CN115563500A - 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*** - Google Patents
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*** Download PDFInfo
- Publication number
- CN115563500A CN115563500A CN202211197159.8A CN202211197159A CN115563500A CN 115563500 A CN115563500 A CN 115563500A CN 202211197159 A CN202211197159 A CN 202211197159A CN 115563500 A CN115563500 A CN 115563500A
- Authority
- CN
- China
- Prior art keywords
- network
- partial discharge
- data
- training
- cnn model
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种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***,所述方法包括将获取到的原始局部放电信号划分为训练集与测试集;利用GAN网络对所述训练集进行数据增强,获得数据增强后的训练集;利用所述数据增强后的训练集,对获取到的1D‑CNN模型进行训练,获得优化后的1D‑CNN模型;将所述测试集作为优化后的1D‑CNN模型的输入,输出最终的分类结果,完成配电设备局部放电模式识别。本发明能够解决传统分类模型识别精度较低和泛化能力较差等问题,且舍去了繁杂的人工提取统计特征参数等步骤,更适用于工程实际。
Description
技术领域
本发明属于配电设备局部放电检测领域,具体涉及一种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***。
背景技术
压配电设备的绝缘状态与局部放电关系密切。由于设备老化或外力破坏等因素,配电设备绝缘层中会产生空隙、杂质、气泡等缺陷。实际运行过程中,这些局部缺陷上的场强达到绝缘击穿场强时,就会发生局部放电。配电设备的局部放电发展过程具有随机性与偶然性,不同种类的局部放电现象在结构中表现出高度的相似性,以及现场环境的复杂性,都是影响研究人员对现场局部放电类型进行精确识别的重要因素。
目前对于配电设备局部放电的模式识别方法已经开展了一定的研究,现有局部放电的类型识别建立在局部放电信号TRPD谱图和PRPD谱图特征参数提取的基础上,用于局部放电模式识别智能方法主要为基于支持向量机的模式识别和基于人工神经网络的模式识别。然而,支持向量机中核函数与核关键参数的选取缺乏数学规律性与理论支撑性,且将传统SVM的二分类问题转换为多分类问题容易造成误差叠加、无法分类等问题。人工神经网络是目前较为主流的局部放电模式识别方法,具有抗干扰能力强、识别准确率高等特点。然而人工神经网络大多需要大样本数据对分类器的权重参数进行训练,以提高分类器的泛化性能。再者,传统的人工神经网络在发展过程中遇到瓶颈,识别精度受到限制。因此,需要提出新的配电设备局部放电模式识别方法,对以上问题进行优化研究。
发明内容
针对上述问题,本发明提出一种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***,能够解决传统分类模型识别精度较低和泛化能力较差等问题,且舍去了繁杂的人工提取统计特征参数等步骤,更适用于工程实际。
为了实现上述技术目的,达到上述技术效果,本发明通过以下技术方案实现:
第一方面,本发明提供了一种基于数据增强技术的配电设备局部放电模式识别方法,包括:
将获取到的原始局部放电信号划分为训练集与测试集;
利用GAN网络对所述训练集进行数据增强,获得数据增强后的训练集;
利用所述数据增强后的训练集,对获取到的1D-CNN模型进行训练,获得优化后的1D-CNN模型;
将所述测试集作为优化后的1D-CNN模型的输入,输出最终的分类结果,完成配电设备局部放电模式识别。
可选地,所述原始局部放电信号为TRPD谱图;
