一种针对配网线路的紫外脉冲相基特征缺陷识别方法与流程

本申请涉及配网线路缺陷识别领域，尤其涉及一种针对配网线路的紫外脉冲相基特征缺陷识别方法。

背景技术：

1、配电线路数量庞大且复杂，配电线路上的任何一个节点出现故障时，都可能会导致整条线路的瘫痪。因此，为了及时反映配电线路的运行状况，常常需要对配电线路进行局部放电缺陷的识别。

2、为了实现对配电线路进行局部放电缺陷的识别，相关技术先通过紫外镜头和ccd图像传感器面阵耦合放电线路的紫外光子，再将紫外光子与可见光图像叠加，以显示配电线路中局部放电的位置和强度。

3、然而，由于紫外镜头不能在白天进行工作，因此，对于配电线路的局部放电缺陷识别时间限制较大；由于紫外镜头和ccd图像传感器面阵的光路较为复杂，紫外光子的损耗较大，因此，配电线路的局部放电缺陷识别的灵敏度较低。

技术实现思路

1、本申请提供了一种针对配网线路的紫外脉冲相基特征缺陷识别方法，以解决对于配电线路的局部放电缺陷识别时间限制较大以及配电线路的局部放电缺陷识别的灵敏度较低的技术问题。

2、为了解决上述技术问题，本申请实施例公开了如下技术方案：

3、第一方面，本申请实施例公开了一种针对配网线路的紫外脉冲相基特征缺陷识别方法，包括：基于apd传感器阵列，采集配网线路不同类型放电缺陷的紫外脉冲信号，apd传感器阵列以二维平面阵列的形式排布，其维度为2*2，响应区间位于200nm-280nm；

4、获取紫外脉冲信号的相基统计图谱，将根据相基统计图谱提取的脉冲重复率、平均脉冲幅值和最大脉冲幅值作为样本特征；

5、将绝缘子沿面放电和线路电晕放电的放电缺陷类型作为样本标签，根据所述样本特征和所述样本标签构建数据集，将所述数据集中80％的数据作为训练集，将所述数据集中20％的数据作为验证集；

6、搭建尺度为3*2的全连接神经网络模型，利用所述训练集对所述全连接神经网络模型进行训练，利用所述验证集对所述全连接神经网络模型进行验证，得到训练好的所述全连接神经网络模型；

7、将均方误差作为所述全连接神经网络模型的损失函数，采用adadelta算法进行所述全连接神经网络模型的参数优化，基于所述损失函数和所述adadelta算法，对所述全连接神经网络模型进行循环迭代，获取最优的全连接神经网络模型；

8、根据最优的全连接神经网络模型进行配网线路的放电缺陷识别。

9、可选的，在采用adadelta算法进行全连接神经网络模型的参数优化的步骤中，参数优化的变化梯度公式为：

10、

11、其中，δx为优化参数的变化梯度，η为神经网络学习率，gt为当前迭代的下降梯度。

12、可选的，在基于损失函数和adadelta算法，对全连接神经网络模型进行循环迭代，获取最优的全连接神经网络模型的步骤中，损失函数的公式为：

13、

14、其中，l(x)为均方误差，f(x)为计算值，y为预测值，n为样本总数。

15、可选的，在将根据相基统计图谱提取的脉冲重复率、平均脉冲幅值和最大脉冲幅值作为样本特征的步骤中，方法包括：

16、将相基统计图谱中单位时间脉冲数，作为脉冲重复率；

17、将相基统计图谱中脉冲幅值的平均值，作为平均脉冲幅值；

18、将相基统计图谱中脉冲幅值的最大值，作为最大脉冲幅值。

19、可选的，在将相基统计图谱中单位时间脉冲数，作为脉冲重复率的步骤中，单位时间脉冲数的公式为：

20、

21、其中，n为单个工频周期内紫外脉冲数，n为采集的周期数量。

22、可选的，在将相基统计图谱中脉冲幅值的平均值，作为平均脉冲幅值的步骤中，平均脉冲幅值的公式为：

23、

24、其中，iave为平均脉冲幅值，m为紫外脉冲信号相基统计图谱中数据点数量，ii为紫外脉冲幅值。

25、可选的，在将相基统计图谱中脉冲幅值的最大值，作为最大脉冲幅值的步骤中，最大脉冲幅值的公式为：

26、imax＝max(ii)

