一种基于深度子域适配迁移网络的开关柜局部放电模式识别方法

技术领域

本发明属于开关柜局部放电模式识别技术领域，尤其涉及一种基于深度子域适配迁移网络的开关柜局部放电模式识别方法。

背景技术

开关柜是配电网中的主要设备，其运行状态与配电网息息相关。由于封闭在柜内的电力设备长期运行后会不可避免的产生绝缘缺陷，严重时将会发展成设备故障，影响配电网的安全可靠运行。局部放电是开关柜存在绝缘缺陷的重要表现形式，利用局部放电带电检测数据对设备绝缘缺陷进行模式识别，能够提前了解设备的缺陷和问题，有助于后期对设备进行有针对性的检测与检修。

传统基于局部放电检测数据进行模式识别的方法主要利用专家知识，对人工经验依赖高，缺乏一定的泛化性能。近年来，随着深度学习(deep learning，DL)的快速发展，循环神经网络(RNN)、卷积神经网络(CNN)等模型被广泛应用于局部放电模式识别领域。深度学习基于数据驱动，能够自主学习数据特征，具有更好的数据挖掘能力。然而深度网络的训练需要大量带标记的数据，现实中遇到的通常是少标签、或无标签的情况，而数据的标注往往会花费大量的时间且需要专家知识。

针对现实中开关柜模式识别时常常遇到的少标签、或无标签的情况，急需从已知系统中学习有用知识并进行迁移的方法。一种可行的方法是运用已知系统的标签来对未知系统进行学习，具体来说可以通过深度卷积网络对源系统和未知系统的数据进行相同的特征映射，在保证源系统正确分类的情况下，同时减小子域的距离。域距离十分接近时表明两者的分布相近，这样就达到了迁移的目的。

发明内容

本发明提供一种基于深度子域适配迁移网络的开关柜局部放电模式识别方法，旨在克服开关柜局部放电模式识别时少标签、无标签问题，通过学习已知开关柜的知识来对未知的开关柜进行局部放电模式识别。

本发明是这样实现的，一种基于深度子域适配迁移网络的开关柜局部放电模式识别方法，包括以下步骤：

S1、数据预处理：首先采用高斯滤波，然后采用自适应的空间域滤波对脉冲序列相位分布图谱数据进行过滤去噪，实现对局部放电数据对表达；

S2、搭建深度神经网络，神经网络包括由卷积网络组成的特征提取器、有全连接网络组成的分类器，以及域适应网络；

S3、把源系统的数据和标签以及目标系统的数据同时喂入神经网络中进行训练；

S4、用训练好的神经网络来进行开关柜的模式识别。

优选的，所述采用自适应的空间域滤波对脉冲序列相位分布图谱数据进行过滤去噪，实现对局部放电数据对表达，具体为：

其中m、n为滤波器尺寸；k为权重大小；Sxy为领域坐标集合。

优选的，所述卷积网络的结构包括：卷积层、批归一化层、Dropout层、池化层、激活层。

优选的，所述卷积层的数学公式为：

式中

所述批归一化层可由以下数学公式表示：

其中x

所述Dropout层通过在神经网络训练时，以一定概率移除神经元来防止神经网络出现过拟合；

所述池化层通过下采样来降低特征维度，去除冗余信息，对特征进行进一步压缩，简化网络复杂度；池化层可由如下公式表示：

其中，x

所述激活层用于增强神经网络的非线性能力；所述激活层的数学公式如下：

优选的，在步骤S3中，训练过程中保证源系统的分类错误减小的同时也让源系统数据和目标系统数据每一个子域的距离减小；

总体损失函数为分类损失和子域距离损失之和：

Loss＝L

其中，λ是可调参数，用于控制域损失的权重；L

分类损失可以由交叉熵函数计算：

其中y

源域和目标域之间的距离可以由下面式子表示：

其中f(·)是映射，用于将原始变量映射到再生核希尔伯特空间中。

优选的，还包括：使用真实值来估计两个分布的距离，可以将上述公式

其中

优选的，还包括：计算每个子域的距离，通过减少每个子域的距离来减小域分布之间的距离：

其中P

其中

在源域中，直接使用实标签

其中z

使用多个内核空间(MK-LMMD)来计算LMMD距离：

其中β为每个和函数取的权值。

与现有技术相比，本发明的有益效果是：本发明的一种基于深度子域适配迁移网络的开关柜局部放电模式识别方法，通过利用已知系统的知识迁移到待识别的系统上进行学习。具体而言，把源域带标签数据和目标域无标签的数据同时进行神经网络训练，在减小源域分类损失的同时减小源域和目标域子域距离损失，这样源域和目标域经过特征转换后的域距离将会拉近，从而实现迁移的目的。

