【技术实现步骤摘要】
本专利技术涉及电力设备局部放电信号去噪，具体涉及基于自适应双互补卷积网络的配网电缆局放混合噪声抑制方法、装置、设备及存储介质
技术介绍
1、电气设备在制造和装配过程中不可避免地会存在缺陷这些缺陷通过影响电场而引起局部放电。局部放电是毫伏级的脉冲信号，在设备运行过程中容易被强干扰，如热噪声(其是白噪声的一种)所淹没。相比之下，同样具有干扰性的周期性窄带噪声的特性与局部放电信号的特性也完全不同。它由几个单独的正弦分量组成，即周期性窄带噪声可以描述为一个三角多项式。
2、对于分布不均匀的白噪声，虽然众所周知的小波阈值方法已经在该领域得到了应用，包括电气工程和白噪声的局部放电去噪。但是其分解层数和阈值的选取完全摆脱人工的干扰还有待商榷，而在局放信号去噪领域当中对于小波变换和自适应性较好的深度学习网络如何做到充分融合值得进一步研究。然而，由于两种噪声的随机性和确定性，小波阈值法不适用于周期性窄带噪声的情况。对于周期性窄带噪声的处理已经提出了一些方法，如基于fft的方法，但是同样存在确定阈值的困难。此外，还有基于滤波器的方法，如有限脉冲响应(fir)滤波器，由于滤波器的相关参数必须预先设置且不具有自适应性，并且只能处理具有特定频率的噪声。然而，现场周期性窄带噪声没有固定的频率。综合的讲，抗干扰(尤其是白噪声)在在线监测中是非常关键的，被测局放信号的真实性直接影响变压器绝缘性能评价的准确性。因此得到的局放信号波形越真实，对后续工作越有利。
技术实现思路
1、本专利技术根据纯局部放电信
2、为达到上述目的，本专利技术采用以下技术方案：
3、第一方面，本专利技术提出基于自适应双互补卷积网络的配网电缆局放混合噪声抑制方法，其特点在于，包括以下步骤：
4、步骤1，复杂环境下获取带噪声的局部放电信号并转换为二维时频图形式；
5、步骤2，构建基于双互补卷积神经网络模型尽可能地恢复时频图的细节和结构，并进行模型训练进而实现采样数据中的分布范围广泛的白噪声数据部分和有效信号数据部分进行分离；
6、步骤3，采用基于时频分析优化过滤的方法以去除窄带噪声信号的干扰；
7、进一步，所述的步骤2中构建的双互补卷积神经网络模型包括：
8、net-d和net-s两个子网组成，分别保证时频图的整体的结构信息和像素细节信息。
9、在本专利技术提出的方法中，分别使用构成双互补网络的net-d和net-s两个子网络来恢复局放时频图像的像素细节和结构信息。结构信息反映了图像的整体框架，如图像的边缘，细节信息反映了纹理信息。每个子网络从输入端图像进行下采样，在输出端则进行上采样。此外，在该架构的中间由2组17个卷积层组成。最终将两个子网络的输出结合起来重建去噪后的时频图像。
10、进一步所述net-d子网络具体为：
11、该网络有17个卷积层用来恢复图像细节。本专利技术的子网络对输入图像执行小波变换(dwt)降低分辨率。因此，有4个原始图像子图，然后，本专利技术提取特征映射的方式是采用卷积单元+线性激活(relu)函数的组合模块。然后将特征映射的结果传递给5个残差卷积模块进而获得更加细化的特征图。最后，利用逆小波变换(idwt)得到包含结构信息的特征映射。通过对图像进行上采样，可以重建出与原始图像大小相同的特征图。
12、进一步所述net-s子网络具体为：
13、和net-d类似，同样具有17个卷积层，其在输入端对输入图像进行像素变换shuffle/2的操作得到多幅低分辨率图像与小波变换的结果相对应，采取类似的卷积单元+线性激活(relu)函数的组合模块提取特征映射图，在输出端采取shuffle×2操作即输入端的相反操作来重构特征映射图确保和局放时频图的大小一致。
14、进一步所述shuffle/2和shuffle×2操作具体为：
