CN113449803A - 不同绝缘缺陷局部放电类型区分方法、***、设备及存储介质 - Google Patents
不同绝缘缺陷局部放电类型区分方法、***、设备及存储介质 Download PDFInfo
- Publication number
- CN113449803A CN113449803A CN202110780818.XA CN202110780818A CN113449803A CN 113449803 A CN113449803 A CN 113449803A CN 202110780818 A CN202110780818 A CN 202110780818A CN 113449803 A CN113449803 A CN 113449803A
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- feature information
- layer
- local
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明提供一种不同绝缘缺陷局部放电类型区分方法、***、设备及存储介质,方法包括:基于卷积神经网络多层卷积和池化操作,提取局部放电信号的局部空间特征信息,并保留局部空间特征信息的时间序列特征信息;基于局部空间特征信息,通过长短期记忆网络保存并分析,提取局部放电信号的时间序列特征信息;基于局部空间特征信息和时间序列特征信息,通过全连接层进行特征融合,提取包含局部空间特征信息和时间序列特征信息的所有局部放电信号的识别特征;基于识别特征,通过卷积神经网络的softmax层输出概率值,进行局部放电信号类型的识别分类。本发明提高了整个局部放电图像类型的识别精度。
Description
技术领域
本发明涉及图像识别分类技术领域,尤其涉及一种不同绝缘缺陷局部放电类型区分方法。
背景技术
卷积神经网络以其强大的自动特征提取和分类能力在气体绝缘组合电器局部放电模式识别分类方法上取得了优异的效果,长短时记忆网络在分析数据的依存关系和时间动态方面具有突出的优势,为解决不同绝缘缺陷引起的局部放电模式识别问题提供了新的思路。局部放电被广泛认为是导致电气设备绝缘劣化的重要因素,并且与高压电气设备的操作安全性和可靠性密切相关。能够准确地自动识别局部放电的放电类型,并且可以及时检测绝缘内部缺陷和放电程度,对于防止绝缘事故的发生具有重大意义。
目前,卷积神经网络和长短时记忆网络已经广泛应用于局部放电图像识别领域,但是对于不同特征的全面提取、不同类型的局部放电图像的识别精度达不到要求。
发明内容
本发明提出一种不同绝缘缺陷局部放电类型区分方法。局部放电模式识别分类,结合卷积神经网络和长短时记忆网络实现局部放电类型的智能诊断,以提高不同类型的局部放电图像的识别精度。
为达到上述目的,本发明采用了以下技术方案:
一种不同绝缘缺陷局部放电类型区分方法,包括:
基于卷积神经网络多层卷积和池化操作,提取局部放电信号的局部空间特征信息,并保留局部空间特征信息的时间序列特征信息;
基于局部空间特征信息,通过长短期记忆网络保存并分析,提取局部放电信号的时间序列特征信息;
基于局部空间特征信息和时间序列特征信息,通过全连接层进行特征融合,提取包含局部空间特征信息和时间序列特征信息的所有局部放电信号的识别特征;
基于包含局部空间特征信息和时间序列特征信息的所有局部放电信号的识别特征,通过卷积神经网络的softmax层输出概率值,进行局部放电信号类型的识别分类。
作为本发明的进一步改进,所述提取局部放电信号的局部空间特征信息通过卷积神经网络自动提取特征作为输入,利用卷积神经网络提取空间特征。
作为本发明的进一步改进,所述卷积神经网络为二维卷积神经网络,包括输入层、卷积层、池化层和全连接层;卷积层共有十层,单层卷积核数分别为16、32、64、128、256,双层卷积核数与前一层相同,池化层共有五层,每层窗口大小为2*2,步长为2。
作为本发明的进一步改进,所述的卷积神经网络的池化操作,前四层采用最大池化,最后一层采用全局平均池化。
作为本发明的进一步改进,所述长短期记忆网络包含四个基本组件:单元,输入门,输出门和遗忘门;层数设置为2,单元数分别为128、64。
作为本发明的进一步改进,所述局部放电信号类型包括金属尖端缺陷、绝缘子中气隙缺陷、悬浮电极缺陷和自由金属颗粒缺陷。
一种不同绝缘缺陷局部放电类型区分***,包括:
第一特征提取模块,用于基于卷积神经网络多层卷积和池化操作,提取局部放电信号的局部空间特征信息,并保留局部空间特征信息的时间序列特征信息;
第二特征提取模块,用于基于局部空间特征信息,通过长短期记忆网络保存并分析,提取局部放电信号的时间序列特征信息;
