本发明属于电力设备监控技术领域,尤其是一种局部放电信号模式识别方法及系统。
背景技术:
gis(气体绝缘组合电器)在当前的电力系统中已得到大量的应用,其设备的绝缘状态与电网安全息息相关。局部放电可以有效反映电力设备内部绝缘缺陷的主要特征之一,对gis设备进行局部放电检测可以有效获取设备的绝缘状况,从而及时消除隐患,避免重大事故的发生。因此当前gis局部放电检测技术得到了大力的推广,针对gis的现场局部放电检测数据也呈海量增长的趋势。
不同的绝缘缺陷往往对应不同的局部放电信号模式,因此通常通过识别局部放电信号的模式来判断相应的设备绝缘缺陷,例如悬浮电位缺陷、沿面放电缺陷、尖端电晕缺陷、气隙放电缺陷和微粒放电缺陷等。
由于gis设备现场运行环境复杂多样,变电站现场的局部放电检测数据中不可避免的包含各种类型的干扰信号,与实验检测信号存在较大差异。另外由于当前的局部放电检测设备多种多样,不同的检测设备在现场检测的局部放电数据也有所区别。因此,针对大数据情况下的局部放电模式识别,传统的分析方法已经难以满足需求。
当前国内外学者针对局部放电的模式识别做了大量研究,但研究的重点在局部放电信号的特征提取上。在模式识别方面,当前已有的研究主要应用了实验室实验数据,而很少针对来源复杂的现场局部放电信号大数据进行局部放电模式识别方法的研究。
技术实现要素:
本发明的目的在于克服现有技术的不足,提供一种局部放电信号模式识别方法及系统,能够对不同来源、不同环境、不同时间以及不同检测通道的局部放电信号进行有效的模式识别,从而能够及时有效地获取设备的绝缘状况,及时消除隐患,避免重大事故的发生。
本发明解决其技术问题是采取以下技术方案实现的:
一种局部放电信号模式识别方法,包括以下步骤:
步骤1、获取局部放电信号的大数据样本;
步骤2、构建深度卷积神经网络模型;
步骤3、基于局部放电信号的大数据样本训练深度卷积神经网络模型;
步骤4、基于经训练的所述深度卷积神经网络模型确定待识别的局部放电信号的模式。
进一步,所述深度卷积神经网络模型至少包括1个输入层、第一卷积层及对应的第一池化层、第二卷积层及对应的第二池化层、第一全连接层、第二全连接层以及1个输出分类层。
进一步,所述第一卷积层至少包括6个3×3的卷积核;所述第二卷积层至少包括36个3×3的卷积核;所述第一池化层的参数为2,所述第二池化层的参数为11,采用最大池化操作;所述第一全连接层的神经元个数至少为36;所述第二全连接层的神经元个数至少为25;所述输入层被配置为适于prps格式数据输入;所述输出分类层采用softmax分类器。
进一步,所述局部放电信号的大数据样本的来源包括局部放电模拟实验、变电站现场检测以及典型干扰实验中的一种或多种的组合;局部放电信号的大数据样本包括至少800组样本数据。
进一步,所述步骤3的具体实现包括:构建自编码器模型,基于所述局部放电信号的大数据样本对所述自编码器模型进行无监督训练,并利用所述自编码器模型所得的模型参数初始化所述深度卷积神经网络模型的卷积层初始参数;利用bp算法和随机梯度下降法对所述深度卷积神经网络模型的参数进行迭代更新,得到最优化参数。
一种实现局部放电信号模式识别方法的系统,包括相互数据连接的局部放电信号的大数据样本获取装置和数据处理与分析装置,所述大数据样本获取装置与局部放电信号检测通道相连接,所述局部放电信号的大数据样本获取装置包括数字局放仪、示波器以及便携式局部放电检测仪中的一种或多种的组合,数据处理与分析装置为安装有数据处理与分析软件的计算机。
