一种局放源定位方法、装置以及设备

技术领域

本发明涉及中高压设备监控技术领域，尤其涉及一种局放源定位方法、装置以及设备。

背景技术

我国电力发展日新月异，信息化、自动化和智能化特点日趋明显。然而变压器等一些设备的故障将有可能导致区域大停电，造成重大经济损失，因此有必要对变压器等设备的运行状态进行监测。对于中高压设备，局部放电时有发生，局部放电主要是变压器、互感器以及其它一些高压电气设备在高电压的作用下，其内部绝缘发生的放电，这种放电只存在于绝缘的局部位置，不会立即形成整个绝缘贯通性击穿或闪络，所以称为局部放电。对局部放电源进行快速精准的定位可以尽快判断出变压器内的绝缘故障情况，减少不必要的维修，而对于必要的维修则减少了维修时间和停电损失。在目前使用较多的是利用到达时间差法和RSSI指纹法进行定位的方法，基于这种方法的监控装置对采样率及同步精度要求较高或者需要提前预先建立放电指纹图，并且成本较高且检测效率低。

发明内容

有鉴于此，本发明的目的在于提出一种局放源定位方法、装置以及设备，能够实现对中高压设备的局放源进行快速精准定位，从而大大提高检测效率、降低成本。

为实现上述目的，本发明提供一种局放源定位方法，所述方法包括：

通过在待检测设备中布设三个声纹采集装置以采集其中的声纹信号；

分别将三个所述声纹采集装置所采集的声纹信号转化为声谱图，并将三个声谱图进行合成，得到合成后的第一声谱图；

将所述第一声谱图进行处理后得到第一特征向量，将所述第一特征向量输入至CNN网络进行分类训练，得到第一网络模型；

将所述第一网络模型的LOSS函数修改为HingeLoss、全连接层的学习率修改为0、softmax层修改为SVM，并将所述第一声谱图输入至所述SVM中进行分类训练，得到第二网络模型；

根据所述第二网络模型对待检测声谱图进行检测，从而确定所述待检测设备的局放源位置。

优选的，在所述通过在待检测设备中布设三个声纹采集装置以采集其中的声纹信号之前，还包括：

按照预设分布范围对所述待检测设备进行检测空间的划分标注，并在所划分的所述检测空间中设置局放源。

优选的，所述将所述第一声谱图进行处理后得到第一特征向量的步骤包括：

将所述第一声谱图进行N次的卷积层处理后，再经过池化层处理得到第一特征向量，其中，所述第一特征向量包括含有局放的特征向量。

优选的，所述将所述第一声谱图进行N次的卷积层处理的步骤包括：

将所述第一声谱图依次经过第一层卷积层、第二层卷积层和第三层卷积层进行处理；其中，所述第一层卷积层的卷积核大小为11*11*3、步长为3、个数为9个；所述第二层卷积的卷积核大小为7*7，步长为4、个数为9个；所述第三层卷积层的卷积核大小为4*4，步长为4、个数为9个。

优选的，所述池化层的大小为3*3，步长为2。

优选的，在所述将所述第一声谱图输入至所述SVM中进行分类训练之后，还包括：

利用遗传算法对所述SVM的参数进行优化。

为实现上述目的，本发明还提供一种局放源定位装置，所述装置包括：

采集单元，用于通过在待检测设备中布设三个声纹采集装置以采集其中的声纹信号；

合成单元，用于分别将三个所述声纹采集装置所采集的声纹信号转化为声谱图，并将三个声谱图进行合成，得到合成后的第一声谱图；

第一训练单元，用于将所述第一声谱图进行处理后得到第一特征向量，将所述第一特征向量输入至CNN网络进行分类训练，得到第一网络模型；

第二训练单元，用于将所述第一网络模型的LOSS函数修改为HingeLoss、全连接层的学习率修改为0、softmax层修改为SVM，并将所述第一声谱图输入至所述SVM中进行分类训练，得到第二网络模型；

定位单元，用于根据所述第二网络模型对待检测声谱图进行检测，从而确定所述待检测设备的局放源位置。

优选的，所述装置还包括：

划分单元，用于按照预设分布范围对所述待检测设备进行检测空间的划分标注，并在所划分的所述检测空间中设置局放源。

为实现上述目的，本发明还提供一种局放源定位设备，包括处理器、存储器以及存储在所述存储器内的计算机程序，所述计算机程序能够被所述处理器执行以实现如上述实施例所述的一种局放源定位方法。

