CN113655348B - 一种基于深度孪生网络的电力设备局部放电故障诊断方法、***终端及可读存储介质 - Google Patents
一种基于深度孪生网络的电力设备局部放电故障诊断方法、***终端及可读存储介质 Download PDFInfo
- Publication number
- CN113655348B CN113655348B CN202110854734.6A CN202110854734A CN113655348B CN 113655348 B CN113655348 B CN 113655348B CN 202110854734 A CN202110854734 A CN 202110854734A CN 113655348 B CN113655348 B CN 113655348B
- Authority
- CN
- China
- Prior art keywords
- sample
- test sample
- partial discharge
- support
- depth
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000003745 diagnosis Methods 0.000 title claims abstract description 37
- 238000012360 testing method Methods 0.000 claims abstract description 89
- 238000001228 spectrum Methods 0.000 claims abstract description 32
- 238000013507 mapping Methods 0.000 claims abstract description 31
- 102100025142 Beta-microseminoprotein Human genes 0.000 claims description 33
- 101000576812 Homo sapiens Beta-microseminoprotein Proteins 0.000 claims description 33
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 239000002923 metal particle Substances 0.000 claims description 5
- 101100042474 Homo sapiens SFTPD gene Proteins 0.000 claims description 4
- 102100027845 Pulmonary surfactant-associated protein D Human genes 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000005339 levitation Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 8
- 208000028659 discharge Diseases 0.000 description 95
- 238000004891 communication Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000009413 insulation Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种基于深度孪生网络的电力设备局部放电故障诊断方法、***、终端及可读存储介质，所述方法包括：步骤1：获取待测试电力设备的特征图谱并作为测试样本，以及获取电力设备在各类局部放电故障下、无局部放电故障下的特征图谱并作为支撑集样本；步骤2：将所述测试样本和所述支撑集样本的特征图谱分别对应输入两个深度孪生网络模型得到各自对应的深度特征；步骤3：基于所述测试样本的深度特征和所述支撑集样本中每类支撑样本对应的深度特征计算特征映射距离；步骤4：依据测试样本与每类支撑样本对应的特征映射距离确定所述测试样本的局部放电故障诊断结果。本发明所述方法满足了在极少故障样本的条件下，局部放电故障的高精度检测。
Description
技术领域
本发明属于电力设备局部放电故障诊断技术领域，具体涉及一种基于深度孪生网络的电力设备局部放电故障诊断方法、***终端及可读存储介质。
背景技术
电力设备(如气体绝缘开关设备、变压器)在长期运行过程中，可能存在各种绝缘缺陷，产生局部放电现象。如果未能及时检测出电力设备中的局部放电故障，局部放电会演变成放电击穿或火花放电，进而导致电力设备损坏，造成巨大的经济损失。当前，对电力设备局部放电故障诊断主要依靠人工对采集的特征图谱进行分析与判别。这种方式不仅人工成本高，检测周期长，而且误检率较高。因此，提出智能的、可靠的局部放电故障诊断方法，进而采取积极主动的检修措施，对保障电力设备的安全运行具有重要的实际意义。