27、其中，imax为最大脉冲幅值，ii为紫外脉冲幅值。

28、本申请实施例提供了一种针对配网线路的紫外脉冲相基特征缺陷识别方法，本申请实施例基于以二维平面阵列的形式排布，维度为2*2，响应区间位于200nm-280nm的apd传感器阵列，采集配网线路不同类型放电缺陷的紫外脉冲信号，使得紫外脉冲信号的采集不受时间限制，能够实现紫外脉冲信号全天采集；apd传感器阵列与紫外镜头和ccd图像传感器面阵相比，光路较为简单，紫外光子的损耗较小，进而配电线路的局部放电缺陷识别的灵敏度较高。通过将紫外脉冲信号的相基统计图谱提取的脉冲重复率、平均脉冲幅值和最大脉冲幅值作为样本特征，将绝缘子沿面放电和线路电晕放电的放电缺陷类型作为样本标签，根据样本特征和样本标签构建数据集，将数据集中80％的数据作为训练集，将数据集中20％的数据作为验证集，搭建尺度为3*2的全连接神经网络模型，利用训练集对全连接神经网络模型进行训练，利用验证集对全连接神经网络模型进行验证，得到训练好的全连接神经网络模型。通过将均方误差作为全连接神经网络模型的损失函数，采用adadelta算法进行全连接神经网络模型的参数优化，能够对全连接神经网络模型进行循环迭代，获取最优的全连接神经网络模型，以根据最优的全连接神经网络模型进行配网线路的放电缺陷识别。通过apd传感器阵列的设置和采用最优的全连接神经网络模型进行配网线路的放电缺陷识别，能够提升配电线路的局部放电缺陷识别的灵敏度。

29、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

技术特征：

1.一种针对配网线路的紫外脉冲相基特征缺陷识别方法，其特征在于，包括：

2.根据权利要求1所述的针对配网线路的紫外脉冲相基特征缺陷识别方法，其特征在于，在采用adadelta算法进行所述全连接神经网络模型的参数优化的步骤中，所述参数优化的变化梯度公式为：

3.根据权利要求1所述的针对配网线路的紫外脉冲相基特征缺陷识别方法，其特征在于，在基于所述损失函数和所述adadelta算法，对所述全连接神经网络模型进行循环迭代，获取最优的全连接神经网络模型的步骤中，所述损失函数的公式为：

4.根据权利要求1所述的针对配网线路的紫外脉冲相基特征缺陷识别方法，其特征在于，在将根据所述相基统计图谱提取的脉冲重复率、平均脉冲幅值和最大脉冲幅值作为样本特征的步骤中，所述方法包括：

5.根据权利要求4所述的针对配网线路的紫外脉冲相基特征缺陷识别方法，其特征在于，在将所述相基统计图谱中单位时间脉冲数，作为所述脉冲重复率的步骤中，所述单位时间脉冲数的公式为：

6.根据权利要求4所述的针对配网线路的紫外脉冲相基特征缺陷识别方法，其特征在于，在将所述相基统计图谱中脉冲幅值的平均值，作为所述平均脉冲幅值的步骤中，所述平均脉冲幅值的公式为：

7.根据权利要求4所述的针对配网线路的紫外脉冲相基特征缺陷识别方法，其特征在于，在将所述相基统计图谱中脉冲幅值的最大值，作为所述最大脉冲幅值的步骤中，所述最大脉冲幅值的公式为：

技术总结
本申请实施例提供一种针对配网线路的紫外脉冲相基特征缺陷识别方法，包括基于以二维平面阵列排布，维度为2*2，响应区间位于200nm‑280nm的APD传感器阵列，采集配网线路不同类型放电缺陷的紫外脉冲信号；根据所述信号的相基统计图谱提取的样本特征和样本标签，构建数据集，将数据集以8∶2分为训练集和验证集，以训练和验证搭建的尺度为3*2的全连接神经网络模型，得到训练好的所述模型；以均方误差为所述模型的损失函数，以Adadelta算法优化所述模型的参数，循环迭代所述模型，获取最优的所述模型识别配网线路的放电缺陷。通过本申请实施例的设置，提供了一种灵敏度较高的全天识别配电线路的局部放电缺陷的方法。

技术研发人员：段生江,杨燚虎,项恩新,聂鼎,陈文良,毛海东,王新富,杨荣胜,邵力,商经锐,杨金培
受保护的技术使用者：云南电网有限责任公司德宏供电局
技术研发日：
技术公布日：2024/3/4