1.本发明涉及一种基于阈值谱图和轻量神经网络的发电机局放模式识别方法，属于发电机定子线棒局放在线监测领域。
背景技术：
：：2.发电机安全运行的主要威胁之一来自绝缘体系。据cigre工作组wga3.06的统计表明，绝缘故障约占水轮发电机故障的56％，而定子绝缘故障在绝缘故障中所占比例接近三分之二。因此定子绝缘性能直接关系到机组的运行可靠性和寿命。局部放电prpd(简称局放)既是绝缘劣化的原因又是绝缘劣化的表现形式，是发电机状态监测的重要参数之一。发电机局放的类型不同，对绝缘的损伤机制及破坏作用也不同。因此对局放进行有效识别与判定具有重要意义。随着城市用电需求的不断增加，高压电缆在城市输配电中投入使用的比例逐年提高，高压电缆的运行状态直接影响了整个输配电网络运行的稳定性。技术实现要素：3.本发明的目的是提供一种基于阈值谱图和轻量神经网络的发电机局放模式识别方法，本发明创造性的将自适应阈值干扰抑制、多维融合图像特征以及集成轻量级神经网络运用在发电机定子线棒模式识别中，实现发电机定子局放类型的高精度、低功耗识别。通过该方法的运用能够及时给出在运电缆状态评价和维护意见，具有较高的经济价值和社会效益。4.本发明的目的由以下技术措施实现：5.一种基于阈值谱图和轻量神经网络的发电机局放模式识别方法，其特征在于按以下步骤进行：6.s1：基于自适应阈值二值化方法的特征优选方法：在实验室环境下采集不同缺陷类型的发电机定子线棒典型缺陷放电数据和相位信号数据，获取已知的线棒绝缘缺陷对应的相位图谱数据集，选择不同类型典型缺陷最优阈值参数并基于自适应阈值二值化方法选择最优阈值化干扰抑制参数，获取基于自适应阈值二值化干扰抑制处理后的特征图谱；7.s2：基于hog、shif、surf、mser不同类型的图像特征，提取图谱的不同维度的融合特征参数并进行多维特征融合：基于自适应阈值二值化获取的发电机定子线棒局部放电prpd特征图谱干扰抑制后的图片样本，提取不同类型图片样本的hog、shif、surf、mser图像特征，通过对不同维度的图像特征进行融合获取多维融合特征图谱样本；8.s3：基于不同工业应用场景选择squeezenet、mobilenet、shufflenet以及xception四种轻量级神经网络模型进行集成学习：将提取的多维融合特征图谱样本分别对上述四种不同轻量级神经网络模型进行训练，通过选择不同的工业应用场景，对神经网络集成权重进行调节并对模式识别结果进行判断，输出发电机定子线棒缺陷类型的判别结果。9.经过s1获取基于自适应阈值二值化及干扰抑制的特征图谱和经过s2得到了基于多维融合图像特征的发电机定子线棒典型缺陷局部放电的多维融合特征图谱样本，构建s3的基于集成轻量级神经网络的局部放电模式识别方法。10.进一步地，s1所述的在基于自适应阈值二值化方法的特征优选方法，具体按以下步骤进行：11.s1.1：基于实验室电缆局部放电实验，采集不同类型缺陷电缆的局部放电数据，将基于不同缺陷类型电缆采集到的所有局部放电数据分类为内部放电、槽放电、端部放电和振动火花放电四种类型；12.s1.2：基于实验室采集到的四种不同类型电缆缺陷类型的局部放电样本数据，通过调节阈值参数为0、0.25、0.5和0.75，获取不同阈值下发电机定子线棒典型缺陷不同噪声环境下的prpd图谱；13.s1.3：基于自适应阈值二值化方法选择最优阈值化干扰抑制参数，获取自适应阈值分割后的prpd特征图谱，并将获取的自适应阈值化处理的prpd特征图谱与调节阈值参数的prpd图谱进行比对，通过对比两种图谱对于不同工业应用场景下干扰信号的抑制程度，选择不同类型缺陷的合适阈值范围，提高阈值选择的可靠性和干扰抑制的精确性；14.s1.4：重复s1.2-s1.3的步骤，在每次采集到工业现场新的高压电缆局放信号后，更新定子线棒不同类型典型缺陷局放prpd图谱样本库和所对应的阈值选择图谱样本库，进而对基于不同工业应用场景的干扰抑制阈值进行调节和选择，不断提高阈值选择的可靠性和干扰抑制的精确性。15.