近年来，随着深度学习和计算机视觉技术的飞速发展，涌现出一系列的图像识别模型。这些模型能通过大量训练数据，构建输入与输出之间的拟合关系，从而达到区分不同类别图像的目的。受此启发，部分研究人员开始将图像识别模型应用于电力设备局部放电故障诊断中，一般手段是利用大量的数据样本，将其作为模型输入，以局部放电故障的诊断结果为模型输出，通过训练构建出基于深度学习的局部放电故障的诊断模型。然而，当前模型性能的优劣取决于是否有大量用于模型训练的数据样本。而在实际应用过程中，局部放电的故障样本往往十分稀缺，难以获取足够多的数据样本来训练图像识别模型。因此，在极少故障样本的条件下，现有的图像识别模型的检测精度往往不尽人意，不能较好地诊断出电力设备的局部放电故障。
发明内容
本发明的目的是针对极少故障样本条件下，现有的局部放电诊断模型的检查精度不高的问题，提供一种基于深度孪生网络的电力设备局部放电故障诊断方法、***终端及可读存储介质。本发明所述方法另辟蹊径，以各类局部放电故障的图谱信息为参照，利用深度学习网络提取图谱特征，再基于图谱特征将待检测电力设备的图谱特征与各类局部放电故障对应的图谱特征进行相似计算，得到待检测电力设备的局部放电故障检测结果。本发明所述方法满足了在极少故障样本的条件下，局部放电故障的高精度检测。
一方面，本发明提供的一种基于深度孪生网络的电力设备局部放电故障诊断方法，其包括以下步骤：
步骤1：获取待测试电力设备的特征图谱并作为测试样本，以及获取电力设备在各类局部放电故障下、无局部放电故障下的特征图谱并作为支撑集样本；
其中，所述特征图谱包含局部放电特征信息；
步骤2：将所述测试样本和所述支撑集样本的特征图谱分别对应输入两个深度孪生网络模型得到各自对应的深度特征；
步骤3：基于所述测试样本的深度特征和所述支撑集样本中每类支撑样本对应的深度特征计算特征映射距离；
步骤4：依据测试样本与每类支撑样本对应的特征映射距离确定所述测试样本的局部放电故障诊断结果；
其中，特征映射距离越大，测试样本与对应一类支撑样本越接近。
可选地，所述特征图谱为脉冲序列图谱PRPS、相位图谱PRPD中的一个或组合。
可选地，若特征图谱包括脉冲序列图谱PRPS和相位图谱PRPD，步骤2中测试样本和支撑样本的深度特征分别表示为：
其中，Ot为测试样本对应的深度特征，为测试样本脉冲序列图谱/>对应的输出结果，/>为测试样本相位图谱/>对应的输出结果；Os(i)为支撑样本对应的深度特征，/>为支撑样本的脉冲序列图谱/>对应的输出结果，/>为支撑样本的相位图谱/>对应的输出结果，i对应支撑样本的类型；
步骤3中测试样本与一类支撑样本的特征映射距离包括在PRPD图谱上的相似距离和在PRPS图谱上的相似距离，表示为：
式中，EPRPD(i)表示测试样本与第i类支撑样本在PRPD图谱上的相似距离，EPSPD(i)表示测试样本与第i类支撑样本在PRPS图谱上的相似距离。
可选地，步骤4中所述依据测试样本与每类支撑样本对应的特征映射距离确定所述测试样本的局部放电故障诊断结果，具体过程如下：
首先，计算测试样本与每类支撑样本在PRPD图谱、PRPS图谱上的相似距离之和；
E(i)＝EPRPD(i)+EPRPS(i)
E(i)为测试样本和第i类支撑样本在PRPD和PRPS图谱上相似距离之和；
然后，选择相似距离之和中的最大值Emax对应的支撑样本，选择的支撑样本的类型对应为所述测试样本的局部放电故障诊断结果；
Emax＝Softmax{E(i)}
其中，Softmax为取最大值的函数。
可选地，所述相似距离为欧式距离。
可选地，所述支撑集样本包括：金属颗粒放电、悬浮放电、电晕放电和绝缘间隙放电和正常无局部放电5类样本。
可选地，所述深度孪生网络模型为VGG-16模型，其由多层卷积层、Sigmoid激活函数、Mean-Pooling层及全连接层组成。
第二方面，本发明提供一种基于上述电力设备局部放电故障诊断方法的***，其包括：
样本获取模块，用于获取待测试电力设备的特征图谱并作为测试样本，以及获取电力设备在各类局部放电故障下、无局部放电故障下的特征图谱并作为支撑集样本；
其中，所述特征图谱包含局部放电特征信息；
深度特征获取模块，用于将所述测试样本和所述支撑集样本的特征图谱分别对应输入两个深度孪生网络模型得到各自对应的深度特征；
距离计算模块，用于基于所述测试样本的深度特征和所述支撑集样本中每类支撑样本对应的深度特征计算特征映射距离；
诊断模块，用于依据测试样本与每类支撑样本对应的特征映射距离确定所述测试样本的局部放电故障诊断结果；
其中，特征映射距离越大，测试样本与对应一类支撑样本越接近。
第三方面，本发明提供一种终端，其包括一个或多个处理器和存储一个或多个程序的存储器，所述处理器调用所述存储器内的程序以实现：
一种基于深度孪生网络的电力设备局部放电故障诊断方法的步骤。
第四方面，本发明提供一种可读存储介质，其存储了计算机程序，所述计算机程序被处理器调用以实现：
一种基于深度孪生网络的电力设备局部放电故障诊断方法的步骤。
有益效果
本发明提供的一种基于深度孪生网络的电力设备局部放电故障诊断方法，其针对在极少故障样本的条件下，将检测样本和支撑集样本输入到预训练的深度学习模型中进行相似性度量，评估两个输入样本间的深度特征差异，实现对局部放电故障类型的高精度诊断，对电力设备局部放电故障诊断具有重大的实用意义。解决了现有图像识别模型方面存在海量样本需求的技术障碍。
附图说明
图1为本发明实施例提供的一种基于深度孪生网络的电力设备局部放电故障诊断方法的流程图。
图2为本发明实施例提供采用深度孪生网络对测试样本和支撑集样本进行相似性度量的原理图。
图3为本发明实施例提供孪生网络的结构示意图。
图4为支撑集样本和一个测试样本的PRPS和PRPD图谱。
具体实施方式
