[发明专利]基于CNN的高压电缆局部放电相位分布图谱识别方法及系统

权利要求书

1.一种基于CNN的高压电缆局部放电相位分布图谱识别方法，其特征在于，包括：

搭建电缆局部放电试验平台，采集获取局部放电信号，得到待训练数据和待测试数据；

对所述局部放电信号的待训练数据进行预处理，确定完成预处理的训练数据；

构建基于CNN的识别模型，将完成预处理的训练数据输入到识别模型中进行训练；

将待测试数据输入到基于CNN的识别模型进行测试，对识别模型的参数进行调整，得到完成训练的识别模型，并输出预测结果。

2.根据权利要求1所述的方法，其特征在于，采搭建电缆局部放电试验平台，采集获取局部放电信号，得到训练数据和测试数据，包括：

在试验电极上施加恒定幅度的交流电压，并记录局部放电量q和放电相位直到其闪络；

将采集得到的局部放电数据进行划分，一部分局部放电数据作为训练数据，另一部分局部放电数据作为测试数据。

3.根据权利要求1所述的方法，其特征在于，对所述局部放电信号的待训练数据进行预处理，确定完成预处理的训练数据，包括：

将空白PRPD图像划分为800×1000的网格；

计算局部放电量q-放电相位二维数据在图谱中每个像素(i，j)内的数据点数，即pixel(i，j)；

将局部放电量q-放电相位φ二维数据转换为灰度图像，并被标准化为服从均值等于0且方差等于1的正态分布：

调整PRPD灰度图像大小统一至128×128。

4.根据权利要求1所述的方法，其特征在于，构建基于CNN的识别模型，将完成预处理的训练数据输入到识别模型中进行训练，包括：

所述CNN的识别模型包括卷积层，池化层和全连接层，所有卷积层的卷积内核大小为3×3，每个卷积层后跟一个池化层，全连接层的输出为四维向量；

采用随机梯度下降算法进行模型优化，减少真实标签与预测标签之间的误差p_k是真实概率，q_k是预测概率，N是训练集数目。

5.根据权利要求1所述的方法，其特征在于，将待测试数据输入到基于CNN的识别模型进行测试，对识别模型的参数进行调整，得到完成训练的识别模型，并输出预测结果，包括：

根据以下公式，将待测试数据输入到基于CNN的识别模型进行测试，对识别模型的参数进行调整，得到完成训练的识别模型，并输出预测结果，包括：

其中，label是真实标签的矢量，pred是预测标签的矢量。

6.一种基于CNN的高压电缆局部放电相位分布图谱识别系统，其特征在于，包括：

采集局部放电信号模块，用于搭建电缆局部放电试验平台，采集获取局部放电信号，得到待训练数据和待测试数据；

确定训练数据模块，用于对所述局部放电信号的待训练数据进行预处理，确定完成预处理的训练数据；

训练数据模块，用于构建基于CNN的识别模型，将完成预处理的训练数据输入到识别模型中进行训练；

输出预测结果模块，用于将待测试数据输入到基于CNN的识别模型进行测试，对识别模型的参数进行调整，得到完成训练的识别模型，并输出预测结果。

7.根据权利要求6所述的系统，其特征在于，采集局部放电信号模块，包括：

记录局部放电子模块，用于在试验电极上施加恒定幅度的交流电压，并记录局部放电量q和放电相位φ，直到其闪络；

划分局部放电数据子模块，用于将采集得到的局部放电数据进行划分，一部分局部放电数据作为训练数据，另一部分局部放电数据作为测试数据。