一种通过卷积神经网络识别局部放电故障类型的方法

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，具体的说是一种通过卷积神经网络识别局部放电故障类型的方法。

背景技术

变压器作为电网中最重要的设备之一，一旦出现故障，将会对电力设备的运行造成不可估量的危害，保障其安全稳定运行显得非常重要。变压器出现故障的主要原因是绝缘劣化，而局部放电是绝缘劣化的重要表现，不同的局部放电类型对绝缘破坏程度也不同，因此对局部放电类型进行有效识别对于评估设备绝缘状况有重要的意义。对放电类型的识别，常采用特征提取的方法对原始数据进行变换，主要有分形特征提取法、统计特征法、波形特征法、小波分析法、图像矩特征法等。相关学者根据从局部放电时域信号提取的参数特征向量使用反向传播(back propagation，BP)神经网络和支持向量机(support vectormachine，SVM)在局部放电类型识别上取得了很好的分类效果。但是传统的局部放电类型识别方法都需要人为对信号进行特征提取，这些特征的选取只是针对特定数据设置的，过于依赖于自然人领域专家对于某个问题而确立的方法，并没有很好的泛化性。此外，由于测得的图形或波形的数据量大，使用传统的人工特征提取方法或者浅层神经网络直接对局部放电时域信号进行识别非常困难甚至不可实现。

发明内容

为了解决现有技术中的不足，本发明提供一种通过卷积神经网络识别局部放电故障类型的方法，通过检测装置获取局部放电的PRPD(相位分辩的局部放电)图谱，利用PCA(主成分分析)算法对得到的数据进行处理，减少冗余数据，通过遗传算法搭建卷积神经网络模型，将卷积神经网络参数的调整转化为优化问题，缩短了卷积神经网络在搭建过程中的调参过程的时间，使用Softmax分类器将识别结果以概率的形式映射在[0，1]区间内，更加直观、便捷地得到局部放电故障类型。

为了实现上述目的，本发明采用的具体方案为：一种通过卷积神经网络识别局部放电故障类型的方法，卷积神经网络的结构包括输入层、1个或多个交替连接的卷积层和池化层、激励层、全连接层和输出层，该方法包括以下步骤：

S1、获取多种局部放电PRPD(相位分辩的局部放电)图谱，每种图谱均包括多个原始图像；

S2、处理原始图像，得到标准化图像数据；

S3、搭建卷积神经网络并将其初始化；

S4、将标准化图像数据划分为测试集和训练集；

S5、通过训练集优化卷积神经网络，得到网络模型；

S6、使用测试集测试网络模型，若测试通过则保存网络模型为最优网络模型，否则返回S5；

S7、使用Softmax分类器得到多个对应于局部放电故障类型的概率值；

S8、向最优网络模型输入待识别图谱，获得识别结果并输出。

作为上述一种通过卷积神经网络识别局部放电故障类型的方法的进一步优化：S2的具体步骤为：

S201、采用PCA(主成分分析)算法对原始图像进行处理，得到初始图像；

S202、采用双线性插值算法缩放初始图像，得到放电区域图像；

S203、对放电区域图像进行灰度化处理，得到灰度化图像；

S204、将灰度化图像进行二值化处理，得到二值化图像；

S205、将二值化图像的像素归一化到[0，1]之间，得到标准化图像数据。

作为上述一种通过卷积神经网络识别局部放电故障类型的方法的进一步优化：卷积层包括卷积核，卷积神经网络的网络参数包括卷积核数量、卷积核尺寸和池化层尺寸，卷积神经网络的训练参数包括训练迭代次数和正则化因子；

S3的具体步骤为：

S301、种群初始化：初始化的种群为初代种群，初代种群用集合P＝{x

S302、获得个体基因序列：将初代网络参数对应于基因个体，逐代进化产生更高适应度的子代，第一个卷积层卷积核的数量N

X

S303、计算交叉概率P

其中，P

S304、根据变异概率计算变异个体X

X

其中，X

S305、计算变异个体的适应度：

其中，F为遗传算法个体适应度，E为卷积神经网络的验证误差，N

计算每个个体的适应度值，从中选取出适应度值最高的个体，将适应度值最高的个体对应的网络参数和训练参数赋值于个体基因序列，确定网络结构；

S306、采用ReLU函数作为激活函数，完成卷积神经网络的搭建。

作为上述一种通过卷积神经网络识别局部放电故障类型的方法的进一步优化：S4的具体方法为：将标准化的图像数据按8:2划分为训练集和测试集。

作为上述一种通过卷积神经网络识别局部放电故障类型的方法的进一步优化：S5的具体步骤为：

S501、采用交叉熵代价函数，将训练集输入卷积神经网络；

S502、通过随机梯度下降法更新卷积神经网络，得到二级网络；

S503、通过反向传播算法，计算实际输出与理想输出之间的代价函数；

S504、基于最小化代价函数调整训练参数，优化二级网络，得到网络模型。

作为上述一种通过卷积神经网络识别局部放电故障类型的方法的进一步优化：S7的具体方法为：使用Softmax分类器将多种局部放电故障类型的输出结果以概率的形式映射在[0，1]区间内，得到多个对应于局部放电故障类型的概率值。