特征融合模块,用于基于局部空间特征信息和时间序列特征信息,通过全连接层进行特征融合,提取包含局部空间特征信息和时间序列特征信息的所有局部放电信号的识别特征;
识别特征模块,用于基于包含局部空间特征信息和时间序列特征信息的所有局部放电信号的识别特征,通过卷积神经网络的softmax层输出概率值,进行局部放电信号类型的识别分类。
一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述不同绝缘缺陷局部放电类型区分方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述不同绝缘缺陷局部放电类型区分方法的步骤。
本发明的有益效果体现在:
本发明提供一种不同绝缘缺陷局部放电类型区分方法,包括通过卷积和池化操作实现局部放电电压信号的局部空间特征信息的提取,获得较高级别的局部放电信号的空间特征,保留数据的序列特征,并通过长短期记忆网络保存并分析先前的电压信号信息,实现数据时间依赖性的建模,提取包含时序特征的所有局部放电信号的识别特征,通过卷积神经网络的softmax层进行局部放电类型的分类。本发明的不同绝缘缺陷局部放电类型区分方法,能够综合卷积神经网络善于挖掘提取局部放电图谱空间特征和长短期记忆网络善于挖掘时序特征信息的优势,能够有效地提取和利用局部放电信号的时空特征,并使用长短期记忆网络门结构增强了模型的泛化能力,从而提高了整个局部放电图像类型的识别精度。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为一种区分不同绝缘缺陷引起的局部放电类型方法的流程图。
图2为一种区分不同绝缘缺陷引起的局部放电类型方法的算法框架图。
图3为本发明优选实施例不同绝缘缺陷局部放电类型区分方法流程示意图;
图4为本发明优选实施例不同绝缘缺陷局部放电类型区分***结构示意图;
图5为本发明优选实施例电子设备结构示意图。
具体实施方式
下面将详细地对实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本发明相一致的所有实施方式。仅是与权利要求书中所详述的、本发明的一些方面相一致的***和方法的示例。
在各种大型电气设备的长期运行中,局部放电是绝缘劣化的主要原因之一。通过在线检测电气设备局部放电的状态,可以判断出所发生的局部放电类型,从而诊断出所发生的绝缘缺陷类型,并及时进行维护,以保证电气设备的正常运行。由于局部放电与设备的绝缘缺陷密切相关,因此,不同绝缘缺陷引起的局部放电的类型是不同的。通过特定的方式(如结合卷积神经网络和长短期记忆网络)识别局部放电的类型,可以诊断出所发生的绝缘缺陷的性质和严重性。然后,对绝缘缺陷进行定位和状态评估。目前,卷积神经网络和长短时记忆网络已经广泛应用于局部放电图像识别领域,这种方法操作简单,识别迅速,但是对于不同特征的全面提取、不同类型的局部放电图像的识别精度达不到要求。
如图3所示,本发明提供一种区分不同绝缘缺陷引起的局部放电类型方法,包括以下步骤:
基于卷积神经网络多层卷积和池化操作,提取局部放电信号的局部空间特征信息,并保留局部空间特征信息的时间序列特征信息;
基于局部空间特征信息,通过长短期记忆网络保存并分析,提取局部放电信号的时间序列特征信息;
基于局部空间特征信息和时间序列特征信息,通过全连接层进行特征融合,提取包含局部空间特征信息和时间序列特征信息的所有局部放电信号的识别特征;
基于包含局部空间特征信息和时间序列特征信息的所有局部放电信号的识别特征,通过卷积神经网络的softmax层输出概率值,进行局部放电信号类型的识别分类。
所述通过卷积神经网络自动提取特征作为输入,利用卷积神经网络提取空间特征,所述通过长短时记忆网络提取卷积神经网络的输出作为输入,利用长短时记忆网提取时间序列特征。
所述的二维卷积神经网络,卷积层共有十层,单层卷积核数分别为16、32、64、128、256,双层卷积核数与前一层相同,池化层共有五层,每层窗口大小为2*2,步长为2,提取局部放电信号的局部空间特征。
所述的卷积神经网络池化操作,前四层采用最大池化,最后一层采用全局平均池化,提取局部放电信号的局部空间特征。
所述的长短期记忆网络,层数设置为2,单元数分别为128、64,提取局部放电信号的时间序列特征。
由以上技术方案可知,本发明提供一种不同绝缘缺陷局部放电类型区分方法,包括通过卷积和池化操作实现局部放电电压信号的局部空间特征信息的提取,获得较高级别的局部放电信号的空间特征,保留数据的序列特征,并通过长短期记忆网络保存并分析先前的电压信号信息,实现数据时间依赖性的建模,提取包含时序特征的所有局部放电信号的识别特征,通过卷积神经网络的softmax层进行局部放电类型的分类。本发明提出一种不同绝缘缺陷局部放电类型区分方法,能够综合卷积神经网络善于挖掘提取局部放电图谱空间特征和长短期记忆网络善于挖掘时序特征信息的优势,能够有效地提取和利用局部放电信号的时空特征,并使用长短期记忆网络门结构增强了模型的泛化能力,从而提高了整个局部放电图像类型的识别精度。
