基于CGAN网络增强局部放电信号PRPD图谱数据的方法

技术领域

本发明涉及高压电气设备绝缘状态检测技术领域，具体的说是基于CGAN网络增强局部放电信号PRPD图谱数据的方法。

背景技术

特高频法广泛应用于局部放电的检测，基于UHF信号的PRPD图谱可以进行局部放电的模式识别。模式识别的算法模型主要基于机器学习方法进行设计，这类算法的前提是需要大量的样本数据对算法模型进行训练。随着近些年来深度学习的发展，深度神经网络在分类任务上取得了革命性的突破，并且它在局部放电的模式识别方向也不断取得突破。深度神经网络的分类器在有统一、高品质的大批量的带有标签的样本为训练数据的前提下能够达到很高的准确度。但是由于带标签的数据难以收集，获取数据的成本高昂，标注标签费时耗力，使用不同检测装置或在不同采集标准下获得的数据存在差异等等，因此就出现带标签的样本数据量小、质量较差以及数据类型杂乱等问题。当存在数据不足、数据质量较差时，神经网络很难稳定训练并且泛化能力也会变弱。现有技术中，常用数据增强的方法对神经网络进行稳定训练。

数据增强技术一直以来都是一种重要的克服数据不足的手段，通过合成或者转换的方式，从有限的数据中生成新的数据。传统的图像领域的数据增强技术是建立在一系列已知的仿射变换——例如旋转、缩放、位移等，以及一些简单的图像处理手段——例如光照色彩变换、对比度变换、添加噪声等基础上的。但是这种基于几何变换和图像操作的数据增强方法并没有从根本上解决数据不足、数据质量差的问题。

发明内容

为了解决现有技术中的不足，本发明提供基于CGAN网络增强局部放电信号PRPD图谱数据的方法，基于CGAN网络生成接近原有数据的新数据，保证新数据的质量，丰富了原有的数据量，解决了数据不足和数据质量较低的问题，达到增强PRPD图谱数据的目的。

为了实现上述目的，本发明采用的具体方案为：基于CGAN网络增强局部放电PRPD图谱数据的方法，CGAN网络(条件对抗生成网络)包括输入层、生成网络G、判别网络D和输出层，该方法包括以下步骤：

S1、获取多种局部放电信号的PRPD(相位分辩的局部放电)图谱，每种图谱包括多个原始图像，对原始图像添加标签，生成带标签的原始图像；

S2、对带标签的原始图像进行预处理，得到样本数据x；

S3、搭建CGAN网络；

S4、基于样本数据x训练并优化CGAN网络，得到优化网络模型；

S5、通过优化网络模型生成数据集，用数据集对PRPD图谱数据进行增强。

作为上述基于CGAN网络增强局部放电PRPD图谱数据的方法的进一步优化：S1的具体方法为：根据局部放电类型对原始图像添加标签，生成带标签的原始图像。

作为上述基于CGAN网络增强局部放电PRPD图谱数据的方法的进一步优化：所述局部放电类型包括电晕放电、绝缘放电、悬浮放电和自由颗粒放电，所述标签包括：电晕放电记为-0，绝缘放电记为-1，悬浮放电记为-2，自由颗粒放电记为-3。

作为上述基于CGAN网络增强局部放电PRPD图谱数据的方法的进一步优化：S2的具体步骤为：

S2.1、裁剪原始图像，得到初始图像；

S2.2、对初始图像二值化处理，得到二值化图像；

S2.3、对二值化图像归一化处理，得到带标签的样本数据x。

作为上述基于CGAN网络增强局部放电PRPD图谱数据的方法的进一步优化：S4的具体步骤为：

S4.1、用生成网络G捕捉样本数据x的分布，从样本数据x的分布中采集带有噪音的m个样本，从m个样本中获得随机噪声：

z＝{z

S4.2、将样本数据x的标签作为约束条件y，对约束条件y进行one-hot编码：将约束条件y用二进制向量表示：

y＝{[1,0,0,0],[0,1,0,0],[0,0,1,0],[0,0,0,1]}；

S4.3、将随机噪声z和约束条件y同时输入生成网络G，生成类似样本数据G(z)：

其中，

通过交叉熵函数计算生成网络G的损失函数：

S4.4、将样本数据x、类似样本数据G(z)和约束条件y输入判别网络D，计算判别网络D的损失函数：

S4.5、生成网络G与判别网络D的总体损失函数为：

基于总体损失函数对CGAN网络进行优化，得到优化网络模型并保存。

作为上述基于CGAN网络增强局部放电PRPD图谱数据的方法的进一步优化：S5的具体方法为：通过优化网络模型生成数据集，利用数据集对局部放电PRPD图谱数据进行增强。