本发明提供一种基于深度孪生网络的电力设备局部放电故障诊断方法，其不同于以往的基于机器学习或深度学习的局部放电故障分类模型，不需要大量的样本进行模型训练。本发明所述方法其以各类局部放电故障的图谱信息为参照，利用深度学习网络提取图谱特征，再基于图谱特征将待检测电力设备的图谱特征与各类局部放电故障对应的图谱特征进行相似计算，得到待检测电力设备的局部放电故障检测结果。其过程不需要大量的样本，解决了现有图像识别模型方面存在海量样本需求的技术障碍。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行完整、清楚的描述。
实施例1：
本实施例提供的一种基于深度孪生网络的电力设备局部放电故障诊断方法，包括以下步骤：
S1：获取待测试电力设备的特征图谱并作为测试样本。其中，本实施例中选择相位图谱(Phase resolved partial discharge,PRPD)和脉冲序列图谱(Phase resolvedpulse sequence,PRPS)两类特征图谱，因此，通过特高频法对待测试的电力设备进行分析，获取相位图谱PRPD和脉冲序列图谱PRPS。
其中，相位图谱PRPD能记录多个周期内相位、放电信号幅值与放电频次的关系，可以作为不同放电类型的分类依据。该图谱通过采用小波变换或者希尔伯特-黄变换而生成。脉冲序列图谱PRPS是放电幅值关于相位和工频周期的3维分布。PRPS图可提炼出相位分布等局部放电信息，PRPS在同一缺陷下呈现出相似的分布，而在不同缺陷下呈现出明显的差异。因此，PRPS图谱也可以作为不同放电类型的分类依据。因为两种图谱用于分析同一电力设备，所以他们能从不同的角度来反映电力设备的局部放电故障，联合使用两种图谱，能充分挖掘图谱间的互补信息，提升局部放电的故障诊断精度。
其他可行的实施例中，可以单独选择相位图谱PRPD或脉冲序列图谱PRPS作为特征图谱，还可以选择与其他图谱进行组合，本发明对此不进行具体的限定，应当理解，所选择的特征图谱是包含了局部放电故障特征的，可以用以区分局部放电故障类型即可。
S2：获取电力设备在各类局部放电故障下、无局部放电故障下的特征图谱并作为支撑集样本。
本实施例中预先获取金属颗粒放电、悬浮放电、电晕放电和绝缘间隙放电和正常无局部放电样本共计5类图像的脉冲序列图谱和相位图谱。即金属颗粒放电X1、悬浮放电X2、电晕放电X3和绝缘间隙放电X4共4类故障放电样本和正常无局部放电样本X5，共计5类样本。每类样本选取1张图片，共计5张图片作为支撑集样本。如图4展示了支持集样本和一个输入的测试样本。图4中(a)-(e)分别为支持集样本中的正常无放电样本图像、悬浮放电样本图像、金属颗粒放电样本图像、绝缘间隙放电样本图像、电晕放电样本图像。图4中(f)为一个输入的测试样本图像。图中，左侧子图为PRPS图谱，右侧为PRPD图谱。
其中，和/>分别表示为测试样本的相位图谱PRPD和脉冲序列图谱PRPS。/>和/>分别表示为支撑集样本的相位图谱PRPD和脉冲序列图谱PRPS，其中i＝1,2,3,4,5,分别表示为支撑集的5种类别。测试样本包含相位图谱/>和脉冲序列图谱/>即：
支撑集样本同样包含相位图谱和脉冲序列图谱/>即：
S3：将所述测试样本和所述支撑集样本的特征图谱分别对应输入两个深度孪生网络模型得到各自对应的深度特征。
图2展示了本实施例中采用深度孪生网络对测试样本和支撑集样本进行相似度测量的原理图。其中，一个孪生网络得到表征测试样本和支撑集样本在PRPD图谱上的深度特征信息，用来计算相似性。另一个孪生网络得到表征测试样本和支撑集样本在PRPS图谱上的深度特征信息，用来计算相似性。
如图3所示，深度孪生网络是由两个具有相同结构和共享参数的VGG-16模型所组成。VGG-16模型由多层卷积层、Sigmoid激活函数、Mean-Pooling层及全连接层组成。测试样本图像和支撑集样本作为深度孪生网络的两个输入，分别提取测试图片和支撑集图片的深度特征信息。将测试图片和支撑集图片分别经过VGG-16模型进行抽象化处理，获取各自的深度特征信息:
Ot＝G(Xt) (3)
式中，G(Xt)代表的是经VGG-16模型进行抽象化处理输入测试图片Xt的步骤，Ot为Xt输出的深度特征信息。
Os(i)＝G(Xs(i)) (4)
同理，G(Xs(i))代表的是经VGG-16模型进行抽象化处理输入支撑集图片Xs(i)的步骤，Os(i)为和Xs(i)输出的深度特征信息。
测试样本输出的深度特征Ot包含两部分：
式中，为脉冲序列图谱/>的输出结果，/>为相位图谱/>的输出结果。支撑集样本输出的深度特征Os(i)包含两部分：
式中，为脉冲序列图谱/>的输出结果，/>为相位图谱/>的输出结果。其中，i＝1,2,3,4,5,分别对应支撑集中的5种类别。因为VGG-16模型是一种泛化能力较强的网络模型，采用该模型能够较好地挖掘出图像间的深度特征，并评估不同类型图片间的差异性。
其中，应当理解，在其他可行的实施例中，特征图谱的数量不同时，对应的深度特征将适应性变化。
S4：基于所述测试样本的深度特征和所述支撑集样本中每类支撑样本对应的深度特征计算特征映射距离。
本实施例中，选择用欧式距离表示特征映射距离。其中，采用欧氏距离计算测试样本和支持集样本在PRPD图谱上输出的特征映射距离，如下所示：
式中，EPRPD(i)分别表示测试样本与支持集中5种类型样本在PRPD图谱上的相似距离。同理，采用欧氏距离计算测试样本和支持集样本在PRPS图谱上输出的特征映射距离，
