一种基于卷积神经网络的高压电缆终端局部放电PRPD谱图识别方法

本发明属于高压电缆终端故障模式识别和图像处理领域，特别涉及一种高压电缆终端局部放电prpd谱图识别方法。

背景技术：

1、在我国城市规划的不断进程当中，高压电缆在城市电网中的运用愈发广泛，其中高压电缆终端一直是电缆线路的薄弱环节，容易发生局部放电进而导致电缆网络发生故障。对于高压电缆终端，国内多使用基于超声法便携式仪器对运行状态下的电缆终端进行局部放电诊断的监测，该手段更多的是检测电缆终端外部的导体连接金具部位产生的尖端放电，而对高压电缆终端的内部及安装缺陷类型识别相关研究并不多。近年来以卷积神经网络(cnn)为典型代表的深度学习算法在语音识别、图像识别等诸多领域取得了很高的识别精度，并在电力行业也引起了研究人员的广泛关注。通过卷积神经网络，利用电缆终端不同绝缘缺陷下局部放电产生机理存在的差异性，对局部放电信号进行检测和特征分析，可以识别电缆终端绝缘缺陷类型，评估电缆终端的绝缘状态，及时发现故障征兆，实现故障预警，为制定合理运维检修计划提供科学依据。

2、中国专利公开号为“cn114091537a”，名称为“一种变压器局部放电模式识别方法及系统”，该方法首先模拟超高频信号，获得变压器局部放电信号；其次对获得变压器局部放电信号进行短时傅里叶变换，得到的频谱图；然后通过模式识别得到训练图像集的稀疏表达系数和基础字典；最后运用稀疏识别对实际放电图进行分类，以残差为标准输出识别结果。该方法针对变压器采用超高频传感器采集到的局部放电图像进行特征提取的，反复调用稀疏表达及字典，准确率尚可，但算法执行过程偏于繁琐。

3、中国专利公开号为“cn116226647a”，名称为“电力电缆局部放电模式的识别方法、装置、设备及介质”，该方法首先通过小波匹配追踪算法对目标电力电缆的局部放电信号进行入射波的提取；然后得到目标电力电缆的入射波；然后将目标电力电缆的入射波输入至训练好的识别模型中；最后得到与待识别的目标电力电缆对应的局部放电模式的识别结果。该方法所用的小波匹配追踪算法需要对每个样本进行距离计算和匹配，计算量较大。该公开的主要关注点更多的是长距离的高压电缆的整体，本明关注电缆终端。

4、中国专利公开号为“cn108957251b”，名称为“一种电缆接头局部放电模式识别方法”，该方法首先模拟电缆接头的典型绝缘故障，获取各种模拟故障下的局部放电信号；然后绘制所述局部放电信号的局部放电相位分布模式prpd谱图，根据所述prpd谱图计算所述局部放电信号的特征向量；最后使用改进的k近邻算法对所述局部放电信号的特征向量进行模式识别。该方法所用k近邻模型的好坏取决于两个关键要素，其一是距离度量，这是判断样本相似度的方式；其二是k值的选择。如果距离度量函数没能很好地反映样本之间的区别与相似性，则算法效果会很差。k值如果选得过小，模型容易受到异常点的影响，且容易发生过拟合问题。如果选得过大，会使模型变得简单，易受到样本不均衡问题的影响。该公开的主要关注是长距离的高压电缆的整体，与本明关注的是电缆终端。

技术实现思路

1、本发明为了解决现有高压电缆终端局部放电模式识别准确率低的问题，提供了一种高压电缆终端局部放电模式识别的卷积神经网络。使得对于高压电缆终端局部放电物理模型局部放电相位分布prpd(phase resolved partial discharge)谱图具有较为准确的识别率和较快的训练速度，同时过程简单。

2、本发明解决技术问题的方案是：一种基于卷积神经网络的高压电缆终端局部放电prpd谱图识别方法，包括如下步骤：

3、步骤s1，搭建高压电缆终端局部放电检测系统；

4、步骤s2，采集局部放电信号绘制prpd谱图，进行实验数据的prpd谱图特征分析，并将高压电缆终端局部放电prpd谱图据压缩成二维灰度图；

5、步骤s3，设计出高压电缆终端局部放电模式识别的卷积神经网络；

6、步骤s4，网络模型训练：将步骤2中准备好的二维灰度图输入到步骤3中构建好的网络模型中进行训练；

7、步骤s5，对高压电缆终端局部放电模式识别的卷积神经网络进行效果分析。

8、所述步骤s1中，局部放电检测系统由电压操作屏、无局放试验变压器、限流电阻、绝缘芯分压式峰值电压表、测试导线、防电晕罩、110kv电缆终端、绝缘接地线、电压值数据线、光电耦合器、信号线、高频电流传感器、支架、隔离滤波器、数字化局放仪、耦合电容、测量阻抗、控制室操作台及屏蔽室等组成。当高压电缆终端发生局部放电时，会有微小的暂态脉冲电流流过接地线，通过套在接地线外围的高频电流互感线圈以实时对电流信号进行采集，并将其转变为电压信号进行测量，再将高频电流传感器接示波器和局部放电检测仪，检测得高压电缆终端物理模型的局部放电信号。