15、变换(shuffle)操作可以防止图像下采样和上采样过程中图像信息的丢失。下采样操作记为shuffle/2，每个特征图生成4个下采样特征图，其大小都为原图像长度和宽度的一半。它在不丢失任何信息的情况下对特征图的像素进行变换。shuffle*2操作可以重构shuffle/2的特征映射,这一对可逆操作保证了图像细节的保留，其效果如附图所示。
16、进一步，所述的步骤3中采用基于时频分析优化过滤的方法包括：
17、时频对消处理模块和形态学滤波模块。在本专利技术中利用时频对消方法去除定频的窄带干扰噪声的同时利用形态学处理和时间持续长度阈值去除其他突发干扰噪声，由于是直接在像素间的计算和操作，对原始局放信号信息保留较好。
18、进一步，所述的时频对消处理模块具体为：
19、首先对接收的信号做时频变换，即可以得到时频分析矩阵在根据实际情况选定分段长度为w，则可以得到时频谱。将接收信号的时频矩阵按时间轴的方向进求和处理，即得到只与频率相关的功率谱，再对其求均值，之后用求得时频谱减去平均功率谱。观察得到后的时频矩阵可以发现有很多小于0的元素，所以采用0作为门限对其进行修正即可得到对消后的时频矩阵。
20、进一步，所述的形态学滤波模块具体为：本专利技术根据时频图中连通域的直方图来自适应的选取想要的信号持续时间长度，首先通过获取出现最多的长度w1，也就是对应时频图中的局方信号的持续时间长度，将其作为时间阈值，对于小于阈值的信号即外在干扰突发和定频残留信号得以去除，之后选取线性元素，角度为0度作为标准进而滤除扫频干扰。最终就可以得到只有局放信号的时频图。
21、进一步，所述的步骤2中对构建的双互补卷积神经网络模型进行模型训练具体包括：
22、通过选取1024段时长为5s的仿真局放信号作为训练数据，经stft转换为多个时频图，将每个图像裁剪为160*160个图像块。此外，在每个训练图像块，本专利技术随机使用的旋转和翻转操作相结合的数据增强以增加数据的多样性和方法的鲁棒性。最终获得36282图像块用于训练双互补神经网络模型。另外为了验证该方法的鲁棒性，本专利技术在测试数据集中加入了三种噪声水平，并根据三种噪声水平对多个方法进行了评价。同时也对计算成本做了考量。采用随机梯度下降法对双互补神经网络模型进行优化修正训练，其初始学习率设定为0.0001；根据设定的adam优化器和相应的损失函数确定停止训练条件，当达到停止训练条件时输出模型的权重集合。
23、进一步所述的步骤本文档来自技高网...
【技术保护点】
1.基于自适应双互补卷积网络的配网电缆局放混合噪声抑制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于自适应双互补卷积网络的配网电缆局放混合噪声抑制方法，其特征在于，所述步骤2中双互补卷积神经网络模型，包括用于恢复时频图的整体的结构信息的Net-D子网和用于恢复时频图的整像素细节信息的Net-S子网。
3.根据权利要求2所述的基于自适应双互补卷积网络的配网电缆局放混合噪声抑制方法，其特征在于，所述结构信息反映了图像的整体框架，包括如图像的边缘，所述细节信息反映了纹理信息。
4.根据权利要求2所述的基于自适应双互补卷积网络的配网电缆局放混合噪声抑制方法，其特征在于，所述的Net-D子网络具体包括17个卷积层，对输入图像执行小波变换DWT降低分辨率，有4个原始图像子图，采用卷积单元+线性激活(ReLU)函数的组合模块提取特征映射，然后将特征映射的结果传递给五个残差卷积模块进而获得更加细化的特征图，最后，利用逆小波变换(IDWT)得到包含结构信息的特征映射，通过对图像进行上采样，重建出与原始图像大小相同的特征图。
5.根据权
6.根据权利要求4所述的基于自适应双互补卷积网络的配网电缆局放混合噪声抑制方法，其特征在于，所述的卷积层和卷积单元设置卷积核的大小为3×3；同时，在卷积单元执行特征映射的过程采用零填充方法确保大小保持不变；五个残差卷积模块中每个残差卷积块有三个卷积层，每一层之后是BN和线性激活ReLU函数，跳跃连接的设计同样加速了网络收敛的过程。