有益效果：通过直接输入待识别的PRPD图谱，采用卷积神经网络能够更加直接的对图谱进行处理，保证检测装置的高效性和鲁棒性；利用PCA(主成分分析)算法对数据进行处理，减少信息冗余，缩短网络训练所花费的时间，降低了训练卷积神经网络的硬件要求与能源消耗，提升遗传算法的时效性；遗传算法将卷积神经网络参数的调整转化为优化问题，利用遗传算法逐代进化的特点，更快地确定出网络参数和训练参数，简化调参过程，完成网络的搭建；使用Softmax分类器将多种局部放电故障类型的输出结果以概率的形式映射在[0，1]区间内，更加直观、快速的得到局部放电类型，提升数据的利用率。

附图说明

图1是本发明的流程框图。

具体实施方式

如图1所示，一种通过卷积神经网络识别局部放电故障类型的方法，卷积神经网络的结构包括输入层、1个或多个交替连接的卷积层和池化层、激励层、全连接层和输出层，该方法包括以下步骤：

S1、获取多种局部放电PRPD(相位分辩的局部放电)图谱，每种图谱均包括多个原始图像。

S2、处理原始图像，得到标准化图像数据。

S3、搭建卷积神经网络并将其初始化。

S4、将标准化图像数据划分为测试集和训练集。

S5、通过训练集优化卷积神经网络，得到网络模型。

S6、使用测试集测试网络模型，若测试通过则保存网络模型为最优网络模型，否则返回S5。

S7、使用Softmax分类器得到多个对应于局部放电故障类型的概率值。

S8、向最优网络模型输入待识别图谱，获得识别结果并输出。

S2的具体步骤为：

S201、采用PCA(主成分分析)算法对原始图像进行处理，得到初始图像。

S202、采用双线性插值算法缩放初始图像，得到放电区域图像。

S203、对放电区域图像进行灰度化处理，得到灰度化图像。

S204、将灰度化图像进行二值化处理，得到二值化图像。

S205、将二值化图像的像素归一化到[0，1]之间，得到标准化图像数据。

卷积神经网络对输入的原始图像的内容会无差别的进行特征的提取和处理，然后进行网络训练，但是在实际应用中，大量的图像数据所包含的信息具有一定的冗余，不仅包含了网络所需要的用到的信息，还有一些对网络训练造成影响的干扰信息，为了减少信息冗余，降低无关信息对网络训练所造成的影响，在原始图像进入网络之前，利用PCA(主成分分析)算法对数据进行处理，从而使网络优化时的计算大幅下降，进而缩短网络训练所花费的时间，也降低了训练卷积神经网络的硬件要求与能源消耗，提升算法的时效性。

卷积层包括卷积核，卷积神经网络的网络参数包括卷积核数量、卷积核尺寸和池化层尺寸，卷积神经网络的训练参数包括训练迭代次数和正则化因子。

S3的具体步骤为：

S301、种群初始化：初始化的种群为初代种群，初代种群用集合P＝{x

S302、获得个体基因序列：将初代网络参数对应于基因个体，逐代进化产生更高适应度的子代，第一个卷积层卷积核的数量N

X

S303、计算交叉概率P

其中，P

S304、根据变异概率计算变异个体X

X

其中，X

S305、计算变异个体的适应度：

其中，F为遗传算法个体适应度，E为卷积神经网络的验证误差，N

计算每个个体的适应度值，从中选取出适应度值最高的个体，将适应度值最高的个体对应的网络参数和训练参数赋值于个体基因序列，确定网络结构。

每一代的种群中，每个个体都能计算出相对应的适应度值。每个个体的适应度值将反映这个个体对应网络的网络性能。

S306、采用ReLU函数作为激活函数，完成卷积神经网络的搭建。

卷积神经网络在使用的过程中需要通过大量实验确定卷积核数量、卷积核和池化核的尺寸、训练的最大迭代次数及正则化因子等参数的数值。调参过程不仅耗时耗力而且很难选择一个比较好的结果。遗传算法将卷积神经网络参数的调整转化为优化问题，利用遗传算法逐代进化的特点，采用优选、交叉和变异的进化方式，使得卷积神经网络验证误差最小的个体适应度值作为卷积神经网络卷积核数量、卷积核的尺寸、池化核的尺寸、训练迭代次数及正则化因子等参数确定的依据。

