GIS设备局部放电图谱分析方法、系统及介质技术方案

一种基于深度学习的GIS设备局部放电图谱分析方法、系统和介质，方法中，通过特高频设备采集不同放电类型的局部放电信号样本，并给定所述样本对应的分类标签；然后对局部放电样本进行预处理，计算获得其二维特征图谱，并通过数据增强手段形成GIS局部放电特征图谱数据库；将所述数据库按照比例划分训练集和测试集，将所述训练集输入深度学习网络模型中，经过训练得到局部放电图谱识别模型；最后将测试集或者实际运行中局部放电信号，按照预处理得到图谱，输入到局部放电图谱识别模型，得到局部放电类型的识别结果。本发明专利技术公开的方法通过数据增强和模型轻量化改进提高了放电识别的可靠性和适用性。可靠性和适用性。可靠性和适用性。

【技术实现步骤摘要】
GIS设备局部放电图谱分析方法、系统及介质


[0001]本专利技术属于变压器局部放电诊断领域，特别涉及一种基于深度学习的GIS设备局部放电图谱分析方法、系统及介质。

技术介绍

[0002]GIS是电力系统中的重要设备，通常以SF6等气体作为绝缘介质，具有电气强度高、占地面积小、维护工作量少等优点，因而得到了非常广泛的应用。局部放电是绝缘缺陷在外部强电场作用下引发的物理现象，它是绝缘劣化的一种主要表现形式，也是造成绝缘劣化的重要影响因素。通过对局部放电进行诊断分析，有助于及时发现设备内部的隐患，对维护设备安全运行具有重要意义。
[0003]针对局部放电类型识别方面的研究，业界内已经有许多研究。但是这些研究往往通过特征提取和机器学习分类器进行，其容易受到干扰的影响，识别方法的泛化能力不强。虽然有部分学者就深度学习的应用展开了研究，但仍然存在模型通用性不强和难以实际部署等问题，关于深度学习在局部放电识别领域中的应用仍需要进行进一步研究。
[0004]因此，为了提高GIS设备局部放电诊断分析的效率和适用性，本申请提出了一种基于深度学习的GIS设备局部放电图谱分析诊断方法。

