一种多源混合型特高频局部放电图谱的分离识别方法技术

本发明专利技术公开了一种多源混合型特高频局部放电图谱的分离识别方法，包括：获取特高频局部放电信号的PRPD图谱，进行标准化处理，构建并标注局部放电样本数据库，构建局部放电信号以及噪声信号的PRPD图谱数据集；确定深度学习网络作为检测模型，并输入检测模型参数；划分PRPD图谱数据集，并输入到深度学习网络检测模型训练，调整检测模型以及训练参数，保留并评估训练好的模型，选取效果最优的模型作为PRPD图谱检测模型；对待识别的图谱，使用选取的检测模型，对待逐个分析确认检测目标，保留最终检测和多源分离的结果。本发明专利技术解决了使用图像识别算法对GIS特高频PRPD图谱进行放电类型识别时，当实际存在多个局部放电信号时，无法将它们分别检出的问题。它们分别检出的问题。

【技术实现步骤摘要】
一种多源混合型特高频局部放电图谱的分离识别方法


[0001]本专利技术属于局部放电信号识别领域，尤其涉及一种基于数字图像目标检测和配对技术的多源混合型特高频局部放电图谱的分离识别方法。

技术介绍

[0002]气体绝缘组合电器(Gas Insulated Switchgear,GIS)设备自20世纪60年代实用化以来，不仅在高压、超高压领域被广泛应用，而且在特高压领域也被使用。但是在复杂的工作环境下，或者是在制造和安装的过程当中，不可避免会产生一些内部缺陷和安全隐患，如导体接触不良、导电微粒、金属尖端、绝缘件气隙等等，导致各种类型的局部放电，进而导致GIS绝缘故障和电力系统事故。因此，定期对运行中的GIS设备进行特高频局部放电检测，根据检测到的局部放电PRPD图谱分析和诊断GIS内部的局部放电，及时发现和消除GIS内部缺陷隐患，已成为GIS设备运行维护的重要组成部分。
[0003]局部放电的类型识别是GIS局部放电检测的重要环节，主要依据是局部放电PRPD图谱。目前对于GIS局部放电类型识别，除了依靠检修人员根据经验人为识别外，许多研究机构研究开发了基于图像识别技术的人工智能识别方法，以实现局部放电识别的自动化。这类方法存在如下问题：针对一条局部放电图谱数据只能根据图谱图像的整体特征进行识别，仅输出一个局部放电类型作为最终识别结果。而实际情况中经常出现的GIS内部多个局部放电信号共存、内部局部放电信号与外部噪声信号共存等情况，PRPD图谱呈现为多个局放信号图谱的混合叠加图像，导致图谱“四不像”，造成识别错误。即便正确识别了其中某个信号源的类型，也必定会遗漏其他共存的信号源。

