【技术实现步骤摘要】
本专利技术涉及图像识别分类，尤其是指一种局部放电特高频信号的分类识别方法、装置及设备。
技术介绍
1、气体绝缘组合电器设备(gas insulated switchgear，gis)以其体积小、可靠性高、免维护等优点被广泛应用于高压变电站。但是，在gis的设计、生产、运输、安装和运行过程中，不可避免地会出现一些潜在的缺陷。一旦发生故障，将造成大面积停电，给居民生活带来巨大不便，甚至对整个电网和工作人员的生命安全构成重大威胁。因此，加强对gis运行状态中局部放电特高频信号的监测，以便在故障发生前采取必要的措施，保证整个电力系统的安全可靠运行，具有重要意义。
2、现有技术中采用传统的卷积网络对gis的局部放电特高频信号实现自动识别，而传统的卷积网络存在因梯度消失而无法训练的问题，且训练下来的模型识别精度较低，无法准确对局部放电特高频信号进行准确分类。
技术实现思路
1、为此，本专利技术所要解决的技术问题在于克服现有技术中卷积网络因梯度消失而无法训练且识别精度较低的问题。
2、为解决上述技术问题，本专利技术提供了一种局部放电特高频信号的分类识别方法，包括：
3、将已标注的局部放电特高频信号图像小数据集输入基于深度残差神经网络构建的局部放电特高频信号分类模型，经过多个残差块提取局部放电特高频信号的特征，输出局部放电特高频信号的类别，结合局部放电特高频信号图像的标注状态对模型进行初步训练；
4、根据迁移学习，将经过初步训练的局部放电特高频信号分
5、利用经过微调的局部放电特高频信号分类模型对未标注的局部放电特高频信号图像进行分类，得到局部放电特高频信号的目标类别。
6、在本专利技术的一个实施例中，所述深度残差神经网络包括resnet-34网络。
7、在本专利技术的一个实施例中，所述将已标注的局部放电特高频信号图像小数据集输入基于深度残差神经网络构建局部放电特高频信号分类模型，经过多个残差块提取局部放电特高频信号的特征，输出局部放电特高频信号的类别，包括：
8、输入已标注的局部放电特高频信号图像，经过初始卷积层提取初始特征，经过第一池化层后得到残差输入特征，输入与池化层连接的残差块提取局部放电特高频信号的特征，作为下一残差块的输入特征；
9、依次经过所有残差块后，通过全局平均池化层将最终的残差输出特征转换为向量形式，经过全连接层后输入softmax层，对向量形式进行分类，输出局部放电特高频信号的类别。
10、在本专利技术的一个实施例中，将残差输入特征输入与池化层连接的残差块提取局部放电特高频信号的特征，作为下一残差块的输入特征，包括：
11、所述残差输入特征输入第一卷积层提取特征后，经过批量归一化操作后使用relu激活函数激活，再输入第二卷积层提取特征，经过批量归一化操作后与所述残差输入特征进行跨通道映射，经过批量归一化操作后使用relu激活函数激活，得到输出特征图，作为下一残差块的输入特征。
12、在本专利技术的一个实施例中，所述第一卷积层和第二卷积层为3×3卷积。
13、在本专利技术的一个实施例中，所述局部放电特高频信号分类模型进行初步训练时，采用随机梯度下降优化器。
14、在本专利技术的一个实施例中，所述局部放电特高频信号分类模型进行初步训练时，采用交叉熵作为损失函数。
15、在本专利技术的一个实施例中，使用数据增强技术对已标注的局部放电特高频信号图像小数据集进行预处理，包括旋转、调整大小、高斯噪声、裁剪、色调和饱和度调整，得到大数据集。
16、本专利技术还提供了一种局部放电特高频信号的分类识别装置，包括：
17、模型构建模块，用于将已标注的局部放电特高频信号图像小数据集输入基于深度残差神经网络构建的局部放电特高频信号分类模型，经过多个残差块提取局部放电特高频信号的特征，输出局部放电特高频信号的类别，结合局部放电特高频信号图像的标注状态对模型进行初步训练；
18、自适应模块，用于根据迁移学习，将经过初步训练的局部放电特高频信号分类模型迁移至大数据集，对模型参数进行微调；
