本发明专利技术涉及电气设备故障识别技术领域，尤其涉及一种基于时频特征和改进CNN的局部放电识别方法及装置，包括对采集的局放信号进行傅里叶阈值滤波；对局放时域信号的脉冲进行截取，用离散的数据采样点表征出脉冲的时域特征，获取局放脉冲信号的时域特征序列；并通过改进Morlet小波对脉冲信号进行时频变换，获取对应信号的二维时频图像数据；对局放信号的时域特征序列和小波时频图进行归一化处理；利用数据集对改进卷积神经网络模型进行训练，并保存训练好的网络模型。本发明专利技术充分利用局部放电脉冲信号的时频特征实现局放的分类，提高局放信号时频特征提取的效果；同时改进卷积神经网络的结构用于局部放电的识别，提高局放识别的准确性。准确性。准确性。
【技术实现步骤摘要】
一种基于时频特征和改进CNN的局部放电识别方法及装置
[0001]本专利技术涉及电气设备故障识别
，尤其涉及一种基于时频特征和改进CNN的局部放电识别方法及装置。
技术介绍
[0002]电气设备的安全运行对工业生产有着重要意义，设备绝缘的劣化和缺陷会导致局部放电的发生。对设备产生的局部放电的类型进行识别，及时对设备的绝缘状况进行评估，可以预防事故的发生。常见的局部放电类型有尖端放电、悬浮放电、沿面放电、气隙放电等。
[0003]局部放电的特征提取和模式识别是局放检测的关键。特征提取方面，常用的统计相位等特征参数的方法会使识别算法的网络结构比较复杂，当统计信息不完备时可能造成误判，而且没有充分利用时域、频域波形等有效信息。时频分析的方法可以为传统方法提供辅助，对于局放分类有重要意义。在处理局部放电这种暂态、非稳定的信号时，小波变换的时频局部化能力具有很好的效果。但在使用小波变换提取局放特征时，需要选取合适的小波。模式识别方面，随着深度学习的发展，人工神经网络、支持向量机等被用在了局部放电的识别。卷积神经网络在图像识别领域表现优异，可以对局部放电进行有效的分类。
[0004]基于此，期望采用分析脉冲波形的方法并结合卷积神经网络对电气设备的局部放电类型进行识别，实现故障预警保障设备的安全运行。在此基础上，希望充分利用局部放电脉冲信号时域和频域的特征，同时提升卷积神经网络对局部放电的分类精度。
技术实现思路
[0005]本专利技术要解决的技术问题是：充分利用局部放电脉冲信号的时频特征实现局放的分类，提高局放信号时频特征提取的效果；同时改进卷积神经网络的结构用于局部放电的识别，提高局放识别的准确性。
[0006]本专利技术所采用的技术方案是：一种基于时频特征和改进CNN的局部放电识别方法，包括以下步骤：
[0007]S1、对采集的局放信号进行傅里叶阈值滤波，去除噪声的干扰；
[0008]进一步的，直接对局放信号进行快速傅里叶变换获取对应的频域波形，找出傅里叶频谱中的极大值点，对噪声干扰的频谱幅值直接置零，消除干扰信号；
[0009]为了避免噪声去除不干净，加宽处理频带，即选取阈值两侧5KHz的频带进行幅值置零操作；为了避免阈值置零造成的信号失真，对置零区域使用最小二乘法作多项式拟合，对优化后的频域信号进行傅里叶逆变换，得到去噪后的局放时域信号；
[0010]进一步的，阈值滤波函数如下：
[0011][0012]其中，f(x)是局放信号，F(f(x))信号对应的傅里叶变换，σ是选取的阈值。
[0013]S2、对局放时域信号的脉冲进行截取，用离散的数据采样点表征出脉冲的时域特征，获取局放脉冲信号的时域特征序列；并通过改进Morlet小波对脉冲信号进行时频变换，获取对应信号的二维时频图像数据；
[0014]进一步的，对局放时域信号的脉冲进行截取，对截取的数据进行划分，将数据等分为N个区间，计算出各个区间数据的平均值，获得长度为N的局部放电脉冲信号的时域特征序列；
[0015]进一步的，对局放时域信号进行连续小波变换，绘制出信号数据对应的小波时频图，小波变换公式为：
[0016][0017]其中，ψ(x)为小波基函数，a为尺度因子，b为平移因子，*为共轭；
[0018]进一步的，改进的小波基函数为：
[0019][0020]S3、对局放信号的时域特征序列和小波时频图进行归一化处理，划分数据集；
[0021]S4、利用数据集对改进卷积神经网络模型进行训练，并保存训练好的网络模型，实现局放的分类；
[0022]进一步的，改进卷积神经网络模型包括如下内容：
[0023]构建两个并列通道，第一通道输入一维时域特征序列，第二通道输入二维小波时频图；两个通道都使用卷积层和池化层提取特征；同时提取出第二通道输入小波时频图浅层的特征；使用全连接层将时域和时频域深浅层的特征拉伸为特征向量，在融合层融合后输入全连接层，最后通过softmax分类器实现局放信号的分类。
[0024]改进卷积神经网络为多输入模型，第一通道是一维网络模型，具体包含4个卷积层和2个池化层，在普通卷积层后各自添加一个1
×
1的卷积层，增加一维网络模型的非线性；第二通道是二维网络模型，具体包含3层卷积层和3层池化层，同时额外使用1