有益效果：本发明提供的基于CGAN网络增强局部放电信号PRPD图谱数据的方法，利用CGAN网络生成新的数据，新的数据的产生基于原有数据且近似原有的数据，保证新的数据质量，丰富了原有的数据量，解决了数据不足和数据质量较低的问题，达到增强局部放电PRPD图谱数据的目的。

附图说明

图1是本发明的流程框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，基于CGAN网络增强局部放电PRPD图谱数据的方法，CGAN网络(条件对抗生成网络)包括输入层、生成网络G、判别网络D和输出层，该方法包括以下步骤：

S1、获取多种局部放电信号的PRPD(相位分辩的局部放电)图谱，每种图谱包括多个原始图像，对原始图像添加标签，生成带标签的原始图像。

S2、对带标签的原始图像进行预处理，得到样本数据x。

S3、搭建CGAN网络。

S4、基于样本数据x训练并优化CGAN网络，得到优化网络模型。

S5、通过优化网络模型生成数据集，用数据集对PRPD图谱数据进行增强。

图像的预处理采用opencv，对原始图像预处理的目的是为了消除图像中冗余的信息，恢复有用的信息并增强其可检测性，提高信息的可靠性。

S1的具体方法为：根据局部放电类型对原始图像添加标签，生成带标签的原始图像。

常见的局部放电类型包括电晕放电、绝缘放电、悬浮放电以及自由颗粒放电等，获取这些局部放电信号的PRPD图谱，每种图谱包括多个原始图像，根据局部放电类型对原始图像添加标签，生成带标签的原始图像。

本发明中采用四种局部放电类型，分别是：电晕放电、绝缘放电、悬浮放电和自由颗粒放电，根据放电类型对所述标签包括：电晕放电记为-0，绝缘放电记为-1，悬浮放电记为-2，自由颗粒放电记为-3。

S2的具体步骤为：

S2.1、裁剪原始图像，得到初始图像。

S2.2、对初始图像二值化处理，得到二值化图像。

S2.3、对二值化图像归一化处理，得到带标签的样本数据x。

S4的具体步骤为：

S4.1、用生成网络G捕捉样本数据x的分布，从样本数据x的分布中采集带有噪音的m个样本，从m个样本中获得随机噪声：

z＝{z

S4.2、将样本数据x的标签作为约束条件y，对约束条件y进行one-hot编码：

将约束条件y用二进制向量表示：

y＝{[1,0,0,0],[0,1,0,0],[0,0,1,0],[0,0,0,1]}。

S4.3、将随机噪声z和约束条件y同时输入生成网络G，经过多次反卷积层以及上采样层，然后在ReLU激活函数的作用，生成类似样本数据G(z)：

其中，

计算生成网络G的损失函数：

S4.4、将样本数据x、类似样本数据G(z)和约束条件y输入判别网络D，经过多次卷积后用Sigmoid函数以及交叉熵函数计算判别网络D的损失函数：

S4.5、生成网络G与判别网络D的总体损失函数为：

基于总体损失函数对CGAN网络进行优化，得到优化网络模型并保存。

网络的训练实质上是一个优化过程，生成网络G捕捉到样本数据x分布并基于样本数据生成类似样本数据G(z)，判别网络D一般是一个二分类模型，用来判别输入的数据是原有的样本数据x还是生成的类似样本数据G(z)，当判别网络D无法判断输入判别网络D的数据是样本数据x还是类似样本数据G(z)时，生成网络G就达到最优状态。

在训练过程中，采用了交替优化方式，共分为两个阶段，第一阶段是固定判别网络D，优化生成网络G，使得判别网络D的准确率降低，第二阶段是固定生成网络G，提高判别网络D的准确率。

S5的具体方法为：通过优化网络模型生成数据集，利用数据集对局部放电PRPD图谱数据进行增强，丰富图谱数据的数据量。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。