[发明专利]基于迁移学习的新型绝缘缺陷识别方法、计算机设备及存储介质

说明书

本发明提出一种基于迁移学习的新型绝缘缺陷识别方法，包括以下步骤：采集新型缺陷数据，以及采集与新型缺陷类型相似的高压电缆绝缘缺陷数据作为相似缺陷数据；分别对新型缺陷数据以及相似缺陷数据进行局部放电模式特征数据提取，得到特征数据集；设置门槛值，从特征数据集中提取匹配度最高的特征数据，并将匹配度最高的特征数据作为用于识别新型缺陷的训练数据集；选择分类器并初始化，将训练数据集输入分类器中进行训练，得到新型绝缘缺陷识别分类器模型；将新型缺陷数据输入分类器模型中，输出得到新型绝缘缺陷识别结果。本发明还提出了一种实现基于迁移学习的新型绝缘缺陷识别方法的步骤的计算机设备及存储介质。

技术领域

本发明涉及局部放电识别技术领域，更具体地，涉及一种基于迁移学习的新型绝缘缺陷识别方法、计算机设备及存储介质。

背景技术

高压电缆在电力系统中的应用越来越广泛，已成为电力系统不可或缺的组成部分。为了提前发现因局部放电而产生的安全隐患，避免高压电缆发生突发事故，需要有效的方法对局放进行识别。目前，为了能够准确识别多种局部放电模式，一般通过采集多种现有的局部放电特征数据作为训练数据输入分类器中进行训练，保证局部放电模式识别准确率及识别效率，如公开号为CN107516108A(公开日：2017-12-26)提出的分类器创建方法及变压器局部放电故障模式识别方法。

然而，随着高压电缆在电力系统的使用越来越广泛，在使用过程中容易发现各种新型的绝缘缺陷。当出现一种新型的绝缘缺陷时，由于缺少该新型缺陷的训练数据，实验室难以及时进行大量局部放电测试实验，使得分类器无法准确识别此种新型绝缘缺陷。

发明内容

本发明为克服上述现有技术所述的难以及时训练分类器对新型绝缘缺陷的识别的缺陷，提供一种基于迁移学习的新型绝缘缺陷识别方法，以及实现基于迁移学习的新型绝缘缺陷识别方法的计算机设备和存储介质。

为解决上述技术问题，本发明的技术方案如下：

基于迁移学习的新型绝缘缺陷识别方法，包括以下步骤：

S1：采集新型缺陷数据，以及采集与新型缺陷类型相似的高压电缆绝缘缺陷数据作为相似缺陷数据；

S2：分别对新型缺陷数据以及相似缺陷数据进行局部放电模式特征数据提取，得到特征数据集；

S3：设置门槛值，从特征数据集中提取匹配度最高的特征数据，并将匹配度最高的特征数据作为用于识别新型缺陷的训练数据集；

S4：选择分类器并初始化，将训练数据集输入分类器中进行训练，得到新型绝缘缺陷识别分类器模型；

S5：将新型缺陷数据输入分类器模型中，输出得到新型绝缘缺陷识别结果。

优选地，S2步骤中，其具体步骤包括：

S2.1：对新型缺陷数据以及相似缺陷数据进行测试实验，得到相应的实验数据；

S2.2：对实验数据进行去噪，然后对其进行局部放电模式特征构建，得到相应的特征数据值，组成特征数据集。

优选地，特征数据集中，每个数据样本标记有标签；标签包括数据样本的缺陷类型。

优选地，S3步骤中，门槛值根据相似缺陷数据与新型缺陷数据之间的匹配度设置。

优选地，S3步骤中，其具体步骤包括：

S3.1：计算相似缺陷数据与新型缺陷数据之间的匹配度；

S3.2：根据匹配度设置门槛值，提取匹配度最高的特征数据；

S3.3：将特征数据对应的标签中记录的缺陷类型修改为新型缺陷对应的标签编号；

S3.4：将特征数据作为用于识别新型缺陷的训练数据集。