一种油纸绝缘局部放电的融合识别方法及系统

技术领域

本发明属于局部放电检测技术领域，具体涉及一种油纸绝缘局部放电的融合识别方法及系统，适用于油浸式电力设备。

背景技术

作为电力系统中的关键设备，电力变压器的安全运行至关重要，其绝缘状态与电网安全息息相关。局部放电检测是电力变压器绝缘监测的主要手段，能够有效的反映设备内部的绝缘状态。不同的放电类型对应的故障严重程度和放电部位存在区别，因此有效的对局部放电的类型进行辨识，可以为变压器绝缘的识别与评估提供参考。

目前，国内外研究者针对局部放电的模式识别方法已进行了大量研究，主要从特征提取和分类器选择与设计两方面展开，其容易受到干扰的影响，识别方法的泛化能力不强。虽然有部分学者就深度学习的应用展开了研究，但仍然存在模型通用性不强和难以实际部署等问题，关于深度学习在局部放电识别领域中的应用仍需要进行进一步研究。现有的研究主要集中在从数据处理方法和模型设计上提高识别的准确率，其信息来源往往是单一信号下的特征信息，少有研究从放电信息的获取上改善识别的精度。

目前，国内外研究者针对局部放电的模式识别方法已进行了大量研究，主要从特征提取和分类器选择与设计两方面展开。在特征提取方面，从局部放电脉冲相位分布（phase resolved partial discharge，PRPD）模式中提取特征参数是研究的热点，PRPD谱图包含了丰富的放电信息，其统计特征参数、分形参数、图像特征参数等均可以作为放电类型辨识的有效特征，此外，基于其他模式的特征参数提取也有部分研究。在分类器选择与设计方面，支持向量机、人工神经网络、聚类分析等机器学习算法得到了大量的研究与应用，此类方法依赖于复杂的特征工程，需要人工处理和提取特征，存在特征选择难和特征维数高等缺点。

近些年来，随着深度学习方法在机器视觉、语音识别和文本处理等领域快速发展，许多学者开始尝试将深度学习算法应用到局部放电的类型识别上。通过将局部放电模式识别问题转化为图像识别问题，进而采用卷积神经网络等图像分类方法进行分类，逐渐成为一种新的研究思路。Song H.采用深度卷积网络对局部放电脉冲序列相位图谱（phaseresolved pulse sequence，PRPS）进行训练，有效提高了复杂数据源下的局部放电识别准确率。许辰航引入深度残差网络对PRPD图谱进行分类，其效果相较于普通卷积神经网络和统计参数分析法有明显提升。高盎然和张重远将局部放电原始数据通过时频变换转化成图像，并利用深度学习算法进行图像识别，可以有效地实现放电类型的准确识别。

综上所述，现有的研究主要集中在从数据处理方法和模型设计上提高识别的准确率，其信息来源往往是单一信号下的特征信息，少有研究从放电信息的获取上改善识别的精度。

发明内容

为了解决上述技术问题，本发明提出了一种油纸绝缘局部放电的识别方法，旨在提高油浸式电力设备局部放电识别分析的效率和适用性。本发明所采用的技术方案如下：

一种油纸绝缘局部放电的融合识别方法，首先通过局部放电多光谱信号检测平台采集油纸绝缘缺陷模型下不同放电类型的多光谱信号样本，并给定所述多光谱信号样本对应的分类标签；然后对多光谱信号样本进行计算获得二维特征图谱，并采用数据增强和二维化处理对二维特征图谱进行预处理；将预处理数据拼接成多光谱多通道矩阵，每个通道为一个单独谱段的放电数据，将数据划分为训练集和测试集；将所述训练集输入深度学习网络模型中，选择网络结构和超参数对网络进行初始化；通过前向传播得到输出，采用损失函数计算误差，并通过反向传播和优化算法更新训练模型的参数，得到最优网络模型；使用得到的最优网络模型对测试集进行测试，输出局部放电的识别结果。也可以将实际运行中的局部放电信号，按照前面的方法进行计算处理，输入到最优网络模型中，得到放电类型的识别结果。

一种油纸绝缘局部放电的融合识别系统，用于实现前述的一种油纸绝缘局部放电的融合识别方法，包括计算机，所述的计算机中安装运行以下功能模块：

数据采集模块：用于获取油浸式电力设备局部放电的多光谱信号和脉冲电流信号，对其进行计算获得二维特征图谱，并采用数据增强和二维化处理对二维特征图谱进行预处理；

数据训练模块：将预处理数据拼接成多光谱多通道矩阵，将数据划分为训练集和测试集；将所述训练集输入深度学习网络模型中，选择网络结构和超参数对网络进行初始化；通过前向传播得到输出，采用损失函数计算误差，并通过反向传播和优化算法更新训练模型的参数，得到最优网络模型；

数据识别模块：用于获取放电类型的识别结果，使用得到的最优网络模型对测试集进行测试，输出识别结果；

数据存储模块：根据识别得到的放电类型，将分析识别结果上传到日志中存储。

本发明的有益效果：

本发明公开的方法和系统，通过数据增强和模型轻量化改进，提高了放电识别的可靠性和适用性。

附图说明

图1是本发明实施例的融合识别方法流程图；

图2是本发明实施例的局部放电多光谱信号检测平台的架构示意图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。

