基于周期归一化的低频放电类型识别模型及其训练方法和系统与流程

本发明属于局部放电分类识别，具体地涉及基于周期归一化的低频放电类型识别模型及其训练方法和系统。

背景技术：

1、局部放电现象，常见于绝缘薄弱且电场非均匀分布的区域，其特性鲜明，表现为纳秒级的短暂间歇性脉冲，这些脉冲瞬间释放特定频段（300mhz至3ghz）的电磁波。检测局部放电对于电力设备安全性的维护具有多重重要意义，它能够有效预防设备故障，延长设备服役寿命，确保电力系统稳定运行，并推动相关技术的持续进步与创新。因此，在电力设备的运维管理中，对局部放电的检测工作应给予高度重视。

2、当前，在标准工频（50hz）环境下，多种带电检测技术如特高频法、高频法、超声法及红外法等，已广泛应用于局部放电的检测。然而，对于低频（如20hz）条件下的局部放电特性研究，国内外尚缺乏充分的工程实践经验和统一的参照标准。柔性低频交流输电是以电力电子技术为基础，通过降低输电频率、减小线路阻抗、减少电缆线路充电无功，提升电网的输送能力和柔性调控能力的一种新型高效输电技术，在电网互联、中远距离海上风电送出和海岛供电等场景下具有广阔的应用前景。由于低频环境下局部放电的特性可能与工频条件下大相径庭，使得基于工频数据的传统放电类型识别方法难以直接迁移应用。此外，工频下积累的放电类型识别样本库，其适用性及在低频环境下的具体应用方式，尚需深入探索与验证。

技术实现思路

1、基于现有技术中存在的上述缺点和不足，本发明的目的之一是至少解决现有技术中存在的上述问题之一或多个，换言之，本发明的目的之一是提供满足前述需求之一或多个的基于周期归一化的低频放电类型识别模型及其训练方法和系统，以填补低频环境下局部放电类型识别的空白，致力于提升低频环境下局部放电类型识别的效率与精确度，从而为电力设备的安全监测与维护工作带来实质性的优化与改进。

2、为了达到上述发明目的，本发明采用以下技术方案：

3、第一方面，本发明提供一种基于周期归一化的低频放电类型识别模型训练方法，包括步骤：

4、s1、获取工频放电数据集和低频放电数据集；

5、s2、基于所述工频放电数据集和低频放电数据集，获取低频放电较工频放电在相位、幅值和放电时间上的偏移数据；

6、s3、基于所述偏移数据对所述工频放电数据集中的数据进行周期归一化修正，以得到低频放电类型识别样本集，所述低频放电类型识别样本集包括prpd图谱样本数据、图谱样本数据和特征参数样本数据；

7、s4、构建放电类型识别神经网络并向其输入所述低频放电类型识别样本集中各样本数据，以训练网络并输出与各样本数据对应的识别结果；

8、s5、获取预设的与各所述识别结果对应的权重相量，基于各所述识别结果及其对应的权重相量进行识别结果融合，以完成低频放电类型识别模型训练。

9、作为一种优选的方案，步骤s3所述基于所述偏移数据对所述工频放电数据集中的数据进行周期归一化修正，包括对所述工频放电数据中的相位数据进行归一化修正，具体为：

10、获取所述工频放电数据中与各放电类型对应的相位；

11、获取所述低频放电数据中与各放电类型对应的相位；

12、基于与同一放电类型对应的所述和所述进行差值计算，以得到与各放电类型对应的相位偏差，；

13、基于与同一放电类型对应的所述和所述相位偏差进行计算，以得到对所述工频放电数据中与各放电类型对应的相位进行归一化修正的修正值，。

14、作为一种优选的方案，步骤s3所述基于所述偏移数据对所述工频放电数据集中的数据进行周期归一化修正，包括对各放电数据样本的幅值数据进行归一化修正，具体为：

15、获取所述各放电数据样本的放电幅值 v；

16、获取所有所述放电幅值 v中的幅值最大值 vmax和幅值最小值 vmin；

17、基于所述放电幅值 v、幅值最大值 vmax和幅值最小值 vmin进行计算，以得到对各放电数据样本中的幅值进行归一化修正的修正值 v修正，。

18、作为一种优选的方案，步骤s3所述基于所述偏移数据对所述工频放电数据集中的数据进行周期归一化修正，包括对所述工频放电数据中的放电时间间隔数据进行归一化修正，具体为：

19、获取预设的修正系数k；

20、获取所述工频放电数据中与各放电类型对应的放电时间间隔；

21、基于所述修正系数k和各所述放电时间间隔，得到对所述工频放电数据中与各放电类型对应的放电时间间隔进行归一化修正的修正值，。

22、作为一种优选的方案，所述特征参数样本数据包括放电时间间隔均值、放电时间间隔标准差、放电时间间隔熵值、放电次数-幅值（n-v）的威布尔参数、幅值均值、幅值标准差、幅值熵值。