进一步,所述局部放电信号检测通道包括uhf传感器、uhf放大器、耦合电容、测量阻抗和局放仪放大器,所述uhf传感器位于gis腔体上并通过uhf放大器与示波器、iec60270局放仪和pd便携检测装置相连接;耦合电容、测量阻抗、局放仪放大器连接在一起并与iec60270局放仪和pd便携检测装置相连接;gis腔体中的母线通过限流电阻与升压变压器t2连接,升压变压器t2与自耦变压器t1连接,自耦变压器t1的输入为380vac。
本发明的优点和效果:
1、本发明基于自编码(ae)初始化的深度卷积网络对数量庞大且来源复杂的局部放电数据进行模式识别,与传统的深度卷积网络、支持向量机以及bp神经网络模式识别方法进行相比,在局部放电大数据平台的工程应用上,该方法具有更好的识别正确率和更优的识别性能。
2、本发明在处理包含多种数据来源(不同来源、不同环境、不同时间以及不同检测通道的局部放电信号)的样本集时有更好的识别效果,通过对多源局部放电大数据特征映射提取,有效提高了复杂场景海量局放数据的模式识别准确率,具有更好的泛化能力,更加适用于大数据平台的应用。
3、本发明克服了现有技术在变电站现场gis的局部放电检测中的不足,能够对变电站现场gis数量庞大、来源复杂的局部放电进行模式识别,且可以获得更高的模式识别正确率,具有更好的识别性能,更适用于大数据平台下的工程应用。
附图说明
图1是本发明的局部放电信号模式识别方法的处理流程图;
图2是本发明的大数据样本获取装置的连接结构图;
图3是本发明的局部放电信号模式识别系统的工作流程;
图4a是本发明在局部放电大数据平台的识别结果图;
图4b是传统支持向量机在局部放电大数据平台的识别结果图;
图4c是bp神经网络在局部放电大数据平台上的识别结果图;
图5是本发明与传统支持向量机识别、bp神经网络的对比效果图。
具体实施方式
以下结合附图对本发明实施例做进一步详述:
本发明提出的局部放电信号模式识别方法,是基于深度卷积神经网络(deepconvolutionneuralnetwork,dcnn)识别局部放电信号的模式。
深度学习(deeplearning,dl)自2006年hinton提出以来,与机器学习的其他方法比较在大数据特征提取、数据降维等方面表现出显著优势,目前已被广泛应用于图像处理、语音识别等领域。深度学习网络具有自主从海量数据中学习特征信息的特性,与传统人工特征选择方法相比,更有利于提取数据内在信息。其中深度卷积神经网络由于其在图像识别领域取得的优异表现,尤其在大图像处理上的优势,在当前应用最为广泛,是近年来深度学习领域的研究热点。电力设备例如gis的局部放电检测分析中常用的prpd(phaseresolvedpartialdischarge,相位分辨的局部放电)图谱和prps(phaseresolvedpulsesequence,相位分辨的脉冲序列)图谱的数据,本质上都是尺寸较大的二维矩阵,与数字图像的数据格式具有一定的相似性。此外,由于不同来源、不同环境、不同时间以及不同检测通道等复杂条件的影响,该二维矩阵中的数据会出现相位偏移、幅值大小不一等情况,而深度卷积神经网络具有对于输入样本的平移、缩放、扭曲不变性。由此,本发明提出一种基于深度卷积神经网络的局部放电信号模式识别方法,其获取局部放电信号的大数据样本,并基于该大数据样本训练所述深度卷积神经网络,然后基于经训练的深度卷积神经网络确定待识别的局部放电信号的模式。其中,所述大数据是指不同来源、不同环境、不同时间以及不同检测通道的局部放电信号数据,其数据量以能有效训练所述深度卷积神经网络并有效确定待识别的局部放电信号的模式为基础标准。因此,本发明方法能对不同来源、不同环境、不同时间以及不同检测通道的局部放电信号进行有效的模式识别,从而能够及时有效地获取设备的绝缘状况,及时消除隐患,避免重大事故的发生。
如图1所示,一种局部放电信号模式识别方法包括以下步骤:
步骤1、获取局部放电信号的大数据样本。
在本实施例中,局部放电信号的大数据样本的来源包括局部放电模拟实验、变电站现场检测以及典型干扰实验中的一种或多种的组合。
局部放电信号的大数据样本包括至少800组样本数据。
步骤2、构建深度卷积神经网络模型。
在本实施例中,深度卷积神经网络模型至少包括1个输入层、第一卷积层及对应的第一池化层、第二卷积层及对应的第二池化层、第一全连接层、第二全连接层以及1个输出分类层。
第一卷积层至少包括6个3×3的卷积核。
第二卷积层至少包括36个3×3的卷积核。
第一池化层的参数为2,第二池化层的参数为11,采用最大池化操作。
第一全连接层的神经元个数至少为36,第二全连接层的神经元个数至少为25。
输出分类层采用softmax分类器。
输入层被配置为适于prps格式数据输入。
激活函数采用sigmod函数。
步骤3、基于局部放电信号的大数据样本训练深度卷积神经网络模型。其具体实施方法为:
(1)构建自编码器模型,基于局部放电信号的大数据样本对自编码器模型进行无监督训练,并利用自编码器模型所得的模型参数初始化深度卷积神经网络模型的卷积层初始参数。
(2)利用bp算法和随机梯度下降法对深度卷积神经网络模型的参数进行迭代更新,得到最优化参数。
步骤4、基于经训练的深度卷积神经网络模型确定待识别的局部放电信号的模式。
本发明的局部放电信号模式识别系统采用上述任一实施方式的方法对局部放电信号模式进行识别,该系统包括相互数据连接的局部放电信号的大数据样本获取装置和数据处理与分析装置,局部放电信号的大数据样本获取装置包括数字局放仪、示波器以及便携式局部放电检测仪中的一种或多种的组合,数据处理与分析装置采用安装有数据处理与分析软件的计算机,其中:局部放电信号的大数据样本获取装置实施步骤1,数据处理与分析装置实施步骤2至步骤4。
如图2所示,局部放电信号的大数据样本获取装置包括示波器1、iec60270局放仪和pd便携检测装置2,其与uhf传感器3、uhf放大器4、耦合电容5、测量阻抗6、局放仪放大器7构成局部放电信号检测通道相连接,具体连接关系为:uhf传感器3位于gis腔体8上并通过uhf放大器4与示波器1、iec60270局放仪和pd便携检测装置2相连接;耦合电容5、测量阻抗6、局放仪放大器7连接在一起并与iec60270局放仪和pd便携检测装置2相连接;gis腔体8中的母线通过限流电阻9与升压变压器t2连接,升压变压器t2与自耦变压器t1连接,自耦变压器t1的输入为380vac。
如图3所示,本发明的局部放电信号模式识别系统的工作流程为:
步骤110:获取局部放电信号的大数据样本。
在本步骤中,按照图2在变电站现场安装局部放电信号模式识别系统。设置5种典型的局部放电模型,包括悬浮电位缺陷模型、沿面放电缺陷模型、尖端电晕缺陷模型、气隙放电缺陷模型以及微粒放电缺陷模型。通过局部放电模拟实验、变电站现场检测以及典型干扰实验,使用数字局放仪、示波器、便携式局部放电检测仪等多种仪器获取多源局部放电大数据样本。
步骤120:构建深度卷积神经网络模型a。
在本步骤中,深度卷积神经网络模型a采用改进型经典卷积神经网络lenet-5结构,包含1个输入层、第一卷积层及对应的第一池化层、第二卷积层及对应的第二池化层、第一全连接层、第二全连接层以及1个输出分类层。其中第一卷积层有6个3×3尺寸的卷积核,第二卷积层有36个3×3尺寸的卷积核,激活函数采用sigmod函数。第一池化层的参数为2,第二池化层的参数为11,采用最大池化操作。第一全连接层的神经元个数为36,第二全连接层的神经元个数为25。输入层被配置为适于prps格式数据输入。输出分类层选用适应于非线性多分类问题的softmax分类器。
