【技术实现步骤摘要】
本专利技术涉及电气设备检测，特别是涉及一种局部放电信号缺陷类型的识别方法、装置及产品。
技术介绍
1、在电力系统中，局部放电(partial discharge,pd)是评估电气设备绝缘性能的关键指标。局部放电信号蕴含着丰富的信息，不同类型的绝缘缺陷会导致不同的放电信号特征，因此通过对这些信号的分类识别来判断绝缘缺陷类型，对于缺陷定位、评估缺陷严重程度及制定应对措施具有重要意义。传统的局部放电检测技术依赖于人工提取信号特征和常规机器学习算法，如支持向量机(svm)进行模式识别，但这些方法存在特征提取过程中的信息损失和对复杂信号模式识别能力有限的问题。近年来，随着深度学习技术的发展，尤其是transformer架构在序列数据处理上的强大能力，研究者开始探索利用端到端的深度学习模型直接从局部放电信号中自动提取特征并进行分类识别，以提高识别的准确性和效率。然而，现有的深度学习模型在处理局部放电信号时仍面临信号预处理复杂、模型泛化能力有限等挑战。
技术实现思路
1、本专利技术的实施例提供了一种局部放电信号缺陷类型的识别方法、装置及产品，以实现对局部放电信号的高效特征提取和精确分类，进一步提高局部放电信号缺陷识别的准确性和效率。
2、为了实现上述目的，一方面，提供一种局部放电信号缺陷类型的识别方法，该识别方法基于前置层归一化结构改进的transformer模型架构，并添加预定的频域块，通过时域特征和频域特征相结合来识别局部放电信号缺陷类型，其中，所述transformer模型架构
3、s1，对采集的局部放电信号的时间序列进行预处理；其中，所述预处理包括：
4、对所述时间序列进行归一化处理，再按预定的时间窗口大小以及预定步长进行移动时间窗移动切片处理，获得若干个时间窗切片；其中，所述若干个时间窗切片之间存在预定的重叠部分，使得每一时间窗切片中包含与其前后相邻的时间窗切片的时间信息；所述预定的时间窗口大小、预定步长以及预定的重叠部分根据如下公式计算出的所述transformer模型的参数量来调整以及确认数值：
5、
6、paramstotal表示所述transformer模型的参数量，dmodel表示所述时间窗口大小，l表示步长；
7、将所述若干个时间窗切片组合成第一矩阵；
8、s2，将所述第一矩阵输入预定的频域块进行频域变换和特征提取，包括：
9、将所述第一矩阵进行层归一化，并通过快速傅里叶变换进行计算，获得频域信号；
10、根据预设的与时间窗切片长度的可学习权重向量对所述频域信号进行加权，通过快速傅里叶反变换将所述频域信号转成时域序列，再通过残差连接将所述时域序列与所述第一矩阵进行相加融合，获得第二矩阵；
11、所述第二矩阵进行层归一化，通过多层感知器对所述第二矩阵进行特征提取，获得特征向量；将所述特征向量与所述第二矩阵通过残差连接进行相加融合，获得第三矩阵，所述第三矩阵包括：通过所述第二矩阵提取的时域特征和频域特征；
12、s3，将所述第三矩阵输入所述前置层归一化transformer编码器进行编码，获得第四矩阵；其中，所述编码的步骤包括：
13、通过所述自注意力块的多头注意力机制和前馈神经网络对所述时域序列的第三矩阵进行编码，
14、
15、其中，l＝[1,n]，h'表示所述第三矩阵通过所述自注意力块处理后的获得的矩阵，hl表示第l层编码器输出的矩阵，layernorm表示层归一化，multiheadattn表示多头自注意力机制，ffn表示前馈神经网络；其中，所述自注意力块和所述前馈神经网络的计算均先进行层归一化，最后再进行残差连接；
16、s4，将所述第四矩阵输入预定的全连接层，获得局部放电信号缺陷类型的分类结果，其中，包括：
17、
18、其中，表示分类结果，softmax表示归一化指数函数，wn表示权重矩阵，hn表示所述第四矩阵，bn表示偏置向量。
19、优选地，所述的局部放电信号缺陷类型的识别方法，其中，所述局部放电信号缺陷类型包括：尖端电晕放电、内部气隙放电、悬浮电位放电和/或沿面放电。
20、优选地，所述的局部放电信号缺陷类型的识别方法，其中，所述transformer模型架构为仅包含编码器的transformer架构。
21、优选地，所述的局部放电信号缺陷类型的识别方法，其中，预设的与时间窗切片长度相等的可学习权重向量通过权值共享的形式应用于频域信号。
22、优选地，所述的局部放电信号缺陷类型的识别方法，其中，在模型的训练过程中，通过反向传播算法根据计算出的损失函数对提取频域信号特征的预设的与时间窗切片长度相等的可学习权重向量进行更新。
23、优选地，所述的局部放电信号缺陷类型的识别方法，其中，从标准差为0～0.02的概率分布中随机抽取预设的与时间窗切片长度相等的可学习权重向量的初始值。
24、优选地，所述的局部放电信号缺陷类型的识别方法，其中，所述第一矩阵和所述第二矩阵在分别输入所述预定的频域块中的频域特征加权和多层感知器之前经过层归一化处理，在所述频域特征加权和所述多层感知器输出后进行残差连接。优选地，所述的局部放电信号缺陷类型的识别方法，其中，第三矩阵在输入自注意力块或前馈神经网络之前经过层归一化处理，在所述自注意力块或所述前馈神经网络输出后进行残差连接。