23、作为一种优选的方案，步骤s4所述构建放电类型识别神经网络并向其输入所述低频放电类型识别样本集中各样本数据，以训练网络并输出与各样本数据对应的识别结果，包括步骤：

24、构建prpd图谱网络、图谱网络和bp神经网络；

25、将所述低频放电类型识别样本集划分为训练数据集和验证数据集，且同一种样本数据对应的所述训练数据集与所述验证数据集的比例为4：1；

26、将所述低频放电类型识别样本集中的prpd图谱样本数据、图谱样本数据和特征参数样本数据分别输入对应网络，以训练网络并输出对应的训练集混淆矩阵和验证集混淆矩阵。

27、作为一种优选的方案，构建所述prpd图谱网络或图谱网络包括步骤：

28、设置多层神经元以形成设置输入层、输出层以及中间层；

29、在所述中间层设置模块a、模块b和模块c，且在所述模块a、模块b和模块c均设置用于调整输入特征的通道数量的1×1卷积。

30、作为一种优选的方案，步骤s5所述获取预设的与各所述识别结果对应的权重相量，基于各所述识别结果及其对应的权重相量进行识别结果融合，包括步骤：

31、获取预设的与prpd图谱训练集混淆矩阵对应的权重相量 qiprpd；

32、获取预设的与图谱训练集混淆矩阵对应的权重相量；

33、获取预设的与特征参数训练集混淆矩阵对应的权重相量 qkbp；

34、基于所述 qiprpd、和 qkbp计算得到融合后的识别向量 q，并选取 q中概率最大的索引值作为放电识别结果；

35、所述识别向量q的计算公式为：

36、，

37、式中， qiprpd表示某一输入样本经过prpd图谱网络识别为第i类放电的权重相量，表示所述某一输入样本经过图谱网络识别为第j类放电的权重相量， qkbp表示所述某一输入样本经过bp神经网络识别为第k类放电的权重相量。

38、第二方面，本发明提供一种基于周期归一化的低频放电类型识别模型训练系统，基于第一方面所述的一种基于周期归一化的低频放电类型识别模型训练方法：

39、包括获取模块、周期归一化修正模块、构建模块、训练模块、结果融合模块；

40、所述获取模块，用于获取工频放电数据集和低频放电数据集，以及低频放电较工频放电在相位、幅值和放电时间上的偏移数据；

41、所述周期归一化修正模块，基于所述偏移数据对各放电数据进行周期归一化修正，以得到低频放电类型识别样本集，所述低频放电类型识别样本集包括prpd图谱样本数据、图谱样本数据和特征参数样本数据；

42、所述构建模块，用于构建放电类型识别神经网络；

43、所述训练模块，用于向其输入所述低频放电类型识别样本集中各样本数据，以训练网络并输出与各样本数据对应的识别结果；

44、所述获取模块，还用于获取预设的与各所述识别结果对应的权重相量；

45、所述结果融合模块，基于各所述识别结果及其对应的权重相量进行识别结果融合，以完成低频放电类型识别模型训练。

46、第三方面，本发明提供一种基于周期归一化的低频放电类型识别模型，应用第一方面所述训练方法训练得到。

47、与现有技术相比，本发明具有以下有益效果：

48、1.将工频（50hz）下积累的放电类型识别样本库通过周期归一化，使工频数据库在低频（20hz）下的应用更为精确和可靠，减少了重新建立低频样本库和编写新识别程序的需要，提高了工作效率和成本效益。

49、2.引入了相位归一化处理方法，有效解决了不同频率下采集的放电数据中的相位偏移问题，确保识别模型能够准确处理低频数据，消除频率变化对相位差异识别准确性的影响，提升了识别模型的适应性和准确性，并可进一步拓展至其他电压频率下的局部放电类型识别。

50、3.提出了多网络识别结果融合的识别方法，结合prpd图谱、图谱及多种特征参数的互补优势，通过权重分配和结果融合，有效减少了单一网络可能存在的误判或局限性，显著降低了整体识别的错误率，提高了识别的综合准确性和鲁棒性。

51、4.构建的prpd图谱网络和图谱网络采用多模块、多结构层次的架构，包含分支结构和残差结构，这种设计不仅降低了网络中的参数总量，还增加了网络的深度，能够在保留原始输入特征的同时，提取更多种类的抽象特征和高阶特征，增强了网络的学习能力和识别能力，提升了放电图谱识别的效率和准确性。

52、进一步地或者更细节的有益效果将在具体实施方式中结合具体实施例进行说明。