在所述将获取到的局部放电信号划分为训练集与测试集步骤之前还包括:对获取到的局部放电信号进行数据预处理,所述数据预处理具体包括:
根据1D-CNN的卷积原理,对获取到的TRPD谱图进行一维化处理;
对一维化处理后的数据进行归一化处理。
可选地,所述GAN网络包括相连的判别器网络和生成器网络;所述数据增强后的训练集的获取方法包括:
向生成器网络中输入随机数据,所述生成器网络输出生成数据;
将所述生成数据和训练集中的数据均输入至判别器网络,由所述判别器网络评估生成数据为真的概率;
轮流训练生成器网络与判别器网络之间权重参数,直至达到纳什均衡,最终获得数据增强后的训练集。
可选地,所述优化后的1D-CNN模型的通过以下步骤训练获得:
对获取到的1D-CNN模型的超参数进行调节,确定1D-CNN模型最终的网络结构;
编译1D-CNN模型的网络参数;
利用所述数据增强后的训练集对1D-CNN模型进行训练,在训练过程中,利用分类交叉熵损失函数衡量预测值与真实值之间的距离,利用随机梯度下降算法计算损失相对于网络参数的梯度,不断优化1D-CNN模型的网络参数,使得分类交叉熵损失函数取值最小,获得优化后的1D-CNN模型。
第二方面,本发明提供了一种基于数据增强技术的配电设备局部放电模式识别装置,包括:
划分模块,用于将获取到的原始局部放电信号划分为训练集与测试集;
数据增强模块,用于利用GAN网络对所述训练集进行数据增强,获得数据增强后的训练集;
模型优化模块,用于利用所述数据增强后的训练集,对获取到的1D-CNN模型进行训练,获得优化后的1D-CNN模型;
识别模块,用于将所述测试集作为优化后的1D-CNN模型的输入,输出最终的分类结果,完成配电设备局部放电模式识别。
可选地,所述原始局部放电信号为TRPD谱图;所述基于数据增强技术的配电设备局部放电模式识别装置还包括:
数据预处理模块,用于对获取到的局部放电信号进行数据预处理,所述数据预处理模块包括:
一维化处理子模块,用于根据1D-CNN的卷积原理,对获取到的TRPD谱图进行一维化处理;
归一化处理子模块,用于对一维化处理后的数据进行归一化处理。
可选地,所述GAN网络包括相连的判别器网络和生成器网络;所述数据增强模块包括:
第一输入子模块,用于向生成器网络中输入随机数据,所述生成器网络输出生成数据;
第二输入子模块,用于将所述生成数据和训练集中的数据均输入至判别器网络,由所述判别器网络评估生成数据为真的概率;
训练子模块,用于轮流训练生成器网络与判别器网络之间权重参数,直至达到纳什均衡,最终获得数据增强后的训练集。
可选地,所述模型优化模块包括:
网络结构确定子模块,用于对获取到的1D-CNN模型的超参数进行调节,确定1D-CNN模型最终的网络结构;
编译子模块,用于编译1D-CNN模型的网络参数;
训练子模块,用于利用所述数据增强后的训练集对1D-CNN模型进行训练,在训练过程中,利用分类交叉熵损失函数衡量预测值与真实值之间的距离,利用随机梯度下降算法计算损失相对于网络参数的梯度,不断优化1D-CNN模型的网络参数,使得分类交叉熵损失函数取值最小,获得优化后的1D-CNN模型。
第三方面,本发明提供了一种基于数据增强技术的配电设备局部放电模式识别***,包括存储介质和处理器;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据第一方面中任一项所述方法的步骤。
与现有技术相比,本发明的有益效果:
本发明基于数据增强技术扩充了原始的训练集,生成了数据增强后的训练集,并利用数据增强后的训练集对1D-CNN模型进行训练,通过合理运用数据增强技术能够有效降低小样本下的模型过拟合风险,舍去了繁杂的人工提取统计特征参数等步骤,提高识别精度,通过分析1D-CNN模型的模型结构确定了最优的网络深度以及卷积核尺寸,能够有效提高局部放电模式的在线识别精度与效率。
附图说明
为了使本发明的内容更容易被清楚地理解,下面根据具体实施例并结合附图,对本发明作进一步详细的说明,其中:
图1为本发明一种实施例的基于数据增强技术的配电设备局部放电模式识别方法流程图;
图2(a)为本发明一种实施例的电晕放电下基于GAN的人工生成样本与原始样本;
图2(b)为本发明一种实施例的内部放电下基于GAN的人工生成样本与原始样本;
图2(c)为本发明一种实施例的悬浮放电下基于GAN的人工生成样本与原始样本;
图2(d)为本发明一种实施例的表面放电下基于GAN的人工生成样本与原始样本;
图3为本发明一种实施例的基于数据增强技术的局部放电模式识别混淆矩阵;
图4为BPNN模式识别混淆矩阵;
图5为SVM模式识别混淆矩阵。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明的保护范围。
下面结合附图对本发明的应用原理作详细的描述。
实施例1
本发明实施例中提供了一种基于数据增强技术的配电设备局部放电模式识别方法,包括以下步骤:
(1)将获取到的原始局部放电信号划分为训练集与测试集;
(2)利用GAN网络对所述训练集进行数据增强,获得数据增强后的训练集;
(3)利用所述数据增强后的训练集,对获取到的1D-CNN模型进行训练,获得优化后的1D-CNN模型;
(4)将所述测试集作为优化后的1D-CNN模型的输入,输出最终的分类结果,完成配电设备局部放电模式识别。
在本发明实施例的一种具体实施方式中,所述原始局部放电信号为TRPD谱图,TRPD谱图为时域波形数据;为了提高数据增强技术与模式识别方法的训练速度和识别效率,如图1所示,在所述将获取到的局部放电信号划分为训练集与测试集步骤之前还包括,对获取到的局部放电信号进行数据预处理,所述数据预处理具体包括以下步骤:
根据1D-CNN的卷积原理,利用一维卷积核对TRPD谱图进行一维化处理,以充分利用局部放电时域波形一维特性;
之后对一维化处理后的数据进行归一化处理,所述归一化处理采用的是现有技术中的归一化公式。
在本发明实施例的一种具体实施方式中,所述GAN网络包括相连的判别器网络和生成器网络;所述数据增强后的训练集的获取方法包括以下步骤:
向生成器网络中输入随机数据,所述生成器网络输出生成数据;
将所述生成数据和训练集中的数据均输入至判别器网络,由所述判别器网络评估生成数据为真的概率;
轮流训练生成器网络与判别器网络之间权重参数,直至达到纳什均衡,最终获得数据增强后的训练集。
下面结合一具体实施过程对本发明实施例中GAN网络的原理进行详细说明:
以噪声信号z~N(0,1)作为生成器网络的输入,由生成器网络合成一个伪局部放电信号(即人工局放样本)来欺骗判别器网络,判别器网络给出关于伪局部放电信号的预测,经过多轮充分训练后GAN网络达到纳什均衡状态。GAN网络的简要实现流程如下:
生成器网络将噪声信号映射为人工局放样本;所述人工局放样本以TRPD谱图形式存在;
将所述人工局放样本和步骤(1)中的训练集均输入至判别器网络,由判别器网络将人工局放样本映射到一个二进制分数,所述二进制分数用于评估人工局放样本为真的概率,即判别器网络对生成器网络输出的人工局放样本的真实性进行评估;
轮流训练生成器网络与判别器网络之间权重参数,直至达到纳什均衡,在训练过程中,利用GAN网络的损失相对于生成器网络权重的梯度训练生成器网络,权重更新的方向为让判别器网络将人工局放样本划分为“真”的概率最大。
在本发明实施例的一种具体实施方式中,所述优化后的1D-CNN模型的通过以下步骤训练获得:
对获取到的1D-CNN模型的超参数进行调节,确定1D-CNN模型最终的网络结构;
编译1D-CNN模型的网络参数;
利用所述数据增强后的训练集对1D-CNN模型进行训练,在训练过程中,利用分类交叉熵损失函数衡量预测值与真实值之间的距离,利用随机梯度下降算法计算损失相对于网络参数的梯度,不断优化1D-CNN模型的网络参数,使得分类交叉熵损失函数取值最小,获得优化后的1D-CNN模型。
下面结合一具体实施方式对本发明实施例中的识别方法进行详细说明。
本实施方式中以100MSa/s的采样率在40μs内采样获得原始局部放电信号,该原始局部放电信号为一种具有4000个采样点的TRPD图谱,将生成器网络的输出神经元维数和判别器网络的输入神经元维数均确定为4000维。生成器网络和判别器网络的详细参数如表1所示。
表1生成器网络和判别器网络参数
为提高GAN网络的训练稳定性,在编译GAN网络时,采用正态分布对潜在空间中的点进行采样,使用tanh函数作为生成器网络输出层的激活函数,此外,引入Dropout正则化和标签噪声等随机性因素提高模型鲁棒性。为避免GAN网络训练初期可能出现的梯度消失问题,引入LeakyReLU层代替ReLU激活函数。最终得到人工生成的四种局部放电样本,原始训练集中的样本和人工生成局部放电样本的TRPD谱图如图2(a)-图2(d)所示。
基于数据增强技术的局部放电样本识别混淆矩阵如图3所示,对四种典型缺陷下的局部放电模式识别的平均正确率为98.8%。四种局部放电类型中,电晕放电(corona)和表面放电(surface)的识别率为100%,内部放电(internal)的识别正确率为98.4%,有1.6%的内部放电测试样本被1D-CNN错误识别为悬浮放电。悬浮放电(float)的识别正确率最低,但也达到了96.8%,其中有2.2%的悬浮样本被网络识别为内部放电,有1%的悬浮样本被识别为表面放电。
为验证本发明实施例所提识别方法的有效性,将本发明中提出的基于1D-CNN的模式识别方法性能与传统分类模型进行对比。传统分类模型一为反向传播神经网络(BPNN),模型输入层节点数为2000,隐含层节点数为100,学习速率0.0005;传统分类模型二为支持向量机(SVM),采用径向基核函数,惩罚因子为1000。通过提取局部放电信号的PRPD谱图和TRPD谱图的统计特征值作为两种分类模型的输入向量,统计特征值由放电量因数、偏斜度、正负半周相关系数、峰度等19个统计特征参数组成。训练样本均采用经过数据增强技术进行样本扩充后的局部放电训练样本集,BPNN和SVM的模式识别混淆矩阵如图4、5所示。
从图4、5可以看出,基于BPNN的模式识别平均正确率为82.55%,基于SVM的模式识别平均正确率为85.95%,BPNN对电晕放电和表面放电的识别率较高,但对于内部放电和悬浮放电这两种波形较为相似的局部放电现象,BPNN模型并不能有效提高其识别正确率。SVM模型的识别精度比BPNN略好,然而对内部放电和悬浮放电的识别率也不尽如人意。
表2显示了1D-CNN模式识别方法与传统分类模型对各个局部放电模式的识别率变化情况,能够直观看出1D-CNN模型对各类缺陷的识别精度均远高于传统的BPNN和SVM模型。对于电晕放电和表面放电这两种特征较为明显的局部放电现象,1D-CNN模型表现出极高的识别准确率;内部放电和悬浮放电表现出高度的波形相似性,对于内部放电,1D-CNN的识别准确率为98.4%,比BPNN和SVM分别高出18.8%和14.8%;而1D-CNN对悬浮放电的识别准确率为96.8%,比BPNN和SVM分别高出21%和17.6%。分析其原因,主要在于1D-CNN凭借多级的深度卷积操作,能够准确提取原始数据特征,而传统分类器采取的统计特征参数容易丢失数据的细节特征,降低了模式识别精度。
表2 1D-CNN各缺陷类型识别结果对比
将所提1D-CNN模型与目前流行的2D-CNN模型识别性能进行对比分析,保持2D-CNN的网络结构复杂度与1D-CNN相同,2D-CNN的网络输入由1×2116的时域向量转换为46×46的局部放电波形图像,卷积核由1×9转换为3×3,池化核由1×4转换为2×2,网络层数和特征通道数与1D-CNN保持一致。两个模型的识别性能如表3所示。
表3相同复杂度下的1D-CNN与2D-CNN模型识别性能比较
在相同的模型复杂度下,2D-CNN模型的平均识别率为96.9%,比1D-CNN低1.9%。可以看出,相比2D-CNN,1D-CNN能够更好的提取局部放电TRPD谱图的一维特征参数,具有更高的识别准确率。在计算效率上,1D-CNN的训练时间为815.3s,而2D-CNN的训练时间达到了1168.5s,比前者多花费353.2s。分析其原因,主要为1D-CNN的模型输入为一维局部放电序列,而2D-CNN的模型输入为二维图像矩阵,卷积核在1D-CNN模型中仅在时间序列上进行滑动卷积操作,而在2D-CNN模型中需要对输入图像的宽度和高度等两个维度进行滑动窗口操作。此外,2D-CNN需要对局部放电检测仪采集到的数据进行格式转换,对生成的图像还需要进行图像归一化与二值化操作,这些繁杂的人工步骤也增加了模型的计算时间。相反,1D-CNN能够对采集的局部放电数据进行直接的识别操作,简化了人为输入特征谱图的步骤,提高了模式识别效率,更加适用于工程实际。
实施例2
本发明实施例中提供了一种基于数据增强技术的配电设备局部放电模式识别装置,包括:
划分模块,用于将获取到的原始局部放电信号划分为训练集与测试集;
数据增强模块,用于利用GAN网络对所述训练集进行数据增强,获得数据增强后的训练集;
模型优化模块,用于利用所述数据增强后的训练集,对获取到的1D-CNN模型进行训练,获得优化后的1D-CNN模型;
识别模块,用于将所述测试集作为优化后的1D-CNN模型的输入,输出最终的分类结果,完成配电设备局部放电模式识别。
在本发明实施例的一种具体实施方式中,所述原始局部放电信号为TRPD谱图;所述基于数据增强技术的配电设备局部放电模式识别装置还包括:
数据预处理模块,用于对获取到的局部放电信号进行数据预处理,所述数据预处理模块包括:
一维化处理子模块,用于根据1D-CNN的卷积原理,对获取到的TRPD谱图进行一维化处理;
归一化处理子模块,用于对一维化处理后的数据进行归一化处理。
在本发明实施例的一种具体实施方式中,所述GAN网络包括相连的判别器网络和生成器网络;所述数据增强模块包括:
第一输入子模块,用于向生成器网络中输入随机数据,所述生成器网络输出生成数据;
第二输入子模块,用于将所述生成数据和训练集中的数据均输入至判别器网络,由所述判别器网络评估生成数据为真的概率;
训练子模块,用于轮流训练生成器网络与判别器网络之间权重参数,直至达到纳什均衡,最终获得数据增强后的训练集。
在本发明实施例的一种具体实施方式中,所述模型优化模块包括:
网络结构确定子模块,用于对获取到的1D-CNN模型的超参数进行调节,确定1D-CNN模型最终的网络结构;
编译子模块,用于编译1D-CNN模型的网络参数;
训练子模块,用于利用所述数据增强后的训练集对1D-CNN模型进行训练,在训练过程中,利用分类交叉熵损失函数衡量预测值与真实值之间的距离,利用随机梯度下降算法计算损失相对于网络参数的梯度,不断优化1D-CNN模型的网络参数,使得分类交叉熵损失函数取值最小,获得优化后的1D-CNN模型。
下面结合一具体实施方式对本发明实施例中的识别方法进行详细说明。
本实施方式中以100MSa/s的采样率在40μs内采样获得原始局部放电信号,该原始局部放电信号为一种具有4000个采样点的TRPD图谱,将生成器网络的输出神经元维数和判别器网络的输入神经元维数均确定为4000维。生成器网络和判别器网络的详细参数如表1所示。
表1生成器网络和判别器网络参数
为提高GAN网络的训练稳定性,在编译GAN网络时,采用正态分布对潜在空间中的点进行采样,使用tanh函数作为生成器网络输出层的激活函数,此外,引入Dropout正则化和标签噪声等随机性因素提高模型鲁棒性。为避免GAN网络训练初期可能出现的梯度消失问题,引入LeakyReLU层代替ReLU激活函数。最终得到人工生成的四种局部放电样本,原始训练集中的样本和人工生成局部放电样本的TRPD谱图如图2(a)-图2(d)所示。
基于数据增强技术的局部放电样本识别混淆矩阵如图3所示,对四种典型缺陷下的局部放电模式识别的平均正确率为98.8%。四种局部放电类型中,电晕放电(corona)和表面放电(surface)的识别率为100%,内部放电(internal)的识别正确率为98.4%,有1.6%的内部放电测试样本被1D-CNN错误识别为悬浮放电。悬浮放电(float)的识别正确率最低,但也达到了96.8%,其中有2.2%的悬浮样本被网络识别为内部放电,有1%的悬浮样本被识别为表面放电。
为验证本发明实施例所提识别方法的有效性,将本发明中提出的基于1D-CNN的模式识别方法性能与传统分类模型进行对比。传统分类模型一为反向传播神经网络(BPNN),模型输入层节点数为2000,隐含层节点数为100,学习速率0.0005;传统分类模型二为支持向量机(SVM),采用径向基核函数,惩罚因子为1000。通过提取局部放电信号的PRPD谱图和TRPD谱图的统计特征值作为两种分类模型的输入向量,统计特征值由放电量因数、偏斜度、正负半周相关系数、峰度等19个统计特征参数组成。训练样本均采用经过数据增强技术进行样本扩充后的局部放电训练样本集,BPNN和SVM的模式识别混淆矩阵如图4、5所示。
从图4、5可以看出,基于BPNN的模式识别平均正确率为82.55%,基于SVM的模式识别平均正确率为85.95%,BPNN对电晕放电和表面放电的识别率较高,但对于内部放电和悬浮放电这两种波形较为相似的局部放电现象,BPNN模型并不能有效提高其识别正确率。SVM模型的识别精度比BPNN略好,然而对内部放电和悬浮放电的识别率也不尽如人意。
表2显示了1D-CNN模式识别方法与传统分类模型对各个局部放电模式的识别率变化情况,能够直观看出1D-CNN模型对各类缺陷的识别精度均远高于传统的BPNN和SVM模型。对于电晕放电和表面放电这两种特征较为明显的局部放电现象,1D-CNN模型表现出极高的识别准确率;内部放电和悬浮放电表现出高度的波形相似性,对于内部放电,1D-CNN的识别准确率为98.4%,比BPNN和SVM分别高出18.8%和14.8%;而1D-CNN对悬浮放电的识别准确率为96.8%,比BPNN和SVM分别高出21%和17.6%。分析其原因,主要在于1D-CNN凭借多级的深度卷积操作,能够准确提取原始数据特征,而传统分类器采取的统计特征参数容易丢失数据的细节特征,降低了模式识别精度。
表2 1D-CNN各缺陷类型识别结果对比
将所提1D-CNN模型与目前流行的2D-CNN模型识别性能进行对比分析,保持2D-CNN的网络结构复杂度与1D-CNN相同,2D-CNN的网络输入由1×2116的时域向量转换为46×46的局部放电波形图像,卷积核由1×9转换为3×3,池化核由1×4转换为2×2,网络层数和特征通道数与1D-CNN保持一致。两个模型的识别性能如表3所示。
表3相同复杂度下的1D-CNN与2D-CNN模型识别性能比较
在相同的模型复杂度下,2D-CNN模型的平均识别率为96.9%,比1D-CNN低1.9%。可以看出,相比2D-CNN,1D-CNN能够更好的提取局部放电TRPD谱图的一维特征参数,具有更高的识别准确率。在计算效率上,1D-CNN的训练时间为815.3s,而2D-CNN的训练时间达到了1168.5s,比前者多花费353.2s。分析其原因,主要为1D-CNN的模型输入为一维局部放电序列,而2D-CNN的模型输入为二维图像矩阵,卷积核在1D-CNN模型中仅在时间序列上进行滑动卷积操作,而在2D-CNN模型中需要对输入图像的宽度和高度等两个维度进行滑动窗口操作。此外,2D-CNN需要对局部放电检测仪采集到的数据进行格式转换,对生成的图像还需要进行图像归一化与二值化操作,这些繁杂的人工步骤也增加了模型的计算时间。相反,1D-CNN能够对采集的局部放电数据进行直接的识别操作,简化了人为输入特征谱图的步骤,提高了模式识别效率,更加适用于工程实际。
实施例3
基于与实施例1相同的发明构思,本发明实施例中提供了一种基于数据增强技术的配电设备局部放电模式识别***,包括存储介质和处理器;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据实施例1中任一项所述方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、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。
以上结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.一种基于数据增强技术的配电设备局部放电模式识别方法,其特征在于,包括:
将获取到的原始局部放电信号划分为训练集与测试集;
利用GAN网络对所述训练集进行数据增强,获得数据增强后的训练集;
利用所述数据增强后的训练集,对获取到的1D-CNN模型进行训练,获得优化后的1D-CNN模型;
将所述测试集作为优化后的1D-CNN模型的输入,输出最终的分类结果,完成配电设备局部放电模式识别。
2.根据权利要求1所述的一种基于数据增强技术的配电设备局部放电模式识别方法,其特征在于:所述原始局部放电信号为TRPD谱图;
在所述将获取到的局部放电信号划分为训练集与测试集步骤之前还包括:对获取到的局部放电信号进行数据预处理,所述数据预处理具体包括:
根据1D-CNN的卷积原理,对获取到的TRPD谱图进行一维化处理;
对一维化处理后的数据进行归一化处理。
3.根据权利要求1所述的一种基于数据增强技术的配电设备局部放电模式识别方法,其特征在于:所述GAN网络包括相连的判别器网络和生成器网络;所述数据增强后的训练集的获取方法包括:
向生成器网络中输入随机数据,所述生成器网络输出生成数据;
将所述生成数据和训练集中的数据均输入至判别器网络,由所述判别器网络评估生成数据为真的概率;
轮流训练生成器网络与判别器网络之间权重参数,直至达到纳什均衡,最终获得数据增强后的训练集。
4.根据权利要求1所述的一种基于数据增强技术的配电设备局部放电模式识别方法,其特征在于:所述优化后的1D-CNN模型的通过以下步骤训练获得:
对获取到的1D-CNN模型的超参数进行调节,确定1D-CNN模型最终的网络结构;
编译1D-CNN模型的网络参数;
利用所述数据增强后的训练集对1D-CNN模型进行训练,在训练过程中,利用分类交叉熵损失函数衡量预测值与真实值之间的距离,利用随机梯度下降算法计算损失相对于网络参数的梯度,不断优化1D-CNN模型的网络参数,使得分类交叉熵损失函数取值最小,获得优化后的1D-CNN模型。
5.一种基于数据增强技术的配电设备局部放电模式识别装置,其特征在于,包括:
划分模块,用于将获取到的原始局部放电信号划分为训练集与测试集;
数据增强模块,用于利用GAN网络对所述训练集进行数据增强,获得数据增强后的训练集;
模型优化模块,用于利用所述数据增强后的训练集,对获取到的1D-CNN模型进行训练,获得优化后的1D-CNN模型;
识别模块,用于将所述测试集作为优化后的1D-CNN模型的输入,输出最终的分类结果,完成配电设备局部放电模式识别。
6.根据权利要求5所述的一种基于数据增强技术的配电设备局部放电模式识别装置,其特征在于,所述原始局部放电信号为TRPD谱图;所述基于数据增强技术的配电设备局部放电模式识别装置还包括:
数据预处理模块,用于对获取到的局部放电信号进行数据预处理,所述数据预处理模块包括:
一维化处理子模块,用于根据1D-CNN的卷积原理,对获取到的TRPD谱图进行一维化处理;
归一化处理子模块,用于对一维化处理后的数据进行归一化处理。
7.根据权利要求5所述的一种基于数据增强技术的配电设备局部放电模式识别装置,其特征在于,所述GAN网络包括相连的判别器网络和生成器网络;所述数据增强模块包括:
第一输入子模块,用于向生成器网络中输入随机数据,所述生成器网络输出生成数据;
第二输入子模块,用于将所述生成数据和训练集中的数据均输入至判别器网络,由所述判别器网络评估生成数据为真的概率;
训练子模块,用于轮流训练生成器网络与判别器网络之间权重参数,直至达到纳什均衡,最终获得数据增强后的训练集。
8.根据权利要求5所述的一种基于数据增强技术的配电设备局部放电模式识别装置,其特征在于,所述模型优化模块包括:
网络结构确定子模块,用于对获取到的1D-CNN模型的超参数进行调节,确定1D-CNN模型最终的网络结构;
编译子模块,用于编译1D-CNN模型的网络参数;
训练子模块,用于利用所述数据增强后的训练集对1D-CNN模型进行训练,在训练过程中,利用分类交叉熵损失函数衡量预测值与真实值之间的距离,利用随机梯度下降算法计算损失相对于网络参数的梯度,不断优化1D-CNN模型的网络参数,使得分类交叉熵损失函数取值最小,获得优化后的1D-CNN模型。
9.一种基于数据增强技术的配电设备局部放电模式识别***,其特征在于,包括存储介质和处理器;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1-4中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211197159.8A CN115563500A (zh) | 2022-09-29 | 2022-09-29 | 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*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211197159.8A CN115563500A (zh) | 2022-09-29 | 2022-09-29 | 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*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115563500A true CN115563500A (zh) | 2023-01-03 |
Family
ID=84743250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211197159.8A Pending CN115563500A (zh) | 2022-09-29 | 2022-09-29 | 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*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115563500A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116090348A (zh) * | 2023-02-09 | 2023-05-09 | 国网江苏省电力有限公司电力科学研究院 | 一种馈线线损集成学习估计方法、设备及存储介质 |