25、又一方面，本专利技术的实施例提供了一种局部放电信号缺陷类型的识别装置，其中，包括存储器和处理器，所述存储器存储有至少一段程序，所述至少一段程序由处理器执行以实现如上任一所述的局部放电信号缺陷类型的识别方法。
26、另一方面，本专利技术的实施例提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序被处理器执行时实现如上任一所述的局部放电信号缺陷类型的识别方法。
27、上述技术方案具有如下技术效果：
28、本专利技术实施例的技术方案通过利用经过定性定量分析得到的参数对连续的局部放电信号分割成多个时间窗切片，并将时间窗切片组合成第一矩阵，合理平衡了硬件资源、模型性能和计算效率；利用快速傅里叶变换(fft)计算第一矩阵的频域信号，并通过预设的可学习权重向量对频域信号加权，再通过快速傅里叶反变换(ifft)将频域信号转换回时域序列，然后通过多层感知器(mlp)提取时域序列的特征。数据进入频域信号加权以及多层感知器两部分之前均经过层归一化处理，输出都分别通过残差连接与相对应的输入相加最终形成第三矩阵；采用改进的前置层归一化结构的transformer模型，通过n层编码器中的自注意力块和前馈神经网络对第三矩阵进行深入编码，每层都包括多头自注意力机制和前馈神经网络，且两者均加入前置的层归一化和残差连接，以捕捉序列内部的复杂依赖关系，生成编码后的第四矩阵，该矩阵融合了多层本文档来自技高网...
【技术保护点】
1.一种局部放电信号缺陷类型的识别方法，其特征在于，基于前置层归一化结构改进的Transformer模型架构，并添加预定的频域块，通过时域特征和频域特征相结合来识别局部放电信号缺陷类型，其中，所述Transformer模型架构包括：n层编码器，所述编码器包括：自注意力块和前馈神经网络，所述识别方法包括：
2.根据权利要求1所述的局部放电信号缺陷类型的识别方法，其特征在于，所述局部放电信号缺陷类型包括：尖端电晕放电、内部气隙放电、悬浮电位放电和/或沿面放电。
3.根据权利要求1所述的局部放电信号缺陷类型的识别方法，其特征在于，所述Transformer模型架构为仅包含编码器的Transformer架构。
4.根据权利要求1所述的局部放电信号缺陷类型的识别方法，其特征在于，预设的与时间窗切片长度相等的可学习权重向量通过权值共享的形式应用于频域信号。
5.根据权利要求1所述的局部放电信号缺陷类型的识别方法，其特征在于，在模型的训练过程中，通过反向传播算法根据计算出的损失函数对提取频域信号特征的预设的与时间窗切片长度相等的可学习权重向量进行
6.根据权利要求1所述的局部放电信号缺陷类型的识别方法，其特征在于，从标准差为0～0.02的概率分布中随机抽取预设的与时间窗切片长度相等的可学习权重向量的初始值。
7.根据权利要求1所述的局部放电信号缺陷类型的识别方法，其特征在于，所述第一矩阵和所述第二矩阵在分别输入所述预定的频域块中的频域特征加权和多层感知器之前经过层归一化处理，在所述频域特征加权和所述多层感知器输出后进行残差连接。
8.根据权利要求1所述的局部放电信号缺陷类型的识别方法，其特征在于，第三矩阵在输入自注意力块或前馈神经网络之前经过层归一化处理，在所述自注意力块或所述前馈神经网络输出后进行残差连接。
9.一种局部放电信号缺陷类型的识别装置，其特征在于，包括存储器和处理器，所述存储器存储有至少一段程序，所述至少一段程序由处理器执行以实现如权利要求1至8任一所述的局部放电信号缺陷类型的识别方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一所述的局部放电信号缺陷类型的识别方法。
...【技术特征摘要】
1.一种局部放电信号缺陷类型的识别方法，其特征在于，基于前置层归一化结构改进的transformer模型架构，并添加预定的频域块，通过时域特征和频域特征相结合来识别局部放电信号缺陷类型，其中，所述transformer模型架构包括：n层编码器，所述编码器包括：自注意力块和前馈神经网络，所述识别方法包括：
2.根据权利要求1所述的局部放电信号缺陷类型的识别方法，其特征在于，所述局部放电信号缺陷类型包括：尖端电晕放电、内部气隙放电、悬浮电位放电和/或沿面放电。
3.根据权利要求1所述的局部放电信号缺陷类型的识别方法，其特征在于，所述transformer模型架构为仅包含编码器的transformer架构。
4.根据权利要求1所述的局部放电信号缺陷类型的识别方法，其特征在于，预设的与时间窗切片长度相等的可学习权重向量通过权值共享的形式应用于频域信号。
5.根据权利要求1所述的局部放电信号缺陷类型的识别方法，其特征在于，在模型的训练过程中，通过反向传播算法根据计算出的损失函数对提取频域信号特征的预设的与时间窗切片长度相等的可学习权重向...
【专利技术属性】
技术研发人员：田洪，卢业旺，周宏扬，朱婷，官瑞杨，
申请(专利权)人：厦门理工学院，
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。