进一步地，s2所述的在基于hog、shif、surf、mser不同类型的图像特征的多维融合特征构建方法，具体按照以下步骤进行：16.s2.1：基于自适应阈值化处理的prpd特征图谱提取不同类型的图像特征，包括hog方向梯度直方图(histogramoforientedgradient，hog)、shif尺度不变特征变换(scale-invariantfeaturetransform，sift)、surf加速稳健特征(speededuprobustfeatures，surf)和mser最大稳定外部区域特征(maximallystableextremalregions，mser)四种类型；17.s2.2：对比四种类型特征图谱，hog特征获取边缘特征、shif特征获取点分布特征、surf特征获取相位特征、mser特征获取区域分布特征；对上述四种不同维度的图像特征进行叠加融合，获取多维融合特征图谱样本；18.s2.3：基于多维融合特征图谱样本构建内部放电、槽放电、端部放电和振动火花不同类型的指纹特征库，将指纹特征库的图片样本分为训练集和测试集分别输入集成轻量级神经网络中；将指纹特征库的图片样本中的70％数据划分为训练集，用于各个轻量级神经网络的模型的训练，30％数据划分为测试集，用于集成四种轻量级神经网络模型各自的子识别模型的测试。19.进一步地，s3所述的在基于squeezenet、mobilenet、shufflenet以及xception集成轻量级神经网络的发电机定子线棒局放模式识别方法，具体按照以下步骤进行：20.s3.1：构建squeezenet、mobilenet、shufflenet以及xception四种轻量级神经网络模型构建各自的子识别模型，并用s2.3训练集的图片样本对各自的子识别模型进行预训练；选择各自的子识别模型合适的优化器、学习率和梯度衰减阈值参数；21.s3.2：基于集成学习将预训练后的四种轻量级神经网络模型各自的子识别模型进行集成，依据四种轻量级神经网络模型各自的子识别模型的准确性程度不同以及工业运用场景，为s3.1预训练后的四种轻量级神经网络模型各自的子识别模型的每项子识别结果分配权重；22.s3.3：以识别精度和时间作为集成识别四种轻量级神经网络模型各自的子识别模型性能评判标准，选取最合适的集成四种轻量级神经网络模型各自的子识别模型，将s2.3测试集的图片样本测试数据输入选取的集成四种轻量级神经网络模型各自的子识别模型后进入识别测试，输出结果。23.本发明达到的有益效果是：本发明通过自适应阈值化方法对获取的相位图谱进行特征优选，通过基于hog、shif、surf、mser四种图像特征进行多维融合进行特征构建、通过基于squeezenet、mobilenet、shufflenet以及xception集成轻量级神经网络进行发电机定子线棒局部放电模式识别，提高了含有噪声情况下的发电机定子线棒局放识别精度，使得模式识别方法能够较好的兼顾识别精度和实时性，对发电机运行稳定性有重要作用。附图说明24.图1为本发明的整体流程结构框图。具体实施方式25.下面结合本发明实施方式中的附图进行具体的描述，本发明的目的是提供一种高压电缆智能监测中枢系统设计方法。26.如图1所示，一种基于阈值谱图和轻量神经网络的发电机局放模式识别方法，包括以下步骤：27.s1：基于自适应阈值二值化方法的特征优选方法：在实验室环境下采集不同缺陷类型的发电机定子线棒典型缺陷放电数据和相位信号数据，获取已知的线棒绝缘缺陷对应的相位图谱数据集，选择不同类型典型缺陷最优阈值参数并基于自适应阈值二值化方法选择最优阈值化干扰抑制参数，获取基于自适应阈值二值化干扰抑制处理后的特征图谱。