[发明专利]一种局部放电模式识别方法和系统

说明书

本申请公开了一种局部放电模式识别方法和系统，利用图谱数据对DenseNet网络模型训练，得到训练好的DenseNet网络模型，进一步在训练迭代时计算验证集各故障类型的分类错误率，对错误率较高的故障类型进行数据自适应重构，在下一轮迭代训练中使用更多的训练样本，进行更多次的特征学习不仅解决了随着特征提取深度加深所造成的消失梯度问题，而且减少了人工调整网络模型所耗费精力和时间，以及自动探索更多新颖网络结构和调整网络中更多的参数，使网络具有更好的学习能力，减少了人工设计机构与调整参数所耗费的时间精力，并提高了识别率。

技术领域

本申请涉及局部放电技术领域，尤其涉及一种局部放电模式识别方法和系统。

背景技术

局部放电(Partial Discharge，PD)是高压电气设备绝缘劣化的早期迹象，因此PD检测可以作为设备绝缘状态评估的有效手段。现有是局部放电模式识别方式采用传统的学习方式和卷积神经网络的一些经典结构进行特征提取，这些方法对于传统特征提取具有依赖专家经验、盲目性高和识别率低的缺点，对于卷积神经网络的经典算法会面临梯度逐渐弥散的问题，经过层数越多，前面所提取的特征信息会逐渐的发生部分减弱和消失，随着网络深度加深的同时带来的相应问题是参数数量更加庞大，需要耗费大量的时间进行参数调整。因此，本申请提供一种局部放电模式识别方法和系统，用于解决传统的局部放电模式识别方式存在的技术问题。

发明内容

本申请提供了一种局部放电模式识别方法和系统，用于减少人工设计机构与调整参数所耗费的时间精力，并提高识别率。

有鉴于此，本申请第一方面提供了一种局部放电模式识别方法，包括：

构建经典GIS缺陷局部放电信号图谱库；

随机将经典GIS缺陷局部放电信号图谱库中的图谱分成训练集和测试集；

根据训练集中的图谱数据对初始DenseNet网络模型进行训练，得到训练好的DenseNet网络模型；

将测试集中的图谱数据输入训练好的DenseNet网络模型中进行故障类型的特征提取和故障识别，根据识别结果得到各故障类型的准确率；

若故障类型的准确率低于阈值，则对准确率低于阈值的故障类型进行数据自适应重构，直至准确率达到阈值后输出最优DenseNet网络模型，若故障类型的准确率不低于阈值，则直接输出最优DenseNet网络模型；

通过最优DenseNet网络模型进行GIS局部放电模式识别。

可选地，构建经典GIS缺陷局部放电信号图谱库，包括：

通过GIS实验平台获取经典人工缺陷模型图谱数据，对人工缺陷模型图谱数据进行预处理，得到经典GIS缺陷局部放电信号图谱；

根据经典GIS缺陷局部放电信号图谱建立经典GIS缺陷局部放电信号图谱库。

可选地，随机将经典GIS缺陷局部放电信号图谱库中的图谱分成训练集和测试集，包括：

随机抽取经典GIS缺陷局部放电信号图谱库中的70％图谱数据作为训练集，10％图谱数据作为验证集和20％图谱数据作为测试集。

可选地，根据训练集中的图谱数据对初始DenseNet网络模型进行训练，得到训练好的DenseNet网络模型，包括：

对训练集中的图谱数据进行随机创建编码，初始化DenseNet网络种群；

通过设置的适应度函数对初始种群中的每个个体的适应度进行评价，对初始种群中的个体进行选择操作；

对选择操作后的个体进行变异操作，产生二代个体；

对每个二代个体进行适应度评价；