基于多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)的局部放電類型檢測方法和系統(tǒng)技術(shù)方案

本發(fā)明專利技術(shù)公開了一種基于多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)的局部放電類型檢測方法和系統(tǒng)，方法包括步驟：周期性采集局部放電時產(chǎn)生的電流脈沖向外輻射電磁波信號，處理后形成一個單通道的二維矩陣數(shù)組；對獲取的二維矩陣數(shù)組進行預(yù)處理，得到多通道的局部放電數(shù)據(jù)；將預(yù)處理后的多通道的局部放電數(shù)據(jù)輸入到預(yù)先構(gòu)建和訓練好的多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)中，進行局部放電類型檢測和判斷。本發(fā)明專利技術(shù)考慮局部放電的實際情形，對輸入數(shù)據(jù)進行處理時，首先判斷設(shè)備是否存在放電，當確定存在放電現(xiàn)象時，再判斷放電的類型，局部放電判斷準確率高，且更具實用性。且更具實用性。且更具實用性。

【技術(shù)實現(xiàn)步驟摘要】
基于多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)的局部放電類型檢測方法和系統(tǒng)


[0001]本專利技術(shù)涉及
，具體涉及一種基于多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)的局部放電類型檢測方法和系統(tǒng)。

技術(shù)介紹

[0002]為了幫助電力行業(yè)巡檢機器人在巡檢過程中自動發(fā)現(xiàn)電氣設(shè)備是否存在局部放電現(xiàn)象，機器人需要搭載局部放電檢測設(shè)備，這些設(shè)備不僅能夠自己采集數(shù)據(jù)，而且有能力對這些數(shù)據(jù)進行分析，判斷出當前設(shè)備是否存在放電現(xiàn)象和放電類型。
[0003]局部放電是一種高壓放電現(xiàn)象，在絕緣體中局部區(qū)域發(fā)生的放電，而沒有貫穿施加電壓的導(dǎo)體之間，既可以發(fā)生在導(dǎo)體附近，也可以發(fā)生在其他地方，這種現(xiàn)象稱為局部放電，簡稱為局部放電。局部放電有多種類型：尖端放電、懸浮放電、氣隙放電、沿面放電等。局部放電檢測方法目前有地電波、超聲波，特高頻等檢測方法。這些方法能夠檢測出當前設(shè)備是否存在放電，并且能夠給出放電信號，如何從這些信號分析出具體的放電類型，大部分方法都是采用人工觀察的方式去確認，這種方法準確率高，但是需要的人力成本高；還有一些采用的是模式匹配的方式去匹配局部放電信號波形，這種方式準確率低，易受噪聲的影響。