参见图1,所述方法具体包括:
S1:基于卷积神经网络多层卷积和池化操作,提取局部放电信号的局部空间特征信息,并保留局部空间特征信息的时间序列特征信息;
需要说明的是,卷积神经网络(Convolutional Neural Networks,CNN)是近几年发展起来的一种高效模式识别方法,由于其强大的自动特征捕捉能力而被广泛应用于气体绝缘组合电器局部放电模式识别分类中。通常,一个CNN主要由输入层、卷积层、池化层和全连接层组成。卷积神经网络中的局部连接和参数共享降低了参数量,使训练复杂度大大降低,并减轻了过拟合。同时,权值共享还赋予了卷积网络对平移的容忍性,而池化层中的降采样则进一步降低了输出参数量,并赋予模型对轻度形变的容忍性,提高了模型的泛化能力。
此外,CNN可以自适应地完成特征提取和数据处理,可以通过卷积和合并降低维数,并且比传统特征具有更好的泛化能力。在局部放电故障诊断中,通常将信号转换为时域图或时频图,然后由2维CNN处理。但是,二维卷积运算只能提取空间特征,而忽略信号的时间特征,从而导致上述模型在复杂干扰下的性能较差。考虑局部放电信号的特性,使用二维卷积运算沿信号的时间轴卷积提取特征,从而在确保特征提取的同时保留时间特征。
S2:基于局部空间特征信息,通过长短期记忆网络保存并分析,提取局部放电信号的时间序列特征信息。
需要说明的是,所述长短时记忆网络(long and short-term memory,LSTM)网络可以将过去的数据存储在其存储单元中,这对于时间序列数据预测非常有效。使用LSTM网络可以缓解循环神经网络中的梯度消失和***问题。LSTM网络包含四个基本组件:单元,输入门,输出门和遗忘门。信息由单元在随机的时间间隔内传输。输入门决定了当前时刻的网络输入有多少保存到单元状态。输出门控制单元状态有多少输出到LSTM的当前输出值。遗忘门决定了上一时刻的单元状态有多少保留到当前时刻。LSTM可从序列数据中学习特征,对于处理时间序列方面的数据具有独特的优势。
S3:基于局部空间特征信息和时间序列特征信息,通过全连接层进行特征融合,提取包含局部空间特征信息和时间序列特征信息的所有局部放电信号的识别特征;
S3中,在提取空间特征时,CNN具有独特的优势,在提取时序特征时,LSTM具独特的有优势。但是,对于局部放电的海量样品信号,单独的CNN或LSTM特征提取性能较差,并且需要大量的计算时间才能获得令人满意的结果。因此,本发明提供了一种CNN–LSTM混合网络。首先,使用卷积层和池化层来提取空间特征并减小数据的维数。然后,利用LSTM网络进一步提取数据的时间特性。
S4:基于所述的CNN–LSTM混合网络,基于包含局部空间特征信息和时间序列特征信息的所有局部放电信号的识别特征,通过卷积神经网络的softmax层输出概率值,进行局部放电信号类型的识别分类。
S4中,所述CNN–LSTM混合网络包括一个卷积神经网络模块,一个长短时记忆模块和特征融合模块。所述局部放电信号类型包括金属尖端缺陷、绝缘子中气隙缺陷、悬浮电极缺陷和自由金属颗粒缺陷等。
如图2所示,首先,利用四种局部放电时间-电压数据集建立单输入模型。CNN采用非常小的卷积核的堆叠式卷积和池化操作,这增加了网络模型的深度并增强了特征提取。然后,将特征值转换为特征向量,利用LSTM门结构有效地提取时序特征,提高模型的泛化能力。最后,通过全连接层对前层的特征进行特征融合,通过softmax层对数据进行分类,并且输出概率值以实现局部放电信号的特征识别。
局部放电模式识别装置的配置为:因特尔i5处理器(2.5GHz),内存为16GB,***为Win10,运行环境为tensorflow==2.0.0,keras==2.3.0,python==3.7,识别对象为4类典型的局部放电缺陷电压信号图。
利用金属尖端缺陷图62张,绝缘子中气隙缺陷图63张,悬浮电极缺陷图64张,自由金属微粒63张,共252张图作为数据集。其中数据样本的80%用作训练,20%用做测试,即训练201个样本,验证51个样本。模型编译过程中,学习率设置为0.0001,epochs为65,batch_size为32。
最终,所提出的CNN-LSTM模型对绝缘子中气隙、悬浮电极、自由金属微粒缺陷的识别准确率最高,达100%,对金属尖端缺陷的识别率最低,但也达到了92%的识别率。所提出的CNN-LSTM模型对四种局部放电缺陷的识别率平均达到97.6%,在局部放电模式识别中表现良好。