式中，EPSPD(i)分别表示测试样本与支持集中5种类型样本在PRPS图谱上的相似距离。网络采用的激活函数为Sigmoid函数，使输出结果数值大小在[0,1]之间。
由上可知，本实施中，测试样本与任一类支撑样本的特征映射距离包含了在PRPD图谱上的相似距离以及在PRPS图谱上的相似距离。
S5：依据测试样本与每类支撑样本对应的特征映射距离确定所述测试样本的局部放电故障诊断结果；为了能充分挖掘PRPS和PRPD图谱间的互补信息，提升局部放电故障诊断精度，构建下式：
E(i)＝EPRPD(i)+EPRPS(i) (9)
其中，E(i)为测试样本和支持集样本在PRPD和PRPS图谱上相似性之和，通过计算E(i)，能避免模型在单一图谱下对部分样本产生误判，提升模型的诊断性能。
Emax＝Softmax{E(i)} (10)
式中，Softmax为计算数组间的最大值。Emax为最大相似度的数值。输出的诊断结果为最大相似度数值所对应的支持集中的类别。
应当理解，其他可行的实施例中，除了求和，还可以利用平均值，再排序等方式确定最终的诊断结果。或者利用其他现有数学方式进行计算。
综上所述，本发明提供的一种基于深度孪生网络的电力设备局部放电故障诊断方法，通过选择5类标准样本，并基于深度特征与其进行相似计算，从而确定待测试电力设备的局部放电故障诊断结果，其过程不需要大量的样本，在极少样本下即能完成高精度诊断。
实施例2：
本实施提供一种基于电力设备局部放电故障诊断方法的诊断***，其包括：
样本获取模块，用于获取待测试电力设备的特征图谱并作为测试样本，以及获取电力设备在各类局部放电故障下、无局部放电故障下的特征图谱并作为支撑集样本。
同上实施例1，可以选择相位图谱PRPD和脉冲序列图谱PRPS协同作为特征图谱参与训练以及计算。其他可行的实施例中，可以选择两者其一或者与其他类型的图像进行组合。
深度特征获取模块，用于将所述测试样本和所述支撑集样本的特征图谱分别对应输入两个深度孪生网络模型得到各自对应的深度特征。具体可以参照实施例1中方法内容的陈述。
距离计算模块，用于基于所述测试样本的深度特征和所述支撑集样本中每类支撑样本对应的深度特征计算特征映射距离。
其中，本实施例中选择欧式距离计算特征映射距离，其他可行的实施例中，可以选择其他相似函数计算特征映射距离。
诊断模块，用于依据测试样本与每类支撑样本对应的特征映射距离确定所述测试样本的局部放电故障诊断结果。其中，具体可以参照方法内容的陈述。
其中，各个单元模块的具体实现过程请参照前述方法的对应过程。应当理解，上述单元模块的具体实现过程参照方法内容，本发明在此不进行具体的赘述，且上述功能模块单元的划分仅仅是一种逻辑功能的划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。同时，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
实施例3：
本实施例提供一种终端，其包括一个或多个处理器和存储一个或多个程序的存储器，所述处理器调用所述存储器内的程序以实现：
一种基于深度孪生网络的电力设备局部放电故障诊断方法的步骤。
譬如，具体执行：
S1：获取待测试电力设备的特征图谱并作为测试样本。
S2：获取电力设备在各类局部放电故障下、无局部放电故障下的特征图谱并作为支撑集样本。
S3：将所述测试样本和所述支撑集样本的特征图谱分别对应输入两个深度孪生网络模型得到各自对应的深度特征。
S4：基于所述测试样本的深度特征和所述支撑集样本中每类支撑样本对应的深度特征计算特征映射距离。
S5：依据测试样本与每类支撑样本对应的特征映射距离确定所述测试样本的局部放电故障诊断结果。
该终端还包括：通信接口，用于与外界设备进行通信，进行数据交互传输。
其中，存储器可能包含高速RAM存储器，也可能还包括非易失性除颤器，例如至少一个磁盘存储器。
如果存储器、处理器和通信接口独立实现，则存储器、处理器和通信接口可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构总线，外部设备互联总线或扩展工业标准体系结构总线等。所述总线可以分为地址总线、数据总线、控制总线等。
可选的，在具体实现上，如果存储器、处理器和通信接口集成在一块芯片上，则存储器、处理器即通信接口可以通过内部接口完成相互之间的通信。
应当理解，上述步骤具体实现过程请参照前述方法的对应过程。
在本发明实施例中，所称处理器可以是中央处理单元(Central ProcessingUnit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如，存储器还可以存储设备类型的信息。
实施例4：
本发明实施例提供一种可读存储介质，其存储了计算机程序，所述计算机程序被处理器调用以实现：
一种基于深度孪生网络的电力设备局部放电故障诊断方法的步骤。
譬如，具体执行：
S1：获取待测试电力设备的特征图谱并作为测试样本。
S2：获取电力设备在各类局部放电故障下、无局部放电故障下的特征图谱并作为支撑集样本。
S3：将所述测试样本和所述支撑集样本的特征图谱分别对应输入两个深度孪生网络模型得到各自对应的深度特征。
S4：基于所述测试样本的深度特征和所述支撑集样本中每类支撑样本对应的深度特征计算特征映射距离。
S5：依据测试样本与每类支撑样本对应的特征映射距离确定所述测试样本的局部放电故障诊断结果。
应当理解，上述步骤具体实现过程请参照前述方法的对应过程。
