基于深度学习的离网稀疏贝叶斯局部放电DOA的估计方法技术

本发明专利技术涉及一种基于深度学习的离网稀疏贝叶斯局部放电DOA的估计方法，属于局部放电检测领域。该方法包括对采样的放电声阵列信号采用离网稀疏贝叶斯算法进行两次迭代运算，得到前两次离网稀疏贝叶斯算法的均值和方差；然后将得到的均值和方差转化为归一化的实数后输入到深度学习网络LSTM，从而求解出未知声源的DOA；与传统的离网稀疏贝叶斯算法相比，该方法在接近离网稀疏贝叶斯的定位精度下，其定位速度得到明显提高，抗频率波动能力和噪声鲁棒性明显增强。

【技术实现步骤摘要】

本专利技术属于局部放电检测领域，涉及一种基于深度学习的离网稀疏贝叶斯局部放电doa的估计方法。

技术介绍

1、局部放电检测在电力设备绝缘劣化程度判断、运行工况判断和故障预警方面有着重要作用。目前，常采用特高频法或者超声法，将传感器采集到的电磁或者声信号进行时频分析，从而判断出是否发生局部放电或者局部放电的类型。相比基于声阵列的定位方法，此类方法不能准确定位局部放电的具体位置。

2、目前运用成熟的声源定位方法为基于子空间的定位方法，但是传统的基于子空间的定位方法噪声鲁棒性差，而且对阵列的尺寸和阵元的布局比较敏感，在复杂工况下运行效果不佳。近几年基于压缩感知理论的算法能够有利于噪声鲁棒性的提高，但是此类算法不易得到全局最优解而且往往需要专用工具箱进行求解导致了算法的普适性较差。相比之下贝叶斯算法被证明能得到全局最优解，但是该算法为了提高定位定位精确度引入了离网操作，进一步增大了计算复杂度，难以被实际工程应用。

3、综上所述，目前亟需一种定位精度高，并具有低计算复杂度和高鲁棒性，可以应用在实时的局部放电检测领域，以提升输电设备运行的安全性本文档来自技高网...

【技术保护点】

1.基于深度学习的离网稀疏贝叶斯局部放电DOA的估计方法，其特征在于：该方法具体包括以下步骤：

2.根据权利要求1基于深度学习的离网稀疏贝叶斯局部放电DOA的估计方法，其特征在于：所述S1中，对采集的声阵列信号进行目标频率的提取；

3.根据权利要求1基于深度学习的离网稀疏贝叶斯局部放电DOA的估计方法，其特征在于：所述S2中，将提取后只含有目标频率的声阵列信号进行两次离网稀疏贝叶斯算法迭代，得到均值、方差和放电声源的方位；

4.根据权利要求1基于深度学习的离网稀疏贝叶斯局部放电DOA的估计方法，其特征在于：所述S3中，将稀疏贝叶斯算法两次迭代后的均值和...

【技术特征摘要】

1.基于深度学习的离网稀疏贝叶斯局部放电doa的估计方法，其特征在于：该方法具体包括以下步骤：

2.根据权利要求1基于深度学习的离网稀疏贝叶斯局部放电doa的估计方法，其特征在于：所述s1中，对采集的声阵列信号进行目标频率的提取；

3.根据权利要求1基于深度学习的离网稀疏贝叶斯局部放电doa的估计方法，其特征在于：所述s2中，将提取后只含有目标频率的声阵列信号进行两次离网稀...

【专利技术属性】
技术研发人员：张小波，陈正宇，王平，余欣玺，李剑，林波，陈植羽，李勇，朱金婵，秦威，马振宇，
申请(专利权)人：重庆大学，
类型：发明
国别省市：