[发明专利]一种基于深度学习的SF6

权利要求书

1.一种基于深度学习的SF₆气体泄漏检测方法，其特征在于，包括：

获取变电站内高压电力设备中SF₆气体泄漏情况下的背景噪声及没有气体泄漏情况下的背景噪声，并进行降噪预处理，并将预处理后的背景噪声信号划分为训练集和测试集；

构建VGG神经网络模型，将作为训练集的背景噪声信号输入VGG神经网络模型中进行训练，根据输出结果调整VGG神经网络模型的参数和函数，直至输出结果与背景噪声的类型一致；训练完成后，通过测试集对VGG神经网络模型检测分类的准确性进行验证；

将实时采集的变电站内高压电力设备中背景噪声信号输入至训练完成的VGG神经网络模型中，输出结果作为SF₆气体泄漏情况的判断检测。

2.根据权利要求1所述的基于深度学习的SF₆气体泄漏检测方法，其特征在于，降噪预处理的步骤包括：

对背景噪声信号经过短时傅里叶变换(STFT)，转换为时频图，将其制作成数据集；

对卷积神经网络模型(CNN)进行搭建，使用时频图数据集对模型进行训练和调整；

将实时采集的背景噪声信号输入至训练完成的卷积神经网络模型，输出纯净信号完成降噪预处理。

3.根据权利要求2所述的基于深度学习的SF₆气体泄漏检测方法，其特征在于，在对采集到的背景噪声信号经过短时傅里叶变换(STFT)，转换为时频图的步骤中，对背景噪声信号进行短时傅里叶变换(STFT)，在时域上选择一个窗函数，计算出不同时刻的功率谱形成时频图，将时频图制作成数据集并划分为训练集和测试集。

4.根据权利要求3所述的基于深度学习的SF₆气体泄漏检测方法，其特征在于，卷积神经网络模型(CNN)结构为两层卷积层、两层池化层和三层全连接层，以分辨率为32×32的图像作为输入。

5.根据权利要求1所述的基于深度学习的SF₆气体泄漏检测方法，其特征在于，VGG神经网络模型结构为13层卷积层和3层全连接层，以分辨率为224×224的图像作为输入。

6.根据权利要求1所述的基于深度学习的SF₆气体泄漏检测方法，其特征在于，短时傅里叶变换表达式如下：

其中x(t)为输入信号，h(τ-t)为分析窗函数，STFT(t,f)为给定时间t时刻的频谱。