一种基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
一种基于TCN网络的调相机局放检测方法


[0001]本专利技术涉及
TCN
网络
，具体为一种基于
TCN
网络的调相机局放检测方法
。

技术介绍

[0002]在电力领域，尤其是高压
、
超高压输配电线路上和变电站内的变压器设备中，局部放电
(
简称局放
)
是可能造成严重事故和经济损失的现象，电力生产和电力传输单位都需要通过各种手段对局部放电现象进行及时检测
。
例如当前电力系统中最重要的部件之一的调相机，在制造
、
运输
、
现场装配
、
实际运行等环节中难以避免的会存在绝缘缺陷，以至在运行中会产生局部放电现象，同时局部放电又会使绝缘状态进一步劣化，直至绝缘完全击穿
。
所以，通过监测套管内部的局部放电，可以用来评估套管的绝缘状态，预先发现内部的绝缘缺陷，避免事故的发生
。
局部放电源的定位是局放监测的重要目的，它对于电力设备的状态监测有着重要意义，能够指导合理安排检修，节省大量人力物力
。
[0003]目前常用的局放检测设备主要有超声波接触探头式
、
红外探测式
、
超高频电磁波式等实现方式
。
其中红外探测式只能对出现严重局放
、
并且形成足够热量传导出来的情况适用，大部分实际局放发生时要么周围有其它红外热源干扰容易引发虚警，要么局放信号产生的热量太小造成无法检测等缺陷；超高频电磁波式的方案需要使用在线检测的方式，而实际上对于在网运行中的设备，如果要接入超高频电磁波局放检测设备需要对现网断电，更新维护成本很大；超声波接触探头式的方案可以便携，是目前应用较多的方案，但是由于需要检修工人带着耳机
、
使用探头采用地毯式扫描的办法进行听诊，工作强度较高
、
可靠性较低
。

技术实现思路

[0004]本专利技术的目的在于提供一种基于
TCN
网络的调相机局放检测方法，以解决上述
技术介绍
中提出的问题
。
[0005]为了解决上述技术问题，本专利技术提供如下技术方案：
[0006]一种基于
TCN
网络的调相机局放检测方法，以下步骤：
[0007]S1、
对调相机工作过程中的电压
、
电流
、
温变参数和声音数据进行实时采集；
[0008]对声音信号的采集使用
48KHz
采样率进行采集，将输入的音频数据流截取出
N
个采样点作为单帧输入数据
。
[0009]S2、
对采集的数据进行预处理，对声发射信号进行归一化处理；
[0010]在对声发射信号进行归一化处理时，在采用
48KHz
采样率对声音信号进行采样后，将输入的音频数据流截取出
N
个采样点作为单帧输入数据；
N
取值大，需要
k
秒以上的数据；
N
个采样点所用的采样时间记为
T
，为一帧数据的录制时间；统计
N
个数据的均值和方差，将数据帧进行归一化处理公式如下：
[0011][0012]其中，
s
为输入的时间序列，
m
为均值，
σ
为序列的标准差
。
[0013]S3、
对所采集的数据进行
TCN
网络训练，用训练数据集输入到随机初始化的网络中，根据输出和标签的差异，再通过误差反向传播算法逐层修正各层网络中各运算节点的参数；
[0014]TCN
网络可分为
TCN
模块
1、TCN
模块2和
TCN
模块3，
TCN
模块1‑3具有相同的结构，其中空洞卷积采用两侧层因果卷积叠加而成，卷积核大小为2，
BN
层
、ReLU
层和
Dropout
层分别是常规的批量归一化层
、ReLU
激活函数层和丢弃层；
1x1
卷积层由输入直接连接到模块输出的
ReLU
激活函数层，形成残差连接，可以避免网络退化；
[0015]以均方误差损失函数作为神经网络的损失函数，设神经网络输入层
、
隐含层
、
输出层的节点数分别为
n
，
i
，
m
，其隐含层的权值为
w
，阈值为
v
，输出层的权值为
u,
阈值为
γ
，则其隐含层中第
j
个节点的输入的计算公式如下：
[0016][0017]其输出层第
t
个节点的输入的计算公式如下：
[0018][0019]其中
b_j
表示隐含层第
j
个节点的输出；
[0020]假设该神经网络最后的输出如下：
[0021][0022]则第
t
个节点的输出为：
[0023][0024]其中
f
为激活函数；
[0025]使用均方误差损失函数计算后，获得的均方误差为：
[0026][0027]使用神经网络进行预测时要求预测值与目标值之间的误差达到最小，因此上述计算过程需要朝向负梯度的方向进行减小，此减小过程的计算公式如下：
[0028][0029]其中
μ
为给定的学习率，而等号右边的梯度值可以通过以下公式进行计算：
[0030][0031]而由
β
_t
的计算公式可以得知：
[0032][0033]设输出层使用的激活函数为
Sigmod
函数，则对激活函数求导后可以求得：
[0034]f
＝
f(1
‑
f)
[0035]由上述神经网络输出以及均方误差的计算公式可以求得：
[0036][0037]最后可以得出参数
u_jt
的更新公式为：
[0038]Δ
u
jt
＝
μ
e
t
b
j
[0039]同理，可分别计算得出参数
γ
_t、w_lj、v_j
的更新公式分别如下：
[0040]Δγ
t
＝
‑
μ
e
t
[0041]Δ
w
lj
＝
μ
g
j
x
l
[0042]Δ
v
j
＝...

