一种知识驱动的局部放电模式识别方法技术

本发明专利技术公开了一种知识驱动的局部放电模式识别方法，其包括步骤：(1)构建卷积神经网络对电力设备的局部放电PRPS数据进行特征提取，以得到数据特征向量；(2)构建电力设备的局部放电知识图谱，并对其进行语义建模和结构建模；(3)基于经过语义建模和结构建模的局部放电知识图谱，构建图卷积神经网络对电力设备的各类局部放电模式的知识特征进行提取，以得到知识特征向量；(4)比较所述数据特征向量与知识特征向量的相似度，将相似度最大的局部放电模式作为识别结果。模式作为识别结果。模式作为识别结果。

【技术实现步骤摘要】
一种知识驱动的局部放电模式识别方法


[0001]本专利技术涉及一种电力设备绝缘缺陷故障诊断技术，尤其涉及一种对局部放电模式进行识别的方法。

技术介绍

[0002]众所周知，在现有的能源传输系统中，采用具有高可靠性和优异绝缘性能的电力设备对于确保系统的安全运行十分重要。
[0003]在当前传统电力设备中，其内部所存在的介电绝缘劣化是导致设备发生故障的主要原因之一，严重的话还可能导致大规模停电，从而造成人民财产安全的重大损失。
[0004]专利技术人研究发现，由于不同的局部放电模式对电力设备的绝缘水平降低的影响各有不同，不同的局放模式可能引起的故障严重性也千差万别，因此针对局部放电的模式识别已经成为了降低绝缘缺陷和故障风险的重要措施，其对于电力设备的运维来说至关重要。
[0005]当前，传统的局部放电模式识别十分依赖人工的特征提取，而数据驱动算法则又对数据集的数量和质量很敏感，因此现有的局部放电模式识别会受到实际局部放电数据中干扰信号的影响。
[0006]而随着知识工程的发展，将先验知识应用于数据集不足和不平衡的多类目标检测能够显著提高图像识别的性能。在先验知识的监督下，知识驱动的算法更容易解释，且更不可能违背常识。知识图谱是一种由实体(节点)和关系(边)组成的多关系图，其以人类认识世界的方式表示先验知识，并且由于其特征被广泛用于知识驱动算法中，在表示结构化数据方面非常有效。
[0007]基于上述背景，为了弥补局部放电数据集噪声等问题带来的负面影响，实现对局部放电模式的准确识别，本专利技术设计并获得了一种新的知识驱动的局部放电模式识别方法。

