一种基于边缘计算和广义回归神经网络的局放模式识别方法技术

本发明专利技术涉及一种基于边缘计算和广义回归神经网络的局放模式识别方法，属于电气领域。该方法包括以下步骤：S1：构建基于边缘计算的标准架构；S2：通过脉冲电流法采集局部放电模型产生的局部放电数据挖掘不同类型局部放电的潜在信息；S3：提取特征值；S4：基于广义回归神经网络和粒子群算法优化，输入特征值得到最终结果。改进现有的局部放电模式识别的方案，将平滑因子的优化及神经网络模型更新部署在云端，而将训练好的广义回归神经网络模型部署在边缘层，解决了系统资源分配问题，提高了系统响应速度。统响应速度。统响应速度。

【技术实现步骤摘要】
一种基于边缘计算和广义回归神经网络的局放模式识别方法


[0001]本专利技术属于电气领域，涉及一种基于边缘计算和广义回归神经网络的局放模式识别方法。

技术介绍

[0002]电厂中高压电气设备在长期运行的情况下不可避免会出现各种各样的劣化或者故障，对高压电气设备的实时监测和故障预警不仅能保证设备的稳定运行，也能极大程度上提高供电可靠性。随着信息技术的发展，采用数字信号处理局部放电信号的技术愈发成熟，目前针对局部放电类型识别研究主要目的是提高缺陷识别精度，复杂的神经网络会占用大量计算资源，不符合工业运作的实际需求响应。在实际的监测系统中，必须考虑计算机软硬件资源环境的复杂程度以及识别算法的时延特性等问题。
[0003]传统云计算处理海量数据的能力显得尤为不足，存在实时性不够、带宽不足、能耗较大以及数据安全性低等问题。边缘计算的出现使得上述问题得到有效的解决，针对局部放电数据采样频率高、数据处理复杂等特点，本文提出了一种基于边缘计算和广义回归神经网络的局放模式识别方法，该方法将模式识别算法合理分配在边缘计算框架中，有效地降低了云端计算压力，在保证识别准确性的情况下提高了数据处理的实时性。
[0004]目前对电缆局部放电模式识别的方法主要有：人工神经网络方法(ANN)、支持向量机方法(SVM)以及回归神经网络方法。(1)人工神经网络方法是对人脑神经元系统进行抽象从而建立的一种自适应信息分析处理模型，针对输入端的样本数据，通过学习实际输出与期望输出的误差，以此调整网络的权值和阈值，最终利用识别效果最优的分类模型识别测试集样本。(2)支持向量机方法是是一种适用于小样本、非线性、高维数情况下的分类方法，通过求取最优超平面实现样本数据的最大可分，具有优越的泛化能力。(3)广义回归神经网络是建立在数理统计基础上的径向基函数网络，其理论基础是非线性回归分析。GRNN具有很强的非线性映射能力和学习速度，网络最后普收敛于样本量集聚较多的优化回归，样本数据少时，预测效果很好，网络还可以处理不稳定数据。
[0005]现有目前针对电缆局部放电模式识别方案还存在以下问题及难点。(1)ANN方法在处理高维大数据样本时，需经多次迭代计算才能确定网络结构和参数，导致其收敛速度较慢，在解决复杂非线性问题时，搜索优化的过程中极易陷入局部极小值；(2)SVM方法在多分类问题的处理中需要构造多分类SVM，这个过程往往比较复杂。SVM核参数的选取在很大程度上会影响最终的分类结果，若选择的参数不合理，无法保证结果的可靠性。
[0006]针对电气设备局部放电类型识别问题，考虑到电气设备监测系统在诊断识别方面的时效性及精度，提出了基于一种基于边缘计算和广义回归神经网络的局放模式识别方法，利用边缘计算架构的优势，基于云层训练、边缘推理思路，将复杂的识别算法训练优化过程部署在云层，将计算量大的识别算法卸载到边缘层，而计算量小的特征提取保留在终端终端层处理。通过构造局部放电相位分布谱图提取局部放电的统计特征参数，采用粒子群优化算法对广义回归神经网络模型进行优化，最后将统计特征参数作为神经网络的输入
量，对放电类型进行识别。

