一种基于边缘计算的局部放电模式识别方法及装置制造方法及图纸

本发明专利技术实施例提供了一种基于边缘计算的局部放电模式识别方法及装置，该方法应用于云层，方法包括：接收边缘层发送的数据集；对数据集进行存储，利用数据集对回归神经网络进行训练，确定目标回归神经网络；将目标回归神经网络部署至边缘层。本发明专利技术整合了云计算和边缘计算协同服务架构的优势，将平滑因子的优化部署在云端，而将训练好的广义回归神经网络模型部署在边缘层。所提模式识别方法正确识别率较高、识别速率快，适合嵌入到边缘计算框架中。这种计算模式能够在一定程度上满足人工智能在云体系架构中对计算和存储资源的需求，能够灵活应用于工业互联网的各种场景。活应用于工业互联网的各种场景。活应用于工业互联网的各种场景。

【技术实现步骤摘要】
一种基于边缘计算的局部放电模式识别方法及装置


[0001]本专利技术涉及高压设备
，具体涉及一种基于边缘计算的局部放电模式识别方法及装置。

技术介绍

[0002]电厂中高压电气设备在长期运行的情况下不可避免会出现各种各样的劣化或者故障，据不完全统计，绝缘故障占设备故障比例为38.1％，主要表现为设备内部遗留金属突出物或存在金属微粒导致的放电，或是绝缘部件受潮、绝缘层裂纹引起的放电等。因此对重要电气设备进行监视和故障诊断不仅仅可以保障设备的安全运行，也能极大程度上提高供电可靠性。随着信息技术的发展，采用数字信号处理局部放电信号的技术愈发成熟，目前针对电气设备故障诊断的研究主要目的是为了提高故障诊断精度，复杂的神经网络会占用大量计算资源，不符合工业运作的实际情况。
[0003]随着传感器技术、计算机技术、网络技术的迅速发展，设备在数据的获取、存储、传输、加工、分析以及利用方面得到了有效提升。现有技术中，传统云计算处理海量数据的能力显得尤为不足，存在实时性不够、带宽不足、能耗较大以及数据安全性低等问题。

技术实现思路

[0004]有鉴于此，本专利技术实施例提供了一种基于边缘计算的局部放电模式识别方法及装置，以克服现有技术中处理海量数据的能力差，能耗大以及数据安全性低的问题。
[0005]本专利技术实施例提供了一种基于边缘计算的局部放电模式识别方法，应用于云层，所述方法包括：
[0006]接收边缘层发送的数据集；
[0007]对所述数据集进行存储，利用所述数据集对回归神经网络进行训练，确定目标回归神经网络；
[0008]将所述目标回归神经网络部署至边缘层。
[0009]本实施例提供的基于边缘计算的局部放电模式识别方法，整合了云计算和边缘计算协同服务架构的优势，将平滑因子的优化部署在云端，而将训练好的广义回归神经网络模型部署在边缘层。所提模式识别方法正确识别率较高、识别速率快，适合嵌入到边缘计算框架中。这种计算模式能够在一定程度上满足人工智能在云体系架构中对计算和存储资源的需求，能够灵活应用于工业互联网的各种场景。
[0010]可选地，所述利用所述数据集对回归神经网络进行训练，确定目标回归神经网络，包括：
[0011]采用粒子群算法对所述回归神经网络的自由参数进行优化；
[0012]利用所述数据集对优化后的回归神经网络进行训练，确定目标回归神经网络。
[0013]可选地，所述采用粒子群算法对所述回归神经网络的自由参数进行优化，包括：
[0014]获取所述粒子群算法的初始值及所述数据集对应的标签值，所述初始值包括：种
群数量、迭代次数、粒子群初始位置、粒子群速度初始值、记忆因子、进化因子；
[0015]将所述数据集确定为所述回归神经网络的输入，确定网络输出值；
[0016]将所述网络输出值与所述标签值的均方根误差函数作为所述粒子群算法的适应度函数；
[0017]利用所述适应度函数对所述回归神经网络的自由参数进行优化。
[0018]可选地，所述利用所述适应度函数对所述回归神经网络的自由参数进行优化，包括：
[0019]利用所述适应度函数，确定粒子所有位置的适应度值；
[0020]在所述适应度值中确定最小适应度值，并将所述最小适应度值对应粒子的位置和速度分别确定为当前位置和当前速度；
[0021]对粒子群的所述当前位置和所述当前速度进行迭代更新，当迭代次数达到最大时，确定目标位置及目标速度；
[0022]将所述目标位置及目标速度作为自由参数，以完成对所述回归神经网络的优化。
[0023]本专利技术实施例还提供了一种基于边缘计算的局部放电模式识别方法，应用于终端层，所述方法包括：
[0024]利用局部放电监测设备采集局部放电数据；
[0025]对所述局部放电数据进行特征提取，确定特征参量；
[0026]将所述特征参量上传至边缘层。
[0027]本专利技术实施例还提供了一种基于边缘计算的局部放电模式识别方法，应用于边缘层，所述方法包括：
[0028]接收终端层发送的特征参量，并获取云层的目标回归神经网络；
[0029]将所述特征参量作为所述目标回归神经网络的输入，进行放电类型识别，确定数据集；
[0030]将所述数据集发送给云层。
[0031]本专利技术实施例还提供了一种基于边缘计算的局部放电模式识别装置，应用于云层，所述装置包括：
[0032]第一处理模块，用于接收边缘层发送的数据集；
[0033]第二处理模块，用于对所述数据集进行存储，利用所述数据集对回归神经网络进行训练，确定目标回归神经网络；
[0034]第三处理模块，用于将所述目标回归神经网络部署至边缘层。
[0035]本专利技术实施例还提供了一种基于边缘计算的局部放电模式识别装置，应用于终端层，所述装置包括：
[0036]采集模块，用于利用局部放电监测设备采集局部放电数据；
[0037]特征提取模块，用于对所述局部放电数据进行特征提取，确定特征参量；
[0038]发送模块，用于将所述特征参量上传至边缘层。
[0039]本专利技术实施例提供了一种基于边缘计算的局部放电模式识别装置，应用于边缘层，所述装置包括：
[0040]接收模块，用于接收终端层发送的特征参量，并获取云层的目标回归神经网络；
[0041]识别模块，用于将所述特征参量作为所述目标回归神经网络的输入，进行放电类
型识别，确定数据集；
[0042]第二发送模块，用于将所述数据集发送给云层。
[0043]本专利技术实施例还提供了一种基于边缘计算的局部放电模式识别系统，包括：终端层、边缘层和云层，其中，
[0044]所述终端层利用局部放电监测设备采集局部放电数据；对所述局部放电数据进行特征提取，确定特征参量；将所述特征参量上传至边缘层；
[0045]所述边缘层接收终端层发送的特征参量，并获取云层的目标回归神经网络；将所述特征参量作为所述目标回归神经网络的输入，进行放电类型识别，确定数据集；将所述数据集发送给云层。
[0046]所述云层接收终端层发送的风电场的运行数据；根据预设标准对所述运行数据进行判断，确定运行状态；建立预警算法，根据所述预警算法以及所述运行状态，对所述风电场的设备进行预警，并将预警信息反馈给所述终端层。
[0047]本专利技术实施例还提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行本专利技术实施例提供方法。
[0048]本专利技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行本专利技术实施例提供的方法。
附图说明
[0049]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于边缘计算的局部放电模式识别方法，应用于云层，其特征在于，所述方法包括：接收边缘层发送的数据集；对所述数据集进行存储，利用所述数据集对回归神经网络进行训练，确定目标回归神经网络；将所述目标回归神经网络部署至边缘层。2.根据权利要求1所述的方法，其特征在于，所述利用所述数据集对回归神经网络进行训练，确定目标回归神经网络，包括：采用粒子群算法对所述回归神经网络的自由参数进行优化；利用所述数据集对优化后的回归神经网络进行训练，确定目标回归神经网络。3.根据权利要求2所述的方法，其特征在于，所述采用粒子群算法对所述回归神经网络的自由参数进行优化，包括：获取所述粒子群算法的初始值及所述数据集对应的标签值，所述初始值包括：种群数量、迭代次数、粒子群初始位置、粒子群速度初始值、记忆因子、进化因子；将所述数据集确定为所述回归神经网络的输入，确定网络输出值；将所述网络输出值与所述标签值的均方根误差函数作为所述粒子群算法的适应度函数；利用所述适应度函数对所述回归神经网络的自由参数进行优化。4.根据权利要求3所述的方法，其特征在于，所述利用所述适应度函数对所述回归神经网络的自由参数进行优化，包括：利用所述适应度函数，确定粒子所有位置的适应度值；在所述适应度值中确定最小适应度值，并将所述最小适应度值对应粒子的位置和速度分别确定为当前位置和当前速度；对粒子群的所述当前位置和所述当前速度进行迭代更新，当迭代次数达到最大时，确定目标位置及目标速度；将所述目标位置及目标速度作为自由参数，以完成对所述回归神经网络的优化。5.一种基于边缘计算的局部放电模式识别方法，应用于终端层，其特征在于，所述方法包括：利用局部放电监测设备采集局部放电数据；对所述局部放电数据进行...

【专利技术属性】
技术研发人员：宋佳骏，熊中浩，刘守豹，欧亮，何东阳，管毓瑶，熊霄涵，王晓兰，胡思宇，
申请(专利权)人：大唐水电科学技术研究院有限公司，
类型：发明
国别省市：