技术实现思路

[0008]本专利技术的目的在于提供一种知识驱动的局部放电模式识别方法，该局部放电模式识别方法能够利用卷积神经网络自动抽取局放数据的特征信息，并构建电力设备的局部放电知识图谱，其通过利用图卷积网络抽取局部放电知识图谱中各种局放模式的知识特征，最后通过对比数据特征与知识特征实现对局部放电的模式识别。
[0009]基于上述目的，本专利技术提出了一种知识驱动的局部放电模式识别方法，其包括步骤：
[0010](1)构建卷积神经网络对电力设备的局部放电PRPS数据进行特征提取，以得到数据特征向量；
[0011](2)构建电力设备的局部放电知识图谱，并对其进行语义建模和结构建模；所述局部放电知识图谱具有若干个节点，所述节点包括若干个局部放电模式节点和用于描述局部
放电模式特征的若干个特征节点；在进行语义建模时，将局部放电知识图谱中的每个节点的语义的各个汉字转化为字向量以形成字向量矩阵，然后将每个节点对应的字向量矩阵转化为一个节点向量，以形成嵌入矩阵；在进行结构建模时，将局部放电知识图谱的结构特征表示为临接矩阵A，所述临接矩阵为大小为n
×
n的对称矩阵，其中n是局部放电知识图谱的节点数量；
[0012](3)基于经过语义建模和结构建模的局部放电知识图谱，构建图卷积神经网络对电力设备的各类局部放电模式的知识特征进行提取，以得到知识特征向量；
[0013](4)比较所述数据特征向量与知识特征向量的相似度，将相似度最大的局部放电模式作为识别结果。
[0014]在本专利技术上述技术方案中，专利技术人设计了一种全新的知识驱动的局部放电模式识别方法，相较于现有技术，本专利技术所设计的这种局部放电模式识别方法可以在噪声大、数据量小的局部放电PRPS数据上有效识别局放模式，其能够弥补局部放电数据集噪声等问题带来的负面影响，实现对局部放电模式的准确识别。
[0015]进一步地，在本专利技术所述的知识驱动的局部放电模式识别方法中，在步骤(1)中，所述卷积神经网络具有3个卷积层、2个池化层和1个拉伸层。
[0016]进一步地，在本专利技术所述的知识驱动的局部放电模式识别方法中，在步骤(1)中，所述各卷积层均具有多个卷积核。
[0017]进一步地，在本专利技术所述的知识驱动的局部放电模式识别方法中，在步骤(1)中，所述卷积神经网络的激活函数为线性整流函数。
[0018]进一步地，在本专利技术所述的知识驱动的局部放电模式识别方法中，在步骤(2)中，在进行语义建模时，采用BERT中文字嵌入表示模型将局部放电知识图谱中的每个节点的语义的各个汉字转化为字向量以形成字向量矩阵；采用最大池化方法将每个节点对应的字向量矩阵转化为一个节点向量。
[0019]进一步地，在本专利技术所述的知识驱动的局部放电模式识别方法中，在步骤(3)中，所述图卷积神经网络包括两个图卷积层。
[0020]进一步地，在本专利技术所述的知识驱动的局部放电模式识别方法中，在步骤(3)中，所述图卷积层采用下式表示：
[0021]Y＝σ(D
‑1(A+I)XΘ)
[0022]其中，X表示所述嵌入矩阵，I为单位矩阵，Θ为图卷积层的可训练卷积核，Y为图卷积层的输出矩阵，D为局部放电知识图谱的度矩阵，A表示所述临接矩阵。
[0023]进一步地，在本专利技术所述的知识驱动的局部放电模式识别方法中，在步骤(4)中，采用欧拉距离计算所述相似度。
[0024]进一步地，在本专利技术所述的知识驱动的局部放电模式识别方法中，所述局部放电模式包括：颗粒放电、悬浮放电、尖端放电、沿面放电、以及气隙放电。
[0025]相较于现有技术，本专利技术所述的知识驱动的局部放电模式识别方法具有以下优点以及有益效果：
[0026]为了弥补局部放电数据集噪声等问题带来的负面影响，实现对局部放电模式的准确识别，本专利技术设计并获得了一种新的知识驱动的局部放电模式识别方法。
[0027]在本专利技术中，专利技术人通过利用卷积神经网络从电力设备检测到的局放PRPS数据中
提取局放特征向量，实现了局放数据特征向量的自动抽取。同时，另一方面，本专利技术还构建了电力设备的局部放电知识图谱，以存储各种模式的局放知识，并采用图卷积网络对该局部放电知识图谱中各类局部放电模式的局放知识特征向量进行抽取，以得到知识特征向量。最后，比较局放数据特征向量与各类局部放电模式的知识特征向量，并将知识特征向量与数据特征向量最相似的局放模式识别为最终结果。
[0028]相较于现有技术，本专利技术所设计的这种局部放电模式识别方法可以在噪声大、数据量小的局部放电PRPS数据上有效识别局放模式，其能够弥补局部放电数据集噪声等问题带来的负面影响，实现对局部放电模式的准确识别。
附图说明
[0029]图1为本专利技术所述的局部放电模式识别方法在一种实施方式下构建卷积神经网络并得到数据特征向量的步骤流程图。
[0030]图2示意性地显示了局部放电知识图谱在一种实施方式下的示意图。
[0031]图3示意性地显示了将字向量矩阵转化为节点向量的示意图。
[0032]图4为本专利技术所述的局部放电模式识别方法在一种实施方式下根据构建的局部放电知识图谱获得各类局部放电模式的知识特征向量的步骤流程图。
[0033]图5示意性地显示了本专利技术所述的局部放电模式识别方法在一种实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种知识驱动的局部放电模式识别方法，其特征在于，包括步骤：(1)构建卷积神经网络对电力设备的局部放电PRPS数据进行特征提取，以得到数据特征向量；(2)构建电力设备的局部放电知识图谱，并对其进行语义建模和结构建模；所述局部放电知识图谱具有若干个节点，所述节点包括若干个局部放电模式节点和用于描述局部放电模式特征的若干个特征节点；在进行语义建模时，将局部放电知识图谱中的每个节点的语义的各个汉字转化为字向量以形成字向量矩阵，然后将每个节点对应的字向量矩阵转化为一个节点向量，以形成嵌入矩阵；在进行结构建模时，将局部放电知识图谱的结构特征表示为临接矩阵A，所述临接矩阵为大小为n
×
n的对称矩阵，其中n是局部放电知识图谱的节点数量；(3)基于经过语义建模和结构建模的局部放电知识图谱，构建图卷积神经网络对电力设备的各类局部放电模式的知识特征进行提取，以得到知识特征向量；(4)比较所述数据特征向量与知识特征向量的相似度，将相似度最大的局部放电模式作为识别结果。2.如权利要求1所述的知识驱动的局部放电模式识别方法，其特征在于，在步骤(1)中，所述卷积神经网络具有3个卷积层、2个池化层和1个拉伸层。3.如权利要求2所述的知识驱动的局部放电模式识别方法，其特征在于，在步骤(1)...

【专利技术属性】
技术研发人员：田鹏，李岩，卞俊善，刘广辉，单媛媛，王磊，崔国栋，李国亮，王坤，李长红，杜健文，雷祥杰，韩浩，彭治国，张浩然，刘建，
申请(专利权)人：国网山东省电力公司枣庄供电公司，
类型：发明
国别省市：