一种基于电力大数据的局部放电模式识别系统的制作方法

本发明涉及模式识别，具体为一种基于电力大数据的局部放电模式识别系统。

背景技术：

1、局部放电是电气设备在长期运行时绝缘发生损坏的一种征兆，在电气设备绝缘介电性能下降的过程中就会导致局部放电的产生，在电场作用下，绝缘系统中只有部分区域发生放电而并没有形成贯穿性放电通道的一种放电，产生局部放电的主要原因是电介质不均匀时，绝缘体各区域承受的电场强度不均匀，在某些区域电场强度达到击穿场强而发生放电，而其它区域仍然保持绝缘的特性，电气设备的绝缘结构比较复杂，使用的材料多种多样，整个绝缘系统电场分布很不均匀，且绝缘内部存在缺陷或混入各种杂质，或者在绝缘结构中存在某些电气连接不良，就导致根据形成的复杂多样的放电数据提取的特征数据敏感性较差，进行局部放电模式识别则需要通过提取某些特征，组成一个特征集对原始数据量进行降维压缩，达到分类和识别目的，而选取的特征敏感性较差就会导致模式识别识别分类的准确性降低。因此，设计提高识别效率和识别准确性的一种基于电力大数据的局部放电模式识别系统是很有必要的。

技术实现思路

1、本发明的目的在于提供一种基于电力大数据的局部放电模式识别系统，以解决上述背景技术中提出的问题。

2、为了解决上述技术问题，本发明提供如下技术方案：一种基于电力大数据的局部放电模式识别系统，包括局部放电基本参数模块、特征参数映射增强模块、分类识别模块，其特征在于：所述局部放电基本参数模块，用于提取包括工频相位、放电量和放电次数的局部放电基本参数；所述特征参数映射增强模块，用于对关键的参量进行直接表征的数据映射和增强；所述分类识别模块，用于利用训练完成的神经网络模型对prpd谱图测试集进行分类识别。

3、根据上述技术方案，所述局部放电基本参数模块包括：局部放电原始数据采集模块、参数预处理模块、prpd三维谱图绘制模块，所述局部放电原始数据采集模块，用于采集电气设备绝缘缺陷下的局部放电原始数据；所述参数预处理模块，用于对基本参数进行去噪、筛选、排序、标号的预处理；所述prpd三维谱图绘制模块，用于基于提取的预处理后的基本参数绘制prpd三维谱图。

4、根据上述技术方案，所述特征参数映射增强模块包括：特征参数提取统计模块、数据映射模块、数据增强模块、结构相似度计算模块，所述特征参数提取统计模块，用于利用建立的统计模型对局部放电信号的分布特征进行统计特征参数提取；所述数据映射模块，用于对关键的参量进行直接表征的数据映射；所述数据增强模块，用于利用scgan模型对局部放电参数进行数据增强；所述结构相似度计算模块，用于利用包括生成器、判别器和非线性映射网络构成的scgan模型计算生成图谱与prpd图谱的结构相似度。

5、根据上述技术方案，所述分类识别模块包括：dbn神经网络训练模块、迭代调优计算模块、识别结果输出模块，所述dbn神经网络训练模块，用于将所有附带类别标签的的训练图像输入到dbn神经网络中进行内部结构参数训练；所述迭代调优计算模块，用于迭代重复完成所有训练样本的训练进行监督训练调优；所述识别结果输出模块，用于完成选择的所有样本的测试后统计并输出各类模式识别结果。

6、根据上述技术方案，所述系统执行基于电力大数据的局部放电模式识别系统方法，方法包括以下步骤：

7、步骤一：对采集到的每个局部放电原始数据设置幅值阈值和间隔阈值，提取包括工频相位、放电量和放电次数的局部放电基本参数，并对基本参数进行去噪、筛选、排序、标号的预处理；

8、步骤二：建立统计模型对prpd三维谱图中的局部放电特征参数进行分布提取统计，对关键的参量进行直接表征的数据映射；

9、步骤三：利用scgan模型对局部放电参数进行数据增强，将prpd图谱和基于prpd三维谱图像类别中包含的标签信息进行输入训练；

10、步骤四：利用训练完成的神经网络模型对prpd谱图测试集进行分类识别。

11、根据上述技术方案，所述采集电气设备绝缘缺陷下的局部放电原始数据，从局部放电原始信号中提取包括工频相位、放电量和放电次数的基本参数的的步骤，包括：

12、步骤11：通过设置幅值阈值和间隔阈值，将电气设备连续交流周期内的局部放电信号转换为prpd灰度图；

13、步骤12：将采集的工频相位轴划分为n个区间，放电量轴划分为m个区间，则整个相位轴与放电量轴的平面被分为n*m的小格，针对每一个采集到的原始样本信号，统计每个小格内的局部放电次数k；

14、步骤13：并将统计到的局部放电次数最大值定义为基准值，计算最大放电次数，最大放电次数＝归一化后的放电次数/实际的放电次数，即对局部放电次数k进行归一化处理；

