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：