技术实现思路

[0005]针对现有技术中的不足，本申请的目的在于提出一种基于深度学习的GIS设备局部放电图谱分析方法、系统和介质。
[0006]为实现上述目的，本申请提供以下技术方案：
[0007]一种基于深度学习的GIS设备局部放电图谱分析方法包括以下步骤：
[0008]步骤一：通过特高频设备采集GIS设备不同放电类型的局部放电信号样本，局部放电信号样本的数据包括脉冲的幅值信息和相位信息，所述局部放电信号样本根据放电类型标注分类标签；
[0009]步骤二：基于所述局部放电信号样本获得二维特征图谱，并通过数据增强手段形成GIS局部放电特征图谱数据库；
[0010]步骤三：所述GIS局部放电特征图谱数据库按照比例划分训练集和测试集，将所述训练集输入深度学习网络模型中，经过训练得到局部放电图谱识别模型；
[0011]步骤四：将测试集或者实际运行中局部放电信号形成的图谱输入到局部放电图谱识别模型，得到局部放电类型的识别结果。
[0012]所述的基于深度学习的GIS设备局部放电图谱分析方法中，特高频设备包括能够采集特高频电磁波的特高频天线和特高频探头。
[0013]所述的基于深度学习的GIS设备局部放电图谱分析方法中，放电类型包括电晕放电、悬浮放电、微粒放电、沿面放电和气隙放电。
[0014]所述的基于深度学习的GIS设备局部放电图谱分析方法中，基于所述局部放电信
号样本获得二维特征图谱包括，
[0015]获得局部放电信号的幅值的最大值Q
max
，将幅值区间0～Q
max
和相位区间0～360
°
分别均匀划分成N
q
和N
φ
个小区间，并形成二维矩阵N
q
×
N
φ
；
[0016]将脉冲信息序列依次输入进行计算，获得每个脉冲点在二维矩阵的位置，将矩阵对应位置的值加一；
[0017]所有脉冲信息输入完毕后，对二维矩阵进行归一化处理，将其值的范围归一化到0～256区间。
[0018]所述的基于深度学习的GIS设备局部放电图谱分析方法中，数据增强手段包括随机重采样、随机移相或随机添加噪声，随机重采样对局部放电脉冲序列中的脉冲点进行重新采样以增加样本的数量，随机移相随机对脉冲的相位数据添加
±
10
°
的偏移，随机添加噪声往局部放电脉冲序列中随机插入噪声的脉冲序列。
[0019]所述的基于深度学习的GIS设备局部放电图谱分析方法中，随机插入噪声的类型包括离散周期噪声、工频周期噪声以及无规律噪声。
[0020]所述的基于深度学习的GIS设备局部放电图谱分析方法中，深度学习网络模型包括卷积神经网络，其中间的常规卷积层替换成深度可分离模块，所述深度学习网络结构依次为一个常规卷积层提取初级特征，然后采用四个连续的深度可分离模块提取深层特征，然后依次经过全局平均池化和两个全连接层输出。
[0021]所述的基于深度学习的GIS设备局部放电图谱分析方法中，深度可分离模块依次包括深度卷积、批归一化层、激活函数、逐点卷积、批归一化层、激活函数。
[0022]所述的基于深度学习的GIS设备局部放电图谱分析方法中，训练过程包括：
[0023]1)采用Kaiming初始化方法对模型参数进行初始化；
[0024]2)依次将训练集导入模型中，采用损失函数计算输出和标签之间的误差，当误差小于0.0000001时停止训练；
[0025]3)采用反向传播方法和Adam优化算法对模型参数进行更新，然后回到第2)步，开始新一轮训练，当训练轮次达到100时，停止训练。
[0026]一种实施所述的基于深度学习的GIS设备局部放电图谱分析方法的基于深度学习的GIS设备局部放电图谱分析诊断系统包括，
[0027]数据采集模块，其获取GIS局部放电的特高频信号，并对其进行检波，获得其脉冲的幅值和相位信息；
[0028]识别模型模块，其连接所述数据采集模块以获取局部放电类型的识别结果，识别模型模块包括用于处理GIS局部放电特征图谱数据库的数据预处理单元和用于识别的识别单元，识别单元包括深度学习网络模型；
[0029]分析诊断模块，其连接所述识别模型模块以基于局部放电类型的识别结果对故障位置、故障严重程度进行推理，并将分析诊断结果上传到日志中。
[0030]一种计算机可读存储介质存储有计算机程序，所述计算机程序执行时实现所述的基于深度学习的GIS设备局部放电图谱分析方法。
[0031]基于深度学习的GIS设备局部放电图谱分析方法通过数据增强和模型轻量化改进提高了放电识别的可靠性和适用性。
附图说明
[0032]图1是本申请实施例提供的方法流程图；
[0033]图2为本申请实施例提供的数据增强流程图；
[0034]图3为本申请实施例提供的局部放电图谱识别模型结构图；
[0035]图4为本申请实施例提供的深度可分离卷积模块示意图。
具体实施方式
[0036]下面将参照附图1至图4详细地描述本公开的具体实施例。虽然附图中显示了本公开的具体实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
[0037]需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异作为区分组件的方式，而是以组件在功能上的差异作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的GIS设备局部放电图谱分析方法，其特征在于，包括以下步骤：步骤一：通过特高频设备采集GIS设备不同放电类型的局部放电信号样本，局部放电信号样本的数据包括脉冲的幅值信息和相位信息，所述局部放电信号样本根据放电类型标注分类标签；步骤二：基于所述局部放电信号样本获得二维特征图谱，并通过数据增强手段形成GIS局部放电特征图谱数据库；步骤三：所述GIS局部放电特征图谱数据库按照比例划分训练集和测试集，将所述训练集输入深度学习网络模型中，经过训练得到局部放电图谱识别模型；步骤四：将测试集或者实际运行中局部放电信号形成的图谱输入到局部放电图谱识别模型，得到局部放电类型的识别结果。2.根据权利要求1所述的基于深度学习的GIS设备局部放电图谱分析方法，其特征在于，优选的，特高频设备包括能够采集特高频电磁波的特高频天线和特高频探头。3.根据权利要求1所述的基于深度学习的GIS设备局部放电图谱分析方法，其特征在于，放电类型包括电晕放电、悬浮放电、微粒放电、沿面放电和气隙放电。4.根据权利要求1所述的基于深度学习的GIS设备局部放电图谱分析方法，其特征在于，基于所述局部放电信号样本获得二维特征图谱包括，获得局部放电信号的幅值的最大值Q
max
，将幅值区间0～Q
max
和相位区间0～360
°
分别均匀划分成N
q
和个小区间，并形成二维矩阵将脉冲信息序列依次输入进行计算，获得每个脉冲点在二维矩阵的位置，将矩阵对应位置的值加一；所有脉冲信息输入完毕后，对二维矩阵进行归一化处理，将其值的范围归一化到0～256区间。5.根据权利要求1所述的基于深度学习的GIS设备局部放电图谱分析方法，其特征在于，数据增强手段包括随机重采样、随机移相或随机添加噪声，随机重采样对局部放电脉冲序列中的脉冲点进行重新采样以增加样本的数量，随机移相随机对脉冲的相位数据添加
±
10
°
的偏移，随机添加噪声往局部放电脉冲序列中随机插入噪声的脉冲序列。6.根...

【专利技术属性】
技术研发人员：王思嘉，李崇仕，罗立军，王卫玉，魏加达，莫凡，张培，阳瑞霖，姜晓峰，张新华，李汉臻，刘禹，金艳，赵训新，胡蝶，
申请(专利权)人：湖南五凌电力科技有限公司，
类型：发明
国别省市：