放电和干扰信号样本生成方法、计算机设备和存储介质与流程

本发明涉及电缆局部信号生成技术领域，更具体地，涉及一种放电和干扰信号样本生成方法、计算机设备和存储介质。

背景技术：

局部放电检测是目前电气设备绝缘状态评估最有效且使用最为广泛的方法，当局部放电长期存在时，会产生绝缘损坏、造成高压电缆的击穿和损坏，因此及时检测到局部放电信号并及时做出判断非常重要。目前主要采用uhf局部放电传感器采集放电信号，如公开号为cn105785236a(公开日：2016-07-20)提出的一种gis局放检测外部干扰信号排除方法，主要利用uhf局放检测设备获取被测gis设备uhf放电信号。

然而，在高压设备运行过程中，电磁干扰普遍存在，当局放信号比较微弱时，检测设备难以分离干扰信号和局放信号，可能会产生错误的评判结果。此外，局放类型的识别多是在大量的监测数据的基础进行的，对于经验积累有较大的依赖性。目前，局部放电也多通过机器学习的方式进行模式识别，因此，需要大量的信号样本输入，提高机器学习的能力，以达到更加准确的判断局放模式的目的。

技术实现要素：

本发明为克服上述现有技术所述的采用机器学习方式进行局部放电模式识别需要大量的信号样本输入的缺陷，提供一种放电和干扰信号样本生成方法、计算机设备和存储介质。

为解决上述技术问题，本发明的技术方案如下：

一种放电和干扰信号样本生成方法，包括以下步骤：

s1：采集高压电缆局部放电和干扰数据，得到训练数据；

s2：提取训练数据的噪声信号特征；

s3：构建基于gan的生成模型和基于gan的判别模型，将噪声信号特征及训练数据输入生成模型和判别模型中进行训练；

s4：将训练数据输入完成训练的生成模型和判别模型中，分别输出得到局放样本信号和干扰样本信号。

优选地，s1步骤中，训练数据包括通过现场采集数据获得高压电缆局部放电和干扰数据，以及通过采集实验室试验数据获得高压电缆局部放电和干扰数据。

优选地，s1步骤中，还包括以下步骤：将通过采集实验室试验数据获得的高压电缆局部放电和干扰数据进行划分，其中70％为生成模型训练数据集，30％为判别模型训练数据集；将通过现场采集数据获得的高压电缆局部放电和干扰数据加入判别模型训练数据集。

优选地，s3步骤中，其具体步骤包括：将从生成模型训练数据集提取得到的噪声信号特征输入基于gan的生成模型中进行训练，将判别模型训练数据集输入基于gan的判别模型中进行训练，然后通过迭代的方式依次将生成模型得到的生成结果输入判别模型中进行训练，将判别模型得到的判别结果输入生成模型中进行训练，得到完成训练的生成模型和判别模型。

优选地，s3步骤中，其具体步骤包括：

s3.1：将从生成模型训练数据集提取得到的噪声信号特征输入基于gan的生成模型中进行训练，得到生成函数g(x)，其中g(x)为0～1范围内的实数，0表示生成结果为“假”，1表示生成结果为“真”；

s3.2：将判别模型训练数据集输入基于gan的判别模型中进行训练，得到判别函数d(x)，其中d(x)为0～1范围内的实数，0表示判别结果为“假”，1表示判别结果为“真”；

s3.3：定义损失函数loss为：

loss＝1-d(x)；

将s3.1步骤中训练生成的局放信号输入完成训练的判别模型中，更新判别函数d(x)，然后计算损失函数loss；

s3.4：将损失函数loss输入完成训练的生成模型中生成新局放信号，更新生成函数g(x)，使g(x)→1，即基于gan的生成模型生成结果趋向于为“真”；

s3.5：将s3.4步骤中生成的新局放信号输入s3.2步骤中完成训练的判别模型中，更新判别函数d(x)，使d(x)→0，即基于gan的判别模型输出的判别结果趋向于“假”；

s3.6：跳转执行s3.4步骤，优化基于gan的生成模型和基于gan的判别模型内部参数，并更新生成函数g(x)和判别函数d(x)，至满足下式：

其中，v(d,g)表示衡量函数和ez～pz(z)[·]之间差距程度的函数，当给定生成函数g(x)时，选择一个判别函数d(x)，使得d(x)最大，即也最大，与ez～pz(z)[@]之间的差距最大；当给定判别函数d(x)时，选择一个生成函数g(x)，使g(x)最小，即ez～pz(z)[@]最小；表示优化训练后模型的判别函数d(x)的取值，使其趋向于“0”，判别为“假”，ez～pz(z)[@]表示训练后生成函数g(x)的取值，使其趋向于“1”，生成为“真”；

s3.7：判断生成函数g(x)和判别函数d(x)是否达到纳什平衡：若是，则得到完成训练的生成模型和判别模型，若否，则跳转执行s3.1步骤。

优选地，s3.7步骤中，判判断生成函数g(x)和判别函数d(x)是否满足纳什平衡的表达公式为：g(x)＝d(x)＝0.5。

优选地，s4步骤中作为输入的训练数据为s1步骤中通过采集实验室试验数据获得高压电缆局部放电和干扰数据。

优选地，s4步骤的具体步骤如下：

s4.1：将训练数据划分为第一数据集、第二数据集，然后分别输入完成训练的生成模型和判别模型中，分别输出得到生成结果和判别结果；

s4.2：根据s4.1步骤得到的判别结果计算损失函数loss，将损失函数loss输入完成训练的生成模型中进一步输出生成结果；将s4.1步骤得到的生成结果输入完成训练的判别模型中进一步输出判别结果；完成训练的生成模型和判别模型分别输出的生成结果和判别结果即为局放样本信号和干扰样本信号。

