[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

说明书

本发明公开了一种基于CNN的高压电缆局部放电相位分布图谱识别方法及系统，其中，该方法包括：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。以PRPD灰度图像作为直接输入进行电缆绝缘缺陷评估及绝缘状态预测，弥补采用基于深度学习的PRPD模式识别进行电缆绝缘缺陷评估的研究空白，为电缆的运维提供数据支撑。

技术领域

本发明涉及电缆局部放电图谱识别技术领域，并且更具体地，涉及一种基于CNN的高压电缆局部放电相位分布图谱识别方法及系统。

背景技术

局部放电是电缆内在缺陷和绝缘老化的重要表现形式，可被用作电缆绝缘缺陷的筛查和识别。局放信号具有明显的时频域特征，其局部放电相位分布(PRPD)图谱蕴含丰富的内在绝缘缺陷信息，这使得局部放电图谱识别成为诊断绝缘缺陷类型的重要手段，已被广泛用于电缆绝缘在线监测中。

关于PRPD的模式识别国内外学者已经进行了大量科学研究。传统上，将均值，方差，偏度，峰度，峰值等统计信息提取为特征向量来表征PRPD模式，并采用SVM，BP神经网络等基于机器学习的数学模型对绝缘缺陷进行分类。目前的研究重点主要集中在绝缘缺陷的分类，采用基于深度学习的PRPD模式识别进行绝缘缺陷评估的研究较少。然而在输电系统中，不仅缺陷分类而且绝缘的缺陷评估也很重要，这有助于安排电力设备的维护。

发明内容

根据本发明，提供了一种方基于CNN的高压电缆局部放电相位分布图谱识别方法及系统，以解决目前的研究重点主要集中在绝缘缺陷的分类，采用基于深度学习的PRPD模式识别进行绝缘缺陷评估的研究较少的技术问题。

根据本发明的第一个方面，提供了一种基于CNN的高压电缆局部放电相位分布图谱识别方法，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。

可选地，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。

可选地，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φ二维数据在图谱中每个像素(i，j)内的数据点数；

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。

可选地，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：