×1×
1的卷积层对第一个池化层输出的特征进行降维并保留显著特征，实现深浅层特征的融合；提取的特征都使用全连接层拉伸到同一维度在融合层进行融合。
[0025]进一步的，一种基于时频特征和改进CNN的局部放电识别方法的装置，通过装置采集局放信号，包括：高频电流传感器、信号调理模块、高速AD采集模块、SDRAM存储模块和FPGA控制模块，HFCT传感器置于检测位置，感应产生的局放脉冲信号；信号调理模块实现对局放脉冲信号的放大滤波，将信号发送给高速AD采集模块；高速AD采集模块进行信号采样；SDRAM存储模块实现对信号数据的大容量缓存；FPGA控制模块实现数据处理和对SDRAM的读写操作。
[0026]进一步的，FPGA控制模块包括：PLL模块、FIFO控制模块、AD数据处理模块、串口控制模块和SDRAM控制器，SDRAM控制器完成SDRAM的初始化、刷新、读写；PLL模块提供时钟信号；AD数据处理模块控制AD信号的采集，FIFO控制模块实现与SDRAM控制器和串口控制模块的交互；串口控制模块实现数据传输。
[0027]本专利技术的有益效果：
[0028]1、使用小波变换对局部放电时域脉冲数据进行时频特征提取时，使用优化的Morlet小波基函数，提升了频域上的分辨率，提高了特征提取的效果；
[0029]2、在局部放电分类中充分利用了信号波形的时域和频域的特征。使用卷积神经网络将局放信号的时域特征序列和对应小波时频图的深层与浅层的特征进行融合。改进后的卷积神经网络结构简单，训练速度快，进行对比实验发现改进后的算法拥有更高的识别准确率；
[0030]3、使用的FPGA高速数据采集系统可以实现对局放脉冲信号的高速采集和大容量的缓存。
附图说明
[0031]图1是本专利技术的局部放电实验平台示意图；
[0032]图2是本专利技术的基于FPGA的高速局部放电信号采集系统；
[0033]图3是本专利技术的FPGA程序设计框图；
[0034]图4是本专利技术的改进前后小波基函数效果对比图；
[0035]图5是本专利技术的改进卷积神经网络结构图；
[0036]图6是本专利技术的卷积神经网络训练准确性曲线和损失曲线；
[0037]图7是本专利技术的改进卷积神经网络对测试集的分类可视化效果。
具体实施方式
[0038]下面结合附图和实施例对本专利技术作进一步说明，此图为简化的示意图，仅以示意方式说明本专利技术的基本结构，因此其仅显示与本专利技术有关的构成。
[0039]使用脉冲电流法，通过FPGA高速数据采集系统对模拟的各种典型缺陷的局放本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于时频特征和改进CNN的局部放电识别方法，其特征在于，包括以下步骤：S1、对采集的局放信号进行傅里叶阈值滤波，去除噪声的干扰；S2、对局放时域信号的脉冲进行截取，用离散的数据采样点表征出脉冲的时域特征，获取局放脉冲信号的时域特征序列；并通过改进Morlet小波变换对脉冲信号进行时频变换，获取对应信号的二维时频图像数据；S3、对局放信号的时域特征序列和时频图像数据进行归一化处理，划分数据集；S4、利用数据集对改进卷积神经网络模型进行训练，并保存训练好的网络模型，实现局放的分类。2.根据权利要求1所述的基于时频特征和改进CNN的局部放电识别方法，其特征在于，所述步骤S1包括：对局放信号进行快速傅里叶变换获取对应的频域波形，找出傅里叶频谱中的极大值点，对噪声干扰的频谱幅值直接置零；加宽处理频带，对置零区域使用最小二乘法作多项式拟合，对优化处理后频域信号进行傅里叶逆变换，得到去噪后的局放时域信号。3.根据权利要求2所述的基于时频特征和改进CNN的局部放电识别方法，其特征在于，所述阈值滤波的函数为：其中，f(x)是局放信号，F(f(x))信号对应的傅里叶变换，σ是选取的阈值。4.根据权利要求2所述的基于时频特征和改进CNN的局部放电识别方法，其特征在于，所述对局放时域信号的脉冲进行截取包括：对截取的数据进行划分，将数据等分为N个区间，计算出各个区间数据的平均值，获得长度为N的局部放电脉冲信号的时域特征序列。5.根据权利要求1所述的基于时频特征和改进CNN的局部放电识别方法，其特征在于，所述改进Morlet小波变换的公式为：其中，ψ(x)为改进小波基函数，a为尺度因子，b为平移因子，*为共轭。6.根据权利要求5所述的基于时频特征和改进CNN的局部放电识别方法，其特征在于，所述改进小波基函数的公式为：7.根据权利要求1所述的基于时频特征和改进CNN的局部放电识别方法，其特征在于，所述改进卷积神经网络模型包括：构建两...
【专利技术属性】
技术研发人员：陈智超，郑剑锋，吴鸿杰，王群，陈则璋，
申请(专利权)人：常州大学，
类型：发明
国别省市：
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。