基于局部放电信号的大数据样本训练深度卷积神经网络模型,包括步骤130至步骤160。
步骤130:绘制prps图谱,选取训练样本。
从局部放电信号的大数据样本中挑选1000左右组数据并绘制prps图谱,将其中约800组数据作为训练样本。局部放电的prps图谱表达了一条局部放电数据按照相位统计的局部放电脉冲幅值和脉冲个数的分布特征。该类型的数据可以由一个二维矩阵表示,其矩阵的两个维度分别代表相位和周期,矩阵的数值代表局部放电脉冲的幅值。不同来源的数据主要在相位分辨率和幅值分辨率上会有所区别。假设以1度为相位分辨率,则相位维度的尺寸为360,本发明以5度为相位分辨率,则相位维度的尺寸为72。
步骤140:对训练样本的prps数据进行归一化。
在本步骤中,将数据的维度归一化为72×50,对prps数据进行归一化处理。
式中,yr为归一化后的样本幅值,rd为动态范围下限,ru为动态范围上限,ymin为样本幅值的最小值,ymax为样本幅值的最大值。
步骤150:构建自编码器模型b,基于局部放电信号的大数据样本对自编码器模型b进行无监督训练,计算样本数据的输出,计算输出与样本标签的误差σσ’,并利用自编码器模型b所得的模型参数初始化深度卷积神经网络模型a的卷积层初始参数。
步骤160:利用训练样本集数据对深度卷积神经网络a进行训练,计算样本数据的输出,计算输出与样本标签的误差σσ,利用bp算法和随机梯度下降法对深度卷积神经网络模型a的参数进行迭代更新,得到最优化参数。
步骤170:基于经训练的深度卷积神经网络模型a确定待识别的局部放电信号的模式。
对余下的约200组待测试样本数据进行归一化,输入参数训练好的深度卷积神经网络模型a,迭代次数为200次,得到待测试样本数据模式识别结果。
下面分别对传统dcnn(深度卷积神经网络模型)、svm(基于统计特征的rbf支持向量机)、bpnn(bp神经网络)进行模式识别,并与本发明的识别效果和性能对比。具体实施方法:
(a)比较该训练数据集和测试数据集下改进的dcnn与svm、bpnn的识别正确率。
(b)逐步将样本数量从1000减小到400、200、100,按照1000:800的样本数量比例重复步骤110至步骤170,按照不同的训练样本数量,考察改进的dcnn与svm、bpnn的识别效果变化。
(c)比较不同训练样本数据来源下的改进的dcnn与svm、bpnn三种算法识别效果,使用200条实验室实验数据和200条现场检测数据对三种进行训练检测,得到识别结果。
(d)画出应用和不应用自编码对模型参数进行初始化时的误差收敛曲线图,比较本发明改进的dcnn与传统dcnn的识别性能。
本发明基于自编码初始化的深度卷积网络对数量庞大且来源复杂的局部放电数据进行模式识别,与传统的深度卷积网络、支持向量机以及bp神经网络模式识别方法进行相比,在局部放电大数据平台的工程应用上,该方法具有更好的识别正确率和更优的识别性能。
图4a、图4b、图4c给出了本发明的网络与传统的支持向量机以及bp神经网络在局部放电大数据平台上的对比结果。可以看出本发明在6类上的识别平均正确率为89.7%,支持向量机和bp神经网络方法的平均识别正确率分别为79.3%和72.4%,尤其在微粒放电类型的检测上,支持向量机和bp神经网络在8条测试样本上的输出全部识别为了干扰类型,气隙放电的识别率也较低。因此可以看出,深度网络可以提取出更优于一般统计特征的深层特征,因此可以获取更好的分类效果。提升效果如图5所示。
实践证明,本发明在处理包含多种数据来源的待测试样本数据时有更好的识别效果,具有更好的泛化能力,更加适用于大数据平台的应用。
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。