基于多任务卷积神经网络的局部放电类型检测方法和系统技术方案

本发明专利技术公开了一种基于多任务卷积神经网络的局部放电类型检测方法和系统，方法包括步骤：周期性采集局部放电时产生的电流脉冲向外辐射电磁波信号，处理后形成一个单通道的二维矩阵数组；对获取的二维矩阵数组进行预处理，得到多通道的局部放电数据；将预处理后的多通道的局部放电数据输入到预先构建和训练好的多任务卷积神经网络中，进行局部放电类型检测和判断。本发明专利技术考虑局部放电的实际情形，对输入数据进行处理时，首先判断设备是否存在放电，当确定存在放电现象时，再判断放电的类型，局部放电判断准确率高，且更具实用性。且更具实用性。且更具实用性。

【技术实现步骤摘要】
基于多任务卷积神经网络的局部放电类型检测方法和系统


[0001]本专利技术涉及
，具体涉及一种基于多任务卷积神经网络的局部放电类型检测方法和系统。

技术介绍

[0002]为了帮助电力行业巡检机器人在巡检过程中自动发现电气设备是否存在局部放电现象，机器人需要搭载局部放电检测设备，这些设备不仅能够自己采集数据，而且有能力对这些数据进行分析，判断出当前设备是否存在放电现象和放电类型。
[0003]局部放电是一种高压放电现象，在绝缘体中局部区域发生的放电，而没有贯穿施加电压的导体之间，既可以发生在导体附近，也可以发生在其他地方，这种现象称为局部放电，简称为局部放电。局部放电有多种类型：尖端放电、悬浮放电、气隙放电、沿面放电等。局部放电检测方法目前有地电波、超声波，特高频等检测方法。这些方法能够检测出当前设备是否存在放电，并且能够给出放电信号，如何从这些信号分析出具体的放电类型，大部分方法都是采用人工观察的方式去确认，这种方法准确率高，但是需要的人力成本高；还有一些采用的是模式匹配的方式去匹配局部放电信号波形，这种方式准确率低，易受噪声的影响。