-
2022
- 2022-09-29 CN CN202211197159.8A patent/CN115563500A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116090348A (zh) * | 2023-02-09 | 2023-05-09 | 国网江苏省电力有限公司电力科学研究院 | 一种馈线线损集成学习估计方法、设备及存储介质 |
CN116090348B (zh) * | 2023-02-09 | 2023-11-24 | 国网江苏省电力有限公司电力科学研究院 | 一种馈线线损集成学习估计方法、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110826630B (zh) | 基于深度卷积神经网络的雷达干扰信号特征级融合识别方法 | |
CN112562741B (zh) | 一种基于点积自注意力卷积神经网络的歌声检测方法 | |
CN110826618A (zh) | 一种基于随机森林的个人信用风险评估方法 | |
CN110853630B (zh) | 面向边缘计算的轻量级语音识别方法 | |
CN113076920B (zh) | 一种基于非对称域对抗自适应模型的智能故障诊断方法 | |
Peter et al. | End-to-end keyword spotting using neural architecture search and quantization | |
CN116248392A (zh) | 一种基于多头注意力机制的网络恶意流量检测***及方法 | |
CN114897002A (zh) | 基于LPINet的低截获概率雷达信号脉内调制识别方法 | |
CN115510909A (zh) | 一种dbscan进行异常声音特征的无监督算法 | |
CN114386518A (zh) | 基于自适应宽度自注意力机制的轻量化异常声事件检测方法 | |
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*** | |
CN117033912A (zh) | 一种设备故障预测方法、装置、可读存储介质及电子设备 | |
Imran et al. | An analysis of audio classification techniques using deep learning architectures | |
Zhu et al. | Speaker Recognition System Based on weighted feature parameter | |
CN110222610A (zh) | 一种信号分类的方法及装置 | |
CN112487933B (zh) | 一种基于自动化深度学习的雷达波形识别方法及*** | |
CN117527495A (zh) | 一种无线通信信号的调制方式识别方法及装置 | |
CN105006231A (zh) | 基于模糊聚类决策树的分布式大型人口语者识别方法 | |
CN116884435A (zh) | 一种基于音频提示学习的声音事件检测方法及装置 | |
CN110610203A (zh) | 基于dwt和极限学习机的电能质量扰动分类方法 | |
CN116430317A (zh) | 一种辐射源调制样式与个体识别方法及*** | |
CN114818789A (zh) | 一种基于数据增强的船舶辐射噪声识别方法 | |
CN107437414A (zh) | 基于嵌入式gpu***的并行化游客识别方法 | |
CN114077924A (zh) | 考虑极端大风天气的风电功率预测大风数据增强方法 | |
Wang et al. | Multi-hierarchy proxy structure for deep metric learning |
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 |