15、步骤14：进一步将局部放电次数k用灰度图的灰度级进行转换计算，灰度图的像素值＝(1-归一化后的放电次数)*设定的最大亮度值255，将放电次数转化为灰度值后即可表示为当灰度图中某一点的颜色越深，表示该位置的放电越频繁；

16、步骤15：对基本参数进行去噪、筛选、排序、标号的预处理；

17、步骤16：利用小波阈值去噪原始的放电信号数据进行小波变换，提取局部放电原始数据中有效的特征参数，基于设置的临界阈值将小波系数低于阈值部分定义为噪声信号，将小波系数高于阈值部分的定义为有效信号，去除低于小波系数设定阈值的原始参数，对处理后的小波系数进行小波逆变换到去噪后的放电信号数据；

18、步骤17：最后再基于提取的预处理后的基本参数绘制prpd三维谱图。

19、根据上述技术方案，所述利用建立的统计模型对局部放电信号的分布特征进行统计特征参数提取的方法包括：提取出两类统计特征参数，即从局部放电的放电次数-放电量-工频相位的prpd三维谱图提取的统计特征和从rgb图像提取的图像特征，对于放电次数-放电量-工频相位的prpd三维谱图提取常规的脉冲电流信号、超声波信号和高频信号的放电脉冲重复率、放电量和相位信息，构成统计图谱，并与提取的rgb图像一起组成统计图谱库。

20、根据上述技术方案，所述对关键的参量进行直接表征的数据映射的步骤包括：将局部放电prpd谱图压缩成二维灰度图，将prpd三维谱图的横轴方向代表相位信息，通过放电信号中幅度和相位两个维度分布表示不同局部放电类别之间的关键特征，因此将放电相位作为灰度图的x轴，以放电量作为灰度图的y轴，以放电次数x为灰度值，形成以x为灰度值的局部放电放电量和放电相位的灰度图，对灰度图的灰度值为[0,255]的数据进行映射。

21、根据上述技术方案，所述进行数据增强的方法步骤为：

22、步骤31：通过输入包括prpd图谱中图像的一维随机向量，将包括图像类别的标签信息经过映射网络输出后的维度与一维随机向量的维度进行统一；

23、步骤32：利用生成器中加入的标签信息对生成方向进行引导，将代表标签信息的编码经过全连接层实现标签转化，再将转化后的标签信息与随机变量拼接，

24、步骤33：将拼接后的一维随机向量和标签信息进行非线性映射，且保持特征向量维度，对其进行维度变换后得到对应的特征图，拼接后的输出经过非线性网络的映射得到具有特征解耦属性的向量，基于该向量的生成样本融合了标签信息，不同的标签加入会相应生成不同特征的样本；

25、步骤34：在判别器中将标签信息映射到高维空间，判别器对输入图片进行特征提取并降维至标签信息同等维度，然后计算二者的余弦距离作为判别器的输出。

26、根据上述技术方案，所述利用训练完成的神经网络模型对prpd谱图测试集进行分类识别的步骤包括：将所有附带类别标签的的训练图像输入到dbn神经网络中进行内部结构参数训练，dbn神经网络采用五层机构，其中可见单层元的数量为q，隐藏层单元数量分别设定为l1、l2、l3，设置一个dbn人工神经网络，激活函数为sigmoid，利用训练完成的神经网络模型对prpd谱图测试集进行分类识别，对局部放电缺陷类型识别层的dbcn的输入节点数为各个特征空间的特征数，输出节点数为4个，分别代表四种局部放电类型，对严重程度进行识别时，局部放电严重程度识别层的输入节点数也为各个特征空间的特征个数，输出节点数为3个，分别代表局部放电起始阶段、发展阶段、危险阶段；训练时分别从统计图谱库中选取采用不同标签编码进行训练,当第一层训练结束后，将典型局部放电的测试参数数据输入己训练好的模型中，选取输出最大概率对应的缺陷类型作为识别结果，然后，根据第一层中dbcn的识别结果从第二层中选取相应的dbcn，再次输入测试参数，选取输出最大概率对应的严重程度作为识别结果，将缺陷类型及严重程度识别结果作为最终的局部放电模式识别结果进行输出。

27、与现有技术相比，本发明所达到的有益效果是：本发明，通过对采集到的每个局部放电原始数据设置幅值阈值和间隔阈值，提取局部放电基本参数，并对基本参数进行去噪、筛选、排序、标号的预处理，建立统计模型对prpd三维谱图中的局部放电特征参数进行分布提取统计，对关键的参量进行直接表征的数据映射，进一步利用scgan模型对局部放电参数进行数据增强，将prpd图谱和基于prpd三维谱图像类别中包含的标签信息进行输入训练，以及利用训练完成的神经网络模型对prpd谱图测试集进行分类识别，解决了因提取的特征数据敏感性较差导致模式识别分类的准确性低的问题，提升了系统的识别精度的基础上还大幅降低了模型的训练难度。