如图4所示,本发明的另一目的在于提出一种不同绝缘缺陷局部放电类型区分***,包括:
第一特征提取模块,用于基于卷积神经网络多层卷积和池化操作,提取局部放电信号的局部空间特征信息,并保留局部空间特征信息的时间序列特征信息;
第二特征提取模块,用于基于局部空间特征信息,通过长短期记忆网络保存并分析,提取局部放电信号的时间序列特征信息;
特征融合模块,用于基于局部空间特征信息和时间序列特征信息,通过全连接层进行特征融合,提取包含局部空间特征信息和时间序列特征信息的所有局部放电信号的识别特征;
识别特征模块,用于基于包含局部空间特征信息和时间序列特征信息的所有局部放电信号的识别特征,通过卷积神经网络的softmax层输出概率值,进行局部放电信号类型的识别分类。
如图5所示,本发明第三个目的是提供一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述不同绝缘缺陷局部放电类型区分方法的步骤。
所述不同绝缘缺陷局部放电类型区分方法包括以下步骤:
基于卷积神经网络多层卷积和池化操作,提取局部放电信号的局部空间特征信息,并保留局部空间特征信息的时间序列特征信息;
基于局部空间特征信息,通过长短期记忆网络保存并分析,提取局部放电信号的时间序列特征信息;
基于局部空间特征信息和时间序列特征信息,通过全连接层进行特征融合,提取包含局部空间特征信息和时间序列特征信息的所有局部放电信号的识别特征;
基于包含局部空间特征信息和时间序列特征信息的所有局部放电信号的识别特征,通过卷积神经网络的softmax层输出概率值,进行局部放电信号类型的识别分类。
本发明第四个目的是提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述不同绝缘缺陷局部放电类型区分方法的步骤。
所述不同绝缘缺陷局部放电类型区分方法包括以下步骤:
基于卷积神经网络多层卷积和池化操作,提取局部放电信号的局部空间特征信息,并保留局部空间特征信息的时间序列特征信息;
基于局部空间特征信息,通过长短期记忆网络保存并分析,提取局部放电信号的时间序列特征信息;
基于局部空间特征信息和时间序列特征信息,通过全连接层进行特征融合,提取包含局部空间特征信息和时间序列特征信息的所有局部放电信号的识别特征;
基于包含局部空间特征信息和时间序列特征信息的所有局部放电信号的识别特征,通过卷积神经网络的softmax层输出概率值,进行局部放电信号类型的识别分类。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上显示和描述了本发明的基本原理和主要特征以及本发明的优点,对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
本发明提供的实施例之间的相似部分相互参见即可,以上提供的具体实施方式只是本发明总的构思下的几个示例,并不构成本发明保护范围的限定。对于本领域的技术人员而言,在不付出创造性劳动的前提下依据本发明方案所扩展出的任何其他实施方式都属于本发明的保护范围。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (9)
1.一种不同绝缘缺陷局部放电类型区分方法,其特征在于,包括:
基于卷积神经网络多层卷积和池化操作,提取局部放电信号的局部空间特征信息,并保留局部空间特征信息的时间序列特征信息;
基于局部空间特征信息,通过长短期记忆网络保存并分析,提取局部放电信号的时间序列特征信息;
基于局部空间特征信息和时间序列特征信息,通过全连接层进行特征融合,提取包含局部空间特征信息和时间序列特征信息的所有局部放电信号的识别特征;
基于包含局部空间特征信息和时间序列特征信息的所有局部放电信号的识别特征,通过卷积神经网络的softmax层输出概率值,进行局部放电信号类型的识别分类。
2.根据权利要求1所述的方法,其特征在于,
所述提取局部放电信号的局部空间特征信息通过卷积神经网络自动提取特征作为输入,利用卷积神经网络提取空间特征。
3.根据权利要求1所述的方法,其特征在于,
所述卷积神经网络为二维卷积神经网络,包括输入层、卷积层、池化层和全连接层;卷积层共有十层,单层卷积核数分别为16、32、64、128、256,双层卷积核数与前一层相同,池化层共有五层,每层窗口大小为2*2,步长为2。
4.根据权利要求1所述的方法,其特征在于,
所述的卷积神经网络的池化操作,前四层采用最大池化,最后一层采用全局平均池化。
5.根据权利要求1所述的方法,其特征在于,
所述长短期记忆网络包含四个基本组件:单元,输入门,输出门和遗忘门;层数设置为2,单元数分别为128、64。
6.根据权利要求1所述的方法,其特征在于,