所述可读存储介质为计算机可读存储介质，其可以是前述任一实施例所述的控制器的内部存储单元，例如控制器的硬盘或内存。所述可读存储介质也可以是所述控制器的外部存储设备，例如所述控制器上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述可读存储介质还可以既包括所述控制器的内部存储单元也包括外部存储设备。所述可读存储介质用于存储所述计算机程序以及所述控制器所需的其他程序和数据。所述可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的可读存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要强调的是，本发明所述的实例是说明性的，而不是限定性的，因此本发明不限于具体实施方式中所述的实例，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，不脱离本发明宗旨和范围的，不论是修改还是替换，同样属于本发明的保护范围。
Claims (8)
1.一种基于深度孪生网络的电力设备局部放电故障诊断方法，其特征在于：包括以下步骤：
步骤1：获取待测试电力设备的特征图谱并作为测试样本，以及获取电力设备在各类局部放电故障下、无局部放电故障下的特征图谱并作为支撑集样本；
其中，所述特征图谱包含局部放电特征信息；所述特征图谱为脉冲序列图谱PRPS、相位图谱PRPD中的组合；
步骤2：将所述测试样本和所述支撑集样本的特征图谱分别对应输入两个深度孪生网络模型得到各自对应的深度特征；
步骤3：基于所述测试样本的深度特征和所述支撑集样本中每类支撑样本对应的深度特征计算特征映射距离；
步骤4：依据测试样本与每类支撑样本对应的特征映射距离确定所述测试样本的局部放电故障诊断结果，具体过程如下：
首先，计算测试样本与每类支撑样本在PRPD图谱、PRPS图谱上的相似距离之和；
E(i)＝EPRPD(i)+EPRPS(i)
E(i)为测试样本和第i类支撑样本在PRPD和PRPS图谱上相似距离之和；EPRPD(i)表示测试样本与第i类支撑样本在PRPD图谱上的相似距离，EPSPD(i)表示测试样本与第i类支撑样本在PRPS图谱上的相似距离；
然后，选择相似距离之和中的最大值Emax对应的支撑样本，选择的支撑样本的类型对应为所述测试样本的局部放电故障诊断结果；
Emax＝Softmax{E(i)}
其中，Softmax为取最大值的函数；
其中，特征映射距离越大，测试样本与对应一类支撑样本越接近。
2.根据权利要求1所述的方法，其特征在于：步骤2中测试样本和支撑样本的深度特征分别表示为：
其中，Ot为测试样本对应的深度特征，为测试样本脉冲序列图谱/>对应的输出结果，/>为测试样本相位图谱/>对应的输出结果；Os(i)为支撑样本对应的深度特征，/>为支撑样本的脉冲序列图谱/>对应的输出结果，/>为支撑样本的相位图谱/>对应的输出结果，i对应支撑样本的类型；
步骤3中测试样本与一类支撑样本的特征映射距离包括在PRPD图谱上的相似距离和在PRPS图谱上的相似距离，表示为：
式中，EPRPD(i)表示测试样本与第i类支撑样本在PRPD图谱上的相似距离，EPSPD(i)表示测试样本与第i类支撑样本在PRPS图谱上的相似距离。
3.根据权利要求1所述的方法，其特征在于：所述相似距离为欧式距离。
4.根据权利要求1所述的方法，其特征在于：所述支撑集样本包括：金属颗粒放电、悬浮放电、电晕放电和绝缘间隙放电和正常无局部放电5类样本。
5.根据权利要求1所述的方法，其特征在于：所述深度孪生网络模型为VGG-16模型，其由多层卷积层、Sigmoid激活函数、Mean-Pooling层及全连接层组成。
6.一种基于权利要求1-5任一项所述方法的***，其特征在于：包括：
样本获取模块，用于获取待测试电力设备的特征图谱并作为测试样本，以及获取电力设备在各类局部放电故障下、无局部放电故障下的特征图谱并作为支撑集样本；
其中，所述特征图谱包含局部放电特征信息；
深度特征获取模块，用于将所述测试样本和所述支撑集样本的特征图谱分别对应输入两个深度孪生网络模型得到各自对应的深度特征；
距离计算模块，用于基于所述测试样本的深度特征和所述支撑集样本中每类支撑样本对应的深度特征计算特征映射距离；
诊断模块，用于依据测试样本与每类支撑样本对应的特征映射距离确定所述测试样本的局部放电故障诊断结果；
其中，特征映射距离越大，测试样本与对应一类支撑样本越接近。
7.一种终端，其特征在于：包括一个或多个处理器和存储一个或多个程序的存储器，所述处理器调用所述存储器内的程序以实现：
权利要求1-5任一项所述方法的步骤。
8.一种可读存储介质，其特征在于：存储了计算机程序，所述计算机程序被处理器调用以实现：
权利要求1-5任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110854734.6A CN113655348B (zh) | 2021-07-28 | 2021-07-28 | 一种基于深度孪生网络的电力设备局部放电故障诊断方法、***终端及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110854734.6A CN113655348B (zh) | 2021-07-28 | 2021-07-28 | 一种基于深度孪生网络的电力设备局部放电故障诊断方法、***终端及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113655348A CN113655348A (zh) | 2021-11-16 |
