【技术实现步骤摘要】
本专利技术涉及局部放电信号处理，具体为基于注意力深层网络的局部放电信号故障智能检测方法。
技术介绍
1、随着电网规模的不断扩大，电力设备的容量随之增加，对设备的可靠性以及安全性提出了更高的要求，输变电设备是电力系统中不可或缺的战略性设备，其中电力变压器作为电网的关键承载点，不仅担任着电能转换与传输的重要角色，更对稳定的电能供应起着关键作用。然而由于电力变压器结构复杂，工作状态下受到电场、温度、机械等多种应力的作用，导致绝缘垫老化并可能引发故障，造成供电中断以及巨大的经济损失。已有的研究表明，绝缘故障是引发电气设备故障的主要因素之一，在变压器的总故障中约有75％的故障由绝缘问题引起。
2、大型电力变压器多为油浸式绝缘结构，由于偶然性因素，变压器在生产、运输、装配、运行、检修过程中可能带来气泡、裂痕、悬浮电解质点和毛刺等局部缺陷。这些缺陷可能造成局部电场集中，产生局部放电现象(particialdischarge，pd)，它是导致变压器绝缘故障的主要原因之一。
3、随着科技的发展，基于局部放电相位谱图和时域波形的分析技术越来越多地应用到变压器局部放电检测与识别中，其方法也逐渐走向智能化。
4、对prpd谱图进行一定的统计参数提取，可以得到一些统计算子，提取统计算子的好处是显而易见的，因为这实现对原有数据信息进行一次降维，这可以大大降低计算机识别运算的数据维度，有利于加快网络的运算速度和收敛。
5、然而，在提取统计算子的过程中，只关注了想要的信息量，而有一部分的信息量很可能被舍弃了。p>
6、为了设计出高性能低计算量的网络结构，目前方法通常采用一个one-shot的超网络，使得在搜索空间中的结构都能从超网络中获得相互共享的网络权重。在此类方法中，权重共享的假设十分重要。特别地，对于超网络中的任意操作，所有的结构具有同样的网络权重。尽管这种假设能有效提高网络的训练效率，然而这也限制了不同网络结构在supernet中选择不同权重的自由度。事实上，在单个的网络结构训练中，不同结构对应的同一操作的权重(stand-alone weights)应该有一定的不同。supernet作为一个网络评估器，应尽可能满足其中包含任意子结构权重与stand-alone训练的权重的一致性。显然one-shot框架下的supernet构建方式很难满足这种需求并实现准确地评估不同结构的性能。
7、因此，提出基于注意力深层网络的局部放电信号故障智能检测方法来解决上述问题。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足，本专利技术提供了基于注意力深层网络的局部放电信号故障智能检测方法，具备对局部放电信号数据的处理更高效且结果精度和准确性更高等优点，解决了现有one-shot框架下的supernet构建方式很难满足这种需求并实现准确地评估不同结构的性能的问题。
3、(二)技术方案
4、本专利技术解决上述技术问题的技术方案如下：基于注意力深层网络的局部放电信号故障智能检测方法，所述方法包括：
5、获取待测局部放电信号数据；
6、将待测局部放电信号数据输入局部放电信号输出模块进行处理获得prpd图谱数据；
7、将获得的prpd图谱数据输入注意力深层网络模型中进行模式识别，得到待测局部放电信号的识别结果；
8、根据输出的识别结果进行故障显示。
9、在上述技术方案的基础上，本专利技术还可以做如下改进。
10、进一步，所述局部放电信号输出模块包括：
11、上位机：用于读取并处理待检测局部放电信号数据；
12、单片机：用于接收上位机编码数据并生成模拟局部放电信号脉冲数据并反馈给上位机。
13、进一步，在所述注意力深层网络模型对prpd图谱数据进行模式识别过程中，还包括：
14、利用k-shotnas权重共享方式构建的超网络框架对注意力深层网络模型进行优化。
15、进一步，在所述注意力深层网络模型得到待测局部放电信号的识别结果后，还包括：
16、将所述识别结果进行j-s散度准确性评估，并经评估后基于softmax激活函数处理分类输出识别结果。
17、进一步，根据所述识别结果进行故障显示具体为：
18、包括：显示电路；
19、所述显示电路根据输出局部放电信号的识别结果类型点亮不同颜色的led信号灯进行故障类型提示。
20、进一步，所述上位机的具体过程如下：
21、1-1)、读取待测局部放电信号数据，对待测局部放电信号数据的相位信息与幅值信息进行编码；
22、1-2)、将经编码后的局部放电信号数据输送至单片机进行处理后再反馈至上位机；
23、1-3)、根据单片机反馈数据进行数据处理计算并生成局部放电信号prpd图谱数据，并进行显示。