所述局部放电信号类型包括金属尖端缺陷、绝缘子中气隙缺陷、悬浮电极缺陷和自由金属颗粒缺陷。
7.一种不同绝缘缺陷局部放电类型区分***,其特征在于,包括:
第一特征提取模块,用于基于卷积神经网络多层卷积和池化操作,提取局部放电信号的局部空间特征信息,并保留局部空间特征信息的时间序列特征信息;
第二特征提取模块,用于基于局部空间特征信息,通过长短期记忆网络保存并分析,提取局部放电信号的时间序列特征信息;
特征融合模块,用于基于局部空间特征信息和时间序列特征信息,通过全连接层进行特征融合,提取包含局部空间特征信息和时间序列特征信息的所有局部放电信号的识别特征;
识别特征模块,用于基于包含局部空间特征信息和时间序列特征信息的所有局部放电信号的识别特征,通过卷积神经网络的softmax层输出概率值,进行局部放电信号类型的识别分类。
8.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求1-6任一项所述不同绝缘缺陷局部放电类型区分方法的步骤。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-6任一项所述不同绝缘缺陷局部放电类型区分方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110780818.XA CN113449803A (zh) | 2021-07-09 | 2021-07-09 | 不同绝缘缺陷局部放电类型区分方法、***、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110780818.XA CN113449803A (zh) | 2021-07-09 | 2021-07-09 | 不同绝缘缺陷局部放电类型区分方法、***、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113449803A true CN113449803A (zh) | 2021-09-28 |
Family
ID=77815919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110780818.XA Pending CN113449803A (zh) | 2021-07-09 | 2021-07-09 | 不同绝缘缺陷局部放电类型区分方法、***、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113449803A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115500807A (zh) * | 2022-09-20 | 2022-12-23 | 山东大学 | 基于小型卷积神经网络的心律失常分类检测方法及*** |
CN117849560A (zh) * | 2024-03-07 | 2024-04-09 | 南京中鑫智电科技有限公司 | 结合末屏电压和局部放电的阀侧套管绝缘监测方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109932627A (zh) * | 2019-04-30 | 2019-06-25 | 国网山东省电力公司烟台供电公司 | 一种gis耐压试验局部放电的定位方法及*** |
CN112034310A (zh) * | 2020-07-31 | 2020-12-04 | 国网山东省电力公司东营供电公司 | 一种组合电器局部放电缺陷诊断方法及*** |
WO2021057328A1 (zh) * | 2019-09-24 | 2021-04-01 | 上海数创医疗科技有限公司 | 基于特征选取的st段分类卷积神经网络及其使用方法 |
-
2021
- 2021-07-09 CN CN202110780818.XA patent/CN113449803A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109932627A (zh) * | 2019-04-30 | 2019-06-25 | 国网山东省电力公司烟台供电公司 | 一种gis耐压试验局部放电的定位方法及*** |
WO2021057328A1 (zh) * | 2019-09-24 | 2021-04-01 | 上海数创医疗科技有限公司 | 基于特征选取的st段分类卷积神经网络及其使用方法 |
CN112034310A (zh) * | 2020-07-31 | 2020-12-04 | 国网山东省电力公司东营供电公司 | 一种组合电器局部放电缺陷诊断方法及*** |
