[发明专利]一种局部放电信号模式识别方法及系统

说明书

本发明涉及一种局部放电信号模式识别方法及系统，其主要技术特点是：获取局部放电信号的大数据样本；构建深度卷积神经网络模型；基于局部放电信号的大数据样本训练深度卷积神经网络模型；基于经训练的所述深度卷积神经网络模型确定待识别的局部放电信号的模式。本发明设计合理，克服了现有技术在变电站现场GIS的局部放电检测中的不足，能够对变电站现场GIS数量庞大、来源复杂的局部放电进行模式识别，且可以获得更高的模式识别正确率，具有更好的识别性能，更适用于大数据平台下的工程应用。

技术领域

本发明属于电力设备监控技术领域，尤其是一种局部放电信号模式识别方法及系统。

背景技术

GIS(气体绝缘组合电器)在当前的电力系统中已得到大量的应用，其设备的绝缘状态与电网安全息息相关。局部放电可以有效反映电力设备内部绝缘缺陷的主要特征之一，对GIS设备进行局部放电检测可以有效获取设备的绝缘状况，从而及时消除隐患，避免重大事故的发生。因此当前GIS局部放电检测技术得到了大力的推广，针对GIS的现场局部放电检测数据也呈海量增长的趋势。

不同的绝缘缺陷往往对应不同的局部放电信号模式，因此通常通过识别局部放电信号的模式来判断相应的设备绝缘缺陷，例如悬浮电位缺陷、沿面放电缺陷、尖端电晕缺陷、气隙放电缺陷和微粒放电缺陷等。

由于GIS设备现场运行环境复杂多样，变电站现场的局部放电检测数据中不可避免的包含各种类型的干扰信号，与实验检测信号存在较大差异。另外由于当前的局部放电检测设备多种多样，不同的检测设备在现场检测的局部放电数据也有所区别。因此，针对大数据情况下的局部放电模式识别，传统的分析方法已经难以满足需求。

当前国内外学者针对局部放电的模式识别做了大量研究，但研究的重点在局部放电信号的特征提取上。在模式识别方面，当前已有的研究主要应用了实验室实验数据，而很少针对来源复杂的现场局部放电信号大数据进行局部放电模式识别方法的研究。

发明内容

本发明的目的在于克服现有技术的不足，提供一种局部放电信号模式识别方法及系统，能够对不同来源、不同环境、不同时间以及不同检测通道的局部放电信号进行有效的模式识别，从而能够及时有效地获取设备的绝缘状况，及时消除隐患，避免重大事故的发生。

本发明解决其技术问题是采取以下技术方案实现的：

一种局部放电信号模式识别方法，包括以下步骤：

步骤1、获取局部放电信号的大数据样本；

步骤2、构建深度卷积神经网络模型；

步骤3、基于局部放电信号的大数据样本训练深度卷积神经网络模型；

步骤4、基于经训练的所述深度卷积神经网络模型确定待识别的局部放电信号的模式。

进一步，所述深度卷积神经网络模型至少包括1个输入层、第一卷积层及对应的第一池化层、第二卷积层及对应的第二池化层、第一全连接层、第二全连接层以及1个输出分类层。

进一步，所述第一卷积层至少包括6个3×3的卷积核；所述第二卷积层至少包括36个3×3的卷积核；所述第一池化层的参数为2，所述第二池化层的参数为11，采用最大池化操作；所述第一全连接层的神经元个数至少为36；所述第二全连接层的神经元个数至少为25；所述输入层被配置为适于PRPS格式数据输入；所述输出分类层采用Softmax分类器。

进一步，所述局部放电信号的大数据样本的来源包括局部放电模拟实验、变电站现场检测以及典型干扰实验中的一种或多种的组合；局部放电信号的大数据样本包括至少800组样本数据。