[发明专利]一种基于深度样本增强的电缆局部放电模式识别方法

说明书

本发明涉及一种基于深度样本增强的电缆局部放电模式识别方法，包括如下步骤：将采集到的电缆绝缘缺陷的局部放电时域信号转换为二维图像，作为初始样本集，将二维图像输入到生成对抗网络中，进行深度样本增强，将增强后的样本添加到初始样本集中形成新的样本集，构建卷积神经网络模型，利用新的样本集对卷积神经网络模型进行有监督训练，得到训练好的卷积神经网络模型，将待预测的绝缘放电类型的时域信号转化为二维图像输入到训练好的卷积神经网络模型中，输出预测的绝缘缺陷放电类型。本发明能够避免依靠专家经验选取特征所带来的误差，并且在小样本的情况下仍然能准确地对电缆绝缘缺陷类型进行识别，提高了识别速率与准确率。

技术领域

本发明属于电缆局部放电识别方法技术领域，具体涉及一种基于深度样本增强的电缆局部放电模式识别方法。

背景技术

高压电缆是输电的主要形式之一，在风电场、太阳能等分布式能源输送及并网，以及离岸油气平台、海上孤岛输电等场合得到广泛应用，但是由于在实际运行过程中，由于外力破坏、电缆本体或附件制造质量、敷设安装质量等原因导致的电缆运行故障，会造成不同程度的经济损失和社会影响。

传统的电缆局部放电模式识别方法很依赖手工特征的选取，而手工特征的设计又非常依赖专家经验，不可避免的会带来误差，深度学习作为一个新兴的领域克服了上述缺点，可以自动学习原始数据的分层表示特征，但却需要大量的训练数据，因此，本发明提出一种能够避免依靠专家经验选取特征所带来的误差，并在小样本的情况下仍然能够准确地对电缆绝缘缺陷类型进行识别的基于深度样本增强的电缆局部放电模式识别方法。

发明内容

本发明的目的是为了克服现有技术的不足，而提供一种基于深度样本增强的电缆局部放电模式识别方法，能够避免依靠专家经验选取特征所带来的误差，并且在小样本的情况下仍然能准确地对电缆绝缘缺陷类型进行识别，提高了识别速率与准确率。

本发明采用的技术方案为：一种基于深度样本增强的电缆局部放电模式识别方法，包括如下步骤：

步骤A：将采集到的电缆绝缘缺陷的局部放电时域信号进行信号到图像的转换，得到二维图像，作为初始样本集；

步骤B：将初始样本集内的二维图像输入到生成对抗网络中，进行深度样本增强；

步骤C：将深度样本增强处理后得到的样本添加到初始样本集中形成新的样本集，并根据绝缘缺陷的类型设置缺陷状态标签；

步骤D：构建卷积神经网络模型，并利用新的样本集对卷积神经网络模型进行有监督训练，得到训练好的卷积神经网络模型；

步骤E：将待预测的绝缘放电类型的时域信号转化为二维图像，并输入到训练好的卷积神经网络模型中，输出预测后的绝缘缺陷放电类型。

具体地，所述步骤A中，电缆绝缘缺陷的类型包括有外导电层爬电、绝缘内部气隙、绝缘表面划伤和绝缘表面金属污秽。

具体地，所述步骤A中，将时域信号进行信号到图像的转换具体步骤为：

步骤a：从采集的时域信号随机选取一个时间段内的时域信号，将该段时间内的信号点对应的信号指标值构成一个1×1的向量，该向量对应待构成的二维图像上的一个像素点，从而完成一个像素的形成；

步骤b：采用不重复选取的方法进行步骤a，直至完成1000×1000个像素的形成，由此完成所有像素点的构成，实现时域信号到二维图像的转换。

具体地，所述步骤B中，所述的生成对抗网络采用的是深度卷积生成对抗网络。

具体地，所述步骤D中，所述的卷积神经网络模型包括依次相连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层以及第一全连接层和第二全连接层。

具体地，所述步骤D中，所述的利用新的样本集对卷积神经网络模型进行有监督训练的具体步骤为：