有益效果：

以上方案，通过声纹采集装置采集设备的声纹信号转化为声谱图后，进行CNN网络训练得到CNN网络模型并提取特征，进而结合SVM进行分类，从而实现局放源的定位，上述方法的抗干扰能力强，能够在各种复杂环境中使用，对信号采样率及同步精度要求低、且所需学习的数据规模小，数据不容易过拟合，从而能够快速计算出局放源的位置，大大提高定位精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一实施例提供的一种局放源定位方法的流程示意图。

图2为本发明另一实施例提供的一种局放源定位方法的流程示意图。

图3为本发明一实施例提供的对检测空间分割标注的示意图。

图4为本发明一实施例提供的网络结构示意图。

图5为本发明一实施例提供的一种局放源定位装置的结构示意图。

图6为本发明另一实施例提供的一种局放源定位装置的结构示意图。

图7为本发明一实施例提供的一种局放源定位设备的结构示意图。

发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。

在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

以下结合实施例详细阐述本发明的内容。

参照图1-2所示为本发明实施例提供的一种局放源定位方法的流程示意图。

本实施例中，该方法包括：

S11，通过在待检测设备中布设三个声纹采集装置以采集其中的声纹信号。

在本实施例中，该声纹采集装置为声音传感器，通过在待检测设备中布设的三个声音传感器采集其中的声纹信号，其中，声纹信号包括含有局放的声纹信号和不含有局放的声纹信号，在后续中用来CNN网络训练，从数据中学会区分含有局放和不含局方的声音。进一步的，三个声音传感器可安装在设备的开关柜、环网柜等等其设备的内部，具体可根据待检测设备内部的具体构造进行布设。更进一步的，声音传感器设有磁铁，可以直接吸附在待检测设备内部。

进一步的，在另一实施例中，在步骤S11之前，还包括：

S10，按照预设分布范围对所述待检测设备进行检测空间的划分标注，并在所划分的所述检测空间中设置局放源。

在本实施例中，针对不同用户的设备以及用户的不同需求，可根据实际情况对设备进行空间分割，不同空间分割方式不同，其对应的检测的区域大小也就不同，因此可根据用户需求灵活设置，在此不进行限定。在具体实施中，如图3所示，将待检测设备按检测空间分割为27块，并对所划分的每一位置进行标注区分。其中，局放源可通过向量y形式进行表示，例如，y＝[a

S12，分别将三个所述声纹采集装置所采集的声纹信号转化为声谱图，并将三个声谱图进行合成，得到合成后的第一声谱图。

在本实施例中，将得到的声音信息进行傅里叶变换，再由傅里叶变换按照能量功率谱绘制对应声谱图，图像大小为512*174的RGB图像。通过在步骤S11中对声纹信号处理后的三个声谱图按照纵向合并填充为512*512的RGB图像，得到第一声谱图。

S13，将所述第一声谱图进行处理后得到第一特征向量，将所述第一特征向量输入至CNN网络进行分类训练，得到第一网络模型。

其中，所述将所述第一声谱图进行处理后得到第一特征向量的步骤包括：

将所述第一声谱图进行N次的卷积层处理后，再经过池化层处理得到第一特征向量，其中，所述第一特征向量包括含有局放的特征向量。

所述将所述第一声谱图进行N次的卷积层处理的步骤包括：

将所述第一声谱图依次经过第一层卷积层、第二层卷积层和第三层卷积层进行处理；其中，所述第一层卷积层的卷积核大小为11*11*3、步长为3、个数为9个；所述第二层卷积的卷积核大小为7*7，步长为4、个数为9个；所述第三层卷积层的卷积核大小为4*4，步长为4、个数为9个。其中，所述池化层的大小为3*3，步长为2。

在本实施例中，如图4所示，将第一声谱图进行三次的卷积层处理，再经过平化处理，得到含有局放的特征向量，送入全连接的神经网络进行分类训练。具体包括：

S13-1，将第一声谱图经过第一层卷积层处理，其中，第一层的卷核大小为11*11*3、步长为3、个数为9个，输出为9个167*167二维的Feature map1；再将feature map1经过第二层卷积层处理，其中，第二层卷积核为7*7、步长为4、个数为9个，输出为81个40*40二维的Feature map2；再将feature map2经过第三层卷积层处理，其中，第三层卷积核为4*4、步长为4、个数为9，输出729个9*9的Feature map3。

