[发明专利]一种基于深度卷积生成对抗网络的电力设备局部放电模式识别方法及系统

说明书

本发明涉及一种基于深度卷积生成对抗网络的电力设备局部放电模式识别方法及系统，包括：步骤1：获取局部放电信号的PRPD图谱并预处理；通过深度卷积生成对抗网络得到扩充数据集；对分类网络训练得到第一分类模型；步骤2：获取局部放电信号的实时波形并预处理，对分类网络训练得到第二分类模型；步骤3：将待分类的局部放电信号的PRPD图谱预处理后输入第一分类模型，得到的第一分类结果；将该待分类的局部放电信号的实时波形预处理后输入第二分类模型，得到第二分类结果；对第一分类结果和第二分类结果按照权重计算，得到最终的电力设备局部放电模式判别结果。本发明解决了样本量的多样性问题；使判决结果的特征更具可靠性和鲁棒性。

技术领域

本发明涉及一种基于深度卷积生成对抗网络的电力设备局部放电模式识别方法及系统，属于局部放电模式识别技术领域。

背景技术

近年来，随着电力系统的升级改造，电力设备所承载的电压等级和装机容量越来越大，与此同时，电力设备尤其是变压器的故障预警、检测工作变得尤为重要。在诸多的检测手段之中，对于变压器的局部放电信号的检测和模式识别及定位是对于变压器故障的预警工作的重要辅助手段。所谓局部放电，就是在电力系统中，在生产过程或者使用过程中产生了一些诸如气隙、毛刺等绝缘弱点，这些绝缘弱点所在的区域在一定的电压条件下会发生电气击穿的现象。局部放电出现则意味着电气设备可能已经出现了绝缘能力的劣化，如果不加以关注和维护会进一步导致更为严重的损坏，从而使得电力设备寿命整体下降。如果能在局部放电出现的初期就对其采取正确的措施，可以有效降低电力设备维护成本，延长设备使用寿命。对于局部放电的处理，首要的工作就是局部放电的模式识别，正确的模式识别可以为后续的故障预警、故障定位等工作提供可靠支撑。

目前，针对变压器局部放电信号的检测主要有以超高频检测法、脉冲电流法等为例的电测法和以超声波检测法化学检测法等为例的非电测法，其中，电测法得益于其高灵敏度，得到了广泛应用。通过上述方式检测到局放信号后，对其进一步处理获得包含丰富信息的特征参数，常见的特征参数形式主要有：统计特征、分形特征、波形特征等多种形式，在这其中，考虑到为了满足实际应用的实时性要求，采取统计特征作为分类依据更具有可行性。常见的统计图谱主要以局部放电相位分布(Phase Resolved Partial Discharge，PRPD)和脉冲序列的相位分布(Phase Resolved Pulse Sequence，PRPS)为主。PRPD图谱体现了局部放电的放电量q、相位φ和放电次数n的三维关系，具有检测条件要求较低、监测信号噪声分量低等优势，对局放PRPD图谱的特征提取可以支撑对局放的模式识别技术。目前，对于PRPD图谱的特征提取主要为基于传统方法的特征提取分析，相关的模式识别算法具有泛化能力较低、鲁棒性较低的缺陷。

近年来，卷积神经网络因其在图像分类领域的高效性和自动提取特征等优点引发了大量研究和关注。也有部分学者尝试将卷积神经网络或者其他的深度学习方法应用于局部放电模式识别算法中，但是，由于局部放电样本量较少，受此局限，在模型训练阶段，深度学习网络模型往往不能提取到充足的特征信息来提供分类依据，这极大地限制了深度学习的性能。

综上，电力设备中由于绝缘缺陷类型的形状、位置等因素的不同，往往会产生具有不同特征的局部放电，常见的如绝缘放电、悬浮放电、沿面放电、尖端放电等。在现有的研究方法中，有的通过从PRPD图谱中进行分类特征提取，但是因为样本量有限而影响最终效果；有的通过对单一的实时波形进行特征提取并作为分类依据，但是此类算法往往忽略了对于局放分类极为重要的相位和次数分布特征参数，无法实现最佳的判决。

发明内容

针对现有技术的不足，本发明提出了一种基于深度卷积生成对抗网络的电力设备局部放电模式识别方法；

本发明还提出了一种基于深度卷积生成对抗网络的电力设备局部放电模式识别系统。