[发明专利]一种基于深度学习的SF6

说明书

本发明涉及一种基于深度学习的SF₆气体泄漏检测方法，通过使用深度学习的方法，使SF₆漏气噪声的还原度达到90％，提高了SF₆气体泄漏检测的精度；通过使用深度学习的方法，SF₆检测的效率和精度，降低了人工成本，防止SF₆气体对人身造成伤害；通过将降噪预处理与SF₆气体泄漏检测相结合，构建了一套针对于变电站场景中高压电力设备SF₆气体泄漏检测的方案，在低信噪比的工况下可以取得较为显著的效果。

技术领域

本发明涉及深度学习技术领域，尤其涉及一种基于深度学习的SF₆气体泄漏检测方法。

背景技术

现有高压电力设备在运行过程中，由于其安装方式、材料质量及长时间运行发生老化等因素，导致高压电力设备的法兰连接处及设备密封结构中发生SF₆气体泄漏的问题，影响设备的安全可靠运行，导致设备的绝缘性能下降，从而产生安全隐患。

现如今的SF₆气体泄漏检测方法有气体密度检测技术、负电晕放电技术、激光成像技术等，对SF₆气体泄漏检测有着极大的影响。气体密度检测技术主要是通过测量高压电力设备气室内的气压和温度实现对SF₆气体浓度的监控，虽然该技术结构简单，但测量精度不高。负电晕放电技术基于电晕放电原理，指在电场强度很高的不均匀电场区域内,带电体表面在气体或液体介质中出现的局部的自持放电现象, 而SF₆气体具有负电性对负电晕放电有一定的抑制作用,使电晕电流减小,将电流改变值经放大电路转换为浓度指示值，从而来检测泄漏的SF₆气体，该技术虽然灵敏度较高但负电晕传感器易损坏、寿命短且成本高。激光成像技术的基本原理是向需要检测的设备发射激光，将反射或反向散射的一部分激光在探测设备上进行成像处理，最后生成视频影像，该方法虽然检测距离较远，但结构复杂且成本较高。

发明内容

本发明为了解决上述提到的问题，提供了一种基于深度学习的SF₆气体泄漏检测方法，通过声阵列采集变电站内噪声信号并通过短时傅里叶变换，加窗切片等预处理将其转换为时频图，使用卷积神经网络(CNN)提取其频谱的冗余特征，然后进行去噪，恢复为纯净的音频信号，使用VGG神经网络对该信号进行零一识别，对变电站内是否存在SF₆漏气情况进行快速准确的检测。

本发明解决其技术问题所采用的技术方案是：构造一种基于深度学习的SF₆气体泄漏检测方法，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。

其中，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。