技術(shù)實現(xiàn)思路

[0004]技術(shù)目的：針對上述技術(shù)問題，本專利技術(shù)提出一種基于多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)的局部放電類型檢測方法和系統(tǒng)，采用卷積神經(jīng)網(wǎng)絡(luò)技術(shù)，設(shè)計了多任務(wù)網(wǎng)絡(luò)模型，利用模型對采集的數(shù)據(jù)進行分析。
[0005]技術(shù)方案：為實現(xiàn)上述技術(shù)目的，本專利技術(shù)采用了如下技術(shù)方案：
[0006]一種基于多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)的局部放電類型檢測方法，其特征在于，包括步驟：
[0007]周期性采集局部放電時產(chǎn)生的電流脈沖向外輻射電磁波信號，經(jīng)過濾波處理后，形成一個單通道的二維矩陣數(shù)組；
[0008]對獲取的二維矩陣數(shù)組進行預(yù)處理，得到多通道的局部放電數(shù)據(jù)；
[0009]將預(yù)處理過的多通道的局部放電數(shù)據(jù)輸入到預(yù)先構(gòu)建和訓練好的多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)中，進行局部放電類型檢測和判斷，所述神經(jīng)網(wǎng)絡(luò)包括主干網(wǎng)絡(luò)和分支網(wǎng)絡(luò)，分支網(wǎng)絡(luò)包括放電分支和分類分支，首先查看放電分支，如果放電分支預(yù)測是不放電，則輸出正常類型，否則繼續(xù)查看類型分支，根據(jù)類型分支的結(jié)果輸出放電的類型；
[0010]其中，所述主干網(wǎng)絡(luò)包括卷積層、第一Bottleneck層、循環(huán)網(wǎng)絡(luò)和第二Bottleneck層，所述第一Bottleneck層使用帶有線性瓶頸的倒置殘差結(jié)構(gòu)，所述殘差結(jié)構(gòu)依次使用1x1卷積進行升維、使用Depthwise卷積進行卷積操作、使用1x1卷積進行降維，最后進行shortcut操作，Bottleneck的激活函數(shù)的如式(1)所示：
[0011]y＝Relu6(x)＝min(max(x,0),6)
????
(1)
[0012]所述循環(huán)網(wǎng)絡(luò)包括8個Bottleneck_sum層，第二Bottleneck層的輸出作為主干網(wǎng)絡(luò)的輸出；
[0013]所述放電分支為二分類網(wǎng)絡(luò)，包括一個卷積層、全局池化層、全連接層和softmax層，訓練時使用交叉熵損失函數(shù)；類型分支為多分類網(wǎng)絡(luò)，用于判斷局部放電的類型，輸出的結(jié)果包括尖端類型、懸浮類型、氣隙類型、沿面類型、自由類型。
[0014]優(yōu)選地，所述神經(jīng)網(wǎng)絡(luò)以如下方法進行訓練：
[0015]采集不放電數(shù)據(jù)樣本和多種放電數(shù)據(jù)樣本，放電數(shù)據(jù)樣本中包括尖端放電數(shù)據(jù)、氣隙放電數(shù)據(jù)、懸浮放電數(shù)據(jù)和沿面放電數(shù)據(jù)，將放電數(shù)據(jù)樣本按9:1的比例分為放電類型訓練集和測試集；
[0016]將放電分支和類型分支單獨分開訓練，單獨訓練滿足精度要求后，將放電分支和類型分支同時訓練，同時訓練滿足精度要求后，停止訓練。
[0017]優(yōu)選地，所述預(yù)處理包括：
[0018]對二維矩陣數(shù)組進行歸一化操作，將所有數(shù)值均歸一化到0～1之間；
[0019]在經(jīng)過歸一化處理的二維矩陣數(shù)據(jù)中增加隨機噪聲；
[0020]將添加了隨機噪聲的二維矩陣數(shù)組復(fù)制三份，得到三通道的局部放電數(shù)據(jù)，并在每個通道將局部放電數(shù)據(jù)減去均值并除以方差。
[0021]優(yōu)選地，所述隨機噪聲為高斯白噪聲、泊松噪聲、椒鹽噪聲、鹽噪聲、椒噪聲、乘性噪聲中的任意一種或兩種以上的組合。
[0022]一種基于多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)的局部放電類型分析系統(tǒng)，其特征在于，包括：
[0023]局部放電采集模塊，用于周期性采集局部放電時產(chǎn)生的電流脈沖向外輻射電磁波信號，經(jīng)過濾波處理后，形成一個單通道的二維矩陣數(shù)組；
[0024]局部放電數(shù)據(jù)預(yù)處理模塊，用于對獲取的二維矩陣數(shù)組進行預(yù)處理，得到多通道的局部放電數(shù)據(jù)；
[0025]局部放電類型分析模塊，用于將將預(yù)處理過的多通道的局部放電數(shù)據(jù)輸入到預(yù)先構(gòu)建和訓練好的多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)中，進行局部放電類型檢測和判斷，所述神經(jīng)網(wǎng)絡(luò)包括主干網(wǎng)絡(luò)和分支網(wǎng)絡(luò)，分支網(wǎng)絡(luò)包括放電分支和分類分支，首先查看放電分支，如果放電分支預(yù)測是不放電，則輸出正常類型，否則繼續(xù)查看類型分支，根據(jù)類型分支的結(jié)果輸出放電的類型。
[0026]一種電子設(shè)備，其特征在于，所述電子設(shè)備包括處理器和存儲器；其中，所述存儲器用于存儲計算機程序，所述計算機程序由所述處理器加載并執(zhí)行以實現(xiàn)所述方法。
[0027]一種計算機可讀存儲介質(zhì)，其特征在于，用于存儲計算機程序；其中所述計算機程序被處理器執(zhí)行時實現(xiàn)所述方法。
[0028]有益效果：由于采用了上述技術(shù)方案，本專利技術(shù)具有如下有益效果：
[0029]本專利技術(shù)提出的基于多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)的局部放電類型檢測方法和系統(tǒng)，通過構(gòu)建和訓練多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)，對判斷局部放電是否存在和局部放電的類型，克服了人工預(yù)測存在的人力成本高的問題，而且相較現(xiàn)有模式匹配方法，本專利技術(shù)排除了噪聲影響，判斷準確率高。
附圖說明
[0030]圖1是本專利技術(shù)的基于多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)的局部放電類型檢測方法流程圖；
[0031]圖2是實施例一中的多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖；
[0032]圖3是圖2中bottleneck模塊的結(jié)構(gòu)示意圖；
[0033]圖4是圖2中bottleneck(stride2)模塊的結(jié)構(gòu)示意圖；
[0034]圖5是圖2中bottleneck_sum模塊的結(jié)構(gòu)示意圖；
[0035]圖6是圖2中局部放電數(shù)據(jù)矩陣化的示意圖。
具體實施方式
[0036]下面結(jié)合附圖對本專利技術(shù)的實施例作詳細的說明。
[0037]本專利技術(shù)提出一種基于多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)的局部放電類型檢測方法及系統(tǒng)，首先特高頻傳感器采集一定周期的數(shù)據(jù)，接著對采集到的數(shù)據(jù)進行歸一化，然后利用多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)模型進行分析，多任務(wù)模型分為主干網(wǎng)絡(luò)和子任務(wù)分支，主干網(wǎng)絡(luò)能夠提取數(shù)據(jù)特征，主干網(wǎng)絡(luò)后面根據(jù)任務(wù)可接多個分支，局部放電類型檢測任務(wù)需要兩個分支：放電分支和類型分支，放電分支判斷出當前局部放電數(shù)據(jù)是否是存在放電現(xiàn)象，如果當前信號表面存在放電現(xiàn)象，則查看類型分支的結(jié)果，判斷局部放電具體的放電類型。
[0038]實施例一
[0039]本本文檔來自技高網(wǎng)...

