基于自适应卷积神经网络的GIS局部放电类型识别方法技术

本发明专利技术涉及电力设备局部放电识别技术领域，具体涉及一种基于自适应卷积神经网络的GIS局部放电类型识别方法，该方法是将PRPD图像和GAF图像集分别输入至基于PSO算法的CNN模型，寻找CNN模型的最优超参数，获取与PRPD图像和GAF图像分别对应的自适应CNN模型，并通过自适应CNN模型对PRPD图像和GAF图像进行特征提取、信息融合，实现GIS局部放电类型识别。本发明专利技术避免了单一检测结果的偶然性，同时可根据检测环境变化自行筛选得到最优模型参数，避免了主观因素的加持或低效的反复实验，降低了外界信号的干扰性，提高了识别准确率。提高了识别准确率。

【技术实现步骤摘要】
基于自适应卷积神经网络的GIS局部放电类型识别方法


[0001]本专利技术涉及电力设备局部放电识别
，具体涉及一种基于自适应卷积神经网络的GIS局部放电类型识别方法。

技术介绍

[0002]气体绝缘开关(Gas Insulated Switchgear，GIS)依靠其占地面积小、运行可靠性高、维护方便等独特优点，被广泛应用于电力系统中。然而，GIS的制造、运输和装配过程中会产生各种各样的缺陷，主要包括四种类型：电晕放电、悬浮物放电、绝缘子表面缺陷放电和自由颗粒放电，其可能会导致各种形式的局部放电，进而导致绝缘故障或电力系统故障，因此GIS局部放电类型识别具有重要意义。
[0003]随着智能算法和图像识别技术的进步，基于多信息融合的GIS局部放电类型识别方法，成为目前GIS局部放电类型识别研究的趋势。非专利文献《基于双注意力机制优化CNN架构的GIS局部放电模式识别》(出版年月：2022,37(2):22
‑
28.)公开了构建局部放电超高频PRPD谱图和超声波格拉姆角场密度分布共同融合组成的特征空间，通过双注意力机本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应卷积神经网络的GIS局部放电类型识别方法，其特征在于，包括以下步骤：步骤1：利用UHF传感器和超声波信号传感器分别采集不同局部放电模型的特高频信号和超声波信号；步骤2：采用局部放电相位解析法处理特高频信号，获取PRPD图像；步骤3：采用格拉姆角场处理超声波信号，获取GAF图像；步骤4：将PRPD图像和GAF图像集分别输入至基于PSO算法的CNN模型，寻找CNN模型的最优超参数，获取与PRPD图像和GAF图像分别对应的自适应CNN模型；步骤5：通过自适应CNN模型对PRPD图像和GAF图像进行特征提取，并对局部放电类型进行分类识别，获取自适应CNN模型的识别结果；步骤6：通过综合识别率函数获取基于决策级多信息融合的局部放电类型的类别综合值。2.根据权利要求1所述的一种基于自适应卷积神经网络的GIS局部放电类型识别方法，其特征在于：所述CNN模型包括输入层、卷积层、池化层、全连接层及输出层，PRPD图像和GAF图像分别通过输...

【专利技术属性】
技术研发人员：陈捷元，祝晓宏，赵天成，葛志成，曹森，司昌健，张赛鹏，董洪达，翟冠强，李守学，李嘉帅，
申请(专利权)人：国网吉林省电力有限公司电力科学研究院国网吉林省电力有限公司国网吉林省电力有限公司延边供电公司，
类型：发明
国别省市：