24、进一步，所述单片机的具体过程如下：
25、2-1)、根据上位机输送的编码信息，读取脉冲电压触发所需的相位及对应幅值，并控制一个引脚电平，在触发脉冲时将其变为1，在不触发时保持为0；
26、2-2)、再检测与正弦电压过零标志信号相连的引脚电平，在检测到正弦电压过零信号后，利用定时方法进行定时，在定时结束后控制触发电平变化；
27、2-3)、利用两个引脚进行i2c通讯，与数字电位器进行通讯，输出可控直流电压，触发脉冲信号，并针对一个周期内对所有相位角上的脉冲设计循环语句进行触发顺序的控制，即生成模拟局部放电信号脉冲数据。
28、进一步，所述注意力深层网络模型对prpd图谱数据进行模式识别的具体过程如下：
29、3-1)、对输入的prpd图谱数据经卷积层处理后输出特征矩阵，并经池化层对卷积层的输出特征执行池化操作后获得第一层的新特征图；
30、3-2)、将多层级联形成深度神经网络从而对每一层进行上述操作后输出新特征图；
31、3-3)、将经池化层处理获得的每一层特征向量进行计算获得综合向量；
32、3-4)、将综合向量输入注意力层中进行权重计算，并输出信号特征；
33、3-5)、将信号特征级联到两个密集层处理，在节点中进行级联处理后，将特征图输送到全连接层进行分类处理后输出识别结果。
34、进一步，利用k-shotnas权重共享方式构建的超网络框架对注意力深层网络模型进行优化的具体过程如下：
35、4-1)、对每个操作构建一个由k个超网的权重组成的字典，并使所有包含特定操作的子网络结构共享k个超网的全部权重；
36、4-2)、每个操作的权重通过字典中的凸组合进行表示，并利用simplex-net算法生成不同子结构对应的操作的k个超网的凸组合的权重，基于每个结构对应的凸组合，构造其独有的权重共享方式并进行使用；
37、4-3)、联合搜索操作和cha本文档来自技高网...
【技术保护点】
1.基于注意力深层网络的局部放电信号故障智能检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于注意力深层网络的局部放电信号故障智能检测方法，其特征在于，所述局部放电信号输出模块包括：
3.根据权利要求1所述的基于注意力深层网络的局部放电信号故障智能检测方法，其特征在于，在所述注意力深层网络模型对PRPD图谱数据进行模式识别过程中，还包括：
4.根据权利要求1或3所述的基于注意力深层网络的局部放电信号故障智能检测方法，其特征在于，在所述注意力深层网络模型得到待测局部放电信号的识别结果后，还包括：
5.根据权利要求4所述的基于注意力深层网络的局部放电信号故障智能检测方法，其特征在于，根据所述识别结果进行故障显示具体为：
6.根据权利要求2所述的基于注意力深层网络的局部放电信号故障智能检测方法，其特征在于：所述上位机的具体过程如下：
7.根据权利要求2所述的基于注意力深层网络的局部放电信号故障智能检测方法，其特征在于：所述单片机的具体过程如下：
8.根据权利要求1所述的基于注意力深层网络
9.根据权利要求3所述的基于注意力深层网络的局部放电信号故障智能检测方法，其特征在于：利用K-shotNAS权重共享方式构建的超网络框架对注意力深层网络模型进行优化的具体过程如下：
10.根据权利要求4所述的基于注意力深层网络的局部放电信号故障智能检测方法，其特征在于：对所述识别结果进行J-S散度准确性评估的具体过程如下：
...【技术特征摘要】
1.基于注意力深层网络的局部放电信号故障智能检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于注意力深层网络的局部放电信号故障智能检测方法，其特征在于，所述局部放电信号输出模块包括：
3.根据权利要求1所述的基于注意力深层网络的局部放电信号故障智能检测方法，其特征在于，在所述注意力深层网络模型对prpd图谱数据进行模式识别过程中，还包括：
4.根据权利要求1或3所述的基于注意力深层网络的局部放电信号故障智能检测方法，其特征在于，在所述注意力深层网络模型得到待测局部放电信号的识别结果后，还包括：
5.根据权利要求4所述的基于注意力深层网络的局部放电信号故障智能检测方法，其特征在于，根据所述识别结果进行故障显示具体为：
6.根据权利要求2所述的基于...
【专利技术属性】
技术研发人员：邓奕，王磊，刘嘉政，谢铨，吴梓宜，朱奎虎，赵国瑾，朱文强，吴伟标，张国琴，余烈，刘海，
申请(专利权)人：武汉纺织大学，
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。