S13-2，将Feature map3经过池化层处理，大小为3*3、步长为2，输出为729个3*3的Feature map4。

S13-3，再将Feature map4输入到全连接神经网络，得到一个27*1的向量作为输出结果。

S13-4，输出分类选用softmax，将交叉熵作为损失函数，利用Adam作为优化器，进行训练网络并保存。在具体实施中，通过上述进行3次卷积处理可以有效缩小图片，提升网络运行效率。由于卷积次数并不是越多越好，多次的卷积可能会将原有的特征丢失，反而影响到网络的表现。因此可根据实际情况进行调整。

S14，将所述第一网络模型的LOSS函数修改为HingeLoss、全连接层的学习率修改为0、softmax层修改为SVM，并将所述第一声谱图输入至所述SVM中进行分类训练，得到第二网络模型。

其中，在所述将所述第一声谱图输入至所述SVM中进行分类训练之后，还包括：利用遗传算法对所述SVM的参数进行优化。

在本实施例中，根据训练好的CNN网络将最终的LOSS函数修改为HingeLoss、全连接层的学习率修改为0、softmax层修改为SVM分类器，得到新的网络之后，将第一声谱图输入至新的网络中进行分类训练，针对SVM的优化采取遗传算法进行SVM参数优化得到最优解，整个网络训练完成。通过采取遗传算法进行高效的优化网络参数，能够大大提高检测的准确率。

S15，根据所述第二网络模型对待检测声谱图进行检测，从而确定所述待检测设备的局放源位置。

在本实施例中，通过在待检测设备中采集其中的声音并进行处理后，作为参数输入送入第二网络模型，最后根据输出向量的值以确定局放源的具体位置。能够快速计算出局放源的位置，大大提高定位精度。

参照图5-6所示为本发明实施例提供的一种局放源定位装置的结构示意图。

本实施例中，该装置50包括：

采集单元51，用于通过在待检测设备中布设三个声纹采集装置以采集其中的声纹信号；

合成单元52，用于分别将三个所述声纹采集装置所采集的声纹信号转化为声谱图，并将三个声谱图进行合成，得到合成后的第一声谱图；

第一训练单元53，用于将所述第一声谱图进行处理后得到第一特征向量，将所述第一特征向量输入至CNN网络进行分类训练，得到第一网络模型；

第二训练单元54，用于将所述第一网络模型的LOSS函数修改为HingeLoss、全连接层的学习率修改为0、softmax层修改为SVM，并将所述第一声谱图输入至所述SVM中进行分类训练，得到第二网络模型；

定位单元55，用于根据所述第二网络模型对待检测声谱图进行检测，从而确定所述待检测设备的局放源位置。

其中，所述第一训练单元53，还用于：

将所述第一声谱图进行N次的卷积层处理后，再经过池化层处理得到第一特征向量，其中，所述第一特征向量包括含有局放的特征向量。

其中，所述第二训练单元54，还用于：

利用遗传算法对所述SVM的参数进行优化。

进一步的，在另一个实施例中，该装置60，还包括：

划分单元61，用于按照预设分布范围对所述待检测设备进行检测空间的划分标注，并在所划分的所述检测空间中设置局放源。

该装置50/60的各个单元模块可分别执行上述方法实施例中对应步骤，故在此不对各单元模块进行赘述，详细请参见以上对应步骤的说明。

本发明实施例还提供一种局放源定位设备，包括处理器、存储器以及存储在所述存储器内的计算机程序，所述计算机程序能够被所述处理器执行以实现如上述实施例所述的局放源定位方法。

如图7所示，所述局放源定位设备可包括但不仅限于处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是局放源定位设备的示例，并不构成对局放源定位设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述局放源定位设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述局放源定位设备的控制中心，利用各种接口和线路连接整个局放源定位设备的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述局放源定位设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如声纹数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

其中，所述局放源定位设备集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。

需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

上述实施例中的实施方案可以进一步组合或者替换，且实施例仅仅是对本发明的优选实施例进行描述，并非对本发明的构思和范围进行限定，在不脱离本发明设计思想的前提下，本领域中专业技术人员对本发明的技术方案作出的各种变化和改进，均属于本发明的保护范围。