本发明还提出了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述放电和干扰信号样本生成方法的步骤。

本发明还提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的放电和干扰信号样本生成方法的步骤。

与现有技术相比，本发明技术方案的有益效果是：本发明利用生成对抗网络(gan,generativeadversarialnetworks)的信息填补和信息生成能力，通过有限的信号数据进行无监督学习，将有限的信号数据扩展至大量的样本数据，对高压电缆局放的研究和模式识别深度学习训练起重要作用。

附图说明

图1为放电和干扰信号样本生成方法的流程图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

本实施例提出一种放电和干扰信号样本生成方法，如图1所示，为本实施例的放电和干扰信号样本生成方法的流程图。

本实施例提出的放电和干扰信号样本生成方法中，包括以下步骤：

s1：采集高压电缆局部放电和干扰数据，得到训练数据。

本步骤中，训练数据包括通过现场采集数据获得高压电缆局部放电和干扰数据，以及通过采集实验室试验数据获得高压电缆局部放电和干扰数据。完成训练数据采集后，将通过采集实验室试验数据获得的高压电缆局部放电和干扰数据进行划分，其中70％为生成模型训练数据集，30％为判别模型训练数据集；将通过现场采集数据获得的高压电缆局部放电和干扰数据加入判别模型训练数据集中。

s2：提取训练数据的噪声信号特征。

s3：构建基于gan的生成模型和基于gan的判别模型，将噪声信号特征及训练数据输入生成模型和判别模型中进行训练。

本步骤中，将从生成模型训练数据集提取得到的噪声信号特征输入基于gan的生成模型中进行训练，将判别模型训练数据集输入基于gan的判别模型中进行训练，然后通过迭代的方式依次将生成模型得到的生成结果输入判别模型中进行训练，将判别模型得到的判别结果输入生成模型中进行训练，得到完成训练的生成模型和判别模型。其具体步骤如下：

s3.1：将从生成模型训练数据集提取得到的噪声信号特征输入基于gan的生成模型中进行训练，得到生成函数g(x)，其中g(x)为0～1范围内的实数，0表示生成结果为“假”，1表示生成结果为“真”；

s3.2：将判别模型训练数据集输入基于gan的判别模型中进行训练，得到判别函数d(x)，其中d(x)为0～1范围内的实数，0表示判别结果为“假”，1表示判别结果为“真”；

s3.3：定义损失函数loss为：

loss＝1-d(x)；

将s3.1步骤中训练生成的局放信号输入完成训练的判别模型中，更新判别函数d(x)，然后计算损失函数loss；

s3.4：将损失函数loss输入完成训练的生成模型中生成新局放信号，更新生成函数g(x)，使g(x)→1，即基于gan的生成模型生成结果趋向于为“真”；

s3.5：将s3.4步骤中生成的新局放信号输入s3.2步骤中完成训练的判别模型中，更新判别函数d(x)，使d(x)→0，即基于gan的判别模型输出的判别结果趋向于“假”；

s3.6：跳转执行s3.4步骤，优化基于gan的生成模型和基于gan的判别模型内部参数，并更新生成函数g(x)和判别函数d(x)，至满足下式：

其中，v(d,g)表示衡量函数和ez～pz(z)[@]之间差距程度的函数，当给定生成函数g(x)时，选择一个判别函数d(x)，使得d(x)最大，即也最大，与ez～pz(z)[@]之间的差距最大；当给定判别函数d(x)时，选择一个生成函数g(x)，使g(x)最小，即ez～pz(z)[@]最小；表示优化训练后模型的判别函数d(x)的取值，使其趋向于“0”，判别为“假”，ez～pz(z)[@]表示训练后生成函数g(x)的取值，使其趋向于“1”，生成为“真”；

s3.7：判断生成函数g(x)和判别函数d(x)是否达到纳什平衡，即是否满足：

g(x)＝d(x)＝0.5

若是，则得到完成训练的基于gan的生成模型和基于gan的判别模型，若否，则跳转执行s3.1步骤。

s4：将训练数据输入完成训练的生成模型和判别模型中，分别输出得到局放样本信号和干扰样本信号；其具体步骤如下：

s4.1：将训练数据划分为第一数据集、第二数据集，然后分别输入完成训练的生成模型和判别模型中，分别输出得到生成结果和判别结果；其中作为输入的训练数据为s1步骤中通过采集实验室试验数据获得高压电缆局部放电和干扰数据。

s4.2：根据s4.1步骤得到的判别结果计算损失函数loss，将损失函数loss输入完成训练的生成模型中进一步输出生成结果；将s4.1步骤得到的生成结果输入完成训练的判别模型中进一步输出判别结果；完成训练的生成模型和判别模型分别输出的生成结果和判别结果即为局放样本信号和干扰样本信号。

本实施例中，采用gan生成对抗网络构建样本信号生成模型和判别模型，可以在实验室和现场采集的有限数据的基础上，填补缺失信息，生成大量新的数据，对数据的研究和分析有极大作用。将数据用于gan生成对抗网络的训练，并将实验室试验数据用于完成训练的基于gan的生成模型和基于gan的判别模型中，能够获取新的且大量的高压电缆局部放电信号和干扰信号

此外，本实施例还提出一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本实施例的放电和干扰信号样本生成方法的步骤。

本实施例还提出一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本实施例的放电和干扰信号样本生成方法的步骤。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。