| CN113655348B true CN113655348B (zh) | 2023-12-08 |
Family
ID=78478839
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110854734.6A Active CN113655348B (zh) | 2021-07-28 | 2021-07-28 | 一种基于深度孪生网络的电力设备局部放电故障诊断方法、***终端及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113655348B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114049507A (zh) * | 2021-11-19 | 2022-02-15 | 国网湖南省电力有限公司 | 基于孪生网络的配网线路绝缘子缺陷识别方法、设备及介质 |
| CN114295942B (zh) * | 2021-11-29 | 2024-03-15 | 国网北京市电力公司 | 电力电缆故障诊断***、电力电缆的故障确定方法及装置 |
| CN114236329A (zh) * | 2021-11-30 | 2022-03-25 | 国网北京市电力公司 | 高压电缆的运行状态的检测方法及装置 |
| CN114520781B (zh) * | 2022-04-21 | 2022-09-30 | 中国科学技术大学 | 基于数字孪生的网络技术和协议测试平台及其测试方法 |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014101579A1 (zh) * | 2012-12-28 | 2014-07-03 | 国家电网公司 | 基于奇异值分解算法的变压器局部放电模式识别方法 |
| CN104198898A (zh) * | 2014-08-04 | 2014-12-10 | 西安交通大学 | 基于脉冲序列分析的局部放电发展过程诊断方法 |
| WO2015070513A1 (zh) * | 2013-11-14 | 2015-05-21 | 国家电网公司 | 一种三相共筒式超高压gis局部放电的模式识别方法 |
| CN105044566A (zh) * | 2015-06-25 | 2015-11-11 | 国家电网公司 | 一种基于特征超高频信号的gis局部放电故障检测方法 |
| CN106556781A (zh) * | 2016-11-10 | 2017-04-05 | 华乘电气科技（上海）股份有限公司 | 基于深度学习的局部放电缺陷图像诊断方法及*** |
| CN107449994A (zh) * | 2017-07-04 | 2017-12-08 | 国网江苏省电力公司电力科学研究院 | 基于cnn‑dbn网络的局放故障诊断方法 |
| CN108596277A (zh) * | 2018-05-10 | 2018-09-28 | 腾讯科技（深圳）有限公司 | 一种车辆身份识别方法、装置和存储介质 |
| CN108805200A (zh) * | 2018-06-08 | 2018-11-13 | 中国矿业大学 | 基于深度孪生残差网络的光学遥感场景分类方法及装置 |
| CN109188211A (zh) * | 2018-07-30 | 2019-01-11 | 上海交通大学 | 一种高压设备绝缘故障诊断方法和*** |
| CN109376990A (zh) * | 2018-09-14 | 2019-02-22 | 中国电力科学研究院有限公司 | 一种基于Siamese网络模型确定电力***的临界切除时间的方法及*** |
| CN109766921A (zh) * | 2018-12-19 | 2019-05-17 | 合肥工业大学 | 一种基于深度领域自适应的振动数据故障分类方法 |
| CN110412431A (zh) * | 2019-08-05 | 2019-11-05 | 国网湖南省电力有限公司 | 一种电力设备的局部放电缺陷类型的诊断方法及诊断*** |
| CN110533654A (zh) * | 2019-08-30 | 2019-12-03 | 北京明略软件***有限公司 | 零部件的异常检测方法及装置 |
| CN110648320A (zh) * | 2019-09-19 | 2020-01-03 | 京东方科技集团股份有限公司 | 骨龄获取方法及***、服务器、计算机设备及介质 |
| CN111612763A (zh) * | 2020-05-20 | 2020-09-01 | 重庆邮电大学 | 手机屏幕缺陷检测方法、装置及***、计算机设备及介质 |
| CN111613339A (zh) * | 2020-05-15 | 2020-09-01 | 山东大学 | 一种基于深度学习的相似病历查找方法与*** |
| CN112070104A (zh) * | 2020-07-10 | 2020-12-11 | 国网浙江平阳县供电有限责任公司 | 主变压器局部放电识别方法 |