【技术保护点】

【技术特征摘要】
1.
一种基于
TCN
网络的调相机局放检测方法，其特征在于：包括以下步骤：
S1、
对调相机工作过程中的电压
、
电流
、
温变参数和声音数据进行实时采集；
S2、
对采集的数据进行预处理，对声发射信号进行归一化处理；
S3、
对所采集的数据进行
TCN
网络训练，用训练数据集输入到随机初始化的网络中，根据输出和标签的差异，再通过误差反向传播算法逐层修正各层网络中各运算节点的参数；
S4、
在完成训练后，将所采集待检测设备的声发射信号输入训练的
TCN
网络中，实现局放诊断
。2.
根据权利要求1所述的一种基于
TCN
网络的调相机局放检测方法，其特征在于：在
S1
中，对声音信号的采集使用
48KHz
采样率进行采集，将输入的音频数据流截取出
N
个采样点作为单帧输入数据
。3.
根据权利要求1所述的一种基于
TCN
网络的调相机局放检测方法，其特征在于：在
S2
中，在对声发射信号进行归一化处理时，在采用
48KHz
采样率对声音信号进行采样后，将输入的音频数据流截取出
N
个采样点作为单帧输入数据；
N
的取值需要
k
秒以上的数据；
N
个采样点所用的采样时间记为
T
，为一帧数据的录制时间；统计
N
个数据的均值和方差，将数据帧进行归一化处理公式如下：其中，
s
为输入的时间序列，
m
为均值，
σ
为序列的标准差
。4.
根据权利要求1所述的一种基于
TCN
网络的调相机局放检测方法，其特征在于：在
S3
中，
TCN
网络分为
TCN
模块
1、TCN
模块2和
TCN
模块3，
TCN
模块1‑3具有相同的结构，其中空洞卷积采用两侧层因果卷积叠加而成，卷积核大小为2，
BN
层
、ReLU
层和
Dropout
层分别是归一化层
、ReLU
激活函数层和丢弃层；
1x1
卷积层由输入直接连接到模块输出的
ReLU
激活函数层，形成残差连接，避免网络退化；
TCN
网络的具体实施步骤为：将输入数据输入神经网络，输入数据经过神经网络的隐含层
、
输出层，在每一层分别经由线性计算与非线性转换最后获得输出层的输出结果，然后使用损失函数计算出误差值，通过使用输出层的误差梯度来对输出层的参数进行调整，最后将误差反向传递至隐含层神经元并根据隐含层的误差梯度来对隐含层的参数进行调整
。5.
根据权利要求4所述的一种基于
TCN
网络的调相机局放检测方法，其特征在于，在
S3
中，以均方误差损失函数作为神经网络的损失函数，设神经网络输入层
、
隐含层
、
输出层的节点数分别为
n
，
l
，
m
，其隐含层的权值为
w
，阈值为
v
，输出层的权值为
u,
阈值为
γ
，则其隐含层中第
j
个节点的输入的计算公式如下：其中
α
j
为隐含层第
j
个节点的输入值
、w
lj
隐含层内第
j
个节点的权值
、x
l
为隐含层内
j
‑1节点的输出值，其输出层第
t
个节点的输入的计算公式如下：
其中
b
j
表示隐含层第
j
个节点的输出
、
β
t
为输出层第
t
个节点的输入
、u
jt<...

【专利技术属性】
技术研发人员：王浩钰，欧阳震，涂叶露，王帅，潘丰峰，郝振勇，卢磊，徐鑫，邵千，赵勇，方扬，陈小军，吴秀海，张琪，王苗，程锦，余祖奎，张涛，白文星，兰孝富，黄正，李骞，
申请(专利权)人：上海远观物联网科技有限公司，
类型：发明
国别省市：