技术实现思路

[0004]本专利技术目的是提供一种多源混合型特高频局部放电图谱的分离识别方法，用于解决现有方法对GIS特高频PRPD图谱进行类型识别时，对多个信号源共存的图谱无法逐一检测并识别出其中每个信号源的问题。
[0005]一种多源混合型特高频局部放电图谱的分离识别方法，包括以下步骤：
[0006]步骤一：使用特高频局部放电检测装置获取PRPD图谱，并处理转化为标准灰度图像，构建局部放电图谱样本数据库；
[0007]步骤二：标注样本数据库，对每条样本图像中的每个信号源所对应的图谱区域逐一进行框选并标注其对应的信号类型，形成PRPD图谱数据集；
[0008]步骤三：确定深度学习网络作为检测模型，并输入检测模型参数；
[0009]步骤四：划分PRPD图谱数据集，并输入到深度学习网络检测模型进行训练，调整检测模型以及训练参数，保留训练好的模型；
[0010]步骤五：评估训练好的模型，选取效果最优的模型作为局部放电信号的PRPD图谱检测模型；
[0011]步骤六：对待测图谱进行放电信号检测，并在对应灰度图内检测出各类局部放电
及噪声干扰的目标；
[0012]步骤七：逐个分析确认检测目标，保留符合标准的检测目标作为最终检测和多源分离的结果。
[0013]优选的，所述步骤一中,使用特高频局部放电检测装置获取PRPD图谱，所述PRPD图谱包括：独立的局部放电信号和干扰噪声信号、以及若干混合局部放电和干扰噪声的信号；
[0014]将所述PRPD图谱转化为灰度图，每个像素的灰度值为在该位置的脉冲数标准化到[0,255]范围内，即脉冲数最大值标准化为255，其他脉冲数按相同比例标准化到[0,254]范围内的整数。
[0015]优选的，所述步骤二中，通过图像标注工具“labelme”进行局部放电样本数据的标注，其中：对于局部放电样本数据库中的每个图谱，采用矩形框分别标出每个局部放电信号和每个噪声信号在PRPD图谱中的区域，以及各自的信号类型；所述悬浮放电、固体绝缘放电和颗粒放电信号在PRPD图谱中为相位偏差180度的两簇聚集，采用2个矩形框进行分别标注；
[0016]所述PRPD图谱数据集包括：悬浮放电、固体绝缘放电、颗粒放电、尖端放电、干扰噪声5种待测目标。
[0017]优选的，所述步骤三中，所述深度学习检测模型是基于YOLOv3检测算法的。
[0018]优选的，所述步骤三中，采用darknet
‑
53作为YOLOv3检测算法的骨干网络。
[0019]优选的，所述步骤三中，所述深度学习网络检测模型包括13*13、26*26、52*52像素的特征图，所述特征图使用的尺寸为K
‑
means算法聚类出9类先验框的平均尺寸。
[0020]优选的，所述步骤四中，所述PRPD图谱数据集包括：训练集、验证集及测试集，其中：所述训练集、验证集及测试集比例为6：2：2。
[0021]优选的，所述步骤四中，设置batch(每次输入检测模型进行训练的图片数量)和初始学习率的参数，根据损失函数变化动态调整学习率；
[0022]所述保存训练好的模型条件为：损失函数的值在小范围附近波动并不再下降。
[0023]优选的，所述步骤五中,所述效果最优的模型为：在测试集上mAP最高的训练好的模型。
[0024]优选的，所述步骤七中，逐个分析确认检测目标具体为：对于悬浮放电、固体绝缘放电、颗粒放电的待测目标，在距离其相位偏移180度，幅值相差10dB以内的区域，若存在同类目标，进行配对后作为同一个检出的局部放电信号；若不存在同类目标，丢弃该目标。
[0025]本专利技术具有以下技术效果：
[0026]1、解决了使用图像识别算法对GIS特高频PRPD图谱进行放电类型识别时，当实际存在多个局部放电信号时，无法将它们分别检出的问题；
[0027]2、不仅可以准确地对多局部放电混合信号图谱进行多源分离，而且能够对分离后的信号分别进行类型识别；
[0028]3、改变了传统的GIS放电信号检测方式，实现自动化检测以及多源分离，并且采用K
‑
means聚类算法对初始候选框的参数进行改进，有效提高了识别速度能够，并且在测试集上的mAP达到了95％以上，能够更准确更有效率的对GIS放电信号进行实时的监测。
附图说明
[0029]图1为本专利技术流程示意图；
[0030]图2为本专利技术PRPD图谱标准化以及数据集标注示意图；
[0031]图中：(a)
‑
(e)为PRPD图谱标准化过后的灰度图示意图，(f)
‑
(j)为数据集标注示意图；
[0032]图3为本专利技术YOLOv3目标检测算法网络结构示意图；
[0033]图4为本专利技术待测图谱检测流程示意图。
具体实施方式
[0034]下面结合实施例及附图对本专利技术的技术方案作进一步阐述。
[0035]PRPD图谱，即相位分辨局部放电图谱(Phase Resolved Partial Discharge)，由局部放电检测仪器采集一段时间内的多个局部放电特高频脉冲，同时采集和记录每个脉冲采集时的电网工频相位(0～360
°
)，形成的统计本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多源混合型特高频局部放电图谱的分离识别方法，其特征在于，包括以下步骤：步骤一：获取GIS局部放电信号的PRPD图谱，并对PRPD图谱进行标准化处理，构建局部放电样本数据库；步骤二：标注局部放电样本数据库，构建放电信号以及噪声信号的PRPD图谱数据集；步骤三：确定深度学习网络作为检测模型，并输入检测模型参数；步骤四：划分PRPD图谱数据集，并输入到深度学习网络检测模型进行训练，调整检测模型以及训练参数，保留训练好的模型；步骤五：评估训练好的模型，选取效果最优的模型作为局部放电信号的PRPD图谱检测模型；步骤六：对待测图谱进行放电信号检测，并在对应灰度图内检测出各类局部放电及噪声干扰的目标；步骤七：逐个分析确认检测目标，保留符合标准的检测目标作为最终检测和多源分离的结果。2.根据权利要求1所述的多源混合型特高频局部放电图谱的分离识别方法，其特征在于，所述步骤一中,使用特高频局部放电检测装置获取PRPD图谱，所述PRPD图谱包括：独立的局部放电信号和干扰噪声信号、以及若干混合局部放电和干扰噪声的信号；将所述PRPD图谱转化为灰度图，每个像素在该位置脉冲数归一化的灰度值的范围为[0,255]。3.根据权利要求1所述的多源混合型特高频局部放电图谱的分离识别方法，其特征在于，所述步骤二中，通过图像标注工具进行局部放电样本数据库的标注，其中：对于局部放电样本数据库中的每个图谱，采用矩形框分别标出局部放电信号和干扰噪声信号在PRPD图谱中的位置，以及信号类型；所述悬浮放电、固体绝缘放电和颗粒放电信号在PRPD图谱中为相位偏差180度的两簇聚集，采用2个矩形框进行分别标注；所述PRPD图谱数据集包括：悬浮放电、固体绝缘放电、颗粒放电、尖端放电、干扰噪声的待测目标。4.根据...

【专利技术属性】
技术研发人员：赵洪义，沈道义，胡勇，钱大钊，何成文，李丽彬，
申请(专利权)人：上海格鲁布科技有限公司，
类型：发明
国别省市：