附图说明

图1为本发明的开关柜实验放电接线示意图；

图2为本发明的局部放电检测数据示意图；

图3本发明的滤波结果对比示意图；

图4为本发明的残差模块示意图；

图5为本发明的网络结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

请参阅图1～5，本发明提供一种技术方案：一种基于深度子域适配迁移网络的开关柜局部放电模式识别方法，包括以下步骤：

S1、数据预处理：开关柜局部放电检测数据(PRPS图谱)如图2所示。首先采用高斯滤波，然后采用自适应的空间域滤波对脉冲序列相位分布图谱数据进行过滤去噪，实现对局部放电数据对表达：

其中m、n为滤波器尺寸；k为权重大小；Sxy为领域坐标集合。

经过空间域滤波后的结果如图3所示。可以看到，原始数据中含有背景噪声干扰，局部放电的脉冲信号被干扰淹没。通过空间滤波处理，去除了大量干扰，可以作为神经网络的特征输入。

S2、搭建深度神经网络，如图5所示，神经网络包括由卷积网络组成的特征提取器、有全连接网络组成的分类器，以及域适应网络。

卷积网络的结构包括：卷积层、批归一化层、Dropout层、池化层、激活层。

卷积层的数学公式为：

式中

批归一化层可由以下数学公式表示：

其中x

Dropout层通过在神经网络训练时，以一定概率移除神经元来防止神经网络出现过拟合。

池化层通过下采样来降低特征维度，去除冗余信息，对特征进行进一步压缩，简化网络复杂度。池化层可由如下公式表示：

其中，x

激活层用于增强神经网络的非线性能力；激活层的数学公式如下：

分类器和域适应网络都是由全连接层组成的。

卷积网络的层数加深会使特征提取的效果变得更好，但是持续增加将导致网络退化。解决这个问题可以在网络中加入残差模块如图4。该模块的加入在保护信息的完整性的同时，可以简化学习难度，从而使得深度卷积网络的训练得以实现。

S3、把源系统的数据和标签以及目标系统的数据同时喂入神经网络中进行训练。

训练过程中保证源系统的分类错误减小的同时也让源系统数据和目标系统数据每一个子域的距离减小。

总体损失函数为分类损失和子域距离损失之和：

Loss＝L

其中，λ是可调参数，用于控制域损失的权重。L

分类损失可以由交叉熵函数计算：

其中y

源域和目标域之间的距离可以由下面式子表示：

其中f(·)是映射，用于将原始变量映射到再生核希尔伯特空间中。

使用真实值来估计两个分布的距离，可以将上述公式

其中

考虑到整体的分布会影响局部类的判别，因此可以计算每个子域的距离，通过减少每个子域的距离来减小域分布之间的距离：

其中P

其中

在源域中，直接使用实标签

其中z

仅使用单个内核空间来计算LMMD距离将使最终的训练效果不佳。在这种情况下，可以使用多个内核空间(MK-LMMD)来计算LMMD距离：

其中β为每个和函数取的权值。

S4、用训练好的神经网络来进行开关柜的模式识别。

本发明的一种基于深度子域适配迁移网络的开关柜局部放电模式识别方法，针对开关柜模式识别时少标签或无标签问题，设计了一种基于深度子域适配迁移网络的开关柜模式识别迁移方法，利用已知系统的知识迁移到待识别的系统上进行学习。具体而言，把源域带标签数据和目标域无标签的数据同时进行神经网络训练，在减小源域分类损失的同时减小源域和目标域子域距离损失，这样源域和目标域经过特征转换后的域距离将会拉近，从而实现迁移的目的。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。