[发明专利]一种基于PDGAN的电缆局放数据增强方法

说明书

本发明涉及一种基于PDGAN的电缆局放数据增强方法，具体步骤如下：⑴标准GAN数据增强；⑵PDGAN数据增强及改进；⑶特征提取与模式识别。本发明在现有局放模式识别的基础上，将PDGAN应用在局部放电类型识别的数据增强任务中，研究了数据增强对局部放电类型识别准确率的影响。经过PDGAN扩充的数据与原始数据的统计量基本一致，有效学习到了原始数据的分布，而且分类器因为有了大量的样本，从而能够更好识别不同局放类型的差异，显著提升准确率，解决了电缆局放任务中样本数量少、样本不平衡和多样性不足的问题，为进一步解决电缆局放模式识别任务提供了理论依据。

技术领域

本发明涉及一种电缆局放数据增强方法，特别是涉及了一种基于PDGAN算法的电缆局放数据增强研究方法。

背景技术

随着电网规模的不断扩大，对电缆运行的安全性和稳定性要求不断提高。但因电缆安装时的工艺缺陷、外力破坏、设计缺陷等问题，电缆系统中无法避免地会存在或产生一些绝缘缺陷。在长时间运行下，电缆绝缘缺陷处可能产生局部放电。电缆的绝缘缺陷类型多种多样，不同缺陷类型引起的局部放电表现差异较大，并且对设备安全运行的影响以及危害程度不同，及时准确地判断出电缆局部放电类型有利于相关技术人员迅速反应处理相关状况，避免事故发生。

在电缆局部放电的模式识别问题上，传统的特征工程方法已被深度学习算法超越，但深度学习算法并没有完全发挥出所有的潜力，有如下几点原因：训练样本的数据量不足：深度学习模型往往具有相对较大的模型容量，若训练样本数据量比较小，会导致模型参数估计偏差较大，无法正确学习到局放数据分布与类型分布的映射，造成模型欠拟合。训练样本的类别不平衡：类别不平衡的现象使得不同的局放类别在损失函数中的占有权重相差较大，分类器在训练时偏袒样本数量比较多的类别，从而影响分类效果。训练样本的多样性差：多样性较差使得训练数据集的分布与局放的真实数据集分布有偏离，训练完成的模型可能在训练数据集上产生较小的损失函数值，但在测试集上准确率不够高，泛化性能不足。

本发明提出一种基于PDGAN(Partial Discharge GAN)的数据增强方式，对局部放电样本进行数量上的扩充，达到样本数量充足、类别平衡的目的，在验证有效性时，对数据增强前后的局放数据分布进行对比，扩充后的数据集与原数据集的分布基本保持一致，且多样性有所提高，再使用扩充前后的训练集训练分类器，分别在支持向量机、全连接神经网络、k-NN 和卷积神经网络四个分类器上进行测试对比，分类器的准确率均得到了提升。

发明内容

本发明在现有局放模式识别的基础上，将PDGAN应用在局部放电类型识别的数据增强任务中，研究了数据增强对局部放电类型识别准确率的影响。经过PDGAN扩充的数据与原始数据的统计量基本一致，有效学习到了原始数据的分布，而且分类器因为有了大量的样本，从而能够更好识别不同局放类型的差异，显著提升准确率，解决了电缆局放任务中样本数量少、样本不平衡和多样性不足的问题，为进一步解决电缆局放模式识别任务提供了理论依据。

本发明解决其技术问题是采取以下技术方案实现的：

一种基于PDGAN的电缆局放数据增强方法,其具体步骤为：

1、标准GAN数据增强方法

GAN由生成器和判别器组成，分别使用G和D表示，生成器的输入为噪声z，通常选择为正态分布，判别器的输入为生成器生成的样本或训练数据集中样本，输出为一个0至1之间的标量值。D的损失函数为：

其中，θ_D为判别器的神经网络参数。对于生成器G，其目标函数为：

其中，θ_G为生成器的神经网络参数。

2、PDGAN数据增强方法