【技术实现步骤摘要】
本专利技术涉及避雷器故障识别，更具体的说是涉及一种基于bam-alexnet的避雷器信号缺陷识别方法。
技术介绍
1、避雷器是电网中重要的过电压保护设备,在高压电力系统中担任着限制线路雷电过电压以及操作过电压等重任。当高压输电线路出现过电压时，依靠其非线性伏安特性，短时间内将冲击能量以大电流形式泄放至大地，从而把过电压限制在合理范围内。然而，避雷器长期工作在复杂的自然环境和电磁环境中，潜在的故障因素时刻影响着电力电网安全运作。因此，对避雷器的故障进行精准诊断，对电力系统极其重要。
2、当前，工程上对避雷器的故障检测往往基于人工巡视，譬如安全员、质检员等专业技术人员持仪器设备定期巡检。这种监测方法需要耗费大量的人力资源，并且难以做到及时监测。越来越多的专家和学者将研究重点放置于避雷器信号的分析上，避雷器信号是避雷器工作状态的延伸，反映了避雷器的实时健康情况。避雷器信号经过传感器和数字电路的接收转化，可以实时监测故障的发生。
3、通过对避雷器信号的分析和处理实现避雷器故障诊断已在一些信号处理理论中得到应用和实现。传统的模式识别系列方法中，通过特征提取结合线性分类器的策略，产生了一些可行方案。譬如，提取信号的时域、频域特征，组成特征向量，包括峰峰值、峭度、重心频率等；这些特征被送入分类器进行训练和识别，包括支持向量机、k-近邻分类器，随机森林等。该系列方法对于简单环境中的避雷器信号具有理想的识别效果，但是日益复杂的电磁环境，解调和接收的信号往往不具有理想的信噪比。因此传统的模式识别方法中，传统特征的区分能力以及
4、一方面，时频分析已被证实是一项分析非平稳信号的强大工具。通过时频能量分布表征瞬时频率随时间的变化关系，将时间序列信号映射到二维时频表示(tfr)中，从而提供线性或非线性瞬时频率的时变信息。另一方面，随着深度学习的快速发展，计算机视觉对于图像的识别和分析有了更优的处理方式。信号识别的问题，可以通过tfr得到更多维度的信息支撑，并通过卷积神经网络完成识别。
5、因此，实现准确实时的诊断功能，解决电力领域技术人员亟需解决的问题。
技术实现思路
1、为了获得避雷器信号在复杂电磁环境中更准确的故障诊断结果，本专利技术提出了一种二维tfr结合bam-alexnet的避雷器信号故障检测方法，在经典alexnet上进行了改进，在第i和第iv卷积块上加入了bam注意力机制，用于解决现有技术中存在的技术问题。
2、为了实现上述目的，本专利技术提供如下技术方案：
3、一种避雷器信号故障检测方法，包括以下步骤：
4、s1、通过前端传感器获取避雷器信号波形，并由接收机转化为数字信号序列集合s。
5、s2、应用平滑-伪魏格纳分布，对信号序列s逐一进行时频分析，得到对应的二维时频表示集合t。
6、s3、对集合t进行自适应直方图增强，加强时频脊线的特征表现。
7、s4、将s3获得的t分为训练集tr和测试集te，前者用于训练，后者用于测试并评估网络。
8、s5、构建alexnet网络模型。
9、s6、在第i和第iv卷积模块加入bam注意力块。
10、s7、设置网络训练超参数，将tr送入训练，得到训练完成的模型m。
11、s8、将te送入m，得到测试集的预测结果，实现避雷器异常信号和正常信号的诊断。
12、可选的，s1具体为：
13、在避雷器的信号时长内，对波形采样1000～1500个采样点，记为第i个避雷器信号si。其中，i的范围是1～2000，即样本集的总数n＝2000，信号样本集记为
14、可选的，s2具体为：
15、s21、定义一个长度为33的高斯窗g，以及一个长度为133的高斯窗h。
16、s22、对于si∈s，对其进行平滑-伪魏格纳变换，获得时频表示tfi。该变换表述为：
17、
18、式中，ω为频域分辨率，g和h为s21中的窗函数，分别用于频域平滑和时域平滑，u和τ分别为它们的平滑变量。
19、s23、对s中的全体信号执行s22，获得s对应的二维时频表示t集将用于模型的训练和测试。
20、可选的，s3具体为：
21、s31、对tfi∈t，执行直方图增强，以加强时频脊线的特征表达能力。
22、s32、对t中的全体时频表示，执行s31，获得经过图像增强的二维时频表示t′。
23、可选的，s4具体为：
24、s41、定义训练集样本数ntr，测试集样本数nte。