技术实现思路

[0007]有鉴于此，本专利技术的目的在于提供一种基于边缘计算和广义回归神经网络的局放模式识别方法。利用脉冲电流法采集局部放电模型产生的局部放电数据，将滤波后的信号用于进一步分析研究。基于所测得的局部放电信号，构造放电次数
‑
放电量
‑
放电相位三维谱图，通过分析三者关系可以充分挖掘放电类型隐含的信息，进而诊断不同的故障类型。
[0008]为达到上述目的，本专利技术提供如下技术方案：
[0009]一种基于边缘计算和广义回归神经网络的局放模式识别方法，该方法包括以下步骤：
[0010]S1：构建基于边缘计算的标准架构；
[0011]S2：通过脉冲电流法采集局部放电模型产生的局部放电数据挖掘不同类型局部放电的潜在信息；
[0012]S3：提取特征值；
[0013]S4：基于广义回归神经网络和粒子群算法优化，输入特征值得到最终结果。
[0014]可选的，所述S1中，标准架构包括：
[0015]终端层：采集回路中产生的脉冲电流波形信号，再将原始局部放电波形数据进行滤波处理、特征提取后上传至边缘层；完成原始数据收集、数据处理和上传任务，并完成终端底层和边缘层之间的信息、数据互联；
[0016]边缘层：为系统提供可视化功能服务，识别放电类型；
[0017]云层：集成多台服务器，数据计算、数据处理、数据存储、模块迭代更新；完成算法模块的训练与升级，更新后的算法推送至边缘层，实现计算分析模块的自主学习闭环。
[0018]可选的，所述S2和S3具体为：
[0019]针对不同类型局部放电的潜在信息，提取平均值、均方差、陡峭度、偏斜度、互相关系数、放电因素、相位不对称度7种统计特征量；3种放电模型的特征参数提取由终端层完成；平均值：
[0020][0021]其中，W为半周期相窗数，x
i
为第i个相窗的相位，p
i
为放电概率；方差：
[0022][0023]偏斜度：
[0024][0025]其中，Δx为相窗宽度；
[0026]陡峭度：
[0027][0028]互相关函数：
[0029][0030]其中，为正相位放电量，为负相位放电量；
[0031]放电因素：
[0032][0033]其中，和分别为谱图中正负周期第i个相窗内的放电重复次数；相位不对称度：
[0034][0035]其中，和分别为谱图中正负周期发生放电的起始相角；
[0036]概率：
[0037][0038]其中，y
i
为谱图的幅值。
[0039]可选的，所述S4中：
[0040]广义回归神经网络GRNN是一种径向基神经网络，拓扑结构包括输入层、模式层、求和层和输出层；
[0041]GRNN的网络输出为：
[0042][0043]式中，X为网络输入，X
i
、Y
i
为样本观测值；为网络输出；δ为高斯函数的宽度系数，也叫作光滑因子；
[0044]粒子群算法基于生物群体和进化的原理，通过个体相对群体的适应度调整个体最优解；粒子群算法根据个体最优位置和群体最优位置修正粒子自身位置，向整体最优目标
函数改进优化；算法首先通过初始化随机种群，个体粒子经过多次迭代，寻找个体最优解，比较群体历史最优位置，寻找全局最优解，由此根据式(10)和式(11)更新自身状态；
[0045]v
i
d(t+1)＝w1v
i
d(t)+η1r1(p
id
(t)
‑
x
id
(t))+η2r2(p
gd
(t)
‑
x
id
(t))(10本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于边缘计算和广义回归神经网络的局放模式识别方法，其特征在于：该方法包括以下步骤：S1：构建基于边缘计算的标准架构；S2：通过脉冲电流法采集局部放电模型产生的局部放电数据挖掘不同类型局部放电的潜在信息；S3：提取特征值；S4：基于广义回归神经网络和粒子群算法优化，输入特征值得到最终结果。2.根据权利要求1所述的一种基于边缘计算和广义回归神经网络的局放模式识别方法，其特征在于：所述S1中，标准架构包括：终端层：采集回路中产生的脉冲电流波形信号，再将原始局部放电波形数据进行滤波处理、特征提取后上传至边缘层；完成原始数据收集、数据处理和上传任务，并完成终端底层和边缘层之间的信息、数据互联；边缘层：为系统提供可视化功能服务，识别放电类型；云层：集成多台服务器，数据计算、数据处理、数据存储、模块迭代更新；完成算法模块的训练与升级，更新后的算法推送至边缘层，实现计算分析模块的自主学习闭环。3.根据权利要求2所述的一种基于边缘计算和广义回归神经网络的局放模式识别方法，其特征在于：所述S2和S3具体为：针对不同类型局部放电的潜在信息，提取平均值、均方差、陡峭度、偏斜度、互相关系数、放电因素、相位不对称度7种统计特征量；3种放电模型的特征参数提取由终端层完成；平均值：其中，W为半周期相窗数，x
i
为第i个相窗的相位，p
i
为放电概率；方差：偏斜度：其中，Δx为相窗宽度；陡峭度：互相关函数：
其中，为正相位放电量，为负相位放电量；放电因素：其中，和分别为谱图中正负周期第i个相窗内的放电重复次数；相位不对称度：其中，和分别为谱图中正负周期发生放电的起始相角；概率：其中，y
i
为谱图的幅值。4.根据权利要求3所述的一种基于边缘计算和广义回归神经网络的局放模式识别方法，其特征在于：所...

【专利技术属性】
技术研发人员：钟倩，钟登红，段盼，李羿，冯子倩，万海波，廖雪缘，余玉欣，
申请(专利权)人：重庆熙腾电力设备有限公司，
类型：发明
国别省市：