Non-Patent Citations (2)
Title |
---|
TINGLIANG LIU: "《GIS Partial Discharge Pattern Recognition Based on a Novel Convolutional Neural Networks and Long Short-Term Memory》", 《ENTROPY》, pages 1 - 4 * |
周秀;朱洪波;马云龙;刘威峰;高博;田天;罗艳;李秀广;何宁辉;: "基于深度学习的变压器局部放电模式识别研究", 高压电器, no. 12 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115500807A (zh) * | 2022-09-20 | 2022-12-23 | 山东大学 | 基于小型卷积神经网络的心律失常分类检测方法及*** |
CN117849560A (zh) * | 2024-03-07 | 2024-04-09 | 南京中鑫智电科技有限公司 | 结合末屏电压和局部放电的阀侧套管绝缘监测方法及*** |
CN117849560B (zh) * | 2024-03-07 | 2024-05-28 | 南京中鑫智电科技有限公司 | 结合末屏电压和局部放电的阀侧套管绝缘监测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109614981B (zh) | 基于斯皮尔曼等级相关的卷积神经网络的电力***智能故障检测方法及*** | |
CN110991311B (zh) | 一种基于密集连接深度网络的目标检测方法 | |
Do et al. | Convolutional-neural-network-based partial discharge diagnosis for power transformer using UHF sensor | |
CN107292886B (zh) | 基于网格划分及神经网络的目标物入侵检测方法及装置 | |
CN113449803A (zh) | 不同绝缘缺陷局部放电类型区分方法、***、设备及存储介质 | |
CN111044570A (zh) | 电力设备的缺陷识别及预警方法、装置及计算机设备 | |
CN111695620A (zh) | 一种电力***时间序列异常数据检测与修正方法及*** | |
Ma et al. | Detection method of insulator based on faster R-CNN | |
CN110362907A (zh) | 基于ssd神经网络输电线路目标缺陷识别与诊断方法 | |
CN116665095B (zh) | 一种运动舰船检测方法、***、存储介质和电子设备 | |
CN116572747B (zh) | 电池故障检测方法、装置、计算机设备和存储介质 | |
CN116167010A (zh) | 具有智能迁移学习能力的电力***异常事件快速识别方法 | |
CN112633315A (zh) | 一种电力***扰动分类方法 | |
CN113203914A (zh) | 基于dae-cnn的地下电缆早期故障检测和识别方法 | |
CN112950576A (zh) | 基于深度学习的输电线路缺陷智能识别方法及*** | |
CN115563477A (zh) | 谐波数据识别方法、装置、计算机设备和存储介质 | |
CN114639102A (zh) | 基于关键点与尺寸回归的细胞分割方法和装置 | |
CN115563500A (zh) | 基于数据增强技术的配电设备局部放电模式识别方法、装置及*** | |
CN115239971A (zh) | Gis局部放电类型识别模型训练方法、识别方法及*** | |
CN115687897A (zh) | 基于半监督学习的高压电缆铝护套腐蚀损伤识别方法、***、设备及介质 | |
CN113762007B (zh) | 一种基于外观和动作特征双预测的异常行为检测方法 | |
CN111666819B (zh) | 一种融合多元信息的高精度视频异常事件检测方法 | |
CN117523218A (zh) | 标签生成、图像分类模型的训练、图像分类方法及装置 | |
CN114417977A (zh) | 一种基于变压器数据样本扩充的故障诊断方法及*** | |
CN112686333A (zh) | 一种基于深度子域适配迁移网络的开关柜局部放电模式识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |