[发明专利]一种小数据量下基于卷积神经网络的电缆附件局部放电识别方法

说明书

本发明的目的是针对现有技术不足而提供一种小数据量下基于卷积神经网络的电缆附件局部放电识别方法，其特点是针对现有基于卷积神经网络的电缆附件绝缘故障识别方法存在对数据集要求较大的问题，并实现对数据特征的深入挖掘。以单位工频周期内的局放信号为对象，利用相空间重构进行等价变换，提取几何和混沌特征；同时提取熵、分形和时域特征，达到增加特征数据体量的目的，共提取特征17个，采用试验得到的一维卷积神经网络对绝缘进行模式识别。本发明在保证较高绝缘故障识别率的情况下，解决了卷积神经网络在电缆附件绝缘故障类型识别应用中对数据集要求较大的问题，并实现对数据特征的充分提取。

技术领域

本发明涉及一种小数据量下基于卷积神经网络的电缆附件局部放电识别方法，具体地，本发明是将最经典的深度学习算法--卷积神经网络应用于电缆附件绝缘故障类型识别，属于局部放电技术领域。

背景技术

交联聚乙烯(Crosslinked Polyethylen，XLPE)电力电缆具有优良的电气性能，被广泛应用于城市电网。电缆附件(中间接头或终端)因内部绝缘结构复杂、人工制作的不规范等已成为引起电缆运行事故频发的关键部位。不同类型的故障对电缆附件绝缘性能的损伤存在差异，国内外专家普遍认为电缆附件局部放电(Partial Discharge，PD)识别是判断其绝缘故障类型的最佳方法。PD识别是在线采集电缆附件绝缘故障产生的局放信号，选取某些“指纹”信息作为特征并导入模式识别算法实现局放识别的方法。电缆附件PD识别已取得大量的研究成果，其中以支持向量机(Support Vector Machine，SVM)和人工神经网络(Artificial Neural Network，ANN)的应用居多。许永鹏,杨丰源,钱勇,陈孝信,盛戈皞,江秀臣.基于NSST域增强的直流XLPE电缆局放识别方法[J].高电压技术,2017,43(11):3617-3625；牛海清,吴炬卓,郭少锋.奇异值分解在电缆局部放电信号模式识别中的应用[J].华南理工大学学报(自然科学版),2018,46(01):26-32.近年来，以卷积神经网络(Convolution Neural Network，CNN)为代表的深度学习算法被广泛应用在诸多领域，这也引起了电力行业工作者们的关注。汪颖,卢宏,杨晓梅,肖先勇,张文海.堆叠自动编码器与S变换相结合的电缆早期故障识别方法[J].电力自动化设备,2018,38(08):117-124；杨帆,王干军,彭小圣,文劲宇,陈清江,杨光垚,李朝晖.基于卷积神经网络的高压电缆局部放电模式识别[J].电力自动化设备,2018,38(05):123-128；宋辉,代杰杰,张卫东,毕凯,盛戈皞,江秀臣.复杂数据源下基于深度卷积网络的局部放电模式识别[J].高电压技术,2018,44(11):3625-3633；X.Peng et al.,A Convolutional Neural Network Based DeepLearning Methodology for Recognition of Partial Discharge Patterns from HighVoltage Cables,in IEEE Transactions on Power Delivery.Q.Zhang,J.Lin,H.Songand G.Sheng,Fault Identification Based on PD Ultrasonic Signal Using RNN,DNNand CNN,2018 Condition Monitoring and Diagnosis(CMD),Perth,WA,2018,pp.1-6.CNN在特征提取方面表现优异，能从数据中自动学习特征信息，为电气设备PD模式识别带来了新的契机，但CNN的高识别率离不开海量数据的支持。

发明内容

本发明的目的在于克服现有基于卷积神经网络的电缆附件绝缘故障识别方法存在对数据集要求较大的问题，并实现对数据特征的深入挖掘。在保证较高绝缘故障正确识别率的情况下，达到卷积神经网络对小数据局放识别的目的。

为了实现上述发明目的，本发明提供了一种小数据量下基于卷积神经网络的电缆附件局部放电识别方法，包括以下步骤,流程图见图1：