7.根据权利要求2所述的基于自适应双互补卷积网络的配网电缆局放混合噪声抑制方法，其特征在于，所述的Net-S子网络包括：17个卷积层，其在输入端对输入图像进行像素变换shuffle/2的操作得到多幅低分辨率图像与小波变换的结果相对应，采取类似的卷积单元+线性激活(ReLU)函数的组合模块提取特征映射图，在输出端采取shuffle×2操作即输入端的相反操作来重构特征映射图确保和局放时频图的大小一致。
8.根据权利要求6所述的基于自适应双互补卷积网络的配网电缆局放混合噪声抑制方法，其特征在于，所述的像素变换操作可以防止图像下采样和上采样过程中图像信息的丢失；下采样操作记为shuffle/2，每个特征图生成4个下采样特征图，其大小都为原图像长度和宽度的一半，它在不丢失任何信息的情况下对特征图的像素进行变换；Shuffle*2操作可以重构shuffle/2的特征映射，这一对可逆操作保证了图像细节的保留。
9.根据权利要求1所述的基于自适应双互补卷积网络的配网电缆局放混合噪声抑制方法，其特征在于，所述步骤2中对构建的双互补卷积神经网络模型进行模型训练具体包括：
10.一种基于自适应双互补卷积网络的配网电缆局放混合噪声抑制装置，其特征在于，包括：
11.根据权利要求10所述的基于自适应双互补卷积网络的配网电缆局放混合噪声抑制装置，其特征在于，所述窄带噪声信号去除模块，包括：
12.一种基于自适应双互补卷积网络的配网电缆局放混合噪声抑制设备，其特征在于，包括：
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至9任一项所述的配网电缆局放混合噪声抑制方法。
...【技术特征摘要】
1.基于自适应双互补卷积网络的配网电缆局放混合噪声抑制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于自适应双互补卷积网络的配网电缆局放混合噪声抑制方法，其特征在于，所述步骤2中双互补卷积神经网络模型，包括用于恢复时频图的整体的结构信息的net-d子网和用于恢复时频图的整像素细节信息的net-s子网。
3.根据权利要求2所述的基于自适应双互补卷积网络的配网电缆局放混合噪声抑制方法，其特征在于，所述结构信息反映了图像的整体框架，包括如图像的边缘，所述细节信息反映了纹理信息。
4.根据权利要求2所述的基于自适应双互补卷积网络的配网电缆局放混合噪声抑制方法，其特征在于，所述的net-d子网络具体包括17个卷积层，对输入图像执行小波变换dwt降低分辨率，有4个原始图像子图，采用卷积单元+线性激活(relu)函数的组合模块提取特征映射，然后将特征映射的结果传递给五个残差卷积模块进而获得更加细化的特征图，最后，利用逆小波变换(idwt)得到包含结构信息的特征映射，通过对图像进行上采样，重建出与原始图像大小相同的特征图。
5.根据权利要求4所述的基于自适应双互补卷积网络的配网电缆局放混合噪声抑制方法，其特征在于，所述的对输入图像执行小波变换(dwt)降低分辨率，对于高分辨率时频图像分别使用dwt和idwt作为网络中的下采样和上采样操作；通过对灰度图像进行小波变换得到4个子图，并由小波逆变换重建原始图像，其中每个子图包含图像的频率和空间域信息。
6.根据权利要求4所述的基于自适应双互补卷积网络的配网电缆局放混合噪声抑制方法，其特征在于，所述的卷积层和卷积单元设置卷积核的大小为3×3；同时，在卷积单元执行特征映射的过程采用零填充方法确保大小保持不变；五个残差卷积模块中每个残差卷积块有三个卷积层，每一层之后是bn和线...
【专利技术属性】
技术研发人员：董芝春，陈浩河，冯宝，吴毅江，周慧彬，胡筱曼，曾宏毅，吴奕泓，
申请(专利权)人：广东电网有限责任公司中山供电局，
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。