S4的具体方法为：将标准化的图像数据按8:2划分为训练集和测试集。

S5的具体步骤为：

S501、采用交叉熵代价函数，将训练集输入卷积神经网络。

S502、通过随机梯度下降法更新卷积神经网络，得到二级网络。

S503、通过反向传播算法，计算实际输出与理想输出之间的代价函数。

S504、基于最小化代价函数调整训练参数，优化二级网络，得到网络模型。

S7的具体方法为：使用Softmax分类器将多种局部放电故障类型的输出结果以概率的形式映射在[0，1]区间内，得到多个对应于局部放电故障类型的概率值。

下面将结合本发明实施例，对本发明的技术方案进行清楚、完整地描述。

一种通过卷积神经网络识别局部放电故障类型的方法，卷积神经网络的结构包括输入层、1个或多个交替连接的卷积层和池化层、激励层、全连接层和输出层，该方法包括以下步骤：

S1、通过检测装置定时采集放电信号，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，生成四种局部放电PRPD(相位分辩的局部放电)图谱，每种图谱均包括多个原始图像。

S2、处理原始图像，得到标准化图像数据：

S201、采用PCA(主成分分析)算法对原始图像进行处理，得到初始图像。

S202、采用双线性插值算法缩放初始图像，将图像缩放到100x100，得到放电区域图像。

S203、对放电区域图像进行灰度化处理，得到灰度化图像。

S204、将灰度化图像进行二值化处理，得到二值化图像。

S205、将二值化图像的像素归一化到[0，1]之间，得到标准化图像数据。

S3、搭建卷积神经网络并将其初始化：

卷积层包括卷积核，卷积神经网络的网络参数包括卷积核数量、卷积核尺寸和池化层尺寸，卷积神经网络的训练参数包括训练迭代次数和正则化因子。

301、种群初始化：初始化的种群为初代种群，初代种群用集合P＝{x

S302、获得个体基因序列：将初代网络参数对应于基因个体，逐代进化产生更高适应度的子代，第一个卷积层卷积核的数量N

X

S303、计算交叉概率P

其中，P

根据交叉概率P

T＝X

此时，X

S304、根据变异概率计算变异个体X

X

其中，X

S305、计算变异个体的适应度：

其中，F为遗传算法个体适应度，E为卷积神经网络的验证误差，N

计算每个个体的适应度值，从中选取出适应度值最高的个体，将适应度值最高的个体对应的网络参数和训练参数赋值于个体基因序列，确定网络结构。

S306、采用ReLU函数作为激活函数，完成卷积神经网络的搭建。

S3中最后确定的参数为：第一层卷积层的卷积核数量为20，卷积核尺寸为5×5，即5×5×20，第二层卷积层的卷积核数量为40，卷积核尺寸为4×4，即4×4×40，第一层池化层为2×2×20，第二层为2×2×40，正则化因子L为0.0001，训练迭代次数I为550次。

S4、将标准化的图像数据按8:2划分为训练集和测试集。

S5、通过训练集优化卷积神经网络，得到网络模型：

S501、采用交叉熵代价函数，将训练集输入卷积神经网络。

S502、通过随机梯度下降法更新卷积神经网络，得到二级网络。

S503、通过反向传播算法，计算实际输出与理想输出之间的代价函数。

S504、基于最小化代价函数调整训练参数，优化二级网络，得到网络模型。

S6、使用测试集测试网络模型，若测试通过则保存网络模型为最优网络模型，否则返回S5。

S7、使用Softmax分类器得到多个对应于局部放电故障类型的概率值：

使用Softmax分类器将四种局部放电故障类型的输出结果以概率的形式映射在[0，1]区间内，得到多个对应于局部放电故障类型的概率值。

Softmax分类器的目的是将得到的局部放电故障类型的结果以概率的形式表示，四种概率就是最终每一种输出的结果映射在[0，1]区间内的概率值。

S8、向最优网络模型输入待识别图谱，获得识别结果并输出。多个待识别图谱输入最优网络模型，得到多个概率值，其中概率值越大的，越接近某一种局部放电故障类型的概率，即最终输出的待识别结果为该种局部放电故障类型。

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。