[发明专利]一种组合电器局部放电缺陷诊断方法及系统

权利要求书

1.一种组合电器局部放电缺陷诊断方法，其特征在于，包括：

将获取到的待测变电站组合电器特高频局放图谱输入到训练好的卷积神经网络模型中，输出缺陷识别结果；

将所述缺陷识别结果与知识库进行匹配，得到形成该缺陷的原因及处理原则；

其中，所述卷积神经网络模型通过预先构建的图谱库进行训练，所述图谱库包括若干带标注信息的变电站组合电器检测图谱数据集；所述知识库包括不同缺陷类型对应的缺陷原因及处理原则。

2.如权利要求1所述的一种组合电器局部放电缺陷诊断方法，其特征在于，所述卷积神经网络模型包括：依次连接的输入层、卷积层、池化层、全连接层和输出分类层；将尖端放电、绝缘件内部气隙放电、沿面放电、悬浮放电、自由金属颗粒以及干扰作为卷积神经网络模型的SoftMax分类器。

3.如权利要求2所述的一种组合电器局部放电缺陷诊断方法，其特征在于，所述卷积神经网络模型包括：依次连接的1个输入层，13个卷积层，5个对应的池化层，2个全连接层和1个输出分类层。

4.如权利要求1所述的一种组合电器局部放电缺陷诊断方法，其特征在于，所述图谱库中的图谱数据集具体包括：

在实际运行的不同变电站环境下，分别进行特高频局放信号的脉冲相位图和脉序相位图的图谱采集，通过现场验证确定采集到的图谱所对应的缺陷类型；

对获取的图谱数据进行样本缺陷标注，得到包含标注信息的图谱数据集。

5.如权利要求1所述的一种组合电器局部放电缺陷诊断方法，其特征在于，对于卷积神经网络模型的训练过程包括：

从图谱数据集中随机抽取设定比例的特高频局放信号图谱，进行数据增强处理，得到训练样本集；

对训练样本集图像数据进行图像分割、线性归一化处理，进行高斯滤波，标准化图像的大小以及分辨率；

利用迁移学习方式初始化卷积层和池化层的参数；

重新定义全连接层，由具有类别标签的SoftMax分类器进行分类输出；

利用训练样本集对构建的卷积神经网络模型进行学习训练，计算输出样本和标注样本之间的误差，利用损失函数的迭代优化全连接各层参数。

6.如权利要求5所述的一种组合电器局部放电缺陷诊断方法，其特征在于，对特高频局放信号图谱，进行数据增强处理，具体过程包括：

对随机抽取的特高频局放信号图谱进行翻转处理，分别将图像进行水平翻转和垂直翻转，翻转后图像加入数据集中；

对新的数据集图像做翻转处理，分别将图像旋转设定的角度，旋转后的图像加入数据集中；

对新的数据集图像进行随机裁剪处理，利用选取的剪裁框随机选取剪裁起点，对图像剪裁设定次数，剪裁后图像加入数据集中；最终得到增强后的数据集。

7.一种组合电器局部放电缺陷诊断装置，其特征在于，包括：

缺陷识别模块，用于将获取到的待测变电站组合电器特高频局放图谱输入到训练好的卷积神经网络模型中，输出缺陷识别结果；

缺陷原因匹配模块，用于将所述缺陷识别结果与知识库进行匹配，得到形成该缺陷的原因及处理原则；

神经网络模型训练模块，用于通过预先构建的图谱库对卷积神经网络模型进行训练；所述图谱库包括若干带标注信息的变电站组合电器检测图谱数据集；所述知识库包括不同缺陷类型对应的缺陷原因及处理原则。

8.一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-6任一项所述的组合电器局部放电缺陷诊断方法。

9.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-6任一项所述的组合电器局部放电缺陷诊断方法。

10.一种组合电器局部放电缺陷诊断系统，其特征在于，包括：

智能终端，用于接收待测变电站组合电器特高频局放图谱，并传送至云计算平台；

云计算平台，用于根据接收到的图谱，基于训练好的卷积神经网络模型，得出所述图谱的缺陷类型，以及不同缺陷类型对应的缺陷原因及处理原则；并将上述结果反馈至智能终端进行显示。