| CN112418451A (zh) * | 2020-11-05 | 2021-02-26 | 武汉大学 | 基于数字孪生的变压器故障诊断定位*** |
| CN112686093A (zh) * | 2020-12-02 | 2021-04-20 | 重庆邮电大学 | 一种基于ds证据理论的融合局部放电类型识别方法 |
| CN112949402A (zh) * | 2021-02-01 | 2021-06-11 | 南京航空航天大学 | 极小故障样本量下行星齿轮箱故障诊断方法 |
| CN113064032A (zh) * | 2021-03-26 | 2021-07-02 | 云南电网有限责任公司电力科学研究院 | 一种基于图谱特征和信息融合的局部放电模式识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080036487A1 (en) * | 2006-08-09 | 2008-02-14 | Arm Limited | Integrated circuit wearout detection |
-
2021
- 2021-07-28 CN CN202110854734.6A patent/CN113655348B/zh active Active
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014101579A1 (zh) * | 2012-12-28 | 2014-07-03 | 国家电网公司 | 基于奇异值分解算法的变压器局部放电模式识别方法 |
| WO2015070513A1 (zh) * | 2013-11-14 | 2015-05-21 | 国家电网公司 | 一种三相共筒式超高压gis局部放电的模式识别方法 |
| CN104198898A (zh) * | 2014-08-04 | 2014-12-10 | 西安交通大学 | 基于脉冲序列分析的局部放电发展过程诊断方法 |
| CN105044566A (zh) * | 2015-06-25 | 2015-11-11 | 国家电网公司 | 一种基于特征超高频信号的gis局部放电故障检测方法 |
| CN106556781A (zh) * | 2016-11-10 | 2017-04-05 | 华乘电气科技（上海）股份有限公司 | 基于深度学习的局部放电缺陷图像诊断方法及*** |
| CN107449994A (zh) * | 2017-07-04 | 2017-12-08 | 国网江苏省电力公司电力科学研究院 | 基于cnn‑dbn网络的局放故障诊断方法 |
| CN108596277A (zh) * | 2018-05-10 | 2018-09-28 | 腾讯科技（深圳）有限公司 | 一种车辆身份识别方法、装置和存储介质 |
| CN108805200A (zh) * | 2018-06-08 | 2018-11-13 | 中国矿业大学 | 基于深度孪生残差网络的光学遥感场景分类方法及装置 |
| CN109188211A (zh) * | 2018-07-30 | 2019-01-11 | 上海交通大学 | 一种高压设备绝缘故障诊断方法和*** |
| CN109376990A (zh) * | 2018-09-14 | 2019-02-22 | 中国电力科学研究院有限公司 | 一种基于Siamese网络模型确定电力***的临界切除时间的方法及*** |
| CN109766921A (zh) * | 2018-12-19 | 2019-05-17 | 合肥工业大学 | 一种基于深度领域自适应的振动数据故障分类方法 |
| CN110412431A (zh) * | 2019-08-05 | 2019-11-05 | 国网湖南省电力有限公司 | 一种电力设备的局部放电缺陷类型的诊断方法及诊断*** |
| CN110533654A (zh) * | 2019-08-30 | 2019-12-03 | 北京明略软件***有限公司 | 零部件的异常检测方法及装置 |
| CN110648320A (zh) * | 2019-09-19 | 2020-01-03 | 京东方科技集团股份有限公司 | 骨龄获取方法及***、服务器、计算机设备及介质 |
| CN111613339A (zh) * | 2020-05-15 | 2020-09-01 | 山东大学 | 一种基于深度学习的相似病历查找方法与*** |
| CN111612763A (zh) * | 2020-05-20 | 2020-09-01 | 重庆邮电大学 | 手机屏幕缺陷检测方法、装置及***、计算机设备及介质 |
| CN112070104A (zh) * | 2020-07-10 | 2020-12-11 | 国网浙江平阳县供电有限责任公司 | 主变压器局部放电识别方法 |
| CN112418451A (zh) * | 2020-11-05 | 2021-02-26 | 武汉大学 | 基于数字孪生的变压器故障诊断定位*** |
| CN112686093A (zh) * | 2020-12-02 | 2021-04-20 | 重庆邮电大学 | 一种基于ds证据理论的融合局部放电类型识别方法 |
| CN112949402A (zh) * | 2021-02-01 | 2021-06-11 | 南京航空航天大学 | 极小故障样本量下行星齿轮箱故障诊断方法 |
