[发明专利]基于特征融合词袋和并行孪生网络的发电机局放识别方法

说明书

本发明公开一种基于特征融合词袋和并行孪生网络的发电机局放识别方法，在实验室采集发电机定子线棒局部放电数据和相位信号数据，获取对应的相位图谱，构建SIFT、LBP、HOG和Haar‑like多描述子特征检测的词袋单词本并检索相似局放图谱；基于实验室采集到的局放样本训练AlexNet、GoogLeNet、VGG‑16和ResNet神经网络，然后通过训练好的神经网络孪生，共享权值，利用全连接层交叉熵函数计算损失，选取损失最小的标签作为各通道识别结果；测试时基于图谱不同相位象限分割的多通道识别结果使用自适应融合策略整合，获取最终局放模式识别结果。本发明弥补了传统深度学习分类方法在数据不平衡和存在小样本数据无法训练的不足，解决了局放模式识别问题中存在的数据不平衡、小样本识别问题。

技术领域

本发明属于发电机定子线棒局放在线监测领域，涉及一种基于特征融合词袋和并行孪生网络的发电机局放识别方法。

背景技术

发电机安全运行的主要威胁之一来自绝缘体系。局部放电(简称局放)既是绝缘劣化的原因，也是绝缘劣化的表现，是发电机状态监测的重要参数之一。因此有效鉴别局部放电类型对发电机绝缘状态评估与诊断具有重要意义。发电机绝缘缺陷类型多样，对绝缘的损伤机制及破坏作用不同，发电机局部放电图谱存在样本过少或者获取成本过高的问题，因此发电机定子局放少样本条件下模式识别对局放进行有效识别与判定具有重要意义。

发明内容

本发明的目的是提供一种基于特征融合词袋和并行孪生网络的发电机局放识别方法，本发明通过进行局放相似PRPD检索、通过基于多相并行孪生网络的局放度量计算及进行局放PRPD图谱相似度度量、基于相位象限分割的多通道融合局放模式识别，将多通道不同象限相位识别结果自适应权重融合获取发电机局放模式识别结果。本发明创造性地将多描述子特征融合词袋模型、多相并行孪生网络以及基于相位象限分割的多通道融合运用在发电机定子线棒模式识别中，实现发电机定子局放类型的少样本的高精度识别。通过该方法的运用能够及时给出在运发电机定子绝缘状态评价和维护意见，具有较高的经济价值和社会效益。

本发明的目的由以下技术措施实现：

一种基于特征融合词袋和并行孪生网络的发电机局放识别方法，其特征在于按以下步骤进行：

S1：基于发电机定子线棒典型缺陷多描述子特征融合词袋检索模型构建：在实验室环境下采集发电机定子线棒典型缺陷类型在不同电压等级下的放电数据和相位信号数据，获取已知的线棒绝缘缺陷对应的相位图谱作为样本，通过构建SIFT、LBP、HOG和Haar-like多描述子特征，并利用K-Means自适应选择单词本聚类数量获取词袋单词本，利用不同描述子特征融合词袋单词本检索相似局放图谱；

S2：基于多相并行孪生网络的局放度量计算：通过实验室采集到的典型局放样本训练AlexNet、GoogLeNet、VGG-16、ResNet神经网络并将各神经网络进行网络孪生，共享权值；通过对于不同象限不同相位PRPD图谱分割并选择不同SIFT、LBP、HOG和Haar-like多描述子特征映射成向量，然后通过交叉熵函数计算损失，选取距离最小的标签作为测试样本的类别，从而完成分类；

S3：基于相位象限分割的多通道融合局放模式识别：测试时基于PRPD图谱不同相位、不同象限进行模式识别，各通道多相并行孪生网络分别输出相应发电机定子线棒典型缺陷局部放电类型的模式识别结果；多通道结果通过自适应融合策略确定各通道判别结果的权重，整合不同级别孪生网路的模式识别结果，即为发电机定子线棒典型缺陷局部放电类型。

S1所述的基于发电机定子线棒典型缺陷多描述子特征融合词袋检索模型构建，具体按以下步骤进行：

S1.1：在实验室环境下采集发电机定子线棒典型缺陷类型在不同电压等级下的放电数据和相位信号数据，获取已知的线棒绝缘缺陷对应的相位图谱作为样本，发电机定子局放类型包含内部放电、槽放电、端部放电和振动火花放电四种类型；