【技術(shù)保護點】

【技術(shù)特征摘要】
1.一種基于多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)的局部放電類型檢測方法，其特征在于，包括步驟：周期性采集局部放電時產(chǎn)生的電流脈沖向外輻射電磁波信號，經(jīng)過濾波處理后，形成一個單通道的二維矩陣數(shù)組；對獲取的二維矩陣數(shù)組進行預(yù)處理，得到多通道的局部放電數(shù)據(jù)；將預(yù)處理過的多通道的局部放電數(shù)據(jù)輸入到預(yù)先構(gòu)建和訓練好的多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)中，進行局部放電類型檢測和判斷，所述神經(jīng)網(wǎng)絡(luò)包括主干網(wǎng)絡(luò)和分支網(wǎng)絡(luò)，分支網(wǎng)絡(luò)包括放電分支和分類分支，首先查看放電分支，如果放電分支預(yù)測是不放電，則輸出正常類型，否則繼續(xù)查看類型分支，根據(jù)類型分支的結(jié)果輸出放電的類型；其中，所述主干網(wǎng)絡(luò)包括卷積層、第一Bottleneck層、循環(huán)網(wǎng)絡(luò)和第二Bottleneck層，所述第一Bottleneck層使用帶有線性瓶頸的倒置殘差結(jié)構(gòu)，所述殘差結(jié)構(gòu)依次使用1x1卷積進行升維、使用Depthwise卷積進行卷積操作、使用1x1卷積進行降維，最后進行shortcut操作，Bottleneck的激活函數(shù)的如式(1)所示：y＝Relu6(x)＝min(max(x,0),6)
????
(1)所述循環(huán)網(wǎng)絡(luò)包括8個Bottleneck_sum層，第二Bottleneck層的輸出作為主干網(wǎng)絡(luò)的輸出；所述放電分支為二分類網(wǎng)絡(luò)，包括一個卷積層、全局池化層、全連接層和softmax層，訓練時使用交叉熵損失函數(shù)；類型分支為多分類網(wǎng)絡(luò)，用于判斷局部放電的類型，輸出的結(jié)果包括尖端類型、懸浮類型、氣隙類型、沿面類型、自由類型。2.根據(jù)權(quán)利要求1所述的一種基于多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)的局部放電類型檢測方法，其特征在于，所述神經(jīng)網(wǎng)絡(luò)以如下方法進行訓練：采集不放電數(shù)據(jù)樣本和多種放電數(shù)據(jù)樣本，放電數(shù)據(jù)樣本中包括尖端放電數(shù)據(jù)、氣隙放電數(shù)據(jù)、懸浮放電數(shù)據(jù)和沿面放電數(shù)據(jù)，將放電數(shù)據(jù)樣本按9:1的比例分為放電類型訓練集和測...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：董邦發(fā)，
申請(專利權(quán))人：億嘉和科技股份有限公司，
類型：發(fā)明
國別省市：