其具体步骤包括：28.s1.1：基于实验室电缆局部放电实验，采集不同类型缺陷电缆的局部放电数据，将基于不同缺陷类型电缆采集到的所有局部放电数据分类为内部放电、槽放电、端部放电和振动火花放电四种类型；29.s1.2：基于实验室采集到的四种不同类型电缆缺陷类型的局部放电样本数据，通过调节阈值参数为0、0.25、0.5和0.75，获取不同阈值下发电机定子线棒典型缺陷不同噪声环境下的prpd图谱；30.s1.3：基于自适应阈值二值化方法选择最优阈值化干扰抑制参数，获取自适应阈值分割后的prpd特征图谱，并将获取的自适应阈值化处理的prpd特征图谱与调节阈值参数的prpd图谱进行比对，通过对比两种图谱对于不同工业应用场景下干扰信号的抑制程度，选择不同类型缺陷的合适阈值范围，提高阈值选择的可靠性和干扰抑制的精确性；31.s1.4：重复s1.2-s1.3的步骤，在每次采集到工业现场新的高压电缆局放信号后，更新定子线棒不同类型典型缺陷局放prpd图谱样本库和所对应的阈值选择图谱样本库，进而对基于不同工业应用场景的干扰抑制阈值进行调节和选择，不断提高阈值选择的可靠性和干扰抑制的精确性。32.s2：基于hog、shif、surf、mser不同类型的图像特征，提取图谱的不同维度的融合特征参数并进行多维特征融合：基于自适应阈值二值化获取的发电机定子线棒局部放电prpd特征图谱干扰抑制后的图片样本，提取不同类型图片样本的hog、shif、surf、mser图像特征，通过对不同维度的图像特征进行融合获取多维融合特征图谱样本。其具体步骤包括：33.s2.1：基于自适应阈值化处理的prpd特征图谱提取不同类型的图像特征，包括hog方向梯度直方图(histogramoforientedgradient，hog)、shif尺度不变特征变换(scale-invariantfeaturetransform，sift)、surf加速稳健特征(speededuprobustfeatures，surf)和mser最大稳定外部区域特征(maximallystableextremalregions，mser)四种类型；34.s2.2：对比四种类型特征图谱，hog特征获取边缘特征、shif特征获取点分布特征、surf特征获取相位特征、mser特征获取区域分布特征；对上述四种不同维度的图像特征进行叠加融合，获取多维融合特征图谱样本；35.s2.3：基于多维融合特征图谱样本构建内部放电、槽放电、端部放电和振动火花不同类型的指纹特征库，将指纹特征库的图片样本分为训练集和测试集分别输入集成轻量级神经网络中；将指纹特征库的图片样本中的70％数据划分为训练集，用于各个轻量级神经网络的模型的训练，30％数据划分为测试集，用于集成四种轻量级神经网络模型各自的子识别模型的测试。36.s3：基于不同工业应用场景选择squeezenet、mobilenet、shufflenet以及xception四种轻量级神经网络模型进行集成学习：将提取的多维融合特征图谱样本分别对上述四种不同轻量级神经网络模型进行训练，通过选择不同的工业应用场景，对神经网络集成权重进行调节并对模式识别结果进行判断，输出发电机定子线棒缺陷类型的判别结果。其具体步骤包括：37.s3.1：构建squeezenet、mobilenet、shufflenet以及xception四种轻量级神经网络模型构建各自的子识别模型，并用s2.3训练集的图片样本对各自的子识别模型进行预训练；选择各自的子识别模型合适的优化器、学习率和梯度衰减阈值参数；38.s3.2：基于集成学习将预训练后的四种轻量级神经网络模型各自的子识别模型进行集成，依据四种轻量级神经网络模型各自的子识别模型的准确性程度不同以及工业运用场景，为s3.1预训练后的四种轻量级神经网络模型各自的子识别模型的每项子识别结果分配权重；39.s3.3：以识别精度和时间作为集成识别四种轻量级神经网络模型各自的子识别模型性能评判标准，选取最合适的集成四种轻量级神经网络模型各自的子识别模型，将s2.3测试集的图片样本测试数据输入选取的集成四种轻量级神经网络模型各自的子识别模型后进入识别测试，输出结果。40.经过s1获取基于自适应阈值化方法的干扰抑制图谱和经过s2得到了基于多维融合图像特征的发电机定子线棒典型缺陷局部放电特征图谱，构建s3中建立的基于集成轻量级神经网络的局部放电模式识别方法。当前第1页12当前第1页12