技术实现思路

[0004]技术目的：针对上述技术问题，本专利技术提出一种基于多任务卷积神经网络的局部放电类型检测方法和系统，采用卷积神经网络技术，设计了多任务网络模型，利用模型对采集的数据进行分析。
[0005]技术方案：为实现上述技术目的，本专利技术采用了如下技术方案：
[0006]一种基于多任务卷积神经网络的局部放电类型检测方法，其特征在于，包括步骤：
[0007]周期性采集局部放电时产生的电流脉冲向外辐射电磁波信号，经过滤波处理后，形成一个单通道的二维矩阵数组；
[0008]对获取的二维矩阵数组进行预处理，得到多通道的局部放电数据；
[0009]将预处理过的多通道的局部放电数据输入到预先构建和训练好的多任务卷积神经网络中，进行局部放电类型检测和判断，所述神经网络包括主干网络和分支网络，分支网络包括放电分支和分类分支，首先查看放电分支，如果放电分支预测是不放电，则输出正常类型，否则继续查看类型分支，根据类型分支的结果输出放电的类型；
[0010]其中，所述主干网络包括卷积层、第一Bottleneck层、循环网络和第二Bottleneck层，所述第一Bottleneck层使用带有线性瓶颈的倒置残差结构，所述残差结构依次使用1x1卷积进行升维、使用Depthwise卷积进行卷积操作、使用1x1卷积进行降维，最后进行shortcut操作，Bottleneck的激活函数的如式(1)所示：
[0011]y＝Relu6(x)＝min(max(x,0),6)
ꢀꢀꢀꢀ
(1)
[0012]所述循环网络包括8个Bottleneck_sum层，第二Bottleneck层的输出作为主干网络的输出；
[0013]所述放电分支为二分类网络，包括一个卷积层、全局池化层、全连接层和softmax层，训练时使用交叉熵损失函数；类型分支为多分类网络，用于判断局部放电的类型，输出的结果包括尖端类型、悬浮类型、气隙类型、沿面类型、自由类型。
[0014]优选地，所述神经网络以如下方法进行训练：
[0015]采集不放电数据样本和多种放电数据样本，放电数据样本中包括尖端放电数据、气隙放电数据、悬浮放电数据和沿面放电数据，将放电数据样本按9:1的比例分为放电类型训练集和测试集；
[0016]将放电分支和类型分支单独分开训练，单独训练满足精度要求后，将放电分支和类型分支同时训练，同时训练满足精度要求后，停止训练。
[0017]优选地，所述预处理包括：
[0018]对二维矩阵数组进行归一化操作，将所有数值均归一化到0～1之间；
[0019]在经过归一化处理的二维矩阵数据中增加随机噪声；
[0020]将添加了随机噪声的二维矩阵数组复制三份，得到三通道的局部放电数据，并在每个通道将局部放电数据减去均值并除以方差。
[0021]优选地，所述随机噪声为高斯白噪声、泊松噪声、椒盐噪声、盐噪声、椒噪声、乘性噪声中的任意一种或两种以上的组合。
[0022]一种基于多任务卷积神经网络的局部放电类型分析系统，其特征在于，包括：
[0023]局部放电采集模块，用于周期性采集局部放电时产生的电流脉冲向外辐射电磁波信号，经过滤波处理后，形成一个单通道的二维矩阵数组；
[0024]局部放电数据预处理模块，用于对获取的二维矩阵数组进行预处理，得到多通道的局部放电数据；
[0025]局部放电类型分析模块，用于将将预处理过的多通道的局部放电数据输入到预先构建和训练好的多任务卷积神经网络中，进行局部放电类型检测和判断，所述神经网络包括主干网络和分支网络，分支网络包括放电分支和分类分支，首先查看放电分支，如果放电分支预测是不放电，则输出正常类型，否则继续查看类型分支，根据类型分支的结果输出放电的类型。
[0026]一种电子设备，其特征在于，所述电子设备包括处理器和存储器；其中，所述存储器用于存储计算机程序，所述计算机程序由所述处理器加载并执行以实现所述方法。
[0027]一种计算机可读存储介质，其特征在于，用于存储计算机程序；其中所述计算机程序被处理器执行时实现所述方法。
[0028]有益效果：由于采用了上述技术方案，本专利技术具有如下有益效果：
[0029]本专利技术提出的基于多任务卷积神经网络的局部放电类型检测方法和系统，通过构建和训练多任务卷积神经网络，对判断局部放电是否存在和局部放电的类型，克服了人工预测存在的人力成本高的问题，而且相较现有模式匹配方法，本专利技术排除了噪声影响，判断准确率高。
附图说明
[0030]图1是本专利技术的基于多任务卷积神经网络的局部放电类型检测方法流程图；
[0031]图2是实施例一中的多任务卷积神经网络的结构示意图；
[0032]图3是图2中bottleneck模块的结构示意图；
[0033]图4是图2中bottleneck(stride2)模块的结构示意图；
[0034]图5是图2中bottleneck_sum模块的结构示意图；
[0035]图6是图2中局部放电数据矩阵化的示意图。
具体实施方式
[0036]下面结合附图对本专利技术的实施例作详细的说明。
[0037]本专利技术提出一种基于多任务卷积神经网络的局部放电类型检测方法及系统，首先特高频传感器采集一定周期的数据，接着对采集到的数据进行归一化，然后利用多任务卷积神经网络模型进行分析，多任务模型分为主干网络和子任务分支，主干网络能够提取数据特征，主干网络后面根据任务可接多个分支，局部放电类型检测任务需要两个分支：放电分支和类型分支，放电分支判断出当前局部放电数据是否是存在放电现象，如果当前信号表面存在放电现象，则查看类型分支的结果，判断局部放电具体的放电类型。
[0038]实施例一
[0039]本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多任务卷积神经网络的局部放电类型检测方法，其特征在于，包括步骤：周期性采集局部放电时产生的电流脉冲向外辐射电磁波信号，经过滤波处理后，形成一个单通道的二维矩阵数组；对获取的二维矩阵数组进行预处理，得到多通道的局部放电数据；将预处理过的多通道的局部放电数据输入到预先构建和训练好的多任务卷积神经网络中，进行局部放电类型检测和判断，所述神经网络包括主干网络和分支网络，分支网络包括放电分支和分类分支，首先查看放电分支，如果放电分支预测是不放电，则输出正常类型，否则继续查看类型分支，根据类型分支的结果输出放电的类型；其中，所述主干网络包括卷积层、第一Bottleneck层、循环网络和第二Bottleneck层，所述第一Bottleneck层使用带有线性瓶颈的倒置残差结构，所述残差结构依次使用1x1卷积进行升维、使用Depthwise卷积进行卷积操作、使用1x1卷积进行降维，最后进行shortcut操作，Bottleneck的激活函数的如式(1)所示：y＝Relu6(x)＝min(max(x,0),6)
ꢀꢀꢀꢀ
(1)所述循环网络包括8个Bottleneck_sum层，第二Bottleneck层的输出作为主干网络的输出；所述放电分支为二分类网络，包括一个卷积层、全局池化层、全连接层和softmax层，训练时使用交叉熵损失函数；类型分支为多分类网络，用于判断局部放电的类型，输出的结果包括尖端类型、悬浮类型、气隙类型、沿面类型、自由类型。2.根据权利要求1所述的一种基于多任务卷积神经网络的局部放电类型检测方法，其特征在于，所述神经网络以如下方法进行训练：采集不放电数据样本和多种放电数据样本，放电数据样本中包括尖端放电数据、气隙放电数据、悬浮放电数据和沿面放电数据，将放电数据样本按9:1的比例分为放电类型训练集和测...

【专利技术属性】
技术研发人员：董邦发，
申请(专利权)人：亿嘉和科技股份有限公司，
类型：发明
国别省市：