如图1所示，是本发明实施例的融合识别方法流程图。一种油纸绝缘局部放电的融合识别方法，基于多光谱信号和深度学习网络模型，包括以下步骤：

步骤1、通过搭建如图2所示的局部放电多光谱信号检测平台，采集不同放电类型的局部放电多光谱信号和脉冲电流信号，并给定所述多光谱信号和脉冲电流信号对应的分类标签。所述的局部放电多光谱信号检测平台，可以同时对放电信号不同谱段内的光信号和脉冲电流信号进行检测。

所述的局部放电多光谱信号检测平台，包括带通滤光片组、SiPM阵列以及信号调理电路。放电源发出的光信号通过带通滤光片组进入SiPM阵列，得到不同谱段的光信号，然后依次通过I-U转换模块、前置放大器及解调器等采集系统采集得到局部放电多光谱信号和脉冲电流信号。

所述的局部放电多光谱信号检测平台，其中带通滤光片组的作用是将局部放电原始光信号分离出不同谱段的光信号，SiPM阵列作用的作用是探测分离出的光学信号，两者共同组成信号检测部分，I-U转换模块将采集到的光学信号转换为电压信号，前置放大器和解调器的作用是将电压信号转换为采集系统可采集的局部放电多光谱信号和脉冲电流信号。这些功能模块均为现有技术模块，实现方法均为现有技术。

所述的放电类型，包括油浸式电力设备中常见的放电类型，包括油中电晕放电、油纸中电晕放电、悬浮放电、柱板沿面放电、球板沿面放电等。

步骤2、对局部放电多光谱信号和脉冲电流信号进行预处理，计算获得多光谱信号和脉冲电流信号的二维特征图谱，采用数据增强和二维化处理手段对二维特征图谱进行预处理，以形成油纸绝缘局部放电特征图谱数据库。

多光谱信号和脉冲电流信号的预处理方法，对局部放电信号进行数据增强，首先通过实验采集了不同电压等级下局部放电全发展过程的局部放电多光谱信号，增强了数据的多样性，然后根据局部放电多光谱信号和脉冲电流信号数据的特征，采用随机重采样、随机移相和随机添加噪声等方法进行数据增强，增加样本的数量。

多光谱信号和脉冲电流信号的预处理方法，将局部放电信号的幅值-相位数据进行二维化处理，具体方法为：

S2.1、获得幅值的最大值Qmax，将幅值区间0~Qmax和相位区间0~360°分别均匀划分成Nq和Nφ个小区间，并形成二维矩阵Nq×Nφ；

S2.2、将脉冲电流信号序列依次输入进行计算，获得每个脉冲点在二维矩阵的位置，将二维矩阵对应位置的值加一；

S2.3、所有脉冲电流信号输入完毕后，对二维矩阵进行归一化处理，将其值的范围归一化到0~256区间；

S2.4、对于多光谱信号，Qmax为所有通道的放电幅值全局最大值，不同通道的网格划分方式一致，这样不仅可以对幅值进行归一化，同时可以保留不同通道间的幅值比例关系，便于通过卷积神经网络部提取有效信息。

所述的随机重采样，是指对局部放电脉冲序列中的脉冲点进行重新采样，可以增加样本的数量。

所述的随机移相，是指随机对脉冲的相位数据添加±10°的偏移。

所述的随机添加噪声，是指往局部放电脉冲序列中随机插入噪声的脉冲序列，添加噪声的类型，包括离散周期噪声、工频周期噪声以及无规律噪声等。

步骤3、将所述油纸绝缘局部放电特征图谱数据库按照8:2的比例划分训练集和测试集，将所述训练集输入深度学习网络模型中，选择合适的网络结构和超参数对网络进行初始化。

所述的深度学习网络模型，使用卷积神经网络结构进行图谱的识别分析。

所述的卷积神经网络结构，采用卷积层和池化层交替的卷积神经网络结构，卷积层采用大小为3×3、移动步长为1的卷积核，池化层采用大小为2×2的最大池化，经过多层卷积+池化，输入到全连接层，最后通过softmax分类器得到分类的结果，激活函数选用线性整流单元（rectified linear unit，ReLU）。

步骤4、通过前向传播得到输出，采用损失函数计算误差，并通过反向传播和优化算法更新参数，经过训练得到局部放电最优网络模型；

步骤5、将测试集数据输入到最优网络模型中，得到油纸绝缘放电类型的识别结果。

附图1中的虚线框中的内容，为构建及训练卷积神经网络的具体过程，对应步骤3至步骤4的具体实现过程。最优网络模型为卷积神经网络模型的通用词汇，在本发明中具体指代通过步骤3和步骤4的构建和训练神经网络模型后的输出结果，即通过图1中下部虚线框步骤即可获得，对应步骤4的局部放电图谱识别模型。

本发明实施例中，未详细描述的技术特征均为现有技术或者常规技术手段，在此不再赘述。

最后需要说明的是：以上实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此。本领域技术人员应该理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。