19、分类模块，用于利用经过微调的局部放电特高频信号分类模型对未标注的局部放电特高频信号图像进行分类，得到局部放电特高频信号的目标类别。
20、本专利技术还提供了一种部放电特高频信号的分类识别设备，包括：
21、存储器，用于存储计算机程序；
22、处理器，用于执行所述计算机程序时实现上述一种部放电特高频信号的分类识别方法的步骤。
23、本专利技术的上述技术方案相比现有技术具有以下优点：
24、本专利技术所述的一种局部放电特高频信号的分类识别方法，使用深度残差网络解决了传统网络梯度消失的问题，使得局部放电特高频信号分类模型可以进行连续有效的训练。深度残差网络中的残差块的结构可以将数据层较早提取的“低阶”特征与较晚提取的“高阶”特征结合起来，与传统的线性连接网络相比，提高了数据利用效率，使得局部放电特高频信号的分类精度提高。
25、本专利技术所述的一种局部放电特高频信号的分类识别方法，依据迁移学习的原理将初步训练的局部放电特高频信号分类模型应用在大数据集中进行微调，在显著提高模型性能的同时节省了训练时间，避免了模型过拟合的问题，有助于提高局部放电特高频信号的分类精度。
本文档来自技高网...【技术保护点】
1.一种局部放电特高频信号的分类识别方法，其特征在于，包括：
2.根据权利要求1所述的一种局部放电特高频信号的分类识别方法，其特征在于，所述深度残差神经网络包括ResNet-34网络。
3.根据权利要求2所述的一种局部放电特高频信号的分类识别方法，其特征在于，所述将已标注的局部放电特高频信号图像小数据集输入基于深度残差神经网络构建局部放电特高频信号分类模型，经过多个残差块提取局部放电特高频信号的特征，输出局部放电特高频信号的类别，包括：
4.根据权利要求3所述的一种局部放电特高频信号的分类识别方法，其特征在于，将残差输入特征输入与池化层连接的残差块提取局部放电特高频信号的特征，作为下一残差块的输入特征，包括：
5.根据权利要求4所述的一种局部放电特高频信号的分类识别方法，其特征在于，所述第一卷积层和第二卷积层为3×3卷积。
6.根据权利要求1所述的一种局部放电特高频信号的分类识别方法，其特征在于，所述局部放电特高频信号分类模型进行初步训练时，采用随机梯度下降优化器。
7.根据权利要求1所述的一种局部放电特高频
8.根据权利要求1所述的一种局部放电特高频信号的分类识别方法，其特征在于，使用数据增强技术对已标注的局部放电特高频信号图像小数据集进行预处理，包括旋转、调整大小、高斯噪声、裁剪、色调和饱和度调整，得到大数据集。
9.一种局部放电特高频信号的分类识别装置，其特征在于，包括：
10.一种部放电特高频信号的分类识别设备，其特征在于，包括：
...【技术特征摘要】
1.一种局部放电特高频信号的分类识别方法，其特征在于，包括：
2.根据权利要求1所述的一种局部放电特高频信号的分类识别方法，其特征在于，所述深度残差神经网络包括resnet-34网络。
3.根据权利要求2所述的一种局部放电特高频信号的分类识别方法，其特征在于，所述将已标注的局部放电特高频信号图像小数据集输入基于深度残差神经网络构建局部放电特高频信号分类模型，经过多个残差块提取局部放电特高频信号的特征，输出局部放电特高频信号的类别，包括：
4.根据权利要求3所述的一种局部放电特高频信号的分类识别方法，其特征在于，将残差输入特征输入与池化层连接的残差块提取局部放电特高频信号的特征，作为下一残差块的输入特征，包括：
5.根据权利要求4所述的一种局部放电特高频信号的分类识别方法，其特征...
【专利技术属性】
技术研发人员：刘婷亮，王璇，李国栋，陈青松，刘宏，李帅，薛志刚，刘晟，牛曙，梁基重，俞华，杨代勇，于群英，李杰，辜超，罗辑，
申请(专利权)人：国网山西省电力公司电力科学研究院，
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。