[发明专利]直流电缆局部放电缺陷故障的识别方法、系统及Caffe卷积神经网络

权利要求书

1.一种直流电缆局部放电缺陷故障的识别方法，其特征在于，包括步骤：

(1)采集直流电缆的若干种绝缘缺陷放电模型的q-Δt-n局部放电信号图，其中q表示单个局部放电脉冲峰值，Δt表示两相邻局部放电的时间间隔，n表示某局部放电峰值q对应某时间间隔Δt的等效放电次数；

(2)将q-Δt-n局部放电信号图进行归一化处理，以得到训练样本；

(3)构建Caffe卷积神经网络，所述Caffe卷积神经网络沿着数据处理的流向依次包括：串联设置的若干层卷积模块；串联设置的若干个全连接模块以及归一化指数函数(Softmax)层；其中，每个卷积模块均仅具有卷积层、线性整流函数激活函数层和池化层，数据输入各卷积模块后先经过卷积层的卷积操作，再经过线性整流函数激活函数层的激活操作，最后通过池化层输出该卷积模块的结果；每个全连接模块中均包含全连接层、线性整流函数激活函数层和流失层，数据输入全连接模块后先经过流失层随机选择激活的神经元，再经过全连接层进行全连接操作，最后经过线性整流函数激活函数层的激活操作输出特征数据；所述归一化指数函数层，对全连接模块输出的特征数据进行计算得到最终正确率和损失；

(4)采用训练样本训练所述Caffe卷积神经网络；

(5)将待识别局部放电信号图输入经过训练的所述Caffe卷积神经网络中，以从其输出获得识别结果。

2.如权利要求1所述的识别方法，其特征在于，所述绝缘缺陷放电模型至少包括气隙放电模型、电晕放电模型、划痕放电模型和沿面放电模型。

3.如权利要求1所述的识别方法，其特征在于，所述Caffe卷积神经网络包括连续的五层卷积模块。

4.如权利要求1所述的识别方法，其特征在于，所述Caffe卷积神经网络包括连续的两个全连接模块。

5.如权利要求1所述的识别方法，其特征在于，在步骤(3)中，构建Caffe卷积神经网络还包括配置Caffe卷积神经网络的求解器参数，所述求解器参数包括学习率和迭代次数。

6.一种直流电缆局部放电缺陷故障的识别系统，其特征在于，包括：

信号采集模块，其采集直流电缆的若干种绝缘缺陷放电模型的q-Δt-n局部放电信号图；其中q表示单个局部放电脉冲峰值，Δt表示两相邻局部放电的时间间隔，n表示某局部放电峰值q对应某时间间隔Δt的等效放电次数；

预处理模块，其将q-Δt-n局部放电信号图进行归一化处理，以得到训练样本；

Caffe卷积神经网络，其沿着数据处理的流向依次包括：串联设置的若干层卷积模块；串联设置的若干个全连接模块以及归一化指数函数(Softmax)层；

其中，每个卷积模块均仅具有卷积层、线性整流函数激活函数层和池化层，数据输入各卷积模块后先经过卷积层的卷积操作，再经过线性整流函数激活函数层的激活操作，最后通过池化层输出该卷积模块的结果；

每个全连接模块中均包含全连接层、线性整流函数激活函数层和流失层，数据输入全连接模块后先经过流失层随机选择激活的神经元，再经过全连接层进行全连接操作，最后经过线性整流函数激活函数层的激活操作输出特征数据；

所述归一化指数函数层，对全连接模块输出的特征数据进行计算得到最终正确率和损失；

其中，采用训练样本对所述Caffe卷积神经网络进行过训练后，将待识别局部放电信号图输入经过训练的Caffe卷积神经网络中，能够从其输出获得识别结果。

7.如权利要求6所述的识别系统，其特征在于，所述Caffe卷积神经网络包括连续的五层卷积模块。

8.如权利要求6所述的识别系统，其特征在于，所述Caffe卷积神经网络包括连续的两个全连接模块。

9.如权利要求6所述的识别系统，其特征在于，所述绝缘缺陷放电模型至少包括气隙放电模型、电晕放电模型、划痕放电模型和沿面放电模型。