1.一种局部放电信号的模式识别方法,其特征在于,包括:
获取局部放电数据,对所述局部放电数据进行预处理,以预处理后的数据作为训练条件生成对抗网络的数据集,并将所述数据集分为训练数据集和测试数据集;
根据训练目标构造条件生成对抗网络模型和机器学习分类器;
在所述训练数据集中,训练所述条件生成对抗网络模型;
将随机噪声信号输入所述条件生成对抗网络模型的生成器,以使所述生成器生成新的局部放电数据,根据所述新的局部放电数据获得新的数据集;
在所述新的数据集中训练所述机器学习分类器后,在所述测试数据集中验证所述机器学习分类器的准确率。
2.根据权利要求1所述的局部放电信号的模式识别方法,其特征在于,所述获取局部放电数据之前包括:通过高电压试验系统配合多种局部放电试验模型进行信号实验。
3.根据权利要求1所述的局部放电信号的模式识别方法,其特征在于,所述条件生成对抗网络模型包括基于神经网络的生成器和基于神经网络的判别器。
4.根据权利要求3所述的局部放电信号的模式识别方法,其特征在于,所述生成器包括5层神经网络,所述5层神经网络的激活函数均为relu函数。
5.根据权利要求3所述的局部放电信号的模式识别方法,其特征在于,所述判别器包括4层神经网络,所述4层神经网络的激活函数均为relu函数。
6.根据权利要求1所述的局部放电信号的模式识别方法,其特征在于,所述根据训练目标构造条件生成对抗网络模型和机器学习分类器具体包括:根据训练目标构造条件生成对抗网络模型和机器学习分类器;定义所述条件生成对抗网络模型的损失函数和定义所述机器学习分类器的损失函数。
7.一种局部放电信号的模式识别装置,其特征在于,包括:
生成数据集模块,用于获取局部放电数据,对所述局部放电数据进行预处理,以预处理后的数据作为训练条件生成对抗网络的数据集,并将所述数据集分为训练数据集和测试数据集;
生成模块,用于根据训练目标构造条件生成对抗网络模型和机器学习分类器;
训练模块,用于在所述训练数据集中,训练所述条件生成对抗网络模型;
生成新数据集模块,用于将随机噪声信号输入所述条件生成对抗网络模型的生成器,以使所述生成器生成新的局部放电数据,根据所述新的局部放电数据获得新的数据集;
验证模块,用于在所述新的数据集中训练所述机器学习分类器后,在所述测试数据集中验证所述机器学习分类器的准确率。
8.根据权利要求7所述的一种局部放电信号的模式识别装置,其特征在于,所述生成数据集模块还用于通过高电压试验系统配合多种局部放电试验模型进行信号实验,并获取局部放电数据。
9.一种局部放电信号的模式识别设备,其特征在于,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-6任一项所述的局部放电信号的模式识别方法。
10.一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用于存储程序代码,所述程序代码用于执行权利要求1-6任一项所述的局部放电信号的模式识别方法。