【技术实现步骤摘要】
一种电力设备局部放电缺陷样本增强方法及装置
[0001]本申请涉及电子电力
,尤其涉及一种电力设备局部放电缺陷样本增强方法及装置。
技术介绍
[0002]在现代电力系统中,局部放电检测是诊断电力设备故障的有效方法,其可以通过数据驱动技术对数据内在的特征进行挖掘分析,并利用机器学习等方法进行故障诊断,由于数据驱动技术依赖于数据的数量与质量,而电力设备出现绝缘故障属于小样本事件,不同绝缘缺陷类别的样本数据集会出现不平衡情况,使得模型在网络训练学习时容易出现过拟合现象,制约了识别效果的准确度。
[0003]针对类别不平衡的数据学习问题,现有的主流解决方法是通过对数据集进行样本增强,以平衡数据集不同类别的分布,然而,传统的数据增强方法通过随机复制等方法反复复制少数类样本,模型在网络训练学习时性能较低,过拟合风险增大,因而复制得到的增强数据与原始的真实数据具有相似性,导致放电缺陷数据故障识别的准确度较低。
技术实现思路
[0004]本申请的目的旨在至少能解决上述的技术缺陷之一,特别是现有技术中通过传统的数据增强方法复制得到的增强数据与原始的真实数据具有相似性,导致放电缺陷数据故障识别的准确度较低的技术缺陷。
[0005]本申请提供了一种电力设备局部放电缺陷样本增强方法,所述方法包括:
[0006]采集电力设备在绝缘故障时检测到的局部放电数据,并采用线性归一化函数对所述局部放电数据进行归一化处理,得到待增强数据;
[0007]确定数据样本增强模型,所述数据样本增强模型为将真实 ...
【技术保护点】
【技术特征摘要】
1.一种电力设备局部放电缺陷样本增强方法,其特征在于,所述方法包括:采集电力设备在绝缘故障时检测到的局部放电数据,并采用线性归一化函数对所述局部放电数据进行归一化处理,得到待增强数据;确定数据样本增强模型,所述数据样本增强模型为将真实样本数据输入预设的初始训练模型,并利用目标损失函数对所述初始训练模型进行训练得到的,所述目标损失函数是由判别器损失函数和生成器损失函数结合得到的;所述判别器损失函数包括推土机距离和梯度惩罚函数;将所述待增强数据输入至所述数据样本增强模型中,得到所述数据样本增强模型输出的包含所述待增强数据的样本增强数据。2.根据权利要求1所述的电力设备局部放电缺陷样本增强方法,其特征在于,所述确定数据样本增强模型,包括:将预先获取的真实样本数据划分为训练样本集和测试样本集;构建初始训练模型,所述初始训练模型包括判别器和生成器;将所述训练样本集中的训练样本依次输入至所述生成器中,得到所述生成器输出的预测样本增强数据;将所述生成器输出的预测样本增强数据和所述训练样本输入到所述判别器中,得到所述判别器输出的所述预测样本增强数据和所述训练样本的判别结果;以所述预测样本增强数据与所述训练样本之间的相似度不小于预设相似度阈值,所述预测样本增强数据和所述训练样本的判别结果的准确度不小于预设准确度阈值为目标,并利用目标损失函数对所述初始训练模型进行训练,得到目标训练模型;利用所述测试样本集对所述目标训练模型进行迭代训练,直至所述目标训练模型满足预设训练结束条件,得到数据样本增强模型。3.根据权利要求2所述的电力设备局部放电缺陷样本增强方法,其特征在于,所述利用目标损失函数对所述初始训练模型进行训练,包括:确定目标损失函数,所述目标损失函数是由判别器损失函数和生成器损失函数结合得到的;利用所述判别器损失函数计算所述判别器输出的预测样本增强数据的判别结果与真实结果之间的准确度损失值;基于所述准确度损失值更新所述判别器中的参数,以对所述判别器进行训练;利用所述生成器损失函数根据更新参数后的判别器输出的判别结果,计算所述生成器输出的预测样本增强数据与所述训练样本之间的相似度损失值;基于所述相似度损失值更新所述生成器中的参数,以对所述生成器进行训练。4.根据权利要求3所述的电力设备局部放电缺陷样本增强方法,其特征在于,所述判别器损失函数包括推土机距离和梯度惩罚函数;所述利用所述判别器损失函数计算所述判别器输出的预测样本增强数据的判别结果与真实结果的准确度损失值,包括:采用所述梯度惩罚函数对所述判别器的输出数据的梯度进行约束,并利用所述推土机距离计算所述判别器输出的预测样本增强数据的判别结果与真实结果的准确度损失值。5.根据权利要求2所述的电力设备局部放电缺陷样本增强方法,其特征在于,所述采用
所述测试样本集对所述目标训练模型进行迭代训练,直至...
【专利技术属性】
技术研发人员:陈义龙,孔令明,王勇,吉旺威,陈俊,许中,
申请(专利权)人:广东电网有限责任公司广州供电局,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。