25、s42、将t′集的前ntr个样本定义为训练集tte，后nte个样本定义为测试集tte。
26、s43、定义故障信号类别为1，正常信号类别为0。
27、可选的，s5具体为：
28、s51、输入图像tfi的尺寸为[227,227,3]。构建如下四个卷积块：(1)卷积块c1：使用96个尺寸为[11,11]的卷积核对输入图像进行卷积操作。将卷积输出的特征图放入relu激活函数，激活后的特征图进行最大池化。池化后应该进行lrn处理，此处使用bn层处理。输出特征图f1。(2)卷积块c2：使用256个尺寸为[5,5]的卷积核对f1进行卷积操作，并通过池化，以及bn层处理。输出特征图f2。(3)卷积块c3：使用384个尺寸为[3,3]的卷积核对f2进行卷积操作，以及bn层处理(此层没有池化)。输出特征图f3。(4)卷积块c4：使用256个尺寸为[3,3]的卷积核对f3进行卷积操作，并通过池化，以及bn层处理。输出特征图f4。
29、s52、对于经过s51处理之后得到特征图f4，经过如下两个全连接层：(1)全连接层fc1：使用4096个[6,6]卷积核生成4096个特征图。(2)全连接层fc2：将fc1的输出维度降至1024。
30、可选的，s6具体为：
31、s61、在卷积块c1和卷积块c4之后，分别加入bam注意力机制，具体如s62～s65所述。
32、s62、通道上权重信息增强：输入特征图f1经过全局平均池化,编码形成一维特征向量gc。然后，经过全连接层对gc进行降维，并使用relu进行非线性激活；然后在利用全连接层进行升维操作，最后经过批量归一化得到对应权重mc(f1)。计算公式如下:
33、mc(f1)＝bn(w1(w0avgpool(f1)))
34、其中，w0和w1分别表示降维和升维的全连接处理。
35、s63、空间上权重信息增强：利用[1,1]卷积对输入特征图f1进行降维操作；然后利用两个[3,3]卷积核的空洞卷积提取特征信息；最后，利用[1,1]卷积将特征图升维，得到空间注意力映射ms(f1)，其计算公式如下：
36、
37、其中，f表示卷积操作，上标表示本文档来自技高网...
【技术保护点】
1.基于BAM-AlexNet的避雷器信号故障诊断方法，包括以下步骤：
2.根据权利要求1所述的基于BAM-AlexNet的避雷器缺陷诊断方法，其特征在于，S1具体为：在避雷器的信号时长内，通过前端传感器对波形采样1000～1500个采样点，记为第i个避雷器信号si，其中，i的范围是1～2000，即样本集的总数N＝2000，信号样本集记为
3.根据权利要求1所述的基于BAM-AlexNet的避雷器缺陷诊断方法，其特征在于，S2具体为：
4.根据权利要求1所述的基于BAM-AlexNet的避雷器缺陷诊断方法，其特征在于，S3具体为：
5.根据权利要求1所述的基于BAM-AlexNet的避雷器缺陷诊断方法，其特征在于，所述步骤S4具体为：
6.根据权利要求1所述的基于BAM-AlexNet的避雷器缺陷诊断方法，其特征在于，所述步骤S5具体为：
7.根据权利要求1所述的基于BAM-AlexNet的避雷器缺陷诊断方法，其特征在于，所述步骤S7，所述预测结果公式如下：
【技术特征摘要】
1.基于bam-alexnet的避雷器信号故障诊断方法，包括以下步骤：
2.根据权利要求1所述的基于bam-alexnet的避雷器缺陷诊断方法，其特征在于，s1具体为：在避雷器的信号时长内，通过前端传感器对波形采样1000～1500个采样点，记为第i个避雷器信号si，其中，i的范围是1～2000，即样本集的总数n＝2000，信号样本集记为
3.根据权利要求1所述的基于bam-alexnet的避雷器缺陷诊断方法，其特征在于，s2具体为：
<...【专利技术属性】
技术研发人员：罗毅，李东生，丁海波，马益鑫，曾博，李刚，朱朝平，常宽，张元月，庞伟生，杨振宇，魏中，李亮，陈凯，陈苹苹，庞磊，曹有锦，代珍山，郑高洁，许宝宏，柳强明，马明忠，刘一帆，朱锦伟，黄腾，李振兴，孙永柯，张雁君，
申请(专利权)人：国网青海省电力公司海北供电公司，
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。