9、所述步骤s2中，采集局部放电信号绘制prpd谱图，并将所述的prpd谱图压缩成二维灰度图。prpd谱图是指统计多个工频周期检测的局部放电信号在试验电压相位上的分布，统计单位时间内的放电次数n和视在放电量q在电压相位φ上的分布。建立高压电缆终端局部放电参数统计值与相位的关系，绘制prpd谱图。由于高压电缆终端局部放电prpd谱图是三维图，受视角限制，在不同角度可能会造成重叠导致看到的谱图不同，图像蕴含的信息也不同，因此会丢失一部分图像信息。此时将放电相位φ作为灰度图的x轴，以放电量q作为灰度图的y轴，以放电次数m为灰度值，形成以m为灰度值的局部放电q-φ灰度图。灰度图的灰度值为[0,255]，且卷积神经网络图像识别算法的输入图片一般为正方形(224×224)，故需要对数据进行映射。数据映射原则如表1所示，将局部放电φ-q-n三维谱图数据进行归一化，然后映射到灰度图的对应维度(如表1所示)。

10、表1数据映射

11、 参量名称 数据标尺范围 归一化 q-φ灰度图 放电相位φ [0,360] [0,1] [0,224]x 放电量q [0,100] [0,1] [0,224]y 放电次数n [0,50] [0,1] [0,255]gray

12、所述步骤s3中，高压电缆局部放电模式识别的卷积神经网络(也简称检测网络)由四个卷积块组成，其中每个卷积块由两个卷积层、两个归一化层、激活函数和最大池化层组成。所述卷积块的组成结构，其特征在于：卷积层通过学习图像的局部特征，保留空间结构信息，减少参数数量和计算复杂度；归一化层用于规范化输入数据或层的输出，加速训练过程、提高模型的泛化性能；最大池化层则用于降采样，减小特征图的尺寸，提取主要特征；激活函数通过非线性变换，使得神经网络能够更好地拟合复杂的函数关系和学习抽象特征。其中，卷积核的大小为3×3，步长为1，激活函数选择r型函数(relu)：f(x)＝max(0,x)，一个非线性激活函数。

13、所述步骤s4中，将步骤2中准备好的二维灰度图输入到步骤3中构建好的网络模型中进行循环训练，灰度图样本的总量要大于400张，具有不同放电模式的prpd谱图的每种样本的数量要不低于20张，放点模式的类型为4～6种。训练流程按照步骤3所述的检测网络的常规检测流程进行。

14、所述步骤s5中，选择alexnet模型与本文提出的网络进行模式识别得到识别结果，分析两种模式识别准确率随样本数量的变化。

15、本发明的有益效果如下：

16、1、本发明提出一种将高压电缆终端局部放电prpd谱图据压缩成二维灰度图的数据压缩方法，以放电次数m为灰度值，形成以m为灰度值的局部放电q-φ灰度图，并对数据进行映射。解决了卷积神经网络的输入尺寸和局部放电数据维数不匹配的问题，也就是通过二维图来描述三维图，省略三维图绘制的繁琐和减少参量标注可能出现的遮挡问题。

17、2、本明提出的检测网络采用多个3×3卷积核，具有更好的非线性，同时能够降低参数量，提高网络检测性能，采用最大值池化方式可以保留更多的局部放电q-φ灰度图特征，同时能提取辨识度更高的抽象特征；

18、3、本明在检测网络中使用r型激活函数：f(x)＝max(0,x)，一个非线性激活函数。现在大多卷积神经网络都采用r型函数作为激活函数，此激活函数具有非饱和特性，当x大于0时，relu激活函数的梯度为1，无梯度消失问题，在x小于0时，输出为0。所以此激活函数会加速网络收敛，比传统的s型函数收敛更快。

19、4、本发明解决了现有高压电缆终端局部放电模式识别准确率低的问题，提出了一种改进的针对高压电缆终端局部放电模式识别的卷积神经网络。使得对于高压电缆终端局部放电物理模型的prpd谱图具有最佳的识别率和最快的训练速度，同时使识别过程变得简单。