| CN113064032A (zh) * | 2021-03-26 | 2021-07-02 | 云南电网有限责任公司电力科学研究院 | 一种基于图谱特征和信息融合的局部放电模式识别方法 |
Non-Patent Citations (6)
| Title |
|---|
| Understanding of Incipient discharges in Transformer Insulation by reconstruction of Digital Twins for the discharges using Generative Adversarial Networks;Mahidhar, GDP 等;《IEEE》;全文 * |
| VMD-PE协同SNN的输电线路故障辨识方法;付华;金岑;;电子测量与仪器学报(第06期);全文 * |
| 付华 ; 金岑 ; .VMD-PE协同SNN的输电线路故障辨识方法.电子测量与仪器学报.2020,(第06期),全文. * |
| 基于变分贝叶斯自编码器的局部放电数据匹配方法;宋辉;代杰杰;张卫东;毕凯;罗林根;盛戈;江秀臣;;中国电机工程学报(第19期);全文 * |
| 基于深度稀疏降噪自编码网络的局部放电模式识别;郗晓光;何金;曹梦;陈荣;宋晓博;李苏雅;;电气自动化(第04期);全文 * |
| 小样本条件下基于卷积孪生网络的变压器故障诊断;朱瑞金等;电力***及其自动化学报;第33卷(第1期);64-69、84 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113655348A (zh) | 2021-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113655348B (zh) | 一种基于深度孪生网络的电力设备局部放电故障诊断方法、***终端及可读存储介质 | |
| Bessous et al. | Diagnosis of bearing defects in induction motors using discrete wavelet transform | |
| CN112034310A (zh) | 一种组合电器局部放电缺陷诊断方法及*** | |
| CN111044570A (zh) | 电力设备的缺陷识别及预警方法、装置及计算机设备 | |
| CN113409284B (zh) | 电路板故障检测方法、装置、设备以及存储介质 | |
| CN112146882B (zh) | 基于迁移学习振动信号图像识别的轴承故障诊断方法 | |
| CN114360030A (zh) | 一种基于卷积神经网络的人脸识别方法 | |
| CN113358993B (zh) | 一种多电平变换器igbt的在线故障诊断方法及*** | |
| CN115908142B (zh) | 一种基于视觉识别的接触网微小部件验损方法 | |
| CN216848010U (zh) | 一种边缘计算的电缆局放在线监测装置 | |
| CN109557434B (zh) | 基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法 | |
| Yu et al. | Design of the transmission line inspection system based on UAV | |
| CN114325433A (zh) | 基于电化学阻抗谱测试的锂离子电池故障检测方法和*** | |
| CN117630800A (zh) | 一种电能表自动检定装置故障诊断方法及*** | |
| CN112881879A (zh) | 一种高压电缆终端局部放电模式识别方法、装置及设备 | |
| Liu et al. | Research on fault diagnosis method of vehicle cable terminal based on time series segmentation for graph neural network model | |
| CN113283316A (zh) | 一种基于声音信号的开关机械故障诊断方法、装置及设备 | |
| CN115130516A (zh) | 一种基于图谱功率谱熵的gis设备状态辨识方法及装置 | |
| CN115236272A (zh) | 多工况条件下的气体传感器故障诊断方法、装置及存储介质 | |
| CN111597957B (zh) | 基于形态学图像处理的变压器绕组故障诊断方法 | |
| CN111597096B (zh) | 一种基准测试方法、***及终端设备 | |
| CN114841222A (zh) | 配电***、高压断路器故障检测模型及方法 | |
| CN114186784A (zh) | 基于边缘计算的电学考试评分方法、***、介质及设备 | |
| CN114970601A (zh) | 一种电力设备局部放电类型识别方法、设备及存储介质 | |
| Wu et al. | Hilbert ID considering multi-window feature extraction for transformer deep vision fault positioning |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |