和红外热成像图像的特征，构建能够融合多种模态特征的神经网络，具体包括：S201，采用直方图均衡化算法实现对红外热成像图像的增强，在对图像直方图统计时，通过该算法增强后的直方图为：(1)其中，为选取的平台阈值，为原始图像的直方图；S202，根据超声波、TEV传感器、温度及湿度传感器测得的一维时间序列信号，选用一维卷积作为卷积层构建适用于局放时间序列信号特征提取的一维卷积神经网络，对于给
定的长度为的时间序列，，其中是维向量，通过个尺寸为的卷积核在时间域滑动提取特征，并设置padding参数保持卷积层的输出特征的长度不变，从而通过卷积层形成张大小为的特征图，第个卷积核的运算过程如下：(2)其中，为第个卷积核的输出向量，为卷积操作，为网络参数，为偏置项，为非线性的激活函数ReLU：(3)采用Dropout丢弃部分神经元，使剩余神经元得到更好的优化，避免出现过拟合并减少对局部特征的依赖，增强模型的泛化能力；S203，构建二维卷积层提取红外热成像图像的特征，采用尺寸为的二维卷积核代替一维卷积核，输入层通过二维卷积核进行互相关运算提取图像中每个局部区域的特征，卷积层输出的二维数组为图像各个通道的输入在空间维度上的表征；同时，通过池化层对二维图像特征经过卷积层提取后产生的特征图进行下采样实现特征降维。
[0009]可选的，所述步骤S3中，在传统卷积神经网络（CNN）模型的基础上，采用时空双层注意力模块代替了池化层，通过在不同时间框架下对比观测信号，避免局部干扰信号对整体评价的影响，同时避免了池化过程中重要特征的丢失，具体包括：S301，构建变量注意力模块，变量注意力模块在训练的过程中优化网络参数计算出变量的注意力得分，将注意力分值转化为权重系数再分配给对应的变量，从而加强对重要变量的关注，并忽略无关的变量。t时刻的注意力得分由下式得到：(4)式中，为形成的特征矩阵，，，，为网络参数，，为非线性激活函数；进而，将注意力得分通过转化为注意力值，并形成注意力分布分配给t时刻的第个变量： softmax ()(5)(6)
其中，为变量注意力模块的输出向量；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多模态深度学习的高压开关柜态势感知方法，其特征在于，包括以下步骤：S1，根据10kV开关柜在线检测数据以及温度、湿度等环境信息，通过自适应阈值检测获取发生局部放电的多传感信息时间序列切片，建立包含不同程度局放的状态监测量数据集；S2，对状态监测数据进行预处理，修正局放信号的异常值并应用直方图均衡化算法实现红外热成像图像的增强，分别采用一维卷积核与二维卷积核提取局放时间序列信号和红外热成像图像的特征，构建能够融合多种模态特征的神经网络；S3，在传统卷积神经网络（CNN）模型的基础上，采用时空双层注意力模块代替了池化层，通过在不同时间框架下对比观测信号，避免局部干扰信号对整体评价的影响，同时避免了池化过程中重要特征的丢失；S4，通过对健康、注意、异常、严重四类标签样本的训练，学习和优化神经网络的权值；S5，计算平均识别正确率、精确率和召回率三个性能指标，验证本发明方法的有效性。2.根据权利要求1所述的基于多模态深度学习的高压开关柜态势感知方法，其特征在于，所述步骤S1中，根据10kV开关柜在线检测数据以及温度、湿度等环境信息，通过自适应阈值检测获取发生局部放电的多传感信息时间序列切片，建立包含不同程度局放的状态监测量数据集，所述10kV开关柜在线检测数据包括：进线电缆接头处的超声波信号、暂态地电压（TEV）局放在线监测信号和开关柜电缆室的红外热成像在线监测图像数据。3.根据权利要求1所述的基于多模态深度学习的高压开关柜态势感知方法，其特征在于，所述步骤S2中，对状态监测量数据进行预处理，修正局放信号的异常值并应用直方图均衡化算法实现红外热成像图像的增强，分别采用一维卷积核与二维卷积核提取局放时间序列信号和红外热成像图像的特征，构建能够融合多种模态特征的神经网络，具体包括：S201，采用直方图均衡化算法实现对红外热成像图像的增强，在对图像直方图统计时，通过该算法增强后的直方图为：(1)其中，为选取的平台阈值，为原始图像的直方图；S202，根据超声波、TEV传感器、温度及湿度传感器测得的一维时间序列信号，选用一维卷积作为卷积层构建适用于局放时间序列信号特征提取的一维卷积神经网络，对于给定的长度为的时间序列，，其中是维向量，通过个尺寸为的卷积核在时间域滑动提取特征，并设置padding参数保持卷积层的输出特征的长度不变，从而通过卷积层形成张大小为的特征图，第个卷积核的运算过程如下：(2)
其中，为第个卷积核的输出向量，为卷积操作，为网络参数，为偏置项，为非线性的激活函数ReLU：(3)采用Dropout丢弃部分神经元，使剩余神经元得到更好的优化，避免出现过拟合并减少对局部特征的依赖，增强模型的泛化能力；S203，构建二维卷积层提取红外热成像图像的特征，采用尺寸为的二...

【专利技术属性】
技术研发人员：任惠，韩璐，
申请(专利权)人：华北电力大学保定，
类型：发明
国别省市：